基于主动学习不平衡多分类AdaBoost算法的心脏病分类

针对不平衡分类中小类样本识别率低问题,提出一种基于主动学习不平衡多分类Ada Boost改进算法。首先,利用主动学习方法通过多次迭代抽样,选取少量的、对分类器最有价值的样本作为训练集;然后,基于不确定性动态间隔的样本选择策略,降低训练集的不平衡性;最后,利用代价敏感方法对多分类Ada Boost算法进行改进,对不同的类别给予不同的错分代价,调整样本权重更新速度,强迫弱分类器"关注"小类样本。在临床经胸超声心动图(TTE)测量数据集上的实验分析表明:与多分类支持向量机(SVM)相比,心脏病总体识别率提升了5.9%,G-mean指标提升了18.2%,瓣膜病(VHD)识别率提升了0.8%,感染性心内膜炎(IE)(小类)识别率提升了12.7%,冠心病(CAD)(小类)识别率提升了79.73%;与SMOTE-Boost相比,总体识别率提升了6.11%,G-mean指标提升了0.64%,VHD识别率提升了11.07%,先心病(CHD)识别率提升了3.69%。在TTE数据集和4个UCI数据集上的实验结果表明,该算法在不平稳多分类时能有效提高小类样本识别率,并且保证其他类别识别率不会大幅度降低,综合提升分类器性能。

基于PSO优化的SVM在心脏病分类上的应用

心脏病是世界上致人死亡的主要疾病之一,疾病的早期诊断有利于后期的治疗。针对心脏病数据样本量少,特征变量多的特性,提出了一种基于粒子群优化(PSO)的支持向量机(SVM)心脏病辅助诊断算法。该方法以Cleveland heart disease为数据驱动,采用PSO优化SVM的超参数(包括惩罚参数和核函数参数),将PSO寻得的最优超参数作为最终模型参数。实验结果表明,所提算法的准确性比传统的SVM有所提高,最高分类准确率达到88%,并且训练过程更加自动化。

心电图对4种类型的心脏病的诊断思考

目的通过对126例心电图异常患者(对轻度ST-T改变经服钾试验或心得安试验排除),进行血脂、血沉、抗"O"、心肌酶、血压、心脏B超、X光胸片、心血管造验、心音听诊等临床检测和体格检查,将上述心电图异常患者分为4种类型:(1)负荷过重型(包括压力负荷增加如高血压、主动脉狭窄、肺动脉高压等,和容量负荷增加如房缺、室缺,二尖辨、三尖辨、主动脉辨关闭不全等);(2)心肌缺血型(包括心肌梗死,ST-T改变合并心血管造验阳性者和单纯ST-T改变且年龄>35岁者);(3)心肌炎症型;(4)心脏电通路变异型。我们将分析的心电图对4种类型的心脏病的诊断价值。