熵三角形方法（ETM）：一种预防心律失常的新框架及对超过10,000名患者的回顾
The Entropy Triangle Method (ETM): A novel framework for the prevention of cardiac arrhythmia with a review of more than 10,000 patients
浏览论文内容
中文总结 AI 辅助
提出熵三角形方法（ETM），通过特征工程、熵三角形过采样和疾病预测三步框架，利用12导联ECG数据（10,646名患者）以超85%准确率预测非窦性节律，实现心律失常预防。
中文摘要 AI 辅助
医学中最重要的问题之一是促进预测。在本研究中，我们提出熵三角形方法，这是一种利用新型机器学习技术预测心脏节律的新框架。该框架包括三个步骤：特征工程、熵三角形过采样和疾病预测。本研究使用的数据集是一个包含10,646名患者的12导联心电图（ECG）心律失常研究数据库。该数据集包含11种不同的心脏节律（5种窦性节律和6种非窦性节律）。在本文中，我们介绍了机器学习和医学领域的两个首创，能够以超过85%的准确率预测非窦性节律。我们的实验结果表明，基于熵三角形的最准确分类器是支持向量分类器，而最有效的过采样技术是用于鲨鱼气味（shark scent）的过采样技术。
英文摘要
One of the most important problems in medicine is to facilitate prediction. In this study, we propose entropy triangle method, a novel framework for predicting heart rhythms using a novel machine learning technique. This framework includes three steps: feature engineering, entropy triangle oversampling, and disease prediction. The dataset used in this study is a 12-lead electrocardiogram (ECG) arrhythmia research database with 10,646 patients. This dataset contains 11 different heart rhythms (5 sinus rhythms and 6 non-sinus rhythms). In this article, we introduce two firsts in machine learning and medicine that can predict non-sinus rhythm with over 85% accuracy. Our experimental results show, among others, that the most accurate classifier based on entropy triangles and the most useful oversampling are the supported vector classifiers and oversampling techniques for shark scent.
发表机构
- Islamic Azad University（伊斯兰阿扎德大学）
机构由 AI 辅助整理，请以论文原文为准。
