一种用于心拍分类的可解释机器学习方法

主要观点总结

本文旨在使用Tsetlin Machine（TM）对数据集进行分类，并对分类结果作出解释。通过对中国生理信号挑战赛2020数据集的心拍图片进行分类，实验结果显示TM的平均识别准确率达到了84.3%，并且能够通过位模式解释图展示分类判别的依据。讨论部分对TM的分类结果进行了生理信号的解读和验证，证明TM的分类结果具有理论支持，并通过实例说明了其临床应用价值。

关键观点总结

关键观点1: 使用Tsetlin Machine对数据集进行分类

采用TM对CPSC 2020数据库中的心拍图片进行三分类，包括正常心拍、室性早搏心拍和室上性早搏心拍。

关键观点2: TM分类结果及解释性分析

实验结果显示，TM的平均识别准确率为84.3%。通过位模式解释图，可以展示分类判别的依据，使得分类结果得到解释。

关键观点3: 与生理信号的解读和验证

讨论部分将TM的分类结果与生理信号知识进行解读和验证，证明TM的分类结果具有理论支持，并通过实例说明了其临床应用价值。