CN109938723A - 一种人体疾病风险的判别方法及设备 - Google Patents
一种人体疾病风险的判别方法及设备 Download PDFInfo
- Publication number
- CN109938723A CN109938723A CN201910175677.1A CN201910175677A CN109938723A CN 109938723 A CN109938723 A CN 109938723A CN 201910175677 A CN201910175677 A CN 201910175677A CN 109938723 A CN109938723 A CN 109938723A
- Authority
- CN
- China
- Prior art keywords
- data
- similarity
- value
- person
- distance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 73
- 201000010099 disease Diseases 0.000 title claims abstract description 72
- 238000011282 treatment Methods 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 52
- 230000036541 health Effects 0.000 claims description 72
- 238000013139 quantization Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 9
- 238000012850 discrimination method Methods 0.000 claims description 6
- 230000005236 sound signal Effects 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 238000001356 surgical procedure Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000003862 health status Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001225 therapeutic effect Effects 0.000 abstract 1
- 208000019622 heart disease Diseases 0.000 description 15
- 206010012601 diabetes mellitus Diseases 0.000 description 11
- 206010020772 Hypertension Diseases 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 238000013146 percutaneous coronary intervention Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 208000010125 myocardial infarction Diseases 0.000 description 4
- 238000000718 qrs complex Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 208000009525 Myocarditis Diseases 0.000 description 2
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 2
- 230000006793 arrhythmia Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 208000031225 myocardial ischemia Diseases 0.000 description 2
- 230000009711 regulatory function Effects 0.000 description 2
- 201000002859 sleep apnea Diseases 0.000 description 2
- 206010042434 Sudden death Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 208000037803 restenosis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种人体疾病风险的判别方法及设备，具体流程为：分别获取健康人和特定疾病患者的人体健康状况数据，包括心电非线性系统动态数据和心电向量数据等，构建人体健康状况分类数据集；将待测人员的健康状况数据输入到构建的人体健康状况分类数据集中进行相似性比对，获得待测人员的相似度比对结果，从而实现对待测人员罹患特定人体疾病风险的预测，或实现对待测人员接受医学治疗效果的评估判定。
Description
技术领域
本发明涉及用于诊断目的的测量技术领域，特别是涉及一种人体疾病风险的判别方法及设备。
背景技术
在我国，每年因为人体重大疾病死亡的人数一直居高不下，很多人体重大疾病患者都无明显的临床症状。尽管现代人体疾病的治疗技术不断提高，但一些人体微弱疾病症状的患者猝死的比率却没有显著下降，这主要归咎于国内外尚缺乏对无症状或微弱疾病症状的人体疾病有效的早期检测能力。因此，开发一种罹患人体疾病风险的判别方法和检测设备具有的一定的临床应用价值。譬如，心脏疾病治疗后的疾病风险的判别，心脏疾病患者经过经皮冠状动脉介入治疗等治疗后，由于患者身体的创伤小、PCI的疗效稳定和死亡率低的特点，患者通常对治疗后的疾病风险未给与充分的重视，这导致治疗后各种手术并发症的发生率逐渐增加，术后仍然需要药物来持续治疗，支架内血栓形成和再狭窄发生；因此，充分评估疾病患者的治疗前后的风险及预后等各个阶段心脏功能的状况显得十分重要。
尽管现有技术对早期疾病患者的心电病理特征的检测已取得一些进展；然而，到目前为止，现有技术对早期疾病患者的心电病理特征的检测依然存在一些难以避免的缺陷：对于疾病患者治疗前后的健康评估，主要依赖于评估人的从业经验，诊断结果主观性强，评估耗时比较长，容易遗漏一些心电图变化细微的相关的人体疾病。
因此，有必要提供改进的技术方案以克服现有技术中存在的技术问题。
