一种心血管疾病诊断模型的构建方法、系统及该诊断装置制造方法及图纸

本发明专利技术公开了一种心血管疾病诊断模型的构建方法、系统及该诊断模型，该方法包括：构建带标签的侧脸数据集；对级联分类器进行训练，获得耳朵检测模型；分别采用VGG、GoogleNet以及ResNet神经网络模型对耳朵对象进行特征提取；采用空间金字塔对神经网络模型所提取到的耳朵特征进行特征整合，获得每种神经网络模型深度异构特征图；对深度异构特征图进行特征预处理；训练获得SVM分类器模型；将SVM分类器模型以及训练好的三种神经网络模型通过Bagging学习方式进行集成，获得心血管疾病诊断模型。本发明专利技术构建的心血管疾病诊断模型可以全面、科学地进行心血管疾病诊断与预测，精度较高，可广泛应用于医学数据的自动化处理领域中。

【技术实现步骤摘要】
一种心血管疾病诊断模型的构建方法、系统及该诊断模型
本专利技术涉及计算机软件
，特别是涉及一种心血管疾病诊断模型的构建方法、系统及该诊断模型。
技术介绍
现有的人工智能用于心血管疾病检测的模型中，大多数都是针对患者心脏的X光照片或者心电图进行检测，而要获取这些图片需要经过比较繁琐的过程以及大量专业设备的支持，并且费用高、耗时长。而已有的通过人脸照片进行疾病诊断的方案通常只提取人脸某些区域的特征，如额头、鼻子等，然后使用传统的机器学习算法进行分类，从而基于分类结果来实现诊断。这些位置的特征与特定疾病之间的关系缺乏科学依据，因此正确率较低。目前，科学的研究与统计发现耳朵上的一些特征例如耳垂上的冠状沟与心血管疾病之间有密切关系，因此如何通过耳朵特征来进行心血管疾病诊断，具有极其重要的意义。因此，如何准确地提取获得耳朵特征是较为重要的前提。传统技术采用机器学习方法来提取耳朵特征，但是传统的机器学习方法提取到的特征比较单一，通常只能提取颜色、纹理等简单特征，而且这些特征的提取缺乏导向性，最终得到的特征往往与心血管疾病关联不大，因此无法准确地进行心血管疾病的诊断。名词解释：HOG：梯度方向直方图，通过计算和统计图像像素的梯度方向和强度来构成特征，常用于描述图像的局部信息。SVM：即支持向量机，一种有监督学习模型，它通常使用核函数将特征向量映射到一个更高维的空间，在这个空间里建立有一个最大间隔的超平面划分样本，使该超平面有较强的抗干扰能力。决策树：一种基本的分类与回归方法。在分类问题中，表示基于特征对实例进行分类的过程，其中的每个内部节点代表对某一属性的一次测试，每条边代表一个测试结果，叶节点代表某个类或类的分布。多层感知器：一种前馈人工神经网络模型，通常包含一个输入层、一个输出层以及一个或者多个隐藏层。Bagging：一种集成学习方法，在原始训练集的随机子集上构建多个相互独立的弱分类器，使用加权投票的方式把这些分类器的预测结果结合起来形成最终的预测结果，常用于提高学习算法的精确度。Adaboost：一种基于Boosting的集成学习算法，训练过程中后续训练的弱学习器会更关注被前面的弱学习器错判的样本，每个弱学习器的权重都可以自适应调整，且弱学习器必须使用样本权重可以调整的机器学习算法。opencv：一个开源的计算机视觉库，实现了图像处理和计算机视觉方面很多通用的算法，常用于图像处理、分析。sklearn：一个机器学习算法库，囊括了几乎所有的经典机器学习算法，并为用户提供简单高效的接口，是数据挖掘与分析的简单而有效的工具。Pillow：是Python平台轻量级的图像处理库，Pillow功能非常强大，但API却非常简单易用。Keras:一个高层神经网络API，Keras由纯Python编写而成并支持Tensorflow、Theano以及CNTK作为后端，为用户编程提供一致而简洁的API。Bootstrap：是以原始数据为基础的模拟抽样统计推断法，其基本思想是：在原始数据的范围内作有放回的再抽样,使得新样本容量仍为n。卷积神经网络：一种常用于处理网格状数据的深度神经网络，多用在图像处理领域，包括图像分类、图像特征提取、图像合成等等。