基于HOG局部特征描述符的心脏病多导联心电心跳分类

心电图数据在各种心血管疾病的诊断中起着重要作用。即使对训练有素的医生来说，多导联心电图信号的分类也可能具有挑战性。在本研究中，我们提出了一种新的多导联心电图分类方法。方法采用健康对照组、束支传导阻滞组、心肌病组、心律失常组和心肌梗死组5种15导联心电图数据，分别来自Baqiyatallah和PTB诊断心电图数据库的5319和6647次心跳。采用一维全变分正则化方法对心电数据进行去噪。一位心脏病专家提取了心跳，并将其保存为jpg格式的图像。采用梯度直方图法提取图像特征。对于分类任务，使用了支持向量机和全连接神经网络。五重交叉验证用于验证模型。结果对于15导联心电图PTB诊断数据库，最好的分类模型是具有三次（准确度：99.9%，范围：99.77%-100%）和二次（准确率：99.88%，范围：99.57%-100%）核函数的SVM模型，对于Baqyatallah数据集，基于HOG描述符，三次（准确度：99.83%，范围：99.72%-100%）和二次（准确率：99.77%，范围：99.52%-99.9%）的SVM是最好的分类模型，全连接神经网络的准确度为99.1%，范围为98.59%-99.62%。期望的sigmodal核所有分类方法的准确率都超过99%。讨论同时使用HOG特征提取方法和适当的分类算法，如SVM或全连接神经网络，可以高精度地对不同心脏病的15导联ECG心跳进行分类，并且可以很容易地添加其他相关患者的信息，以增加方法性能。