发明内容
为解决上述问题，本发明公开了一种人体疾病风险的判别方法及设备，具体流程为：分别获取健康人和特定疾病患者的非线性系统动态数据，如心电向量数据或心电非线性系统动态数据等，构建人体健康状况分类数据集；然后输入待测人员相关的健康状况数据集到构建的人体健康状况分类数据集中进行相似性比对，获得待测人员的相似度比对结果，从而实现对待测人员罹患特定人体疾病风险的预测，或实现对待测人员接受医学治疗效果的评估判定。
本发明第一方面提供了一种人体疾病风险的判别方法，包括以下步骤：
步骤一、构建人体健康状况分类数据集，所述的人体健康状况分类数据集包括非线性系统动态数据；
步骤二、输入待测人员健康状况数据到步骤一所构建的人体健康状况分类数据集中进行相似性比对，所述的待测人员健康状况数据包括待测人员的非线性系统动态数据。
在至少一个实施例中，如前所述的人体疾病风险的判别方法，所述的步骤二还包括：筛选与待测人员健康状况数据的相似度≥K%的前N个样本数据集进行人体疾病风险的判别；其中，所述的K为1~100的实数，所述的N为不小于2的整数；优选地，所述的K为10~100的实数，所述的N为不小于6的整数；在心脏疾病的检测中具有更大的优势。
在至少一个实施例中，如前所述的人体疾病风险的判别方法，所述的非线性系统
动态数据包括心电非线性系统动态数据、心电向量数据、肌电信号数据、脑电信号数据、心
电数据、心音信号、心磁信号、心电向量图、心电非线性系统动态图、脑电图、肌电图和心电
图中的一种或几种；优选地，所述的非线性系统动态数据，可表示为：；其中m和n的值都为-1~1，所述的包括括心电非线性系统动
态数据、心电向量数据、脑电数据、肌电信号数据、心电数据、心音信号和心磁信号中的至少
一种；所述的包括预处理的心电向量图、预处理的心电非线性系统动态图、预处理的
脑电图、预处理的肌电图和预处理的心电图中的至少一种。在这里，图像的预处理包括但不
限于：进行目标图像区域检测、像素化、特征点定位和（或）归一化等预处理。
在至少一个实施例中，如前所述的人体疾病风险的判别方法，所述相似性比对的方法包括明氏距离、马氏距离、曼哈顿距离、切比雪夫距离、欧氏距离、汉明距离、相关系数、信息熵和余弦相似度中的一种或几种。
在至少一个实施例中，如前所述的人体疾病风险的判别方法，设定特定人体疾病的相似性比对的监测阈值T，并将待测人员的相似度量化指标S I 的量化值和监测阈值T进行对比，完成对待测人员疾病风险的评估；其中，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为-1~1之间适应不同种人体疾病的选择值，j的取值包括实数。
在至少一个实施例中，如前所述的人体疾病风险的判别方法，所述的判别方法还包括对不同的相似度比对结果赋以权值进行人体疾病风险的判别。
本发明第二方面提供了一种人体疾病的检测产品，使用了前述的判别方法进行人体疾病的检测。
在至少一个实施例中，在如前所述的人体疾病风险的检测产品中，所述的人体疾病包括糖尿病、心肌缺血、心肌梗塞、心源性猝死、心肌炎、心律失常、心肌梗死、心绞痛、冠心病、急性冠脉综合征、高血压、高胆固醇、睡眠呼吸暂停、冠状动脉疾病或心力衰竭。
本发明第三方面提供了一种人体疾病风险的判别方法，包括以下步骤：
步骤一、构建人体健康状况分类数据集，所述的人体健康状况分类数据集包括非线性系统动态数据；
步骤二、输入待测人员健康状况数据到步骤一所构建的人体健康状况分类数据集中进行机器学习，所述的待测人员健康状况数据包括待测人员的非线性系统动态数据。
本发明第四方面提供了一种医学治疗效果的评估方法，所述的评估方法包括：使用前述的判别方法；所述的医学治疗包括手术治疗或药物治疗。
本发明第五方面提供了一种前述的判别方法或一种前述的评估方法在疾病早期筛查、病人监护、手术治疗、药物治疗或健康管理上的应用。
有益效果：本发明提供一种人体疾病风险的判别方法及设备，为待测人员罹患特定人体疾病风险的进行预测，或对待测人员接受医学治疗的效果进行评估判定，提供了一种新的人体疾病风险的判别方法，可有效为后续人体疾病的早期检测提供较为准确的参考内容，为后期医生进行疾病的精准治疗提供便利。
具体实施方式
下列实施例中未注明具体条件的实验方法，通常按照国家标准测定。若没有相应的国家标准，则按照通用的国际标准、常规条件、或按照制造厂商所建议的条件进行。
在本发明中，如果没有特别的说明，本文所提到的所有实施方式以及优选实施方式可以相互组合形成新的技术方案。
在本发明中，如果没有特别的说明，本文所提到的所有技术特征以及优选特征可以相互组合形成新的技术方案。
在本发明中，如果没有特别的说明，本文所提到的人体健康状况分类数据集是指反映人体健康状况的数据，其包括但不限于心电非线性系统动态数据、心电向量数据、心电数据、脑电数据、肌电信号数据、心电向量图、心电图、心电非线性系统动态图、脑电图和肌电图等非线性系统动态数据中的一种或几种。
在本发明中，如果没有特别的说明，本文所提到的人体健康状况分类数据集包括但不限于心脏动态病理特征的量化数据、生物化学数据、人体生理信息数据和临床信息数据。
在本发明中，如果没有特别的说明，本文所提到的待测人员健康状况数据包括但不限于心电非线性系统动态数据、心电向量数据、心电数据、脑电数据、肌电信号数据、心电向量图、心电图、心电非线性系统动态图、脑电图、肌电图、预处理的心电向量图、预处理的心电图、预处理的心电非线性系统动态图、预处理的脑电图、预处理的肌电图、心脏动态病理特征的量化数据、生物化学数据、人体生理信息数据和临床信息数据数据中的一种或几种
在本发明中，如果没有特别的说明，本文所提到的心电数据包括但不限于心电图数据、预处理的心电图数据、截取的心电图数据、截取的心电数据、单导联的心电数据或多导联的心电数据。所述的心电数据包括但不限于：特定的波、段或间期的心电数据；例如：截取P波、和/或R波、和/或QRS波群、和/或S波、和/或T波、和/或U波、和/或PR段、和/或ST段、和/或ST-T段、和/或PR间期、和/或ST间期、和/或QT间期等数据后的心电数据。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于反映心电大小和方向信息的数据。
