CN113449757A - 心衰诊断模型的构建方法、构建系统和心衰诊断装置 - Google Patents
心衰诊断模型的构建方法、构建系统和心衰诊断装置 Download PDFInfo
- Publication number
- CN113449757A CN113449757A CN202010225313.2A CN202010225313A CN113449757A CN 113449757 A CN113449757 A CN 113449757A CN 202010225313 A CN202010225313 A CN 202010225313A CN 113449757 A CN113449757 A CN 113449757A
- Authority
- CN
- China
- Prior art keywords
- heart failure
- data
- electrocardiosignal
- label
- random forest
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了心衰诊断模型的构建方法、构建系统和心衰诊断装置,构建方法包括:S1提供批量患者的心电图数据和相应的电子病历,为每个患者的心电图数据添加心衰患病标签以形成带心衰患病标签的心电图数据集作为训练集;S2采用经验模式分解对各心电图数据进行预处理,得到带心衰患病标签的心电信号数据集;S3提取心电信号特征以构建带心衰患病标签的心电信号特征集;S4通过遗传算法对所构建的带心衰患病标签的心电信号特征集进行特征筛选以形成带心衰患病标签的心电信号特征子集,并利用sigmod函数进行归一化;S5:基于归一化的带心衰患病标签的心电信号特征子集,采用随机森林算法训练分类器。
Description
技术领域
本发明属于计算机技术领域,具体地涉及心衰诊断模型的构建方法、构建系统和心衰诊断装置。
背景技术
心血管疾病是全球相关死亡的主要原因之一,而心力衰竭(心衰)是其中一类重要疾病。心力衰竭的症状和体征各不相同,其诊断依据有患者既往临床病史、目前症状病历、体格检查、X线胸片、静息心电图和彩色超声心电图。通常地,医生在使用静息心电图检测到一些异常之后进行更为详细的彩色超声心电图检查。
心电图是诊断病人是否患有心衰的重要依据,而对心电图像进行准确的分类是医生制订最佳治疗方案的重要依据。目前普遍采用人工对心衰进行分类,但是这种基于人工的心衰分类不仅耗时、费力,而且诊断结果容易受到诸多主观、人为因素影响。
另外,心电图的观察较为复杂,病理学家(医生)面临心衰诊断的实质工作量增加。
随着现代科学技术的不断地进步与发展,人工智能、大数据也被不断发现其潜能。鉴于此,有必要提供一种有效的、自动化的、基于心电图记录的心衰诊断模型和心衰诊断装置,以对心衰疾病进行分类诊断。
发明内容
因此,本发明的目的是针对现有技术中存在的缺陷,提供一种心衰诊断模型的构建方法、构建系统和心衰诊断装置,本发明构建的心衰诊断模型、构建系统和心衰诊断装置对心电信号识别速度快、准确度高。
本发明的目的是通过以下技术方案实现的。
一方面,本发明提供了一种心衰诊断模型的构建方法,其中,所述构建方法包括以下步骤:
S1:提供批量患者的心电图数据和相应的电子病历,为每个患者的心电图数据添加心衰患病标签以形成带心衰患病标签的心电图数据集作为训练集;其中,所述心衰患病标签为无心功能障碍、无心功能障碍症状期和心功能障碍症状期;
S2:基于带心衰患病标签的心电图数据集,采用经验模式分解对各心电图数据进行预处理,得到带心衰患病标签的心电信号数据集;
S3:基于带心衰患病标签的心电信号数据集和相应的电子病历,提取心电信号特征以构建带心衰患病标签的心电信号特征集;
S4:通过遗传算法对所构建的带心衰患病标签的心电信号特征集进行特征筛选以形成带心衰患病标签的心电信号特征子集,并利用sigmod函数进行归一化;
S5:基于归一化的带心衰患病标签的心电信号特征子集,采用随机森林算法训练分类器。
进一步地,步骤S2中所述经验模式分解包括以下步骤:
S201:找出一心电图数据所有的极大值点并用三次样条插值函数拟合以形成上包络线;
S202:找出同一心电图数据所有的极小值点并用三次样条插值函数拟合以形成下包络线;
S203:通过式(I)得到本征模函数;
其中,hm(t)为第m个本征模函数,x(t)为原数据序列,eu(t)为上包络线,el(t)为下包络线。
进一步地,步骤S3中所述心电信号特征包括个人数据、HRV特征和生理信息特征。
进一步地,所述个人数据包括性别和年龄。
进一步地,所述HRV特征包括心电信号HRV时域特征和心电信号HRV频域特征。
更进一步地,所述心电信号HRV时域特征包括RR间隔平均值、RR区间的标准差、相邻RR区间差之和的均值平方以及相邻RR区间差异的标准差。
更进一步地,所述心电信号HRV频域特征包括低频带总功率、高频带总功率、标准化低频功率和标准化高频功率。
进一步地,所述生理信息特征包括去甲肾上腺素、B型钠尿肽、左心室舒张末期直径、左心房最大容积、P-R间期和左室射血分数。
进一步地,步骤S4中所述遗传算法包括以下步骤:
S401:个体编码,使用二进制基因位表示所述带心衰患病标签的心电信号特征集中的一个特征,每个染色体由二进制基因位字符串构成并用于表示一个心电信号特征子集;
S402:设定初始群体,随机生成具有N个染色体的初始种群,N的取值范围为大于等于1且小于等于特征种类总数的任意整数;
S403:适应度分配,通过式(II)计算适应度,适应度决定个体被选择到下一代的概率;
其中,fitness为适应度,Sen为敏感性,Spe为特异性,Acc为准确性;
S404:选择操作,根据每个个体的适应度,采用轮盘赌的方式来选择个体是否进入下一代;
S405:交叉操作,利用单点交叉方式重组个体,随机选择两个父代个体,通过将部分相异的基因随机进行交换以产生新的个体;
S406:变异操作,根据设定的变异频率对每个个体随机产生变异位置,改变变异位置处的二进制字符值;
S407:循环操作,判断是否满足终止条件,如果满足终止条件则终止,否则回到步骤S403。
更进一步地,式(II)中,Sen=TP/(TP+FN);
Spe=TN/(TN+FP);
Acc=(TP+TN)/(TP+TN+FP+FN);
其中,TP表示训练集中被正确识别的心衰样本数,FN表示训练集中被错误识别的心衰样本数,TN表示训练集中被正确识别的无心功能障碍样本数,FP表示训练集中被错误识别的无心功能障碍样本数。
更进一步地,步骤S407中所述终止条件包括:(1)迭代次数达到设定的最大值;(2)新种群的目标函数达到目标值;和/或(3)适应度不能再提高。
进一步地,步骤S5中所述随机森林算法包括以下步骤:
S501:将归一化的带心衰患病标签的心电信号特征子集输入为随机森林样本集,使用随机有放回采样V次,得到V个包括W个样本的随机森林采样集;其中,W和V均为自然数;
S502:对于V个随机森林采样集,分别训练V个决策树模型;
S503:生成的V个决策树模型组成随机森林,V个决策树模型投票决定分类结果。
更进一步地,所述随机森林包括3棵决策树模型,每棵决策树模型考虑5个随机特征。
另一方面,本发明提供了心衰诊断模型的构建系统,其中,所述构建系统包括:
数据传输装置,包括编解码芯片和信号传输线,所述编解码芯片用于将心电图数据转换为适于计算机处理的数据;
数据处理装置,包括处理模块和存储器,其中,所述存储器存储有用于执行所述的构建方法程序。
又一方面,本发明还提供了一种心衰诊断装置,其中,所述心衰诊断装置包括:
数据接口,用于接收心衰诊断数据;
显示模块,用于将诊断结果向用户显示;
处理模块;以及
存储器,存储有程序,所述程序被所述处理模块执行时,使所述心衰诊断装置执行所述的构建方法。
本发明具有以下优势:
(1)本发明的心衰诊断模型的构建方法采用经验模式分解对各心电图数据进行预处理,可以加强心电信号,消除高频噪声和/或基线漂移,同时采用特定的遗传算法和随机森林相结合,构建的心衰诊断模型可以实现心衰的分级诊断,将测试样分为无心功能障碍组(Non-HF)、无心功能障碍症状期组(HF-prone)和心功能障碍症状期组(HF),提高了诊断准确率,能为医生提供更加客观、准确的诊断结果,因而具有重要的临床应用价值。
(2)本发明将人工智能技术的决策支持模型应用于心衰诊断,形成了心衰诊断模型的构建方法,并进一步提供了构建系统和心衰诊断装置,有助于改善临床实践,提高对心电信号识别的速度以及准确度。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明的心衰诊断模型的构建方法的一种实施方案的流程框图;
图2是本发明的遗传算法的一种实施方案的算法示意图;
图3是本发明的随机森林的一种实施方案的算法示意图;和
图4是根据本发明的心衰诊断模型的构建方法的一种实施方案的算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
一方面,本发明提供了一种心衰诊断模型的构建方法。
图1示出了本发明的心衰诊断模型的构建方法的一种实施方案的流程。参照图1,本发明的心衰诊断模型的构建方法包括以下步骤:
S1:提供批量患者的心电图(ECG)数据和相应的电子病历,为每个患者的心电图数据添加心衰患病标签以形成带心衰患病标签的心电图数据集作为训练集;其中,心衰患病标签为无心功能障碍(Non-HF)、无心功能障碍症状期(HF-prone)和心功能障碍症状期(HF);
S2:基于带心衰患病标签的心电图数据集,采用经验模式分解对各心电图数据进行预处理,得到带心衰患病标签的心电信号数据集;
S3:基于带心衰患病标签的心电信号数据集和相应的电子病历,提取心电信号特征以构建带心衰患病标签的心电信号特征集;
S4:通过遗传算法对所构建的带心衰患病标签的心电信号特征集进行特征筛选以形成带心衰患病标签的心电信号特征子集,并利用sigmod函数进行归一化;
S5:基于归一化的带心衰患病标签的心电信号特征子集,采用随机森林算法训练分类器。
本发明的构建方法可以分为三个部分,第一部分(步骤S1、S2和S3)对心电信号进行预处理,以增强心电信号、去噪并提取相关特征;第二部分(步骤S4)利用遗传算法(GA)对特征集进行筛选优化;第三部分(步骤S5)通过随机森林算法优化,提高分类准确率。进一步地,本发明通过遗传算法和随机森林算法的组合,可以调整、改进随机森林模型的决策树数目和相关参数,以使效果达到最优。
图2示出了遗传算法的算法流程,图3示出了随机森林的算法流程,图4示出了本发明的心衰诊断模型的构建方法的算法流程。以下结合图2-4进一步说明。
在本发明的一个实施例中,步骤S1中心电图数据可以是静息心电图数据或者彩色超声心电图数据。
良好的心电图(ECG)可以被医生用来解释和识别生理和病理现象。然而,实际情况是心电图记录常常被人为的干扰。特别地,ECG记录中存在的两个主要伪影:(1)由肌电图引起的噪声、电力线干扰或作用于电极上的机械力引起的高频噪声;和(2)基线漂移(BW),基线漂移可能是由于患者呼吸或运动或仪器本身引起的。这些伪影严重限制了ECG记录(数据)的效用,因此需要移除以进行更好的临床评估。
本发明中采用经验模式分解(Empirical Mode Decomposition,简称“EMD”)来增强心电信号,EMD方法同时还能够消除高频噪声和BW,且信号失真最小。
在本发明的一个实施例中,步骤S2中经验模式分解包括以下步骤:
S201:找出一心电图数据所有的极大值点并用三次样条插值函数拟合以形成上包络线;
S202:找出同一心电图数据所有的极小值点并用三次样条插值函数拟合以形成下包络线;
S203:通过式(I)得到本征模函数(Intrinsic Mode Function,简称“IMF”);
其中,hm(t)为第m个本征模函数,x(t)为原数据序列,eu(t)为上包络线,el(t)为下包络线。
本发明中,为了考虑到影响心率衰竭的各种影响因素,步骤S3中基于带心衰患病标签的心电信号数据集和相应的电子病历来提取心电信号特征。
在本发明的一个实施例中,参照图4,心电信号特征包括个人数据、HRV特征和生理信息特征。
个人数据的实例包括性别和年龄。
HRV特征包括:心电信号HRV时域特征,如RR间隔平均值(mean)、RR区间的标准差(SDRR)、相邻RR区间差之和的均值平方(RMSSD)以及相邻RR区间差异的标准差(SDSD);和心电信号HRV频域特征,如低频带总功率(PLF)、高频带总功率(PHF)、标准化低频功率(NLF)和标准化高频功率(NPF)。
生理信息特征(参数)包括去甲肾上腺素(Na)、B型钠尿肽(BNP)、左心室舒张末期直径(LVEDd)、左心房最大容积(LA)、P-R间期和左室射血分数(LVEF)等。
采用的心电信号特征种类太多会对分类算法造成极大的困扰,这些困扰主要表现在以下几个方面:一是会额外增加系统学习的时间,在分类过程中也会发生速度变慢的问题;二是特征如果比较多,有可能带来“维度灾难”,这样的问题足以导致系统进行心衰分类时,速度变得极其缓慢;三是某些特征的影响力小,甚至基本没有影响力,导致这部分特征的训练成为无用功。本申请发明人发现,遗传算法可以有效的解决以上的问题。对此,本发明中采用遗传算法(GeneticAlgorithm,简称“GA”)对特征进行筛选,即特征选择。
在本发明的一个实施例中,参照图2,步骤S4中的遗传算法包括以下步骤:
S401:个体编码,使用二进制基因位表示所述带心衰患病标签的心电信号特征集中的一个特征,每个染色体由二进制基因位字符串构成并用于表示一个心电信号特征子集;
S402:设定初始群体,随机生成具有N个染色体的初始种群,N的取值范围为大于等于1且小于等于特征种类总数的任意整数;
S403:适应度分配,通过式(II)计算适应度,适应度决定个体被选择到下一代的概率;
其中,fitness为适应度,Sen为敏感性,Spe为特异性,Acc为准确性;
S404:选择操作,根据每个个体的适应度,采用轮盘赌的方式来选择个体是否进入下一代;
S405:交叉操作,利用单点交叉方式重组个体,随机选择两个父代个体,通过将部分相异的基因随机进行交换以产生新的个体;
S406:变异操作,根据设定的变异频率对每个个体随机产生变异位置,改变变异位置处的二进制字符值;
S407:循环操作,判断是否满足终止条件,如果满足终止条件则终止,否则回到步骤S403。
在图4所显示的实施方案中,染色体的二进制基因位字符串中,“1”代表选择,而“0”代表删除。
本发明中,可以根据适应度值按降序排列,适应度值高的染色体作为亲本的概率高;反之,适应度值低的染色体作为亲本的概率低。随后的交叉操作为下一代产生新的染色体。通过这种方式,遗传算法构造和修改染色体,直到达到终止条件。因此,本发明构建的诊断模型产生具有最高分辨能力的特征的最优组合(最优特征集)。
在本发明的一个实施例中,使用随机森林分类器和遗漏验证方法,通过染色体在识别HF和NHF中的表现来定义染色体的适应度。
在本发明的一个实施例中,式(II)中,
Sen=TP/(TP+FN);
Spe=TN/(TN+FP);
Acc=(TP+TN)/(TP+TN+FP+FN);
其中,TP表示训练集中被正确识别的心衰(HF)样本数,FN表示训练集中被错误识别的心衰(HF)样本数,TN表示训练集中被正确识别的无心功能障碍(Non-HF)样本数,FP表示训练集中被错误识别的无心功能障碍(Non-HF)样本数。
在本发明的一个实施例中,步骤S407中的终止条件包括:(1)迭代次数达到设定的最大值;(2)新种群的目标函数达到目标值;和/或(3)适应度不能再提高。
本发明中的遗传算法(GA特征选择器)还可以测试预测的准确率。
本发明中,步骤S5能够在步骤S4中得到的最优特征集的基础上,利用随机森林算法建立分类器,进而可以实现对心衰的预测诊断。
本发明通过将随机森林与遗传算法相结合,在运算量没有显著提高的前提下,提高了预测精度。进一步地,随机森林对多元公线性不敏感,结果对缺失数据和非平衡的数据比较稳健,可以很好地预测多达几千个解释变量的作用。
本发明中涉及的随机森林是一种多树预测器组合的分类方法,每棵树都依赖于随机选择的向量在森林中以相同的方式分布的一个值。在随机森林算法中,产生一个独立于以前的随机向量的随机向量θk并将其分发给所有树,每棵树种植用训练集和随机向量θk,从而由输入向量x产生树—结构化分类器集合{h(x,θk),k=1,......}。在随机森林算法中,泛化误差为:
PE*=PX,Y(mg(X,Y)<0) (III)
其中,下标X和Y是随机向量,表示概率在X,Y空间上,而mg是边缘函数,用于衡量随机向量的平均投票数超过其他任何输出的平均投票数的程度。边界函数定义为:
mg(X,Y)=avkI(hk(X)=Y)-maxj≠YavkI(hk(X)=j) (IV)
其中,I(.)为指示函数,用于衡量单个弱分类器准确性和弱分类器之间相关性的两个参数分别是强度和相关性。随机特征的随机森林是通过在每个节点上选择一小组输入变量随机来形成的。
在本发明的一个实施例中,步骤S5中的随机森林算法包括以下步骤:
S501:将归一化的带心衰患病标签的心电信号特征子集输入为随机森林样本集,使用随机有放回采样V次,得到V个包括W个样本的随机森林采样集(记为D,D={(x1,y1),(x2,y2),...(xw,yw)});其中,W和V均为自然数;
S502:对于V个随机森林采样集,分别训练V个决策树模型;
S503:生成的V个决策树模型组成随机森林,V个决策树模型投票决定分类结果。
在本发明的一个具体实施例中,随机森林包括3棵决策树模型,每棵决策树模型考虑5个随机特征(即,随机森林采样集包括5个样本)。本申请发明人发现,这样的组合可以得到树和随机特征的最优值。
在本发明的一个具体实施例中,步骤S502中随机森林采样集Dv训练第v个决策树模型Gv(x),每次分裂时根据基尼指数选择最优特征进行分裂。步骤S502中,每棵树持续分裂,直至该节点的所有训练样本都属于同一类。另外,还可以设置每棵决策树的迭代次数。
另一方面,本发明提供了一种心衰诊断模型的构建系统,其包括:
数据传输装置,包括编解码芯片和信号传输线,编解码芯片用于将心电图数据转换为适于计算机处理的数据;
数据处理装置,包括处理模块和存储器,其中,存储器存储有用于执行上述构建方法的程序。
又一方面,本发明还提供了一种心衰诊断装置,其包括:
数据接口,用于接收心衰诊断数据;
显示模块,用于将诊断结果向用户显示;
处理模块;以及
存储器,存储有程序,程序被处理模块执行时,使心衰诊断装置执行上述构建方法。
在本发明的一个优选实施例中,构建系统可以被配置为心衰诊断装置的组成部分。
在本发明的一个实施例中,本发明的心衰诊断装置还可以包括心电图仪,数据接口与心电图仪数据连接。由此,心电图仪测得患者的心电图后,经由本发明的心衰诊断装置可以直接得到诊断结果。
本发明中的心衰诊断模型的构建系统以及心衰诊断装置可以采用本领域中已知的编解码芯片、信号传输线和存储器。此外,该处理模块可以包含一个或多个通用处理器,或者由一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现。
在本发明的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制;方位词“内、外”是指相对于各部件本身的轮廓的内外,术语“正面”、“反面”通常是基于附图所示的方位或者基于使用时的方位。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本发明保护范围的限制。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.心衰诊断模型的构建方法,其中,所述构建方法包括以下步骤:
S1:提供批量患者的心电图数据和相应的电子病历,为每个患者的心电图数据添加心衰患病标签以形成带心衰患病标签的心电图数据集作为训练集;其中,所述心衰患病标签为无心功能障碍、无心功能障碍症状期和心功能障碍症状期;
S2:基于带心衰患病标签的心电图数据集,采用经验模式分解对各心电图数据进行预处理,得到带心衰患病标签的心电信号数据集;
S3:基于带心衰患病标签的心电信号数据集和相应的电子病历,提取心电信号特征以构建带心衰患病标签的心电信号特征集;
S4:通过遗传算法对所构建的带心衰患病标签的心电信号特征集进行特征筛选以形成带心衰患病标签的心电信号特征子集,并利用sigmod函数进行归一化;
S5:基于归一化的带心衰患病标签的心电信号特征子集,采用随机森林算法训练分类器。
3.根据权利要求1或2所述的构建方法,其中,步骤S3中所述心电信号特征包括个人数据、HRV特征和生理信息特征;
优选地,所述个人数据包括性别和年龄;
优选地,所述HRV特征包括心电信号HRV时域特征和心电信号HRV频域特征;
更优选地,所述心电信号HRV时域特征包括RR间隔平均值、RR区间的标准差、相邻RR区间差之和的均值平方以及相邻RR区间差异的标准差;
更优选地,所述心电信号HRV频域特征包括低频带总功率、高频带总功率、标准化低频功率和标准化高频功率;
优选地,所述生理信息特征包括去甲肾上腺素、B型钠尿肽、左心室舒张末期直径、左心房最大容积、P-R间期和左室射血分数。
4.根据权利要求1至3中任一项所述的构建方法,其中,步骤S4中所述遗传算法包括以下步骤:
S401:个体编码,使用二进制基因位表示所述带心衰患病标签的心电信号特征集中的一个特征,每个染色体由二进制基因位字符串构成并用于表示一个心电信号特征子集;
S402:设定初始群体,随机生成具有N个染色体的初始种群,N的取值范围为大于等于1且小于等于特征种类总数的任意整数;
S403:适应度分配,通过式(II)计算适应度,适应度决定个体被选择到下一代的概率;
其中,fitness为适应度,Sen为敏感性,Spe为特异性,Acc为准确性;
S404:选择操作,根据每个个体的适应度,采用轮盘赌的方式来选择个体是否进入下一代;
S405:交叉操作,利用单点交叉方式重组个体,随机选择两个父代个体,通过将部分相异的基因随机进行交换以产生新的个体;
S406:变异操作,根据设定的变异频率对每个个体随机产生变异位置,改变变异位置处的二进制字符值;
S407:循环操作,判断是否满足终止条件,如果满足终止条件则终止,否则回到步骤S403。
5.根据权利要求4所述的构建方法,其中,式(II)中,Sen=TP/(TP+FN);Spe=TN/(TN+FP);Acc=(TP+TN)/(TP+TN+FP+FN);其中,TP表示训练集中被正确识别的心衰样本数,FN表示训练集中被错误识别的心衰样本数,TN表示训练集中被正确识别的无心功能障碍样本数,FP表示训练集中被错误识别的无心功能障碍样本数。
6.根据权利要求4所述的构建方法,其中,步骤S407中所述终止条件包括:(1)迭代次数达到设定的最大值;(2)新种群的目标函数达到目标值;和/或(3)适应度不能再提高。
7.根据权利要求1至6中任一项的构建方法,其中,步骤S5中所述随机森林算法包括以下步骤:
S501:将归一化的带心衰患病标签的心电信号特征子集输入为随机森林样本集,使用随机有放回采样V次,得到V个包括W个样本的随机森林采样集;其中,W和V均为自然数;
S502:对于V个随机森林采样集,分别训练V个决策树模型;
S503:生成的V个决策树模型组成随机森林,V个决策树模型投票决定分类结果。
8.根据权利要求7的构建方法,其中,所述随机森林包括3棵决策树模型,每棵决策树模型考虑5个随机特征。
9.心衰诊断模型的构建系统,其中,所述构建系统包括:
数据传输装置,包括编解码芯片和信号传输线,所述编解码芯片用于将心电图数据转换为适于计算机处理的数据;
数据处理装置,包括处理模块和存储器,其中,所述存储器存储有用于执行如权利要求1至8中任一项所述的构建方法的程序。
10.心衰诊断装置,其中,所述心衰诊断装置包括:
数据接口,用于接收心衰诊断数据;
显示模块,用于将诊断结果向用户显示;
处理模块;以及
存储器,存储有程序,所述程序被所述处理模块执行时,使所述心衰诊断装置执行如权利要求1至8中任一项所述的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225313.2A CN113449757A (zh) | 2020-03-26 | 2020-03-26 | 心衰诊断模型的构建方法、构建系统和心衰诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225313.2A CN113449757A (zh) | 2020-03-26 | 2020-03-26 | 心衰诊断模型的构建方法、构建系统和心衰诊断装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113449757A true CN113449757A (zh) | 2021-09-28 |
Family
ID=77807299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010225313.2A Pending CN113449757A (zh) | 2020-03-26 | 2020-03-26 | 心衰诊断模型的构建方法、构建系统和心衰诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449757A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807486A (zh) * | 2023-07-05 | 2023-09-29 | 淮安市楚州中医院 | 一种急性心衰的数字模型构件系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1967853A1 (en) * | 2007-03-06 | 2008-09-10 | Roche Diagnostics GmbH | Use of Nogo-C in the assessment of heart failure |
US20160364537A1 (en) * | 2015-06-15 | 2016-12-15 | Dascena | Diagnostic support systems using machine learning techniques |
CN110090012A (zh) * | 2019-03-15 | 2019-08-06 | 上海图灵医疗科技有限公司 | 一种基于机器学习的人体疾病检测方法及检测产品 |
-
2020
- 2020-03-26 CN CN202010225313.2A patent/CN113449757A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1967853A1 (en) * | 2007-03-06 | 2008-09-10 | Roche Diagnostics GmbH | Use of Nogo-C in the assessment of heart failure |
US20160364537A1 (en) * | 2015-06-15 | 2016-12-15 | Dascena | Diagnostic support systems using machine learning techniques |
CN110090012A (zh) * | 2019-03-15 | 2019-08-06 | 上海图灵医疗科技有限公司 | 一种基于机器学习的人体疾病检测方法及检测产品 |
Non-Patent Citations (4)
Title |
---|
SUNG-NIENYU等: ""Bispectral analysis and genetic algorithm for congestive heart failure recognition based on heart rate variability"", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
ZERINAMASETIC等: ""Congestive heart failure detection using random forest classifier"", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
刘鑫炎: ""结合心电信号与临床因素的心衰预警技术研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
牛慧颖 等: ""基于遗传算法的J波识别优化算法"", 《电视技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116807486A (zh) * | 2023-07-05 | 2023-09-29 | 淮安市楚州中医院 | 一种急性心衰的数字模型构件系统及方法 |
