心电图(ECG)信号分类在心血管疾病的早期可靠检测中起着关键作用。然而，噪声污染、高变异性以及类别间重叠显著限制了传统方法的性能，尤其是在多类别心律失常检测中。为应对这些挑战，本研究提出了一种混合机器学习(ML)框架，整合模糊C均值(FCM)聚类以增强特征表示。
实验在PhysioNet MIT-BIH心律失常数据集上进行，该数据集包含约110,000个样本，分为80%的训练集和20%的测试集。ECG信号使用0.5-40 Hz带通滤波器进行预处理，并通过R波峰值检测提取心跳片段。每个样本由时间序列数据点表示，从中提取统计和结构特征(均值、标准差、最大值、最小值、范围和能量)。将获得的模糊成员值与原始特征融合，构建混合特征空间。
随机森林(RF)、支持向量机(SVM)和XGBoost分类器随后使用经典特征集和FCM增强特征集进行训练。实验结果表明，所提出的基于FCM的特征融合提高了分类性能，特别是对于集成学习模型。RF模型达到了最高性能(准确率≈0.9999)，而XGBoost相比基于经典特征的方法显示出显著改进(准确率≈0.9996)。SVM模型在两种场景下都保持了稳定一致的性能(准确率≈0.996)。
总体而言，研究结果表明，通过有效建模不确定性和类别重叠，融入模糊成员信息增强了特征表示，从而实现了更稳健可靠的多类别ECG分类。这一方法为心血管疾病的早期诊断提供了重要技术支持，具有显著的临床应用价值。
【全文结束】