机构名称：
¥ 1.0
抽象的心血管自主神经病（CAN）是一种无症状的糖尿病并发症（DM）的并发症。与1型糖尿病（T1 DM）相比，它在2型糖尿病（T2 DM）中更为普遍。可能会损害交感神经和副交感神经和血管神经纤维，从而导致心率变异性（HRV）和血管动力学降低。HRV中的抑郁症是罐头的指标。心血管反射测试（EWING测试）目前被用作可以检测的诊断工具，但是这些测试无法检测到亚临床可以并且需要患者合作。因此，我们建议在5分钟内评估HRV特征（线性和非线性）的可行性，并嵌入机器学习模型中，以为有CAN的患者提供全面的筛查。我们的研究使用了来自Physionet的ECG数据集，由100例患者（50例T2糖尿病和50个健康个体）组成。我们将汉密尔顿峰检测算法应用于ECG信号，以检测QRS峰并提取心率信号。线性和非线性HRV分析方法用于从HRV信号的每个5分钟段中提取各种特征。 这些功能用于准备数据集，并将K折交叉验证技术应用于单独的培训和测试数据集以使分类模型降低偏差。 在我们的研究中，我们使用逻辑回归，k-nearest邻居（KNN）和支持向量机（SVM）作为机器学习分类算法。线性和非线性HRV分析方法用于从HRV信号的每个5分钟段中提取各种特征。这些功能用于准备数据集，并将K折交叉验证技术应用于单独的培训和测试数据集以使分类模型降低偏差。在我们的研究中，我们使用逻辑回归，k-nearest邻居（KNN）和支持向量机（SVM）作为机器学习分类算法。为了最大程度地提高性能，使用超参数优化技术来为每个分类模型选择正确参数的合并。精确度量为96.67％（逻辑回归），93.33％（K-NN）和93.33％（SVM），达到了最高水平的性能，并且发现这些绩效是在糖尿病患者中诊断为CAN中最重要的。提出的基于机器学习的分类模型可以预测罐头的早期发作，并降低由于心肌梗死而导致的死亡率。
使用机器学习算法检测心血管自主神经病
主要关键词
相关文件推荐
