Eine Auf Ekg-Signalen Basierende Merkmalsauswahl Zur Klassifizierung Von Herzrhythmusstrungen

Herzrhythmusstrungen treten auf, wenn die elektrischen Impulse im Herzen nicht richtig funktionieren. Eine frhzeitige Erkennung von Herzrhythmusstrungen ist notwendig, um das eigene berleben zu sichern. Fr die Diagnose ist eine Klassifizierung der Arrhythmie erforderlich. In diesem Bericht wird die Hauptkomponentenanalyse als Verfahren zur Merkmalsreduzierung eingesetzt, um hochdimensionale Eingaben zu reduzieren, ohne die Klassifizierungsmethoden zu beeinflussen. Zwei Verfahren zur Merkmalsauswahl wie Grey Wolf Optimizer (GWO), Particle Swarm Optimization (PSO) und Support Vector Machine (SVM) helfen bei der Auswahl von Merkmalen fr Arrhythmie, und die Ergebnisse werden fr die Klassifizierung verschiedener Arrhythmieformen verwendet. Die Leistungsanalyse fr diese Merkmalsauswahltechniken wird geschtzt. Der Fluch der Dimensionalitt (d. h. ein Datensatz, der eine groe Anzahl von Merkmalen enthlt) wird mit diesen Merkmalsauswahlverfahren gelst. Das Ergebnis untersucht die Leistungsmetriken fr die Integration von drei Methoden wie PSO, GWO mit SVO und zeigt, dass PSO und GWO integriert mit SVM Merkmale mit einer Genauigkeit von 96,08 % auswhlen.