1. 数据库

本文的心电数据全部采集自克瑞顿大学室性快速性心律失常数据库（Creighton university ventricular tachyarrhythmia database，CUDB）和美国麻省理工学院-贝斯以色列医院（Massachusetts institute of technology-Beth Israel hospital，MIT-BIH）恶性室性心律失常数据库（malignant ventri-cular arrhythmia database，VFDB） ^{[ 9 ]} 。这些数据已经由专家进行了标注，分别标为 VF、心室扑动、VT、SR、ASYS、二联律、心房颤动、噪声等各种类型；数据库中没有特意标注出 PEA，而是将它与 ASYS 标为一类。本文将噪声、电击前后及带有严重心肺复苏伪迹的数据去掉，并将 VF、心室扑动统一标记为 VF，将 SR、二联律、心房颤动等都标记为 SR。综上，本文将所有心电信号标记为 4 类：VF、VT、SR 及 ASYS；其中，将 VF、VT 标记为可电击节律，将 SR、ASYS 标记为不可电击节律。

本文采用了 CUDB 数据库和 VFDB 数据库第一通道中的心电数据，将所有数据截取为长度为 10 s 的样本段，共获得 1 343 例样本。其中，VF 样本 372 例，VT 样本 254 例，SR 样本 644 例，ASYS 样本 73 例。

所有样本在进行特征值提取前，首先经过信号预处理，滤除高频肌肉噪声、低频的基线漂移和工频干扰。

2. 特征值提取

本文从已经发表的心电节律辨识算法中，选择了被引用较多、性能较好的 10 种算法，从中提取出了 21 个描述心电信号特征的特征值；这些特征值分别从时域、频域、相空间、二进制空间、时频联合域等5个不同空间中，标记了心电信号的形态分布、高斯性、幅度谱、变异性、复杂度等各方面特征。这 21 个特征值提取过程简述如下：

辅助计数法 ：将心电信号通过一个中心频率为 14.6 Hz、带宽为 13～16.5 Hz 的带通滤波器后取其绝对值，再分别求得绝对值在三个不同范围内分布的采样点数，记为计数 1（Count1）、计数 2（Count2）、计数 3（Count3） ^{[ 3 ]} 。

高斯性 ：用于计算信号的峭度（Kurtosis）——即其四阶累积量，作为判断信号非高斯性的量化指标 ^{[ 10 ]} 。

自相关算法 ：用于计算信号的短时自相关函数（autocorrelative function，ACF），并将其极值点按照幅值大小降序排列，令 x 代表某极值点在新序列中的序号， y 代表该极值点在自相关函数中的位置，通过检验 x 、 y 之间线性关系是否成立，就可以判断原信号是否为周期性信号，计算该假设的变异率，记为自相关函数变异系数（ACF_VR），作为信号周期性的表征 ^{[ 5 ]} 。

VF 频谱滤波泄露 ：将心电信号 S 通过一个窄带宽带阻滤波器，这个滤波器的中心频率为心电信号的均值频率，通过滤波器后的残余信号即为滤波泄露量（Leakage） ^{[ 11 ]} 。

幅度谱分析 ：将心电信号乘以一个汉明窗，并进行离散傅里叶变换，分别计算 4～48 Hz 频率范围内的幅度谱面积（amplitude spectrum area，AMSA），第一正则化谱向量（first spectral moment normalized，FSMN）和三个不同频率范围的幅度谱占比，分别记为幅度谱占比 1（A1）、幅度谱占比 2（A2）、幅度谱占比 3（A3） ^{[ 12 ]} 。

二进制粗粒化 ：对心电信号进行粗粒化提取，将信号变为一个“0，1”序列；分别计算该字符串的二进制变异系数（CovarBin）、二进制频率（FreqBin）和二进制曲线下面积（AreaBin） ^{[ 13 ]} 。

信息复杂度 ：对信号进行二进制粗粒化提取后，计算该二进制序列的归一化信息复杂度（Complex） ^{[ 14 ]} 。

阈值穿越间隔 ：计算样本中每一秒的阈值穿越间隔（threshold crossing intervals，TCI）（不包括头、尾两秒），求间隔均值（mean_TCI）和间隔方差（std_TCI），构造特征值间隔检验 F 值（F_TCI）表征对 TCI 序列的似然比函数假设检验 ^{[ 15 ]} 。

时延重构法 ：将心电信号按照一定的延时在一个相空间内重构，记该空间被信号填充的比例为时延系数（TimeDelay） ^{[ 16 ]} 。

时频域多分辨率熵 ：对信号进行多分辨率小波分析，计算每一层小波系数的香农熵均值。分别取第二分辨率层和第三分辨率层的香农熵均值作为识别算法的特征值，记为香农熵均值 2（H2）和香农熵均值 3（H3） ^{[ 17 ]} 。

3. 遗传算法优化反向传播神经网络设计

3.1. 神经网络的结构与训练

本文构建的反向传播（back propagation，BP）神经网络如 图 1 所示。

Open in a separate window

图 1

Structure of single hidden layer BP neural network for four-value classification

单隐层四分类 BP 神经网络结构

该神经网络由输入层、隐层、输出层共三层构成：输入层单元数由输入特征向量的维度（即采用的特征值数目）决定；输出层单元数为 4，对应本文 VF、VT、SR、ASYS 的 4 种心电信号类型；隐层单元数设置为与输入层单元数相同，经仿真实验证实，这样的设置在绝大多数情况下可使得网络具有较好的性能。

神经网络的训练集和测试集本文将按照其样本出现序列的奇偶划分，每个数据集的样本数目概况如 表 1 所示。

表 1

Details of train and test set

测试集与训练集样本数目

	VF	VT	SR	ASYS
训练集	186	127	322	37
验证集	186	127	322	36

Open in a separate window

由 表 1 中数据可以看出，每一个数据库的训练集中，不同心电信号类型的样本数目并不平衡；为了使训练过程中不同节律类型的数据受到同等重视，本文赋予每一类样本一个权值：

式中， NT _VF 、 NT _VT 、 NT _SR 、 NT _ASYS 、 N _VF 、 N _VT 、 N _SR 、 N _ASYS 分别代表各数据库训练集中的正确识别出的 VF 样本数、正确识别出的 VT 样本数、正确识别出的 SR 样本数、正确识别出的 ASYS 样本数和 VF 样本总数、VT 样本总数、SR 样本总数以及 ASYS 样本总数。

训练完成后，将对应数据库中的测试集送入得到的神经网络，计算神经网络进行心电节律辨识时各类心电信号的辨识准确性、总体辨识准确性和平衡准确性。

3.2. 神经网络的优化

本文第 2 节中提取出的所有特征值，未必对于构建致死性心电节律辨识算法都是有用的，如果将所有的特征值都被采纳为输入特征，不仅增加了算法的复杂性，还可能造成神经网络过拟合，从而降低分类器的适应性；另外，由于BP神经网络采用梯度法进行训练，属于局域优化算法，无法实现全局优化，使得神经网络容易陷入局部最优解。

因此，本文采用遗传算法（genetic algorithm，GA）对 BP 神经网络进行优化：

（1）应用 GA 对特征向量筛选降维：设计编码长度为 21 的染色体，每个基因对应一个特征值，特征值取 1 代表该特征值被选择，特征值取 0 代表该特征值被抛弃，随机生成 N 条染色体，以神经网络在某染色体代表的输入特征向量训练得到的平衡准确性作为该染色体的种群适应度，选择、交叉、变异，进化生成结果最优的特征向量。

（2）应用 GA 优化神经网络的初始权值、阈值：在 BP 神经网络对权值、阈值进行初始化时插入 GA，随机生成多组范围在[–1，1]内的权值、阈值，并将每一组权值、阈值编码成一个向量作为一条染色体，以该染色体代表的神经网络初始值训练得到的平衡准确性作为种群适应度，选择、交叉、变异，进化生成结果最优的初始权值、阈值。

整个 GA 优化 BP 神经网络算法结构如 图 2 所示，其中实线箭头表示 GA 对 BP 神经网络的正向优化过程，虚线箭头表示 BP 神经网络对 GA 的反馈信息。

Open in a separate window

图 2

Flowchart of BP neural network optimized by genetic algorithm

GA 优化 BP 神经网络算法流程

4. 实验与讨论

4.1. 特征值性能测试

为了对每一个特征值的辨识性能进行评价，本文采用受试者工作特征（receiver operating characte-ristic，ROC）曲线：通过连续改变某特征值的分类阈值，得到不同阈值条件下的辨识敏感性和特异性；以（1-特异性）为横轴，敏感性为纵轴，将得到的所有点描记出来，就得到一条从（0，0）延伸向（1，1）的曲线，该曲线即为 ROC 曲线；计算该曲线的曲线下面积（area under curve，AUC），该面积越大（最大为 1），表示该特征值的分类性能越好。

本文测试了所有特征值分别在区分可电击节律与不可电击节律，VF 与 VT，SR 与 ASYS 三种情况下的 ROC 曲线，并计算其 AUC，所得结果如 图 3 、 图 4 、 图 5 以及 表 2 所示。

表 2

Area under ROC curve of each metrics in classification of different rhythms

每个特征值在区分不同心电类型时的 ROC 曲线下面积

特征值	可电击节律 vs. 不可电击节律	VF vs. VT	SR vs. ASYS
Count1	0.987	0.821	0.995
Count2	0.975	0.757	1.000
Count3	0.987	0.742	1.000
Kurtosis	0.992	0.989	0.676
ACF_VR	0.719	0.951	0.576
Leakage	0.994	0.764	0.633
AMSA	0.644	0.616	1.000
FSMN	0.903	0.731	0.728
A1	0.626	0.774	0.639
A2	0.982	0.553	0.886
A3	0.659	0.892	0.594
CovarBin	0.986	0.752	0.675
FreqBin	0.970	0.614	0.609
AreaBin	0.986	0.753	0.675
Complex	0.966	0.802	0.640
mean_TCI	0.936	0.764	0.976
std_TCI	0.709	0.852	0.693
F_TCI	0.948	0.728	0.945
TimeDelay	0.987	0.801	0.748
H2	0.941	0.983	0.540
H3	0.938	0.991	0.563

Open in a separate window

Open in a separate window

图 3

ROC curves of each metrics in classification of shockable and nonshockable rhythms

每个特征值在区分可电击节律与不可电击节律时的 ROC 曲线

Open in a separate window

图 4

ROC curves of each metrics in classification of VT and VF

每个特征值在区分 VT 与 VF 时的 ROC 曲线

Open in a separate window

图 5

ROC curves of each metrics in classification of SR and ASYS

每个特征值在区分 SR 与 ASYS 时的 ROC 曲线

从结果可知，应用 VF 频谱滤波泄露得到的特征值 Leakage 在区分可电击节律与不可电击节律时表现最好，AUC 为 0.994，应用时频域多分辨率熵得到的特征值 H3 在区分 VF 与 VT 时表现最好，AUC 为 0.991，应用辅助计数法得到的特征值 Count2，Count3 和应用幅度谱分析得到的特征值 AMSA 在区分 SR 与 ASYS 时表现最好，AUC 均为 1。

4.2. GA 优化 BP 神经网络测试

将 GA 优化 BP 神经网络算法运行 200 次，记录下每一次运行结束后生成的特征向量中每一个特征值被选择的次数，并按该次数对特征值进行排序，结果如 表 3 所示。

表 3

Number of times selected by the GA over 200 runs

GA 运行 200 次时各特征值被选择的次数

特征值	被选择的次数	排序
AMSA	200	1
Complex	141	2
ACF_VR	132	3
H2	130	4
std_TCI	124	5
Count2	119	6
FreqBin	118	7
A2	117	8
CovarBin	111	9
mean_TCI	110	10
FSMN	107	11
TimeDelay	104	12
Count3	100	13
A3	100	14
Kurtosis	100	15
AreaBin	94	16
H3	92	17
F_TCI	92	18
A1	90	19
Leakage	80	20
Count1	59	21

Open in a separate window

按照每一个特征值在 表 3 中的排序，依次增加 BP 神经网络输入特征值的数目，计算不同特征值数目时，BP 神经网络分别在训练集和测试集中辨识 SR 时的准确性 AC _sr、辨识 VF 时的准确性 AC _vf、辨识 VT 时的准确性 AC _vt、辨识 ASYS 时的准确性 AC _asys、总体辨识准确性 AC 、平衡准确性 AC ₀ ，得到的结果如 表 4 所示。本文将神经网络在测试集中得到的平衡准确性 AC ₀ 作为衡量网络性能的最终结果，并将平衡准确性 AC ₀ 随输入特征值数目增加时的变化显示如 图 6 所示。

表 4

Classification performances of BP neural network with different number of input metrics

