基于机器学习方法的心电信号分类研究

章洁 武东

摘 要：近年来，心血管疾病已成为威胁人们生命的主要疾病，而心血管疾病患者早期发病时往往出现心律失常症状，因此早期检测心律失常对提前预防心血管疾病，及早介入治疗具有至关重要的意义。基于此，本研究利用小波分析方法对不同类型的心电序列进行去噪声处理，再利用ARMA模型以及时间序列的方法对分解后的信号序列进行特征提取，将ARMA模型的系数作为心电信号的特征指标;结合决策树分类、支持向量机分类和随机森林分类机器学习方法对提取后的心电特征指标进行分类研究，并根据实验结果对三种算法的性能进行比较分析。

关键词：心电信号;分类;ARMA模型;机器学习;心律失常

据世界卫生组织（WHO）统计，2016年全球死亡人数中，71%死于NCDs（非传染性疾病），54%缘于10大原因，而Ischaemic heart disease（缺血性心脏病）高居榜首。2016年我国死于心血管疾病人数约占死亡总数的43%，心血管疾病已成为剥夺我国人民生命的主要元凶，。因而，加强对心血管疾病的预防、诊断和治疗是控制死亡人数的关键，同时也是我国社会长治久安的基本需要。

心律失常是心血管疾病的主要部分之一，其不仅会加重患者原有心脏疾病，而且还会导致患者突然死亡。本文主要针对心律失常的心电信号展开分类研究，心电图（Electrocardiogram，ECG）是医生临床诊断心血管疾病的必要工具，其对心律失常的诊断具有重要价值。

近年来，心电信号分类研究大多采用神经网络和支持向量机等传统的统计模型，其分类的类别也大多局限在二分类。……