随机森林算法在心音分类中的应用研究

本研究旨在利用随机森林算法对心音进行分类，为心脏疾病的诊断提供依据。本文结构组织如下: 首先通过电子听诊器采集心音，然后基于小波变换对其进行预处理；其次，基于短时傅立叶变换定义并提取

近年来由于居民生活水平的提高，越来越多的居民患有高血压、血脂异常、糖尿病、超重与肥胖等疾病，导致心血管疾病发病率逐年上升。据《中国心血管病报告2018》概要[1]表述，中国心血管病患病人数已达2.9 亿，其中农村和城市心血管死亡占疾病死亡的比率分别约为46%、43%。如图1 所示。

Figure 1. The main cause of death in rural and urban residents in China in 2016 图1. 2016 年中国农村和城市居民主要疾病死因构成 由图1 可知心血管疾病是危害居民健康的主要原因之一。心血管疾病在合适的时间发现并得到及时的治疗将会有很高的治愈率，所以在早期诊断出心血管病是非常有益的。由于个体差异、信号噪声的影响、心血管疾病种类繁多等因素，医护人员无法及时准确地对心脏病做出诊断，因此支持心音分类的算法可以极大地促进心脏病的诊断。这可能会导致智能听诊器的发展，智能听诊器可以用很少的设备，有效、经济地检测心脏疾病。目前心音分类的研究主要集中在合适算法的开发上，较为常见分类方法有K最近邻(k-Nearest Neighbor，KNN)分类算法[2]，决策树[3]，支持向量机(SVM) [4]，高斯混合模型[5]，人工神经网络(ANN) [6]等。以上常见的分类方法都会存在过拟合且分类准确度不够高的通性。

心音信号性质和检测过程中容易出现噪声，在最近的一项研究中，人们发现基于超声分类算法将杂音分为收缩期杂音、舒张期杂音和连续杂音。以瓣膜狭窄、瓣膜返流、瓣膜功能不全为主的瓣膜缺损杂音多见。但SVM 和ANN 对大规模数据训练样本难以实现。由于随机森林算法在任何分类问题中都相对