基于机器学习的心音识别分类研究

摘要

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一.本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型.数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51％、14.54％、20.61％、24.04％;采用LightGBM和SVM模型融合可将F1值提高至92.6％.本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考.