基于经食道超声心动图超声数据的心脏病分类

摘要

为了研究经食道超声心动图(TEE)超声数据与心脏病类别之间的关系,提出一种以决策树(DT)分类器作为基分类器的自适应提升(AdaBoost)分类预测模型(DT_AdaBoost)。该模型首先对训练集中的每个样本赋予一个相同的权重表示样本被选中的概率,然后有放回地选取样本组成训练子集训练DT分类器,如果该分类器的分类准确率大于50%,则计算此DT分类器的重要性,并更新样本权重,最后在新的样本分布下再次进行抽样训练。依此类推,可得到多个权重不同的DT分类器,把所有DT分类器按重要性叠加(boost)起来,即可得到最终的强分类器。仿真结果表明,以DT分类器作为基分类器的Ada Boost方法诊断准确率相对稳定在96.88%,高于以支持向量机(SVM)作为基分类器的94.70%、以K最近邻(KNN)作为基分类器的94.65%以及以朴素贝叶斯(Naive Bayes)作为基分类器的96.04%,并且较单一算法的分类器性能提高。