一种基于小波代价敏感随机森林算法的房颤诊断方法技术

基于小波代价敏感随机森林算法的房颤诊断方法，该方法包括：对来自从医院收集的心电图(ECG)进行标记获得源数据矩阵，再采用小波变换对房颤信号进行分解与重构，得到去噪的房颤数据集；然后采用主成分析(PCA)对得到的房颤数据进行数据预处理；最后利用提出的代价敏感随机森林算法对处理好的数据进行训练与测试，并输出最终的诊断结果。该方法不仅能更好的提取到房颤信号的特征，还考虑到选择每个特征的代价敏感性，这使得整体的诊断精度能有显著提升。著提升。著提升。

【技术实现步骤摘要】
一种基于小波代价敏感随机森林算法的房颤诊断方法


[0001]本方法涉及房颤诊断
，具体设计一种基于小波代价敏感随机森林算法的房颤诊断方法。

技术介绍

[0002]心房颤动简称房颤，是临床医学最常见的一种心律失常疾病，它具有持续性，可能诱发心室率加快，干扰心室泵血功能；房颤发作时，心房细胞将产生高达次分的动作电位信号，若其中产生的电脉冲皆数传入心室，将迅速使得心室处于不应期。重度房颤很容易导致心脏无法收缩而死亡。目前，房颤诊断已成为医学诊断领域的热点之一。从国内外研究成果来看，房颤诊断的难点主要集中在信号预处理、特征提取和诊断速度与精度方面。
[0003]一、信号处理方面，从目前的研究来看，信号处理是一项重大难题，对信号处理的好坏会影响到整体的诊断结果，常用的方法有傅里叶变换和小波变换。
[0004]二、特征提取方面，一些学者将稀疏学习方法引入到心房活动信号(P波，QRST波或f波)提取中，取得了一定效果，但是这些提取方式较为复杂。
[0005]三、诊断速度和精度方面，普遍的诊断系统采用模型泛化能力弱，导致诊断精度很难达到预期的效果。

