智能心脏疾病检测方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术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。本发明专利技术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。本发明专利技术实现了心脏疾病的精准检测。

Intelligent heart disease detection method, device and computer readable storage medium

【技术实现步骤摘要】
智能心脏疾病检测方法、装置及计算机可读存储介质
本专利技术涉及人工智能
，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。
技术介绍
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，给本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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，...

【专利技术属性】
技术研发人员：王健宗，彭俊清，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44