在初步诊断和分析心脏缺陷,ECG信号发挥着重要作用。本文介绍了使用噪声滤波,独特的心电图特征和基于机器学习的分类器模型预测心室性心动过速心律失常的模型。在信号特征提取之前,我们可以拒绝并使信号脱落以消除正确检测特征的噪声。在提取必要的特征之后,测量与这些特征相关的必要参数。使用这些参数,我们使用的是一种高效的多键级分类器模型,使用机器学习方法可以有效地分类不同类型的心室性心动过速心律失常。我们的结果表明,基于逻辑回归和决策树的模型是用于检测心室性心动过速的最有效的机器学习模型。为了诊断心脏病并为患者寻找护理,需要早期,可靠的不同类型心律失常的诊断。通过实施我们提出的方法,这项工作涉及减少与心室性心动过速有关的关键信号的错误分类问题的问题。实验结果表明了我们提出的算法的令人满意的增强,并表现出高度的恢复力。通过这种帮助,医生可以提前评估这种患者的这种心律失常,并在适当的时间作出正确的决定。
translated by 谷歌翻译