Heartbeat Classification of ECG Signals Using Rational Function Systems

VPNet: Variable Projection Networks

“…Previous results show that several biomedical signal processing problems can be addressed efficiently with variable projection by means of adaptive rational and Hermite functions, as well as B-splines [20,24]. VP features were particularly utilized for ECG and EEG representation, compression, classification, and segmentation [25][26][27][28][29][30][31][32].…”

“…In this respect, our choice is a particular ECG signal processing problem, the heartbeat arrhythmia classification (see [46]). The state-of-the-art is supervised ML by traditional approaches (see [11] and Section 1), including the VP-based static feature extraction [24,31]. Here we do not aim to outperform these methods.…”

“…there is no data leakage. We adopted the preprocessing and heartbeat extraction methods discussed in [31], with the exception that here the window size is selected to be 100 samples (∼ 0.28s) around the R peak annotations. This window is expected to cover the whole QRS complex and potentially the PR and ST segments of each heartbeat.…”

Orvosi jel- és képfeldolgozás transzformációs módszerekkel

“…Általánosságban az SVM segítségével nagyobb pontosság érhető el, valamint stabilabb, és jobban reprodukálható. A [BogFri18] és [BogFri19a] cikkek módszertanait alkalmazva az SVM 99.38%, illetve 99.51%-os pontosságot eredményezett, amely mindkét esetben csak kis mértékben ingadozott a véletlenszám-generátor inicializálásának, illetve a bemenő adatok perturbációjának függvényében. Tehát az SVM reprezentatív és számítási szempontból is stabilnak mutatkozott.…”

“…A [BogFri18] cikkben bemutatott módszertannal 99.38%-os pontosságot (illetve 99.66%, 1.56% elutasításával) értem el az MIT-BIH adatbázison, osztály-orientált séma szerint. Ezen cikkben javasoltam a racionális modellgörbék használatát morfológiai jellemzők származtatásához.…”