×

基于机器学习的充血性心力衰竭检测,使用多模态特征的特征重要性排序。 (英语) Zbl 1471.92178号

总结:在本研究中,我们对从充血性心力衰竭(CHF)和正常窦性心律(NSR)受试者中提取的多模态特征进行了排序。我们根据经验接收者操作特征(EROC)值将排名特征分为1至5类。我们没有使用所有的多模态特征,而是使用高级特征来检测CHF和正常人。我们使用了强大的机器学习技术,如决策树(DT)、朴素贝叶斯(NB)、SVM高斯、SVM RBF和SVM多项式。从敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)、准确性、假阳性率(FPR)和受试者操作特征曲线下面积(AUC)等方面测量其表现。在准确度和AUC方面,使用SVM-Gaussian的所有多模态特征获得了最高的检测性能,灵敏度(93.06%)、特异性(81.82%)、准确度(88.79%)和AUC(0.95)。使用排名前五的特征,SVM高斯产量准确率(84.48%)、AUC(0.86)获得了最高的性能;使用决策树和朴素贝叶斯对排名前9位的特征进行分类,准确率为84.48%,AUC为0.88;最后13个使用SVM多项式进行排序的特征获得了准确率(80.17%),AUC(0.84)。研究结果表明,所提出的具有特征排序的方法可以非常有效地自动检测充血性心力衰竭患者,并有助于临床医生和医生进一步决策,以降低死亡率。

MSC公司:

92C55 生物医学成像和信号处理
68T05型 人工智能中的学习和自适应系统

软件:

物理工具包
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] H.F.Jelinek、D.J.Cornforth、A.H.Khandoker,《心电图时间序列变异性分析》,CRC出版社,2017年。
[2] A.J.Seely,P.T.Macklem,《复杂系统和变异性分析技术》,Crit.Care。,8(2004),R367。
[3] Y.Islesh ler,M.Kuntalp,将经典HRV指数与小波熵测量相结合,可提高诊断充血性心力衰竭的性能,计算机。生物医学,37(2007),1502-1510。
[4] I.Awan,W.Aziz,I.H.Shah,N.Habib,J.S.Alowibdi,S.Saeed等,使用基于尺度的符号熵分析研究健康和充血性心力衰竭受试者的心跳间隔时间序列的动力学,《公共科学图书馆·综合》。,13(2018),e0196823。
[5] W、 使用基于阈值的符号熵对健康和病理受试者的心率信号进行分类,Acta Biol。挂。,65, 252-264 (2014) ·doi:10.1556/ABiol.65.2014.3.2
[6] A、 用于筛选充血性心力衰竭患者的基于小波的软决策技术,Biomed。信号处理。控制。,2, 135-143 (2007) ·doi:10.1016/j.bspc.2007.05.008
[7] R、 利用RR间期二阶差分图检测充血性心力衰竭的分类系统,Cardiol。研究实践。,2009年,1-7(2009年)
[8] S、 基于条件互信息的特征选择,用于利用心率变异性识别充血性心力衰竭,计算。方法生物识别程序。,108, 299-309 (2012) ·doi:10.1016/j.cmpb.2011.12.015
[9] L、 CHF评估的短期心率变异性测量的辨别能力,IEEE Trans。技术信息。生物识别。,15, 40-46 (2011) ·doi:10.1109/TITB.2010.2091647
[10] G、 利用Hilbert-Huang变换早期诊断充血性心力衰竭的新方法。方法生物识别程序。,137, 23-34 (2016) ·doi:10.1016/j.cmpb.2016.09.003
[11] G、 使用分组水平可见性图分析节拍间隔时间序列的动力学,IEEE Access,79926-9934(2019)·doi:10.1109/ACCESS.2018.2890542
[12] Y、 基于短期心率变异性的充血性心力衰竭多阶段分类,混沌孤立分形,118145-151(2019)·doi:10.1016/j.chaos.2018.11.020
[13] A、 基于短期心率变异性的阵发性心房颤动早期预测,Phys。统计机械。其应用。,509, 56-65 (2018) ·doi:10.1016/j.physa.2018.06.022
[14] T.Jagrić、M.Marhl、D.Štajer、Š。T.Kocjančič,T.Jagrić,M.Podbregar,等,作为预测心室颤动患者成功除颤的方法的极短心电图(ECG)信号的不规则性测试,Transl。Res.,149(2007),145-151。
[15] L.Wang,W.Xue,Y.Li,M.Luo,J.Huang,W.Cui,et al.,使用多域特征提取和非线性分析在脑电信号中自动检测癫痫发作,熵,19(2017),222。
[16] 五十、 通过基于精细模糊熵(FuzEn)方法提取混合特征并使用机器学习技术检测心律失常,Waves Random Complex Media,30,656-686(2020)·doi:10.1080/17455030.2018年1554926
[17] S、 利用新的几何特征和一些传统特征的混合进行自动结肠癌检测。《生物医学》,65,279-296(2015)·doi:10.1016/j.com.pbiomed.2015.03.004
[18] H.Peng,F.Long,C.Ding,基于最大相关性、最大相关性和最小冗余的互信息准则的特征选择,IEEE Trans。模式分析。机器。智力。,27 (2005), 1226-1238.
