本文選題：經食道超聲心動圖　切入點：超聲數(shù)據(jù)　出處：《計算機應用》2017年S1期 　論文類型：期刊論文

【摘要】：為了研究經食道超聲心動圖(TEE)超聲數(shù)據(jù)與心臟病類別之間的關系,提出一種以決策樹(DT)分類器作為基分類器的自適應提升(AdaBoost)分類預測模型(DT_AdaBoost)。該模型首先對訓練集中的每個樣本賦予一個相同的權重表示樣本被選中的概率,然后有放回地選取樣本組成訓練子集訓練DT分類器,如果該分類器的分類準確率大于50%,則計算此DT分類器的重要性,并更新樣本權重,最后在新的樣本分布下再次進行抽樣訓練。依此類推,可得到多個權重不同的DT分類器,把所有DT分類器按重要性疊加(boost)起來,即可得到最終的強分類器。仿真結果表明,以DT分類器作為基分類器的Ada Boost方法診斷準確率相對穩(wěn)定在96.88%,高于以支持向量機(SVM)作為基分類器的94.70%、以K最近鄰(KNN)作為基分類器的94.65%以及以樸素貝葉斯(Naive Bayes)作為基分類器的96.04%,并且較單一算法的分類器性能提高。
[Abstract]:To study the relationship between transesophageal echocardiography (TEE) echocardiographic data and the type of heart disease, An adaptive lifting AdaBoost-based classification prediction model based on decision tree tree classifier (DTT) is proposed. In this model, each sample in the training set is first given an equal weight to indicate the probability of the sample being selected. Then a training subset is selected back to form a training DT classifier. If the classification accuracy of the classifier is greater than 50, the importance of the DT classifier is calculated, and the weight of the sample is updated. Finally, sampling training is carried out again under the new sample distribution, and so on, several DT classifiers with different weights can be obtained, all DT classifiers can be superimposed according to their importance, and the final strong classifiers can be obtained. The simulation results show that, The diagnostic accuracy of Ada Boost with DT classifier as base classifier is relatively stable at 96.88, which is higher than that with support vector machine (SVM) as base classifier (94.70), K nearest neighbor (KNN) as base classifier (94.65%) and naive Bayes (naive) as classifier. The base classifier is 96.04, and the performance of the single algorithm is improved.
【作者單位】： 中國科學院成都計算機應用技術研究所;中國科學院大學;
【基金】：中國科學院西部之光人才培養(yǎng)計劃項目(2013)
【分類號】：R540.45;TP311.13

【相似文獻】

相關期刊論文 前10條

1 姜萱;;利用數(shù)據(jù)挖掘技術構造醫(yī)學圖像分類器的研究[J];時珍國醫(yī)國藥;2008年08期

2 謝華;夏順仁;張贊超;;醫(yī)學圖像識別中多分類器融合方法的研究進展[J];國際生物醫(yī)學工程雜志;2006年03期

3 韋艷艷;李陶深;張超群;;集成分類器組合算法及其在醫(yī)學診斷中的應用[J];廣西大學學報(自然科學版);2013年05期

4 謝華,夏順仁,高光金;基于分類器融合的骨髓細胞識別研究[J];計算機工程與應用;2005年27期

5 崔克彬,李戰(zhàn)懷,張陽;DRC-BK分類器的規(guī)則篩選算法[J];醫(yī)學信息;2004年09期

6 謝文娟,曾立波,王思賢,吳瓊水,張燕;骨髓細胞多光譜顯微圖像分類器的設計[J];計算機工程與應用;2005年02期

7 曹美玲;張新峰;沈蘭蓀;;分類器融合技術在中醫(yī)舌象老嫩識別中的應用研究[J];北京生物醫(yī)學工程;2006年06期

8 涂有強;陳香;張旭;趙章琰;楊基海;;一種適用于手勢動作sEMG信號識別的改進型模糊推理分類器[J];北京生物醫(yī)學工程;2008年04期

9 孫利;徐偉棟;厲力華;劉偉;彭芳青;張娟;;基于雙視角和多分類器信息融合的乳腺鉬靶圖像腫塊分類研究[J];中國生物醫(yī)學工程學報;2011年01期

10 鄭斌;厲力華;;基于多特征信息及Ma-Ada多分類器融合的蛋白質結構類預測[J];中國生物醫(yī)學工程學報;2013年05期

相關會議論文 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學術會議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗證對象集分類器的再訓練演進[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機手寫識別筆段特征分類器的學習方法[A];黑龍江省計算機學會2009年學術交流年會論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認證[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(英文)[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關”的說話人辨認[A];第四屆全國人機語音通訊學術會議論文集[C];1996年

7 謝秋玲;;應用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學術年會論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級聯(lián)分類器的快速人臉檢測方法[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認知結構評估的動態(tài)貝葉斯網(wǎng)絡分類器方法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

10 邵小健;段華;賀國平;;一種改進的最少核分類器[A];中國運籌學會第七屆學術交流會論文集（上卷）[C];2004年

相關重要報紙文章 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報;2000年

相關博士學位論文 前10條

1 張非;對抗逃避攻擊的防守策略研究[D];華南理工大學;2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學;2014年

3 許勁松;智能交通中目標檢測與分類關鍵技術研究[D];南京理工大學;2014年

4 趙作林;基于圖像分析的北京地區(qū)楊樹種類識別研究[D];北京林業(yè)大學;2015年

5 任亞峰;基于標注和未標注數(shù)椐的虛假評論識別研究[D];武漢大學;2015年

6 曹鵬;不均衡數(shù)據(jù)分類方法的研究[D];東北大學;2014年

7 劉明;分類器組合技術研究及其在人機交互系統(tǒng)中的應用[D];北京交通大學;2008年

8 嚴志永;在劃分數(shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學;2011年

9 王U，

本文編號：1624170