一种基于人工智能模型的心脏疾病的检测方法技术

本发明专利技术提供一种基于人工智能模型的心脏疾病的检测方法，包括构建心电向量图和心电非线性系统动态图的深度学习识别模型及构建心脏动态病理特征的量化数据、生物化学数据、人体生理信息数据和临床信息数据的机器学习分类模型等，并对不同模型识别分类所得心脏疾病结果赋以相应权重值，获得心脏疾病检测的综合判定结果。本发明专利技术提供的心脏疾病的检测方法，解决了心脏电活动连续的动态信号的模型处理方法、多病理特征量化数据的模型化分析及相同疾病在不同模型下的融合判断等方面的技术难题。本发明专利技术所述心脏疾病的检测方法提升了心脏疾病检测的准确率和检测效率，且随着扩充进数据库中不同类型病理特征的指标数据的增多，诊断效果会随之不断提升。

A heart disease detection method based on artificial intelligence model

【技术实现步骤摘要】
一种基于人工智能模型的心脏疾病的检测方法
本专利技术涉及心脏疾病的检测领域，特别是涉及基于人工智能模型的心脏疾病的检测方法。
技术介绍
心脏疾病是一种比较常见的循环系统疾病，包括风湿性心脏病、高血压性心脏病、心肌炎和冠心病等，是一种高死亡率的疾病，心脏病给患者家庭带来了巨大的经济负担和生活灾难。世界卫生组织指出：在最易导致人类死亡的十大疾病当中，心脏疾病居于首位。然而，如果能对心脏疾病患者进行早期确诊，针对不同患者尽早采取有效必要的治疗手段，可以避免心脏病的突发造成的灾难性后果；因此，针对性地开展待测人员多病理特征的指标数据的获取，有效地进行心脏病的早期干预和治疗，对当前心脏疾病的检测和治疗具有重要的意义。对待测人员多病理特征的指标数据的获取上，现有技术还有以下问题亟需解决：(1)对待测人员多病理特征的指标数据信息挖掘利用上，依然难以对连续的心脏动态信号进行基于人工智能模型的处理分析；(2)在对待测人员心脏电活动的动态病理特征的分析过程中，挖掘的动态病理信息和静态病理信息过于有限，无法全面客观地反映复杂的心脏电活动过程，不利于医生后期对待测人员的心脏疾病病情进行早期干预或进一步的精准治疗。因此，有必要提供改进的技术方案以克服现有技术中存在的技术问题。
技术实现思路
本专利技术提供一种基于人工智能模型的心脏疾病的检测方法，包括构建心电向量图和心电非线性系统动态图的深度学习识别模型及构建心脏动态病理特征的量化数据、生物化学数据、人体生理信息数据和临床信息数据的机器学习分类模型等，并对不同模型识别分类所得心脏疾病结果赋以相应权重值，获得心脏疾病检测的综合判定结果。本专利技术提供的心脏疾病的检测方法，解决了心脏电活动连续的动态信号的模型处理方法、多病理特征量化数据的模型化分析及相同疾病在不同模型下的融合判断等方面的技术难题。本专利技术所述心脏疾病的检测方法提升了心脏疾病检测的准确率和检测效率，且随着扩充进数据库中不同类型病理特征的指标数据的增多，诊断效果会随之不断提升。为了实现前述目的，本专利技术一方面提供一种基于人工智能模型的心脏疾病的检测方法，包括以下步骤：步骤S1.获取特定心脏疾病多病理特征的指标数据，所述特定心脏疾病多病理特征的指标数据包括心脏动态病理特征的量化数据、心电向量图图像特征的指标数据和心电非线性系统动态数据中的一种或几种；步骤S2.对步骤S1获取的所述特定心脏疾病多病理特征的指标数据进行机器学习，获取特定心脏疾病的机器学习判定模型。在至少一个实施方式中，在如前所述的基于人工智能模型的心脏疾病的检测方法中，步骤S1所述心脏动态病理特征的量化数据包括：几何特征的量化指标数据、非线性动力学特征的量化指标数据、模型特征的量化指标数据、时域特征的量化指标数据和频域特征的量化指标数据中的一种或几种；优选地，步骤S1所述特定心脏疾病多病理特征的指标数据还包括辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中的一种或几种；更优选地，所述辅助病理特征的量化指标数据包括ECG形态指标的量化数据、和/或心电图图像特征的指标数据、和/或生物化学数据。在至少一个实施方式中，在如前所述的基于人工智能模型的心脏疾病的检测方法中，步骤S2所述特定心脏疾病的机器学习判定模型包括支持向量机、卷积神经网络、循环神经网络、贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、聚类算法、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种；在至少一个实施方式中，在如前所述的基于人工智能模型的心脏疾病的检测方法中，步骤S2所述特定心脏疾病的机器学习判定模型包括机器学习分类模型和深度学习识别模型；输入到所述机器学习分类模型的数据包括所述心脏动态病理特征的量化数据，输入到所述深度学习识别模型的数据包括所述心电向量图图像特征的指标数据和心电非线性系统动态数据；优选地，输入到所述机器学习分类模型的数据还包括辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中的一种或几种；更优选地，所述机器学习分类模型选自支持向量机、贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、和聚类算法中的至少一种，所述深度学习识别模型选自卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。在至少一个实施方式中，在如前所述的基于人工智能模型的心脏疾病的检测方法中，还包括步骤S3：获取待测人员的多病理特征的指标数据，输入到步骤S2所述特定心脏疾病的机器学习判定模型，得到特定心脏疾病的检测结果；其中，所述待测人员的多病理特征的指标数据包括待测人员的心脏动态病理特征的量化数据、心电向量图图像特征的指标数据和心电非线性系统动态数据中的一种或几种。在至少一个实施方式中，在如前所述的基于人工智能模型的心脏疾病的检测方法中，步骤S3所述待测人员多病理特征的指标数据还包括待测人员的辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中一种或几种；优选地，步骤S3所述待测人员的辅助病理特征的量化指标数据包括ECG形态指标的量化数据、和/或生物化学数据；优选地，步骤S3所述特定心脏疾病的检测结果还包含使用所述待测人员多病理特征的指标数据分别进行特定心脏疾病判定，得到待测人员心脏疾病的指标判定结果；更优选地，所述心脏疾病的检测方法还包括将步骤S2所述特定心脏疾病的机器学习判定模型的输出结果和所述待测人员心脏疾病的指标判定结果赋以权重值进行心脏疾病检测，得到待测人员心脏疾病的综合判定结果；其中，所述待测人员的心脏疾病的指标判定结果包含所述待测人员的心脏动态病理特征的量化数据的特定心脏疾病的判定信息、所述待测人员的辅助病理特征的量化指标数据的特定心脏疾病的判定信息、所述待测人员的人体生理信息数据的特定心脏疾病的判定信息和所述待测人员的临床信息数据的特定心脏疾病的判定信息中的一种或几种；更优选地，步骤S2所述特定心脏疾病的机器学习判定模型的输出结果还包括机器学习分类模型的输出结果和深度学习识别模型的输出结果，且对所述机器学习分类模型的输出结果和深度学习识别模型的输出结果赋以权重值。在至少一个实施方式中，在如前所述的基于人工智能模型的心脏疾病的检测方法中，，步骤S3所述待测人员的心脏动态病理特征的量化数据包括：待测人员的心电非线性系统动态的几何特征的量化指标数据、非线性动力学特征的量化指标数据、模型特征的量化指标数据、时域特征的量化指标数据和频域特征的量化指标数据中的一种或几种。本专利技术另一方面提供一种基于人工智能模型的心脏疾病的检测方法，包括以下步骤：步骤1.采集待测人员的多病理特征的指标数据，所述待测人员的多病理特征的指标数据包括待测人员的心脏动态病理特本文档来自技高网...

【技术保护点】
1.一种基于人工智能模型的心脏疾病的检测方法，其特征在于，包括以下步骤：/n步骤S1. 获取特定心脏疾病多病理特征的指标数据，所述特定心脏疾病多病理特征的指标数据包括心脏动态病理特征的量化数据、心电向量图图像特征的指标数据和心电非线性系统动态数据中的一种或几种；/n步骤S2. 对步骤S1获取的所述特定心脏疾病多病理特征的指标数据进行机器学习，获取特定心脏疾病的机器学习判定模型。/n

【技术特征摘要】
1.一种基于人工智能模型的心脏疾病的检测方法，其特征在于，包括以下步骤：
步骤S1.获取特定心脏疾病多病理特征的指标数据，所述特定心脏疾病多病理特征的指标数据包括心脏动态病理特征的量化数据、心电向量图图像特征的指标数据和心电非线性系统动态数据中的一种或几种；
步骤S2.对步骤S1获取的所述特定心脏疾病多病理特征的指标数据进行机器学习，获取特定心脏疾病的机器学习判定模型。


2.根据权利要求1所述心脏疾病的检测方法，其特征在于，步骤S1所述心脏动态病理特征的量化数据包括：几何特征的量化指标数据、非线性动力学特征的量化指标数据、模型特征的量化指标数据、时域特征的量化指标数据和频域特征的量化指标数据中的一种或几种；
优选地，步骤S1所述特定心脏疾病多病理特征的指标数据还包括辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中的一种或几种；
更优选地，所述辅助病理特征的量化指标数据包括ECG形态指标的量化数据、和/或心电图图像特征的指标数据、和/或生物化学数据。


3.根据权利要求1所述心脏疾病的检测方法，其特征在于，步骤S2所述特定心脏疾病的机器学习判定模型包括支持向量机、卷积神经网络、循环神经网络、贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、聚类算法、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种；
优选地，步骤S2所述特定心脏疾病的机器学习判定模型包括机器学习分类模型和深度学习识别模型；输入到所述机器学习分类模型的数据包括所述心脏动态病理特征的量化数据，输入到所述深度学习识别模型的数据包括所述心电向量图图像特征的指标数据和心电非线性系统动态数据；优选地，输入到所述机器学习分类模型的数据还包括辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中的一种或几种；
更优选地，所述机器学习分类模型选自支持向量机、贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、和聚类算法中的至少一种，所述深度学习识别模型选自卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。


4.根据权利要求1或3所述心脏疾病的检测方法，其特征在于，还包括步骤S3：获取待测人员的多病理特征的指标数据，输入到步骤S2所述特定心脏疾病的机器学习判定模型，得到特定心脏疾病的检测结果；
其中，所述待测人员的多病理特征的指标数据包括待测人员的心脏动态病理特征的量化数据、心电向量图图像特征的指标数据和心电非线性系统动态数据中的一种或几种。


5.根据权利要求4所述心脏疾病的检测方法，其特征在于，步骤S3所述待测人员多病理特征的指标数据还包括待测人员的辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中一种或几种；
优选地，步骤S3所述待测人员的辅助病理特征的量化指标数据包括ECG形态指标的量化数据、和/或生物化学数据；
优选地，步骤S3所述特定心脏疾病的检测结果还包含使用所述...

【专利技术属性】
技术研发人员：王云霞，何毅钒，
申请(专利权)人：上海图灵医疗科技有限公司，
类型：发明
国别省市：上海;31