System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及医疗,具体涉及一种心血管疾病预测方法、装置、设备及存储介质。
技术介绍
1、心血管疾病(cvd)是一类涉及心脏、血管和全身组织的复杂病理现象,其特征包括缺血、出血以及与高血脂、血液粘稠、动脉粥样硬化和高血压等相关的心脏、大脑及全身组织病变。研究表明,cvd受到经济、社会、行为、环境、人口等多种危险因素的共同影响。目前,心血管疾病死亡率高于肿瘤等高死亡率的疾病,是世界上最主要的死亡原因之一,成为了影响国家经济和社会发展的一个重大公共卫生问题。研究表明,通过早期发现和干预可以降低不断上升的死亡率。因此,迫切需要加强对cvd的预防和治疗。
2、心电图(ecg)提供了有关心脏异常的有用信息,因此被用作检测各种心血管疾病的诊断方式。然而,传统的心电图分析诊断过程耗时、繁琐且效率低。同时,心电图分析诊断过度依赖医生的专业知识和经验,由于医生先验知识的差异,导致心电图诊断存在偏差。在大量ecg数据驱动的背景下,研究人员开始将人工智能的自动分析技术用于ecg的特征提取。然而,由于ecg特有的复杂性,包含丰富的医学信息,特征维度高,易受噪声干扰,处理这种数据非常耗时,而且很大程度上会降低心血管疾病的分类准确率。同时,ecg数据大多存在严重类不平衡情况,即健康样本数远多于患病样本数,这将导致对患病样本的预测泛化性能下降。现有的基于机器学习的心血管疾病预测方法并不能很好地处理高维特征、噪声和类不平衡三者带来的影响,而基于深度学习的预测方法虽然可以取得一定效果,但是其训练过程对硬件资源要求高且计算成本开销大。因此,提供一种分类准确
技术实现思路
1、本申请的目的是提供一种心血管疾病预测方法、装置、电子设备及存储介质,能够提高心血管疾病预测的准确率,以及降低成本。
2、第一方面,本申请实施例提供了一种心血管疾病预测方法,包括:
3、获取待预测的受试者的心电图ecg数据;
4、将所述ecg数据分别输入预先训练好的多个子模型中进行预测,得到每个子模型对应的预测结果;所述子模型是以iftsvm-cil模型作为基分类器,利用对应的特征子集训练得到;iftsvm-cil模型是指基于不相似性度量的直觉模糊孪生支持向量机模型,该模型基于数据分布的不相似性度量来分配直觉模糊隶属度;
5、通过基于模糊系统的加权集成决策算法,对各个子模型对应的预测结果赋予权值,将权值最大的预测结果作为心血管疾病的预测结果输出。
6、在本申请的一些实施方式中,所述特征子集的确定过程如下:
7、获取受试者的历史ecg数据,构建样本集;
8、针对受试者的历史ecg数据,采用离散小波变换dwt算法,结合非线性特征对心血管疾病进行自动表征;在此过程中,从分形维数、能量、样本熵和模糊熵四个非线性特征中各提取出56个特征,进而得到包含224个特征属性的样本集,其中包含了多种心血管疾病类别标签;
9、基于特征与心血管疾病的相关性强弱,利用信息增益对所述样本集中的样本特征赋予权值,使得强相关特征比弱相关特征具有更大的权重,描述不同特征的分类重要性,并按权值大小降序排列,得到目标样本集;
10、从所述目标样本集中,按照权值降序的方向通过选择不同覆盖程度的特征数量构造多个特征子集;以iftsvm-cil模型作为基分类器,利用不同的特征子集训练出不同的子模型。
11、在本申请的一些实施方式中,所述心血管疾病的类别标签包括:正常、扩张型心肌病、肥厚型心肌病和心肌梗死。
12、在本申请的一些实施方式中,所述方法还包括:
13、在训练iftsvm-cil模型时,采用有效集收缩的坐标下降算法处理高维输入带来的计算复杂度。
14、在本申请的一些实施方式中,所述基于模糊系统的加权集成决策算法,包括:
15、以子模型对应的平衡准确率、假阳性数和假阴性数作为模糊系统的输入,经过模糊推理和去模糊化后,输出对应子模型的权值;
16、其中,在模糊推理过程中使用的模糊规则构造原则是:预测准确率越高,假阳性数和假阴性数越小,则输出权值越大。
17、第二方面,本申请实施例提供了一种心血管疾病预测装置,包括:
18、获取模块,用于获取待预测的受试者的心电图ecg数据;
19、预测模块,用于将所述ecg数据分别输入预先训练好的多个子模型中进行预测,得到每个子模型对应的预测结果;所述子模型是以iftsvm-cil模型作为基分类器,利用对应的特征子集训练得到;iftsvm-cil模型是指基于不相似性度量的直觉模糊孪生支持向量机模型,该模型基于数据分布的不相似性度量来分配直觉模糊隶属度;
