Resumen

La clasificación supervisada e interpaciente de los latidos del corazón es primordial en muchas aplicaciones que requieren una monitorización a largo plazo de la función cardíaca. Para esta tarea se han propuesto varios modelos de clasificación capaces de hacer frente al fuerte desequilibrio de clases y a una gran variedad de conjuntos de características. En la práctica, a menudo se consideran más de 200 características, y las características retenidas en el modelo final se eligen utilizando el conocimiento del dominio o una búsqueda exhaustiva en los conjuntos de características sin evaluar la relevancia de cada característica individual incluida en el clasificador. Como consecuencia, los resultados obtenidos por estos modelos pueden ser subóptimos y difíciles de interpretar. En este trabajo, se consideran técnicas de selección de características para extraer subconjuntos de características óptimas para los modelos de clasificación de ECG más avanzados. Los resultados se evalúan en grabaciones ambulatorias reales y se comparan con las selecciones de características previamente comunicadas utilizando los mismos modelos. Los resultados indican que un pequeño número de características individuales sirven realmente para la clasificación y que se pueden conseguir mejores resultados eliminando las características inútiles.

• Materias:Neurociencia Cognitiva Trastornos mentales Imagen por resonancia magnética Ondas encefálicas Neurofisiología
• Subjects:Cognitive Neuroscience Mental disorders Magnetic resonance imaging Brain waves Neurophysiology
• Palabras claves:características individuales, conjunto de características, subconjunto de características óptimas, grabación ambulatoria real, clasificación de ecg de arte, varios modelos de clasificación, técnicas de selección de características, elección de características informadas, fuerte desequilibrio de clases, modelo de clasificación de ecg
• Keywords:individual features, features set, optimal features subset, real ambulatory recording, art ecg classification, several classification model, features selection techniques, reported features choice, strong class unbalance, ecg classification model