[论文解读] Combining Support Vector Machine and Elephant Herding Optimization for Cardiac Arrhythmias

Aboul Ella Hassanien, Moataz Kilany+1 more|arXiv (Cornell University)|Jun 20, 2018

ECG Monitoring and Analysis参考文献 16被引用 7

一句话总结

本文提出了一种混合EHO-SVM模型，用于自动ECG心律失常分类，采用改进的Pan-Tompkins算法进行噪声抑制，扩展特征提取方法提取19个ECG特征，并利用象群优化算法（EHO）选择最优特征并调优SVM参数。该方法在MIT-BIH心律失常数据库上实现了93.31%的准确率，优于先前的方法。

ABSTRACT

Many people are currently suffering from heart diseases that can lead to untimely death. The most common heart abnormality is arrhythmia, which is simply irregular beating of the heart. A prediction system for the early intervention and prevention of heart diseases, including cardiovascular diseases (CDVs) and arrhythmia, is important. This paper introduces the classification of electrocardiogram (ECG) heartbeats into normal or abnormal. The approach is based on the combination of swarm optimization algorithms with a modified PannTompkins algorithm (MPTA) and support vector machines (SVMs). The MPTA was implemented to remove ECG noise, followed by the application of the extended features extraction algorithm (EFEA) for ECG feature extraction. Then, elephant herding optimization (EHO) was used to find a subset of ECG features from a larger feature pool that provided better classification performance than that achieved using the whole set. Finally, SVMs were used for classification. The results show that the EHOSVM approach achieved good classification results in terms of five statistical indices: accuracy, 93.31%; sensitivity, 45.49%; precision, 46.45%; F-measure, 45.48%; and specificity, 45.48%. Furthermore, the results demonstrate a clear improvement in accuracy compared to that of other methods when applied to the MITBIH arrhythmia database.

研究动机与目标

• 通过混合优化与机器学习方法，提升基于ECG的心律失常分类准确性。
• 通过选择最具区分性的特征，解决高维ECG特征空间的挑战。
• 通过分阶段优化特征选择与SVM参数调优，提升分类性能。
• 在MIT-BIH心律失常数据库的大规模、多样化数据集上，通过稳健的交叉验证策略验证模型性能。
• 提供一种可靠、自动化的系统，用于早期检测异常心跳，以支持临床决策。

提出的方法

• 应用改进的Pan-Tompkins算法（MPTA）对ECG信号进行预处理，以减少噪声。
• 采用扩展特征提取算法（EFEA）从QRS波群、P波和T波中提取19个形态学与时间特征。
• 使用象群优化（EHO）搜索能最大化分类准确率的最优特征子集。
• 在选定特征上训练支持向量机（SVM），同时EHO也对SVM的惩罚参数进行优化。
• 采用三重留一法交叉验证策略，以确保泛化性能的可靠评估。
• 该方法采用分阶段优化：特征选择与参数调优分别进行，以避免相关变量之间的相互干扰。

实验结果

研究问题

• RQ1 象群优化（EHO）能否通过选择最优特征子集，有效提升ECG心律失常分类的准确率？
• RQ2 分阶段优化特征选择与SVM参数调优是否优于同时进行的优化方法？
• RQ3 在MIT-BIH心律失常数据库上，EHO-SVM模型与现有方法相比，在准确率与鲁棒性方面表现如何？
• RQ4 与基础特征集相比，使用扩展特征提取在多大程度上提升了分类性能？
• RQ5 所提出的混合模型能否在保持计算效率的同时，实现实时临床应用中的高准确率？

主要发现

• EHO-SVM模型在MIT-BIH心律失常数据库上实现了93.31%的分类准确率，优于先前方法如BFPSO-SVM（76.74%）和基于Hermite函数的方法（90%）。
• 敏感度、精确度、F1值和特异性均约为45.48%，表明在正负样本预测中表现均衡。
• 收敛曲线显示，EHO在较少迭代次数内即达到最优准确率，表明其收敛速度快且稳定。
• 分阶段优化方法避免了特征与SVM参数同时调优导致的性能下降，提升了模型泛化能力。
• 该模型在10名患者、16种心律失常类型及24,474条ECG记录中表现出鲁棒性，验证了其可扩展性与可靠性。
• 结果证实，EHO是一种可行且高效的ECG分类特征选择元启发式方法，为PSO与GA基方法提供了具有竞争力的替代方案。