CN116807486B (zh) * | 2023-07-05 | 2024-04-26 | 淮安市楚州中医院 | 一种急性心衰的数字模型构件系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110459328B (zh) | 临床监护设备 | |
US7174205B2 (en) | Cardiac diagnostic system and method | |
US7912528B2 (en) | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions | |
US20230293079A1 (en) | Electrocardiogram image processing method and device, medium, and electrocardiograph | |
US20050059876A1 (en) | Systems and methods for providing automated regional myocardial assessment for cardiac imaging | |
CN109770932A (zh) | 多模态脑部神经影像特征的处理方法 | |
CN1816303A (zh) | 用于心磁图分类的机器学习的使用 | |
CN111000553A (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
Smith et al. | Genetic and evolutionary computation: medical applications | |
Galazzo et al. | Explainable artificial intelligence for magnetic resonance imaging aging brainprints: Grounds and challenges | |
CN115063657B (zh) | 基于异构特征融合的缺血性脑卒中发病风险预测模型 | |
Shen et al. | Risk prediction for cardiovascular disease using ECG data in the China Kadoorie Biobank | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
Meqdad et al. | Meta structural learning algorithm with interpretable convolutional neural networks for arrhythmia detection of multisession ECG | |
CN115984555A (zh) | 一种基于深度自编码器构图的冠状动脉狭窄识别方法 | |
Sengan et al. | Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning | |
CN112989971B (zh) | 一种不同数据源的心电数据融合方法及装置 | |
McKeen et al. | Ecg-fm: An open electrocardiogram foundation model | |
CN113449757A (zh) | 心衰诊断模型的构建方法、构建系统和心衰诊断装置 | |
Duan et al. | Deep learning based multimodal biomedical data fusion: An overview and comparative review | |
CN114550910A (zh) | 基于人工智能的射血分数保留型心衰诊断及分型系统 | |
CN115040128A (zh) | 一种基于眼动数据的自闭症谱系障碍检测方法 | |
Riyaz et al. | Ensemble learning for coronary heart disease prediction | |
CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 | |
Attar Qazaani | Quantitative Analysis of Cardiac Magnetic Resonance in Population Imaging |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |
|
RJ01 | Rejection of invention patent application after publication |