Resumen

La clasificación automática de los latidos del corazón a través del electrocardiograma (ECG) puede ayudar a diagnosticar y prevenir a tiempo las enfermedades cardiovasculares. Se han propuesto muchos métodos de clasificación de latidos basados en la extracción de características. Sin embargo, los enfoques existentes se enfrentan a los retos de las altas dimensiones de las características y las velocidades de reconocimiento lentas. En este trabajo, proponemos un enfoque eficiente de máquina de aprendizaje extremo (ELM) para la clasificación de latidos cardíacos con múltiples clases, basado en las características híbridas de dominio temporal y wavelet de tiempo-frecuencia. El método propuesto contiene dos módulos secuenciales: (1) extracción de características de las señales de latido, incluidas las características de intervalo RR en el dominio temporal y las características de frecuencia temporal wavelet, y (2) clasificación de latidos mediante ELM basada en las características extraídas. Las características del intervalo RR se calculan para reflejar las características dinámicas de las señales de latido. La transformada wavelet discreta (DWT) se utiliza para descomponer las señales de latido y extraer las características de tiempo-frecuencia de las señales de latido a lo largo de la línea de tiempo. El ELM es una red neuronal de una sola capa oculta con alimentación directa cuyos parámetros de capa oculta se generan aleatoriamente de antemano y cuyos parámetros de capa de salida se calculan de forma óptima mediante el algoritmo de mínimos cuadrados utilizando directamente las muestras de entrenamiento. ELM se utiliza como algoritmo de clasificación de latidos debido a su alta precisión de entrenamiento, rápida velocidad de entrenamiento y buena capacidad de generalización. Las pruebas experimentales se llevan a cabo utilizando el conjunto de datos público de arritmias MIT-BIH para realizar una clasificación de 16 clases. Los resultados experimentales muestran que el enfoque propuesto consigue una precisión de clasificación superior con velocidades de entrenamiento y reconocimiento rápidas, en comparación con los algoritmos de clasificación existentes.

• 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:señales de latido, características de intervalo RR, características de frecuencia, clasificación de latidos, ELM, enfoque, tiempo, extracción de características, tiempo wavelet, máquina de aprendizaje extremo eficiente
• Keywords:heartbeat signals, RR interval features, frequency features, heartbeat classification, ELM, approach, time, feature extraction, wavelet time, efficient extreme learning machine