[19] H.Karnan,N.Sivakumaran,R.Manivel,使用新型特征秩评分算法的高效心律失常发作检测技术,医学系统杂志。,43 (2019), 167.
[20] M.G.Leguia,Z.Levnajić,L.Todorovski,B.üenko,《通过特征排序重建动态网络》,混沌干预。非线性科学杂志。,29 (2019), 093107.
[21] Z、 基于多目标的病变恶性度分类放射特征选择,IEEE J.Biomed。治愈。通知。,24, 194-204 (2020) ·doi:10.1109/JBHI.2019.2902298
[22] M.Mourad、S.Moubayed、A.Dezube、Y.Mourad,K.Park、A.Torreblanca-Zanca等,机器学习和特征选择应用于SEER数据以可靠评估甲状腺癌预后,科学。众议员,10(2020),5176。
[23] A、 ROC曲线下面积在机器学习算法评估中的使用,Patt。推荐。,30, 1145-1159 (1997) ·doi:10.1016/S0031-3203(96)00142-2
[24] A.L.Goldberger、L.A.N.Amaral、L.Glass、J.M.Hausdorff、P.C.Ivanov、R.G.Mark等人,《生理银行》、《生理工具包》和《生理网》,《循环》,101(2000年)。
[25] J.T.Bigger,J.L.Fleiss,R.C.Steinman,L.M.Rolnitzky,W.J.Schneider,P.K.Stein,健康中年人与慢性冠心病或近期急性心肌梗死患者相比的RR变异性,《循环》,91(1995),1936-1943。
[26] J、 pNNx文件:重新检查广泛使用的心率变异性测量,《心脏》,88,378-380(2002)·doi:10.1136/心.88.4.378
[27] K、 失眠症患者的心率变异性:文献综述,《睡眠医学评论》,33,88-100(2017)·doi:10.1016/j.smrv.2016.06.004
[28] M、 运动员在休息和运动后的超短时域HRV参数:交感神经平衡频率计算的替代方法,《欧洲应用杂志》。生理学。,118, 175-184 (2018) ·doi:10.1007/s00421-017-3759-x
[29] S.A.Geronikolou,K.Albanopoulos,G.Chrousos,D.Cokkinos,《评估减肥手术患者的稳态评估模型胰岛素抵抗和心脏自主神经系统:荟萃分析》,载于:P.Vlamos(Ed.),Springer International Publishing,Cham,2017249-259。
[30] C、 慢性阻塞性肺病患者自发呼吸期间心率变异性短期测量的可靠性。(英语版),23,338-342(2017)
[31] 五十、 应用先进的参数优化方法Cogn,利用稳健的机器学习分类技术检测不同特征提取策略的癫痫发作。神经动力学。,12, 271-294 (2018) ·doi:10.1007/s11571-018-9477-1
[32] L.Hussain,I.A.Awan,W.Aziz,S.Saeed,A.Ali,F.Zeeshan等,通过提取多模态特征并使用机器学习技术检测充血性心力衰竭,生物医学。Res.Int.,2020(2020),1-19。
[33] L.Hussain,W.Aziz,J.S.Alowibdi,N.Habib,M.Rafique,S.Saeed等人,《静息状态下对脑电图(EEG)癫痫发作和闭眼受试者大脑动力学的符号时间序列分析》,J.Physiol。人类学。,36 (2017).
