Resumen

La arritmia es uno de los síntomas anormales más comunes que pueden amenazar la vida humana. Para distinguir la arritmia con mayor precisión, en este artículo se propone la estrategia de clasificación de la combinación de multifeature y el algoritmo Stacking-DWKNN. El método consta de cuatro módulos. En el módulo de preprocesamiento, se elimina el ruido de la señal y se segmenta. A continuación, se extraen múltiples características diferentes basadas en la morfología de un único latido, la longitud P, la longitud QRS, la longitud T, el intervalo PR, el segmento ST, el intervalo QT, el intervalo RR, la amplitud R y la amplitud T. A continuación, se combinan y normalizan las características y se analiza el efecto de las distintas combinaciones de características en la clasificación de los latidos para seleccionar la combinación óptima. Por último, se identificaron los cuatro tipos de latidos normales y anormales mediante el algoritmo Stacking-DWKNN. Este método se aplica a la base de datos de arritmias MIT-BIH. El resultado muestra una sensibilidad del 89,42 y un valor predictivo positivo del 94,90% de los latidos de tipo S y una sensibilidad del 97,21 y un valor predictivo positivo del 97,07% de los latidos de tipo V. La precisión media obtenida es del 99,01%. La precisión media obtenida es del 99,01%. En comparación con otros modelos con las mismas características, este método puede mejorar la precisión y tiene un valor predictivo positivo y una sensibilidad mayores, lo que es importante para la toma de decisiones clínicas.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:valor predictivo positivo, método, sensibilidad, algoritmo DWKNN, latidos tipo, mayor valor predictivo positivo, base de datos de arritmias BIH, síntomas anormales comunes, diferentes combinaciones de características, múltiples características diferentes.
• Keywords:positive predictive value, method, sensitivity, DWKNN algorithm, type beats, higher positive predictive value, BIH arrhythmia database, common abnormal symptoms, different feature combinations, multiple different features