L’analisi automatizzata dell’ECG e la sua classificazione sono, al giorno d’oggi, fondamentali strumenti per monitorare l’attività cardiaca dei pazienti.
Le caratteristiche più importanti utilizzate in letteratura sono una finestra temporale del segnale grezzo, le sue caratteristiche nel tempo e le informazioni nel dominio della frequenza estratte tramite le eigenvector techniques.

Tale studio compara questi approcci da un punto di vista topologico, utilizzando tecniche di proiezione lineari e non lineari e una neural network per valutare la qualità della classificazione.

La non linearità delle delle feature dei dati apporta la maggior parte delle informazioni riguardanti il complesso QRS. Per questo è in grado di produrre alte performance di classificazione con un minor numero di features.
Questo risulta più evidente se si utilizzano features nel dominio del tempo. Le tecniche di riduzione della dimensionalità non lineari permettono di avere una grande compressione dei dati a discapito di una lieve perdita di accuratezza.

Questo può essere un vantaggio in applicazioni dove il tempo computazionale è un fattore critico di cui tener conto. Invece, se il processo di classificazione è svolto offline, allora l’utilizzo dei dati grezzi risulta il miglior approccio.