本研究提出熵三角法（Entropy Triangle Method, ETM），一种基于机器学习的新型心律预测框架。框架包括三步：特征工程、熵三角过采样以及疾病预测。特征工程从12导联心电图（ECG）原始信号中提取时域、频域及非线性特征；熵三角过采样利用熵三角不等式在特征空间构造合成样本，以缓解非窦律类别的样本不平衡；最后使用支持向量机（SVM）等分类器进行心律类别判别。实验使用包含10,646例患者、11种心律（5种窦律、6种非窦律）的公开ECG数据库。结果显示，基于熵三角的SVM分类器在非窦律预测上达到超过85%的准确率，且“shark scent”过采样技术在提升召回率方面表现最佳。该方法首次在医学与机器学习交叉领域实现对非窦律的高精度预测，为心律失常的早期干预提供了可行路径。
点评