基于决策树的异常高频心电图识别

摘要

运用决策树技术对高频心电图进行分类和识别. 采用Bagging和Boosting方法,分类准确率得到一定程度的提高,从76.3%分别升至79.8%和77.5%. 采用代价敏感决策树,异常心电图的识别率得到明显提高, 达到75.0%,但是分类准确率大幅度下降为53.2%,正常心电图的识别率急剧恶化,从93.2%降为42.7%. 通过实例选择优化训练集,重新构建决策树,分类准确率和异常心电图的识别率均得到明显提高,分别升至84.4%和73.2%. 与BP神经网络、RBF神经网络、支持向量机的分类实验结果相比,基于优化训练集建立的决策树性能最好. 从该树提取相应的诊断规则,可以提高诊断的准确度.