利用VMD（变分模态分解）和多任务优化技术实现自动多类心电图心律失常检测

《Scientific Reports》：Automated multi-class ECG arrhythmia detection using VMD and multi-task optimization

　　

摘要

心电图（ECG）分类对于准确检测和追踪心律失常至关重要。本研究提出了一个多类ECG分类框架，用于识别心房颤动（AF）、心室颤动（VF）、正常心律（NR）和心室心动过速（VT）等心律异常。通过变分模态分解（VMD）对ECG信号进行分解，并从每种模态中提取高阶统计特征和基于熵的特征。采用多任务粒子群优化（MT-PSO）来减少冗余特征并提升数据集的区分能力。评估了多种机器学习模型，优化后的特征集显著提高了性能。最佳结果由LightGBM（准确率0.993）、HistGradientBoost（0.991）、XGBoost（0.990）和ExtraTrees（0.990）获得。优化后，部分模型的执行时间也有所缩短。混淆矩阵和ROC分析证实了该框架在所有四种心律类别中的检测可靠性，与现有研究的比较表明，所提出的框架在ECG分类方面具有竞争力或更优的性能。