不同输入特征值数目时的 BP 神经网络识别各类型心电信号的准确性

数目	AC _sr			AC _vf			AC _vt			AC _asys
	训练集	测试集		训练集	测试集		训练集	测试集		训练集	测试集		训练集	测试集		训练集	测试集
1	100.00%	100.00%		0.00%	0.00%		9.45%	9.45%		100.00%	100.00%		55.21%	55.14%		52.36%	52.04%
2	100.00%	100.00%		95.70%	96.77%		0.00%	0.00%		100.00%	100.00%		79.91%	80.18%		73.92%	74.02%
3	99.38%	99.69%		95.16%	96.24%		80.31%	78.74%		100.00%	97.22%		94.64%	94.63%		93.71%	92.94%
4	95.65%	95.96%		94.62%	96.24%		87.40%	83.46%		97.30%	100.00%		93.90%	93.89%		93.74%	93.87%
5	95.34%	95.96%		94.09%	95.70%		92.13%	92.13%		100.00%	100.00%		94.64%	95.38%		95.39%	95.92%
6	100.00%	100.00%		96.24%	97.31%		98.43%	98.43%		100.00%	100.00%		98.66%	98.96%		98.67%	98.93%
7	100.00%	100.00%		96.77%	97.31%		98.43%	98.43%		100.00%	100.00%		98.81%	98.96%		98.80%	98.93%
8	100.00%	100.00%		96.77%	97.31%		98.43%	97.64%		100.00%	100.00%		98.81%	98.81%		98.80%	98.73%
9	100.00%	100.00%		97.85%	97.85%		98.43%	98.43%		100.00%	100.00%		99.11%	99.11%		99.07%	99.06%
10	100.00%	100.00%		96.24%	97.85%		98.43%	98.43%		100.00%	100.00%		98.66%	99.11%		98.67%	99.06%
11	100.00%	100.00%		97.31%	97.85%		98.43%	98.43%		100.00%	100.00%		98.96%	99.11%		98.93%	99.06%
12	100.00%	100.00%		97.31%	97.31%		98.43%	97.64%		100.00%	97.22%		98.96%	98.66%		98.93%	98.05%
13	100.00%	100.00%		96.24%	96.77%		98.43%	98.43%		100.00%	97.22%		98.66%	98.66%		98.67%	98.11%
14	100.00%	100.00%		97.31%	97.31%		98.43%	97.64%		100.00%	100.00%		98.96%	98.81%		98.93%	98.73%
15	100.00%	100.00%		97.85%	98.39%		98.43%	96.06%		100.00%	100.00%		99.11%	98.81%		99.07%	98.60%
16	100.00%	100.00%		98.39%	98.39%		97.64%	96.06%		100.00%	100.00%		99.11%	98.81%		99.01%	98.60%
17	100.00%	100.00%		97.31%	97.85%		98.43%	97.64%		100.00%	97.22%		98.96%	98.81%		98.93%	98.18%
18	100.00%	100.00%		97.31%	96.77%		96.85%	95.28%		100.00%	100.00%		98.66%	98.21%		98.54%	98.00%
19	100.00%	100.00%		97.85%	97.85%		98.43%	98.43%		100.00%	97.22%		99.11%	98.96%		99.07%	98.38%
20	100.00%	100.00%		98.39%	97.85%		98.43%	98.43%		100.00%	97.22%		99.26%	98.96%		99.20%	98.38%
21	100.00%	100.00%		99.46%	97.31%		98.43%	97.64%		100.00%	97.22%		99.55%	98.66%		99.47%	98.05%

Open in a separate window

Open in a separate window

图 6

Change of the balanced accuracies with the increase of the number of input metrics

平衡准确性随输入特征值数目增加时的变化

从实验结果可以看出，神经网络的性能特征值数目为 9 时最佳，且在训练集和测试集中得到的结果几乎完全一样；当特征值数目继续增加时，网络的性能反而出现下降，虽然在特征值数目为 21 时训练集中的平衡准确性达到最大值（99.47%），但其测试集中的平衡准确性只有 98.05%，说明神经网络此时存在过拟合现象。

4.3. 辨识性能比较分析

为了将本文设计的神经网络的表现与现有的算法进行比较，本文选择 Leakage、H3、Count2 三个特征值分别进行可电击节律与不可电击节律、VF 与 VT、SR 与 ASYS 的区分，由之前的测试结果可知，这三个特征值分别在相应的分类中表现最优。

