La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

ECG Delineation with Randomly Selected Wavelet Feature and Random Forest Classifier Délimitation de l'ECG avec fonction d'ondelette sélectionnée au hasard et classificateur de forêt aléatoire

Dapeng FU, Zhourui XIA, Pengfei GAO, Haiqing WANG, Jianping LIN, Li SUN

  • Vues en texte intégral

    0

  • Citer

Résumé:

Objectif : La détection des points caractéristiques de l'électrocardiogramme (ECG) peut fournir des informations diagnostiques critiques sur les maladies cardiaques. Nous avons proposé un nouveau schéma d'extraction de caractéristiques et d'apprentissage automatique pour la détection automatique des points caractéristiques de l'ECG. Méthodes : Une nouvelle fonctionnalité, appelée fonctionnalité de transformation en ondelettes sélectionnées au hasard (RSWT), a été conçue pour représenter les points caractéristiques de l'ECG. Un classificateur forestier aléatoire a été adapté pour déduire la position des points caractéristiques avec une sensibilité et une précision élevées. Résultats : comparés aux résultats des tests d'autres algorithmes de pointe sur la base de données QT, nos résultats de détection du schéma RSWT ont montré des performances comparables (sensibilité, précision et erreur de détection similaires pour chaque point caractéristique). Les tests RSWT sur la base de données MIT-BIH ont également démontré des performances prometteuses entre bases de données. Conclusion : Une nouvelle fonctionnalité RSWT et un nouveau schéma de détection ont été fabriqués pour les points caractéristiques de l'ECG. Le RSWT a démontré une fonctionnalité robuste et fiable pour représenter les morphologies ECG. Importance : Grâce à l'efficacité de la fonctionnalité RSWT proposée, nous avons présenté un nouveau schéma basé sur l'apprentissage automatique pour détecter automatiquement tous les types de points caractéristiques ECG à la fois. En outre, cela a montré que notre algorithme obtenait de meilleures performances que les autres méthodes basées sur l’apprentissage automatique signalées.

Publication
IEICE TRANSACTIONS on Information Vol.E101-D No.8 pp.2082-2091
Date de publication
2018/08/01
Publicisé
2018/05/09
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2017EDP7410
Type de manuscrit
PAPER
Catégories
Pattern Recognition

Auteurs

Dapeng FU
  Chinese Academy of Sciences Zhong Guan Cun Hospital
Zhourui XIA
  Beijing University of Posts and Telecommunications
Pengfei GAO
  Tsinghua University
Haiqing WANG
  Beijing Zhong Guan Cun Hospital, Chinese Academy of Sciences Zhong Guan Cun Hospital
Jianping LIN
  Beijing XinHeYiDian Technology Co. Ltd.
Li SUN
  Beijing XinHeYiDian Technology Co. Ltd.

Mots-clés

Table des matières