発作性心房細動の予測：HRV信号の専門分類の組み合わせと混合物を使用した機械学習ベースのアプローチ

背景と目的：発作性心房細動（PAF）は、最も一般的な主要な心不整脈の1つです。タイムリーに扱われない限り、PAFは恒久的な心房細動に変身する可能性があり、罹患率と死亡率が高くなります。したがって、早期発見を可能にし、疾患のさらなる進行を防ぐために、PAFの予測に注意が向上しています。薬理学的および電気的治療にもかかわらず、PAFの開始を予測する検証された方法はまだ開発されていません。古典的および最新の方法を統合することにより、この問題に対処することを目指しています。 方法：予測性を高めるために、心拍数の変動性で実行される線形、時間周波数、および非線形分析から抽出された特徴の組み合わせを使用しました。次に、機能空間の次元を減らすために、以前の作品で開発された綿密な方法論を使用して、ローカルフィーチャの選択に新しいアプローチを適用します。その後、専門家の分類の混合が採用され、異なるプロセスの出力に関する正確な意思決定を確保します。現在の研究では、心房細動予測データベース（AFPDB）と呼ばれる標準データベースから得られた53ペアのECG記録から106の信号を分析しました。データの各ペアには、PAFイベントの開始の直前に終了する30分のECGセグメントと、発症から少なくとも45分ほど離れた30分のECGセグメントが含まれています。 結果：古典的な分析と最新の分析の両方を使用して抽出される機能を組み合わせることで、どちらの分析でも独立して使用するのと比較して、PAFの開始を予測するのに非常に効果的であることがわかりました。また、専門家の分類の混合は、他の有名な分類器よりも正確なクラス差別をもたらしました。提案された方法のパフォーマンスは、心房細動予測データベース（AFPDB）を使用して評価され、それぞれ100％、95.55％、および98.21％の感度、特異性、および精度をもたらしました。 結論：PAFの予測は、臨床的および理論的に重要な問題です。専門家の混合物を適用するとともに、線形、時間周波数、および非線形の特徴に制限されているのではなく、最適化された組み合わせを利用することで、PAFの早期検出に大きく貢献することを実証しました。

BACKGROUND AND OBJECTIVE: Paroxysmal Atrial Fibrillation (PAF) is one of the most common major cardiac arrhythmia. Unless treated timely, PAF might transform into permanent Atrial Fibrillation leading to a high rate of morbidity and mortality. Therefore, increasing attention has been directed towards prediction of PAF, to enable early detection and prevent further progression of the disease. Notwithstanding the pharmacological and electrical treatments, a validated method to predict the onset of PAF is yet to be developed. We aim to address this issue through integrating classical and modern methods. METHODS: To increase the predictivity, we have made use of a combination of features extracted through linear, time-frequency, and nonlinear analyses performed on heart rate variability. We then apply a novel approach to local feature selection using meticulous methodologies, developed in our previous works, to reduce the dimensionality of the feature space. Subsequently, the Mixture of Experts classification is employed to ensure a precise decision-making on the output of different processes. In the current study, we analyzed 106 signals from 53 pairs of ECG recordings obtained from the standard database called Atrial Fibrillation Prediction Database (AFPDB). Each pair of data contains one 30-min ECG segment that ends just before the onset of PAF event and another 30-min ECG segment at least 45 min distant from the onset. RESULTS: Combining the features that are extracted using both classical and modern analyses was found to be significantly more effective in predicting the onset of PAF, compared to using either analyses independently. Also, the Mixture of Experts classification yielded more precise class discrimination than other well-known classifiers. The performance of the proposed method was evaluated using the Atrial Fibrillation Prediction Database (AFPDB) which led to sensitivity, specificity, and accuracy of 100%, 95.55%, and 98.21% respectively. CONCLUSION: Prediction of PAF has been a matter of clinical and theoretical importance. We demonstrated that utilising an optimized combination of - as opposed to being restricted to - linear, time-frequency, and nonlinear features, along with applying the Mixture of Experts, contribute greatly to an early detection of PAF, thus, the proposed method is shown to be superior to those mentioned in similar studies in the literature.