基于机器学习的心电信号分类方法、系统、终端以及存储介质技术方案

本申请涉及一种基于机器学习的心电信号分类方法、系统、终端以及存储介质。包括：采集患者的心电图数据；构建心电信号分类模型；将所述心电图数据输入所述心电信号分类模型进行心电信号分类，根据所述心电信号分类结果输出患者心肌梗死疾病类型的预测结果。本申请实施例将机器学习算法应用于心肌梗死疾病类型的分类识别，可以有效的提高患者被救治效率，提高医生的工作效率，减少心肌梗死疾病的死亡率。

【技术实现步骤摘要】
基于机器学习的心电信号分类方法、系统、终端以及存储介质
本申请属于心电信号处理
，特别涉及一种基于机器学习的心电信号分类方法、系统、终端以及存储介质。
技术介绍
十二导联心电图(electrostaticgrammar，简称ECG)是临床医学判断心肌梗死的主要手段和依据，心肌梗死的诊断对时效性要求很高，因此，为提高医生的诊断效率，为使患者能够早发现早治疗，基于心电图的心肌梗死疾病的智能化分类预测在临床医学救治的时效性上是一项很有意义具有临床意义的工作。目前，将机器学习算法应用于心电信号的分类以作为诊断相关疾病的辅助手段，极大地改变了现有的医学诊断模式。例如，输入心拍信号，使用LSTM(LongShort-TermMemory，长短期记忆网络)或CNN(ConvolutionalNeuralNetworks,卷积神经网络)对心拍信号进行深度学习，建立心率不齐的智能分类预测模型。将智能化分类预测作为诊断相关疾病的辅助手段，既可以为患者腾出宝贵的救治时间，还可以优化诊断流程，节省医疗人力资源，缩短诊断时间。然而，现有的基于机器学习算法的心电信号的分类方法需要对心电信号进行提前的去噪预处理，对于临床的实时性来说，具有时间上的局限性；且现有的基于机器学习算法的心电信号分类方法只能应用于对心率不齐疾病进行分类预测，目前还没有将该方法应用于心肌梗死疾病分类预测的技术。
技术实现思路
本申请提供了一种基于机器学习的心电信号分类方法、系统、终端以及存储介质，旨在解决现有技术中缺乏将机器学习算法应用于心肌梗死疾病分类预测的技术问题。为了解决上述问题，本申请提供了如下技术方案：一种基于机器学习的心电信号分类方法，包括以下步骤：采集患者的心电图数据；构建心电信号分类模型；将所述心电图数据输入所述心电信号分类模型进行心电信号分类，根据所述心电信号分类结果输出患者心肌梗死疾病类型的预测结果。本申请实施例采取的技术方案还包括：所述采集患者的心电图数据包括：采用便携式心电检测仪采集患者的心电图数据，所述心电图数据包括RR间期、Q波、R波、S波幅值；对所述心电图数据进行病例特征筛选，得到特征数据集。本申请实施例采取的技术方案还包括：所述心电信号分类模型为机器学习分类器，所述构建心电信号分类模型具体包括：将所述特征数据集按照设定比例拆分为训练集和测试集；按照五折交叉验证方法将所述训练集进行4比1的训练集和验证集划分，通过所述划分得到的训练集对机器学习分类器进行训练，并通过所述验证集对训练得到的机器学习分类器进行验证，得到一个机器学习分类器；重复执行五次所述五折交叉验证方法，得到五个机器学习分类器；使用模型评估方法对所述五个机器学习分类器进行评估，得到最优机器学习分类器；使用测试集对所述最优机器学习分类器进行测试，得到最终的心电信号分类模型。本申请实施例采取的技术方案还包括：所述使用模型评估方法对所述五个机器学习分类器进行评估具体为：采用精度和灵敏度对所述五个机器学习分类器进行模型评估，评估公式为：上述公式中，precision为精度，sensitivity为灵敏度，TP表示被正确分类的个数，FP表示其他类别被分到本类别的个数，FN表示本类别被错误的分到其他类别的个数。本申请实施例采取的技术方案还包括：所述采集患者的心电图数据包括：采用12导联心电仪采集患者的心电图数据；其中，所述心电图数据为12导联基本心电信息，包括：RR间期、ST段长度、Q波幅值、R波幅值、S波幅值。本申请实施例采取的技术方案还包括：所述采集患者的心电图数据还包括：根据所述12导联基本心电信息进行QRS波群定位；对所述QRS波群进行等长心拍分割，构建心拍数据集。本申请实施例采取的技术方案还包括：所述心电信号分类模型为深度神经网络，所述构建心电信号分类模型包括：采用五折交叉验证方法构建深度神经网络，并采用模型迭代优化算法对所述深度神经网络进行迭代优化。本申请实施例采取的技术方案还包括：所述深度神经网络包括卷积层、主成分分析层、数据重组层、LSTM层、反向LSTM层、全连接层和迭代优化层；假设以X表示为等长目标的心拍信息，一共12个导联，输入特征X(1)的矩阵大小为12*m，m为心拍信息的长度；所述卷积层使用步长为1、卷积核为1*n的一维卷积核对X(1)进行局部特征提取，得到局部特征维度k＝(N-n+1)，并输出矩阵大小为12*(N-n+1)的X(2)；所述主成分分析层从X(2)中中优先选出i个特征，输出矩阵大小为12*i的X(3)；所述数据重组层对X(3)进行处理，输出矩阵大小为1*12i的X(4)；所述LSTM层将X(4)的矩阵形式转换为张量形式，其中LSTM层的输入维度设置为张量(12i，1)，LSTM核心单元的隐藏层设置为j，输出X(5)表示为张量(1，12i*j，1)；所述反向LSTM层使用与LSTM层相同的参数对X(4)进行处理，并输出张量(1，12i*j，1)的X(6)；将X(5)与X(6)同时输入全连接层，设置权重尺寸为(12i*j，N)，设置偏执尺寸为(N，none)，其中N表示本任务分为N类，并输出长度为N的X(7)；所述迭代层使用模型迭代优化算法对X(7)输出结果进行优化，输出长度为N的X(8)，其中，N即为所述深度神经网络的分类结果。本申请实施例采取的另一技术方案为：一种基于机器学习的心电信号分类系统，包括：数据获取模块：用于采集患者的心电图数据；模型构建模块：用于构建心电信号分类模型；数据分类模块：用于将所述心电图数据输入所述心电信号分类模型进行心电信号分类，根据所述心电信号分类结果输出患者心肌梗死疾病类型的预测结果。本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，所述存储器存储有用于实现所述基于机器学习的心电信号分类方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令以控制基于机器学习的心电信号分类。本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述基于机器学习的心电信号分类方法。相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的基于机器学习的心电信号分类方法、系统、终端以及存储介质通过将机器学习算法应用于心肌梗死疾病类型的分类识别，在发病初期根据便携式心电仪的基本心电参数对心肌梗死疾病类型进行初步预测，提醒患者及时就诊，并在就诊后根据12导联基本心电信息对心肌梗死疾病类型进行精准识别，从而整体有效的提高患者被救治效率，提高医生的工作效率，减少心肌梗死疾病的死亡率。附图说明图1是本申请第一实施例的基于机器学习的心电信号分类方法的流程图；图2为本申请第一实施例的心拍数据示本文档来自技高网...

