[发明专利]基于机器学习的心肌缺血预诊方法、存储介质及电子设备

说明书

本发明提供一种基于机器学习的心肌缺血预诊方法、存储介质及电子设备，所述方法包括：获取心磁图数据并提取心磁图数据的数据集；对数据集进行特征提取形成多个独立的特征参数集；根据各特征参数分别对为各特征参数集配置的各训练模型进行训练，形成多个分类器；将多个分类器的输出结果进行集成学习组合，输出最终的预测结果；多个独立的特征参数集包括：时域特征参数集，频域特征参数集和信息论特征参数集；对时域特征参数集和频域特征参数集分别采用支持向量机训练模型进行训练，对信息论特征参数集采用极限梯度推进模型进行训练。本发明通过多种机器学习模型的组合分类心磁图数据，提高了分类模型的鲁棒性，降低过拟合的风险，从而提高了对心肌缺血病人的分类精确度。

技术领域

本发明涉及智能控制技术领域，特别涉及一种医疗器械智能控制技术领域，具体为基于机器学习的心肌缺血预诊方法、系统、存储介质、及电子设备。

背景技术

人体生命活动背后隐藏着丰富的电磁信息。心磁图是一种通过检测人体心脏电活动产生的空间磁场而进行成像分析的新型心脏疾病诊断方法。与传统的心电图类似,心磁图反映了心脏的电生理活动，是一种功能成像方法。由于完全无创、无辐射、无接触、受体液及骨骼等的影响较小，且能响应环形涡旋电流，心磁图包含很多传统心电图无法体现的电生理信息，呈现出更好的灵敏度和早期诊断能力。临床研究显示，心磁图在冠心病、心肌缺血等方面具有良好的应用潜力，因而具有极高的临床研究和应用价值。

心磁图对心肌缺血等疾病预测的灵敏性和可靠性直接依赖于数据解读。现有的心磁图解读方法大多依赖于人工分类，效率较低，准确性也受分析人员经验影响，大大制约了心磁图的临床适用性。曾有研究提出使用机器学习方法对心磁图进行自动分类模型，这些模型大多是基于单一模型如支持向量机，直接核法或神经网络等方法实现分类功能，其分类准确度约在78％至83％左右，低于人工分类的精度。

发明内容

本发明要解决的技术问题在于提供快捷高效的基于机器学习的心肌缺血预诊方法、建模系统，以及相应的存储介质及电子设备，用于解决现有心磁图的分类依靠人工和分类准确度低的问题。

为解决上述技术问题，本发明提供一种基于机器学习的心肌缺血预诊方法，包括：获取心磁图数据并提取所述心磁图数据的数据集；对所述数据集进行特征提取形成多个独立的特征参数集；根据各所述特征参数分别对为各所述特征参数集配置的各训练模型进行训练，形成多个分类器；将多个所述分类器的输出结果进行集成学习组合，输出最终的预测结果。

于本发明的一实施例中，提取所述心磁图数据的数据集之前，所述基于机器学习的心肌缺血预诊方法还包括对获取的所述心磁图数据进行滤波降噪。

于本发明的一实施例中，所述提取所述心磁图数据的数据集包括：标记所述心磁图数据的QRS-T波；对若干QRS-T波进行均值处理获取均值波形图；于所述均值波形图上标记T波波段数据，形成所述心磁图数据的数据集。

于本发明的一实施例中，所述多个独立的特征参数集包括：时域特征参数集，频域特征参数集和信息论特征参数集。

于本发明的一实施例中，对所述时域特征参数集和所述频域特征参数集分别采用支持向量机训练模型进行训练，对所述信息论特征参数集采用极限梯度推进模型进行训练。

于本发明的一实施例中，将所述多个独立的特征参数集分成用于对各所述训练模型进行训练的训练集和用于对各所述训练模型进行测试的测试集。

于本发明的一实施例中，采用十折交叉验证法对各所述训练模型进行测试验证。

于本发明的一实施例中，所述心磁图数据包括正常人的心磁图数据和心肌缺血患者的心磁图数据。

为解决上述技术问题，本发明提供一种存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现如上任一所述的基于机器学习的心肌缺血预诊方法。