Recognition of medical pattern using Support Vector Machines

Publikacja przedstawia wykorzystanie wieloklasowych klasyfikatorów SVM z gaussowskimi odzworowaniami jądrowymi w rozpoznawaniu sygnałów medycznych, takich jak ECG czy EEG.Część teoretyczna opisuje różne formy binarnych maszyn SVM (liniowych, nieliniowych, z elastycznym marginesem), popularne sposoby budowania wieloklasowych klasyfikatorów na podstawie binarnych oraz kilka metod wstępnego przetwarzania sygnału.Celem części empirycznej jest analiza precyzyjności klasyfikatorów SVM w rozpoznawaniu schorzeń serca na podstawie 12?kanałowego sygnału ECG. Porównano dokładność predykcji w zależności od wykorzystanej metody preprocessingu, dowodząc istotności tego etapu klasyfikacji.W kolejnej fazie doświadczeń udoskonalono wybraną metodę wstępnego przetwarzania danych (opartą o uśredniony kształt oraz wartości odchyleń przebiegu sygnału ECG, pomiędzy kolejnymi zespołami QRS) uzyskując klasyfikator poprawnie rozpoznający 83% sygnałów.W ostatniej części badań wykorzystano metodę optymalizacyjną Particle Swarm Optimization celem redukcji wymiarowości przestrzeni cech oraz dalszej optymalizacji działania klasyfikatora. W wyniku przeprowadzonych badań otrzymano klasyfikator poprawnie rozpoznający 86% przykładów testowych