一种基于机器学习的非侵入性心脏病诊断方法和装置制造方法及图纸

本发明专利技术公开了一种基于机器学习的非侵入性心脏病诊断方法和装置。该方法包括：采集目标的心电图信号并检测对应的QRS波群；采集该目标的脉搏波信号；基于所述QRS波群提取心电信号特征，构建为第一特征向量的样本空间；提取所述脉搏波信号的特征，将得到的特征向量矩阵构建为第二特征向量的样本空间；将所述第一特征向量的样本空间和所述第二特征向量的样本空间进行融合，利用融合特征输入到预训练的分类器，获得心脏诊断结果。本发明专利技术提高了心脏识别的准确率和效率。识别的准确率和效率。识别的准确率和效率。

【技术实现步骤摘要】
一种基于机器学习的非侵入性心脏病诊断方法和装置


[0001]本专利技术涉及医学图像分析
，更具体地，涉及一种基于机器学习的非侵入性心脏病诊断方法和装置。

技术介绍

[0002]随着心脏病患者的不断增加，有限的医疗资源无法满足日益增长的心血管疾病患者的就医需求。目前，心脏病已经成为危害人类健康的重大疾病。近年来，人工智能在医疗行业中逐渐受到人们关注，大量机器学习算法在医疗保健领域广泛应用，涉及智能风险评估、辅助诊断、医学影像、药物研发等多个领域，由此可见“互联网+医疗健康”模式将在未来成为人们日常生活的一部分。心电图(ECG)是医生诊断心血管疾病的重要依据，能真实地反映心脏的健康状况。同时，随着传感器技术的进步，基于脉搏波信号(PPG)的可穿戴设备越来越多，人们可以通过这些可穿戴设备收集人体生理体征信号，随时监控自身健康状况。
[0003]在传统的心脏诊断中，医生通过查看心电图(Electrocardiography，ECG)判断心脏病，但这种诊断方式带有主观性，且耗时耗力。Kora等基于ECG使用Cuckoo Search算法实现自动识别心脏病；王凯基于ECG的自动心律失常检测模型能够有效监测心脏异常信号的ECG信号特征。心脏病监测的困难主要在于阵发性房颤，此类心脏病的特点是突发突止、持续时间短，24h动态心电图常作为首选的监测方法。李芳等通过分析总结心脏病的心电散点图特征，分析24h动态心电图来诊断心脏病。武求花等运用Lorenz
‑
RR散点图(Lorenz散点图)与时间
‑
RR间期散点图(时间散点图)及逆向技术相结合的方法，快速识别不同发作时间的PAF，为临床提供更快更准确的心电诊断技术。目前国内外对于心脏识别的研究大多基于ECG，但ECG设备普遍有操作复杂、携带困难、价格较高、多通道等局限性。光电容积脉搏波描记(PPG)是使用激光对待测流体或固体的体积进行检测与记录的方法，可以用来监测毛细血管中血液的体积变化。有研究表明。PPG方法采集信息容易、方便携带，相较于ECG方法，PPG更加擅长长期监测。但是PPG可能没有ECG准确。
[0004]综上，在现有技术中，通常仅采用ECG或PPG进行心脏诊断分析，其准确性和效率还有待改进。