GoogleNet：卷积神经网络的一种模型，其中包含多个Inception模块，通过增加网络的宽度和深度来提高网络性能。Inception：GoogleNet中的一种结构，内含多个不同大小的卷积核，在多个尺度上同时进行卷积，从而提取到不同尺度的特征。ResNet：即残差神经网络，其中若干个卷积层构成一个残差单元，每个残差单元的输出都会与下一个残差单元的输出进行相加再继续传递，从而避免深度网络的退化问题。FPN金字塔模型：一种融合不同层次特征图的方法，通过1×1的卷积、上采样和特征图累加等方式实现对不同层次特征的整合。LLE降维：是一种非线性降维算法。LLE算法认为每一个数据点都可以由其近邻点的线性加权组合构造得到，并希望降维后也保持这种关系，从而使降维后的数据较好地保持原有流形结构。
技术实现思路
为了解决上述的技术问题，本专利技术的目的是提供一种心血管疾病诊断模型的构建方法、系统及该诊断模型。本专利技术解决其技术问题所采用的技术方案是：本专利技术一方面提供了一种心血管疾病诊断模型的构建方法，包括以下步骤：S1、批量采集患者的侧脸图像，并为每张侧脸图像添加患病标签以及冠状沟标签后，构建带标签的侧脸数据集；所述患病标签指是否患心血管疾病的标记信息，所述冠状沟标签指耳垂位置是否具有冠状沟的标记信息；S2、基于侧脸数据集对级联分类器进行训练后，获得用于对侧脸图像进行耳朵对象裁剪分割的耳朵检测模型；其中，所述级联分类器由多个异质Adaboost强分类器通过串联的方式集成获得，且每个异质Adaboost强分类器均由多个弱分类器通过Boosting的方式集成得到；S3、分别采用训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型对耳朵对象进行特征提取；S4、采用空间金字塔分别对VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型所提取到的耳朵特征进行特征整合，获得每种神经网络模型所对应的融合了浅层特征图和深层特征图的深度异构特征图；S5、分别对三种神经网络模型的深度异构特征图进行特征预处理；S6、基于预处理后的深度异构特征图，训练获得SVM分类器模型；S7、将SVM分类器模型以及训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型通过Bagging学习方式进行集成，获得心血管疾病诊断模型。进一步，所述步骤S2中，各所述异质Adaboost强分类器均通过以下步骤进行训练：S21、对侧脸数据集中的每张侧脸图像，在标准RGB颜色空间下提取其HOG特征；S22、对侧脸数据集进行简单随机抽样，抽取多个图像的HOG特征构成该强分类器的抽样数据集；S23、从抽样数据集中进行Bootstrap随机有放回抽样后，再对特征空间进行简单随机抽样，获得第一训练集和第一测试集，并对抽样数据集中所有样本按照均匀分布和归一化处理进行权重初始化；S24、根据第一训练集及其每个样本的样本权重，分别训练SVM弱分类器、决策树弱分类器和多层感知机弱分类器三种弱分类器；S25、针对训练好的三种弱分类器，基于第一测试集及其每个样本的样本权重，计算每个弱分类器的泛化误差后，选择误差最小的弱分类器，并更新该弱分类器在异质Adaboost强分类器中的权重；S26、根据选择的弱分类器的分类结果，更新抽样数据集中所有样本的样本权重；S27、将训练获得的所有弱分类器通过线性加权求和的方式进行集成后作为训练好的异质Adaboost强分类器。进一步，所述步骤S3中，所述VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型均通过以下步骤进行训练：S31、裁剪获得侧脸数据集中每张侧脸图像的耳朵对象，并获取每个耳朵对象相应的患病标签以及冠状沟标签后，构建耳朵数据集；S32、将耳朵数据集中按照第一预设比例随机划分为第二训练集和第二测试集；S33、对第二训练集和第二测试集中的每张耳朵对象进行数据增强处理；S34、将数据增强处理后的第二训练集中的耳朵对象本文档来自技高网...

【技术保护点】
1.一种心血管疾病诊断模型的构建方法，其特征在于，包括以下步骤：S1、批量采集患者的侧脸图像，并为每张侧脸图像添加患病标签以及冠状沟标签后，构建带标签的侧脸数据集；所述患病标签指是否患心血管疾病的标记信息，所述冠状沟标签指耳垂位置是否具有冠状沟的标记信息；S2、基于侧脸数据集对级联分类器进行训练后，获得用于对侧脸图像进行耳朵对象裁剪分割的耳朵检测模型；其中，所述级联分类器由多个异质Adaboost强分类器通过串联的方式集成获得，且每个异质Adaboost强分类器均由多个弱分类器通过Boosting的方式集成得到；S3、分别采用训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型对耳朵对象进行特征提取；S4、采用空间金字塔分别对VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型所提取到的耳朵特征进行特征整合，获得每种神经网络模型所对应的融合了浅层特征图和深层特征图的深度异构特征图；S5、分别对三种神经网络模型的深度异构特征图进行特征预处理；S6、基于预处理后的深度异构特征图，训练获得SVM分类器模型；S7、将SVM分类器模型以及训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型通过Bagging学习方式进行集成，获得心血管疾病诊断模型。...

【技术特征摘要】
1.一种心血管疾病诊断模型的构建方法，其特征在于，包括以下步骤：S1、批量采集患者的侧脸图像，并为每张侧脸图像添加患病标签以及冠状沟标签后，构建带标签的侧脸数据集；所述患病标签指是否患心血管疾病的标记信息，所述冠状沟标签指耳垂位置是否具有冠状沟的标记信息；S2、基于侧脸数据集对级联分类器进行训练后，获得用于对侧脸图像进行耳朵对象裁剪分割的耳朵检测模型；其中，所述级联分类器由多个异质Adaboost强分类器通过串联的方式集成获得，且每个异质Adaboost强分类器均由多个弱分类器通过Boosting的方式集成得到；S3、分别采用训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型对耳朵对象进行特征提取；S4、采用空间金字塔分别对VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型所提取到的耳朵特征进行特征整合，获得每种神经网络模型所对应的融合了浅层特征图和深层特征图的深度异构特征图；S5、分别对三种神经网络模型的深度异构特征图进行特征预处理；S6、基于预处理后的深度异构特征图，训练获得SVM分类器模型；S7、将SVM分类器模型以及训练好的VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型通过Bagging学习方式进行集成，获得心血管疾病诊断模型。2.根据权利要求1所述的心血管疾病诊断模型的构建方法，其特征在于，所述步骤S2中，各所述异质Adaboost强分类器均通过以下步骤进行训练：S21、对侧脸数据集中的每张侧脸图像，在标准RGB颜色空间下提取其HOG特征；S22、对侧脸数据集进行简单随机抽样，抽取多个图像的HOG特征构成该强分类器的抽样数据集；S23、从抽样数据集中进行Bootstrap随机有放回抽样后，再对特征空间进行简单随机抽样，获得第一训练集和第一测试集，并对抽样数据集中所有样本按照均匀分布和归一化处理进行权重初始化；S24、根据第一训练集及其每个样本的样本权重，分别训练SVM弱分类器、决策树弱分类器和多层感知机弱分类器三种弱分类器；S25、针对训练好的三种弱分类器，基于第一测试集及其每个样本的样本权重，计算每个弱分类器的泛化误差后，选择误差最小的弱分类器，并更新该弱分类器在异质Adaboost强分类器中的权重；S26、根据选择的弱分类器的分类结果，更新抽样数据集中所有样本的样本权重；S27、将训练获得的所有弱分类器通过线性加权求和的方式进行集成后作为训练好的异质Adaboost强分类器。3.根据权利要求1所述的心血管疾病诊断模型的构建方法，其特征在于，所述步骤S3中，所述VGG神经网络模型、GoogleNet神经网络模型以及ResNet神经网络模型均通过以下步骤进行训练：S31、裁剪获得侧脸数据集中每张侧脸图像的耳朵对象，并获取每个耳朵对象相应的患病标签以及冠状沟标签后，构建耳朵...

【专利技术属性】
技术研发人员：高英，罗雄文，王锦杰，谢林森，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44