在本发明中，如果没有特别的说明，所述的心电向量数据包括但不限于完整的心电向量数据、VCG数据、预处理的VCG数据或截取的VCG数据，所述的截取的VCG数据包括但不限于：存在 VCG数据上任意大小的一部分数据。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于单维度数据或多维度数据；所述单维度的心电向量数据包括但不限于心电向量数据在一个维度空间上投影的数据信息；所述的多维度的心电向量数据包括但不限于心电向量数据在多个维度空间上投影的数据信息。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于将心电数据进行数学运算后得到的向量数据，所述的数学运算包括但不限于三维转换，比如12导联心电数据（或15导联心电数据或18导联心电数据）进行三维转换后得到的向量数据；所述的数学运算包括但不限于：Kors J.A.等在1990年发表在European Heart Journal杂志的11(12):1083-1092的论文所述的计算方法。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据是指将心电数据经过转换后获得的单维度数据或多维度数据，所述的转换包括但不限于将12导联（或多导联）心电数据转换为单维度数据或多维度数据。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据包括但不限于：截取P波、和/或R波、和/或QRS波群、和/或S波、和/或T波、和/或U波、和/或PR段、和/或ST段、和/或ST-T段、和/或PR间期、和/或ST间期、和/或QT间期等数据后的心电向量数据。
在本发明中，如果没有特别的说明，本文所提到的心电非线性系统动态数据是指心电数据或心电向量数据通过数学运算后获取的非线性系统动态数据。所述的数学运算包括但不限于建模的方法，建模的方法包括但不限于自适应系统系统辨识方法，自适应系统系统辨识方法包括但不限于神经网络方法、调节函数法、最小二乘法、极大似然法、回归方程、或预报误差法等。
在本发明中，如果没有特别的说明，本文所提到的心电非线性系统动态数据是指将心电向量数据经过（或不经过）波、段或间期的截取后，然后通过自适应系统系统辨识方法而获取的单维度数据或多维度数据。
在本发明中，如果没有特别的说明，本文所提到的心电非线性系统动态数据包括但不限于心电动力学数据或CDG数据。
在本发明中，如果没有特别的说明，本文所提到的心电非线性系统动态数据包括但不限于完整的心电非线性系统动态数据、预处理的心电非线性系统动态数据、截取的心电非线性系统动态数据、心电非线性系统动态图、预处理的心电非线性系统动态图、截取的心电非线性系统动态图、心电动力学图、预处理的心电动力学图或截取的心电动力学图；预处理的心电动力学图包括但不限于压缩的心电动力学图、改变对比度的心电动力学图、或放大的心电动力学图等；截取的心电动力学图包括但不限于存在于心电动力学图上任意大小和任意形状的一部分。截取的心电非线性系统动态数据，包括但不限于：存在于心电非线性系统动态数据上任意大小的一部分的数据。
在本发明中，如果没有特别的说明，本文所提到的心电非线性系统动态数据包括但不限于：心电非线性系统动态数据（包括但不限于P波、和/或R波、和/或QRS波群、和/或S波、和/或T波、和/或U波、和/或PR段、和/或ST段、和/或PR间期、和/或ST间期、和/或QT间期等数据信息）、预处理的心电非线性系统动态数据（包括但不限于P波、和/或R波、和/或QRS波群、和/或S波、和/或T波、和/或U波、和/或PR段、和/或ST段、和/或PR间期、和/或ST间期、和/或QT间期等数据信息）、心电动力学数据、预处理的心电动力学数据或截取的心电动力学数据。心电动力学数据是指将心电向量数据经过波、段或间期的截取后，然后通过自适应系统系统辨识方法而获取的单维度数据或多维度数据。截取的心电动力学数据，包括但不限于：存在于心电动力学数据上任意大小的一部分的数据。
在本发明中，如果没有特别的说明，本文所提到的待测人员包括但不限于医院待测人员、体检人员和心脏疾病患者等。
在本发明中，如果没有特别的说明，本文所提到的相似性比对是指评定两个事物之间相近程度的一种度量。
在本发明中，如果没有特别的说明，本文所提到的相似性比对方法包括但不限于明氏距离(Minkowski Distance)、马氏距离(Mahalanobis Distance)、曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)、欧氏距离(Euclidean Distance)、汉明距离（Hamming distance）、皮尔逊相关系数(Pearson correlation coefficient)、杰卡德相似系数(Jaccard similarity coefficient)、谷本系数(Tanimoto Coefficient)、信息熵(Information Entropy)、莱文斯坦（Levenshtein）距离、余弦相似度(Cosine similarity)、感知哈希算法（均值哈希算法）等方法中的一种或几种。
在本发明中，如果没有特别的说明，本文所提到的机器学习包括但不限于：支持向量机、卷积神经网络、循环神经网络、贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、聚类算法、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。
在本发明中，如果没有特别的说明，本文所提到的非线性系统动态数据包括心电非线性系统动态数据、心电向量数据、脑电数据、肌电信号数据、心电数据、心音信号、心电向量图、心电非线性系统动态图、脑电图、肌电图和心电图中的一种或几种。
以下结合具体实施例，对本发明作进一步说明。应理解，以下优选的实施例仅用于说明本发明而非用于限定本发明的范围。
实施例1. 人体健康状况分类数据集的构建
本实施例主要解决对人体健康状况分类数据集的构建的问题，所采用的人体健康状况分类数据集的构建方法为：纳入n个临床已知身体健康的个体（n>5000）以及m个临床已知某种疾病的个体（m>10000）作为测试样本人群，所述的人体健康状况分类数据集包括采集的健康人员的心电数据、心电向量数据、心电非线性系统动态数据、脑电数据、肌电信号数据、心电向量图、心电图、心电非线性系统动态图、脑电图或肌电图，并同时采集非健康人员的心电数据、心电向量数据、心电非线性非线性系统动态数据、脑电数据、肌电信号数据、心电向量图、心电图、心电非线性系统动态图、脑电图或肌电图；在此，以(y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t))表示人体健康状况分类数据集。
心电非线性系统动态数据的获取：采集带标签的心脏电信号数据e(t)，t=1,2,…
T；将采集的心脏电信号数据进行滤波和基线漂移等预处理，然后将心脏电信号数据或心电
向量数据采用数学运算方法获得心脏电信号数据或心电向量数据的神经网络模型，进行计
算得到心电非线性系统动态数据，所述心电非线性系统动态数据可表述为[]；其中，、和都是高斯径向
基函数；是常值神经网络权值向量。在本实施例中，所述数学运算方法包括但
