机构名称：
¥ 1.0
摘要：背景：本互联网技术正在重塑医疗保健应用程序。我们对基于心电图（ECG）的心脏健康管理（ECG）的长期，超临床，心电图（ECG）的特殊兴趣，并提出了一个机器学习框架，以从嘈杂的移动ECG信号中提取关键模式。方法：提出了一个三阶段混合机器学习框架，用于估计与心脏疾病相关的ECG QRS持续时间。首先，使用支持向量机（SVM）从移动心电图中识别出原始的心跳。然后，QRS边界使用新型模式识别方法，多视图动态时间翘曲（MV-DTW）定位。为了增强信号中运动伪影的鲁棒性，MV-DTW路径距离也用于量化心跳特异性的失真条件。最后，对回归模型进行了训练，可以将移动ECG QRS持续时间转换为常用的标准胸部ECG QRS持续时间。结果：通过提出的框架，ECG QRS持续时间估计的性能非常令人鼓舞，并且相关系数，平均误差/标准偏差，平均绝对误差和根平均绝对误差分别为91.2％，0.4±2.6，1.7和2.6 ms，与传统的基于胸部ECG基于传统的基于胸部ECG的测量相比。结论：证明有希望的实验结果表明框架的有效性。这项研究将极大地将基于机器学习的ECG数据挖掘到智能医疗决策支持。
移动心态提取的机器学习心电图
主要关键词
相关文件推荐
