机器学习在拥堵的预测评估

阿什拉夫安瓦尔^{* 1}说,Ghoniemy²

计算机工程,计算机和信息技术学院,塔伊夫大学,SA
计算机工程,计算机和信息技术学院,塔伊夫大学,SA

通讯作者:阿什拉夫安瓦尔,电子邮件:ashraaf@tu.edu.sa

文摘

在本文中,我们目前支持向量机(SVM)和人工神经网络(ANN)在两个机器学习工具分类问题有关正常/拥堵的对象在阵发性心房纤颤(PAF)参谋长预测。拥堵的真的是一种威胁生命的疾病,它是不规则的结果和重复的去极化的心房……使用数据库(afpdb)拥堵预测挑战,我们将改善前的30分钟分为6期5分钟。在每个建议期间我们得到的分类结果使用支持向量机(SVM)和人工神经网络(ANN)。相比这两个分类器的性能评估是根据测量的灵敏度,特异性,阳性predictivity和准确性。结果表明,支持向量机分类器比安收益率更高的预测精度。这两个分类器实现显著的结果与文献中的结果相同的字段

关键字

拥堵的预测;心电信号;连续小波变换;人工神经网络(ANN);特征提取;支持向量机(SVM)

介绍

随着人数的增加患有心脏病,在早期准确诊断之后,适当的治疗可以导致重要的救生。心房颤动(房颤)是最常见的一种心律失常与心脏的心房,心房。在人类,房颤的发病率随着年龄的普遍较高。房颤与中风相关的发病率和死亡率的增加密切相关,降低生活质量和心脏衰竭[1]。阵发性心房纤颤(PAF)参谋长的心脏肌肉被定义为短期的房颤持续2分钟。不到7天,而慢性房颤被定义为持续超过7天。主要原因不是房颤的发病的直接影响病人的健康(AF检测),但长期效果:增加心脏肌肉疲劳,增加血栓栓塞和中风事件由于血液凝块的形成和不规则的出现,很难检测正常心电图测试。因此有必要心脏病学家受益于一个健壮的和精确的工具,可以预测此类事件的发生,为了防止他们去颤,药物治疗和anti-tachycardia节奏技术。慢性房颤之前通常是()。因此,除了使用抗心律失常药物,医生正试图开发节奏设备为了超越AF.The自动化的方法来预测出现拥堵是有趣的话题来帮助处理这个问题。 During recent years several researchers proposed many techniques to predict the onset of PAF. Useful reviews describing different techniques for PAF or chronic AF prediction, from technical to clinical points of view [2-5].

“计算机2001年心脏病挑战”显示获得的最大精度约为80% (6 - 8)。Hariton, et al .,拥堵的[9]提出了一种新的方法自动预测基于心率变异性(HRV)指标和形态变化(MV)和(HRV + MV)决策规则,获得特异性和敏感性之间(83.93% - 89.29%),分别为(84.51%,-89年44%)。人工神经网络(ANN)近年来被证明是一个先进的工具在解决分类[10 - 12],

小波被证明有用的等非平稳信号的特征提取心电图(13 - 14日)。支持向量机(SVM)近年来被证明是一个先进的工具在解决分类[15 - 17]。一般而言,上述预测模型能够检测过渡到拥堵事件70 - 90%的精度,通过记录至少十分钟和相当复杂的分析过程。

在目前的工作,两组特征提取:功能集1 (FS-1),直接从心电图信号和功能设定两(FS-2)的帮助下连续小波变换(CWT),把一些特性的时域信号时频域可以小心地提取,提取的特征应用于支持向量机/ ANN分类正常对象从拥堵的人患有相比这两个分类器的性能评估是根据测量的灵敏度,特异性,阳性predictivity和准确性。

材料和方法

数据库用于此任务是空军从physionet.org数据库2001年预测挑战。它由3记录集:第一个记录,以字母“n”开始,来自50个受试者没有拥堵的记录。这些记录的长度是30分钟。以字母“p”开始的第二个记录来自48个

测试的字母不”30分钟和未知的文档。每条记录包含两个通道同时记录霍尔特ECG信号数字化与12位分辨率在128 Hz 20 mv范围。我们在这个任务中使用两种渠道的心电图信号,拥堵的50正常渠道和50通道(25 x 2频道甚至记录),形成数据库。

连续小波变换(CWT)

CWT允许将时域信号转换为时间频率域频率特性和特定功能的位置在一个时间序列可能同时强调。因此它允许精确提取非平稳信号的特征像心电图[18]。CWT的分割数据的小波变换是一种工具,功能,或者运营商到不同的频率成分,然后研究每一个组件与一个分辨率匹配它的规模。与短时傅里叶变换(STFT)的小波变换具有很好的时域和频域分辨率使它理想的ECG信号等非平稳信号的分析。信号的连续小波变换(CWT) x (t) x (t)的卷积产品比例和翻译核函数[19]不同的受试者有拥堵的记录,它分为50个记录集,甚至一个拥堵的前30分钟的记录,和奇怪的有一个30分钟的记录但远离拥堵。所有的纪录都延续5分钟记录一个字母“c”。100年第三记录包含注释的录音

