Analyse und Interpretation von Herzrhythmusstörungen EKG-Signale
Arrhythmie-Analyse mit Super-Vektor-Regressionen
Versandkostenfrei!
Versandfertig in 6-10 Tagen
60,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Die verschiedenen Klassifizierungsalgorithmen können verwendet werden, um extrahierte Merkmale aus dem EKG-Signal zu klassifizieren. Eine hohe Klassifikationsleistung hängt davon ab, wie gut die Merkmalsvektoren im Merkmalsraum getrennt werden können.Die vorgeschlagene Architektur bietet eine EKG-basierte Arrhythmie-Klassifizierung mit robusteren Merkmalen und einem regressionsbasierten Klassifikator. Es schlägt eine effektive automatisierte Klassifizierung von Herzrhythmusstörungen unter Verwendung der MIT-BIH-Arrhythmiedatenbank und des lokalen klinischen Datensatzes vor. Das vorgeschla...
Die verschiedenen Klassifizierungsalgorithmen können verwendet werden, um extrahierte Merkmale aus dem EKG-Signal zu klassifizieren. Eine hohe Klassifikationsleistung hängt davon ab, wie gut die Merkmalsvektoren im Merkmalsraum getrennt werden können.Die vorgeschlagene Architektur bietet eine EKG-basierte Arrhythmie-Klassifizierung mit robusteren Merkmalen und einem regressionsbasierten Klassifikator. Es schlägt eine effektive automatisierte Klassifizierung von Herzrhythmusstörungen unter Verwendung der MIT-BIH-Arrhythmiedatenbank und des lokalen klinischen Datensatzes vor. Das vorgeschlagene Verfahren hat den Incremental Support Vector Regression Classifier mit 320 Proben verschiedener Arrhythmien trainiert. Die vorgeschlagene Methode wurde getestet und mit den gebräuchlichsten Klassifikatoren wie künstlichen neuronalen Netzwerken, Support Vector Machine und Minimum Distance Classifier verglichen. Aus der Konfusionsmatrix geht hervor, dass unser vorgeschlagener Algorithmus gut für das Problem der Erkennung mehrerer Klassen funktioniert. Die vorgeschlagene Architektur verwendet sowohl Zeit- als auch Frequenzbereichsmerkmale für Klassifizierungszwecke. Aufgrund der Verwendung von Statistiken höherer Ordnung wird unser Klassifizierungsproblem einfacher als herkömmliche morphologische Merkmale. Der vorgeschlagene Algorithmus lieferte selbst bei kleineren Lerndaten eine hohe Leistung.
Andere Kunden interessierten sich für
