[发明专利]一种基于人工智能模型的心脏疾病的检测方法

权利要求书

1.一种基于人工智能模型的心脏疾病的检测方法，其特征在于，包括以下步骤：

步骤S1. 获取特定心脏疾病多病理特征的指标数据，所述特定心脏疾病多病理特征的指标数据包括心脏动态病理特征的量化数据、心电向量图图像特征的指标数据和心电非线性系统动态数据中的一种或几种；

步骤S2. 对步骤S1获取的所述特定心脏疾病多病理特征的指标数据进行机器学习，获取特定心脏疾病的机器学习判定模型。

2.根据权利要求1所述心脏疾病的检测方法，其特征在于，步骤S1所述心脏动态病理特征的量化数据包括：几何特征的量化指标数据、非线性动力学特征的量化指标数据、模型特征的量化指标数据、时域特征的量化指标数据和频域特征的量化指标数据中的一种或几种；

优选地，步骤S1所述特定心脏疾病多病理特征的指标数据还包括辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中的一种或几种；

更优选地，所述辅助病理特征的量化指标数据包括ECG形态指标的量化数据、和/或心电图图像特征的指标数据、和/或生物化学数据。

3.根据权利要求1所述心脏疾病的检测方法，其特征在于，步骤S2所述特定心脏疾病的机器学习判定模型包括支持向量机、卷积神经网络、循环神经网络、贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、聚类算法、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种；

优选地，步骤S2所述特定心脏疾病的机器学习判定模型包括机器学习分类模型和深度学习识别模型；输入到所述机器学习分类模型的数据包括所述心脏动态病理特征的量化数据，输入到所述深度学习识别模型的数据包括所述心电向量图图像特征的指标数据和心电非线性系统动态数据；优选地，输入到所述机器学习分类模型的数据还包括辅助病理特征的量化指标数据、人体生理信息数据和临床信息数据中的一种或几种；

更优选地，所述机器学习分类模型选自支持向量机、贝叶斯分类器、K近邻算法、K均值算法、线性回归、逻辑回归、多元非线性回归拟合方法、Adaboost算法、隐马尔可夫模型、极限学习机、随机森林算法、决策树算法、和聚类算法中的至少一种，所述深度学习识别模型选自卷积神经网络、循环神经网络、生成式对抗网络、堆叠自动编码器、全连接网络、无监督预训练网络、深度信念网络、深度玻尔兹曼机和神经张量网络中的至少一种。

4.根据权利要求1或3所述心脏疾病的检测方法，其特征在于，还包括步骤S3：获取待测人员的多病理特征的指标数据，输入到步骤S2所述特定心脏疾病的机器学习判定模型，得到特定心脏疾病的检测结果；

其中，所述待测人员的多病理特征的指标数据包括待测人员的心脏动态病理特征的量化数据、心电向量图图像特征的指标数据和心电非线性系统动态数据中的一种或几种。