基于优化自适应模型的心律失常辅助诊断方法

针对心律失常诊断算法中存在的不平衡数据集诊断准确率及阳性预测值较低的问题,提出一种基于优化自适应模型的心律失常辅助诊断方法;提取心电信号的77维特征并将其融合,使用融合特征训练诊断模型,同时利用改进的粒子群算法优化自适应模型参数;采用优化模型对MIT-BIH心律失常数据库进行诊断实验并与现有方法进行对比。结果表明,本文所提方法在测试数据集的诊断准确率达到98.2%,正常或束支传导阻滞节拍、室上性异常节拍、心室异常节拍、融合节拍的阳性预测值分别达到98.5%、96.1%、95.5%、92.0%,诊断准确率和阳性预测值明显大于现有方法的。

基于机器学习混合模型的滑坡易发性评价

安康市汉滨区地质环境脆弱,滑坡频发对当地居民生命财产安全造成严重威胁,针对该区域进行滑坡易发性评价是滑坡防治的有效措施。自适应提升模型和随机森林模型作为新颖的集成学习方法被应用至中外滑坡易发性评价研究中,但基于两者的混合模型在滑坡易发性中的应用研究尚未开展。为对比混合模型与单一模型的滑坡易发性评价精度,根据地质灾害详查资料圈定509处滑坡,结合研究区地质环境背景,选取高程、坡度、坡向、年均降雨量、地层岩性等13类因子进行评价。受试者工作特性曲线(receiver operating characteristic curve,ROC)结果表明,同单一模型相比,混合模型的训练集正确率和验证集预测率均为最高;混合模型的高易发区滑坡密度达到1.94,高于随机森林(1.86)和自适应提升模型(1.68);通过区内三处历史滑坡进行验证,结果显示区划结果与滑坡分布相吻合,说明自适应提升-随机森林混合模型可作为滑坡易发性评价的新方法,其区划结果可为滑坡防治与土地利用规划提供借鉴。