不限于自适应系统辨识方法；所述自适应系统辨识方法采用包括但不限于建模方法，所述
建模方法包括但不限于自适应系统辨识方法建模，所述的自适应系统辨识方法包括但不限
于神经网络方法、调节函数法、最小二乘法、极大似然法、回归方程、或预报误差法等。
在本实施例中，所述的人体健康状况分类数据集的标签的设定为：采用人体疾病的金标准指标的指标数据以及专家共识作为人体健康状况分类数据集的标签。
在本实施例的一些实施方式中，所述的心电向量图、心电图、心电非线性系统动态图、脑电图或肌电图在进行相似性比对前，需进行目标图像区域检测、像素化、特征点定位和（或）归一化等预处理。
实施例2. 用于人体疾病风险判别的相似性比对方法
本实施例在实施例1构建的人体健康状况分类数据集基础上，阐述了待测人员的健康状况数据和人体健康状况分类数据集进行相似性比对的方法，具体的相似性比对方法如下：
1. 相似性比对方法A
相似性比对方法A的操作步骤为：进行待测人员的健康状况数据（x 1 (t)，x 2 (t)，x 3 (t)，…，x n (t)）和人体健康状况分类数据集中的（y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t)）的采集，然后进行相似性比对，比对公式采用以下相似度函数S进行，所采集的心电数据都有F个周期。
S f = ；
S
s
=
；
S = a×S
f
+ b×S
s
+ T；
其中，为待测人员心电数据第k个向量的分量，为健康状况数据集中目标
心电数据的第k个向量的分量，a和b取值为-1~1之间适应不同种心脏疾病的选择值，T的取
值包括实数。
相似度S的判别标准：相似性范围从－1到1，－1意味着两个向量指向的方向正好截然相反，1表示它们的指向是完全相同的，0通常表示它们之间是独立的，而在这之间的值则表示中间的相似性。
相似性比对方法B
相似性比对方法B的操作步骤为：采集待测人员的健康状况数据(x 1 (t)，x 2 (t)，x 3 (t)，…，x n (t))和人体健康状况分类数据集中的(y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t)) ，然后进行相似性比对，比对公式采用如下的相似度函数S进行；所采集的心电数据都有F个周期。
S=；
其中，为协方差矩阵，为待测人员心电数据第k个向量的分量，为健康
状况数据集中目标心电数据的第k个向量的分量。
相似度S的判别标准：0表示它们的指向是完全相同的，数值越大表示它们之间越独立。
相似性比对方法C
相似性比对方法C的操作步骤为：采集待测人员的健康状况数据(x 1 (t)，x 2 (t)，x 3 (t)，…，x n (t))和人体健康状况分类数据集中的(y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t))，然后进行相似性比对，比对公式采用如下相似度函数S进行；所采集的心电数据都有F个周期。
S=；
其中，为待测人员心电数据第k个向量的分量，为健康状况数据集中目标心
电数据的第k个向量的分量；p为非负实数。
相似度S的判别标准：0表示它们的指向是完全相同的，数值越大表示它们之间越独立。
相似性比对方法D
相似性比对方法D的操作步骤为：采集待测人员的健康状况数据(x 1 (t)，x 2 (t)，x 3 (t)，…，x n (t))和人体健康状况分类数据集中的(y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t)) ，然后进行相似性比对，比对方法采用如下相似度比对方法D进行；所采集的心电数据都有F个周期。
相似性比对方法D的取值为将(x 1 (t)，x 2 (t)，x 3 (t)，…，x n (t))变为(y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t))的最小替换次数。
相似度S的判别标准：0表示它们的指向是完全相同的，数值越大表示它们之间越独立。
相似性比对方法E
相似性比对方法E的操作步骤为：采集待测人员的健康状况数据(x 1 (t)，x 2 (t)，x 3 (t)，…，x n (t))和人体健康状况分类数据集中的(y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t))，然后进行相似性比对，比对公式采用如下相似度函数S进行；所采集的心电数据都有F个周期。
S=；
相似度S的判别标准：相似性范围从－1到1，，接近0的变量被成为无相关性，接近1或者-1被称为具有强相关性。
相似性比对方法F
相似性比对方法F的操作步骤为：采集待测人员的健康状况数据(x 1 (t)，x 2 (t)，x 3 (t)，…，x n (t))和人体健康状况分类数据集中的(y 1 (t)，y 2 (t)，y 3 (t)，…，y n (t))，然后进行相似性比对，比对公式采用如下相似度函数S进行；所采集的心电数据都有F个周期。
S = ；
相似度S的判别标准：0表示二者是完全独立的；数值越大，表示二者越具有相关性。
在本实施例中，所述的待测人员的健康状况数据包括但不限于：心电数据、心电向量数据、心电非线性非线性系统动态数据、脑电数据和肌电信号数据。
实施例3.一种人体疾病风险的判别方法
本实施例主要解决如何对人体疾病风险进行判定识别的问题。在本实施例中，所述的人体疾病包括但不限于糖尿病、心肌缺血、心肌梗塞、心源性猝死、心肌炎、心律失常、心肌梗死、心绞痛、冠心病、急性冠脉综合征、高血压、高胆固醇、睡眠呼吸暂停、冠状动脉疾病和心力衰竭。
待测人员治疗前的相似性比对
治疗前，采集待测人员的健康状况数据，输入到实施例1所构建的人体健康状况分类数据集中进行相似性比对，所述的相似性比对方法采用实施例2所述的方法，所述的人体疾病风险的判别包括采用相似度量化指标SI进行评估，且设定相似度量化指标的监测阈值T，将所述SI的量化值和T对比进行人体疾病风险的评估；其中，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×皮尔逊相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为-1~1之间适应不同种人体疾病的选择值，j的取值包括实数；得到治疗前待测人员的健康状况评定值S治疗前。
待测人员治疗后的相似性比对
治疗前，采集待测人员的健康状况数据，输入到实施例1所构建的人体健康状况分类数据集中进行相似性比对，所述的相似性比对方法采用实施例2所述的方法，所述的人体疾病风险的判别包括采用相似度量化指标SI进行评估，且设定相似度量化指标的监测阈值T，将所述SI的量化值和T对比进行人体疾病风险的评估；其中，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×皮尔逊相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为-1~1之间适应不同种人体疾病的选择值，j的取值包括实数；得到治疗后待测人员的健康状况评定值S治疗后。
