matlab决策树分类西瓜数据_基于机器学习的心律失常分类(八)——总结

说在前头：这个是我在大四做的，主要是为了了解机器学习的相关知识，整个项目做的也都很简单，但是我个人收获还是蛮多的。做心电信号的研究是因为我的研究生导师给我提过一嘴，我就放在了心上哈哈哈，这篇是这个系列最后一篇，给自己画一个句号。如果以后有精力也希望再深入研究一下，不过大概率是没有了。

本文数据包括四类不同的心律波形，共计6800个样本心拍数据，随机提取其中的70%(4760个)为训练样本，30%(2040个)为测试样本。各分类模型的代码与调用库均通过Matlab平台实现。

在学习训练样本，通过测试样本进行分类验证，分别得到四种分类模型的混淆矩阵。在表1中，竖直方向表示预测样本的标签类别，水平方向表示真实样本的标签类别。

表 1 四种模型分类结果混淆矩阵

从表1可以非常直观的看出四种样本的分类情况，混淆矩阵的对角线上的数值表示正确分类的样本数量，非对角线上的代表错误分类的样本个数。本文依据生成的混淆矩阵结果，计算模型的各个评价指标，可以更加清晰、准确的评估分类结果。

表 2 分类模型指标值

从表2可以看出，四种模型的整体模型评估值均较高，但在同一模型中的不同心拍类型上的评估结果有明显波动，在不同模型间存在一定的差异。正常心拍的识别率是最高的，相比较来说左束支传导阻滞心拍和右束支传导阻滞心拍的识别率要低一些，室性早搏心拍的识别率是最低的，主要原因是这些心拍的波形差异不单一，各个波群的变化不仅会产生相似的波形，而且容易造成提取的特征不够明显。

整体来讲，灵敏股高代表模型检测正例样本的能力，查准率和特异度高代表模型正确检测属于本类心律失常和不属于本类心律失常的能力，同时表现出误检几率。由此得出，在这四种分类模型中，效果最好的是支持向量机，其各评估指标都在90%以上，效果最差的是决策树分类模型，支持向量机分类模型的评估结果总体要比决策树的高出5%左右。

四种分类模型准确率

本文中，四类样本的测试数据均分别为510个，决策树分类模型的正确分类的样本总数为1830个，预测准确率是90.39%，随机森林分类模型的正确分类的样本总数为1879个，预测准确率是92.11%，BP神经网络分类模型的正确分类的样本总数为1908个，预测准确率是93.53%， 支持向量机分类模型的正确分类的样本总数为1908个，预测准确率95.49%。通过本文实验分析可以证明，在进行心律失常的分类识别中，这四种分类模型均可以有效实现非线性数据之间关系的匹配和正确分类，取得了较高的效率和精度，验证了机器学习算法在心律失常分类研究中的可行性与有效性。在这四类机器学习分类算法中，支持向量机分类模型效果最优。

结论：

心律失常是一种常见的心血管综合征，目前广泛应用于心律失常检测的方法是心电图诊断，不同的心律异常类型，在心电图波形以及心电图频率上会呈现出不同的状态。本文结合机器学习模型的特点，针对心律失常分类模型进行研究，主要总结为以下几点：

1. 本文使用MIT-BIH心律失常数据库，是当前学术界所认可的权威数据库之一，该数据库中所有数据有专家进行标注，是进行模型训练的可靠数据来源。

2. 利用小波阈值算法对心电信号进行去噪。心电信号中通常受各种干扰信号影响，小波变换通过对信号进行时频转换，可以消除信号中的基线漂移以及高频噪声，通过软阈值方法可以对消除的噪声进行调整，防止影响正常波形。

3. 通过ARMA模型对心电信号进行特征提取。首先对心电信号进行心拍划分，然后选择正常心拍、左束支传导阻滞心拍、右束支传导阻滞心拍、室性早搏心拍四种心拍类型，使用ARMA(4,2)模型对心拍进行分析处理，得到ARMA模型系数作为心电特征。

4. 构建基于机器学习的心律失常分类模型。分别构建决策树、随机森林、BP神经网络、支持向量机分类模型，算法以ARMA系数特征作为输入，实现四类心拍的有效分类。

5. 通过实验结果的对比可以看出，支持向量机分类模型在心电信号分类上取得较好的分类效果。