基于心电动力学离散特征与SVM模型的AMI早期筛查研究

目的以急性心肌梗死(AMI)患者和健康人的心电动力学(CDG)数据为基础,研究一种新早期筛查模型用以评估健康人群和AMI患者。方法训练集包括1500例AMI患者和1500名健康个体。在2000人中验证了SVM模型。测试无或有轻度症状的AMI患者的心电(ECG)信号,获取ECG信号的CDG数据,分析CDG数据的离散度特征,并基于支持向量机(SVM)建立早期筛查模型以评估健康人群和AMI患者。结果AMI患者CDG数据的离散度特征的定量值与健康个体存在显著差异,AMI患者的CDG数据比正常人的CDG数据混乱,支持向量机模型用于AMI诊断的准确性较高。结论基于心电动力学离散特征与SVM模型的AMI早期筛查方法的应用可以有效区分AMI患者和健康个体,该方法为AMI的早期筛查提供了辅助方法。

心电动力学信号数据特征提取与模式识别的研究进展

现代控制理论和计算机技术的进步,为深入研究心电信号内在动态病理特征创造了良好条件,并推动了相关学者在基于心电信号转化数据的神经网络模型构建、心电信号异质度特征的量化指标提取、心脏疾病辅助诊断等方面的早期探索。本文综述了心电动力学信号数据特征的研究现状,并介绍了心电动力学信号数据特征的提取方法、模式识别及其在心肌缺血辅助诊断、心肌缺血引发心脏疾病早期筛查和疗效评估等方面的应用。

基于时间复杂度的急性冠脉综合征辅助筛查的研究

在混沌体系中,采用动力学特征量化指标进行心脏疾病的辅助诊断,具有更为准确和敏感的检测优势。鉴于时间复杂度可从时域上对混沌体系动力学轨迹的复杂程度进行分析,本文采集了16例的健康人和16例的急性冠脉综合征患者的心电动力学数据的时间复杂度进行混沌特性的验证性研究。实验结果表明,急性冠脉综合征患者的心电动力学数据的时间复杂度普遍低于健康人的心电动力学数据的时间复杂度;因此,时间复杂度的量化信息具有用于急性冠脉综合征的检测的价值。