【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。