论文部分内容阅读
研究目的:心电图是一种廉价而无创的心脏检查,但该检查在心力衰竭方面尚未发现诊断性应用价值。支持向量机是一种热门的计算机学科数据分析方法,能够有效识别数据特征,对数据进行分类,该方法为心衰心电图研究带来新的思路。本研究拟使用支持向量机学习方法构建心电图的分类模型,以期该模型能够自动识别和分类心衰患者与其他心脏病患者的心电图。研究方法:回顾性分析2017年1月1日至2018年1月1日某三甲医院的270例慢性心衰患者和270例其他心脏病患者的临床资料,包括病史、实验室检查、心电图资料,使用小波变换法提取心电信号的时域、频域、非线性阈特征,使用支持向量机方法根据心电信号特征构建分类模型,以自动识别和分类慢性心衰患者与其他心脏病患者的心电信号。研究结果:慢性心衰组与对照组患者的心电信号的波形特征(TP、VLF、LF、HF和CD)和心率变异性特征(RRmean、RRSD、TINN、HRVTI、TP、VLF、LF、HF、DET 和 CD)存在差异,差异具有统计学意义(P<0.05);根据以上特征使用支持向量机方法构建分类模型,整体分类准确度、灵敏度、特异度分别为90%、97%、83%;使用公共数据库PhysioNet中慢性心衰和心律失常患者心电信号数据验证本研究模型,整体分类准确度、灵敏度、特异度分别为95%、100%、90%。结论:慢性心衰患者心电信号的波形特征(TP、VLF、LF、HF和CD)和心率变异性特征(RRmean、RRSD、TINN、HRVTI、TP、VLF、LF、HF、DET 和 CD)特征具有一一定特异性,有进一步研究价值;支持向量机算法可建立模型有效地区分慢性心衰患者与其他心脏病患者的心电图。