Wspomaganie analizy uśrednionych sygnałów elektrokardiograficznych z wykorzystaniem klasyfikacji transdukcyjnej

• Autorzy: Jankowski, S. , Szymański, Z. , Piątkowska-Janko, E.

Warianty tytułu

EN

Computer aided analysis of signal averaged ECG by using transductive classification

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono nowy klasyfikator transdukcyjną średniokwadratową maszynę wektorów nośnych wykorzystaną do wspomagania diagnozy schorzeń serca na podstawie parametrów obliczonych z uśrednionego sygnału elektrokardiograficznego wysokiej rozdzielczości. Zaprezentowano formalny opis średniokwadratowej maszyny wektorów nośnych oraz algorytm realizujący proces uczenia transdukcyjnego. Dla klasyfikatora utworzonego na bazie zbioru uczącego zawierającego jedynie 5% próbek etykietowanych, skuteczność klasyfikacji wynosi 83,5%.

EN

We present new transductive least square support vector machine classifier for cardiological diagnosis based on parameters calculated from high resolution signal averaged ECG. The paper contains formal description of least square support vector machine and the algorithm for transductive learning.The recognition score of the classifier based on learning data set which includes only 5% labelled examples is 83.5%.

Słowa kluczowe

PL

klasyfikacja statystyczna; maszyna wektorów nośnych; średniokwadratowa maszyna wektorów nośnych; transdukcja; elektrokardiografia wysokorozdzielcza

EN

statistical classification; support vector machine (SVM); transduction; high resolution ECG

• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2009
• Tom: Vol. 50, nr 8
• Strony: 290-293
• Opis fizyczny: Bibliogr. 10 poz., tab.

Twórcy

autor

Jankowski, S.

autor

Szymański, Z.

autor

Piątkowska-Janko, E.

• Politechnika Warszawska, Instytut Systemów Elektronicznych

Bibliografia

• [1] Vapnik V. N.: Statistical Learning Theory. Wiley Interscience, New York 1998.
• [2] Suykens J. A. K., Van Gestel T., De Brabanter J., De Moor B., Vandewalle J.: Least Sguares Support Vector Machines. World Scientific 2002.
• [3] Chapelle O., Schölkopf B., Zien A. (eds.): Semi-Supervised Learning. MIT Press, Cambridge, 2006.
• [4] Schölkopf B., Smola A.: Learning with Kernels. MIT Press, Cambridge, 2002.
• [5] Sindhwani V., Chu W., Belkin M.: Beyond the point cloud: from transductive to semi-supervised learning. International Conference on Machine Learning ICML, 2005.
• [6] Simson M. B.: Signal averaged electrocardiography, in Zipes DP. Jalife J. (Eds): Cardiac electrophysiology: from cell to bedside. Philadelphia: W. B. Saunders Co., 1990. pp. 807-817.
• [7] Gomes J. A.: Signal averaged electrocardiography - concepts, methods and applications. Kluwer Academic Publishers, 1993.
• [8] Piątkowska-Janko E., Oręziak A., Lewandowski Z., Wardyn K. A., Opolski G.: Prediction of the Supraventricular Arrhythmias in Hypertensive Patients with Different Forms of the Left Ventricular. Computers in Cardiology 2006.
• [9] Jankowski S., Szymański Z., Piątkowska-Janko E., Oręziak A.: Improved recognition of sustained ventricular tachycardia from SAECG by support vector machine. Anatolian Journal of Cardiology, vol. 7 (2007), 112-115.
• [10] Jankowski S., Piątkowska-Janko E., Szymański Z., Oręziak A.: Transductive Support Vector Machines for Risk Recognition of Sustained Ventricular Tachycardia and Flicker after Myocardial Infarction. in Proceedings of the 7th International Workshop on Pattern Recognition in Information Systems - PRIS 2007 (eds. Ana Fred, Anil K. Jain), June 2007, Funchal, Portugal, 161-170.