待测人员的人体疾病风险的评估
评估步骤1：如果S治疗后大于健康人群的相似度阈值C，则认为待测人员的治疗前后的健康度有明显提高；如果S治疗后小于健康人群的相似度阈值C，则认为待测人员的治疗前后的健康度未有改善。如果S治疗后等于阈值C，则转到评估步骤2进行操作。
评估步骤2：评估结果M i =S治疗前/S治疗后；治疗后，如果待测人员的M i 大于1，则认为待测人员的治疗前后的健康度有明显提高；如果待测人员的M i 小于1，则认为待测人员治疗后的健康度发生下降。如果待测人员的M i 等于1，则转到评估步骤3进行操作。
评估步骤3：筛选与待测人员治疗前相似度≥K%的前N个样本数据集，得到治疗前待测人员的健康状况评定值S治疗前=（N-Y k）*（N-C），其中，Y k 为疾病患者的个数，C为健康人群的相似度阈值。同理地，得到待测人员治疗后健康状况评定值S’治疗后= （N-Y’ k）*（N-C），其中，Y’ k 为疾病患者的个数，C为健康人群的相似度阈值。健康状况评定值为M i ’=（（N-C）/N）*S治疗前/ S’治疗后。
健康人群的相似度阈值
纳入W个临床已知心脏健康个体（W>500），与实施例1构建的健康状况数据集分别进行
比较，采集相似度 ≥ 60% 为前V个样本数据进行M i 值的计算，得到M 1 , M 2 ,…M v；健康人群
的相似度阈值C= 。
实施例4.一种心脏疾病风险的判别方法
本实施例主要解决如何对心脏疾病风险进行判定识别的问题。本实施例提供一种心脏疾病风险的判别方法，具体为，在待测人员进行经皮冠状动脉介入治疗（PCI治疗）前，将其非线性系统动态数据输入到实施例1所述的人体健康状况分类数据集中进行相似性比对；相似性比对方法采用实施例2中的相似性比对方法，所述的心脏疾病风险的判别包括采用相似度量化指标SI进行评估，且设定相似度量化指标的监测阈值T，将所述SI的量化值和T对比进行心脏疾病风险的评估；其中，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×皮尔逊相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为-1~1之间适应不同种人体疾病的选择值，j的取值包括实数。优选地，a、b、c、d、e、g、h和i的取值为0，f的取值为－1，p的取值为2；得到的比对结果S I治疗前为32%。然后将待测人员进行PCI治疗，在待测人员进行PCI治疗，再次采集待测人员的心电非线性系统动态数据，输入到实施例1所述的人体健康状况分类数据集中进行相似性比对；相似性比对方法采用实施例2中的相似性比对方法，所述的心脏疾病风险的判别包括采用相似度量化指标SI进行评估，且设定相似度量化指标的监测阈值T，将所述SI的量化值和T对比进行心脏疾病风险的评估；其中，所述的S I 的量化值= a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×皮尔逊相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为-1~1之间适应不同种人体疾病的选择值，j的取值包括实数。优选地，a、b、c、d、e、g、h、i和j的取值为0，f的取值为－1，p的取值为2；得到的比对结果治疗后健康评定值S I治疗后为36%。因此，认为待测人员的治疗后的健康度有明显提高。
在本实施例中，所述的非线性系统动态数据，可表示为：；其中m和n的值都为-1~1，所述的包括心电非线性系统动态
数据、心电向量数据、脑电数据、肌电信号数据、心电数据、心音信号和心磁信号中的至少一
种；所述的包括预处理的心电向量图、预处理的心电非线性系统动态图、预处理的脑
电图、预处理的肌电图和预处理的心电图中的至少一种。优选地，n = 0，m =－1，所述的为心电非线性系统动态数据。
在一些实施方式中，所述的相似性比对方法还包括：筛选与待测人员健康状况数据的相似度≥K%的前N个样本数据集进行人体疾病风险的判别；其中，所述的K为1~100的实数，所述的N为不小于2的整数。发明人在进行筛选后，待测人员治疗前的健康评定值S I治疗前为3~10%，待测人员治疗后的健康评定值S I治疗前为12~28%。优选地，所述的K为10~100的实数，所述的N为不小于6的整数，可取得较好的人体疾病风险的判别效果。
在一些实施方式中，所述的相似性比对方法采用实施例2中的相似性比对方法进行，所述的心脏疾病风险的判别包括采用相似度量化指标SI进行评估，且设定相似度量化指标的监测阈值T，将所述SI的量化值和T对比进行心脏疾病风险的评估；其中，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×皮尔逊相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为－1~1之间适应不同种人体疾病的选择值，j的取值包括实数。优选地，b、e、f、g、h、i和j的取值为0，a或c的取值为1，d的取值为－1，p的取值为2。
在一些实施方式中，所述的心电非线性系统动态数据还可替换为心电向量数据、脑电数据、肌电信号数据、心电数据、心音信号、心磁信号、心电向量图、心电非线性系统动态图、脑电图、肌电图或心电图。当使用心电向量图、心电非线性系统动态图、脑电图、肌电图或心电图进行相似性比对前，需进行目标图像区域检测、像素化、特征点定位和（或）归一化等预处理。
实施例5.一种糖尿病风险的判别方法
本实施例主要解决如何对糖尿病风险进行判定识别的问题。本实施例提供一种糖尿病疾病风险的判别方法，具体为，将待测人员的心电非线性系统动态数据输入到实施例1所述的人体健康状况分类数据集中进行相似性比对；相似性比对方法采用实施例2中的相似性比对方法，所述的糖尿病风险的判别包括采用相似度量化指标SI进行评估，且设定相似度量化指标的监测阈值T，将所述SI的量化值和T对比进行糖尿病风险的评估；其中，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×皮尔逊相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为－1~1之间适应不同种人体疾病的选择值，j的取值包括实数。优选地， a、c、d、e、f、h、i和j的取值为0，b的取值为－1或1，g的取值为－1或1；得到相似性比对比对结果A’。 然后，继续采用实施例3所述的疾病风险的判别方法继续进行待测人员罹患糖尿病风险的判别，具体为：筛选与待测人员治疗前相似度≥60%的前N个样本数据集，健康个体有X k 个，糖尿病患者有Y k 个，X k + Y k = N，待测人员相似度A’= X’k / N。如果A’大于或等于健康人群的相似度阈值C，则认为待测人员倾向于健康人；如果A’小于健康人群的相似度阈值C，则认为待测人员有罹患糖尿病的风险。
