CN110090012A - 一种基于机器学习的人体疾病检测方法及检测产品 - Google Patents
一种基于机器学习的人体疾病检测方法及检测产品 Download PDFInfo
- Publication number
- CN110090012A CN110090012A CN201910198044.2A CN201910198044A CN110090012A CN 110090012 A CN110090012 A CN 110090012A CN 201910198044 A CN201910198044 A CN 201910198044A CN 110090012 A CN110090012 A CN 110090012A
- Authority
- CN
- China
- Prior art keywords
- human body
- data
- body diseases
- vector data
- machine learning
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 123
- 201000010099 disease Diseases 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000010801 machine learning Methods 0.000 title claims abstract description 76
- 238000012360 testing method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 182
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 81
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000000306 recurrent effect Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 24
- 230000000694 effects Effects 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000005611 electricity Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 34
- 208000019622 heart disease Diseases 0.000 description 30
- 230000006870 function Effects 0.000 description 23
- 208000031225 myocardial ischemia Diseases 0.000 description 22
- 208000010125 myocardial infarction Diseases 0.000 description 14
- 206010006580 Bundle branch block left Diseases 0.000 description 13
- 238000005457 optimization Methods 0.000 description 12
- 230000001575 pathological effect Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000013499 data model Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 230000000747 cardiac effect Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000005311 autocorrelation function Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000035622 drinking Effects 0.000 description 8
- 230000000391 smoking effect Effects 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 230000016507 interphase Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 241001269238 Data Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 4
- 230000006793 arrhythmia Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 208000029078 coronary artery disease Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013519 translation 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
- 206010061216 Infarction Diseases 0.000 description 2
- 208000009525 Myocarditis Diseases 0.000 description 2
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 2
- 230000003130 cardiopathic effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 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 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007574 infarction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000718 qrs complex Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 206010018473 Glycosuria Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于机器学习的人体疾病检测方法及检测产品，包括：提取心电向量数据内在的数据特征及其量化指标数据，构建心电向量数据特征的机器学习分类模型，并对模型识别的不同分类结果赋以相应权重值，获得人体疾病检测的综合判定结果。本发明提供的人体疾病的检测方法，解决了心电连续动态信号的模型处理、数据特征量化数据的模型化分析及人体疾病的辅助诊断等方面的技术难题。本发明所述人体疾病的检测方法及检测产品提升了人体疾病检测的准确率和检测效率，随着扩充进数据库中心电向量数据特征的量化信息的增多，诊断效果会随之不断提升。
Description
技术领域
本发明涉及人体疾病的检测领域，特别是涉及基于机器学习的人体疾病检测 方法及检测产品。
背景技术
当外界致病因素作用于人体细胞，达到一定的损害量会引起人体细胞的损伤， 进而出现人体器官功能、代谢和形态结构的紊乱，终致人体疾病的形成。然而， 当一些患者患有人体重大隐性疾病时，并无明显的临床症状。因此，有必要开发 一种人体疾病风险的评估方法，可挖掘出人体生物电信号潜在的病理性信息，从 而可充分评估患者发病前和治疗后的风险及预后等各个阶段的健康状况。
当前，已有技术对人体生物电信号的检测已取得一些进展，尤其是心电信号 的检测。但对待测人员病理特征的指标数据的获取上，现有技术还存在以下问题 亟需解决：(1)对待测人员多病理特征的指标数据信息挖掘利用上，依然难以 对连续的心脏动态信号进行基于人工智能模型的处理分析；(2)在对待测人员 心脏电活动的动态病理特征的分析过程中，挖掘的动态病理信息和静态病理信息 过于有限，无法全面客观地反映复杂的心脏电活动过程，不利于医生后期对待测 人员的人体疾病病情进行早期干预或进一步的精准治疗。
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，本发明提供一种基于机器学习的人体疾病检测方法，包括： 提取心电向量数据内在的数据特征，构建心电向量数据特征的机器学习分类模型 等，并对不同的模型识别分类结果赋以相应权重值，获得人体疾病检测的综合判 定结果。本发明提供的人体疾病的检测方法，解决了心脏电活动连续的动态信号 的模型处理方法、数据特征量化的模型化分析及人体疾病的辅助诊断等方面的技 术难题。本发明所述人体疾病的检测方法及检测产品提升了人体疾病检测的准确 率和检测效率，且随着扩充进数据库中不同类型数据特征的量化信息的增多，诊 断效果会随之不断提升。
本发明第一方面提供了一种基于机器学习的人体疾病检测方法，包括以下步 骤：
步骤S1.对心电向量数据进行特征提取，得到心电向量数据特征；
步骤S2.对步骤S1所述的心电向量数据特征进行提取，形成所述的心电向 量数据特征的量化指标数据；
步骤S3.根据步骤S2得到的心电向量数据特征的量化指标数据进行机器学 习，建立特定人体疾病的机器学习分类模型；利用步骤S2所述的心电向量数据 特征的量化指标数据与特定人体疾病的关系建立特定人体疾病的机器学习分类 模型；所述的机器学习用于训练特定人体疾病的机器学习分类模型。
在至少一个实施方式中，在如前所述的基于机器学习的人体疾病检测方法中， 步骤S1所述的心电向量数据特征包括：几何特征、非线性动力学特征、模型特 征、时域特征、频域特征和时频特征中的一种或几种；优选地，步骤S2所述的 心电向量数据特征的量化指标数据Qi＝g×几何特征的量化指标－n×非线性动力 学特征的量化指标+m×模型特征的量化指标－t×时域特征的量化指标－f×频域 特征的量化指标+tf×时频特征的量化指标－x，其中，g、n、m、t、f和tf的取 值为-1～1之间适应不同种人体疾病的选择值，x的取值包括实数。
在至少一个实施方式中，在如前所述的基于机器学习的人体疾病检测方法中， 用于步骤S3所述的机器学习的算法选自：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。
本发明第二方面提供了一种基于机器学习的人体疾病检测方法，包括以下步 骤：
