文本更正
原始出版物中存在错误[1]。添加了一段简要说明，以澄清科学记录并预先消除未来可能出现的关于方法论的任何误解。
1. 第4.1节（数据集描述）已进行了更正。第一阶段医疗数据分类是基于UCI机器学习库中的克利夫兰心脏病数据集进行的。第二阶段图像分类使用了EchoNet-Dynamic数据集，该数据集用于训练和测试所提出的基于SE-ResNeXt-101的Faster R-CNN模型。EchoNet-Dynamic是一个开源的心脏超声视频数据库，包含标注视频和临床数据，以支持深度学习研究。旧版本的手稿中使用了UCI超声心动图数据集。
第4.1节第2段的正确版本如下：
超声心动图图像数据集的描述及其相应属性列于表2中。在第一阶段实验中，选取了UCI心脏病数据集的特征，用于开发和评估HLDA-MALO分类模型，以区分正常和异常病例。随后，通过所提出的IoMT系统采集的医疗传感器数据，使用模型开发过程中所考虑的特征进行了评估。传感器数据包括从心电图（ECG）、脉搏血氧仪、温度和血压传感器获得的测量值。在第二阶段，使用EchoNet-Dynamic数据集进行心脏超声图像分类。该数据集是公开可用的，用于通过所提出的混合Faster R-CNN与SE-ResNeXt-101模型对超声图像进行分类。超声心动图数据用于评估所提出的深度学习模型在区分正常和异常心脏图像方面的能力。因此，所提出的框架的两个阶段使用了两个不同的公开数据集。UCI心脏病数据集为第一阶段分类提供医疗属性，而EchoNet-Dynamic数据集为第二阶段图像分类提供超声心动图数据（图4）。两个数据集根据其各自的数据模态独立进行分析，所得分类结果被用于所提出的两阶段心脏病预测框架中。
2. 第4.2节第5段已进行了更正。正确段落如下：
所提出的Faster R-CNN-SE-ResNeXt-101模型在心脏超声图像分类以进行心脏病预测方面表现出更高的分类准确率，如图7所示。该模型实现了99.15%的准确率，比VGG-19、ResNeXt-101、Inception-ResNet-v2和SE-ResNet-101等其他方法高出1.2%至3.9%。精确度估计已列于表格中，表明所提出的模型达到了98.06%的较高精确度值。如图8所示，与其他模型相比，所提出模型的精确度表现分别提高了2.8%和4.1%。所报告的结果是使用五折交叉验证计算的，其中数据集被分为五个相等的子集。在每次迭代中，四折用于训练，一折用于测试，该过程重复五次。例如，各折准确率如98.9%、99.3%、99.0%、99.4%和99.15%取平均值后得到最终准确率99.15%。同样，精确度、召回率、特异性和F分数值也对每折进行了计算并取平均，以产生最终报告的指标。
表格更正
第4.1节中的表2已相应更新。正确的表2如下：
表2. EchoNet-Dynamic数据集描述。
后附材料更正
数据可用性声明已从"作者确认支持本研究结果的数据可在文章中找到"更新为"本研究中使用的数据集均为公开可用。用于第一阶段医疗数据分类的心脏病数据集可从UCI机器学习库获取，地址为：https://archive.ics.uci.edu/dataset/45/heart+disease（访问日期：2021年7月21日）。用于第二阶段图像分类的心脏超声数据集为EchoNet-Dynamic数据集，公开可用地址为：https://echonet.github.io/dynamic/（访问日期：2021年7月21日）。"
作者声明，科学结论未受影响。本次更正已获学术编辑批准。原始出版物也已更新。
参考文献
- Manimurugan, S.; Almutairi, S.; Aborokbah, M.M.; Narmatha, C.; Ganesan, S.; Chilamkurti, N.; Alzaheb, R.A.; Almoamari, H. 基于IoMT和人工智能的心脏病预测两阶段分类模型。Sensors 2022, 22, 476. [Google Scholar] [CrossRef] [Scilit] [PubMed]
免责声明/出版商声明：所有出版物中包含的陈述、意见和数据仅为个别作者和贡献者所有，不代表MDPI和/或编辑的立场。MDPI和/或编辑对内容中提及的任何理念、方法、说明或产品造成的人员伤害或财产损失不承担责任。 |
? 2026 作者。受版权方MDPI，瑞士巴塞尔。本文是在知识共享署名（CC BY）许可协议条款和条件下发布的开放获取文章。