在一些实施方式中，所述的心电非线性系统动态数据还可为心电向量数据、肌电信号数据、或脑电信号数据。
实施例6.一种高血压风险的判别方法
本实施例主要解决对高血压风险进行判定识别的问题。本实施例提供一种高血压疾病风险的判别方法，具体为，将待测人员的心电非线性系统动态数据输入到实施例1所述的人体健康状况分类数据集中进行相似性比对；相似性比对方法采用实施例2中的相似性比对方法，所述的高血压风险的判别包括采用相似度量化指标SI进行评估，且设定相似度量化指标的监测阈值T，将所述SI的量化值和T对比进行待测人员罹患高血压风险的评估；其中，，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为－1~1之间适应不同种人体疾病的选择值，j的取值包括实数。优选地， a、b、d、c、f和j的取值为0，e、g、h和i的取值为－1或1，所述的相关系数包括但不限于皮尔逊相关系数、杰卡德相似系数或谷本系数；得到相似性比对比对结果A’；具体为：筛选与待测人员治疗前相似度≥60%的前N个样本数据集，健康个体有X k 个，高血压患者有Y k 个，X k + Y k = N，待测人员相似度A’= X’k / N。如果A’大于或等于健康人群的相似度阈值T，则认为待测人员倾向于健康人；如果A’小于健康人群的相似度阈值T，则认为待测人员有罹患高血压的风险。
在一些实施方式中，所述的心电非线性系统动态数据还可为肌电信号数据、或脑电信号数据。
虽然在本公开中已提供数个实施例，但应理解所公开系统和方法可在不偏离本公开的精神或范围的情况下以许多其它特定形式体现。这些实例将视为的示例性而非限制性的，并且并不旨在限于本文中给出的细节。例如，各种元件或组件可组合或整合于另一系统中，或者某些特征可省略或不实施。
而且，在各种实施例中描述且示出为分立或单独的技术、系统、子系统和方法可在不偏离本公开的范围的情况下与其它系统、模块、技术或方法组合或整合。示出或讨论为彼此直接耦合或通信的其它项可通过某一接口、设备或中间组件以电力方式、以机械方式或以其它方式间接耦合或通信。改变、替换和变更的其它实例可由所属领域的技术人员确定并且可在不偏离本文中所公开精神和范围的情况下作出。
Claims (10)
1.一种人体疾病风险的判别方法，其特征在于，包括以下步骤：
步骤一、构建人体健康状况分类数据集，所述的人体健康状况分类数据集包括非线性系统动态数据；
步骤二、输入待测人员健康状况数据到步骤一所构建的人体健康状况分类数据集中进行相似性比对，所述的待测人员健康状况数据包括待测人员的非线性系统动态数据。
2.如权利要求1所述的判别方法，其特征在于，所述的步骤二还包括：筛选与待测人员健康状况数据的相似度≥K%的前N个样本数据集，进行人体疾病风险的判别；其中，所述的K为1~100的实数，所述的N为不小于2的整数。
3.如权利要求1所述的判别方法，其特征在于，所述的非线性系统动态数据包括心电非线性系统动态数据、心电向量数据、肌电信号数据、脑电信号数据、心电数据、心音信号、心磁信号、心电向量图、心电非线性系统动态图、脑电图、肌电图和心电图中的一种或几种；
优选地，所述的非线性系统动态数据，可表示为：；其中m和n的值都为-1~1，所述的包括括心电非线性系统动态数据、心电向量数据、脑电数据、肌电信号数据、心电数据、心音信号和心磁信号中的至少一种；所述的包括预处理的心电向量图、预处理的心电非线性系统动态图、预处理的脑电图、预处理的肌电图和预处理的心电图中的至少一种。
4.如权利要求1所述的判别方法，其特征在于，所述相似性比对的方法包括明氏距离、马氏距离、曼哈顿距离、切比雪夫距离、欧氏距离、汉明距离、相关系数、信息熵和余弦相似度中的一种或几种。
5.如权利要求1所述的判别方法，其特征在于，设定特定人体疾病的相似性比对的监测阈值T，并将待测人员的相似度量化指标S I 的量化值和监测阈值T进行对比，完成对待测人员疾病风险的评估；
其中，所述的S I 的量化值 = a×明氏距离的量化值－b×马氏距离的量化指标＋c×曼哈顿距离的量化值－d×切比雪夫距离的量化值＋e×相关系数的量化值－f×欧氏距离的量化值＋g×余弦相似度的量化值－h×汉明距离的量化值＋i×信息熵的量化值－j；其中，a、b、c、d、e、f、g、h和i的取值为-1~1之间适应不同种人体疾病的选择值，j的取值包括实数。
6.如权利要求5所述的判别方法，其特征在于，所述的判别方法还包括对不同的相似度比对结果赋以权值进行人体疾病风险的判别。
7.一种人体疾病的检测产品，其特征在于，使用了权利要求1-6任一权项所述的判别方法进行人体疾病的检测。
8.一种人体疾病风险的判别方法，其特征在于，包括以下步骤：
步骤一、构建人体健康状况分类数据集，所述的人体健康状况分类数据集包括非线性系统动态数据；
步骤二、输入待测人员健康状况数据到步骤一所构建的人体健康状况分类数据集中进行机器学习，所述的待测人员健康状况数据包括待测人员的非线性系统动态数据。
9.一种医学治疗效果的评估方法，其特征在于，所述的评估方法包括：使用权利要求1-6任一权项所述的判别方法；所述的医学治疗包括手术治疗或药物治疗。
10.如权利要求1-6任一权项所述的判别方法或权利要求9所述的评估方法在疾病早期筛查、病人监护、手术治疗、药物治疗或健康管理上的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910175677.1A CN109938723A (zh) | 2019-03-08 | 2019-03-08 | 一种人体疾病风险的判别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910175677.1A CN109938723A (zh) | 2019-03-08 | 2019-03-08 | 一种人体疾病风险的判别方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109938723A true CN109938723A (zh) | 2019-06-28 |
Family