步骤1.采集待测人员的心电向量数据特征的量化指标数据；
步骤2.将步骤1采集的待测人员的心电向量数据特征的量化指标数据，输 入到特定人体疾病的机器学习分类模型；
步骤3.输出特定人体疾病检测结果，包括所述待测人员的心电向量数据特 征的量化指标数据的阈值判定信息。
本发明第三方面提供了一种人体疾病检测方法，将步骤S3所述的特定人体 疾病的机器学习分类模型的不同输出结果赋以权重值，进行人体疾病的检测；优 选地，将步骤S2所述的心电向量数据特征的量化指标数据的人体疾病判定的不 同结果和步骤S3所述的特定人体疾病的机器学习分类模型的的不同输出结果赋 以权重值，进行人体疾病检测的综合判定。
本发明第四方面提供了一种人体疾病的检测产品，所述检测产品使用了前述 的人体疾病的检测方法。
本发明第五方面提供了一种存储介质，其中存储有计算机程序，所述计算机 程序被处理器加载执行时，实现前述的人体疾病检测方法。
本发明第六方面提供了一种电子设备，包括：处理器、及存储器；其中，所 述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使 所述电子设备执行任一前述的人体疾病检测方法。
本发明第七方面提供了一种可穿戴设备，所述可穿戴设备包括：处理器；用 于存储所述处理器可执行指令的存储器；其中，所述处理器用于通过心电传感器 采集用户的原始心电信号，接着通过任一前述的人体疾病检测方法确定采集用户 的健康状况。
本发明第八方面提供了一种基于机器学习的人体健康状况检测装置，所述的 装置包括：信号采集模块，用于通过心电传感器采集用户的原始心电信号；第一 确定模块，用于确定所述信号采集模块采集的所述原始心电信号对应的特征向量， 所述特征向量包括所述原始心电信号的心电向量数据特征向量；第二确定模块， 用通过所述第一确定模块确定的所述的心电向量数据特征向量与特定人体疾病 的机器学习分类模型确定所述原始心电信号对应的健康状况信息。
本发明所述人体疾病的检测方法，具有以下的技术效果：
1)采用机器学习的技术，可完成特征的自动提取和智能诊断，具备较高的 准确性，并且随着扩充进数据库中人体疾病特征的指标数据的增多，其诊断效果 会随之不断提升。
2)考量的心电向量数据特征信息更加丰富，检测的准确性和检测效率等方 面的性能有了明显的提高，并可对连续的动态信号进行处理，有利于医生后期对 待测人员的疾病病情进行早期干预和精准治疗。
3)诊断过程中无需专业医生的介入，普通用户可以简单方便地完成自我诊 断、自我监测，也可以作为计算机辅助诊断系统部署在社区医院或乡镇医院等缺 少专业医生的场所。
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 HeartJournal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，对于本领域人员来说，可以容易地想到 将心电向量数据转换成心电向量图(或其它类似数据和图像)进行本发明所述方 法或其它相关方法的处理。
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的特征提 取，采用的是包括但不限于异质度分析的方法进行提取，所述的异质度分析的方 法包括但不限于频域分析方法、非线性动力学方法、时域分析方法、几何特征方 法、时频分析方法和模型方法中的至少一种。
在本发明中，如果没有特别的说明，本文所提到的心电向量数据特征包括频 域特征、非线性动力学特征、时域特征、几何特征、时频特征或模型特征中的至 少一种。其中，所述的频域特征包括但不限于快速傅里叶变换特征和离散傅里叶 变换特征中的至少一种；所述的非线性动力学特征但不限于相平面图的特征、功 率谱的特征、庞加莱截面的特征、散点图的特征、复杂度的特征、熵的特征、李 雅普诺夫指数谱的特征、最大李雅普诺夫指数谱的特征、分维数的特征、相空间 重构的特征、非稳定周期轨道的特征、符号动力学的特征、自相关函数的特征、 混沌学的特征、孤立子的特征、Hurst指数的特征、单重分形的特征和多重分形 的特征中的一种或几种；所述的时域特征但不限于均值的特征、标准差的特征、 中值的特征、最小值的特征、最大值的特征、最大最小值之差的特征、最小值比 率的特征、最大值比率的特征、差值均方的平方根特征、几何图形分析指标的特 征和直方图的特征中的至少一种；所述的几何特征但不限于趋势的特征、斜率的 特征、方向的特征、形状的特征、圆形度的特征、球状度的特征、均匀率的特征、 离心率的特征、变异率的特征和角度的特征中的至少一种；所述的时频特征但不 限于短时傅里叶变换的特征、连续小波变换的特征、希尔伯特-黄变换的特征、 Wigner-Ville分布的特征、分数阶傅里叶变换的特征、S变换的特征和广义S变 换的特征中的一种或几种；所述的模型特征但不限于AR模型的特征和TVAR模 型的特征中的一种或几种。
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 病或心力衰竭。
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的长度是指 数据的个数；比如，所述的心电向量数据的长度为0～50000，是指所述的心电向 量数据包括但不限于0～50000个数值的信息；所述的数值的信息包括但不限于： 数值的大小。在本发明中，发明人发现心电向量数据的长度优选为10～5000，可 更好地进行数据特征的提取，这里省略了具体的实验数据。
在本发明中，构建机器学习判定模型的机器学习方法，选取了包括但不限 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，本文所提到的基于机器学习的人体疾病 检测方法可用在人体疾病检测的穿戴设备、电子设备、存储介质等疾病检测设备 中。
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.样本集构建和样本数据的预处理
1.样本集的建立
对用于机器学习判定模型的样本集数据进行了构建，具体构建方法如下：
(1)样本集的构成：纳入n个临床已知健康个体(n>1000)以及m个临床已 知某种人体疾病个体(m>1000)作为样本人群；采集与特定人体疾病相关的样 本人群的有关特征向量数据，作为样本集数据。
(2)样本标签的设定：采用人体疾病的金标准指标的指标数据以及专家共 识作为样本数据的标签。
2.样本数据的预处理
在获得前述样本集数据之后，对样本集数据进行预处理：对获得的样本数据 进行滤波或批量归一化等预处理，根据不同的数据要求进行数据加工，获得符合 要求的样本数据；在此处，对于心肌缺血检测的样本数据，要求采集的样本数据 是10s的心电数据，10s的心电数据的时间处理需满足心电数据通用的规范性要求。 心电数据的预处理是指常规滤波操作，以使随后的操作充分稳定和可靠，使用何 种滤波方法并不影响本发明方法的有效性。
实施例2.特定人体疾病有关属性的多种数据特征量化指标数据的获取
在获得实施例1中预处理的样本集数据后，进行特定人体疾病有关属性的数 据特征的量化指标数据的获取。特定人体疾病有关属性的数据特征的量化指标数 据包括心电向量数据特征的量化指标数据等；具体的操作过程按照以下步骤进行： (一)心电向量数据特征的量化指标数据的获取及对应人体疾病的阈值判定标准
心电向量数据特征的量化指标数据包括但不限于几何特征的量化指标数据、 和/或非线性动力学特征的量化指标数据、和/或模型特征的量化指标数据、和/ 或时域特征的量化指标数据、和/或频域特征的量化指标数据、和/或时频特征的 量化指标数据。
以下为具体心电向量数据特征的量化指标数据的获取方法，仅用于举例说明， 不限定于举例说明所述获取方法或量化数据。
(1)频域特征方面，通过既定的公认有效的快速傅里叶变换方法分别将每 一维度的心电向量数据xi(t)，xi∈R1，t＝1,2,…,T，i＝1,2,3转化成频域信息fi(n)， f∈R3，n＝1,2,…,N，i＝1,2,3，N为采样频率；另外，包含零频率点置零操作， 即fi(1)＝0，i＝1，2，3；然后用i＝1,2,3进行功率谱密度估计； 求和i＝1,2,3，并求得wi使得i＝1，2，3最小； 通过几何平均的方法把每一维度的时间离散度特征wi，i＝1，2，3综合成为心电向 量数据xi(t)，xi∈R3的频域量化特征记为给出了心电向量数据的 平均功率谱密度信息，刻画了心电向量数据的时间周期规整性的特征信息。
(2)非线性动力学特征方面，通过相平面分析方法、功率谱分析、庞加莱 截面、散点图、符号动力学分析、分形(自相关函数)、分形(参数)、分形(多 重分形)等方法提取心电向量数据的非线性动力学特征特征，具体分别通过以下 方法进行：
(2.1)相平面分析方法：通过相平面分析方法提取心电向量数据的相平面 特征，通过以下步骤进行操作：
步骤1、由数据预处理模块对待测人员三维心电向量数据模型的功角、角速 度及不平衡动率，然后进行滤波、归一化数据处理，之后将预处理后的待测人员 心电向量数据传递到角速度-功角相平面分析模块；其中，功角表示待测人员三 维心电向量数据模型的励磁电势和端电压之间相角差。
步骤2：由角速度-功角相平面分析模块计算反映预处理后的待测人员三维心 电向量数据模型角速度-功角相平面的凹凸性指标τ，计算公式如式(1)，当τ>0 时，执行步骤3进行后续计算，否则返回步骤1计算下一时刻的τ；
其中，Δω为待测人员的三维心电向量数据模型相对三维心电向量数据发角 速度，δ为待测人员三维心电向量数据模型功角，i代表了不同的时刻；
步骤3：当τ>0时，角速度-功角相平面分析模块将数据传递到后续的不平衡 功率-功角相平面分析模块，由不平衡功率-功角相平面分析模块计算反映待测人 员三维心电向量数据模型不平衡功率-功角相平面的凹凸性指标μ，计算公式如式 (2)，当μ>0时，执行步骤4进行后续计算，否则返回步骤1计算下一时刻的τ；
其中，ΔP为待测人员三维心电向量数据模型的不平衡功率，即机械功率与 电磁功率的差值，δ为待测人员三维心电向量数据模型功角，i代表了不同的时刻；
步骤4：当μ>0时，不平衡功率-功角相平面分析模块将数据传递到最终的参 数时变性影响评估模块，由参数时变性影响评估模块计算等值系统的时变参数 Y(ti)，计算公式如式(3)，然后计算参数时变性影响的指标ε，计算公式如式(4)。
其中，
式中的n为采样点个数。
ε＝ΔPβ(Y(ti))–ΔPβ(Y(ti-1)) (4)
其中，ΔPβ为固定当前时刻的功角值δ(ti)＝β时的不平衡功率，Y(ti)为ti时刻通过最小二乘法辨识的参数，Y(ti-1)为ti-1时刻通过最小二乘法辨识的参数；
步骤5：只有当τ、μ及ε·Δω同时大于训练的三维心电向量数据模型的阈值时，才得出待测三维心电向量数据模型趋向于特定人体疾病的判断。
