CN110363090A - 智能心脏疾病检测方法、装置及计算机可读存储介质 - Google Patents
智能心脏疾病检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110363090A CN110363090A CN201910520758.0A CN201910520758A CN110363090A CN 110363090 A CN110363090 A CN 110363090A CN 201910520758 A CN201910520758 A CN 201910520758A CN 110363090 A CN110363090 A CN 110363090A
- Authority
- CN
- China
- Prior art keywords
- heart disease
- cardiechema signals
- data
- trained values
- source data
- 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
- 208000019622 heart disease Diseases 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 10
- 230000000747 cardiac effect Effects 0.000 description 10
- 230000005236 sound signal Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000013526 transfer learning Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000003130 cardiopathic effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Abstract
本发明涉及一种人工智能技术,揭露了一种智能心脏疾病检测方法,包括:获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类;对分类后的所述数据集进行归一化处理,得到源数据集,存入数据库中;利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设阈值时,完成所述组合分类器模型的训练;将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。本发明还提出一种智能心脏疾病检测装置以及一种计算机可读存储介质。本发明实现了心脏疾病的精准检测。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于深度学习和用户行为的智能心脏疾病检测方法、装置及计算机可读存储介质。
背景技术
心脏疾病是一类破坏性大同时又难以被发现的疾病。据世界卫生组织统计,2016年,估计有1790万人死于心血管疾病,占全球死亡总数的31%。其中,85%死于心脏病和中风。我国拥有世界上最多的人口,从事心脏疾病工作的医生数量缺远远不足,可以及时发现心脏潜在疾病的专业医生更是少之又少,培养这种医生的时间和物质成本也非常高。这导致在许多医疗条件匮乏的区域,人们会因潜在的心脏疾病无法得到及时诊断和治疗而承受巨大的安全风险。
现代社会中,人们的生活节奏较快,而很多人长期处于较大压力的紧张状态,致使一部分人处于亚健康状态,使得各种疾病尤其使心脏疾病发病率逐渐增高。我国每年死于心脏疾病的人数也达几十万。另外,心脏疾病发病的人群正向低龄化发展,很多中青年因为缺乏这方面的常识,未能尽早引起重视进行早期的诊断和治疗,导致英年早逝。尽管目前国内外对心脏病的治疗手段在不断的进步,但是,由于心疾病患者的年龄、性别和职业的不同,个体差异很大,给预防和规范性的治疗造成诸多方面的不便。再者,现有的检测手段主要是基于医生的专业检测,这对于普通家庭来说显得不太方便。如果普通人也能够利用合适的设备进行自我普查,这就可为心脏病潜在患者提供及时预警,从而得到及时治疗。
发明内容
本发明提供一种智能心脏疾病检测方法、装置及计算机可读存储介质,其主要目的在于当用户在心脏疾病检测时,给用户呈现出精准的检测结果。
为实现上述目的,本发明提供的一种智能心脏疾病检测方法,包括:
由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类;
对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中;
利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设阈值时,完成所述组合分类器模型的训练;
将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
可选地,所述归一化处理,包括:
将分类后的所述数据集映射到[0,1]区间之内;
其中,所述归一化处理算法为:
X'=(X-Xmin)/(Xmax-Xmin)
其中Xmin为所述数据集的最小值,Xmax为所述数据集的最大值。
可选地,所述组合分类器模型包含卷积神经网络、循环自动编码器以及段级特征,分别用于转移学习、表示学习、监督学习;以及利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,包括:
通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集;
通过所述循环自动编码器的表示学习对所述预测结果集进行拟合;
