利用12导联心电图增强心律失常分类的混合集成学习Blending Ensemble Learning for Enhanced Arrhythmia Classification Utilizing 12-Lead ECGs | IEEE Conference Publication | IEEE Xplore

环球医讯 / AI与医疗健康来源:ieeexplore.ieee.org越南 - 英语2026-11-14 00:47:20 - 阅读时长2分钟 - 699字
该会议论文提出一种基于12导联心电图的混合集成学习框架,用于自动识别心律失常;模型以自适应提升、极端梯度提升、决策树、K近邻、随机森林和支持向量机六个基学习器为核心,并用逻辑回归作为元模型融合多样预测模式,以提升可解释性、泛化能力和抗过拟合表现,实验报告准确率最高达97.2%,旨在为临床决策提供稳健辅助。
心律失常12导联心电图心血管疾病混合集成学习机器学习心电图分类临床决策健康监测人工智能准确率
利用12导联心电图增强心律失常分类的混合集成学习

利用12导联心电图增强心律失常分类的混合集成学习

网页仅公开摘要及引言首段,后续正文需登录后阅读;以下为可见正文译文。

摘要

心脏相关疾病的增加推动了识别不规则心脏状况的先进技术发展;随着人工智能和信号处理的进步,利用机器学习和心电图进行自动化心律失常分类已变得越来越有效,并被医疗专业人员广泛采用。本文提出一种高效的机器学习方案,通过利用混合集成学习,使用12导联心电图进行稳健的心律失常分类。我们开发的混合模型采用六个基模型——自适应提升、极端梯度提升、决策树、K近邻、随机森林和支持向量机——并配合逻辑回归元模型,在基于12导联心电图的心律失常分类中表现出更高的效率。该方法不仅发挥了每个基模型的独特优势,还捕捉了多样的预测模式,并由逻辑回归元模型将其组合为精细且连贯的输出。使用逻辑回归作为元模型增强了可解释性和泛化能力,降低了过拟合风险并优化了整体性能。实验结果表明,所提出的混合集成在准确性方面优于传统知名工作,为准确的心律失常分类提供了一种稳健且有效的解决方案,即准确率最高可达97.2%,从而支持临床决策。

一、引言

心血管疾病是最危险的健康问题之一,在全球范围内造成大量死亡。世界卫生组织报告称,2019年心血管疾病导致1790万人死亡,占全球所有死亡的32%,其中85%的病例源于心脏病发作和中风[1]。尽管由于医疗保健改善和更健康的生活方式,发达国家的心血管相关死亡率有所下降,但在低收入和中等收入国家仍然很高[2]。因此,开发用于早期识别不规则心律的有效解决方案对于减少这些疾病的影响至关重要,而心电图被广泛认为是检测心律失常最可靠的方法[3]–[5]。

【全文结束】