【技术保护点】
1.一种基于机器学习的心电信号分类方法，其特征在于，包括以下步骤：/n采集患者的心电图数据；/n构建心电信号分类模型；/n将所述心电图数据输入所述心电信号分类模型进行心电信号分类，根据所述心电信号分类结果输出患者心肌梗死疾病类型的预测结果。/n

【技术特征摘要】
1.一种基于机器学习的心电信号分类方法，其特征在于，包括以下步骤：
采集患者的心电图数据；
构建心电信号分类模型；
将所述心电图数据输入所述心电信号分类模型进行心电信号分类，根据所述心电信号分类结果输出患者心肌梗死疾病类型的预测结果。


2.根据权利要求1所述的基于机器学习的心电信号分类方法，其特征在于，所述采集患者的心电图数据包括：
采用便携式心电检测仪采集患者的心电图数据，所述心电图数据包括RR间期、Q波、R波、S波幅值；
对所述心电图数据进行病例特征筛选，得到特征数据集。


3.根据权利要求2所述的基于机器学习的心电信号分类方法，其特征在于，所述心电信号分类模型为机器学习分类器，所述构建心电信号分类模型具体包括：
将所述特征数据集按照设定比例拆分为训练集和测试集；
按照五折交叉验证方法将所述训练集进行4比1的训练集和验证集划分，通过所述划分得到的训练集对机器学习分类器进行训练，并通过所述验证集对训练得到的机器学习分类器进行验证，得到一个机器学习分类器；
重复执行五次所述五折交叉验证方法，得到五个机器学习分类器；
使用模型评估方法对所述五个机器学习分类器进行评估，得到最优机器学习分类器；
使用测试集对所述最优机器学习分类器进行测试，得到最终的心电信号分类模型。


4.根据权利要求3所述的基于机器学习的心电信号分类方法，其特征在于，所述使用模型评估方法对所述五个机器学习分类器进行评估具体为：
采用精度和灵敏度对所述五个机器学习分类器进行模型评估，评估公式为：






上述公式中，precision为精度，sensitivity为灵敏度，TP表示被正确分类的个数，FP表示其他类别被分到本类别的个数，FN表示本类别被错误的分到其他类别的个数。


5.根据权利要求1所述的基于机器学习的心电信号分类方法，其特征在于，所述采集患者的心电图数据包括：
采用12导联心电仪采集患者的心电图数据；其中，所述心电图数据为12导联基本心电信息，包括：RR间期、ST段长度、Q波幅值、R波幅值、S波幅值。


6.根据权利要求5所述的基于机器学习的心电信号分类方法，其特征在于，所述采集患者的心电图数据还包括：
根据所述12导联基本心电信息进行QRS波群定位；
对所述QRS波群进行等长心拍分割，构建心拍数据集。


7.根据权利要求6所述的基于机器学习...

【专利技术属性】
技术研发人员：陈晓禾，徐文畅，游斌权，郭宇，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：江苏;32