通过所述段级特征的监督学习对拟合后的所述预测结果集进行分类,从而得到所述训练值。
可选地,所述通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集,包括:
通过所述卷积神经网络卷积层中预设一组过滤器对所述源数据集进行卷积操作,提取出特征向量;
利用所述卷积神经网络的池化层对所述特征向量进行池化操作并输入至全连接层,通过所述卷积神经网络的激活函数对所述特征向量输入分类标签,从而得到所述源数据集中心音信号片段类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。
可选地,所述计算所述训练值的未加权平均召回率,包括:
计算所述训练值的准确率和召回率;
其中,所述训练值的准确率计算公式如下所示:
其中,precision表示所述训练值的准确率,ncorrect表示输出正确训练值的数量,ntotal表示训练的心音信号片段总量;
所述训练值的召回率计算公式如下所示:
其中,recall表示所述训练值的召回率,tp表示为实际心音信号片段的数量,fn表示预测的心音信号片段的数量;
根据所述准确率和所述召回率得到未加权平均召回率:
其中,F1表示所述训练值的未加权平均召回率。
此外,为实现上述目的,本发明还提供一种智能心脏疾病检测装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的智能心脏疾病检测程序,所述智能心脏疾病检测程序被所述处理器执行时实现如下步骤:
获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类;
对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中;
利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设阈值时,完成所述组合分类器模型的训练;
将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
可选地,可选地,所述组合分类器模型包含卷积神经网络、循环自动编码器以及段级特征,分别用于转移学习、表示学习、监督学习;以及利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,包括:
通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集;
通过所述循环自动编码器的表示学习对所述预测结果集进行拟合;
通过所述段级特征的监督学习对拟合后的所述预测结果集进行分类,从而得到所述训练值。
可选地,所述通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集,包括:
通过所述卷积神经网络卷积层中预设一组过滤器对所述源数据集进行卷积操作,提取出特征向量;
利用所述卷积神经网络的池化层对所述特征向量进行池化操作并输入至全连接层,通过所述卷积神经网络的激活函数对所述特征向量输入分类标签,从而得到所述源数据集中心音信号片段类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。
可选地,所述计算所述训练值的未加权平均召回率,包括:
计算所述训练值的准确率和召回率;
其中,所述训练值的准确率计算公式如下所示:
其中,precision表示所述训练值的准确率,ncorrect表示输出正确训练值的数量,ntotal表示训练的心音信号片段总量;
所述训练值的召回率计算公式如下所示:
其中,recall表示所述训练值的召回率,tp表示为实际心音信号片段的数量,fn表示预测的心音信号片段的数量;
根据所述准确率和所述召回率得到未加权平均召回率:
其中,F1表示所述训练值的未加权平均召回率。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有智能心脏疾病检测程序,所述智能心脏疾病检测程序可被一个或者多个处理器执行,以实现如上所述的智能心脏疾病检测方法的步骤。
本发明提出的智能心脏疾病检测方法、装置及计算机可读存储介质,在用户进行心脏疾病检测时,根据预先获取的由心脏疾病患者心音信号组成的数据集,并对所述数据集进行处理后完成组合分类器模型的训练,将待检测的用户心音信号数据输入所述训练后的组合分类器模型中,检测出患有潜在心脏疾病的用户,从而给用户呈现出精准的检测结果。
附图说明
图1为本发明一实施例提供的智能心脏疾病检测方法的流程示意图;
图2为本发明一实施例提供的智能心脏疾病检测装置的内部结构示意图;
图3为本发明一实施例提供的智能心脏疾病检测装置中智能心脏疾病检测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种智能心脏疾病检测方法。参照图1所示,为本发明一实施例提供的智能心脏疾病检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,智能心脏疾病检测方法包括:
S1、获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类。
本发明较佳实施例中,所述数据集通过以下两种方式获取:方式一:通过INTERSPEECH 2018中ComParE比赛提供的HSS数据集。所述HSS数据集包括170种病例的845段心音信号,其中包含520段正常心音信号以及325段非正常心音信号。方式二:通过2016年PhysioNet/CinC比赛提供的数据集。所述PhysioNet/CinC的数据集包括764名患者的3153段心音信号,其中,包含1643段正常心音信号以及1510段非正常心音信号。