(2.2)功率谱分析方法：通过功率谱分析方法提取心电向量数据的功率谱 特征，具体通过以下步骤进行：
步骤1：通过既定的公认有效的快速傅里叶变换方法分别将每一维度的心电 向量数据xi(t)，xi∈R1，t＝1,2,…,T，i＝1,2,3转化成频域信息fi(n)，f∈R3， n＝1,2,…,N，i＝1,2,3，N为采样频率；
步骤2：将步骤1获取的fi(n)进行功率谱分析：
步骤3：分别采集正常人和人体疾病病人的功率谱特征获取检测阈值。
(2.3)庞加莱截面方法：通过庞加莱截面方法提取心电向量数据的庞加莱 截面特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈R12，t＝1,2,…,T转化成心电向量数据x(t)， x∈R3，t＝1,2,…,T；其中，R12表示十二维实数空间，T表示时刻T，R3表示三维 实数空间。
步骤2：对输入时间序列S＝[S1，S2，...，SN]进行状态空间重构，首先选定 两个参数J和M，5≤M≤30，J为[S1，S2，...，SN]的自相关函数第一次下降到 最大值的1/E时对应的时刻，再任意选取L个满足1≤T(1)<T(2)<...<T(L)≤ N-(M-1)J的正整数{T(I)|I＝1，2，...，L}，令XI＝[ST(I)，ST(I)+J，...，ST(I)+(M-1)J]T， 则称[X1，X2，...，XL]或{X1，X2，...，XL}为时间序列S的一个状态空间重构， {X1，X2，...，XL}可以看作M维空间的一个点集合或流形，[X1，X2，...，XL] 可以看作M维空间的一个轨迹；以上状态空间重构也可以以行向量的形式实现， 即令XI＝[ST(I)，ST(I)+J，...，ST(I)+(M-1)J]，I＝1，2，...，L；
步骤3：对重构的流形进行方向归一化，根据流形在各个方向上分布的特点 定出基准方向，参照基准方向对流形进行坐标变换；采用主元分析法定出基准方 向，令X＝[X1，X2，...，XL]，X是一个M×L维的矩阵，计算XXT的M个特 征值，并按从大到小的顺序排列得到λ1≥λ2≥...≥λM，这M个矩阵特征值对应的 矩阵XXT的特征向量{U1，U2，...，UM}作为主轴，令U＝[U1，U2，...，UM]， 利用Y＝UTX对X进行坐标变换，得到新的坐标Y，Y对应经过方向归一化的 流形。
步骤4：对重构的流形进行位置归一化：根据流形的形状和结构特点确定基 准点，参照基准点对流形进行平移操作；计算各坐标轴上各点坐标的算术平均值 作为对流形进行平移操作的基准点，基准点的计算方法为这里{Yi|i ＝1,2,...,L}是整个流形包含的点，将所有点的坐标减去就完成了流形的平移操 作，即令Yj←Yj-Y，这里j＝1,2,...,L。
步骤5：截取重构的流形的一些局部区域；构造一对与主轴Ui垂直的超平面 (即Poincare截面)，设这两个Poincare截面与Ui轴的交点在Ui轴上的坐标值分 别为Y01和Y02，求落入这两个Poincare截面之间的轨迹上的点，具体计算方法 是：如果轨迹[Y1，Y2，...，YL]的第j个点Yj＝[Yj1，Yj2，...，YjM]的第i个坐标 值满足min{Y01，Y02}≤Yji≤max{Y01，Y02}，则判定Yj为落入两个Poincare截面 之间的点，构造若干对垂直于各个主轴的Poincare截面，再按照上述计算方法求 出落入每对Poincare截面之间的点，落入每对Poincare截面之间的点构成一个点 集合，这个点集合即为所求的局部流形。
步骤6：对截取的局部流形或轨迹进行统计量的计算，把计算得到的统计量 作为输入的心电向量数据信号的特征。分别对每个局部流形对应的点集合进行主 元分析，把所述的各个点集合经过主元分析得到的矩阵特征值作为心电向量数据 信号的特征。
(2.4)散点图方法：通过散点图方法提取心电向量数据的散点图特征，通 过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈R12，t＝1,2,…,T转化成心电向量数据x(t)， x∈R3，t＝1,2,…,T；其中，R12表示十二维实数空间，T表示时刻T，R3表示三 维实数空间。
步骤2：获取心电向量数据x(t)的周期K，针对具有K个周期的心电向量数 据x(t)，第I个周期的数据记为xi(t)，t＝1,2,…,T/K；i＝1,2,…,K；以(Mi，Mi+1，Mi+2) 作为三维坐标系中的X轴、Y轴和Z轴坐标，并使用迭代算法对所有周期的数据 xi(t)进行描记形成三维散点图，Mi代表第i个周期的数据xi(t)的长度。
步骤3：利用最近邻接点迭代搜索算法，找出各自独立的吸引子，并以不同 的色彩进行标记。最近邻接点定义为3维空间中的2点间的距离小于50ms。如 果搜索结果子图区域过多，则隐藏X轴、Y轴和Z轴均小于40ms的零碎区域。
步骤4：分别采集正常人和特定人体疾病患者的三维散点图重复步骤2和3， 实现正常人和特定人体疾病患者的三维散点图的分类。
(2.5)符号动力学方法：通过散点图方法提取心电向量数据的符号动力学 特征，通过以下步骤进行操作：
步骤1：获取前述“(2.4)散点图方法”获得的三维散点图后，并用相互平 行的M-1个平面对三维散点图进行分区，分区数量为M，令各分区的区号为m ＝0～M-1，分区按过原点的那个平面对称，相邻平行平面之间的分区的宽度， 从后至前依次为D1,D2,…,DM-2；
优选地，相邻两个平行平面之间的分区的宽度相等。
步骤2：依照各散点相应xi(t)的顺序，将各散点以该散点所在分区的区号组 成序列，如得到序列：…0,2,3,4,1,2,1,3,1,4,2,2,1,3,2,1,0,0,3,1,2,3,2,1,2,1,3,0,0…然后将每q位看做一个M进制编码，后一个编码与前一个编码有j位重叠，且j 小于q；进行编码后，将原序列转化为一个由若干个q位M进制编码组成的新 序列；然后将每个M进制编码转化为十进制数，得到一个十进制序列；优选地， j＝1；
步骤3：计算xi(t)的信息熵：由于所述十进制序列由一系列q位M进制数 转化而来，因此得到的十进制序列中所有的数值均在0—(Mq-1)之间；计算0— (Mq-1)之间的所有数在该序列中出现的概率，利用下式计算该序列的信息熵：
其中，pi是第i个数值出现的概率；a是可能出现的数值 总数个数，此处为Mq。
步骤S3：分类：利用计算所得的信息熵值来构造特征向量(即符号动力熵 值)；进行心电向量数据x(t)的分类。采用的分类器包括但不限于：Bayes分类器、 BP神经网络分类器、自组织映射或支持向量机等
(2.6)分形方法1：通过自相关函数方法提取心电向量数据的自相关函数特 征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈R12，t＝1,2,…,T转化成心电向量数据x(t)， x∈R3，t＝1,2,…,T；其中，R12表示十二维实数空间，T表示时刻T，R3表示三 维实数空间。
步骤2：设定xI的期望值E(xI)＝Μ和方差VAR(xI)，对于则自相关函数为：k∈I。
步骤3：分别计算正常人和特定人体疾病患者的自相关函数值，实现正常人 和特定人体疾病患者自相关函数特征的分类。
(2.7)分形方法2：通过HURST指数方法提取心电向量数据的HURST指数 特征，通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈R12，t＝1,2,…,T转化成心电向量数据x(t)， x∈R3，t＝1,2,…,T；其中，R12表示十二维实数空间，T表示时刻T，R3表示三 维实数空间。
步骤2：计算心电向量数据x(t)的周期k，k＝1，2，3…N；
将xk(t)等分成长度为n(≥3)的m(取N/n的整数部分)个连续的子序列Xα， 子序列的元素、均值、标准差分别记为xk,α，ek,α和Sk,α(α＝1,2,…,m)；
该函数为时间序列xk(t)在时间增量长度为n上的重标极差；其中，R,S,n 及C分别表示重新标度的极差、标准差、时间增量区间长度、常数；根据上述 函数可计算出Hurst参数H。
步骤3：分别计算正常人和特定人体疾病患者的Hurst参数H，实现正常人 和特定人体疾病患者Hurst参数特征的分类。
(2.8)分形方法3：通过多重分形方法提取心电向量数据的多重分形特征， 通过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈R12，t＝1,2,…,T转化成心电向量数据x(t)， x∈R3，t＝1,2,…,T；其中，R12表示十二维实数空间，T表示时刻T，R3表示三 维实数空间。
步骤2：将心电向量数据x(t)分为N个小区间，设第i个小区间的线度大小 为ε(ε→0)，分形体在该小区间的几率为Pi(ε)，将子集内奇异指数相同的单元数 定义为N(ε)，则Pi(ε)和N(ε)满足下面的幂函数的子集：
Pi(ε)∝εα；
N(ε)∝ε-f(α)；
式中，α是奇异指数，反映分形上各个小区间的奇异程度。f(α)称为多重分 形谱，表示相同子集的分维数。
对于多重分形谱的计算，需先定义一个配分函数χq(ε)≡∑Pi(ε)q，若配分函数 收敛，则等式χq(ε)≡∑Pi(ε)q＝ετ(q)成立，即可得到
τ(q)称为质量指数。设N(Pi)是概率为Pi(ε)的小区间的数目，则有
∑Pi(ε)q＝∑N(Pi)Pi(ε)q；
将上述函数代入式χq(ε)≡∑Pi(ε)q＝ετ(q)即可得出多重分形谱f(α)＝αq-τ(q)。
步骤3：分别计算正常人和特定人体疾病患者的多重分形谱f(α)，实现正常 人和特定人体疾病患者多重分形谱特征的分类。
(2.9)复杂度方法：若采用复杂度来刻画心电向量数据，则计算心电向量 数据每一维度xi(t),xi∈R1，t＝1,2,…,T的傅里叶变换序列： j＝1,2,…T，其中是虚数单位，记{Fi(j)，j＝ 1，2，…T}的均方值为记其中， R1表示一维实数空间。
对j＝1,2,…T}做傅里叶逆变换j＝1,2,…T。定 义C0复杂度为该维度非线性动力学指标：
其中，f(t)表示心电向量数据序列。
通过几何平均的方法把每一维度的非线性动力学指标C0(i)，i＝1,2,3综合成 为心电向量数据x(t)，x∈R3的非线性动力学离散量化指标，记为刻画 了心电向量数据序列的复杂程度及随机程度。