[34] L、 通过提取不同特征,使用精细的模糊熵方法分析肺癌成像数据的动力学,IEEE Access,7,64704-64721(2019)·doi:10.1109/ACCESS.2019.2917303
[35] L.Hussain,W.Aziz,S.Saeed,S.A.Shah,M.S.A.Nadeem,A.Awan等人,《使用多尺度置换熵(MPE)技术对睁眼和闭眼受试者脑电图运动的复杂性分析》,生物医学。决议,28(2017),104-7111。
[36] L.Hussain,W.Aziz,S.Saeed,S.A.Shah,M.S.A.Nadeem,I.A.Awan等人,使用基于MSE的K-d树算法Biomed量化脑电图(EEG)信号的动力学,以区分酒精和非酒精受试者。生物工程。《科技》,63(2018),481-490。
[37] L.Hussain,S.Saeed,A.Idris,I.A.Awan,S.A.Shah,A.Majid等,用不同特征提取策略检测癫痫发作的回归分析,生物医学。生物工程。《科技》,第64期(2019年),第619-642页。
[38] M、 近似熵作为系统复杂性的度量,Proc。国家。阿卡德。科学。,88, 2297-2301 (1991) ·Zbl 0756.60103号 ·doi:10.1073/美国国家统计局.88.6.2297
[39] J.S.Richman,J.R.Moorman,《使用近似熵和样本熵进行生理时间序列分析》,美国生理学杂志。循环。生理学。,278(2000),H2039-H2049。
[40] D、 基于最佳基的小波包熵特征提取和分层EEG分类用于癫痫检测,专家系统。申请。,38, 14314-14320 (2011)
[41] O.A.Rosso、S.Blanco、J.Yordanova、V.Kolev、A.Figliola、M.Schürmann等人,《小波熵:分析短时脑电信号的新工具》,《神经科学杂志》。方法,105(2001),65-75。
[42] Y、 局部香农熵测量与图像随机性统计测试,Inf.Sci。(纽约)。,222, 323-342 (2013) ·Zbl 1293.94019号 ·doi:10.1016/j.ins.2012.07.049
[43] S、 基于能量和熵的特征提取,利用神经网络和小波包分解,用于输电线路故障定位,专家系统。申请。,342937-2944(2008年)·doi:10.1016/j.eswa.2007.05.011
[44] E、 基于专家离散小波自适应网络的数字调制识别模糊推理系统,专家系统。申请。,33, 582-589 (2007) ·doi:10.1016/j.eswa.2006.06.001
[45] 一、 用小波包神经网络诊断心脏瓣膜疾病的智能系统,计算。生物医学,33,319-331(2003)·doi:10.1016/S0010-4825(03)00002-7
[46] H.Wang,T.M.Khoshgoftaar,K.Gao,基于过滤器的特征排序技术的比较研究,收录于:2010 IEEE Int.Conf.Inf.Reuse Integr。,IEEE,2010年,第43-48页。
[47] H.Shakir,Y.Deng,H.Rasheed,T.M.R.Khan,基于放射的癌症诊断似然函数,科学。代表,9(2019),9501。
[48] W.Wu,C.Parmar,P.Grossmann,J.Quackenbush,P.Lambin,J.Bussink等,《确定肺癌组织学放射分类的探索性研究》,Front。Oncol.公司。,6(2016),187-194年。
[49] Y、 生物信息学中的特征选择技术综述,生物信息学,232507-2517(2007)·doi:10.1093/bioinformatics/btm344
[50] L.Zhu,L.Miao,D.Zhang,特征选择的迭代拉普拉斯分数,in:Proc。第18届国际会议神经信息处理。系统。,2012, 80-87.
[51] A、 无监督学习的高效贪婪特征选择,Knowl。信息系统。,35, 285-310 (2013) ·doi:10.1007/s10115-012-0538-1
[52] P、 使用特征相似性的无监督特征选择,IEEE Trans。模式分析。机器。智力。,24, 301-312 (2002) ·doi:10.1009/34.990133
[53] D.Cai,C.Zhang,X.He,多聚类数据的无监督特征选择,in:Proc。第16届ACM SIGKDD国际会议知识。迪斯科。Data Min.-KDD’10,美国纽约州纽约市ACM出版社,美国纽约市,2010333。
[54] H、 基于局部学习聚类的特征选择和内核学习,IEEE Trans。模式分析。机器。智力。,33, 1532-1547 (2011) ·doi:10.1109/TPAMI.2010.215
[55] Z.Zhao,H.Liu,监督和非监督学习的光谱特征选择,in:Proc。第24届国际会议机。学习。-ICML'07,美国纽约州纽约市ACM出版社,2007年,1151-1157。
[56] W、 高维数据的邻域分量特征选择,J.Comput。,161-168年7月(2012年)
[57] I.Kononenko,E.Šimec,M.Robnik-Šikonja,用RELIEFF克服归纳学习算法的短视,应用。智力。,7 (1997), 39-55.
