基于Wrapper特征选择Bagging学习处理心电图的系统及方法技术方案

本发明专利技术公开了一种基于Wrapper特征选择Bagging学习处理心电图的系统及方法，所述系统，包含有扫描模块和数据分析处理模块，两模块之间通过网络进行连接，所述方法步骤如下：步骤1：通过基于Sobel_MCO筛选机制的k‑means算法提取纸质心电曲线波形，并将其数字化；步骤2：将步骤1获取的数字化数据通过本发明专利技术中的S‑C4.5‑SMOTE采样方法压缩和平衡原始数据的大小，以获得平衡和压缩后的数据，并且使得心电数据不失真；步骤3：将步骤2处理后的数据通过Wrapper特征选择方法减少数据的冗余特征，其中C4.5分类器作为Wrapper方法停止准则；步骤4：将上述步骤得到的数据集应用于Bagging‑C4.5分类器进行模型预测，得到准确的心电数据，并将其应用于心电图医疗数据分析中，以达到准确分析心电数据的目的。

【技术实现步骤摘要】
基于Wrapper特征选择Bagging学习处理心电图的系统及方法
本专利技术涉及计算机医疗应用领域，具体涉及一种基于Wrapper特征选择Bagging学习处理心电图的系统及方法。
技术介绍
智慧医疗旨在通过打造健康档案区域医疗信息平台，利用最先进的物联网技术，实现患者与医务人员、医疗机构、医疗设备之间的互动，逐步达到信息化。近年来，由人工智能、医用机器人和数字化辅助医疗技术等相结合的智能医疗技术，正引领新一轮的医疗变革。智能医疗技术开始贯穿于诊断、手术、护理和康复等医疗的各个环节。在临床诊断过程中，医院一直依赖心电图作为监测病人心脏电活动的仪器。由于纸张易破碎且热敏纸字迹不稳定、易消退，多数纸质心电图都遭到了不同程度的破坏。尽管外许多研究者提出了较多针对心电波形曲线的提取和医疗诊断预测技术，但由于纸质心电图提取的易破碎且热敏纸字迹不稳定、易消退，以及提取后的心电数据多是偏性，对后续机器学习的模型建立与训练上有很大的影响，现有纸质心电图提取和诊断预测模型包含如下几方面缺点：(1)心电曲线的提取问题临床采集的心电图表现为心电曲线和背景网格交错在一起，且纸面上会有不同程度的污损、字迹等本文档来自技高网...

【技术保护点】
一种基于Wrapper特征选择Bagging学习处理心电图的系统，其特征在于，包含有扫描模块和数据分析处理模块，所述扫描模块与所述数据分析处理模块之间通过网络进行连接，所述扫描模块，用于将心电图纸的内容扫描成心电图像；所述数据分析处理模块包含有：波形矫正提取模块、数据平衡压缩模块、Wrapper特征选择模块、Bagging C4.5集成模块，所述波形矫正提取模块，用于检测矫正心电波形并将心电波形曲线和背景分离发展；所述数据平衡压缩模块，用于对心电数据进行平滑处理和压缩处理；所述Wrapper特征选择模块，用于剔除心电数据中的冗余特征；所述Bagging C4.5集成模块，用于对心电数据进行分析...

【技术特征摘要】
1.一种基于Wrapper特征选择Bagging学习处理心电图的系统，其特征在于，包含有扫描模块和数据分析处理模块，所述扫描模块与所述数据分析处理模块之间通过网络进行连接，所述扫描模块，用于将心电图纸的内容扫描成心电图像；所述数据分析处理模块包含有：波形矫正提取模块、数据平衡压缩模块、Wrapper特征选择模块、BaggingC4.5集成模块，所述波形矫正提取模块，用于检测矫正心电波形并将心电波形曲线和背景分离发展；所述数据平衡压缩模块，用于对心电数据进行平滑处理和压缩处理；所述Wrapper特征选择模块，用于剔除心电数据中的冗余特征；所述BaggingC4.5集成模块，用于对心电数据进行分析预测，各模块间通过数据总线进行通信连接。2.一种基于Wrapper特征选择Bagging学习处理心电图的方法，其特征在于，通过Sobel_MCO筛选机制的k-means方法将纸质心电图提取出数字化数据集，对于得到的心电数据，通过基于Wrapper特征选择的新型BaggingC4.5算法进行医疗数据分析预测，将分析预测的结果反馈给用户，具体包括如下步骤：步骤1:纸质心电图数字化；步骤2:将步骤1采集的数字化心电数据，通过S-C4.5-SMOTE数据平衡方法进行平滑处理，从而降低数据的大小和不平衡性；步骤3：将经过S-C4.5-SMOTE处理后的数据进行Wrapper特征选择，剔除数据的冗余特征(其中算法评价器C4.5)，通过这一步骤可以剔除对医疗数据分析有害的特征；步骤4：对上述步骤获取的医疗数据进行Bagging-C4.5方法分析预测，并将分析预测的结果通过设备反馈给医疗机构和用户。3.根据权利要求2所述的基于Wrapper...

【专利技术属性】
技术研发人员：李昕洁，许召召，陈同林，李京华，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53