20、决策模块,用于通过基于模糊系统的加权集成决策算法,对各个子模型对应的预测结果赋予权值,将权值最大的预测结果作为心血管疾病的预测结果输出。
21、在本申请的一些实施方式中,所述预测模块,还用于通过如下过程确定所述特征子集:
22、获取受试者的历史ecg数据,构建样本集;
23、针对受试者的历史ecg数据,采用离散小波变换dwt算法,结合非线性特征对心血管疾病进行自动表征;在此过程中,从分形维数、能量、样本熵和模糊熵四个非线性特征中各提取出56个特征,进而得到包含224个特征属性的样本集,其中包含了多种心血管疾病类别标签;
24、基于特征与心血管疾病的相关性强弱,利用信息增益对所述样本集中的样本特征赋予权值,使得强相关特征比弱相关特征具有更大的权重,描述不同特征的分类重要性,并按权值大小降序排列,得到目标样本集;
25、从所述目标样本集中,按照权值降序的方向通过选择不同覆盖程度的特征数量构造多个特征子集;以iftsvm-cil模型作为基分类器,利用不同的特征子集训练出不同的子模型。
26、在本申请的一些实施方式中,所述心血管疾病的类别标签包括:正常、扩张型心肌病、肥厚型心肌病和心肌梗死。
27、在本申请的一些实施方式中,所述预测模块,具体用于:
28、在训练iftsvm-cil模型时,采用有效集收缩的坐标下降算法处理超过预设维度的高维输入。
29、在本申请的一些实施方式中,所述决策模块,具体用于:
30、以子模型对应的平衡准确率、假阳性数和假阴性数作为模糊系统的输入,经过模糊推理和去模糊化后,输出对应子模型的权值;
31、其中,在模糊推理过程中使用的模糊规则构造原则是:预测准确率越高,假阳性数和假阴性数越小,则输出权值越大。
32、第三方面,本申请提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行以实现如第一方面所述的方法。
33、第四方面,本申请实提供了一种计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读本文档来自技高网...
【技术保护点】
1.一种心血管疾病预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述特征子集的确定过程如下:
3.根据权利要求2所述的方法,其特征在于,所述心血管疾病的类别标签包括:正常、扩张型心肌病、肥厚型心肌病和心肌梗死。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
5.根据权利要求1所述的方法,其特征在于,所述基于模糊系统的加权集成决策算法,包括:
6.一种心血管疾病预测装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述预测模块,还用于通过如下过程确定所述特征子集:
8.根据权利要求7所述的装置,其特征在于,所述心血管疾病的类别标签包括:正常、扩张型心肌病、肥厚型心肌病和心肌梗死。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时以实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指
...【技术特征摘要】
1.一种心血管疾病预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述特征子集的确定过程如下:
3.根据权利要求2所述的方法,其特征在于,所述心血管疾病的类别标签包括:正常、扩张型心肌病、肥厚型心肌病和心肌梗死。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
5.根据权利要求1所述的方法,其特征在于,所述基于模糊系统的加权集成决策算法,包括:
6.一种心血管疾病预测装置,其特征在于,包括:
7.根据权利要求6所述的装置,其...
【专利技术属性】
技术研发人员:谢加良,邱健祥,谢斌,张东晓,卓双木,
申请(专利权)人:集美大学,
类型:发明
国别省市:
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。