基于机器学习方法的冠心病智能筛查装置制造方法及图纸

一种基于机器学习方法的冠心病智能筛查装置，包括基本信息采集单元、症状体征采集单元、生化指标采集单元、生活习惯采集单元、心电信号处理单元、心音信号处理单元、脉搏波信号处理单元、生理信号联合处理单元、多元信息融合单元、冠心病人工智能评估单元、健康管理方案制定单元和冠心病数据服务器。本发明专利技术深入挖掘心电信号、心音信号和脉搏波信号，提取出可提高冠心病筛查准确度的特异性指标，联合同步分析心电信号与脉搏波信号，提取可反映冠状动脉硬化程度的指标，多层次多角度评估冠心病发病风险，提高了冠心病筛查的敏感性，同时增加了自学习再优化功能，使得冠心病筛查准确度不断提高。

Intelligent Screening Device for Coronary Heart Disease Based on Machine Learning

An intelligent screening device for coronary heart disease based on machine learning method includes basic information acquisition unit, symptoms and signs acquisition unit, biochemical index acquisition unit, life habit acquisition unit, electrocardiogram signal processing unit, heart sound signal processing unit, pulse wave signal processing unit, physiological signal processing unit, multi-information fusion unit and artificial intelligence assessment of coronary heart disease. Unit, Health Management Programming Unit and Coronary Heart Disease Data Server. The invention deeply excavates ECG signal, heart sound signal and pulse wave signal, extracts specific indicators that can improve the accuracy of coronary heart disease screening, jointly synchronously analyses ECG signal and pulse wave signal, extracts indicators that can reflect the degree of coronary artery sclerosis, evaluates the risk of coronary heart disease from multiple levels and angles, improves the sensitivity of coronary heart disease screening, and increases self-learning and re-learning. Optimize the function, so that the accuracy of coronary heart disease screening continues to improve.

【技术实现步骤摘要】
基于机器学习方法的冠心病智能筛查装置
本专利技术涉及一种基于机器学习方法的冠心病智能筛查系统，属于冠心病筛查

技术介绍
目前冠脉造影是冠心病检测的“金标准”，但它是有创伤性检查，费用高，对操作人员的技术要求很高，而且它是针对病人中、晚期的诊断，不适合早期筛查和健康管理。而当前的一些冠心病无创检测手段只是从某个或某几个角度评估冠心病的发病状态，准确度不高。中国专利文献CN108577883A，公开了“一种冠心病筛查装置，包括：拾音器，用于获取心音信号；脉搏波传感器，用于获取脉搏波信号；心电传感器，用于获取心电信号；计算踝肱脉搏波速度(baPWV)和踝肱指数(ABI)；计算心电信号的ST段电平和QRS波群宽度；将从心音、脉搏波和心电数据中提取的特征与用户病史资料和基本生理参数结合，组成特征向量；构建训练样本，采用最近邻聚类算法构建基于径向基函数神经网络的冠心病筛查模型；将所述特征向量输入筛查模型，获得筛查结果”。该装置中未考虑心电信号的ST段波形特征、心脏至上肢和下肢动脉的脉搏波传播速度等指标对冠心病筛查的影响，而且未考虑胸痛、胸闷、心慌气短等冠心病的症状表现。首先，绝大多数冠心病患者可出现暂时性心肌缺血引起的ST段移位，因心内膜下心肌更容易缺血，故常见反映心内膜下心肌缺血的ST段压低。胸痛等症状发作时的心电图尤其有意义，大多数冠心病患者胸痛发作时有一过性ST段(抬高或压低)，其中ST段的动态改变是严重冠状动脉疾病的表现。因此，心电信号的ST段波形特征(抬高或压低)更利于筛查冠心病。其次，动脉弹性减退、僵硬度增加是冠状动脉病变的预测因素，而脉搏波传播速度PWV则是被广泛用来评估动脉僵硬度的一个指标。CN108577883A中提到“粥样硬化往往并非局部病变，患有主动脉粥样硬化的患者往往其冠脉也可能存在粥样硬化病变”，而臂踝脉搏波速度BaPWV反映的是外周大动脉的扩张性和硬化度，相比而言，从心脏出发到上肢和下肢动脉测量点的脉搏波传播速度更能反映主动脉的硬化状态，进而更能准确评估冠状动脉的病变情况。再次，冠心病患者最主要的症状表现就是胸痛、胸闷。冠心病分为慢性心肌缺血综合征对于慢性心肌缺血综合征来说，胸痛常由体力劳动或情绪激动所诱发，一般持续数分钟至十余分钟，休息后或服用硝酸甘油后可缓解；对于急性冠脉综合征来说，胸痛程度更为严重，持续时间更长，休息后或服用硝酸甘油后不能完全缓解。冠心病患者的症状还表现为全身乏力、心慌气短、头晕头痛等，而且上述症状在很多冠心病患者的早期就已经体现出来了。因此，将症状表现也加入到冠心病筛查模型中是非常必要的。
技术实现思路
本专利技术针对现有冠心病筛查技术存在的问题，提供一种多层次多角度评估冠心病发病风险、冠心病筛查的敏感性和准确度高的基于机器学习方法的冠心病智能筛查装置。为实现上述目的，本专利技术的基于机器学习方法的冠心病智能筛查装置采用以下技术方案：该冠心病智能筛查装置，包括：基本信息采集单元，用于被检者基本信息的收集；包括身高、体重、年龄、性别、高血压病史年限、糖尿病病史年限、血脂异常病史年限、是否服用降压药、是否服用降糖药、是否服用降脂药、高血压家族史、糖尿病家族史、血脂异常家族史中的一种或者任意几种的组合。症状体征采集单元，用于被检者症状体征信息的收集；包括胸痛性质、胸痛持续时间、胸痛诱发因素、胸痛缓解因素、胸闷、心慌气短憋喘、多汗、恶心呕吐、嗜睡、夜间呼吸困难、乏力无力、头昏、头痛、晕厥、肺部啰音、下肢水肿中的一种或者任意几种的组合。生化指标采集单元，用于被检者生化参数的收集；包括肌酸激酶同工酶CK-MB、心肌肌钙蛋白I、肌红蛋白Mb、空腹血糖GLU、总胆固醇TC、甘油三酯TG、低密度脂蛋白LDL、高密度脂蛋白HDL、同型半胱氨酸HCY、肌酐Cr、尿酸UA、糖化血红蛋白GHB、血红蛋白HGB、血浆利钠肽BNP中的一种或者任意几种的组合。生活习惯采集单元，用于被检者生活习惯信息的收集；包括是否吸烟、吸烟年限、日吸烟量、是否经常被动吸烟、是否饮酒、饮酒年限、日饮酒量、饮食是否高盐高脂、每周运动状况、近期睡眠状况、近期心理状况中的一种或者任意几种的组合。心电信号处理单元，用于心电信号的采集以及预处理，并对预处理后的心电信号进行ST段波形分析和心率计算；利用心电传感器获取体表的心电信号。信号预处理是指对采集的心电信号AD转换变为数字信号，对数字信号通过滤波器进行滤波后通过放大电路进行信号放大。心音信号处理单元，用于心音信号的采集以及预处理，并对预处理后的心音信号进行S1心音幅值、S2心音幅值和舒张期段心音样本熵计算；利用心音传感器获取体表的心音信号。脉搏波信号处理单元，用于脉搏波信号的采集以及预处理，并对预处理后的脉搏波信号进行血压和臂踝脉搏波传播速度计算；利用脉搏波传感器获取体表的脉搏波信号。生理信号联合处理单元，连接所述心电信号处理单元和脉搏波信号处理单元的输出端，获取预处理后的心电信号和脉搏波信号，进而计算心脏至上肢和下肢动脉的脉搏波传播速度。多元信息融合单元，连接基本信息采集单元、症状体征采集单元、生化指标采集单元、生活习惯采集单元、心电信号处理单元、心音信号处理单元、脉搏波信号处理单元和生理信号联合处理单元的输出端，对各个单元计算和收集得到的所有信息进行汇总，构成机器学习方法的属性向量。冠心病人工智能评估单元，连接多元信息融合单元的输出端，将所述属性向量输入至冠心病智能筛查模型中，得到冠心病评估结果。健康管理方案制定单元，连接冠心病人工智能评估单元的输出端，根据冠心病评估结果和被检者的基本信息、症状表现、生化参数及生活习惯信息给出个性化健康管理方案。冠心病数据服务器，连接多元信息融合单元、冠心病人工智能评估单元和健康管理方案制定单元的输出端，用于存储机器学习方法的属性向量、冠心病评估结果以及个性化健康管理方案。所述心电信号处理单元对预处理后的心电信号进行ST段波形分析和心率计算的具体步骤为：(1)利用小波变换和模极大值法求取预处理后的心电信号的R波位置，得到心电信号的RR间期序列，进而计算出心率；(2)利用求得的R波位置将预处理后的心电信号分段，并通过插值或抽取形成统一预定长度的多段R-R信号；(3)利用通过深度学习建立的ST段分析模型分析上述R-R信号的ST段波形类型，并统计ST段水平压低、ST段缓慢型上升、ST段弓背型抬高和T波倒置四种ST段类型占所有R-R信号总数的比例，形成比例向量，作为ST段波形特征。所述心音信号处理单元对预处理后的心音信号计算S1心音幅值、S2心音幅值和舒张期段心音样本熵的具体步骤为：(1)按照预定长度将预处理后的心音信号平均分段，并对每段信号进行香农熵计算，得到熵值序列；(2)计算熵值序列的均值，与预定系数相乘得到熵值阈值；(3)遍历熵值序列，寻找与熵值阈值最接近的熵值点，通过其所在的信号段得到S1心音或S2心音的起始点位置和结束点位置；(4)利用求导和极大值法对上述起始点位置和结束点位置之间的心音信号进行处理，并结合心电信号的R波位置，求出S1心音幅值和S2心音幅值；(5)以S2心音后100ms为起点，按照预定长度对预处理后的心音信号划分出多段舒张期段心音信号，计算每段舒张期段心音信号的样本熵，并取所有样本熵值均值为最终样本熵值本文档来自技高网...