Φ((t-τ)/ s)是一个按比例缩小的,翻译(转移)版本的母小波是小波分解的基本单元,是一个尺度参数和τ是一个空间参数。分析拥堵的ECG信号的变换系数得到记录和non-PAF,主要选择ECG信号的频率与时间图。从这些情节翻译、比例和系数值的峰值,这代表P, Q, R、S、T和U波已经提取了空军和non-PAF记录。图2和图4显示了正常心电图信号情节和心电图信号前空军情节分别。图3和图5说明RR的幅度和持续时间的差异和QRS拥堵和non-PAF记录的连续小波变换在不同尺度的援助

特征提取

我们利用两个特性集:FS-1,(1 - 3)统计和FS-2相关信号,(4)由连续小波变换的意思如下:

1。Sigmean:信号在指定期间的平均值。我们可以注意,大部分空军记录有很高的负值。

2。Sigstd:记录信号的标准偏差,我们可以注意到,最拥堵的记录有一个积极的价值高

3所示。Sigdiff:区别最大信号和最小信号,我们可以注意到,最拥堵的记录有一个小的积极价值

4所示。RRno: RR间隔在每个时期的数量。我们第一次检测R峰在每个时期,和CWT的帮助下,我们可以区分极端值及其位置

5。RRdiff:最大的区别。RR间隔和最小。RR间隔在每个时期

6。RRmax: RR间隔在每个时期的最大值

7所示。RRmean: RR间隔在每个时期的平均值

8。RRstd: RR间隔在每个时期的标准偏差

9。RRrms: RR的均方根值区间在每个时期

10。匝道:R的值在每个时期达到顶峰

11。QRSmean: QRS持续时间在每个时期的平均值

神经网络

研制了一种监督安识别和分类的特点拥堵的ECG信号正常,记录。通常,多层前馈神经网络(newff)可以作为非线性分类器训练使用广义反向传播算法(BPA)。双酚a是一种监督学习算法,其中一笔平方误差函数的定义,以及学习过程旨在减少整个系统误差降到最低。神经网络的体系结构中使用这个工作模式识别神经网络(newpr), (newpr),返回一个(newff)的网络完全一样,但有一个输出层的传递函数tansig和额外的绘图函数包含在网络的网络。plotFcn财产。网络包括10、5隐藏神经元分别在第二和第三层。输入节点的数量取决于最后确定的数据;隐藏的神经元的数量通过反复试验确定;输出节点的数量是1的“newpr”因为我们只有两个类

支持向量机(SVM)

支持向量机是一种歧视的分类器正式定义的分离超平面(飞机最大利润)两类训练样本之间的特征空间内通过专注于训练情况下放置的边缘类描述符所以不仅拟合最优超平面,也有效地使用训练样本。在这样高分类精度达到小训练集[16]。

软边缘分类的支持向量机算法可以概括为如下优化问题:给定一个训练集(xi, yi), i = 1, 2,…, n

接受:彝族(wTΦ(xi) + b)≥1 -我所有我≥0

地点:Φx (x)是一个非线性函数映射到高维空间。W, b,权向量,偏见,和松弛变量。C是一个常数先天的决定。参数C可以被视为一种控制装置。最“重要”的训练点支持向量;他们定义了超平面。二次优化算法可以识别哪些训练点ξ与非零拉格朗日乘数αi支持向量。通过构造拉格朗日函数,并将其转变为一个双重最大化的函数Q(α),定义如下:

马克斯Q(α)=Σαi -½ΣΣαiαj易yj K (xi, xj)

K (xi, xj) =是内核函数和αi向量的非-拉格朗日乘数法。内核函数的角色特征空间的内积。假设拉格朗日乘数法的最优值是表示α0,然后确定相应的最佳值的线性权向量,最优超平面(4)和(5),分别为:

在这个任务中,我们使用径向基函数(RBF)作为核函数所在:σ(内核宽度):是最近的点之间的距离与不同分类C,σ是实验定义为实现最佳分类结果。

结果与讨论

评估两个分类器的性能(支持向量机,安)在前30分钟(PAF)参谋长,我们30分钟周期划分为6的间隔,每5分钟。使用四个标准如下:

地点:

TP:真阳性,当一个对象(PAF)参谋长是正确分类。

TN:真-当一个正常的对象被正确分类。

FN:假阴性当一个对象(PAF)参谋长是列为正常的错误

外交政策:假阳性当一个正常的人归类为拥堵的错误

使用支持向量机分类器

优化学习成本和分类性能,支持向量机分类器参数,内核宽度σ和正规化常数C,必须选择有效的[16]。所以我们选择了参数σ和C分别为10和1。评估提出了分类器的性能(SVM),我们使用60培训记录(30 n和30 p)和40记录(20 20 n和p)进行测试。前面提到的四个措施计算每5分钟间隔。实验重复5试验。在每个试验一组不同的随机打乱样品完成,意味着值列在表1。