技术实现思路

[0005]本专利技术的目的是克服上述现有技术的缺陷，提供一种基于机器学习的非侵入性心脏病诊断方法和装置。
[0006]根据本专利技术的第一方面，提供一种基于机器学习的非侵入性心脏病诊断方法。该方法包括以下步骤：
[0007]采集目标的心电图信号并检测对应的QRS波群；
[0008]采集该目标的脉搏波信号；
[0009]基于所述QRS波群提取心电图信号特征，构建为第一特征向量的样本空间；
[0010]提取所述脉搏波信号的特征，将得到的特征向量矩阵构建为第二特征向量的样本
空间；
[0011]将所述第一特征向量的样本空间和所述第二特征向量的样本空间进行融合，利用融合特征输入到预训练的分类器，获得心脏诊断结果。
[0012]根据本专利技术的第二方面，提供一种基于机器学习的非侵入性心脏病诊断装置。该装置包括：
[0013]第一数据采集单元：用于采集目标的心电图信号并检测对应的QRS波群；
[0014]第二数据采集单元：用于采集该目标的脉搏波信号；
[0015]第一特征提取单元：用于基于所述QRS波群提取心电图信号特征，构建为第一特征向量的样本空间；
[0016]第二特征提取单元：用于提取所述脉搏波信号的特征，将得到的特征向量矩阵构建为第二特征向量的样本空间；
[0017]分类识别单元：用于将所述第一特征向量的样本空间和所述第二特征向量的样本空间进行融合，利用融合特征输入到预训练的分类器，获得心脏诊断结果。
[0018]与现有技术相比，本专利技术的优点在于，提出了基于ECG和PPG相结合的新型心脏识别方法，通过将PPG信号的特征和ECG信号的特征融合，放入分类器进行识别，提高了利用机器学习的方法对心脏识别的准确率。
[0019]通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0020]被结合在说明书中并构成说明书的一部分的附图示出了本专利技术的实施例，并且连同其说明一起用于解释本专利技术的原理。
[0021]图1是根据本专利技术一个实施例的基于机器学习的非侵入性心脏病诊断方法的流程图；
[0022]图2是根据本专利技术一个实施例的心电周期示意图；
[0023]图3是根据本专利技术一个实施例的循环神经网络与长短时记忆网络的结构对比图；
[0024]图4是根据本专利技术一个实施例的长短时记忆网络的结构示意图；
[0025]图5是根据本专利技术一个实施例的基于多集判别相关分析的ECG和PPG特征层融合识别流程图。
具体实施方式
[0026]现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本专利技术的范围。
[0027]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本专利技术及其应用或使用的任何限制。
[0028]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0029]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不
是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0030]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0031]本专利技术利用计算机辅助诊断心脏病，通过机器学习相关的知识分别对于ECG和PPG的分类进行了相关的研究。例如，首先，利用LSTM提取PPG信号的特征；然后，根据特征提取的结果进行了样本的截裁；利用Pan
‑
Tompkins算法，使用收集的心电图数据集对于心电信号QRS波群进行特征提取，进行样本的聚类分析，以剔除了部分特殊的截裁小样；在数据筛选完成后，进行样本特征的选择，利用主成分分析法(PCA)，进行了降低维度的处理；最后，利用样本特征训练分类器，进而利用经训练的分类器实现对目标患者的心脏诊断结果。
[0032]具体地，结合图1和图5所示，所提供的基于机器学习的非侵入性心脏病诊断方法包括以下步骤。
[0033]步骤S110，提取心电图信号中QRS波群信息。
[0034]心电图信号记录一定时间内心脏不同部位去极化产生的电压。QRS波群反映了左右心室的快速去极化的过程。心电信号具有周期性，相对于其它电信号例如脑电波，肌肉电波，属于比较容易判断分辨特征的一类电波。分析心电信号，必要环节是提取其QRS波群，基于QRS波群进行心电信号分析，有利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的非侵入性心脏病诊断方法，包括以下步骤：采集目标的心电图信号并检测对应的QRS波群；采集该目标的脉搏波信号；基于所述QRS波群提取心电图信号特征，构建为第一特征向量的样本空间；提取所述脉搏波信号的特征，将得到的特征向量矩阵构建为第二特征向量的样本空间；将所述第一特征向量的样本空间和所述第二特征向量的样本空间进行融合，利用融合特征输入到预训练的分类器，获得心脏诊断结果。2.根据权利要求1所述的方法，其特征在于，所述采集目标的心电图信号并检测对应的QRS波群包括：对于采集的心电图信号，利用Pan
‑
Tompkins算法进行R波检测；基于检测到的R波对信号进行切割，获得RR间期特征，并在截裁样本使用聚类算法进行数据筛选。3.根据权利要求1所述的方法，其特征在于，所述脉搏波信号的特征利用长短时记忆网络获得。4.根据权利要求1所述的方法，其特征在于，所述分类器是支持向量机。5.根据权利要求1所述的方法，其特征在于，在将融合特征输入分类器之前还包括：对所述第一特征向量的样本空间和所述第二特征向量的样本空间进行归一化处理。6.根据权利要求1所述的方法，其特征在于，检测对应的QRS波群包括：分别采用低通滤波器和高通滤波器对采集的心电图信号进行...

【专利技术属性】
技术研发人员：黄建龙，吴剑煌，谢炜芳，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：