(2.10)熵的方法：非线性动力学特征方面，若采用熵来刻画心电向量数据， 则对每一维度的心电向量数据xi(t),xi∈R1，t＝1,2,…,T，i＝1,2,3，先按照顺序组 成2维矢量，有Xi(t)＝{xi(t)，xi(t+1)}，t＝1,2,…,T-1，i＝1,2,3。定义Xi(t)和Xi(k) 的距离为两矢量中对应元素的差值中的最大值，记为d[Xi(t)，Xi(k)]。设定一个 阈值r，对每个t值统计d[Xi(t)，Xi(k)]<r的个数及此数目与总矢量个数的比值， 记为进一步求得。重复上述过程，得到近似熵通过几何平均的方法把每一维度的时间离散度特征ApEn(i)，i＝1，2，3。综合成 为心电向量数据x(t)，x∈R3的时间离散度的量化特征记为刻画了心电向量数据序列的混乱程度。
(3)时域特征方面，假设心电向量数据x(t)，x∈R3，t＝1,2,…,T共有k个周 期，每个周期有n个数据，第i个周期的第j个数据记为xij,i＝1,2,…k；j＝1,2,…n；计 算均值方差最终求得 刻画了心电向量数据在不同周期的差异大小。
(4)几何特征方面，针对具有K个周期的心电向量数据x(t)，x∈R3， t＝1,2,…,T，第I个周期的数据记为xi(t)，i＝1,2,…k； xi‖为第I周期的数据围成图形的周长，Si表示计算机拟合该周期围成图形的面积， 用刻画该周期的形状因子。最后用算术平均求得作为心电向量数 据的几何特征，刻画了心电向量数据空间分布的几何形状信息，空间形状越接近 圆，该指标值越接近1。
(5)时频特征方面，通过时频分析方法提取心电向量数据的时频特征，通 过以下步骤进行操作：
步骤1：把原始的心电数据e(t)，e∈R12，t＝1,2,…,T转化成心电向量数据x(t)， x∈R3，t＝1,2,…,T；其中，R12表示十二维实数空间，T表示时刻T，R3表示三 维实数空间。
步骤2：计算x(t)心电向量数据信息的周期N，i＝0，1，2，3…N-1； 然后通过短时傅里叶变换将心电向量数据xi(t)，xi(t)∈R3，t＝1,2,…,T转换到时 频域函数TF，其中，f为频率，Q(t)是窗函数， τ为时间间隔。
步骤3：分别计算正常人和特定人体疾病患者的时频域函数TF参数，实现 正常人和特定人体疾病患者时频域特征的分类。
(6)基于模型的特征方面，计算心电向量数据每一维度xi(t)，xi∈R1， t＝1,2,…,T，i＝1,2,3的自相关函数i＝1,2,3；k＝1,2,3 (k<T)。
计算序列均值i＝1,2,3。计算自相关系数
定义三阶自相关系数矩阵i＝1,2,3，自相关系数 向量Qi＝[pi(1) pi(2) pi(3)]T，i＝1,2,3，求得三阶模型参Θi＝Pi -1Qi，i＝1,2,3， 该维度的特征用i＝1，2，3表示。
最后通过几何平均的方法把每一维度的时间离散度特征ci，i＝1，2，3综合成 为心电向量数据x(t)，x∈R3的基于模型的量化指标，记为刻画了心电 向量数据的功率谱信息。
在本实施例中，采集样本数据后，根据上述公式计算心电向量数据特征的量 化指标数据。然后，根据标签将每一种心电向量数据特征的量化指标数据按照特 定人体疾病的严重程度分为无、轻度、中度、重度4级量化，分别赋值0、1、2、 3。
(二)特定人体疾病有关属性的多种数据特征量化指标数据的预处理
在获得上述特定人体疾病有关属性的多种数据特征量化指标数据后，进行包 括但不限于缺失值和归一化等预处理操作。上述特定人体疾病有关属性的多种数 据特征量化指标数据，即为后续处理的输入向量x。对于上述输入向量x， x＝(x1,…xn)；其中，xi∈Rn，n为特征向量的数目，对应于心电向量数据特征的 量化指标数据等。对于以上的输入向量x，其进行归一化处理的方法参照如下公 式进行：
x*＝(xi－xmin)/(xmax－xmin)
xmax为样本数据中的最小值，xmin为样本数据中的最小值；xi为第i个样本的 输入向量。
实施例3.对特定人体疾病有关属性的多种数据特征量化指标数据进行机器学习模型的构建和训练
本实施例是在实施例2的基础上进行进一步的研究，本实施例主要是对特 定人体疾病的机器学习模型进行构建和训练，然后输入实施例2中获得的预处理 的特定人体疾病有关属性的多种数据特征量化指标数据，对构建的特定人体疾病 的机器学习模型进行训练和优化。
(一)构建特定人体疾病的机器学习判定模型
将实施例2中得到的特定人体疾病有关属性的多种数据特征量化指标数据 作为输入数据，进行机器学习，构建适应特定人体疾病的机器学习模型，实现每 种心电向量数据特征的量化指标数据和特定人体疾病相关属性之间的一一对应， 具体的操作方法为：
1.构建心电向量数据特征的量化指标数据的机器学习分类模型。
对于心电向量数据特征的量化指标数据的机器学习分类模型，输入到该机器 学习分类模型的数据包括但不限于心电向量数据特征的量化指标数据。用于该机 器学习分类模型的算法选自支持向量机、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、和聚类算法、卷积神经网络、 循环神经网络、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。
对于支持向量机模型的构建，输人向量为x＝(x1,…xn)，决策规则为：权值为y1a1,…yNaN。通过事先确定的非线性映射φ将输 入向量x映射到一个高维特征空间中，然后在此高维空间中构造最优超平面。根 据采集到的样本集{(xi,yi)|i＝1,2,…,k}，其中，k为样本数据的数目；寻找一个反 映样本数据的最优函数关系y＝f(x)。在训练完成之后，得到机器学习分类模型 f(x)＝sgn(∑支持向量yiaiK(xi，x)+b0)；其中，ai为拉格朗日乘子；b0是偏移量； xi∈Rn，n为特征向量的数目，xi对应于实施例2所述特定人体疾病有关属性的 多种数据特征的量化指标数据等信息；yi为期望输出，yi∈{+1，-1}，对应于受 检者的分类结果(即该疾病患者或非该疾病患者)；如果受检者是健康人，则yi＝ +1；如果受检者是特定人体疾病患者，则yi＝-1；在此，我们选择径向基核函数： K(xi，x)＝exp(-‖xi-x‖2/2σ2)，其中，σ表示径向基核函数核中尺度参数，核 参数σ2反映了训练样本数据的分布或范围特性，它确定了局部领域的宽度，较大 的核参数σ2意味着较低的方差。
2.构建特定人体疾病的卷积神经网络和/或循环神经网络识别模型
人工智能卷积神经网络模型是一个模拟神经网络的多层次网络连接结构，输 入信号依次通过每个隐藏层，在其中进行一系列复杂的数学处理，逐层自动地抽 象出待识别物体的一些特征，然后把这些特征作为输入再传递到高一级的隐藏层 进行计算，直到最后几层的全连接层重构整个信号，使用Softmax函数进行逻辑 回归，达到多目标的分类。对于心电向量数据特征的量化指标数据的神经网络识 别模型构建方法，其包括如下的步骤：
2.1心电向量数据特征的量化指标数据的的卷积神经网络模型的构建
心电向量数据特征的量化指标数据的深度卷积神经网络识别模型包括：一个 输入层、多个隐含层和一个输出层，所述隐含层包括卷积层、和/或池化层、和/ 或全连接层；所述卷积层的输入数据为心电向量数据特征的量化指标数据，卷积 层至少为1个，每一卷积层的卷积核至少为2个，卷积核的尺寸是至少为2、或 2×2、或2×2×2，卷积层的步长是至少为1；池化层的步长是至少为1。
心电向量数据特征的量化指标数据的深度卷积神经网络识别模型的具体设 置参数如下：
a.输入卷积层：输入数据为心电向量数据特征的量化指标数据，卷积层有3 个，第一卷积层的卷积核有3个，卷积核的尺寸是2，卷积层的步长是1。池化 层采用的是最大池化法，池化层的步长是2。第二卷积层的卷积核12个，卷积 核的尺寸是2。池化层采用的是最大池化法，卷积层的步长是1。第三卷积层的 卷积核有3个，卷积核的尺寸是2，卷积层的步长是1。池化层采用的是最大池 化法，池化层的步长是2。
b.激活层：设置激活函数为Relu激活函数。
c.Dropout：在每次训练时都断开一定百分比数值的神经元用于防止数据过 拟合，提高泛化能力。
d.全连接层：全连接层有1个。
2.2心电向量数据特征的量化指标数据的循环神经网络的构建
心电向量数据采用的循环神经网络包括三层：输入层、隐藏层和输出层，输 入层接收心电向量数据特征的量化指标数据的卷积神经网络输出结果作为输入 数据，采用的循环神经网络是LSTM模型；添加到遗忘门中的偏置是1，激活函 数是Tanh函数；其它的参数和通用的LSTM模型的参数相同。循环神经网络的 输出结果采用softmax函数得到预测结果。softmax函数的预测结果和实际的心 电向量数据的特定人体疾病标签进行分析，用交叉熵函数得到损失函数。用优化 器不断地减小损失，得到最终的预测模型。
在一些实施方式中，心电向量数据采用的循环神经网络包括但不限于LSTM 模型、和/或GRU模型、和/或SRN模型。
(二)特定人体疾病的机器学习分类模型的优化
(1)训练和优化模型：对于前述特定人体疾病的多种数据特征的量化指标 数据的机器学习分类模型，通过大量已知标签的样本数据不断进行训练，并进行 大量的权重实验，获得特定人体疾病的相关属性的各个心电向量数据特征的量化 指标的最优权重分配。
(2)对模型的测试：在训练优化后的机器学习模型中，输入一批已知标签 的样本数据测试训练优化后的模型。
实施例4.对特定人体疾病的机器学习分类模型进行评价
为了综合评价机器学习分类模型的性能，本实施例采用特定人体疾病检测的 准确度、灵敏度和特异度指标来衡量实施例3中获取的训练优化后的模型，在训 练优化后的机器学习模型中，输入大量已知标签的样本数据，输出相关的判定结 果。根据机器学习模型输出的判定结果，来检测机器学习判定模型的准确度、灵 敏度和特异度的情况；对特定人体疾病的机器学习判定模型的应用性能和不足进 行综合评判和优化，完成对特定人体疾病的机器学习判定模型的建立。
机器学习判定模型的检测结果的准确度、灵敏度和特异度的定义具体如下：
准确度＝(真阳性样本数+真阴性样本数)/(真阳性样本数+假阳性样本 数+真阴性样本数+假阴性样本数)；
灵敏度＝真阳性样本数/(真阳性样本数+假阴性样本数)；
特异度＝真阴性样本数/(真阴性样本数+假阳性样本数)；
其中，真阳性样本数表示实际患心脏病并被检测为患心脏病的样本数；假阳 性样本数表示实际未患心脏病而被检测为患心脏病的样本数；真阴性样本数表示 实际未患心脏病并被检测为未患心脏病的样本数；假阴性样本数表示实际患心脏 病而被检测为未患心脏病的样本数；对于心脏病检测模型，三个指标越高，代表 该模型对于心脏病能越好，模型效果越优。
通过以上方式，获得优化后的机器学习分类模型，具体为特定人体疾病的支 持向量机分类模型、心电向量数据特征的量化指标数据的卷积神经网络识别模型、 心电向量数据特征的量化指标数据的循环神经网络识别模型以及心电向量数据 特征的量化指标数据的卷积神经网络和循环神经网络识别模型。
