×
阿纳姆·穆斯塔基姆;赛义德·穆罕默德·安瓦尔;穆阿哈马德·马吉德

利用改进的特征选择和SVM不变量对心律失常进行多类分类。 （英语） Zbl 1411.92142号

计算。数学。方法医学。 2018年，文章ID 7310496，10 p.（2018）.
摘要：心律失常被认为是一种威胁生命的疾病，如果不治疗，会给患者带来严重的健康问题。心律失常的早期诊断将有助于挽救生命。本研究将患者分为16个亚类之一，其中一个亚类表示无病，其他15个亚类代表不同类型心律失常的心电图记录。这项研究是在加州大学欧文分校机器学习数据仓库的数据集上进行的。该数据集包含大量的特征维度，这些维度使用基于包装器的特征选择技术来减少。对于多类分类，使用基于支持向量机（SVM）的方法，包括一对一（OAO）、一对所有（OAA）和纠错码（ECC）来检测心律失常的存在和否。将SVM方法的结果与使用不同参数的其他标准机器学习分类器进行比较，并使用准确性、kappa统计和均方根误差评估分类器的性能。结果表明，支持向量机的OAO方法在80/20数据分割和90/10数据分割选项下的准确率分别为81.11%和92.07%，优于所有其他分类器。

引用于2文件

MSC公司：

92 C50 医疗应用（通用）
68T05型 人工智能中的学习和自适应系统

关键词：

心律失常;分类;支持向量机

软件：

博鲁塔
PDF格式BibTeX公司 XML格式引用
\textit｛A.Mustaqeem｝等人，计算机。数学。方法医学2018，文章ID 7310496，10 p.（2018；Zbl 1411.92142）
全文： DOI程序

