【论文阅读笔记】Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet

论文阅读:Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet transform with ECG signals

一、摘要

本文将离散小波变换(DWT)与新颖的一维十六进制局部模型(1D-HLP)技术结合起来,在MIT-BIH心律失常数据库上进行17类心拍分类,获得了95%的分类精度。

二、数据集

基于MIT-BIH心律失常数据库,使用了随机选择的1000个10s持续时间的ECG信号片段,这些片段分别属于17类
【论文阅读笔记】Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet_第1张图片

三、方法

所提出的方法(图1)包括预处理,使用1D-HLP进行特征提取,特征级联,使用邻域分量分析(NCA)进行特征约简和分类阶段。在预处理阶段使用多级DWT [54]去除噪声和5级低通滤波器L1,L2 ,L3 ,L4和L5 计算。为了提取特征,使用1D-HLP并提取512×6维特征。将这些特征连接起来,并获得3072维特征集。在特征缩减阶段,使用NCA计算这些特征的权重,并使用这些权重将3072尺寸特征缩减为64个特征。最后,将提取的特征作为输入提供给最近的邻域分类器1NN
【论文阅读笔记】Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet_第2张图片

四、结果

我们提出的具有256个特征的方法与1NN分类器相结合,分别对5、13、15和17种ECG分类产生了99.7%,99.3%,97.7%和95.0%的分类精度。与现有结果对比如下
【论文阅读笔记】Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet_第3张图片
【论文阅读笔记】Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet_第4张图片
不同K值的比较
【论文阅读笔记】Automated arrhythmia detection using novel hexadecimal local pattern and multilevel wavelet_第5张图片

五、讨论

1、本文的特征提取和分类过程大约需要24毫秒,因此它是一种快速、简单、轻巧方法。
2、获得了较高的分类精度,获得了的特征具有临床意义。
3、提出了一种新颖的多层方法。通过使用5级1D-DWT和建议的HLP,可从ECG信号中提取可变特征。提出了一种基于NCA的特征选择方法来选择特征。所选要素将馈送到简单的1NN分类器。此方法不使用任何优化或权重更新方法。因此,提出的方法是一种多层认知方法。

你可能感兴趣的:(ECG)