78、基于12导联心电图记录的支持向量机检测心肌梗死的线性和非线性特征

基于12导联心电图记录的支持向量机检测心肌梗死的线性和非线性特征

1. 引言

心肌梗死（MI）是由于心脏肌肉的血液供应受阻，导致心肌细胞死亡。据世界卫生组织（WHO）统计，全球每年约有3240万例心肌梗死病例。因此，各国政府，特别是发展中国家政府，高度重视提高心肌梗死患者的护理质量、优化医疗程序并降低经济成本。

准确诊断心肌梗死对于降低住院率和死亡率至关重要。临床上，通过心电图（ECG）监测心脏电活动有助于检测这一紧急病症。心肌梗死会使心电图出现ST段抬高、压低以及T、Q、R波异常等形态变化。12导联心电图从不同角度记录心脏电活动，各导联波形形态不同，可为诊断心肌梗死提供关键信息。

目前，多个心电图数据库的出现推动了心肌梗死检测新方法的发展，这些方法涉及信号处理和机器学习技术。不同方法在预处理、心电图特征提取、导联数量选择、机器学习算法应用和验证方法等方面存在差异。合理选择机器学习分类器的输入特征，对于降低计算成本和提高诊断准确性至关重要。

熵特征能够衡量心电图信号的复杂性，反映信号的规律性和可预测性，有助于检测生理过程的异常。此前已有多种熵算法被提出，如粗粒度熵率、近似熵和样本熵等。一些研究利用这些熵特征和机器学习算法进行心肌梗死检测，如Kumar等人使用最小二乘支持向量机（LS - SVM）结合灵活解析小波变换（FAWT）和样本熵检测心肌梗死；Sharma等人使用k近邻算法结合平稳小波变换（SWT）和样本熵等特征进行检测。在之前的研究中，我们提出了基于支持向量机（SVM）利用多导联心电图的形态和时间特征检测心肌梗死的方法。在本研究中，我们结合了12导联心电图的时间、形态和非线性特征，使用径向基函数作为核函数的支持向量机来检测心肌梗死，其中非线性特征采用样本