摘要
房颤是最常见的心律失常疾病,因其临床诊断率低而促进了实时自动检测算法的发展.但大多算法缺乏模型或数据库间的对比,难以评判模型的优劣.为此考虑选择3种机器学习算法(支持向量机、随机森林、逻辑回归)构建3个独立的房颤检测模型.3种模型分别在MIT-BIH房颤数据库上训练,并在3个独立数据库上进行测试和对比,同时进一步分析特征选择对模型性能的影响.结果 表明选择12个特征(3个时域特征和9个非线性特征)时,3种模型在2018年中国生理挑战赛公开数据集和可穿戴式动态心电数据集上的灵敏度、特异度、准确性和F1分数均达到95％以上,且随机森林相较于另两种算法具有更强的稳定性和泛化能力.
基金项目
国家自然科学基金(81871444)
国家自然科学基金(62001111)
江苏省自然科学基金(BK20200364)
中央高校基本科研业务费专项资金(2242020K40140)
NETL
NSTL
维普
万方数据