发明人选用了1714个样本数据，对构建的卷积神经网络和循环神经网络识 别模型进行评价，获得心电向量数据特征的量化指标数据的卷积神经网络和循环 神经网络识别模型评价的实验数据，具体如表1所示；实验结果表明，心电向量 数据特征的量化指标数据的卷积神经网络和循环神经网络识别模型的准确度为 90.0％，敏感度为92.0％，特异度为82.5％；是几个模型中最优的机器学习判定 模型。
实施例5.心脏疾病的判定结果输出的权重优化
将大量已知标签的样本数据输入到实施例4中优化筛选的支持向量机判定 模型、卷积神经网络和循环神经网络识别模型中，获得对应的支持向量机分类模 型输出结果、卷积神经网络和循环神经网络识别模型的输出结果，将这些结果赋 以适应特定心脏疾病的权重值，然后进行具有统计学意义的权重分配实验，获得 不同输出结果(支持向量机分类模型输出结果、卷积神经网络和循环神经网络识 别模型输出结果、心电向量数据特征的量化指标数据的心脏疾病的阈值判定)的 最优权重分配，并进行针对该种特定心脏疾病的不同输出结果的最优权值进行储 存，获得针对特定心脏疾病的带优化权值的综合判定体系，即带权值的支持向量 机分类模型输出结果、带权值的卷积神经网络和循环神经网络识别模型输出结果、 带权值的心电向量数据特征的量化指标数据的心脏疾病的阈值判定的临床信息 数据的综合判定体系。
实施例6.通过机器学习分类模型进行心脏疾病的辅助检测
本实施例在实施例1至5的基础上，运用实施例5构建的针对特定心脏疾病的 带优化权值的综合判定体系进行特定心脏疾病的检测。本实施例主要是采集待测 人员多种数据特征的量化指标数据，输入到实施例5构建的所述特定心脏疾病的 带优化权值的综合判定体系中，进行不同心脏疾病的准确检测和快速识别。本实 施例涉及的机器学习判定模型进行心脏疾病检测的具体方法，包括如下几个步骤：
步骤一、采集待测人员多种数据特征的指标数据及预处理
采集待测人员的心脏疾病相关属性的多种数据特征的量化指标数据，并对采 集的待测人员的多种数据特征的量化指标数据进行相应的预处理，预处理的方法 依照实施例1和实施例2的记载，使之成为适用于机器学习分类模型的规范数据； 其中，对于心脏疾病相关属性的多种数据特征的量化指标数据的选用，需根据具 体的心脏疾病来筛选确定。
步骤二、特定心脏疾病有关属性的多种数据特征的量化指标数据的获取
采用实施例2所述的方法，从步骤一处获得的预处理的多种数据特征的规范 数据中，获取待测人员的心电向量数据特征的量化指标数据。
步骤三、特定心脏疾病判定结果的输出
将步骤二中获取的待测人员的心电向量数据特征的量化指标数据输入到实 施例5构建的特定心脏疾病的带优化权值的综合判定体系中，输出最终相应心脏 疾病的综合判定结果，得出待测人员的心脏健康的检测信息。
实施例7.本发明提供方法与传统方法技术效果的对比
本实施例主要是对实施例6所述的检测方法进行实际应用的验证。发明人采 用30名三甲医院普通心脏科室医生的诊断和实施例6中所述的检测方法，分别 对三组待测人员(#1Trial组、#2Trial组和#3Trial组)罹患心肌缺血的情况进 行检测，每组待测人员的人数选用240个；三组待测人员都选用了待测人员的心 电向量数据特征的量化指标数据。
在#1Trial组中，年龄40岁以上的人数有120个，男性为60个(吸烟且饮 酒的30个，不吸烟且不饮酒的30个)，女性为60个(吸烟且饮酒的30个，不 吸烟且不饮酒的30个)；年龄40岁以下的人数有120个，男性为60个(吸烟 且饮酒的30个，不吸烟且不饮酒的30个)，女性为60个(吸烟且饮酒的30 个，不吸烟且不饮酒的30个)；同样，#2Trial组和在#3Trial组中的待测人员 的选用要求，与#1Trial组的选用要求相同。同时，对于支持向量机分类模型输出结果、卷积神经网络和循环神经网络识别模型输出结果、心电向量数据特征的 量化指标数据的最敏感的数值中的权重值分别赋为0.6、0.1和0.3。所述的心电 向量数据特征的量化指标数据的最敏感的数值，是指几何特征、非线性动力学特 征、模型特征、时域特征、频域特征和时频特征的量化指标数据中对心肌缺血症 状诊断准确率最高的一个诊断值。
如表1和表2所示，在#1Trial组实验中，测试了240个待测人员，通过冠 脉造影和血流储备分数这两个技术手段都确定为心肌缺血个体数为180个，三甲 医院普通心脏科室平均每名医生诊断出心肌缺血个体数为92个，每名医生的总 计耗时平均为540min；采用实施例6中所述的方法检测出心肌缺血个体的平均 数为168个，总计耗时6.4min。在#2Trial组实验中，又测试了240个待测人员， 通过冠脉造影和血流储备分数这两个技术手段都确定为心肌缺血个体数为160 个，30名三甲医院普通心脏科室平均每名医生诊断出心肌缺血个体数为80个， 每名医生的总计耗时平均为530min；采用实施例6中所述的方法检测出心肌缺 血个体的平均数为148个，总计耗时6.2min。在#3Trial组实验中，又测试了240 个待测人员，通过冠脉造影和血流储备分数这两个技术手段都确定为心肌缺血个 体数为140个，30名三甲医院普通心脏科室平均每名医生诊断出心肌缺血个体 数为68个，每名医生的总计耗时平均为520min；采用实施例6中所述的方法检 测出心肌缺血个体的平均数为126个，总计耗时6.2min。以上实验结果均表明， 本发明所述方法在检测心肌缺血情况时，其在检测准确性和检测耗时以及对动态 信息的连续处理等方面的性能有了显著性提高和明显的进步。
表1.本发明提供方法与传统方法的检测效果的对比
表2.本发明提供方法与传统方法的检测效果的对比
由此可见，本发明所述方法和现有技术相比，存在多个方面的优势：测定心 脏疾病的心电向量数据特征及其量化信息更加丰富，检测的准确性和检测效率等 有了明显的提高，并可对连续的动态信号进行处理。
发明人发现，在实际操作过程中，可部分选用或全部选用实施例2所述多种 心电向量数据特征的量化指标数据，且选用和/或组合实施例2和/或实施例3中 所述方法进行心脏疾病的检测，以达到心脏疾病理想的检测效果。
实施例8.一种用于心脏疾病检测的穿戴设备
本实施例描述了一种用于心脏疾病检测的穿戴设备，包括穿戴式衣服、心脏 信号传感器、与所述心脏信号传感器相连的监测芯片、导电电极和电连接导线， 其中，穿戴式衣服为双层结构，导电电极嵌入穿戴式衣服的夹层内，并通过电连 接导线与心脏信号传感器相连；导电电极包括十个电极，其中四个为肢体电极， 六个为胸部电极。监测芯片获取心脏信号传感器实时监测的心冲击信号和心电信 号。监测芯片全部或部分地采用了实施例1至实施例6中所述的方法进行心电信 号的分析和处理。本实施例提供的穿戴设备可应用的疾病或症状检测，包括但不 限于急性冠脉综合征、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、冠状动脉疾病和心力衰竭等。
在一些改进方案中，监测芯片可通过WIFI或者蓝牙与心脏信号传感器相连， 获取传感器监测的信号，蓝牙可采用HC-05串口蓝牙；
在一些改进方案中，监测芯片包括：信号监测模块(用于获取所述心脏信号 传感器实时监测的待测人员的心冲击信号和心电信号)、模型处理模块(根据所 述心电信号进行实施例1至实施例6中所述的方法的分析和处理)和心脏疾病识 别模块(用于根据模型处理模块的结果预测待测人员的心脏疾病)。
在一些改进方案中，信号监测模块采用AD7061模数转换芯片和AD8232芯 片；模型处理模块采用AD7061模数转换芯、MAX4472集成运算放大器、三星 KMR7X0001M-B511FLASH存储芯片和三星的S3C2410ARM9嵌入式处理器芯 片。
实施例9.一种基于卷积神经网络模型的心肌缺血检测方法
本实施例主要是关于基于卷积神经网络模型的心肌缺血的检测方法，其包括 以下步骤：
步骤S1.采集了心肌缺血样本人群的心电向量数据特征的量化指标数据；通 过实施例2所述方法获得心电向量数据特征的量化指标数据。所述心肌缺血样本 人群均为通过心电图无法诊断的心肌缺血病人。
步骤S2.构建心肌缺血检测的心电向量数据特征的量化指标数据的卷积神 经网络模型，心肌缺血检测的心电向量图的卷积神经网络模型的设置参数与实施 例3所述相同。
通过采集实施例7所述的待测人员的心电向量数据特征的量化指标数据进 行实验，发现本实施例所述心电向量数据特征的量化指标数据的卷积神经网络模 型的心肌缺血检测准确率和30名三甲医院普通心脏科室医生的诊断准确率相比， 提高了至少10％。
步骤S2所述特定心脏疾病的机器学习判定模型还可选用机器学习中的 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、生 成式对抗网络、堆叠自动编码器、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。
实施例10.基于循环神经网络的心肌梗死伴完全性左束支传导阻滞的检测方法
本实施例主要是关于基于循环神经网络的心肌梗死伴完全性左束支传导阻 滞的检测方法，其包括以下步骤：
步骤S1.获取心肌梗死伴完全性左束支传导阻滞多病理特征的指标数据，所 述心肌梗死伴完全性左束支传导阻滞多病理特征的指标数据为心电向量数据特 征的量化指标数据；
步骤S2.对步骤S1获取的心肌梗死伴完全性左束支传导阻滞多病理特征的 指标数据进行机器学习，构建心肌梗死伴完全性左束支传导阻滞的循环神经网络 模型，具体参数与实施例3的参数相同。
通过采集实施例7所述的待测人员的心电向量数据特征的量化指标数据进 行实验，发现本实施例所述心电向量数据特征的量化指标数据的循环神经网络模 型的心肌梗死伴完全性左束支传导阻滞的检测准确率和30名三甲医院普通心脏 科室医生的诊断准确率相比，提高了至少15％。
在步骤S2中，可将循环神经网络模型替换为神经张量网络，通过神经张量 网络层(NTN)将不同向量通过张量进行直接交互计算，实现特征表示与相似度匹 配；在这里略去了发明人具体的实验数据。
实施例11.基于人工智能模型的心肌梗死伴完全性左束支传导阻滞的检测方法
本实施例主要是关于基于人工智能模型的心肌梗死伴完全性左束支传导阻 滞的检测方法，其包括以下步骤：
步骤S1.获取心肌梗死伴完全性左束支传导阻滞多病理特征的指标数据，所 述心肌梗死伴完全性左束支传导阻滞多病理特征的指标数据为心电向量数据特 征的量化指标数据；
步骤S2.对步骤S1获取的心肌梗死伴完全性左束支传导阻滞多病理特征的 指标数据进行机器学习，构建心肌梗死伴完全性左束支传导阻滞的机器学习判定 模型。
步骤S2所述特定心脏疾病的机器学习判定模型选用机器学习中的贝叶斯分 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。
逻辑回归的机器学习方法，是在线性回归的机器学习方法基础上进一步研究 得到的，用于解决线性回归的机器学习方法难以解决的复杂分类的问题。对于逻 辑回归的机器学习方法，按照以下步骤进行：纳入n个临床已知心律失常个体 (n＝120)以及m个临床已知造影阻塞个体(m＝120)作为测试样本人群，根据 实施例2所述方法采集测试样本人群的心电向量数据特征的量化指标数据，进行 基于逻辑回归模型的训练，逻辑回归模型采用的函数是sklearn模块下的Gridsearch函数。同样地，采集待诊人员的心电图，进行上述同样地处理，输入 到训练所得的逻辑回归模型中，获得分类结果。发明人通过使用上述的方法构建 逻辑回归模型后，进行实验验证后发现，使用逻辑回归模型训练的准确率为65％ 以上。类似地，此处机器学习方法还可采用多元非线性回归拟合方法或线性回归 方法。
对于贝叶斯分类器的机器学习方法，包括：(1)获取患者的症状信息，所 述患者的症状信息取自实施例1和实施例2的样本集提取到的症状结果；(2) 将所述症状信息输入已构建的多标签贝叶斯分类器，得到所述患者所患疾病的预 测集合，其中，所述多标签贝叶斯分类器是用从实施例1和实施例2的样本集提 取到的症状结果训练得到的。疾病种类为N，构建具备N个标签的贝叶斯分类 器，每个分类器分类结果为：{di，-di}，即属于疾病di和不属于疾病di，用于 训练的样本的输入为实施例1的样本集提取到的症状结果S，计算时将患者的症 状输入经过多标签贝叶斯分类器即可求得该患者可能患有的疾病集合L。(3) 根据所述预测集合从医疗知识图谱中确定医疗检查的推荐项组合，其中，所述医 疗知识图谱包括症状实体、疾病实体、单检查实体和检查组实体，所述检查组实 体是通过计算所述单检查实体的频繁项集确定的。发明人通过使用上述的方法构 建贝叶斯分类器后进行实验验证，发现使用贝叶斯分类器训练的准确率为80％ 以上。
对于K近邻算法的机器学习方法，包括如下步骤：(一)获取样本数据集， 样本数据集是240个；其中，120个样本是心律失常，120个样本是造影阻塞， 每条样本都包括实施例1和实施例2采集的症状结果；(二)对步骤一中的数据 集进行预处理操作以满足KNN模型支持的数据格式后，预处理之后的数据进行 筛选，对其做数据归一化处理，构建训练数据集和验证数据集；(三)KNN模型 构建：具体的模型构建方法包括以下步骤(1)计算欧式距离；(2)按照距离的 递增关系进行排序；(3)选取距离最小的K个点，其中K＝5～10；(4)确定前K个点所在类别的出现频率；(5)返回前K个点中出现频率最高的类别作为测试 数据的预测分类。发明人通过使用上述的方法构建KNN模型后，进行实验验证 后发现，使用KNN算法训练的准确率为81.7％以上。
同样地，本实施例还可采用K均值算法执行上述的聚类算法分析。
虽在本发明已提供数个实施例，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。这些实例将视为示例性而非 限制性，并且并不旨在限于本文中给出的细节。各种方法或参数范围可组合或整 合于另一系统中，各种方法或参数范围可组合或整合于另一方法中，各种方法或 参数范围可组合或整合于本领域或其它领域的产品，或者某些特征可省略或不实 施，都属于本领域技术人员可基于本发明所可轻易拓展或实施的技术。
Claims (10)
1.一种基于机器学习的人体疾病检测方法，其特征在于，包括以下步骤：
步骤S1. 对心电向量数据进行特征提取，得到心电向量数据特征；
步骤S2. 对步骤S1所述的心电向量数据特征进行提取，形成所述的心电向量数据特征的量化指标数据；
步骤S3. 根据步骤S2得到的心电向量数据特征的量化指标数据进行机器学习，建立特定人体疾病的机器学习分类模型。
2.根据权利要求1所述人体疾病的检测方法，其特征在于，步骤S1所述的心电向量数据特征包括：几何特征、非线性动力学特征、模型特征、时域特征、频域特征和时频特征中的一种或几种。
3.根据权利要求1所述人体疾病的检测方法，其特征在于，用于步骤S3所述的机器学习的算法选自：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。
4.一种基于机器学习的人体疾病检测方法，其特征在于，包括以下步骤：
步骤1. 采集待测人员的心电向量数据特征的量化指标数据；
步骤2. 将步骤1采集的待测人员的心电向量数据特征的量化指标数据，输入到特定人体疾病的机器学习分类模型；
步骤3. 输出特定人体疾病检测结果，包括所述待测人员的心电向量数据特征的量化指标数据的阈值判定信息。
5.一种人体疾病检测方法，其特征在于，将步骤S3所述的特定人体疾病的机器学习分类模型的不同输出结果赋以权重值，进行人体疾病的检测；优选地，将步骤S2所述的心电向量数据特征的量化指标数据的人体疾病判定的不同结果和步骤S3所述的特定人体疾病的机器学习分类模型的的不同输出结果赋以权重值，进行人体疾病检测的综合判定。
6.一种人体疾病的检测产品，其特征在于，所述检测产品使用了权利要求1-5任一权项所述的人体疾病的检测方法。
7.一种存储介质，其中存储有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1至5中任一所述的人体疾病检测方法。
8.一种电子设备，其特征在于，包括：处理器、及存储器；其中，
所述存储器用于存储计算机程序；
所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1至5中任一所述的人体疾病检测方法。
9.一种可穿戴设备，其特征在于，所述可穿戴设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器用于通过心电传感器采集用户的原始心电信号，接着通过权利要求1至5中任一所述的人体疾病检测方法确定采集用户的健康状况。
10.一种基于机器学习的人体健康状况检测装置，其特征在于，所述装置包括：
信号采集模块，用于通过心电传感器采集用户的原始心电信号；
第一确定模块，用于确定所述信号采集模块采集的所述原始心电信号对应的特征向量，所述特征向量包括所述原始心电信号的心电向量数据特征向量；
第二确定模块，用通过所述第一确定模块确定的所述的心电向量数据特征向量与特定人体疾病的机器学习分类模型确定所述原始心电信号对应的健康状况信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910198044.2A CN110090012A (zh) | 2019-03-15 | 2019-03-15 | 一种基于机器学习的人体疾病检测方法及检测产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910198044.2A CN110090012A (zh) | 2019-03-15 | 2019-03-15 | 一种基于机器学习的人体疾病检测方法及检测产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110090012A true CN110090012A (zh) | 2019-08-06 |
Family
ID=67443027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910198044.2A Pending CN110090012A (zh) | 2019-03-15 | 2019-03-15 | 一种基于机器学习的人体疾病检测方法及检测产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110090012A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019184960A3 (zh) * | 2018-03-24 | 2019-11-14 | 上海图灵医疗科技有限公司 | 一种心电数据病理特征量化分析方法及装置 |
| CN110558975A (zh) * | 2019-10-14 | 2019-12-13 | 齐鲁工业大学 | 一种基于lrf-elm和blstm的心电信号分类方法及系统 |
| CN110584652A (zh) * | 2019-10-09 | 2019-12-20 | 浙江工业大学 | 一种心电散点图三维图像增强方法 |
| CN110600132A (zh) * | 2019-08-31 | 2019-12-20 | 深圳市广宁股份有限公司 | 基于振动检测的数字孪生智能健康预测方法及装置 |
| CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
| CN111312401A (zh) * | 2020-01-14 | 2020-06-19 | 之江实验室 | 一种基于多标签学习的体检后慢性疾病预后系统 |
| CN111476282A (zh) * | 2020-03-27 | 2020-07-31 | 东软集团股份有限公司 | 数据分类方法、装置、存储介质及电子设备 |
| CN111524600A (zh) * | 2020-04-24 | 2020-08-11 | 中国地质大学（武汉） | 基于neighbor2vec的肝癌术后复发风险预测系统 |
| CN111652290A (zh) * | 2020-05-15 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 一种对抗样本的检测方法及装置 |
| CN111798984A (zh) * | 2020-07-07 | 2020-10-20 | 章越新 | 一种基于傅里叶变换的疾病预测方案 |
| CN111973155A (zh) * | 2020-08-23 | 2020-11-24 | 吾征智能技术(北京)有限公司 | 一种基于人体口味异常变化的疾病认知自学习系统 |
| CN112085254A (zh) * | 2020-08-05 | 2020-12-15 | 中国地质大学（武汉） | 基于多重分形协同度量门控循环单元的预测方法及模型 |
| CN112336351A (zh) * | 2020-10-26 | 2021-02-09 | 北京大学深圳研究生院 | 一种基于人体体表电信号的病情评估方法及系统 |
| CN112863668A (zh) * | 2021-02-07 | 2021-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于机器学习的肝硬化患者肺内血管扩张筛查系统 |
| CN112925920A (zh) * | 2021-03-23 | 2021-06-08 | 西安电子科技大学昆山创新研究院 | 一种智慧社区大数据知识图谱网络社团检测方法 |
