Paf screening from sinus rhythm ECG records by ensemble learning
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Sinyal işleme her zaman büyük bir ilgiye sahip olmuştur. Bilgisayarlar daha karmaşık işlemler yapabildikçe, daha farklı ve yeni matematiksel formüller de sinyal işleme konusuna uyarlanmıştır. Makine öğrenmesi gibi terimler literatürce kabul görmüş ve bazı birleştirme yöntemleri geliştirilmiştir. Birleşik öğrenme örüntü tanımada daha iyi sonuçlar almak için farklı sınıflandırıcıların kombinasyonlarını kullanan bir birleştirme metodudur. Özetle, birleşik öğrenme birçok sınıflandırıcının birlikte çalışabildiği bir yöntemdir. Bu çalışmada paroksismal atriyal fibrilasyon (PAF) tarama amacıyla, kişinin ektopiksiz elektrokardiyogram (EKG) kayıtlarına göre PAF hastası olup olmadığını bulmak için birleşik öğrenme kullanılmıştır. Kullanılan veri kümesi PAF hastası ve PAF hastası olmayan kişilerin ECG kayıtlarından oluşmaktadır. Hem hiyerarşik hem de paralel yapıda birleşik öğrenme yapıları denenmiştir. Uzmanlar eğitilirken k katlamalı çapraz doğrulama ve bootstrap örnekleme metotları kullanılmış ve performansları karşılaştırılmıştır. En başarılı sonuçlar hiyerarşik yapı ile elde edilmiştir. Signal processing has always been of great interest. As the computers can do more complex processes, some different and new mathematical formulations are adapted to signal processing. Terms such as machine learning have been accepted by the literature and some combining methods have been developed. Ensemble learning is a combining method of using a combination of different experts to get better results in pattern classification. Briefly, ensemble learning is a method whereby different classifiers work together. In this study, ensemble learning was used for the aim of paroxysmal atrial fibrillation (PAF) screening, i.e. finding whether a person is PAF patient or not from his/her ectopic-free electrocardiogram (ECG) records. Both hierarchical and parallel structures of ensemble learning were tried. Dataset used consists of ECG records from both PAF patients and non-PAF subjects. To train experts, k–fold cross validation and bootstrap sampling methods were used and their performances were compared. The best results were obtained by using the hierarchical structure of ensemble learning.
Collections