特徴量を削減したサポートベクターマシンを用いた心律不整の分類

本稿では、線形判別分析（LDA）による特徴量次元削減とサポートベクターマシン（SVM）を用いた分類器を組み合わせた心律不整の分類アルゴリズムを提案した。まず、ウェーブレット変換を用いて前処理された信号から17の元の入力特徴量を抽出し、その後、LDAを用いてこれらの特徴量の線形結合として4つの特徴量に次元削減を試みた。LDAによって次元削減された特徴量を用いたSVM分類器の性能は、主成分分析（PCA）による削減や元の特徴量を用いた場合と比較して優れていた。交差検証手順において、同様の削減特徴量を用いた場合、SVM分類器は多層パーセプトロン（MLP）およびファジィ推論システム（FIS）分類器と比較して、全体的に優れた性能を示した。特に、正常な洞調律（NSR）、心房性期外収縮（APC）、上室性頻脈（SVT）、心室性期外収縮（PVC）、心室性頻脈（VT）、心室細動（VF）の識別精度は、それぞれ99.307%、99.274%、99.854%、98.344%、99.441%、99.883%であった。また、学習データが少ない場合でも、SVM分類器はMLP分類器よりも優れた性能を発揮した。