| CN113361188A (zh) * | 2021-05-10 | 2021-09-07 | 国网河北省电力有限公司营销服务中心 | 多目标配电网动态重构方法、装置及终端 |
| TWI740647B (zh) * | 2020-09-15 | 2021-09-21 | 宏碁股份有限公司 | 疾病分類方法及疾病分類裝置 |
| CN113449757A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 心衰诊断模型的构建方法、构建系统和心衰诊断装置 |
| CN113456043A (zh) * | 2021-07-08 | 2021-10-01 | 军事科学院系统工程研究院卫勤保障技术研究所 | 一种连续血压检测方法及装置 |
| CN113598784A (zh) * | 2021-08-25 | 2021-11-05 | 济南汇医融工科技有限公司 | 心律失常检测方法及系统 |
| WO2022161365A1 (zh) * | 2021-01-30 | 2022-08-04 | 华为技术有限公司 | 一种确定冠心病罹患概率的方法及装置 |
| US20220375607A1 (en) * | 2019-10-15 | 2022-11-24 | Sony Group Corporation | Information processing apparatus, information processing method, and program |
| CN115517685A (zh) * | 2022-09-15 | 2022-12-27 | 山东大学 | 基于动态学习和多尺度分析的心电信号检测方法及系统 |
| CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
| WO2024082923A1 (zh) * | 2022-10-19 | 2024-04-25 | 荣耀终端有限公司 | 心律失常的识别方法和可穿戴设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6443889B1 (en) * | 2000-02-10 | 2002-09-03 | Torgny Groth | Provision of decision support for acute myocardial infarction |
| CN102793539A (zh) * | 2012-08-31 | 2012-11-28 | 深圳市理邦精密仪器股份有限公司 | 心电向量图检测分析方法及系统 |
| WO2014123438A1 (en) * | 2013-02-08 | 2014-08-14 | Vranić Ivana I | A method and system for vector analysis of electrocardiogram in assessment of risk of sudden cardiac death (scd) due to arrhythmogenic right ventricular dysplasia/cardiomyopathy by quantifying micro scars (i.e. "bites") in three dimensional vector loops |
| CN105228508A (zh) * | 2013-03-08 | 2016-01-06 | 新加坡健康服务有限公司 | 一种测定用于分类的危险评分的系统和方法 |
| CN107180155A (zh) * | 2017-04-17 | 2017-09-19 | 中国科学院计算技术研究所 | 一种基于异构集成模型的疾病预测方法及系统 |
| CN107260161A (zh) * | 2017-07-18 | 2017-10-20 | 上海图灵医疗科技有限公司 | 一种心电动力学数据量化分析方法 |
| CN107438399A (zh) * | 2015-04-08 | 2017-12-05 | 皇家飞利浦有限公司 | 心血管恶化预警评分 |
| CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
| 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
- 2019-03-15 CN CN201910198044.2A patent/CN110090012A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6443889B1 (en) * | 2000-02-10 | 2002-09-03 | Torgny Groth | Provision of decision support for acute myocardial infarction |
| CN102793539A (zh) * | 2012-08-31 | 2012-11-28 | 深圳市理邦精密仪器股份有限公司 | 心电向量图检测分析方法及系统 |
| WO2014123438A1 (en) * | 2013-02-08 | 2014-08-14 | Vranić Ivana I | A method and system for vector analysis of electrocardiogram in assessment of risk of sudden cardiac death (scd) due to arrhythmogenic right ventricular dysplasia/cardiomyopathy by quantifying micro scars (i.e. "bites") in three dimensional vector loops |
| CN105228508A (zh) * | 2013-03-08 | 2016-01-06 | 新加坡健康服务有限公司 | 一种测定用于分类的危险评分的系统和方法 |
| CN107438399A (zh) * | 2015-04-08 | 2017-12-05 | 皇家飞利浦有限公司 | 心血管恶化预警评分 |
| CN107180155A (zh) * | 2017-04-17 | 2017-09-19 | 中国科学院计算技术研究所 | 一种基于异构集成模型的疾病预测方法及系统 |
| CN107260161A (zh) * | 2017-07-18 | 2017-10-20 | 上海图灵医疗科技有限公司 | 一种心电动力学数据量化分析方法 |
| CN108577825A (zh) * | 2018-01-11 | 2018-09-28 | 中国科学院上海微系统与信息技术研究所 | 一种心肌缺血病变位置定位方法及系统、存储介质及终端 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| ALI REZA MEHRI DEHNAVI, ET AL: "Detection and classification of cardiac ischemia using vectorcardiogram signal via neural network", 《J RES MED SCI》 * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019184960A3 (zh) * | 2018-03-24 | 2019-11-14 | 上海图灵医疗科技有限公司 | 一种心电数据病理特征量化分析方法及装置 |
| CN110600132A (zh) * | 2019-08-31 | 2019-12-20 | 深圳市广宁股份有限公司 | 基于振动检测的数字孪生智能健康预测方法及装置 |
| CN110600132B (zh) * | 2019-08-31 | 2023-12-15 | 深圳市广宁股份有限公司 | 基于振动检测的数字孪生智能健康预测方法及装置 |
| CN110584652A (zh) * | 2019-10-09 | 2019-12-20 | 浙江工业大学 | 一种心电散点图三维图像增强方法 |
| CN110584652B (zh) * | 2019-10-09 | 2022-05-03 | 浙江工业大学 | 一种心电散点图三维图像增强方法 |
| CN110558975A (zh) * | 2019-10-14 | 2019-12-13 | 齐鲁工业大学 | 一种基于lrf-elm和blstm的心电信号分类方法及系统 |
| US20220375607A1 (en) * | 2019-10-15 | 2022-11-24 | Sony Group Corporation | Information processing apparatus, information processing method, and program |
| CN111312401A (zh) * | 2020-01-14 | 2020-06-19 | 之江实验室 | 一种基于多标签学习的体检后慢性疾病预后系统 |
| CN111134662B (zh) * | 2020-02-17 | 2021-04-16 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
| CN111134662A (zh) * | 2020-02-17 | 2020-05-12 | 武汉大学 | 一种基于迁移学习和置信度选择的心电异常信号识别方法及装置 |
| CN113449757A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 心衰诊断模型的构建方法、构建系统和心衰诊断装置 |
| CN111476282A (zh) * | 2020-03-27 | 2020-07-31 | 东软集团股份有限公司 | 数据分类方法、装置、存储介质及电子设备 |
| CN111524600A (zh) * | 2020-04-24 | 2020-08-11 | 中国地质大学（武汉） | 基于neighbor2vec的肝癌术后复发风险预测系统 |
| CN111652290B (zh) * | 2020-05-15 | 2024-03-15 | 深圳前海微众银行股份有限公司 | 一种对抗样本的检测方法及装置 |
| CN111652290A (zh) * | 2020-05-15 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 一种对抗样本的检测方法及装置 |
