Support Vector Machine-basierte Arrhythmieklassifikation unter Verwendung reduzierter Merkmale

In diesem Beitrag wird ein Algorithmus zur Klassifikation von Arrhythmien vorgestellt, der auf der Dimensionsreduktion der Merkmale mittels linearer diskriminanter Analyse (LDA) und einem auf einem Support-Vektor-Maschinen-(SVM)-Klassifikator basierenden Ansatz beruht. Siebzehn ursprüngliche Eingabemerkmale wurden aus vorverarbeiteten Signalen mittels Wavelet-Transformation extrahiert. Anschließend wurde versucht, diese auf vier Merkmale zu reduzieren, die als lineare Kombination der ursprünglichen Merkmale durch LDA bestimmt wurden. Die Leistungsfähigkeit des SVM-Klassifikators, der mit den durch LDA reduzierten Merkmalen arbeitete, erwies sich als höher als die mit Merkmalen, die mittels Hauptkomponentenanalyse (PCA) reduziert wurden, und sogar besser als bei Verwendung der ursprünglichen Merkmale. Bei einer Kreuzvalidierung wurde der SVM-Klassifikator mit Multilayer-Perceptron-(MLP)- und Fuzzy-Inference-System-(FIS)-Klassifikatoren verglichen. Sobald alle Klassifikatoren dieselben reduzierten Merkmale verwendeten, zeigte der SVM-Klassifikator insgesamt eine überlegene Gesamtleistung gegenüber allen anderen. Insbesondere erreichten die Klassifikationsgenauigkeiten für normale Sinustachykardie (NSR), arterielle vorzeitige Kontraktionen (APC), supraventrikuläre Tachykardie (SVT), vorzeitige Ventrikelkontraktionen (PVC), Ventrikel-Tachykardie (VT) und Ventrikel-Fibrillation (VF) Werte von jeweils 99,307 %, 99,274 %, 99,854 %, 98,344 %, 99,441 % und 99,883 %. Zudem zeigte der SVM-Klassifikator auch bei geringeren Trainingsdatenmengen eine bessere Leistung als der MLP-Klassifikator.