论文部分内容阅读
目的
研究一种用于inter-patient范式下对心律失常心电（ECG）信号进行分类的分类器，提高自动分类的准确度，解决心律失常人工诊断的局限性。
方法构建包括预处理、特征提取、支持向量机（SVM）训练和集成分类4个模块的SVM+XGBoost集成分类器。具体步骤为：对ECG信号进行预处理，将R-R间期、高阶统计量、局部二值模式、小波分量作为特征，分别训练独立SVM分类器；使用XGBoost算法对各独立SVM分类器进行集成，输出心律失常分类结果；在MIT-BIH数据库上对集成分类器进行训练和测试。
结果集成分类器对心律失常的总体分类准确度为0.867、平均灵敏度为0.782。
结论所提出的集成分类器能实现inter-patient范式下心律失常ECG信号的自动、准确分类，可用于临床辅助诊断。