| CN111798984A (zh) * | 2020-07-07 | 2020-10-20 | 章越新 | 一种基于傅里叶变换的疾病预测方案 |
| CN112085254A (zh) * | 2020-08-05 | 2020-12-15 | 中国地质大学（武汉） | 基于多重分形协同度量门控循环单元的预测方法及模型 |
| CN112085254B (zh) * | 2020-08-05 | 2023-06-13 | 中国地质大学（武汉） | 基于多重分形协同度量门控循环单元的预测方法及模型 |
| CN111973155A (zh) * | 2020-08-23 | 2020-11-24 | 吾征智能技术(北京)有限公司 | 一种基于人体口味异常变化的疾病认知自学习系统 |
| CN111973155B (zh) * | 2020-08-23 | 2023-06-16 | 吾征智能技术(北京)有限公司 | 一种基于人体口味异常变化的疾病认知自学习系统 |
| TWI740647B (zh) * | 2020-09-15 | 2021-09-21 | 宏碁股份有限公司 | 疾病分類方法及疾病分類裝置 |
| US11830589B2 (en) | 2020-09-15 | 2023-11-28 | Acer Incorporated | Disease classification method and disease classification device |
| CN112336351A (zh) * | 2020-10-26 | 2021-02-09 | 北京大学深圳研究生院 | 一种基于人体体表电信号的病情评估方法及系统 |
| EP4268709A4 (en) * | 2021-01-30 | 2024-05-29 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR DETERMINING THE LIKELIHOOD OF SUFFERING FROM CORONARY HEART DISEASE |
| WO2022161365A1 (zh) * | 2021-01-30 | 2022-08-04 | 华为技术有限公司 | 一种确定冠心病罹患概率的方法及装置 |
| CN112863668A (zh) * | 2021-02-07 | 2021-05-28 | 中国科学院重庆绿色智能技术研究院 | 基于机器学习的肝硬化患者肺内血管扩张筛查系统 |
| CN112925920A (zh) * | 2021-03-23 | 2021-06-08 | 西安电子科技大学昆山创新研究院 | 一种智慧社区大数据知识图谱网络社团检测方法 |
| CN113361188A (zh) * | 2021-05-10 | 2021-09-07 | 国网河北省电力有限公司营销服务中心 | 多目标配电网动态重构方法、装置及终端 |
| CN113456043A (zh) * | 2021-07-08 | 2021-10-01 | 军事科学院系统工程研究院卫勤保障技术研究所 | 一种连续血压检测方法及装置 |
| CN113598784A (zh) * | 2021-08-25 | 2021-11-05 | 济南汇医融工科技有限公司 | 心律失常检测方法及系统 |
| CN113598784B (zh) * | 2021-08-25 | 2024-04-09 | 济南汇医融工科技有限公司 | 心律失常检测方法及系统 |
| CN115517685A (zh) * | 2022-09-15 | 2022-12-27 | 山东大学 | 基于动态学习和多尺度分析的心电信号检测方法及系统 |
| WO2024082923A1 (zh) * | 2022-10-19 | 2024-04-25 | 荣耀终端有限公司 | 心律失常的识别方法和可穿戴设备 |
| CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
| CN117804490B (zh) * | 2024-02-28 | 2024-05-17 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110090012A (zh) | 一种基于机器学习的人体疾病检测方法及检测产品 | |
| Masetic et al. | Congestive heart failure detection using random forest classifier | |
| Peker et al. | Computer‐Aided Diagnosis of Parkinson’s Disease Using Complex‐Valued Neural Networks and mRMR Feature Selection Algorithm | |
| CN106778042A (zh) | 心脑血管患者相似性分析方法及系统 | |
| Jung et al. | An arrhythmia classification method in utilizing the weighted KNN and the fitness rule | |
| CN109953755A (zh) | 一种心电向量数据特征的提取方法及装置 | |
| WO2019184960A2 (zh) | 一种心电数据病理特征量化分析方法及装置 | |
| Mandal et al. | Accurate prediction of coronary artery disease using reliable diagnosis system | |
| Ge et al. | Multi-label correlation guided feature fusion network for abnormal ECG diagnosis | |
| CN111261277A (zh) | 一种基于深度学习模型的心脏疾病的检测方法 | |
| WO2023097315A1 (en) | Systems and methods for electrocardiogram deep learning interpretability | |
| Huang et al. | A multiview feature fusion model for heartbeat classification | |
| Nagadeepa et al. | Artificial intelligence based cervical cancer risk prediction using m1 algorithms | |
| Wang et al. | Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification | |
| CN110363177A (zh) | 一种人体生物电信号混沌特征的提取方法 | |
| Kuila et al. | ECG signal classification to detect heart arrhythmia using ELM and CNN | |
| CN109033990A (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
| Kuila et al. | ECG signal classification using DEA with LSTM for arrhythmia detection | |
| Shchetinin et al. | Cardiac arrhythmia disorders detection with deep learning models | |
| Ali et al. | Comparative evaluation for two and five classes ECG signal classification: applied deep learning | |
| Hassan et al. | A hybrid data mining approach for knowledge extraction and classification in medical databases | |
| Hong et al. | Gated temporal convolutional neural network and expert features for diagnosing and explaining physiological time series: a case study on heart rates | |
| Umamaheswari et al. | Prediction of myocardial infarction using K-medoid clustering algorithm | |
| VenkateswaraRao Cheekati et al. | Ensemble approaches can aid in the early detection of coronary heart disease | |
| Arowolo et al. | A Comparative of Classification Models for Predicting of Heart Diseases |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200911 Address after: Room 102 / 104, construction investment company, No.72, industrial Street, Shijiazhuang circular chemical industry park, Shijiazhuang, Hebei, 050011 Applicant after: Hebei medai Health Technology Co.,Ltd. Address before: Room 1129, C Building, 555 Dongchuan Road, Minhang District, Shanghai, 200241 Applicant before: SHANGHAI TURING MEDICAL TECHNOLOGY Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190806 |