[论文解读] Regularized HessELM and Inclined Entropy Measurement for Congestive Heart Failure Prediction

Apdullah Yayık, Yakup Kutlu+1 more|arXiv (Cornell University)|Jul 12, 2019

Machine Learning and ELM参考文献 32被引用 25

一句话总结

本研究提出了一种新颖的机器学习框架，结合基于正则化Hessenberg分解的极限学习机（R-HessELM）与心电图（ECG）信号的二阶差分图（SODP）的倾斜熵测量（IEM），以预测充血性心力衰竭（CHF）。该方法实现了98.49%的准确率，表明IEM能有效捕捉R波峰的动力学特征，且正则化显著提升了ELM在仅使用ECG数据进行高性能CHF诊断中的泛化能力。

ABSTRACT

Our study concerns with automated predicting of congestive heart failure (CHF) through the analysis of electrocardiography (ECG) signals. A novel machine learning approach, regularized hessenberg decomposition based extreme learning machine (R-HessELM), and feature models; squared, circled, inclined and grid entropy measurement were introduced and used for prediction of CHF. This study proved that inclined entropy measurements features well represent characteristics of ECG signals and together with R-HessELM approach overall accuracy of 98.49% was achieved.

研究动机与目标

• 开发一种仅基于ECG信号的高精度、自动化的早期充血性心力衰竭（CHF）预测系统。
• 通过在基于Hessenberg分解的ELM中引入正则化，解决极端学习机（ELM）在CHF分类中过拟合与泛化能力差的挑战。
• 提出新型基于熵的特征提取方法——特别是倾斜熵测量（IEM）——以更好地捕捉ECG时序信号中的时间与振幅变化。
• 评估R-HessELM在不同熵特征下的性能，并识别出用于CHF分类的最具判别力的特征组合。

提出的方法

• 提出一种正则化Hessenberg分解基础的极限学习机（R-HessELM），通过在伪逆计算中引入正则化项以最小化均方误差（MSE），从而提升泛化能力。
• 引入四种熵测量模型——平方、圆形、倾斜与网格熵——用于从R-R间期的二阶差分图（SODP）中提取特征。
• 对ECG信号应用SODP变换，以在二维笛卡尔坐标系中可视化并量化连续R-R间期差值的离散程度。
• 采用倾斜熵测量（IEM）对SODP进行基于斜率的分段处理，实现对ECG动力学特征中椭圆分布形态的详细量化。
• 采用5折交叉验证，并设置正则化参数（λ = e⁻¹⁶）以优化R-HessELM性能并避免过拟合。
• 在SODP与熵特征提取前，使用中值滤波器与陷波滤波器对ECG数据进行预处理，以去除基线漂移与工频干扰。

实验结果

研究问题

• RQ1 与标准ELM相比，ELM中采用正则化Hessenberg分解是否能显著提升CHF分类的泛化能力与预测准确率？
• RQ2 在ECG信号CHF预测中，SODP特征的倾斜熵测量（IEM）是否优于其他熵模型（平方、圆形、网格）以捕捉更具判别性的模式？
• RQ3 在应用于基于ECG的CHF分类时，R-HessELM的最优正则化参数范围是什么？
• RQ4 从SODP导出的基于熵的特征是否能有效表征R波峰的振幅与间隔变异性，而这些特征在临床上对CHF具有重要意义？
• RQ5 所提出的R-HessELM结合IEM特征是否能够仅使用ECG数据即实现高准确率、高精确率与高敏感度的CHF预测？

主要发现

• 所提出的R-HessELM结合倾斜熵测量（IEM）在从ECG信号中分类CHF与正常窦性心律方面达到了最高的总体准确率98.49%。
• 倾斜熵测量（IEM）相较于平方、圆形与网格熵模型表现出更优性能，能有效捕捉ECG数据中SODP点的椭圆分布特征。
• 该方法实现了98.05%的精确率与98.30%的敏感度，表明在正确识别CHF与正常病例方面具有极强的可靠性。
• 在基于Hessenberg的ELM框架中引入正则化显著提升了泛化能力，最优性能在正则化参数范围e⁻¹⁰至e⁻¹⁸内实现。
• SODP变换与IEM特征的结合有效量化了R波峰动力学，这些特征在CHF诊断中具有临床相关性。
• 本研究证明了该高性能模型可部署于嵌入式系统中，实现对CHF的实时、自动化预测。