Sumathi S
Dieser Artikel stellt einen neuen Ansatz für die automatische Lokalisierung und Klassifizierung von Elektrokardiogramm (EKG)-Signalen vor, der für die Diagnose von Herzanomalien von enormer Bedeutung ist. Hier wird eine Methode vorgeschlagen, um bestimmte Herzabweichungen von der Norm zu klassifizieren, wie etwa ventrikuläre Arrhythmien, Herzinfarkt, Myokardhypertrophie und Klappenerkrankungen. Die Support Vector Machine (SVM) wurde verwendet, um die Muster zu klassifizieren, die den durch die kontinuierliche Wavelet-Transformation (CWT) aus bestimmten EKG-Signalen extrahierten Merkmalen innewohnen. Mit der CWT lässt sich ein Zeit-Raum-Symbol in einen Zeit-Frequenz-Raum umwandeln, sodass Frequenzmerkmale und die Position bestimmter Merkmale in einem Zeitintervall gleichzeitig hervorgehoben werden können. Daher ist eine präzise Extraktion von Merkmalen aus instationären Signalen wie EKGs möglich. Dann wird die Support Vector Machine (SVM) mit Gauß-Teil verwendet, um verschiedene EKG-Herzfrequenzen zu klassifizieren. In der Modellarbeit wurde die SVM im Rezidivmodus erfolgreich eingesetzt.