1.3 Một số phương pháp tự động nhận dạng QRS và trích
1.3.3 Phân tích thành phần chính
Kỹ thuật phân tích thành phần chính (PCA) biến đổi tuyến tính dữ liệu sang một hệ tọa độ mới và chủ yếu được sử dụng để nhận dạng mẫu và giảm kích
thước, trong khi vẫn bảo tồn thơng tin quan trọng của dữ liệu. PCA chia nhỏ dữ liệu thành các thành phần trực giao độc lập với nhau. Tất cả các thành phần được phân tách bằng phương sai lớn nhất sao cho mỗi thành phần được trích xuất nằm trên tọa độ riêng của nó [90]. Phân tích PCA được xem là một trong số các công cụ được sử dụng để nhận dạng mẫu, hình thái ST-T và phát hiện phức bộ QRS [16, 86]. Fatemian và cộng sự đã sử dụng PCA để trích xuất đặc trưng của tín hiệu ECG [23]. Một hệ thống tiền xử lý đã được triển khai để loại bỏ nhiễu và các yếu tố ngoại lai. Phép phân tích PCA được sử dụng để giảm kích thước dữ liệu góp phần đẩy nhanh đáng kể q trình phân loại. Báo cáo [50] đã trình bày một cách tiếp cận khác sử dụng PCA với sự hỗ trợ của mơ hình hỗn hợp Gaussian như một bộ phân loại. Quá trình tiền xử lý và xác định vị trí đỉnh R đã thành cơng khi sử dụng thuật tốn PT mở rộng. Q trình phân đoạn đặc tính được thực hiện bằng cách đưa dữ liệu qua bộ ước lượng mơ hình dự đốn tuyến tính. Các thành phần trực giao và độc lập được xác định và được coi là các đặc trưng quan tâm. Các đặc trưng sau đó được chuyển qua mơ hình hỗn hợp Gaussian để phân loại. Hiệu suất tiên lượng được đánh giá theo thuật ngữ độ chính xác và xác suất của lỗi phân loại với kết quả chính xác là 94,29%.