血压测量与预测研究及分类算法实现
血压的测量和预测对于心脏病患者和有心脏问题的人来说至关重要。本研究使用了BP Data-UNSW数据集，其中包含350条记录，从155名受试者收集而来，共包含9个特征。这些特征在表1中给出。数据集中的第一行显示了标签，其中SBP和DBP点分别标记为1和2，其他点标记为0。在预处理步骤中，找到了示波波的包络，并且特征被提取出来。SBP和DBP点由柯氏音确定。然而，由于没有根据确定DBP点的标准，对检测到的点进行目视检查。示波波与袖带压力的波形如图3所示。在该图中，蓝线用长示波波形标准化，红线用长示波波形标准化是袖带压力。绿色区域代表收缩前区域，黄色区域代表收缩点和舒张点之间的区域，紫色区域代表舒张后区域。
本研究将血压估计转化为分类问题，除了数据集中给出的收缩压和舒张压点标签外，它们还被重新标记为收缩压前、收缩压和舒张压之间以及舒张压后。研究使用的框图如图4所示。使用示波波获得的数据集，首先重新标记示波波包络。使用的标签在表2中给出。图5显示了根据特征的类别分布。可以清楚地看到，类根据特征交织在一起。数据集分为训练子集和测试子集。300名受试者被定义为训练，50名受试者被定义为测试子集。首先，分类器针对每个类别进行训练，并为测试数据子集生成模型。
图6给出了样本测量过程的实际值和预测值。对血压测量周期中发生的所有心跳进行类别估计。
本研究使用了三种不同的分类算法，分别是k近邻（kNN）、加权k近邻（WkNN）和Bagged Trees。k近邻（kNN）是一种非参数惰性学习算法，测量新数据和训练数据之间的距离，并将新数据标记为K最近类别的值。加权k近邻（WkNN）的工作方式为kNN，距离根据特征进行加权。Bagged Trees是一种集成决策树结构，每个决策树评估数据，并根据所有估计做出最终决策。