技术实现思路

[0006]本专利技术的目的是为了克服上述的技术缺点和不足，提供了一种基于小波代价敏感随机森林算法的房颤诊断方法。
[0007]本专利技术技术方案：
[0008]基于小波代价敏感随机森林算法的房颤诊断方法，该方法包括以下步骤：
[0009]第1步、获取源数据矩阵；
[0010]第2步、采用小波变换对房颤信号进行分解与重构，对信号进行多层分解，从而达到去噪的目的；
[0011]第3步、采用主成分分析(PCA)算法对房颤数据进行数据预处理，数据预处理即是对数据进行降维，得到的少数综合特征表示多数的综合特征，这使得模型的计算速度大大提升；
[0012]第4步、将第2步得到的房颤特征数据，输入到提出的代价敏感随机森林分类算法中进行训练与测试；
[0013]第5步、根据分类结果输出诊断结果。
[0014]第1步获取源数据矩阵，由于没有标准的房颤数据集，本专利技术实验数据来自从医院收集的心电图(electrocardiogram，简称ECG)，包括正常人和房颤患者。使用300HZ的采样频率收集心率，在一秒钟内可以获取300个采样点。经过仔细分析，从ECG样本中选择了1000张30s的图像。
[0015]第2步所述的对房颤信号进行分解与重构，为了对污染信号进行去噪处理以恢复
原始信号，本专利技术使用小波变换对房颤信号进行分解与重构，具体如下：
[0016]第2.1步、分解：选定层数为6的小波对信号进行小波分解；
[0017]第2.2步、阈值处理过程：分解后通过选取一个合适的阈值，用阈值函数对各层系数进行量化；
[0018]第2.3步、用处理后的系数重构信号。
[0019]第3步采用主成分分析(PCA)算法对房颤数据进行降维，其具体实现步骤如下：
[0020]第3.1步、将获得数据矩阵X进行归一化处理；
[0021]第3.2步、计算协方差矩阵的特征值和对应的特征向量r；
[0022]第3.3步、把协方差矩阵的特征向量对应的特征值进行升序排列，再将选取的前k个特征值所对应的特征向量，它们即为房颤数据降维所对应的关系，关于维数k的选择，有如下步骤：
[0023]第3.3.1步、计算压缩后的误差error，误差的计算公式如下：
[0024][0025]其中，m是房颤数据的特征个数。
[0026]第3.3.2步、确定一个阈值x＝0.01，选取一个k，使得error＜x则认为这个特征可以选择。
[0027]第4步所述的提出的代价敏感随机森林分类算法，在实现随机森林算法过程中，把提出的特征选择代价敏感融入到随机森林算法中，具体由以下步骤组成：
[0028]第4.1步、初始化代价向量Cost，大小为数据的特征个数，用来存放每个特征的代价值，设每个特征的值为则
[0029]第4.2步、对样本采用bagging方式随机选择样本和特征，并将生成是子数据集递归建立决策树，分类树采用基尼指数选择最优分裂点；
[0030]第4.3步、定义列表CostTreeList用来存放树的代价，将训练集输入到模型中进行训练，得到每棵树的准确率，若该树的准确率大于90％，则该树的代价加1，对应根节点分裂的特征的代价加5，即c
i
＝c
i
+5；再根据代价的大小对建立的决策树进行排序，并把按照升序排好的决策树保存到列表CostTreeList中；
[0031]第4.4步、根据第4.3步得到的代价矩阵再重新建树，并对测试集数据进行测试，再对每棵树进行投票机制操作得到最终的测试结果。
[0032]第5步所述的最终识别结果是：根据模型的分类结果即可知道最终的诊断结果。
[0033]本专利技术的优点和有益效果
[0034]本专利技术提出了代价敏感随机森林算法，该算法能计算出森林中选择的特征与决策树的代价敏感值，使得选择分裂值的时候能选出更优的分裂属性，同时也能选择更优的决策树来组合成随机森林，该算法具有更好的泛化能力，这使得分类的正确率得到提高，同时也使得对房颤的诊断精度得到了提升。
附图说明
[0035]图1是本专利技术房颤诊断实施总体流程；
[0036]图2是正常人的ECG信号图；
[0037]图3是房颤患者的ECG信号图。
具体实施方式
[0038]下面结合附图和实施例对本专利技术进行详细的描述。
[0039]一种基于小波代价敏感随机森林算法的房颤诊断方法，由于没有标准的房颤数据集，实验数据来自从医院收集的心电图(ECG)，包括正常人和房颤患者，使用300HZ的采样频率收集心率，在一秒钟内可以获取300个采样点，经过仔细分析，从ECG样本中选择了1000张30s的图像，如图1所示具体实施方案包括以下内容及步骤：
[0040]第1步、根据收集到的心电图(ECG)获取源数据矩阵，心电图分为两种正常和房颤类型，正常人的ECG信号图如图2所示，房颤患者的ECG信号图如图3所示，共选择了1000个样本，心电信号的值存储在.mat文件的val矩阵中，所以存在1000个.mat数据文件，数据样本长度不一致，其中包括了449个正常样本和551房颤患者样本。
[0041]第2步、采用小波变换对房颤数据进行分解与重构，本专利技术对信号进行6层分解，从而达到去噪的目的，具体步骤有：
[0042]第2.1步、将信号进行小波分解，选用Daubechies6小波，得到为小波系数coeffs；
[0043]第2.2步、将分解后的数据阈值处理，分解后通过选取一个合适的阈值，用阈值函数对各层系数进行量化；
[0044]第2.3步、利用小波逆变换处理后小波系数重构得出去噪后的信号数据，此时，建立一个矩阵AF用来储存处理完成的样本，获得的矩阵A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波代价敏感随机森林算法的房颤诊断方法包括以下步骤：第1步、获取源数据矩阵；第2步、采用小波变换对房颤信号进行分解与重构，对信号进行多层分解，从而达到去噪的目的；第3步、采用主成分分析(PCA)算法对房颤数据进行数据预处理，数据预处理即是对数据进行降维，得到的少数综合特征表示多数的综合特征，这使得模型的计算速度大大提升；第4步、将第2步得到的房颤特征数据，输入到提出的代价敏感随机森林分类算法中进行训练与测试；第5步、根据分类结果输出诊断结果。2.根据权利要求1所述的基于小波代价敏感随机森林算法的房颤诊断方法，其特征在于：第1步获取源数据矩阵，由于没有标准的房颤数据集，本发明实验数据来自从医院收集的心电图(electrocardiogram，简称ECG)，包括正常人和房颤患者。使用300HZ的采样频率收集心率，在一秒钟内可以获取300个采样点。经过仔细分析，从ECG样本中选择了1000张30s的图像。3.根据权利要求1所述的基于小波代价敏感随机森林算法的房颤诊断方法，其特征在于：第2步所述的对房颤信号进行分解与重构，为了对污染信号进行去噪处理以恢复原始信号，本发明使用小波变换对房颤信号进行分解与重构，具体如下：第2.1步、分解：选定层数为6的小波对信号进行小波分解；第2.2步、阈值处理过程：分解后通过选取一个合适的阈值，用阈值函数对各层系数进行量化；第2.3步、用处理后的系数重构信号。4.根据权利要求1所述的基于小波代价敏感随机森林算法的房颤诊断方法，其特征在于：第3步采用主成分分析(PCA)算法对房颤数据进行降维，其具体实现步骤如下：第3.1步、将获得数据矩阵X进行归一化处理；第3.2步、计算协方差矩阵的特征值和对应的特征向量r...

【专利技术属性】
技术研发人员：黄玮，肖月月，王劲松，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：