利用以上三个特征值进行心电信号 4 分类的方法如 图 7 所示；为了确定特征值的最优分类阈值，本文利用如 表 1 所示的训练集，得到每一次二分类中阈值连续变化时两种心电信号类型的识别准确性，得到的结果如 图 8 所示；并选择这两种识别准确性相同时的阈值作为最优化阈值，分别求得特征值 Leakage 区分可电击节律与不可电击节律时的最优化阈值 T _Leakage 、特征值 H3 区分 VF 与 VT 时的最优化阈值 T _H3 以及特征值 Count2 区分 SR 与 ASYS 时的最优化阈值 T _Count2 ：T _Leakage =0.736 5，T _H3 =0.478×10 ^–4 ，T _Count2 =717.07

Open in a separate window

图 7

Flowchart of the malignant arrhythmia classifier based on three metrics

三特征值进行致死性失常心律分类流程图

Open in a separate window

图 8

Optimization process of the threshold value of Leakage，H3 and Count2

分别优化 Leakage、H3、Count2 三个特征值的分类阈值

确定各分类阈值后，本文同样计算该方法在如 表 1 所示的测试集中辨识 SR 时的准确性 AC _sr、辨识 VF 时的准确性 AC _vf、辨识 VT 时的准确性 AC _vt、辨识 ASYS 时的准确性 AC _asys、总体辨识准确性 AC 、平衡准确性 AC ₀ ，与当特征值数目为 9 时的 BP 神经网络的性能进行比较，所得结果如 表 5 所示；从表中可见，BP 神经网络在辨识每一类心电信号时的准确性，均优于三特征值分类法，由于这三个特征值是从对现存方法的回顾性分析中选择出表现最好的三个单一特征值，因此可以说，本文所构建、优化得到的多参数融合 BP 神经网络，相较现存的传统特征值阈值分类法表现更优。

表 5

Classification performances comparison of optimized BP neural network and three-metrics classifier

三特征值分类法和优化后的 BP 神经网络在心电信号 4 分类时的表现比较

方法	AC _sr			AC _vf			AC _vt			AC _asys
	训练集	测试集		训练集	测试集		训练集	测试集		训练集	测试集		训练集	测试集		训练集	测试集
三特征值分类	97.83%	96.89%		91.94%	92.47%		96.85%	96.85%		91.89%	86.11%		95.68%	95.08%		94.63%	93.08%
BP神经网络	100.00%	100.00%		97.85%	97.85%		98.43%	98.43%		100.00%	100.00%		99.11%	99.11%		99.07%	99.06%

Open in a separate window

5. 结论

随着 AEDs 越来越广泛的应用推广，致死性失常心律自动辨识分类算法的准确性和可靠性也得到了越来越多的重视。从二十世纪七十年代开始，就有很多专家进行相关算法的研究；早期的算法大多试图构造一个或一组特征值，通过统计学方法选择阈值，进行不同心电信号的分类；随着机器学习算法的发展，一些研究者开始利用数据库训练神经网络或支持向量机，完成心电节律辨识，这些机器学习研究虽然迅速取得了相较传统特征值分类方法更高的准确性，但往往功能比较单一，仅仅进行可电击节律与不可电击节律的区分 ^{[ 18 - 20 ]} ，不能满足心脏骤停心肺复苏的实际需求；本文对公开发表的 10 种引用较多、表现较好的算法中设计的 21 个特征值进行了回顾性研究，基于一个由 1 343 例样本所构成的心电数据库，分别检验了这些特征值在进行心电信号分类时的 ROC 曲线表现；基于这些特征值，本文构建了一个单隐层 BP 神经网络，并利用 GA 对其进行优化和特征值筛选；最终得到一个 SR、VF、VT、ASYS 的 4 分类辨识算法。实验证明，本文构建的神经网络在的心电节律辨识上有很好的表现，相较传统的的特征值阈值分类算法，取得了更高的识别准确性。本算法的提出，不仅进一步提高了除颤前心电分析的可靠性，而且有利于提高心肺复苏的自动化程度，最终提高心脏骤停的存活率。

Funding Statement

国家自然科学基金资助项目（81501551）

References

1. Mozaffarian D, Benjamin E J, Go A S, et al Heart disease and stroke statistics-2016 update a report from the American heart association. Circulation. 2016; 133 (4):e38–e360. [ PubMed ] [ Google Scholar ]