ID=67009202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910175677.1A Pending CN109938723A (zh) | 2019-03-08 | 2019-03-08 | 一种人体疾病风险的判别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109938723A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110413601A (zh) * | 2019-07-04 | 2019-11-05 | 东南大学 | 一种基于高斯朴素贝叶斯分类器和预报误差法相结合的发电机组辨识数据筛选方法 |
| CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持系统 |
| CN112270994A (zh) * | 2020-10-14 | 2021-01-26 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
| CN112494044A (zh) * | 2020-11-09 | 2021-03-16 | 沈阳东软智能医疗科技研究院有限公司 | 疲劳驾驶检测方法、装置、可读存储介质及电子设备 |
| CN114569077A (zh) * | 2022-02-28 | 2022-06-03 | 深圳市澈影医生集团有限公司 | 一种基于移动终端的心肌梗死检测系统及方法 |
| CN115050472A (zh) * | 2022-06-07 | 2022-09-13 | 西安鹫一卓越软件科技有限公司 | 一种高血压风险级别评估和风险预警的方法及系统 |
| CN115691811A (zh) * | 2022-12-06 | 2023-02-03 | 山东省立第三医院 | 一种用于2型糖尿病患者的健康管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101316246A (zh) * | 2008-07-18 | 2008-12-03 | 北京大学 | 一种基于分类器动态更新的垃圾邮件检测方法及系统 |
| CN102198003A (zh) * | 2011-06-07 | 2011-09-28 | 嘉兴恒怡科技有限公司 | 肢体运动检测评估网络系统及其方法 |
| WO2015066510A1 (en) * | 2013-11-01 | 2015-05-07 | Cardiio, Inc. | Method and system for screening of atrial fibrillation |
| CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
| CN105302810A (zh) * | 2014-06-12 | 2016-02-03 | 北京搜狗科技发展有限公司 | 一种信息搜索方法和装置 |
| CN105286853A (zh) * | 2015-11-17 | 2016-02-03 | 安徽华米信息科技有限公司 | 基于可穿戴设备的疾病检测方法及装置、可穿戴设备 |
| CN107960990A (zh) * | 2018-01-11 | 2018-04-27 | 上海健康医学院 | 一种穿戴式心脑血管疾病智能监测系统及方法 |
| CN108652615A (zh) * | 2018-03-24 | 2018-10-16 | 度特斯(大连)实业有限公司 | 一种心电数据病理特征量化分析方法及装置 |
-
2019
- 2019-03-08 CN CN201910175677.1A patent/CN109938723A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101316246A (zh) * | 2008-07-18 | 2008-12-03 | 北京大学 | 一种基于分类器动态更新的垃圾邮件检测方法及系统 |
| CN102198003A (zh) * | 2011-06-07 | 2011-09-28 | 嘉兴恒怡科技有限公司 | 肢体运动检测评估网络系统及其方法 |
| WO2015066510A1 (en) * | 2013-11-01 | 2015-05-07 | Cardiio, Inc. | Method and system for screening of atrial fibrillation |
| CN105302810A (zh) * | 2014-06-12 | 2016-02-03 | 北京搜狗科技发展有限公司 | 一种信息搜索方法和装置 |
| CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估系统及其评估方法 |
| CN105286853A (zh) * | 2015-11-17 | 2016-02-03 | 安徽华米信息科技有限公司 | 基于可穿戴设备的疾病检测方法及装置、可穿戴设备 |
| CN107960990A (zh) * | 2018-01-11 | 2018-04-27 | 上海健康医学院 | 一种穿戴式心脑血管疾病智能监测系统及方法 |
| CN108652615A (zh) * | 2018-03-24 | 2018-10-16 | 度特斯(大连)实业有限公司 | 一种心电数据病理特征量化分析方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110413601A (zh) * | 2019-07-04 | 2019-11-05 | 东南大学 | 一种基于高斯朴素贝叶斯分类器和预报误差法相结合的发电机组辨识数据筛选方法 |
| CN110413601B (zh) * | 2019-07-04 | 2021-10-19 | 东南大学 | 基于高斯朴素贝叶斯和预报误差法的发电机数据筛选法 |
| CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持系统 |
| CN112270994A (zh) * | 2020-10-14 | 2021-01-26 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
| CN112494044A (zh) * | 2020-11-09 | 2021-03-16 | 沈阳东软智能医疗科技研究院有限公司 | 疲劳驾驶检测方法、装置、可读存储介质及电子设备 |
| CN114569077A (zh) * | 2022-02-28 | 2022-06-03 | 深圳市澈影医生集团有限公司 | 一种基于移动终端的心肌梗死检测系统及方法 |
