摘要
本研究介绍了一种利用Minkowski距离度量的有效方法，通过检查心电图(ECG)信号来识别心律失常。当前的机器学习分类器，如朴素贝叶斯(NB)、决策树(DT)、支持向量机(SVM)、K近邻(KNN)和随机森林(RF)，在处理高维特征和捕捉信号内复杂关系方面经常面临挑战，而这些关系对于准确的心律失常检测至关重要。所提出的方法采用Minkowski度量作为分类器来测量ECG信号之间的距离，利用其敏感性来捕捉数据内的关系和匹配模式。这种方法能够准确确定ECG信号的状态，促进精确的心律失常检测。粒子群优化(PSO)被用于选择和优化特征，提高了所提出分类器检测ECG信号中细微模式的能力。该研究使用广泛认可的MIT-BIH心律失常数据集进行评估。采用准确率、精确度、召回率和F1分数等性能指标来评估所提出模型的有效性。实验结果表明，所提出的方法优于传统的分类器如NB、SVM、KNN、RF和DT，分别在不使用和使用PSO的情况下达到91.25%和93.75%的准确率。这些发现突显了基于Minkowski的技术在改善心律失常检测和解决传统机器学习方法局限性方面的潜力。凭借支持早期心律失常诊断的能力，所提出的方法为医疗从业者提供了一个有价值且高效的解决方案，有助于改善临床结果。
引言
心血管疾病是全球死亡的主要原因之一(Gaikwad等，2022)。心电图(ECG)是一种用于心脏病诊断的非侵入性医疗技术；它提供了有关患者心脏健康状况的信息(Jha和Kolekar，2020)。12导联心电图接收电极收集的电信号，记录一段时间内从多个视角观察的心脏电功能(Al-Shammary等，2024a)。医疗心电信号用于诊断心血管疾病，并将情况分类为健康或不健康(Kailan等，2025a)。最近应用的机器学习(ML)也能够研究和分析心血管疾病中的重要参数，因为分析提高了准确性并减少了人为错误(Al-Shammary等，2024b；Ayano等，2023；Baawi等，2025a；Bhardwaj等，2023)。本研究讨论了使用基于Minkowski测量技术的新型心电信号分割方法来检测心律失常的问题。
心电信号表现出描述心脏电活动的非线性动力学特性，本质上是非平稳和准周期性的。由于这些复杂特性，现有的机器学习分类器如NB、DT、SVM、KNN和RF通常难以捕捉心电信号内复杂的时序依赖性和形态变化，这限制了它们在精确心律失常分类中的有效性。本研究使用基于Minkowski测量方法的新型心电信号分割方法来解决检测心律失常的问题。本研究提出了基于Minkowski距离度量的高效心电心律失常分类方法。这项工作的贡献主要体现在两个方面：(i)整合基于块的波形分析策略，研究信号粒度如何影响分类性能，以及(ii)引入包装器PSO优化阶段，通过直接优化基于距离的目标来自适应选择最具信息量的特征。本研究提出了两个用于心电心律失常分类的模型。第一个模型采用Minkowski分类器，准确率达到91.25%，而第二个模型将基于PSO的特征选择与Minkowski分类器集成以增强检测能力，准确率高达93.75%。图1展示了该系统在医疗机构中的集成，显示了心电信号如何从医院设备收集并传输到Minkowski服务器进行自动分析。服务器处理数据，使用所提出的模型进行分割和分类，并生成诊断报告。然后将这些报告发送给医生和急救单位进行快速评估。该框架通过展示自动心律失常检测如何集成到医院工作流程中以支持连续心脏监测并改善患者预后，突显了所提出系统的临床可行性。