2. Link M S, Berkow L C, Kudenchuk P J, et al Part 7: adult advanced cardiovascular Life support. Circulation. 2015; 132 (18 suppl 2):444–464. [ PubMed ] [ Google Scholar ]

3. Jekova I, Krasteva V Real time detection of ventricular fibrillation and tachycardia. Physiol Meas. 2004; 25 (5):1167–1178. [ PubMed ] [ Google Scholar ]

4. Clayton R H, Murray A, Campbell R W Recognition of ventricular fibrillation using neural networks. Med Biol Eng Comput. 1994; 32 (2):217–220. [ PubMed ] [ Google Scholar ]

5. Chen S, Thakor N V, Mower M M Ventricular fibrillation detection by a regression test on the autocorrelation function. Med Biol Eng Comput. 1987; 25 (3):241–249. [ PubMed ] [ Google Scholar ]

6. Amann A, Tratnig R, Unterkofler K Reliability of old and new ventricular fibrillation detection algorithms for automated external defibrillators. Biomed Eng Online. 2005; 4 (1):60. [ PMC free article ] [ PubMed ] [ Google Scholar ]

7. Clayton R H, Murray A, Campbell R W Comparison of four techniques for recognition of ventricular fibrillation from the surface ECG. Med Biol Eng Comput. 1993; 31 (2):111–117. [ PubMed ] [ Google Scholar ]

8. Jekova I Comparison of five algorithms for the detection of ventricular fibrillation from the surface ECG. Physiol Meas. 2000; 21 (4):429–439. [ PubMed ] [ Google Scholar ]

9. Goldberger A L, Amaral L A, Glass L, et al PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation. 2000; 101 (23):E215–E220. [ PubMed ] [ Google Scholar ]

10. Li Q, Mark R G, Clifford G D Robust heart rate estimation from multiple asynchronous noisy sources using signal quality indices and a Kalman filter. Physiol Meas. 2008; 29 (1):15–32. [ PMC free article ] [ PubMed ] [ Google Scholar ]

11. Kuo S, Dillman R Computer detection of ventricular fibrillation. Comput Cardiol. 1978:347–349. [ Google Scholar ]

12. Barro S, Ruiz R, Cabello D, et al Algorithmic sequential decision-making in the frequency domain for Life threatening ventricular arrhythmias and imitative artefacts: a diagnostic system. J Biomed Eng. 1989; 11 (4):320–328. [ PubMed ] [ Google Scholar ]

13. Jekova I Shock advisory tool: Detection of life-threatening cardiac arrhythmias and shock success prediction by means of a common parameter set. Biomed Signal Process Control. 2007; 2 (1):25–33. [ Google Scholar ]

14. Zhang X S, Zhu Y S, Thakor N V, et al Detecting ventricular tachycardia and fibrillation by complexity measure. IEEE Trans Biomed Eng. 1999; 46 (5):548–555. [ PubMed ] [ Google Scholar ]

15. Thakor N V, Zhu Y S, Pan K Y Ventricular tachycardia and fibrillation detection by a sequential hypothesis testing algorithm. IEEE Trans Biomed Eng. 1990; 37 (9):837–843. [ PubMed ] [ Google Scholar ]

16. Amann A, Tratnig R, Unterkofler K Detecting ventricular fibrillation by time-delay methods. IEEE Trans Biomed Eng. 2007; 54 (1):174–177. [ PubMed ] [ Google Scholar ]

17. Torres M E, Gamero L G, D’attellis C E. Detection of changes in nonlinear dynamical systems using multiresolution entropy. INRIA, 1996.

18. Li Qiao, Rajagopalan C, Clifford G D Ventricular fibrillation and tachycardia classification using a machine learning approach. IEEE Trans Biomed Eng. 2014; 61 (6):1607–1613. [ PubMed ] [ Google Scholar ]

19. Alonso-Atienza F, Morgado E, Fernández-Martínez L, et al Detection of life-threatening arrhythmias using feature selection and support vector machines. IEEE Trans Biomed Eng. 2014; 61 (3):832–840. [ PubMed ] [ Google Scholar ]

20. Figuera C, Irusta U, Morgado E, et al Machine learning techniques for the detection of shockable rhythms in automated external defibrillators. PLoS One. 2016; 11 (7):e0159654. [ PMC free article ] [ PubMed ] [ Google Scholar ]

---

Articles from Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering are provided here courtesy of West China Hospital of Sichuan University

---