机构名称：
¥ 1.0
摘要 — 机器学习在心电图 (ECG) 信号分析的各种问题中表现出色。然而，收集生物医学工程的数据集是一项非常困难的任务。任何用于 ECG 处理的数据集所包含的案例都比用于图像或文本分析的数据集少 100 到 10,000 倍。这个问题尤其重要，因为生理现象可以显著改变 ECG 信号中心跳的形态。在这项初步研究中，我们分析了标准 ECG 记录中的导联选择、24 小时内 ECG 的变化以及 QT 延长剂对机器学习方法在 ECG 处理中性能的影响。我们选择受试者识别问题进行分析，因为几乎任何可用的 ECG 数据集都可以解决这个问题。在讨论中，我们将我们的研究结果与其他使用机器学习进行 ECG 处理但问题陈述不同的研究的观察结果进行了比较。我们的结果表明，使用在特定生理条件下获取的 ECG 信号来丰富训练数据集对于在实际应用中获得良好的 ECG 处理性能非常重要。索引词 — 机器学习、心电图、受试者识别、形态分析、心律变异、QT 间期延长
导线位置、心律变异及药物的影响...
主要关键词
相关文件推荐
