[发明专利]一种基于小波代价敏感随机森林算法的房颤诊断方法

说明书

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。

技术领域

本方法涉及房颤诊断技术领域，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。

背景技术

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。

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。

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。

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。

发明内容

本发明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。

本发明技术方案：

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：

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。

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。

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。

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；