K-means、PCA、Navie Bayes

1.Navie Bayes

朴素贝叶斯是基于在数学理论上的高概率分类方法。朴素贝叶斯比一些算法，比如说KNN、决策树等算法，训练更快也更容易建立。通常使用朴素贝叶斯作为基本分类器。

2.K-means

3.PCA

PCA是数据降维的其中一种用法也是最主要的用法。降维能够使得在数据处理中数据变得更容易使用，并且往往能够减少数据中的噪声，数据之间的关系也更加明了。所以降维一般用来对数据进行预处理，数据使用之前的数据清洗工作。

PCA能够在数据中识别出主要的数据特征。

尝试使用WFDB读取ECG图像

《cardiologist》文献中说到，之前对于在ECG 上的研究主要的数据来源是MIT-BIH。

通过在CSDN上查找如何读取ECG 文件的博客https://blog.csdn.net/chenyusiyuan/article/details/2040234

      首先，如果是对ECG心电信号进行观察、分析和诊断使用的话，有两个方法：

（1）    从MIT-BIH数据库下载

            MIT-BIH 上使用的是matlab 中的WFDB读取ECG 文件

（2）    用专门的Matlab心电数据读取程序

  MIT-BIH中一个心电记录由三个文件组成：

（1）头文件[.hea]，存储方式ASCII码字符。

（2）数据文件[.dat]，按二进制存储，每三个字节存储两个数，一个数12bit。

（3）注释文件[.atr]，按二进制存储。

由于第二种方法的源代码已经失效了，采取第一种读取方法，先使用WFDB读取：       

    安装使用WFDB：

注意：官网上的这段下载代码在MATLAB中直接复制粘贴运行会报错，所以在CSDN网站上重新找到了下载代码：[old_path]=which('rdsamp');if(~isempty(old_path)) rmpath(old_path(1:end-8)); endwfdb_url='http://physionet.org/physiotools/matlab/wfdb-app-matlab/wfdb-app-toolbox-0-9-3.zip';[filestr,status] = urlwrite(wfdb_url,'wfdb-app-toolbox-0-9-3.zip');unzip('wfdb-app-toolbox-0-9-3.zip');cd mcodeaddpath(pwd);savepath

测试WFDB

        命令框中输入wfdbdemo

测试结果：

  实验

在MIT-BIH官网上下载一些ECG文件，首先了解到rdsamp（）函数，

        [signal,Fs,tm]=rdsamp(recordName,signaList,N,N0,rawUnits,highResolution)

signal（必选）：N×M

Fs（可选）：记录中所有信号的采样频率（Hz）。1×M

tm（可选）：代表采样间隔。N×1

recorName（必需）：指定WFDB路径或当前目录中记录名称的字符串。

signalList（可选）：一个Mx1整数数组。只读取signalList中指定的信号（列）（默认：读取所有信号）。

 N（可选）：指定停止读取记录文件的样本编号的1x1整数（默认读取所有样本= N）。

 N0（可选）：指定开始读取记录文件的样本编号的1x1整数（默认值1 =第一个样本）。

[tm,data]=rdsamp('mimicdb/055/055',[],5000);//读取所有列，每列5000个数据，tm为时间

[tm,data]=rdsamp('mimicdb/055/055',1,5000);//读取第1列，读取长度为5000个数据

[tm,data]=rdsamp('mimicdb/055/055',[1；2],5000);//读取第1和2列，每列读取长度为5000个数据

输出如下的波形：

将图片放大看之后可以看出它是心电信号。

      按照计划是继续读取论文中所提供测试集数据，但是论文中的ecg文件MATLAB读不出来，MATLAB中所要求的是edf格式的ecg文件，而文献中提供的是.ecg文件。不过，后期找到了应该可以将.ecg文件转化成可以MATLAB处理的矩阵模式。接下来几天再试试这个方法可不可以。

再读《cardiologist》

论文的研究背景，问题导向也就是现有的算法仍然存在着潜在的误诊机率。

前期的研究存在的问题等等。

从下面的截图可以看出，该 DNN算法在12种心律问题上的诊断准确度、专业度、诊断敏感度都优于 六位心脏疾病专家的平均诊断。

并且该DNN算法，相较于之前的算法来说，能够直接以原始的ECG数据输入，免除了特征提取，特征选择，特征分类等问题。也不需要像以前一样的数据预处理，比如说傅里叶变换小波变换。

  实验数据的处理方面，将可穿戴的设备收集到的数据，分成两部分，一部分为sequence level 另一部分为set level。

  首先用DNN与gold standard cardiologist consensus committee 的诊断相比较，再次与六心脏疾病专家的诊断均值相比较。

    在应用方面，下图指出，如果有足够多的数据用来作为DNN算法的训练集，该模型还能学习更多的特征，诊断更多的模型。

DNN模型：

    模型的学习率设置，

由于论文整体还把握不到位，所以下周

                                                            1.暂定将DNN模型中不懂的比如说ReLU了解一遍

                                                             2.继续读取ECG数据

                                                             3.继续由宏宇师兄安排下周的算法进度