【技术保护点】
1.一种基于机器学习方法的冠心病智能筛查装置，其特征是，包括：基本信息采集单元，用于被检者基本信息的收集；症状体征采集单元，用于被检者症状体征信息的收集；生化指标采集单元，用于被检者生化参数的收集；生活习惯采集单元，用于被检者生活习惯信息的收集；心电信号处理单元，用于心电信号的采集以及预处理，并对预处理后的心电信号进行ST段波形分析和心率计算；心音信号处理单元，用于心音信号的采集以及预处理，并对预处理后的心音信号进行S1心音幅值、S2心音幅值和舒张期段心音样本熵计算；脉搏波信号处理单元，用于脉搏波信号的采集以及预处理，并对预处理后的脉搏波信号进行血压和臂踝脉搏波传播速度计算；生理信号联合处理单元，连接所述心电信号处理单元和脉搏波信号处理单元的输出端，获取预处理后的心电信号和脉搏波信号，进而计算心脏至上肢和下肢动脉的脉搏波传播速度；多元信息融合单元，连接基本信息采集单元、症状体征采集单元、生化指标采集单元、生活习惯采集单元、心电信号处理单元、心音信号处理单元、脉搏波信号处理单元和生理信号联合处理单元的输出端，对各个单元计算和收集得到的所有信息进行汇总，构成机器学习方法的属性向量。冠心病人工智能评估单元，连接多元信息融合单元的输出端，将所述属性向量输入至冠心病智能筛查模型中，得到冠心病评估结果。健康管理方案制定单元，连接冠心病人工智能评估单元的输出端，根据冠心病评估结果和被检者的基本信息、症状表现、生化参数及生活习惯信息给出个性化健康管理方案。冠心病数据服务器，连接多元信息融合单元、冠心病人工智能评估单元和健康管理方案制定单元的输出端，用于存储机器学习方法的属性向量、冠心病评估结果以及个性化健康管理方案。...

【技术特征摘要】
1.一种基于机器学习方法的冠心病智能筛查装置，其特征是，包括：基本信息采集单元，用于被检者基本信息的收集；症状体征采集单元，用于被检者症状体征信息的收集；生化指标采集单元，用于被检者生化参数的收集；生活习惯采集单元，用于被检者生活习惯信息的收集；心电信号处理单元，用于心电信号的采集以及预处理，并对预处理后的心电信号进行ST段波形分析和心率计算；心音信号处理单元，用于心音信号的采集以及预处理，并对预处理后的心音信号进行S1心音幅值、S2心音幅值和舒张期段心音样本熵计算；脉搏波信号处理单元，用于脉搏波信号的采集以及预处理，并对预处理后的脉搏波信号进行血压和臂踝脉搏波传播速度计算；生理信号联合处理单元，连接所述心电信号处理单元和脉搏波信号处理单元的输出端，获取预处理后的心电信号和脉搏波信号，进而计算心脏至上肢和下肢动脉的脉搏波传播速度；多元信息融合单元，连接基本信息采集单元、症状体征采集单元、生化指标采集单元、生活习惯采集单元、心电信号处理单元、心音信号处理单元、脉搏波信号处理单元和生理信号联合处理单元的输出端，对各个单元计算和收集得到的所有信息进行汇总，构成机器学习方法的属性向量。冠心病人工智能评估单元，连接多元信息融合单元的输出端，将所述属性向量输入至冠心病智能筛查模型中，得到冠心病评估结果。健康管理方案制定单元，连接冠心病人工智能评估单元的输出端，根据冠心病评估结果和被检者的基本信息、症状表现、生化参数及生活习惯信息给出个性化健康管理方案。冠心病数据服务器，连接多元信息融合单元、冠心病人工智能评估单元和健康管理方案制定单元的输出端，用于存储机器学习方法的属性向量、冠心病评估结果以及个性化健康管理方案。2.根据权利要求1所述的基于机器学习方法的冠心病智能筛查装置，其特征是，所述被检者基本信息包括身高、体重、年龄、性别、高血压病史年限、糖尿病病史年限、血脂异常病史年限、是否服用降压药、是否服用降糖药、是否服用降脂药、高血压家族史、糖尿病家族史、血脂异常家族史中的一种或者任意几种的组合；所述被检者症状体征信息包括胸痛性质、胸痛持续时间、胸痛诱发因素、胸痛缓解因素、胸闷、心慌气短憋喘、多汗、恶心呕吐、嗜睡、夜间呼吸困难、乏力无力、头昏、头痛、晕厥、肺部啰音、下肢水肿中的一种或者任意几种的组合；所述被检者生化参数的收集包括肌酸激酶同工酶CK-MB、心肌肌钙蛋白I、肌红蛋白Mb、空腹血糖GLU、总胆固醇TC、甘油三酯TG、低密度脂蛋白LDL、高密度脂蛋白HDL、同型半胱氨酸HCY、肌酐Cr、尿酸UA、糖化血红蛋白GHB、血红蛋白HGB、血浆利钠肽BNP中的一种或者任意几种的组合；所述被检者生活习惯信息包括是否吸烟、吸烟年限、日吸烟量、是否经常被动吸烟、是否饮酒、饮酒年限、日饮酒量、饮食是否高盐高脂、每周运动状况、近期睡眠状况、近期心理状况中的一种或者任意几种的组合。3.根据权利要求1所述的基于机器学习方法的冠心病智能筛查装置，其特征是，所述心电信号处理单元对预处理后的心电信号进行ST段波形分析和心率计算的具体步骤为：(1)利用小波变换和模极大值法求取预处理后的心电信号的R波位置，得到心电信号的RR间期序列，进而计算出心率；(2)利用求得的R波位置将预处理后的心电信号分段，并通过插值或抽取形成统一预定长度的多段R-R信号；(3)利用通过深度学习建立的ST段分析模型分析上述R-R信号的ST段波形类型，并统计ST段水平压低、ST段缓慢型上升、ST段弓背型抬高和T波倒置四种ST段类型占所有R-R信号总数的比例，形成比例向量，作为ST段波形特征。4.根据权利要求1所述的基于机器学习方法的冠心病智能筛查装置，其特征是，所述心音信号处理单元对预处理后的心音信号计算S1心音幅值、S2心音幅值和舒张期段心音样本熵的具体步骤为：(1)按照预定长度将预处理后的心音信号平均分段，并对每段信号进行香农熵计算，得到熵值序列；(2)计算熵值序列的均值，与预定系数相乘得到熵值阈值；(3)遍历熵值序列，寻找与熵值阈值最接近的熵值点，通过其所在的信号段...

【专利技术属性】
技术研发人员：张明，刘常春，
申请(专利权)人：济南汇医融工科技有限公司，
类型：发明
国别省市：山东,37