Análisis e interpretaciones de arritmias Señales de ECG
Análisis de arritmias mediante regresiones supervectoriales
Versandkostenfrei!
Versandfertig in 1-2 Wochen
40,99 €
inkl. MwSt.
PAYBACK Punkte
20 °P sammeln!
Los distintos algoritmos de clasificación pueden utilizarse para clasificar las características extraídas de la señal de ECG. El alto rendimiento de la clasificación depende de lo bien que puedan separarse los vectores de características en el espacio de características. La arquitectura propuesta presenta una clasificación de arritmias basada en ECG con características más robustas y un clasificador basado en regresión. Propone una clasificación automatizada eficaz de las arritmias cardiacas utilizando la base de datos de arritmias MIT-BIH y el conjunto de datos clínicos locales. ...
Los distintos algoritmos de clasificación pueden utilizarse para clasificar las características extraídas de la señal de ECG. El alto rendimiento de la clasificación depende de lo bien que puedan separarse los vectores de características en el espacio de características. La arquitectura propuesta presenta una clasificación de arritmias basada en ECG con características más robustas y un clasificador basado en regresión. Propone una clasificación automatizada eficaz de las arritmias cardiacas utilizando la base de datos de arritmias MIT-BIH y el conjunto de datos clínicos locales. El método propuesto ha entrenado el clasificador de regresión de vectores de soporte incremental con 320 muestras de diferentes arritmias. El método propuesto se ha probado y comparado con los clasificadores más comunes, como la red neuronal artificial, la máquina de vectores de soporte y el clasificador de distancia mínima. De la matriz de confusión se desprende claramente que nuestro algoritmo propuesto funciona bien para problemas de reconocimiento de clases múltiples. La arquitectura propuesta utiliza características de dominio de tiempo y frecuencia para la clasificación. Debido al uso de estadísticas de orden superior, nuestro problema de clasificación es más simple que las características morfológicas tradicionales. El algoritmo propuesto ofrece un alto rendimiento incluso con datos de aprendizaje más pequeños.
Andere Kunden interessierten sich für