[58] G.Rofo、S.Melzi,《学习排名:通过特征向量中心性进行特征排名和选择》,载于:A.Appice、M.Ceci、C.Loglisci、E.Masciari和Z.Ras(编辑),《采矿复杂模式的新前沿:2016年第五届国际研讨会》,NFMCP。
[59] P.Bradley,O.Mangasarian,通过凹面最小化和支持向量机进行特征选择,收录于:Proc。内部配置机。学习。,1998年,第82-90页。
[60] S.Yu,Z.Zhang,X.Liang,J.Wu,E.Zhang,W.Qin等,用于特征重要性排序的Matlab工具箱,载于:2019国际会议医学成像物理。工程师,IEEE,2019年,第1-6页。
[61] 五、 统计学习理论概述,IEEE Trans。神经网络,1988-999(1999)·doi:10.1109/72.788640
[62] P、 分类的保角预测组合,Proc。第六项工作。符合。概率预测。申请。,60, 39-61 (2017)
[63] A、 使用PSO优化的SVM对肌电信号进行分类,以诊断神经肌肉疾病。《生物医学》,43,576-586(2013)·doi:10.1016/j.compbiomed.2013.01.020
[64] W.Liu,S.Chawla,D.A.Cieslak,N.V.Chawla-不平衡数据集的鲁棒决策树算法,见:Proc。2010年SIAM Int.Conf.Data Min.,工业和应用数学学会,宾夕法尼亚州费城,2010766-777。
[65] M、 一种协同进化的决策树分类方法,专家系统。申请。,34, 18-25 (2008) ·doi:10.1016/j.eswa.2006.08.008
[66] R、 基于分段的连续值属性决策树归纳,IEEE Trans。赛博。,451262-1275(2015年)·doi:10.1109/TCYB.2014.2348012
[67] J、 费希尔信息和随机复杂性,IEEE Trans。信息理论。,42, 40-47 (1996) ·Zbl 0856.94006号 ·数字对象标识代码:10.1109/18.481776
[68] A、 威布尔系统的贝叶斯可靠性模型:最新进展,国际期刊应用。数学。计算。科学。,22, 585-600 (2012) ·Zbl 1333.60192号 ·doi:10.2478/v10006-012-0045-2
[69] P.Zhang,B.J.Gao,X.Zhu,L.Guo,为数据流启用快速延迟学习,收录于:2011年IEEE第11届国际会议数据,IEEE,2011932-941。
[70] F、 模式分类和聚类:部分监督学习方法综述,模式识别。莱特。,2014年4月14日,第37页·doi:10.1016/j.patrec.2013.10.017
[71] K、 用于医学诊断试验评估的受试者工作特性(ROC)曲线分析。J.实习生。医学,4627-635(2013)
[72] Y.Li,Y.Zhang,L.Zhao,Y.Zhang,C.Liu,L.Zhang等,结合卷积神经网络和距离分布矩阵识别充血性心力衰竭,IEEE Access,6(2018),39734-39744。
[73] A、 使用基于后向消除和统计显著性的特征选择方法研究CHF中HRV指数的性能改进,Comput。生物医学,45,72-79(2014)·doi:10.1016/j.compbiomed.2013.111.016
[74] 伊什勒;M.,《充血性心力衰竭心率变异性分析中的心率正常化》,Proc。仪器机械。Eng.Part H J.Eng.Med.,224453-463(2010年)·网址:10.1243/09544119JEIM642
[75] N.Elfadil,I.Ibrahim,识别充血性心力衰竭患者的自组织神经网络方法,收录于:2011年国际会议多媒体版。计算。系统。,IEEE,2011,1-6。
[76] G.Yang,Y.Ren,Q.Pan,G.Ning,S.Gong,G.Cai,等,基于支持向量机的心力衰竭诊断模型,载于:2010年第三届国际生物医学大会。《工程信息学》,IEEE,2010年,1105-1108。
[77] C、 使用粗糙集和决策树方法早期诊断充血性心力衰竭的决策模型,J.Biomed。通知。,45, 999-1008 (2012) ·doi:10.1016/j.jbi.2012.04.013
[78] L.Hussain,W.Aziz,S.Saeed,A.Idris,I.A.Awan,S.A.Shah,et al.,静止状态下睁眼和闭眼脑电信号中基于空间小波的相干和耦合,IEEE Access,6(2018),37003-37022。
[79] L.Hussain,S.Rathore,A.A.Abbasi,S.Saeed,基于使用机器学习技术的多模式特征提取策略的自动肺癌检测,收录于:H.Bosmans,G.H.Chen,T.Gilat Schmidt(编辑),Med.Imaging 2019 Phys。医学成像,SPIE,2019134。
[80] 五、 增强体外反搏对冠心病患者临床特征和健康相关生活质量的影响:一项系统评价,《血管学报》。,24, 105-122 (2018) ·doi:10.5603/AA.2018.0021
[81] Y、 交叉验证方法对确定用于诊断充血性心力衰竭的分类器性能的影响的比较。科学。第15版,196-201(2015)·doi:10.1515/msr-2015-0027
[82] R.Han,X.Liu,M.Zheng,R.Zhao,X.刘,X.Yin,等,心房颤动射频导管消融后远程缺血预处理对左心房重构和血栓前反应的影响,起搏临床。电生理学。,41 (2018), 246-254
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。