[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

说明书

本发明公开了一种基于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。

技术领域

本发明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。

背景技术

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、字迹等其他干扰信息。目前的相关研究中，纸质心电图波形数据提取的主要瓶颈是需要人工干预。

(2)如何将提提取的波形曲线转化为波形数据

临床采集的心电信号由高维向量表示的，在使用计算机对心电信号分析的过程中就是对这组高维向量进行分析。由于扫描原因会使得提取出的波形曲线的宽度大于l，所以提取的曲线是以矩阵的形式存在，而不是以向量的形式存在。如何将以矩阵形式存在的波形曲线以最大的满意度转换为以向量形式保存的波形数据值得研究。

(3)数据不平衡性

现有的SMOTE数据平衡方法，只是在原有的基础上将数据平衡，这样做的结果只会增加数据量，对后续Wrapper方法筛选冗余特征这一步骤的时间效率上产生负面的影响。

(4)机器学习算法的不稳定性

决策树算法依据信息熵理论,选择当前样本集中具有最大信息增益率的属性作为测试属性不断对样本集进行划分,最终构造出一棵完全决策树。但是它是不稳定的算法，训练集的小范围变动就可能造成分类模型的显著变化。

发明内容

为解决上述技术问题，本发明提出了一种基于Wrapper特征选择Bagging学习处理心电图的方法，以达到准确分析心电数据的目的。

为达到上述目的，本发明的技术方案如下：

一种基于Wrapper特征选择Bagging学习处理心电图的系统，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；