进一步地,本发明较佳实施例中对所述数据集建立正常心音信号和非正常心音信号的标签,从而产生标签集,并根据所述标签集对所述数据集进行分类。进一步地,本发明较佳实施例将所述HSS数据集中520段正常心音信号和所述PhysioNet/CinC的数据集中1510段非正常心音信号划分为第一数据集;将所述HSS数据集中325段非正常心音信号和所述PhysioNet/CinC的数据集中1643段正常心音信号划分为第二数据集;将所述HSS数据集中845段心音信号和所述PhysioNet/CinC的数据集中3153段心音信号划分为第三数据集。
S2、对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中。
所述归一化处理是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。本发明较佳实施例所述归一化处理包括将分类后的所述数据集映射到[0,1]区间之内,得到源数据集。
本发明较佳实施例中,所述归一化处理算法为:
X'=(X-Xmin)/(Xmax-Xmin)
其中,X为数据集中的数据,Xmin为所述数据集的最小值,Xmax为所述数据集的最大值,X'为X执行归一化处理之后的数据。优选地,本发明选用的数据库为Mysql数据库。
S3、利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设的阈值时,完成所述组合分类器模型的训练。
本发明较佳实施例中,所述组合分类器模型包含卷积神经网络、循环自动编码器以及段级特征分别用于执行迁移学习(Transfer Learning,TL)、监督学习(SupervisedLearning,SL)和表示学习(representation learning,RL)。其中,所述分类器是利用给定的类别和已知的训练数据来学习分类规则,对未知数据进行分类或预测。所述迁移学习用于将从一个环境中学到的知识用来帮助新环境中的学习任务;所述监督学习用于学习一个模型,使模型对给定的任意一个输入,对其都可以映射出一个对应结果;所述表示学习用于学习一个特征的技术的集合,将原始数据转换成为能够被机器学习来有效开发的一种形式,避免了手动提取特征的麻烦。
进一步地,本发明通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。详细地,所述预处理操作具体步骤为:通过所述卷积神经网络卷积层中预设一组过滤器对所述源数据集进行卷积操作,提取出特征向量;利用所述卷积神经网络的池化层对所述特征向量进行池化操作并输入至全连接层,通过所述卷积神经网络的激活函数对所述特征向量输入分类标签,从而得到所述源数据集中心音信号片段类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。
进一步地,本发明通过所述循环自动编码器的表示学习,用于对所述预测结果集进行拟合。所述拟合是一种把现有数据透过数学方法来代入一条数式的表示方式。例如:通过诸如采样、实验等方法获得若干离散的数据,根据这些数据,得到一个连续的函数(也就是曲线)或者更加密集的离散方程与已知数据相吻合。
进一步地,本发明通过所述段级特征的监督学习对拟合后的所述预测结果集进行分类,从而得到训练值。详细地,本发明使用openSMILE工具集来提取所述预测结果集中的特征,通过支持向量机和线性判别分析器来对所述所述预测结果集的心音信号进行分类。所述openSMILE工具集是一种数据提取工具。所述支持向量机(SVM)是与相关的学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析。
本发明较佳实施例进一步计算出所述训练值的准确率和召回率,并根据所述准确率和召回率得到所述训练值未加权平均召回率。
其中,所述准确率是一种评价指标,检索出目标样本数除以所有的样本数,通常来说,准确率越高,分类器越好。所述召回率(UAR)是用于评价结果的质量,检索出目标数据数和数据库中所有的相关数据的比率。
本发明较佳实施例中,所述训练值的准确率计算公式如下所示:
其中,precision表示所述训练值的准确率,ncorrect表示输出正确训练值的数量,ntotal表示训练的数据总量。
所述训练值的召回率计算公式如下所示:
其中,recall表示所述训练值的召回率,tp表示为实际心音信号片段的数量,fn表示预测的心音信号片段的数量。
根据所述准确率和所述召回率得到未加权平均召回率为:
其中,F1表示所述训练值的未加权平均召回率,优选地,本发明预设所述的阈值为0.9,当所述未加权平均值大于0.9时,完成所述组合分类器模型的训练。
S4、将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
本发明较佳实施例通过数字听诊器获取用户的心脏声音数据,将所述用户的心脏声音数据上传到训练后的所述组合分类器模型中,获得检测结果,对检测出含有非正常心脏心音信号的片段做出预警提示。
进一步地,本发明还可以通过将用户的心脏声音数据反馈到云端深度学习平台,根据不断增加的新数据,所述云端深度学习平台通过预设一定的周期,对训练后的所述组合分类器模型进行不断优化与改进,并定期发布新的组合分类器模型。所述数字听诊器是心脏辅助诊断工具,具有声学听诊器的外观和感觉,提高了声音信号的检测能力,同时可以和所述应用软件进行互联实现数据传输。所述云端深度学习是基于云计算、大数据的人工智能学习系统,模拟人脑进行分析学习的神经网络,可以对图像、声音和文本进行处理。
发明还提供一种智能心脏疾病检测装置。参照图2所示,为本发明一实施例提供的智能心脏疾病检测装置的内部结构示意图。
