基于VF波形多特征参数的除颤成功率预测研究

R318; 目的:基于心室颤动(ventricular fibrillation,VF)波形构建电击除颤成功率预测模型,选择最佳的除颤时机进行电击除颤,以提高除颤成功率.方法:通过建立动物实验模型,测量动物室颤时心电数据,从时域、频域和相空间、联合域4个不同维度提取特征参数,选择4、8、10、12 s作为预测室颤时间长度,利用逻辑回归和支持向量机算法构建除颤成功率预测模型.采用5折交叉验证方式进行模型的训练和验证.结果:利用支持向量机算法,使用联合域参数构建模型,选择12 s作为预测时间窗口长度时,除颤成功率预测结果最佳,准确率为0.900,AUC为0.949.结论:利用机器学习算法,综合利用...

Full description

Saved in:
Bibliographic Details
Published in医疗卫生装备 Vol. 42; no. 3; pp. 1 - 20
Main Authors 袁晶, 李金玲, 陈国盛, 余明, 徐佳盟, 陈锋, 张广
Format Journal Article
LanguageChinese
Published 军事科学院系统工程研究院卫勤保障技术研究所,天津 300161%解放军65316部队卫生连,辽宁瓦房店 116300 2021
Subjects
支持向量机
VF波形
心室颤动
电击除颤
逻辑回归
Online AccessGet full text
ISSN1003-8868
DOI10.19745/j.1003-8868.2021044

Cover

More Information
Summary:R318; 目的:基于心室颤动(ventricular fibrillation,VF)波形构建电击除颤成功率预测模型,选择最佳的除颤时机进行电击除颤,以提高除颤成功率.方法:通过建立动物实验模型,测量动物室颤时心电数据,从时域、频域和相空间、联合域4个不同维度提取特征参数,选择4、8、10、12 s作为预测室颤时间长度,利用逻辑回归和支持向量机算法构建除颤成功率预测模型.采用5折交叉验证方式进行模型的训练和验证.结果:利用支持向量机算法,使用联合域参数构建模型,选择12 s作为预测时间窗口长度时,除颤成功率预测结果最佳,准确率为0.900,AUC为0.949.结论:利用机器学习算法,综合利用各维度特征参数,能够较好地对除颤成功率进行预测,可以为现场急救人员提供宝贵的辅助建议,提高救治的成功率.
ISSN:1003-8868
DOI:10.19745/j.1003-8868.2021044