| CN115050472A (zh) * | 2022-06-07 | 2022-09-13 | 西安鹫一卓越软件科技有限公司 | 一种高血压风险级别评估和风险预警的方法及系统 |
| CN115691811A (zh) * | 2022-12-06 | 2023-02-03 | 山东省立第三医院 | 一种用于2型糖尿病患者的健康管理方法及系统 |
| CN115691811B (zh) * | 2022-12-06 | 2024-03-22 | 山东省立第三医院 | 一种用于2型糖尿病患者的健康管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11647963B2 (en) | System and method for predicting acute cardiopulmonary events and survivability of a patient | |
| CN109938723A (zh) | 一种人体疾病风险的判别方法及设备 | |
| Roopa et al. | A survey on various machine learning approaches for ECG analysis | |
| Anbalagan et al. | Analysis of various techniques for ECG signal in healthcare, past, present, and future | |
| CN110090012A (zh) | 一种基于机器学习的人体疾病检测方法及检测产品 | |
| CN111261289A (zh) | 一种基于人工智能模型的心脏疾病的检测方法 | |
| CN109938695A (zh) | 一种基于异质度指标的人体疾病风险预测方法及设备 | |
| Zhang et al. | Detection of atrial fibrillation from variable-duration ECG signal based on time-adaptive densely network and feature enhancement strategy | |
| Yu et al. | Automatic detection of atrial fibrillation from ballistocardiogram (BCG) using wavelet features and machine learning | |
| WO2013186634A2 (en) | Predicting acute cardiopulmonary events and survivability of a patient | |
| Paila et al. | Detection and Analysis of Cardiac Arrhythmias from Heartbeat Classification | |
| Deng et al. | An intelligent computer-aided diagnosis method for paroxysmal atrial fibrillation patients with nondiagnostic ECG signals | |
| Devi et al. | Cardiac Arrhythmia Diagnosis System from Electrocardiogram Signal using Machine Learning Approach | |
| Banjarnahor et al. | Application of Decision Tree Method in ECG Signal Classification For Heart Disorder Detection | |
| Duangburong et al. | Determining the optimal time interval for AF classification from ECG signal by machine learning | |
| Mnevets et al. | Myocardial Ischemia Detection Using a Reduced Number of ECG Leads | |
| Anbalagan et al. | AF identification from time frequency analysis of ECG signal using deep neural networks | |
| Wang et al. | ECG abnormalities classification using Deep Learning | |
| Ahmed | Electrocardiogram Signal Classification Based on Deep Learning Techniques | |
| CN117257321A (zh) | 基于机器学习与高频心电的心肌缺血检测方法及装置 | |
| CN118139576A (zh) | 用于将来自生物物理信号的心脏波形特征工程化以用于表征生理系统的方法和系统 | |
| Ge et al. | Study of myocardial infraction feature extraction using subjective introduction based method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190617 Address after: Room 1129, C Building, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant after: SHANGHAI TURING MEDICAL TECHNOLOGY Co.,Ltd. Address before: 116011 He Tun Village, Changxing Island Economic Zone, Dalian City, Liaoning Province (formerly He Tun Primary School) Applicant before: DUTESI (DALIAN) INDUSTRIAL Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |
|
| RJ01 | Rejection of invention patent application after publication |