基于混合分类框架的心电图图像分类方法研究

《Scientific Reports》：A hybrid deep feature extraction and ensemble learning framework for robust multi-class ECG image classification

　　

摘要

心电图信号作为心脏的电活动，在早期识别心血管疾病（CVDs）中发挥着至关重要的作用，而心血管疾病目前是全球死亡的主要原因。然而，人工检测心电图图像不仅耗时、容易出错，而且难以扩展，特别是在资源受限的环境中。为了应对这些挑战，本工作提出了一种混合分类框架，以更好地分析心电图图像，从而提高可靠性和效率。该方法将深度学习与特征优化和集成学习相结合。使用EfficientNet-B0模型从心电图图像中提取显著特征，并使用在ImageNet数据上训练的权重进行初始化。利用轻量级自编码器对高维特征进行压缩，以消除数据冗余，同时保留显著的特征模式。压缩后获得的特征随后被应用于使用两种不同的机器学习算法进行分类：(i) 具有RBF核的支持向量机（SVM）和 (ii) 随机森林分类器。最后，采用多数投票集成方法整合了CNN、SVM和RF分类器的预测结果。我们的系统在Mendeley心电图图像数据集上进行了测试，该数据集包含四个类别（正常、心肌梗死（MI）、异常心跳和心肌梗死病史），实现了92.09%的准确率、91.3%的精确率、91.1%的召回率和91.15%的F1分数。因此，所提出的框架在评估的数据集上展示了令人满意的分类性能和良好的计算特性，突显了其在计算机辅助心电图图像分类中的潜力；然而，在确定其临床适用性之前，仍需要外部和前瞻性的临床验证。