The occurrence of life-threatening ventricular arrhythmias (VAs) such as Ventricular tachycardia (VT) and Ventricular fibrillation (VF) leads to sudden cardiac death which requires detection at an early stage. The main aim of this work is to develop an automated system using machine learning tool for accurate prediction of VAs that may reduce the mortality rate. In this paper, a novel method using variational mode decomposition (VMD) based features and C4.5 classifier for detection of ventricular arrhythmias is presented. The VMD model was used to decompose the electrocardiography (ECG) signals to extract useful informative features. The method was tested for ECG signals obtained from PhysioNet database. Two standard databases i.e. CUDB (Creighton University Ventricular Tachyarrhythmia Database) and VFDB (MIT-BIH Malignant Ventricular Ectopy Database) were considered for this work. A set of time–frequency features were extracted and ranked by the gain ratio attribute evaluation method. The ranked features are subjected to support vector machine (SVM) and C4.5 classifier for classification of normal, VT and VF classes. The best detection was obtained with sensitivity of 97.97%, specificity of 99.15%, and accuracy of 99.18% for C4.5 classifier with a 5 s data analysis window. These results were better than SVM classifier result having an average accuracy of 86.87%. Hence, the proposed method demonstrates the efficiency in detecting the life-threatening VAs and can serve as an assistive tool to clinicians in the diagnosis process.

中文翻译：

---

使用基于 VMD 的特征识别室性心律失常的机器学习方法

室性心动过速 (VT) 和室颤 (VF) 等危及生命的室性心律失常 (VA) 的发生会导致心源性猝死，需要及早发现。这项工作的主要目的是开发一个使用机器学习工具的自动化系统，以准确预测可能降低死亡率的 VA。在本文中，提出了一种使用基于变分模式分解 (VMD) 的特征和 C4.5 分类器来检测室性心律失常的新方法。VMD 模型用于分解心电图 (ECG) 信号以提取有用的信息特征。该方法针对从 PhysioNet 数据库获得的 ECG 信号进行了测试。两个标准数据库即 CUDB（克赖顿大学室性心动过速数据库）和 VFDB（MIT-BIH 恶性室性心律失常数据库）被考虑用于这项工作。通过增益比属性评估方法提取并排序一组时频特征。排序后的特征经过支持向量机 (SVM) 和 C4.5 分类器，用于对正常、VT 和 VF 类进行分类。C4.5分类器的最佳检测灵敏度为97.97%，特异性为99.15%，准确率为99.18%，数据分析窗口为5s。这些结果优于 SVM 分类器结果，平均准确率为 86.87%。因此，所提出的方法证明了检测危及生命的 VA 的效率，并且可以作为临床医生在诊断过程中的辅助工具。通过增益比属性评估方法提取并排序一组时频特征。排序后的特征经过支持向量机 (SVM) 和 C4.5 分类器，用于对正常、VT 和 VF 类进行分类。C4.5分类器的最佳检测灵敏度为97.97%，特异性为99.15%，准确率为99.18%，数据分析窗口为5s。这些结果优于 SVM 分类器结果，平均准确率为 86.87%。因此，所提出的方法证明了检测危及生命的 VA 的效率，并且可以作为临床医生在诊断过程中的辅助工具。通过增益比属性评估方法提取并排序一组时频特征。排序后的特征经过支持向量机 (SVM) 和 C4.5 分类器，用于对正常、VT 和 VF 类进行分类。C4.5分类器的最佳检测灵敏度为97.97%，特异性为99.15%，准确率为99.18%，数据分析窗口为5s。这些结果优于 SVM 分类器结果，平均准确率为 86.87%。因此，所提出的方法证明了检测危及生命的 VA 的效率，并且可以作为临床医生在诊断过程中的辅助工具。5 分类器，用于对正常、VT 和 VF 类进行分类。C4.5分类器的最佳检测灵敏度为97.97%，特异性为99.15%，准确率为99.18%，数据分析窗口为5s。这些结果优于 SVM 分类器结果，平均准确率为 86.87%。因此，所提出的方法证明了检测危及生命的 VA 的效率，并且可以作为临床医生在诊断过程中的辅助工具。5 分类器，用于对正常、VT 和 VF 类进行分类。C4.5分类器的最佳检测灵敏度为97.97%，特异性为99.15%，准确率为99.18%，数据分析窗口为5s。这些结果优于 SVM 分类器结果，平均准确率为 86.87%。因此，所提出的方法证明了检测危及生命的 VA 的效率，并且可以作为临床医生在诊断过程中的辅助工具。