基于SMOTE+ENN与随机森林的心电辅助诊疗应用研究

发布时间：2023-11-04 12:51

　　如今人工智能与医疗行业的融合已经深入,本文建立在基于人工智能的专病临床辅助决策研发背景下,并将人工智能技术应用到医疗健康临床辅助诊疗决策中。在本文所研究的心电图(Electrocardiogram,ECG)领域,用于检测心率失常等心脏疾病的人工智能机器学习方法已经有很多,例如卷积神经网络(CNN)、支持向量机(SVM)、决策树(DT)等多种算法。目前也已有许多基于公开数据集的心电数据分类方法,并取得了良好的效果,但他们缺乏相应的医学可解释性,并且在面临真实世界数据集时,往往会存在数据分布不均衡,数据标注格式杂乱,用词不统一,数据标签稀缺,使用传统的分类器准确率低下等问题。针对以上问题,本文用SMOTE+ENN的集成算法改善了真实世界下数据分布不均衡的问题;针对数据标注杂乱与标签稀缺的问题,本文主要参照了MIT-BIH心律失常数据库(MITDB)中的专家标注与临床心电和相关医学领域的背景与专业知识,建立了面向上海某著名医院的数据标签库;针对传统的机器学习算法对真实世界数据准确率低下的问题,本文以随机森林算法为基础,并对其进行了调参和优化。因为随机森林给出的预测率并不是准确率,故本文采用袋...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 主要挑战与解决方法
    1.4 本文研究内容与贡献点
    1.5 论文组织结构
2 相关问题及研究方法
    2.1 心电图相关背景与知识
    2.2 数据不均衡问题
    2.3 数据处理
    2.4 常用的分类模型
    2.5 本章小结
3 面向真实世界数据的标签生成
    3.1 数据集
    3.2 建立面向上海某著名医院的标签生成
    3.3 本章小结
4 面向真实世界数据分布不均衡问题研究
    4.1 医疗数据分布不均衡问题
    4.2 真实世界数据分布不均衡问题解决方法
    4.3 基于SMOTE+ENN集成算法的均衡数据模型
    4.4 本章小结
5 基于优化的随机森林的心电图分类诊断方法
    5.1 随机森林算法评估-袋外数据
    5.2 随机森林算法的优化
    5.3 实验结果与分析
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读学位期间的研究成果目录
附录
致谢



本文编号：3860343