[发明专利]基于Wrapper特征选择Bagging学习处理心电图的系统及方法

权利要求书

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、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预测，所述波形矫正提取模块通过数据总线与所述数据平衡压缩模块进行通信连接，所述数据平衡压缩模块通过数据总线与所述数据平衡压缩模块进行通信连接，所述数据平衡压缩模块通过数据总线与所述Wrapper特征选择模块进行通信连接，所述Wrapper特征选择模块通过数据总线与所述Bagging C4.5集成模块进行通信连接。

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Bagging C4.5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，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特征选择Bagging学习处理心电图的方法，其特征在于，步骤1所述纸质心电图数字化的具体步骤为：设定原始心电图彩色图像，对所述原始心电图彩色图像进行边缘检测，获得阶跃状边缘点集合，所述边缘点集合包含了波形的上下轮廓以及其他点，对所述边缘点集合进行形态学闭运算并且填补波峰和尖锐波谷，保留像素点集合，对所述像素点集合进行基于Sobel_MCO筛选机制的k-means算法处理，处理结果是将波形曲线和背景分离发展。

4.根据权利要求2所述的基于Wrapper特征选择Bagging学习处理心电图的方法，其特征在于，步骤2所述S-C4.5-SMOTE数据平衡方法是将步骤1提取的数字化心电数据集合进行平衡与压缩处理，所述S-C4.5-SMOTE数据平衡方法集成了简单随机抽样法和合成少数民族抽样法(SMOTE)的优点，减少冗余特征，提高Bagging学习的泛化能力。

5.根据权利要求2所述的基于Wrapper特征选择Bagging学习处理心电图的方法，其特征在于，步骤3所述Wrapper特征选择是搜索策略和机器学习算法相结合，选择出最终的算法达到较高的特征子集，有p个特征，那么就会有2p种特征组合，每种组合对应了一个模型。

6.根据权利要求2所述的基于Wrapper特征选择Bagging学习处理心电图的方法，其特征在于，步骤4所述Bagging-C4.5方法是采用Bagging方法对C4.5算法进行集成，所述C4.5算法将上述步骤获取的心电数据进行训练，训练过程按照分支属性选择方法，自顶向下形成决策树分类器，内部节点表示分支属性，叶节点代表类，所述Bagging方法为：输入经C4.5算法训练后的训练集，生成预测函数，输出集成预测模型。