مدل های یادگیری ماشین مخصوص بیمار برای طبقه بندی سیگنال ECG
ترجمه نشده

مدل های یادگیری ماشین مخصوص بیمار برای طبقه بندی سیگنال ECG

عنوان فارسی مقاله: مدل های یادگیری ماشین مخصوص بیمار برای طبقه بندی سیگنال ECG
عنوان انگلیسی مقاله: Patient Specific Machine Learning Models for ECG Signal Classification
مجله/کنفرانس: علوم کامپیوتر پروسیدیا - Procedia Computer Science
رشته های تحصیلی مرتبط: پزشکی، کامپیوتر، مهندسی پزشکی
گرایش های تحصیلی مرتبط: قلب و عروق، هوش مصنوعی، بیوالکتریک
کلمات کلیدی فارسی: آریتمی، الکتروکاردیوگرام، اثر کلی، ماشین بردار پشتیبانی
کلمات کلیدی انگلیسی: Arrhythmia، Electrocardiogram، ensemble، Support vector machine
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2020.03.269
دانشگاه: NIT, Raipur, Department of Information Technology, Raipur 492010, India
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 10
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E14923
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Related work


3- Material and methods


4- Experimental Results


5- Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


Arrhythmia is one of the major cause of deaths across the globe. Almost 17.9 million deaths are caused due to cardiovascular diseases. In order to reduce this much mortality rate, the cardiovascular disease should be properly identified and the proper treatment for the same should be immediately provided to the patients. In this study, a new ensemble based support vector machine (SVM) classifier was proposed to classify heartbeat into four classes from MIT-BIH arrhythmia database. The results were compared with other classifiers that are SVM, Random Forest (RF), K-Nearest Neighbours (KNN), and Long Short Term Memory network. The four features were extracted from the ECG signals that were used by the classifiers are Wavelets, high order statistics, R-R intervals and morphological features. An ensemble of SVMs obtained the best result with an overall accuracy of 94.4%.


Introduction


The prime cause of deaths across the world according to the report of WHO are cardiovascular diseases (CVDs): Annually, more people die from cardiac diseases than from any other disease. In 2016, approximately 18 million people died because of cardiac-related diseases, which reflects 31% of all the deaths globally. 85% of the deaths among this 31% are due to heart attack and stroke. An approximate of three-fourths of cardiac deaths take place in low-income and middle-income countries [1]. In 2015, 82% of the 17 million premature deaths due to non- communicable diseases are in low and middle-income countries, and the rest are caused by CVDs. The leading cause of CVDs is a long-term effect of cardiac arrhythmias. When the electrical signal, to the heart that coordinate heartbeats don’t work properly, Arrhythmias occur [2].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

مدل های یادگیری ماشین مخصوص بیمار برای طبقه بندی سیگنال ECG
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها