CN113768517A - 一种心脏健康质量智能预警系统及其预警方法 - Google Patents
一种心脏健康质量智能预警系统及其预警方法 Download PDFInfo
- Publication number
- CN113768517A CN113768517A CN202111140697.9A CN202111140697A CN113768517A CN 113768517 A CN113768517 A CN 113768517A CN 202111140697 A CN202111140697 A CN 202111140697A CN 113768517 A CN113768517 A CN 113768517A
- Authority
- CN
- China
- Prior art keywords
- early warning
- health quality
- result
- heart
- heart health
- 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.)
- Granted
Links
- 230000005189 cardiac health Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 32
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 206010002383 Angina Pectoris Diseases 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 208000002903 Thalassemia Diseases 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 6
- 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 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims description 4
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000000284 resting effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000002966 serum Anatomy 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 7
- 208000019622 heart disease Diseases 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- G06N3/048—Activation functions
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种心脏健康质量智能预警系统及其预警方法，该系统及其方法旨在解决现有技术只能在心脏出现问题后才能发现问题，而不能根据人们目前的各项指标对心脏的健康质量进行预估，无法起到预警的作用，因此人们不能降低心脏疾病发病率的技术问题。该系统包括采集传输模块、滤波模块、模数转换模块、预警模块；所述采集传输模块对心脏检测时的信号进行采集，并将信号发送至滤波模块进行处理；所述滤波模块根据滤波算法对采集传输模块采集到的信号进行滤波处理，抑制干扰。该系统及其方法利用滤波模块对采集到的信号进行滤波处理，最后预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定，从而对心脏的健康状态进行预判。
Description
技术领域
本发明属于心脏智能监测技术领域，具体涉及一种心脏健康质量智能预警系统及其预警方法。
背景技术
WHO关于人类死因的总结报告指出，心脏病是导致全球死亡的主要疾病之一，因此如果可以根据人们日常生活中的身体症状和心脏指标数据来预测人们心脏病发病的概率，将可以通过改善生活方式和习惯来帮助患者降低发病概率。
目前，专利号为CN201810554870.1的发明专利公开了一种心脏预警仪，包括外部电极，用于采集人体心电信号；处理模块，用于处理分析采集的人体心电信号；电源电路，用于对处理模块供电；其中，处理模块包括电极电路、滤波电路、放大电路、模数转化器，CPU和无线传输模块，该外部电极将采集的心电信号传输至该电极电路，该电极电路将采集的心电信号通过滤波电路滤波后传输至放大电路对心电信号放大，该放大后的信号通过模数转化器将模拟信号转化为数字信号输入至CPU，该CPU对信号进行分析处理后发送至无线传输模块。其采用的是通过解读心电信号来了解心脏状况，但该预警仪只能在心脏出现问题后才能发现问题，而不能根据人们目前的各项指标对心脏的健康质量进行预估，无法起到预警的作用，因此人们不能降低心脏疾病的发病率。
因此，针对上述预警器无法在心脏出现问题前进行预警的问题，亟需得到解决，以改善预警仪的使用场景。
发明内容
(1)要解决的技术问题
针对现有技术的不足，本发明的目的在于提供一种心脏健康质量智能预警系统及其预警方法，该系统及其方法旨在解决现有技术只能在心脏出现问题后才能发现问题，而不能根据人们目前的各项指标对心脏的健康质量进行预估，无法起到预警的作用，因此人们不能降低心脏疾病发病率的技术问题。
(2)技术方案
为了解决上述技术问题，本发明提供了这样一种心脏健康质量智能预警系，该系统包括采集传输模块、滤波模块、模数转换模块、预警模块；
所述采集传输模块对心脏检测时的信号进行采集，并将信号发送至滤波模块进行处理；
所述滤波模块根据滤波算法对采集传输模块采集到的信号进行滤波处理，抑制干扰；
所述模数转换模块根据模数转换规则，将滤波后的模拟输入信号转化为便于处理的数字输出信号；
所述预警模块包括样本库，样本库内的个人样本包括13项指标A、B、C、D、E、F、G、H、I、J、K、L、M，样本库对样本数据和目标数据进行归一化处理，使其均落在[0,1]之间，预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定，其步骤为：
1)BP神经网络隐层与输出层上的神经元j输出Oj＝fi(Netj)＝fj(∑jwjixi+θi)，传递函数采用连续可微的非线性的Sigmoid函数
神经元的训练中权重和阈值的更新为：wji(t+i)＝wjiηδjOpj+α(wji(t)-wji(t-1))和θ(t+1)＝θjηδj+α(δj(t)-θj(t-1))，建立BP神经网络的模型
2)指标A、B设为协变量，C、D、E、F、G、H、I、J、K、L、M归为自变量，将样本分成训练组和检验组，且训练组和检验组的比例为9:1，经过BP神经网络处理后，可知A、C、E、G、H、I、J、K对心脏健康质量的影响程度高于B、C、E、G、H、I、J、K；
3)由于心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，对应的将总体n分成5组，从总体n中抽取p个具有m个指标的样本观测数据，构造判别式：y＝c1x1+c2x2+c3x3+…+cmxm，五组间离差平方和Q＝Q
组内离差平方和
4)基于BP神经网络对13个指标重要性的分析可知，判定心脏健康质量的关键因素为A、C、E、G、H、I、J、K，基于A、C、E、G、H、I、J、K、常量，而心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，建立Fisher判别式分类函数系数矩阵表，将参数带入Fisher判别式，得到结果：
5)参考得到的结果，根据预警规则判定是否需要预警，当结果N＝0时，心脏健康质量良好，不需要预警；若否，当结果N＝1或N＝2时，向用户发送三级预警；当结果N＝3时，向用户发送二级预警；当结果N＝4时，向用户发送一级预警。
优选地，所述滤波算法的公式为
其中β是滤波系数，
是本次采样值，Y(z-1)是上次滤波输出值，Y(z)是本次滤波输出值。
优选地，所述模数转换规则为模数转换模块将模拟信号与不同的参考电压U1进行多次比较，使转换所得的数字量在数值上逐次逼近模拟信号对应值，将寄存器的最高位设置成1，使输出数字为100……0，输出数字被转换成相应的模拟电压U0，与U1进行比较，若U0＞U1，说明数字过大了，将最高位的1清除；若U0＜U1，则保留最高位的1，记为S，并计数，依次类推，S＝S+1,一直到最低位为止，最后的结果就是数字量输出。
优选地，所述指标A：年龄；B：1表示男性、0表示女性；C：1表示典型的心绞痛、2表示非典型的心绞痛、3表示非心绞痛、4表示无症状；D：静息血压；E：血清中胆固醇含量mg/dl；F：1表示空腹时血糖＞120mg/dl、0表示空腹时血糖≤120mg/dl；G：0表示静息时心电图结果正常、1表示静息时心电图结果有ST-T波异常、2表示静息时心电图结果可能左心室肥大；H：最大心跳速率；I：1表示运动诱发心绞痛、0表示运动不会诱发心绞痛；J：运动心电图ST下降程度；K：1表示ST段斜坡上升、2表示ST段斜坡屏、3表示ST段斜坡下降；L：大血管属性；M：3表示地中海贫血正常、6表示地中海贫血固定的缺陷、7表示地中海贫血可逆缺损，归一化处理的公式为：
其中xmax与xmin分别为每一项指标中最大值和最小值。
优选地，所述fi表示神经元对应的传递函数激发函数，wji表示神经元i到j的连接权值，xi表示神经元i的输入，θi表示神经元的阈值，η为学习速率，α为动量系数。
优选地，所述Fisher判别式分类函数系数矩阵表为：
一种心脏健康质量智能预警方法，其包括如上述所述的一种心脏健康质量智能预警系统，其步骤如下：
步骤一：心脏检测时的信号进行采集，并将信号发送至滤波模块进行处理；
步骤二：滤波模块根据滤波算法对采集传输模块采集到的信号进行滤波处理，抑制干扰，滤波算法的公式为
其中β是滤波系数，
是本次采样值，Y(z-1)是上次滤波输出值，Y(z)是本次滤波输出值；
步骤三：模数转换模块根据模数转换规则，将滤波后的模拟输入信号转化为便于处理的数字输出信号：模数转换模块将模拟信号与不同的参考电压U1进行多次比较，使转换所得的数字量在数值上逐次逼近模拟信号对应值，将寄存器的最高位设置成1，使输出数字为100……0，输出数字被转换成相应的模拟电压U0，与U1进行比较，若U0＞U1，说明数字过大了，将最高位的1清除；若U0＜U1，则保留最高位的1，记为S，并计数，依次类推，S＝S+1,一直到最低位为止，最后的结果就是数字量输出；
步骤四：样本库对样本数据和目标数据进行归一化处理，使其均落在[0,1]之间，归一化处理的公式为：
其中xmax与xmin分别为每一项指标中最大值和最小值；
步骤五：预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定：
1)BP神经网络隐层与输出层上的神经元j输出
传递函数采用连续可微的非线性的Sigmoid函数
神经元的训练中权重和阈值的更新为：wji(t+i)＝wjiηδjOpj+α(wji(t)-wji(t-1))和θ(t+1)＝θjηδj+α(δj(t)-θj(t-1))，建立BP神经网络的模型
2)指标A、B设为协变量，C、D、E、F、G、H、I、J、K、L、M归为自变量，将样本分成训练组和检验组，且训练组和检验组的比例为9:1，经过BP神经网络处理后，可知A、C、E、G、H、I、J、K对心脏健康质量的影响程度高于B、C、E、G、H、I、J、K；
3)由于心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，对应的将总体n分成5组，从总体n中抽取p个具有m个指标的样本观测数据，构造判别式：y＝c1x1+c2x2+c3x3+…+cmxm，五组间离差平方和
组内离差平方和
求出使I值最大时的c1，c2，c3…cm，建立Fisher判别模型为
4)基于BP神经网络对13个指标重要性的分析可知，判定心脏健康质量的关键因素为A、C、E、G、H、I、J、K，基于A、C、E、G、H、I、J、K、常量，而心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，建立Fisher判别式分类函数系数矩阵表，将参数带入Fisher判别式，得到结果：
5)将用户的A、C、E、G、H、I、J、K8项指标带入4)中，参考得到的结果，根据预警规则判定是否需要预警，当结果N＝0时，心脏健康质量良好，不需要预警；若否，当结果N＝1或N＝2时，向用户发送三级预警；当结果N＝3时，向用户发送二级预警；当结果N＝4时，向用户发送一级预警。
(3)有益效果
与现有技术相比，本发明的有益效果在于：本发明的系统及其方法利用滤波模块对采集到的信号进行滤波处理，将有用的信号与噪声分离，提高信号的抗干扰性及信噪比，滤掉不感兴趣的频率成分，提高分析精度，而模数转换模块将模拟信号转换成便于处理的数字信号，最后预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定，从而对心脏的健康状态进行预判，向人们发出预警，提醒人们注意心脏的健康，从而降低了心脏疾病的发病率。
附图说明
为了更清楚的说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术中描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一种实施方式，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明系统及其预警方法一种具体实施方式的工作流程图；
图2为本发明系统及其预警方法一种具体实施方式的整体框架结构示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面对本发明具体实施方式中的技术方案进行清楚、完整的描述，以进一步阐述本发明，显然，所描述的具体实施方式仅仅是本发明的一部分实施方式，而不是全部的样式。
实施例1
本具体实施方式是心脏健康质量智能预警系统及其预警方法，其工作流程图如图1所示，其整体框架结构示意图如图2所示，该系统包括采集传输模块、滤波模块、模数转换模块、预警模块；
采集传输模块对心脏检测时的信号进行采集，并将信号发送至滤波模块进行处理；
滤波模块根据滤波算法对采集传输模块采集到的信号进行滤波处理，抑制干扰；
模数转换模块根据模数转换规则，将滤波后的模拟输入信号转化为便于处理的数字输出信号；
预警模块包括样本库，样本库内的个人样本包括13项指标A、B、C、D、E、F、G、H、I、J、K、L、M，样本库对样本数据和目标数据进行归一化处理，使其均落在[0,1]之间，预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定，其步骤为：
1)BP神经网络隐层与输出层上的神经元j输出Oj＝fi(Netj)＝fj(∑jwjixi+θi)，传递函数采用连续可微的非线性的Sigmoid函数
神经元的训练中权重和阈值的更新为：wji(t+i)＝wjiηδjOpj+α(wji(t)-wji(t-1))和θ(t+1)＝θjηδj+α(δj(t)-θj(t-1))，建立BP神经网络的模型
2)指标A、B设为协变量，C、D、E、F、G、H、I、J、K、L、M归为自变量，将样本分成训练组和检验组，且训练组和检验组的比例为9:1，经过BP神经网络处理后，可知A、C、E、G、H、I、J、K对心脏健康质量的影响程度高于B、C、E、G、H、I、J、K；
3)由于心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，对应的将总体n分成5组，从总体n中抽取p个具有m个指标的样本观测数据，构造判别式：y＝c1x1+c2x2+c3x3+…+cmxm，五组间离差平方和
组内离差平方和
求出使I值最大时的c1，c2，c3…cm，建立Fisher判别模型为
4)基于BP神经网络对13个指标重要性的分析可知，判定心脏健康质量的关键因素为A、C、E、G、H、I、J、K，基于A、C、E、G、H、I、J、K、常量，而心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，建立Fisher判别式分类函数系数矩阵表，将参数带入Fisher判别式，得到结果：
5)参考得到的结果，根据预警规则判定是否需要预警，当结果N＝0时，心脏健康质量良好，不需要预警；若否，当结果N＝1或N＝2时，向用户发送三级预警；当结果N＝3时，向用户发送二级预警；当结果N＝4时，向用户发送一级预警。
其中，滤波算法的公式为
其中β是滤波系数，
是本次采样值，Y(z-1)是上次滤波输出值，Y(z)是本次滤波输出值。
同时，模数转换规则为模数转换模块将模拟信号与不同的参考电压U1进行多次比较，使转换所得的数字量在数值上逐次逼近模拟信号对应值，将寄存器的最高位设置成1，使输出数字为100……0，输出数字被转换成相应的模拟电压U0，与U1进行比较，若U0＞U1，说明数字过大了，将最高位的1清除；若U0＜U1，则保留最高位的1，记为S，并计数，依次类推，S＝S+1,一直到最低位为止，最后的结果就是数字量输出。
另外，指标A：年龄；B：1表示男性、0表示女性；C：1表示典型的心绞痛、2表示非典型的心绞痛、3表示非心绞痛、4表示无症状；D：静息血压；E：血清中胆固醇含量mg/dl；F：1表示空腹时血糖＞120mg/dl、0表示空腹时血糖≤120mg/dl；G：0表示静息时心电图结果正常、1表示静息时心电图结果有ST-T波异常、2表示静息时心电图结果可能左心室肥大；H：最大心跳速率；I：1表示运动诱发心绞痛、0表示运动不会诱发心绞痛；J：运动心电图ST下降程度；K：1表示ST段斜坡上升、2表示ST段斜坡屏、3表示ST段斜坡下降；L：大血管属性；M：3表示地中海贫血正常、6表示地中海贫血固定的缺陷、7表示地中海贫血可逆缺损，归一化处理的公式为：
其中xmax与xmin分别为每一项指标中最大值和最小值。
此外，fi表示神经元对应的传递函数激发函数，wji表示神经元i到j的连接权值，xi表示神经元i的输入，θi表示神经元的阈值，η为学习速率，α为动量系数，Fisher判别式分类函数系数矩阵表为：
一种心脏健康质量智能预警方法，其包括如上述所述的一种心脏健康质量智能预警系统，其步骤如下：
步骤一：心脏检测时的信号进行采集，并将信号发送至滤波模块进行处理；
步骤二：滤波模块根据滤波算法对采集传输模块采集到的信号进行滤波处理，抑制干扰，滤波算法的公式为
其中β是滤波系数，
是本次采样值，Y(z-1)是上次滤波输出值，Y(z)是本次滤波输出值；
步骤三：模数转换模块根据模数转换规则，将滤波后的模拟输入信号转化为便于处理的数字输出信号：模数转换模块将模拟信号与不同的参考电压U1进行多次比较，使转换所得的数字量在数值上逐次逼近模拟信号对应值，将寄存器的最高位设置成1，使输出数字为100……0，输出数字被转换成相应的模拟电压U0，与U1进行比较，若U0＞U1，说明数字过大了，将最高位的1清除；若U0＜U1，则保留最高位的1，记为S，并计数，依次类推，S＝S+1,一直到最低位为止，最后的结果就是数字量输出；
步骤四：样本库对样本数据和目标数据进行归一化处理，使其均落在[0,1]之间，归一化处理的公式为：
其中xmax与xmin分别为每一项指标中最大值和最小值；
步骤五：预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定：
1)BP神经网络隐层与输出层上的神经元j输出Oj＝fi(Netj)＝fj(∑jwjixi+θi)，传递函数采用连续可微的非线性的Sigmoid函数
神经元的训练中权重和阈值的更新为：wji(t+i)＝wjiηδjOpj+α(wji(t)-wji(t-1))和θ(t+1)＝θjηδj+α(δj(t)-θj(t-1))，建立BP神经网络的模型
2)指标A、B设为协变量，C、D、E、F、G、H、I、J、K、L、M归为自变量，将样本分成训练组和检验组，且训练组和检验组的比例为9:1，经过BP神经网络处理后，可知A、C、E、G、H、I、J、K对心脏健康质量的影响程度高于B、C、E、G、H、I、J、K；
3)由于心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，对应的将总体n分成5组，从总体n中抽取p个具有m个指标的样本观测数据，构造判别式：y＝c1x1+c2x2+c3x3+…+cmxm，五组间离差平方和
组内离差平方和
求出使I值最大时的c1，c2，c3…cm，建立Fisher判别模型为
4)基于BP神经网络对13个指标重要性的分析可知，判定心脏健康质量的关键因素为A、C、E、G、H、I、J、K，基于A、C、E、G、H、I、J、K、常量，而心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，建立Fisher判别式分类函数系数矩阵表，将参数带入Fisher判别式，得到结果：
5)将用户的A、C、E、G、H、I、J、K8项指标带入4)中，参考得到的结果，根据预警规则判定是否需要预警，当结果N＝0时，心脏健康质量良好，不需要预警；若否，当结果N＝1或N＝2时，向用户发送三级预警；当结果N＝3时，向用户发送二级预警；当结果N＝4时，向用户发送一级预警。
以上描述了本发明的主要技术特征和基本原理及相关优点，对于本领域技术人员而言，显然本发明不限于上述示范性具体实施方式的细节，而且在不背离本发明的构思或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将上述具体实施方式看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照各实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种心脏健康质量智能预警系统，该系统包括采集传输模块、滤波模块、模数转换模块、预警模块；其特征在于，
所述采集传输模块对心脏检测时的信号进行采集，并将信号发送至滤波模块进行处理；
所述滤波模块根据滤波算法对采集传输模块采集到的信号进行滤波处理，抑制干扰；
所述模数转换模块根据模数转换规则，将滤波后的模拟输入信号转化为便于处理的数字输出信号；
所述预警模块包括样本库，样本库内的个人样本包括13项指标A、B、C、D、E、F、G、H、I、J、K、L、M，样本库对样本数据和目标数据进行归一化处理，使其均落在[0,1]之间，预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定，其步骤为：
1)BP神经网络隐层与输出层上的神经元j输出Oj＝fi(Netj)＝fj(∑jwjixi+θi)，传递函数采用连续可微的非线性的Sigmoid函数
神经元的训练中权重和阈值的更新为：wji(t+i)＝wjiηδjOpj+α(wji(t)-wji(t-1))和θ(t+1)＝θjηδj+α(δj(t)-θj(t-1))，建立BP神经网络的模型
2)指标A、B设为协变量，C、D、E、F、G、H、I、J、K、L、M归为自变量，将样本分成训练组和检验组，且训练组和检验组的比例为9:1，经过BP神经网络处理后，可知A、C、E、G、H、I、J、K对心脏健康质量的影响程度高于B、C、E、G、H、I、J、K；
3)由于心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，对应的将总体n分成5组，从总体n中抽取p个具有m个指标的样本观测数据，构造判别式：y＝c1x1+c2x2+c3x3+…+cmxm，五组间离差平方和
组内离差平方和
求出使I值最大时的c1，c2，c3…cm，建立Fisher判别模型为
4)基于BP神经网络对13个指标重要性的分析可知，判定心脏健康质量的关键因素为A、C、E、G、H、I、J、K，基于A、C、E、G、H、I、J、K和常量，而心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，建立Fisher判别式分类函数系数矩阵表，将参数带入Fisher判别式，得到结果：
5)参考得到的结果，根据预警规则判定是否需要预警，当结果N＝0时，心脏健康质量良好，不需要预警；若否，当结果N＝1或N＝2时，向用户发送三级预警；当结果N＝3时，向用户发送二级预警；当结果N＝4时，向用户发送一级预警。
2.根据权利要求1所述的一种心脏健康质量智能预警系统，其特征在于，所述滤波算法的公式为
其中β是滤波系数，
是本次采样值，Y(z-1)是上次滤波输出值，Y(z)是本次滤波输出值。
3.根据权利要求1所述的一种心脏健康质量智能预警系统，其特征在于，所述模数转换规则为模数转换模块将模拟信号与不同的参考电压U1进行多次比较，使转换所得的数字量在数值上逐次逼近模拟信号对应值，将寄存器的最高位设置成1，使输出数字为100……0，输出数字被转换成相应的模拟电压U0，与U1进行比较，若U0＞U1，说明数字过大了，将最高位的1清除；若U0＜U1，则保留最高位的1，记为S，并计数，依次类推，S＝S+1,一直到最低位为止，最后的结果就是数字量输出。
4.根据权利要求1所述的一种心脏健康质量智能预警系统，其特征在于，所述指标A：年龄；B：1表示男性、0表示女性；C：1表示典型的心绞痛、2表示非典型的心绞痛、3表示非心绞痛、4表示无症状；D：静息血压；E：血清中胆固醇含量mg/dl；F：1表示空腹时血糖＞120mg/dl、0表示空腹时血糖≤120mg/dl；G：0表示静息时心电图结果正常、1表示静息时心电图结果有ST-T波异常、2表示静息时心电图结果可能左心室肥大；H：最大心跳速率；I：1表示运动诱发心绞痛、0表示运动不会诱发心绞痛；J：运动心电图ST下降程度；K：1表示ST段斜坡上升、2表示ST段斜坡屏、3表示ST段斜坡下降；L：大血管属性；M：3表示地中海贫血正常、6表示地中海贫血固定的缺陷、7表示地中海贫血可逆缺损，归一化处理的公式为：
其中xmax与xmin分别为每一项指标中最大值和最小值。
5.根据权利要求1所述的一种心脏健康质量智能预警系统，其特征在于，所述fi表示神经元对应的传递函数激发函数，wij表示神经元i到j的连接权值，xi表示神经元i的输入，θi表示神经元的阈值，η为学习速率，α为动量系数。
6.根据权利要求1所述的一种心脏健康质量智能预警系统，其特征在于，所述Fisher判别式分类函数系数矩阵表为：
7.一种心脏健康质量智能预警方法，其特征在于包括根据权利要求1-6所述的一种心脏健康质量智能预警系统，其步骤如下：
步骤一：心脏检测时的信号进行采集，并将信号发送至滤波模块进行处理；
步骤二：滤波模块根据滤波算法对采集传输模块采集到的信号进行滤波处理，抑制干扰，滤波算法的公式为
其中β是滤波系数，
是本次采样值，Y(z-1)是上次滤波输出值，Y(z)是本次滤波输出值；
步骤三：模数转换模块根据模数转换规则，将滤波后的模拟输入信号转化为便于处理的数字输出信号：模数转换模块将模拟信号与不同的参考电压U1进行多次比较，使转换所得的数字量在数值上逐次逼近模拟信号对应值，将寄存器的最高位设置成1，使输出数字为100……0，输出数字被转换成相应的模拟电压U0，与U1进行比较，若U0＞U1，说明数字过大了，将最高位的1清除；若U0＜U1，则保留最高位的1，记为S，并计数，依次类推，S＝S+1,一直到最低位为止，最后的结果就是数字量输出；
步骤四：样本库对样本数据和目标数据进行归一化处理，使其均落在[0,1]之间，归一化处理的公式为：
其中xmax与xmin分别为每一项指标中最大值和最小值；
步骤五：预警模块根据BP神经网络和Fisher判别模型对心脏健康质量进行预警判定：
1)BP神经网络隐层与输出层上的神经元j输出Oj＝fi(Netj)＝fj(∑jwjixi+θi)，传递函数采用连续可微的非线性的Sigmoid函数
神经元的训练中权重和阈值的更新为：wji(t+i)＝wjiηδjOpj+α(wji(t)-wji(t-
1))和θ(t+1)＝θjηδj+α(δj(t)-θj(t-1))，建立BP神经网络的模型
2)指标A、B设为协变量，C、D、E、F、G、H、I、J、K、L、M归为自变量，将样本分成训练组和检验组，且训练组和检验组的比例为9:1，经过BP神经网络处理后，可知A、C、E、G、H、I、J、K对心脏健康质量的影响程度高于B、C、E、G、H、I、J、K；
3)由于心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，对应的将总体n分成5组，从总体n中抽取p个具有m个指标的样本观测数据，构造判别式：y＝c1x1+c2x2+c3x3+…+cmxm，五组间离差平方和
组内离差平方和
求出使I值最大时的c1，c2，c3…cm，建立Fisher判别模型为
