【《基于增长曲线的心电散点图分类模型分析》3300字】

基于增长曲线的心电散点图分类模型分析目录TOC\o"1-3"\h\u23524基于增长曲线的心电散点图分类模型分析 1141431.1分类算法流程 137111.2增长曲线定义和分析 279921.3模型验证及结果分析 4本节介绍基于增长曲线的分类模型，不同于串联二分类分类器的基于诊断要素的分类模型，该模型应用的是模板匹配的思想。本文定义了一种全新的心电散点图描述子——增长曲线，该描述子在不同心律失常的散点图中有不同的表现，可以作为区分的散点图的新特征。对待识别图片和带标签的模板提取增长曲线，认为待识别散点图和增长曲线最相近的模板是同一类心律失常。对于增长曲线的比较，本文也提出了两种方法，累计差值法和最大差值法。最后利用从四个数据库中得到的数据，分别测试采用累计差值法和最大差值法的分类模型，验证模型精度。分类算法流程首先读取心电数据预处理。用Matlab自带函数findpeaks找出心电信号的R波波峰，将峰值对应的位置序列求差分，就可以得到RR间期。读取RR间期数据，绘制出二维心电散点图，将散点图的水平轴和垂直轴统一到[0,2]秒，同时采用双线性插值的方法，将心电散点图的像素统一到512×512。提取待识别图片的增长曲线。本文定义了一种全新的心电散点图描述子—增长曲线，计算并提取待识别图片的增长曲线。比较增长曲线。该算法需要预先准备好带有标签的窦性心律、低心率变异性、早搏和房颤的模板，因为每一种类型中可能有多种情况，因此每一类应该有足量的模板。预先从各个模板中提取增长曲线并保存。提取待识别图片的增长曲线后，计算待识别散点图和各模板的增长曲线，比较待识别图片和每一张模板的增长曲线的相似性，找出和待识别图片的增长曲线最相近的模板增长曲线，认为待识别散点图和该模板是同一类心律失常。对于不同增长曲线之间相似性的比较，本文提出了两种方法，并使用数据中的得到的数据做了验证。图4-1基于增长曲线的分类模型流程图增长曲线定义和分析增长曲线是本文定义的一种新的散点图描述子，即以散点图的重心为起点，以SD1和SD2分别为椭圆的长短轴方向，椭圆不停增长，记录下每次增长后椭圆内包含的点的比例，记录多个数据生成增长曲线。在不同类型的增长曲线又中有不同的结果，可以用来区别不同的心律失常。计算增长曲线：首先是计算散点图的重心，具体方法是遍历图片中的每一个点，计算该点到图中其他所有点的欧几里得距离之和xi，遍历图中n个点后得到集合{x1，x2,x3xn},其中最小的x对应的点即为散点图的重心点。求出重心后，以重心为原点，x=y方向为椭圆长轴方向，x=-y为椭圆短轴方向，建立椭圆。因为正常人的SD2和SD1比值在3到4之间，初始的长轴半径和短轴半径为0，然后长轴半径每次增加4个像素点，短轴半径每次增加1个像素，每次增长后记录落在椭圆内的点的数量。长短轴增长40次，如图所示（为了更加清晰，示意图的坐标范围是0.4到1.2）获得40个值，把这40个值除以散点图总数得到40个比值即可生成增长曲线。如图4-2所示是增长曲线的计算过程，随着红色椭圆越来越大，越来越多的点被容纳在椭圆之中。（a）扩张5次的椭圆（b）扩张10次的椭圆（c）扩张15次的椭圆图4-2增长曲线计算过程中椭圆的变化不同类型的散点图由于形状不一样，得到的增长曲线也有所差异，如表所示。低心率变异性呈现出“较小的短棒”或者“圆点形”，这些图形比较集中，随着椭圆长短轴的增长，很快就能包括散点图中所的点。因此，这一类的增长曲线开始斜率最大，快速上升达到1左右，然后不再增加。窦性心律散点图包含“彗星型”、“鱼雷形”和“短棒形”等等，这些图形都可以近似的认为是椭圆，随着增长曲线中椭圆长短轴的增长，也能较快容纳散点图中大部分点。因此，窦性心律的斜率仅次于低心变异性。房颤成扇形，一般图形较大，密度较低，随着增长曲线中椭圆长短轴的增长，散点图中的点逐渐被容纳。所以，房颤的增长曲线斜率比窦性心律更低一些。早搏成多分布，尽管增长曲线中椭圆长短轴的不断增长，也很难容纳所有点。因此，早搏的增长曲线斜率最小，且很难增长达到1。图4-3四类心律失常的增长曲线在计算得到待识别散点图和各模板散点图的增长曲线后，要比较不同增长曲线之间的相似性。本文提出两种方法：增长曲线由40个点组成，计算两条曲线的这40个点之间的差值，把差值取绝对值后累加，得到不相似度。不相似度越小，两条曲线越相近。增长曲线由40个点组成，计算两条曲线的这40个点之间的差值，把差值取绝对值，把其中最大差值作为不相似度。不相似度越小，两条曲线越相近。模型验证及结果分析该模型需要有带标签的模板和测试数据验证，因此使用K折交叉验证测试本文算法的准确率。K折交叉验证在每次迭代过程中，每个样本点只有一次被划入模板集或测试集的机会，具有无重复抽样的好处。通常K取5到10，在本文中由于数据量不大，因此使用10折交叉验证，在每次迭代过程中将会有更多的数据用于模板，能够得到最小偏差。本文从四个数据库中得18位患者的60张5分钟窦性心律散点图、11位患者的56张5分钟低心率变异性散点图、11位患者的39张5分钟房颤散点图、31位患者的91张5分钟早搏散点图（包含室性早搏和室上性早搏）。本文将同一个人的数据分割成多份，虽然挑选心电数据时采用无重复分割、同一个人的多个片段要求间隔时长尽量大且一个人不能多余4各数据片段，但是为了最大程度上避免同一个人心电散点图相似性的干扰，使测试结果客观可靠。本文在做交叉验证时，同一个人的片段只能出现在训练数据集或者模板数据集，不能同时出现在测试集和模板集，避免同一个人的心电散点图匹配到自己的模板。模型的分类能力同样用精确率、召回率和F测度衡量，在本文中每一类数据的样本量大小不一，使用F测度可以降低样本失衡的影响。精确率，指在模型预测为正样本的样本中实际为正的比例；召回率，指在所有实际正样本中被模型准确预测为正样本的比例；F测度，是一个综合指标精确率和召回率的指标。一般情况下，精确率召回率是两个呈现出负相关的指标，一个随着另一个指标的上升而下降。而F测度是综合了精确率和召回率来衡量分类能力，F1越大，代表分类器效果越好。本文同时验证了用累计差值法和最大差值法比较相似度时，基于增长曲线的分类模型的精度，结果如表4-1和表4-2所示。在采用最大差值法时，窦性心律60例中有57例被正确识别，在其他三类中有2例被误判为窦性心律，精确度、召回率和F测度分别为0.9661、0.95、0.9580；早搏91例中有77例被正确识别，在其他三类中有3例被误判为早搏，精确度、召回率和F测度分别为0.9625、0.8462、0.9006；低心率变异性56例中有55例被正确识别，在其他三类中有0例被误判为低心率变异性，精确度、召回率和F测度分别为1、0.9821、0.9910；房颤39例中有36例被正确识别，在其他三类中有16例被误判为低心率变异性，精确度、召回率和F测度分别为0.6923、0.9231、0.7867；模型整体的变异性，精确度、召回率和F测度分别0.9052、0.9254、0.9091。表4-1采用最大差值法分类效果精确率召回率F测度窦性心律0.96610.950.9580早搏0.96250.84620.9006低心率变异性10.98210.9910房颤0.69230.92310.7867平均0.90520.92540.9091在采用累计差值法时，窦性心律60例中有58例被正确识别，在其他三类中有2例被误判为窦性心律，精确度、召回率和F测度分别为0.9667、0.9667、0.9667；早搏91例中有79例被正确识别，在其他三类中有5例被误判为早搏，精确度、召回率和F测度分别为0.9404、0.8681、0.9028；低心率变异性56例中有55例被正确识别，在其他三类中有0例被误判为低心率变异性，精确度、召回率和F测度分别为1、0.9821、0.9910；房颤39例中有36例被正确识别，在其他三类中有13例被误判为低心率变异性，精确度、召回率和F测度分别为0.7234、0.8718、0.7907；模型整体的精确度、召回率和F测度分别0.9076、0.9222、0.9128。表4-2累计差值法分类效果精确率召回率F测度窦性心律0.96670.96670.9667早搏0.94040.86810.9028低心率变异性10.98210.9910房颤0.72340.87180.7907平均0.90760.92220.9128比较采用最大差值法的分类效果和采用累计差值法的效果，发现两者相