典型文献
基于心电图的心肌梗死识别分类研究
文献摘要：
心肌梗死(MI)是一种严重的心脏病,症状前的健康检查可以发现早期的MI.心电图(ECG)是一种常用的无创健康检查诊断工具.一些使用ECG预测MI的研究存在基于私人数据集、样本量小、分析方法简单等不足.为了解决这些问题,本研究提出在英国最大的开放采集生物信息资源平台UK Biobank上进行MI的首次基准预测实验,涵盖基于临床特征的机器学习方法和基于ECG信号的深度学习方法.结果显示,基于临床特征的AUC为0.690,深度学习使用原始ECG信号的AUC为0.728,提升近4％.证明深度学习基于原始ECG信号能学习到比临床特征更多的信息.另外,对XGBoost和ResNet方法的结果进行了初步的可解释性分析,发现ST波与MI的关联更密切.
文献关键词：
心肌梗死;心电图;机器学习;深度学习;可解释性
中图分类号：
作者姓名：
王新峰;漆梦玲;徐洪智
作者机构：
吉首大学软件学院,湖南吉首416000;中山大学计算机学院,广东广州510275;中山大学孙逸仙纪念医院医学研究中心,广东广州510120
文献出处：
引用格式：
[1]王新峰;漆梦玲;徐洪智-.基于心电图的心肌梗死识别分类研究)[J].中国医学物理学杂志,2022(08):992-997
A类：
B类：
心电图,心肌梗死,识别分类,分类研究,MI,心脏病,健康检查,ECG,无创,检查诊断,诊断工具,样本量,信息资源,资源平台,UK,Biobank,基于临床,机器学习方法,深度学习方法,XGBoost,ResNet,可解释性分析,ST
AB值：
0.337945
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