使用NEWPR分类器

评估提出了分类器的性能(NEWPR),我们使用60培训记录(30 n和30 p)和40记录(20 20 n和p)进行测试。前面提到的四个措施计算每5分钟间隔。确认结果,我们执行100运行模拟(NEWPR),然后取平均值的提到的措施。标准的平均值为每个5 -分钟间隔的列表在表I。

(NEWPR)输出的结果分类器和支持向量机分类器在训练数据集和测试另一个分别如图6和图7所示。

我们可以从以下几点分析,推导出结果:

我们可以预测空军有效甚至在拥堵的前30分钟

平均比例的敏感性,特异性,阳性predictivity和准确性更高直接在拥堵的前5分钟间隔,并在20分钟之前拥堵

支持向量机分类器比安收益率更高的预测精度。

鲁棒性(支持向量机)和(NEWPR)分类器来处理大功能空间。

获得的结果和其他结果之间的比较,在相同的领域,在文献中(9、12、13)表2所示

结论

在本文中,我们比较了SVM的性能和基于ANN的分类器在拥堵的预测。我们提取两个特性集,直接从心电图信号特性集合1的帮助和功能设定两类,允许非平稳信号的精确提取功能,像心电图一样,从100年的心电图记录信号“afpdp”数据库。(NEWPR)和(支持向量机)用于分类模式中固有的特征提取,为正常的拥堵的记录和记录。结果表明,这两个分类器在分类但是SVM比NEWPR在大多数时期之前的拥堵。结果显示该方法的效率在预测出现拥堵。在支持向量机的情况下,平均人士的敏感性,特异性,阳性predictivity和精度是94%,94%,96.36%,和94%,这些值天桥在文献中结果。

引用

M.J. Domanski”,心房纤维性颤动的流行病学,冠状动脉说,“目前的科学,6(2)卷,第100 - 95页,1995年。
Bollmann。说,D。,Mainardi L. et al., Analysis of Surface Electrocardiograms in Atrial Fibrillation: Techniques, Research, and Clinical Applications. Europace, 8, 911–926, 2006.
Chiarugi F。,New Developments in the Automatic Analysis of the Surface ECG: the Case of Atrial Fibrillation. Hellenic J. of Cardiology, 49, 207−221, 2008.
Sornmo L。,Stridh M., Husser D., Bollmann A., Bertil Ollsen S., Analysis of Atrial Fibrillation: from Electrocardiogram Signal Processing to Clinical Management. Phil. Trans. of the Royal Society, A, 367, 235−253, 2009.
年代。Karpagachelvi, et al .,心电图特征技术——一种调查方法。国际计算机科学与信息安全杂志8,1,76 - 80,2010。
穆迪G.B.,Goldberger A.L., McClennen S., Swiryn S.P., Predicting the Onset of Paroxysmal Atrial Fibrillation: the Computers in Cardiology Challenge 2001. Computers in Cardiology, 28, 113−116, 2001.
De Chazal P。,Heneghan C., Automated Assessment of Atrial Fibrillation. Computers in Cardiology, 28, 117−120, 2001.
麦尔C。,Bauch M., Dickhaus H., Screening and Prediction of Paroxysmal Atrial Fibrillation by Analysis of Heart Rate Parameters. Computers in Cardiology, 28, 129−132, 2001.
Hariton损失,et al .阵发性心房纤颤自动检测的新方法。Buletinul Institutului Politehnic din IaA我多美LIX LXIII Fasc。1, 2013
伊萨克米米,et al .,基于人工神经网络的自动心脏异常分类。学报SixthInternational会议上计算智能和多媒体应用(ICCIMA ' 05), IEEE计算机协会,2005。
d .尚et al .,设计一个人工网络模型预测的血栓栓塞中风。国际期刊的生物abd生物信息学(IJBB), 3, 1, 10 - 18, 2010。
b . Pourbabaee C。卢卡斯,阵发性心房纤颤的自动检测和预测基于分析心电信号特征分类方法。学报2008年IEEE CIBEC 08年,2008年。
m . Panusittikorn et al .,预测阵发性房颤的发生与小波标记。IEEE国际会议,342 - 345年,2010年。
a . k . m . Fazlul Haque, et al .,检测心电图特点利用小波的小变化。ARPN工程和应用科学学报,4,6,2009
Graja年代。,Boucher J.M., SVM Classification of Patients Prone to Atrial Fibrillation. WISP 2005, IEEE Int. Symp. on Intelligent Signal Proc., University of Algarve, Faro, Portugal, 370−374, 2005.
马里亚姆,哈桑,使用支持向量机检测房颤发作。第30届国际IEEE磨床会议上,英国,加拿大,温哥华177 - 180年,2008年。
Argyro, et al .,鲁棒性的支持向量机械心率信号的分类。第28届IEEE磨床的年度国际会议,纽约,美国2159 - 2162年,2006年。
Digvijay, et al .,下小波支持向量机分析心脏异常ECG信号的检测。IEEE Indicon会议上,印度钦奈举行的2005年卖地。
埃里克•Zellmer et al .,高度准确的心电图击败分类基于连续小波变换和多个支持向量机分类器。IEEE国际会议,2009年1 - 5