在医疗实践的各种属性中，健康分类数据，特别是心电图，在检测和诊断心血管疾病方面具有重要意义(Ibaida等，2023)。心电图中使用的心脏捕获电信号包含大量用于检测和诊断异常心律的信息。心电信号中的脉冲检测变得难以精确和高效地执行。由于信号本身的非确定性性质、添加的噪声干扰和繁重的计算使用，任何自动心律失常检测都会遇到困难。有机会看到一种有效且准确的自动心律失常检测安排，这将改变心律失常诊断领域。改善心律失常的早期检测和诊断将通过减轻专业人员的负担对医疗保健系统产生重大影响。该研究侧重于构建更一致的心电数据分类的高效模型。这项研究在实现这一目标和提高医疗质量方面将非常重要。
本文提出了一种基于Minkowski数学测量的新型诊断方法，用于从心电信号中对心脏疾病进行分类。此过程大大提高了准确性，从而影响系统性能。所提出的方法能够检测和分类心电信号中的心血管疾病心律失常。本研究提出了两个从心电图中对心律失常进行分类的模型。第一个模型使用Minkowski距离进行分类，准确率高达91.25%。PSO优化技术与Minkowski分类器结合开发了第二个模型。所提出的Minkowski与PSO模型比第一个模型达到了更好的准确率，高达93.75%。图2展示了所提出模型的主要组件：(a)无特征选择和(b)使用PSO优化器进行特征选择。
对于评估，使用了包含五个不同类别的MIT-BIH数据集，特别关注描述心律失常的类别。评估和比较过程基于不同的数据块大小，如5%、10%、15%、20%、30%、35%、40%、45%和50%。此外，ECG信号的所有特征情况都经过波长分割。应用了所提出的模型和几种机器学习分类器，如NB、DT、SVM、KNN和RF。使用包括准确率、精确度、召回率和F1分数在内的各种指标评估每种方法的性能。本研究的结果表明，所提出的用于心电分类的模型潜力优于其他机器学习算法，同时也具有更高的计算效率。
论文其余部分分为五个部分。第2节描述相关工作。第3节从数学上说明Minkowski距离。然后，第4节描述了所提出模型的主要组件。在第5节中，计算系统结果并与不同的心电分类技术进行比较。研究在第6节中得出结论，提供了总结和对发现的详细讨论。
相关工作
心血管心律失常是最常见的疾病之一。心电图对于早期识别多种心脏状况至关重要。除了传统诊断外，基于心电信号的机器学习方法已被用于分类心脏疾病。许多研究专注于ECG信号中检测心脏心律失常。
为了创建心电信号分类的新系统，Hongqiang Li等人(Li等，2022)结合了时域和频域特征数据。
Minkowski距离
Minkowski距离是一种广泛用于聚类、分类和异常检测等机器学习任务的相似性通用度量(Izumiya等，2015；Vera等，2007)。它通过计算特征向量之间的距离，为量化ECG信号段之间的相似性提供了一种灵活的度量。在本研究中，Minkowski度量构成了所提出的心电分类方法的核心。选择的阶数为2，它对大小和小变化均提供平衡的敏感性。
提出的方法
本节展示了整个模型设计，包括Minkowski测量和ECG数据集。所提出的模型基于Minkowski测量计算向量之间的距离，以对ECG数据进行分类并检测心脏心律失常。
实验与结果
本节解释并评估了两个建议系统的实验和结果，一个具有PSO优化器，一个没有PSO优化器。使用了各种心电信号和测试大小。在相同条件下，使用相同数据集应用了许多常见的机器学习算法进行分类任务。在实践中，对于实验和评估，计算了准确率、召回率、F1分数和精确度。最后，制作了一些示例图表进行结果展示。
结论
本研究介绍了一种高效的心电信号分类方法，结合了基于块的Minkowski距离度量和基于PSO的特征选择。MIT-BIH心律失常数据集作为性能评估的基准，所提出的模型与传统机器学习技术一起进行测试。性能是使用准确率、精确度、召回率和F1分数等标准指标进行评估的。该模型达到了93.75%的最大准确率，优于标准心电分类方法。
【全文结束】