在本实施例中,所述智能心脏疾病检测装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该智能心脏疾病检测装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是智能心脏疾病检测装置1的内部存储单元,例如该智能心脏疾病检测装置1的硬盘。存储器11在另一些实施例中也可以是智能心脏疾病检测装置1的外部存储设备,例如智能心脏疾病检测装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括智能心脏疾病检测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于智能心脏疾病检测装置1的应用软件及各类数据,例如智能心脏疾病检测程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行智能心脏疾病检测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在智能心脏疾病检测装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及智能心脏疾病检测程序01的智能心脏疾病检测装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对智能心脏疾病检测装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有智能心脏疾病检测程序01;处理器12执行存储器11中存储的智能心脏疾病检测程序01时实现如下步骤:
步骤一、获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类。
本发明较佳实施例中,所述数据集通过以下两种方式获取:方式一:通过INTERSPEECH 2018中ComParE比赛提供的HSS数据集。所述HSS数据集包括170种病例的845段心音信号,其中包含520段正常心音信号以及325段非正常心音信号。方式二:通过2016年PhysioNet/CinC比赛提供的数据集。所述PhysioNet/CinC的数据集包括764名患者的3153段心音信号,其中,包含1643段正常心音信号以及1510段非正常心音信号。
进一步地,本发明较佳实施例中对所述数据集建立正常心音信号和非正常心音信号的标签,从而产生标签集,并根据所述标签集对所述数据集进行分类。进一步地,本发明较佳实施例将所述HSS数据集中520段正常心音信号和所述PhysioNet/CinC的数据集中1510段非正常心音信号划分为第一数据集;将所述HSS数据集中325段非正常心音信号和所述PhysioNet/CinC的数据集中1643段正常心音信号划分为第二数据集;将所述HSS数据集中845段心音信号和所述PhysioNet/CinC的数据集中3153段心音信号划分为第三数据集。
步骤二、对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中。
所述归一化处理是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量。本发明较佳实施例所述归一化处理包括将分类后的所述数据集映射到[0,1]区间之内,得到源数据集。
本发明较佳实施例中,所述归一化处理算法为:
X'=(X-Xmin)/(Xmax-Xmin)
其中,X为数据集中的数据,Xmin为所述数据集的最小值,Xmax为所述数据集的最大值,X'为X执行归一化处理之后的数据。优选地,本发明选用的数据库为Mysql数据库。
步骤三、利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设的阈值时,完成所述组合分类器模型的训练。
本发明较佳实施例中,所述组合分类器模型包含卷积神经网络、循环自动编码器以及段级特征分别用于执行迁移学习(Transfer Learning,TL)、监督学习(SupervisedLearning,SL)和表示学习(representation learning,RL)。其中,所述分类器是利用给定的类别和已知的训练数据来学习分类规则,对未知数据进行分类或预测。所述迁移学习用于将从一个环境中学到的知识用来帮助新环境中的学习任务;所述监督学习用于学习一个模型,使模型对给定的任意一个输入,对其都可以映射出一个对应结果;所述表示学习用于学习一个特征的技术的集合,将原始数据转换成为能够被机器学习来有效开发的一种形式,避免了手动提取特征的麻烦。
进一步地,本发明通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。详细地,所述预处理操作具体步骤为:通过所述卷积神经网络卷积层中预设一组过滤器对所述源数据集进行卷积操作,提取出特征向量;利用所述卷积神经网络的池化层对所述特征向量进行池化操作并输入至全连接层,通过所述卷积神经网络的激活函数对所述特征向量输入分类标签,从而得到所述源数据集中心音信号片段类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。
进一步地,本发明通过所述循环自动编码器的表示学习,用于对所述预测结果集进行拟合。所述拟合是一种把现有数据透过数学方法来代入一条数式的表示方式。例如:通过诸如采样、实验等方法获得若干离散的数据,根据这些数据,得到一个连续的函数(也就是曲线)或者更加密集的离散方程与已知数据相吻合。
进一步地,本发明通过所述段级特征的监督学习对拟合后的所述预测结果集进行分类,从而得到训练值。详细地,本发明使用openSMILE工具集来提取所述预测结果集中的特征,通过支持向量机和线性判别分析器来对所述所述预测结果集的心音信号进行分类。所述openSMILE工具集是一种数据提取工具。所述支持向量机(SVM)是与相关的学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析。
本发明较佳实施例进一步计算出所述训练值的准确率和召回率,并根据所述准确率和召回率得到所述训练值未加权平均召回率。
其中,所述准确率是一种评价指标,检索出目标样本数除以所有的样本数,通常来说,准确率越高,分类器越好。所述召回率(UAR)是用于评价结果的质量,检索出目标数据数和数据库中所有的相关数据的比率。
本发明较佳实施例中,所述训练值的准确率计算公式如下所示:
其中,precision表示所述训练值的准确率,ncorrect表示输出正确训练值的数量,ntotal表示训练的数据总量。
所述训练值的召回率计算公式如下所示:
其中,recall表示所述训练值的召回率,tp表示为实际心音信号片段的数量,fn表示预测的心音信号片段的数量。
根据所述准确率和所述召回率得到未加权平均召回率为:
其中,F1表示所述训练值的未加权平均召回率,优选地,本发明预设所述的阈值为0.9,当所述未加权平均值大于0.9时,完成所述组合分类器模型的训练。
步骤四、将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
本发明较佳实施例通过数字听诊器获取用户的心脏声音数据,将所述用户的心脏声音数据上传到训练后的所述组合分类器模型中,获得检测结果,对检测出含有非正常心脏心音信号的片段做出预警提示。
进一步地,本发明还可以通过将用户的心脏声音数据反馈到云端深度学习平台,根据不断增加的新数据,所述云端深度学习平台通过预设一定的周期,对训练后的所述组合分类器模型进行不断优化与改进,并定期发布新的组合分类器模型。所述数字听诊器是心脏辅助诊断工具,具有声学听诊器的外观和感觉,提高了声音信号的检测能力,同时可以和所述应用软件进行互联实现数据传输。所述云端深度学习是基于云计算、大数据的人工智能学习系统,模拟人脑进行分析学习的神经网络,可以对图像、声音和文本进行处理。
可选地,在其他实施例中,智能心脏疾病检测程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述智能心脏疾病检测程序在智能心脏疾病检测装置中的执行过程。
例如,参照图3所示,为本发明智能心脏疾病检测装置一实施例中的智能心脏疾病检测程序的程序模块示意图,该实施例中,所述智能心脏疾病检测程序可以被分割为数据接收模块10、数据处理模块20、模型训练模块30以及检测模块40,示例性地:
所述数据接收模块10用于:获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类。
所述数据处理模块20用于对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中。
所述模型训练模块30用于:利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设阈值时,完成所述组合分类器模型的训练。
所述检测模块40用于:将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
上述数据接收模块10、数据处理模块20、模型训练模块30以及检测模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有智能心脏疾病检测程序,所述智能心脏疾病检测程序可被一个或多个处理器执行,以实现如下操作:
获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类;
对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中;
利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设阈值时,完成所述组合分类器模型的训练;
将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
本发明计算机可读存储介质具体实施方式与上述智能心脏疾病检测装置和方法各实施例基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种心脏疾病检测方法,其特征在于,所述方法包括:
获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类;
对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中;
利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设阈值时,完成所述组合分类器模型的训练;
将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
2.如权利要求1所述的智能心脏疾病检测方法,其特征在于,所述归一化处理,包括:
将分类后的所述数据集映射到[0,1]区间之内;
其中,所述归一化处理算法为:
X'=(X-Xmin)/(Xmax-Xmin)
其中Xmin为所述数据集的最小值,Xmax为所述数据集的最大值。
3.如权利要求1所述的智能心脏疾病检测方法,其特征在于,所述组合分类器模型包含卷积神经网络、循环自动编码器以及段级特征,分别用于转移学习、表示学习、监督学习;以及利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,包括:
通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集;
通过所述循环自动编码器的表示学习对所述预测结果集进行拟合;
通过所述段级特征的监督学习对拟合后的所述预测结果集进行分类,从而得到所述训练值。
4.如权利要求3所述的智能心脏疾病检测方法,其特征在于,所述通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集,包括:
通过所述卷积神经网络卷积层中预设一组过滤器对所述源数据集进行卷积操作,提取出特征向量;
利用所述卷积神经网络的池化层对所述特征向量进行池化操作并输入至全连接层,通过所述卷积神经网络的激活函数对所述特征向量输入分类标签,从而得到所述源数据集中心音信号片段类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。
5.如权利要求1所述的智能心脏疾病检测方法,其特征在于,所述计算所述训练值的未加权平均召回率,包括:
计算所述训练值的准确率和召回率;
其中,所述训练值的准确率计算公式如下所示:
其中,precision表示所述训练值的准确率,ncorrect表示输出正确训练值的数量,ntotal表示训练的心音信号片段总量;
所述训练值的召回率计算公式如下所示:
其中,recall表示所述训练值的召回率,tp表示为实际心音信号片段的数量,fn表示预测的心音信号片段的数量;
根据所述准确率和所述召回率得到未加权平均召回率:
其中,F1表示所述训练值的未加权平均召回率。
6.一种智能心脏疾病检测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的智能心脏疾病检测程序,所述智能心脏疾病检测程序被所述处理器执行时实现如下步骤:
获取由心脏疾病患者心音信号组成的数据集,对所述数据集建立标签,产生标签集,根据所述标签集对所述数据集进行分类;
对分类后的所述数据集进行归一化处理,得到源数据集,并将所述源数据集存入数据库中;
利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,并计算所述训练值的未加权平均召回率,当所述未加权平均召回率大于预设阈值时,完成所述组合分类器模型的训练;
将待检测的用户心音信号数据输入至训练后的所述组合分类器模型中,检测出患有潜在心脏疾病的用户。
7.如权利要求6所述的智能心脏疾病检测装置,其特征在于,所述组合分类器模型包含卷积神经网络、循环自动编码器以及段级特征,分别用于转移学习、表示学习、监督学习;以及利用所述源数据集对预先构建的组合分类器模型进行训练,得到训练值,包括:
通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集;
通过所述循环自动编码器的表示学习对所述预测结果集进行拟合;
通过所述段级特征的监督学习对拟合后的所述预测结果集进行分类,从而得到所述训练值。
8.如权利要求7所述的智能心脏疾病检测装置,其特征在于,所述通过所述卷积神经网络的转移学习对所述源数据集进行预处理操作,得到所述源数据集中心音信号片段的类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集,包括:
通过所述卷积神经网络卷积层中预设一组过滤器对所述源数据集进行卷积操作,提取出特征向量;
利用所述卷积神经网络的池化层对所述特征向量进行池化操作并输入至全连接层,通过所述卷积神经网络的激活函数对所述特征向量输入分类标签,从而得到所述源数据集中心音信号片段类别概率,并选取所述类别概率最高的心音信号片段集作为预测结果集。
9.如权利要求6所述的智能心脏疾病检测装置,其特征在于,所述计算所述训练值的未加权平均召回率,包括:
计算所述训练值的准确率和召回率;
其中,所述训练值的准确率计算公式如下所示:
其中,precision表示所述训练值的准确率,ncorrect表示输出正确训练值的数量,ntotal表示训练的心音信号片段总量;
所述训练值的召回率计算公式如下所示:
其中,recall表示所述训练值的召回率,tp表示为实际心音信号片段的数量,fn表示预测的心音信号片段的数量;
根据所述准确率和所述召回率得到未加权平均召回率:
其中,F1表示所述训练值的未加权平均召回率。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有智能心脏疾病检测程序,所述智能心脏疾病检测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的智能心脏疾病检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520758.0A CN110363090A (zh) | 2019-06-14 | 2019-06-14 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
PCT/CN2020/093545 WO2020248847A1 (zh) | 2019-06-14 | 2020-05-29 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520758.0A CN110363090A (zh) | 2019-06-14 | 2019-06-14 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363090A true CN110363090A (zh) | 2019-10-22 |
Family
ID=68217462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910520758.0A Pending CN110363090A (zh) | 2019-06-14 | 2019-06-14 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110363090A (zh) |
WO (1) | WO2020248847A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942086A (zh) * | 2019-10-30 | 2020-03-31 | 平安科技(深圳)有限公司 | 数据预测优化方法、装置、设备及可读存储介质 |
WO2020248847A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN112949639A (zh) * | 2021-01-26 | 2021-06-11 | 浙江大学医学院附属儿童医院 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
WO2021151291A1 (zh) * | 2020-05-26 | 2021-08-05 | 平安科技(深圳)有限公司 | 疾病风险的分析方法、装置、电子设备及计算机存储介质 |
CN113744287A (zh) * | 2021-10-13 | 2021-12-03 | 推想医疗科技股份有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN107348971A (zh) * | 2017-08-17 | 2017-11-17 | 上海交通大学 | 一种基于心音检测和机器学习算法的心脏病筛查系统 |
CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
CN108742697A (zh) * | 2018-05-29 | 2018-11-06 | 深圳市太空科技南方研究院 | 心音信号分类方法及终端设备 |
CN108805036A (zh) * | 2018-05-22 | 2018-11-13 | 电子科技大学 | 一种新的非监督的视频语义提取方法 |
CN109524118A (zh) * | 2018-11-01 | 2019-03-26 | 上海海事大学 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 |
KR20190058858A (ko) * | 2017-11-22 | 2019-05-30 | 서울대학교병원 | 스마트장치를 이용한 심혈관 질환의 진단정보 제공방법 및 이를 위한 심음 애플리케이션 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335349B (zh) * | 2017-01-18 | 2022-03-15 | 辉达公司 | 利用神经网络滤波图像数据 |
US9900747B1 (en) * | 2017-05-16 | 2018-02-20 | Cambridge Mobile Telematics, Inc. | Using telematics data to identify a type of a trip |
CN109684910A (zh) * | 2018-10-30 | 2019-04-26 | 中国科学院遥感与数字地球研究所 | 一种网络检测输电线路地表环境变化的方法及系统 |
CN110363090A (zh) * | 2019-06-14 | 2019-10-22 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
-
2019
- 2019-06-14 CN CN201910520758.0A patent/CN110363090A/zh active Pending
-
2020
- 2020-05-29 WO PCT/CN2020/093545 patent/WO2020248847A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN107529645A (zh) * | 2017-06-29 | 2018-01-02 | 重庆邮电大学 | 一种基于深度学习的心音智能诊断系统及方法 |
CN107348971A (zh) * | 2017-08-17 | 2017-11-17 | 上海交通大学 | 一种基于心音检测和机器学习算法的心脏病筛查系统 |
KR20190058858A (ko) * | 2017-11-22 | 2019-05-30 | 서울대학교병원 | 스마트장치를 이용한 심혈관 질환의 진단정보 제공방법 및 이를 위한 심음 애플리케이션 |
WO2019103416A1 (ko) * | 2017-11-22 | 2019-05-31 | 서울대학교병원 | 스마트장치를 이용한 심혈관 질환의 진단정보 제공방법 및 이를 위한 심음 애플리케이션 |
CN108805036A (zh) * | 2018-05-22 | 2018-11-13 | 电子科技大学 | 一种新的非监督的视频语义提取方法 |
CN108742697A (zh) * | 2018-05-29 | 2018-11-06 | 深圳市太空科技南方研究院 | 心音信号分类方法及终端设备 |
CN109524118A (zh) * | 2018-11-01 | 2019-03-26 | 上海海事大学 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020248847A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 智能心脏疾病检测方法、装置及计算机可读存储介质 |
CN110942086A (zh) * | 2019-10-30 | 2020-03-31 | 平安科技(深圳)有限公司 | 数据预测优化方法、装置、设备及可读存储介质 |
CN110942086B (zh) * | 2019-10-30 | 2024-04-23 | 平安科技(深圳)有限公司 | 数据预测优化方法、装置、设备及可读存储介质 |
WO2021151291A1 (zh) * | 2020-05-26 | 2021-08-05 | 平安科技(深圳)有限公司 | 疾病风险的分析方法、装置、电子设备及计算机存储介质 |
CN112949639A (zh) * | 2021-01-26 | 2021-06-11 | 浙江大学医学院附属儿童医院 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
CN112949639B (zh) * | 2021-01-26 | 2023-09-12 | 浙江大学医学院附属儿童医院 | 一种先天性心脏病心音智能分割分类算法、装置及存储介质 |
CN113744287A (zh) * | 2021-10-13 | 2021-12-03 | 推想医疗科技股份有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020248847A1 (zh) | 2020-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363090A (zh) | 智能心脏疾病检测方法、装置及计算机可读存储介质 | |
CN110832499B (zh) | 通过稀疏时间池化网络的弱监督动作定位 | |
CN108053838B (zh) | 结合音频分析和视频分析的欺诈识别方法、装置及存储介质 | |
CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
CN111160139A (zh) | 心电信号的处理方法、装置及终端设备 | |
ȚĂRANU | Data mining in healthcare: decision making and precision | |
CN109363659B (zh) | 基于深度学习的心率监控方法、装置及存储介质 | |
CN110147732A (zh) | 指静脉识别方法、装置、计算机设备及存储介质 | |
CN108763360A (zh) | 一种分类方法及装置、计算机可读存储介质 | |
Vaishnavi et al. | Predicting mental health illness using machine learning algorithms | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
CN111759345A (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
CN108231146A (zh) | 一种基于深度学习的医疗记录模型构建方法、系统及装置 | |
CN116994709B (zh) | 一种个性化的饮食与运动推荐方法、系统及电子设备 | |
Mahmood et al. | Early detection of clinical parameters in heart disease by improved decision tree algorithm | |
Ding et al. | Cascaded convolutional neural network with attention mechanism for mobile EEG-based driver drowsiness detection system | |
Hussain et al. | Detection of different stages of copd patients using machine learning techniques | |
CN107436997A (zh) | 一种生理数据的分析系统及方法 | |
Panicacci et al. | Population health management exploiting machine learning algorithms to identify high-risk patients | |
CN108710958A (zh) | 一种预测健康管理方法及装置、计算机可读存储介质 | |
Chaturvedi et al. | An Innovative Approach of Early Diabetes Prediction using Combined Approach of DC based Bidirectional GRU and CNN | |
Alissa | Parkinson's Disease Diagnosis Using Deep Learning | |
Deng et al. | Prediction of sports aggression behavior and analysis of sports intervention based on swarm intelligence model | |
CN109360656A (zh) | 一种基于多目标演化算法的癌症检测方法 |
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 |