4)基于BP神经网络对13个指标重要性的分析可知，判定心脏健康质量的关键因素为A、C、E、G、H、I、J、K，基于A、C、E、G、H、I、J、K、常量，而心脏健康质量的判断结果N有0、1、2、3、4五种不同的值，建立Fisher判别式分类函数系数矩阵表，将参数带入Fisher判别式，得到结果：
5)将用户的A、C、E、G、H、I、J、K8项指标带入4)中，参考得到的结果，根据预警规则判定是否需要预警，当结果N＝0时，心脏健康质量良好，不需要预警；若否，当结果N＝1或N＝2时，向用户发送三级预警；当结果N＝3时，向用户发送二级预警；当结果N＝4时，向用户发送一级预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111140697.9A CN113768517B (zh) | 2021-09-28 | 2021-09-28 | 一种心脏健康质量智能预警系统及其预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111140697.9A CN113768517B (zh) | 2021-09-28 | 2021-09-28 | 一种心脏健康质量智能预警系统及其预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113768517A true CN113768517A (zh) | 2021-12-10 |
| CN113768517B CN113768517B (zh) | 2024-03-15 |
Family
ID=78853804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111140697.9A Active CN113768517B (zh) | 2021-09-28 | 2021-09-28 | 一种心脏健康质量智能预警系统及其预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113768517B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
| CN117713222A (zh) * | 2024-02-04 | 2024-03-15 | 国网山东省电力公司泰安供电公司 | 一种分布式光伏运行状态评估系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080103403A1 (en) * | 2004-11-08 | 2008-05-01 | Eyal Cohen | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks |
| CN104398252A (zh) * | 2014-11-05 | 2015-03-11 | 深圳先进技术研究院 | 一种心电信号处理方法及装置 |
| CN106175726A (zh) * | 2016-07-11 | 2016-12-07 | 夏茂 | 基于bp神经网络的人体健康状况识别方法 |
| CN109497992A (zh) * | 2019-01-04 | 2019-03-22 | 济南汇医融工科技有限公司 | 基于机器学习方法的冠心病智能筛查装置 |
| CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持系统 |
-
2021
- 2021-09-28 CN CN202111140697.9A patent/CN113768517B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080103403A1 (en) * | 2004-11-08 | 2008-05-01 | Eyal Cohen | Method and System for Diagnosis of Cardiac Diseases Utilizing Neural Networks |
| CN104398252A (zh) * | 2014-11-05 | 2015-03-11 | 深圳先进技术研究院 | 一种心电信号处理方法及装置 |
| CN106175726A (zh) * | 2016-07-11 | 2016-12-07 | 夏茂 | 基于bp神经网络的人体健康状况识别方法 |
| CN109497992A (zh) * | 2019-01-04 | 2019-03-22 | 济南汇医融工科技有限公司 | 基于机器学习方法的冠心病智能筛查装置 |
| CN110459328A (zh) * | 2019-07-05 | 2019-11-15 | 梁俊 | 一种评估心脏骤停的临床决策支持系统 |
Non-Patent Citations (2)
| Title |
|---|
| 吴立 等: "基于Fisher判别的南方双季稻低温灾害等级预警", 应用气象学报, vol. 27, no. 4, pages 396 - 405 * |
| 邢进良: "BP神经网络模型及其应用", 沙洋师范高等专科学校学报, no. 5, pages 46 - 50 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114999649A (zh) * | 2022-06-06 | 2022-09-02 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
| CN114999649B (zh) * | 2022-06-06 | 2022-12-27 | 广州培生智能科技有限公司 | 一种基于深度学习的老人体征数据监控预警方法和系统 |
| CN117713222A (zh) * | 2024-02-04 | 2024-03-15 | 国网山东省电力公司泰安供电公司 | 一种分布式光伏运行状态评估系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113768517B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113768517A (zh) | 一种心脏健康质量智能预警系统及其预警方法 | |
| CN108304917A (zh) | 一种基于lstm网络的p300信号检测方法 | |
| CN111297349A (zh) | 一种基于机器学习的心律分类系统 | |
| CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
| Hu et al. | Epileptic signal classification based on synthetic minority oversampling and blending algorithm | |
| CN113303814B (zh) | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 | |
| CN109766847B (zh) | 一种锋电位分离方法 | |
| CN111261277A (zh) | 一种基于深度学习模型的心脏疾病的检测方法 | |
| CN109907753B (zh) | 一种多维度ecg信号智能诊断系统 | |
| CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
| CN111685774B (zh) | 基于概率集成回归模型的osahs诊断方法 | |
| CN110558975B (zh) | 一种心电信号分类方法及系统 | |
| CN113539294A (zh) | 一种生猪异常状态声音采集及识别方法 | |
| Li et al. | Patient-specific seizure prediction from electroencephalogram signal via multi-channel feedback capsule network | |
| CN112932501A (zh) | 一种基于一维卷积神经网络自动识别失眠方法 | |
| CN112465069A (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
| CN116058800A (zh) | 基于深度神经网络与脑机接口的自动睡眠分期系统 | |
| CN113392733A (zh) | 基于标签对齐的多源域自适应跨被试eeg认知状态评估方法 | |
| CN114841191A (zh) | 基于全连接脉冲神经网络的癫痫脑电信号特征压缩方法 | |
| CN113011330B (zh) | 一种基于多尺度神经网络和空洞卷积的脑电信号分类方法 | |
| CN117158997A (zh) | 一种基于深度学习的癫痫脑电信号分类模型的建立方法、分类方法 | |
| CN116763324A (zh) | 基于多尺度和多注意力的单通道脑电信号睡眠分期方法 | |
| CN115414054A (zh) | 基于前馈脉冲神经网络的癫痫脑电检测系统 | |
| CN114999628B (zh) | 一种利用机器学习寻找退行性膝骨关节炎显著性特征方法 | |
| CN114699093A (zh) | 一种基于卷积神经网络和长短期记忆的脑电癫病发作信号检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |