Resumen

En la actualidad, las enfermedades cardiovasculares se consideran una de las enfermedades peligrosas que amenazan la vida humana. La morbilidad y la letalidad causadas por las enfermedades cardiovasculares aumentan constantemente cada año. En este artículo, proponemos una operación de dos flujos para la clasificación del electrocardiograma (ECG): uno para las características del dominio temporal y otro para las características del dominio frecuencial. Para las características del dominio temporal, se construyen redes neuronales convolucionales (CNN) para el aprendizaje de características y la clasificación de señales de ECG. Para las características del dominio de la frecuencia, se diseñan máquinas de regresión de vectores de soporte (SVR) para realizar la predicción de regresión en cada señal. Por último, se adopta la teoría de la evidencia D-S para llevar a cabo la estrategia de fusión de decisiones sobre los resultados de la clasificación en el dominio temporal y en el dominio frecuencial. Se confirma un rendimiento de reconocimiento del 99,64 del resultado del experimento para el sistema de reconocimiento de la teoría de la evidencia D-S sobre la base de datos de arritmias MIT-BIH. El análisis de varios métodos de clasificación de ECG muestra que el modelo ofrece un rendimiento superior en todos estos escenarios.

• 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:características de dominio, frecuencia, tiempo, enfermedad cardiovascular, sistema de reconocimiento de la teoría de la evidencia S, base de datos de arritmias BIH, teoría de la evidencia S, redes neuronales convolucionales, estrategia de fusión de decisiones, resultados de clasificación de dominio
• Keywords:domain features, frequency, time, cardiovascular disease, S evidence theory recognition system, BIH arrhythmia database, S evidence theory, convolutional neural networks, decision fusion strategy, domain classification results