参考文献：

[1] 左，W.M。；卢，W.G。；王克强。；Zhang，H.，使用核差分加权KNN分类器诊断心律失常，《心脏病学计算机学报》（CAR'08）·doi:10.1109/cic.2008.4749025
[2] Alickovic，E。；Subasi，A.，《使用DWT和随机森林分类器诊断心律失常的医疗决策支持系统》，《医疗系统杂志》，40，第108、1-12条（2016年）·doi:10.1007/s10916-016-0467-8
[3] 库马尔，美国。；Inbarani，H.H.，基于邻域粗糙集的心电信号分类诊断心脏病，软计算，21，16，4721-4733（2017）·doi:10.1007/s00500-016-2080-7
[4] 尤兹贝。；Karlik，B.，《使用人工神经网络识别心电图心律失常》（2001），塞尔库克大学，电气和电子工程
[5] 医学硕士拉哈尔。；Bazi，Y。；Alhichri，H。；阿拉伊兰，N。；Melgani，F。；Yager，R.R.，心电图信号主动分类的深度学习方法，信息科学，345340-354（2016）·doi:10.1016/j.ins.2016.01.082
[6] NAYAK，C.G。；Seshikala，G。；美国德赛。；Nayak，S.G.，《使用机器学习技术识别心律失常类别》，《国际生物与生物医学杂志》，第148-53页（2016年）
[7] 穆斯塔基姆，A。；Anwar，S.M。；马吉德，M。；Khan，A.R.，特征选择的Wrapper方法对心律失常进行分类，2017年第39届IEEE医学与生物工程学会国际年会论文集（EMBC）·doi:10.1109/EMBC.2017.8037650
[8] Khanna，D。；Sahu，R。；浴缸，V。；Deshpande，B.，《预测心脏病患病率的分类技术（SVM、Logistic回归和神经网络）比较研究》，《国际机器学习与计算杂志》，5，5，414-419（2015）·doi:10.7763/IJMLC.2015.V5.544
[9] Xu，Y.，K-最近邻加权多类双支持向量机，神经计算，205，430-438（2016）·doi:10.1016/j.neucom.2016.04.024
[10] Elsayad，A.M.，使用学习矢量量化神经网络对心电图心律失常进行分类，2009年计算机工程与系统国际会议论文集，ICCES’09·doi:10.1109/ICCES.2009.5383295
[11] 贾达夫，S.M。；Nalbalwar，S.L。；Ghatol，A.A.，使用人工神经网络模型进行心律失常疾病分类，2010年IEEE国际计算智能和计算研究会议论文集，ICCIC 2010·doi:10.1109/ICCIC.2010.5705854
[12] 贾达夫，S.M。；Nalbalwar，S.L。；Ghatol，A.A.，基于广义前馈神经网络的心电信号心律失常分类，第六届高级信息管理和服务国际会议论文集，IMS2010，第二届数据挖掘和智能信息技术应用国际会议，ICMIA2010
[13] Raut，R.D。；Dudul，S.V.，利用MLP神经网络和统计分析对心律失常进行分类，《第一届工程与技术新兴趋势国际会议论文集》，ICETET 2008·doi:10.1109/ICETET.2008.260
[14] 高，D。；Madden，M。；钱伯斯，D。；Lyons，G.，用于心电图心律失常诊断系统的贝叶斯神经网络分类器：比较研究，国际神经网络联合会议论文集，IJCNN 2005·doi:10.1109/IJCNN.2005.1556275
[15] 贾达夫，S.M。；Nalbalwar，S.L。；Ghatol，A.A.，使用ECG信号数据的基于模块化神经网络的心律失常分类系统，《国际信息技术与知识管理杂志》1，4，1，205-209（2011）
[16] 密特拉，M。；Samanta，R.，《使用具有选定特征的神经网络对心律失常进行分类》，《Procedia Technology》，第10期，第76-84页（2013年）·doi:10.1016/j.procy.2013.12.339
[17] Øzçift，A.，使用数据重采样策略训练的随机森林集合分类器，以改进心律失常诊断，生物与医学中的计算机，41，5，265-271（2011）·doi:10.1016/j.compbiomed.2011.03.001
[18] 巴特拉。；Jawa，V.，《使用机器学习算法和ECG诊断标准的结合对心律失常进行分类》，《训练杂志》（1975年）
[19] 索曼，T。；Bobbie，P.O.，《使用机器学习技术对心律失常进行分类》，《WSEAS计算机汇刊》，4，6，548-552（2005）
[20] Fazel，A。；Algharbi，F。；Haider，B.，Haider B心律失常患者的分类
[21] 萨马德，S。；汗，S.A。；哈克·A。；Riaz，A.，心律失常分类，国际电能杂志，2，1，57-61（2014）
[22] 科尔里，N。；Verma，N.，《利用SVM对选定特征进行心律失常分类》，《国际工程、科学与技术杂志》，第3、8、22-31页（2012年）·doi:10.4314/ijest.v3i8.10
[23] 科尔里，N。；新泽西州维尔玛。；Roy，A.，基于SVM的心电图心律失常分类方法，2010年国际计算机与通信技术会议论文集，ICCCT-2010·doi:10.1109/ICCCT.2010.5640480
[24] Niazi，K.A.K。；汗，S.A。；Shaukat，A。；Akhtar，M.，《确定心律失常分类的最佳特征子集》，科学与信息会议论文集，SAI 2015·doi:10.1109/SAI.2015.7237188
[25] 刘，H。；孙，J。；刘，L。；Zhang，H.，动态互信息特征选择，模式识别，42，7，1330-1339（2009）·Zbl 1183.68540号 ·doi:10.1016/j.patcog.2008年10月28日
[26] Namsrai，E。；Munkhdalai，T。；李，M。；Shin，J。；O.Namsrai。；Ryu，K.H.，一种基于特征选择的心律失常分类集成方法，《信息处理系统杂志》，9，1，31-40（2013）·doi:10.3745/JIPS.2013.9.1.031
[27] 新墨西哥州奥兹坎。；Gürgen，F.，心电图心律失常检测的模糊支持向量机，第20届国际模式识别会议论文集，ICPR 2010·doi:10.1109/ICPR.2010.728
[28] 贾亚德瓦；Khemchandani，R。；Chandra，S.，用于模式分类的双支持向量机，IEEE模式分析和机器智能汇刊，29,5905-910（2007）·doi:10.1109/TPAMI.2007.1068
[29] 安古洛，C。；X·帕拉。；Catalá，A.，K-SVCR。用于多类分类的支持向量机，神经计算，55，1-2，57-77（2003）·doi:10.1016/S0925-2312（03）00435-1
[30] Xu，Y。；郭，R。；Wang，L.，双多类分类支持向量机，认知计算，5，4，580-588（2013）·doi:10.1007/s12559-012-9179-7
[31] 袁，F。；夏，X。；史J。；李，H。；Li，G.，烟雾探测的非线性降维和基于高斯过程的分类方法，IEEE Access，56833-6841（2017）·doi:10.1109/ACCESS.2017.2697408
[32] Novaković，J。；斯特巴克，P。；Bulatović，D.，《使用排名方法和分类算法进行最优特征选择》，《南斯拉夫运筹学杂志》，21，1，119-135（2011）·兹比尔1265.90173 ·doi:10.2298/YJOR1101119N
[33] Ratanamahatana，C。；Gunopulos，D.，使用决策树进行朴素贝叶斯分类器的特征选择，应用人工智能，17，5-6，475-487（2003）·doi:10.1080/713827175
[34] Kursa，M.B。；Rudnicki，W.R.，用boruta包进行特征选择，《统计软件杂志》，36，11，1-13（2010）
[35] Quackenbush，J.，微阵列数据规范化和转换，《自然遗传学》，32，5，496-501（2002）·doi:10.1038/ng1032
[36] M.N.Ayyaz。；贾维德，I。；Mahmood，W.，《使用混合特征提取的多类svm分类进行手写字符识别》，《巴基斯坦工程与应用科学杂志》（2016）
[37] 徐春伟。；Lin，C.J.，多类支持向量机方法的比较，IEEE神经网络和学习系统汇刊，13，2，415-425（2002）·doi:10.1109/72.991427
[38] Duan，K.-B。；Keerthi，S.S.，哪一种是最好的多类SVM方法？《第六届多分类器系统国际研讨会论文集》，MCS 2005
[39] 罗查，A。；Goldenstein，S.K.，《二进制的多类：扩展一对所有、一对一和基于ECOC的方法》，IEEE神经网络和学习系统汇刊，25，2，289-302（2014）·doi:10.1109/TNNLS.2013.2274735
[40] 普约尔，O。；Radeva，P。；Vitriá，J.，判别ECOC:纠错输出码依赖应用程序设计的启发式方法，IEEE模式分析和机器智能学报，28，6，1007-1012（2006）·doi:10.10109/tpami.2006年6月16日
[41] 唐尼，T。；梅耶，D。；价格，R。；Spitznagel，E.，《使用接收器工作特性评估神经分类器的性能》，《神经网络国际会议论文集》·doi:10.1109/IJCNN.1999.836260
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，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。