Počet záznamů: 1
SVM Based ECG Classification Using Rhythm and Morphology Features, Cluster\nAnalysis and Multilevel Noise Estimation
- 1.
SYSNO ASEP 0487043 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název SVM Based ECG Classification Using Rhythm and Morphology Features, Cluster
Analysis and Multilevel Noise EstimationTvůrce(i) Smíšek, Radovan (UPT-D) RID, ORCID, SAI
Hejč, J. (CZ)
Ronzhina, M. (CZ)
Němcová, A. (CZ)
Maršánová, L. (CZ)
Chmelík, J. (CZ)
Kolářová, J. (CZ)
Provazník, I. (CZ)
Smítal, L. (CZ)
Vítek, M. (CZ)Celkový počet autorů 10 Zdroj.dok. Computing in Cardiology 2017, 44. - Rennes : Computing in Cardiology, 2017 Rozsah stran s. 1-4 Poč.str. 4 s. Forma vydání Online - E Akce Computing in Cardiology 2017 Datum konání 24.09.2017 - 27.09.2017 Místo konání Rennes Země FR - Francie Typ akce WRD Jazyk dok. eng - angličtina Země vyd. FR - Francie Klíč. slova ECG classifications ; global feature ; cross-validation technique Vědní obor RIV FS - Lékařská zařízení, přístroje a vybavení Obor OECD Medical engineering CEP GAP102/12/2034 GA ČR - Grantová agentura ČR Institucionální podpora UPT-D - RVO:68081731 UT WOS 000450651100150 EID SCOPUS 85045129068 DOI 10.22489/CinC.2017.172-200 Anotace Smartphone-based ECG devices comprise great potential in screening for arrhythmias. However, its feasibility is limited by poor signal quality leading to incorrect rhythm classification. In this study, advanced method for automatic classification of normal rhythm (N), atrial fibrillation (A), other rhythm (O), and noisy records (P) is introduced. Methods: Two-step SVM approach followed by simple threshold based rules was used for data classification. In the first step, various features were derived from separate beats to represent particular events (normal as well as pathological and artefacts) in more detail. Output of the first classifier was used to calculate global features describing entire ECG. These features were then used to train the second classification model. Both classifiers were evaluated on training set via cross-validation technique, and additionally on hidden testing set. Results: In the Phase II of challenge, total F1 score of the method is 0.81 and 0.84 within hidden challenge dataset and training set, respectively. Particular F1 scores within hidden challenge dataset are 0.90 (N), 0.81 (A), 0.72 (O), and 0.55 (P). Particular F1 scores within training set are 0.91 (N), 0.85 (A), 0.76 (O), and 0.73 (P). Pracoviště Ústav přístrojové techniky Kontakt Martina Šillerová, sillerova@ISIBrno.Cz, Tel.: 541 514 178 Rok sběru 2019 Elektronická adresa http://www.cinc.org/archives/2017/
Počet záznamů: 1