[发明专利]一种基于机器学习的人体疾病检测方法及检测产品

说明书

本发明提供一种基于机器学习的人体疾病检测方法及检测产品，包括：提取心电向量数据内在的数据特征及其量化指标数据，构建心电向量数据特征的机器学习分类模型，并对模型识别的不同分类结果赋以相应权重值，获得人体疾病检测的综合判定结果。本发明提供的人体疾病的检测方法，解决了心电连续动态信号的模型处理、数据特征量化数据的模型化分析及人体疾病的辅助诊断等方面的技术难题。本发明所述人体疾病的检测方法及检测产品提升了人体疾病检测的准确率和检测效率，随着扩充进数据库中心电向量数据特征的量化信息的增多，诊断效果会随之不断提升。

技术领域

本发明涉及人体疾病的检测领域，特别是涉及基于机器学习的人体疾病检测 方法及检测产品。

背景技术

当外界致病因素作用于人体细胞，达到一定的损害量会引起人体细胞的损伤， 进而出现人体器官功能、代谢和形态结构的紊乱，终致人体疾病的形成。然而， 当一些患者患有人体重大隐性疾病时，并无明显的临床症状。因此，有必要开发 一种人体疾病风险的评估方法，可挖掘出人体生物电信号潜在的病理性信息，从 而可充分评估患者发病前和治疗后的风险及预后等各个阶段的健康状况。

当前，已有技术对人体生物电信号的检测已取得一些进展，尤其是心电信号 的检测。但对待测人员病理特征的指标数据的获取上，现有技术还存在以下问题 亟需解决：(1)对待测人员多病理特征的指标数据信息挖掘利用上，依然难以 对连续的心脏动态信号进行基于人工智能模型的处理分析；(2)在对待测人员 心脏电活动的动态病理特征的分析过程中，挖掘的动态病理信息和静态病理信息 过于有限，无法全面客观地反映复杂的心脏电活动过程，不利于医生后期对待测 人员的人体疾病病情进行早期干预或进一步的精准治疗。

因此，有必要提供改进的技术方案以克服现有技术中存在的技术问题。

发明内容

为解决上述问题，本发明提供一种基于机器学习的人体疾病检测方法，包括： 提取心电向量数据内在的数据特征，构建心电向量数据特征的机器学习分类模型 等，并对不同的模型识别分类结果赋以相应权重值，获得人体疾病检测的综合判 定结果。本发明提供的人体疾病的检测方法，解决了心脏电活动连续的动态信号 的模型处理方法、数据特征量化的模型化分析及人体疾病的辅助诊断等方面的技 术难题。本发明所述人体疾病的检测方法及检测产品提升了人体疾病检测的准确 率和检测效率，且随着扩充进数据库中不同类型数据特征的量化信息的增多，诊 断效果会随之不断提升。

本发明第一方面提供了一种基于机器学习的人体疾病检测方法，包括以下步 骤：

步骤S1.对心电向量数据进行特征提取，得到心电向量数据特征；

步骤S2.对步骤S1所述的心电向量数据特征进行提取，形成所述的心电向 量数据特征的量化指标数据；

步骤S3.根据步骤S2得到的心电向量数据特征的量化指标数据进行机器学 习，建立特定人体疾病的机器学习分类模型；利用步骤S2所述的心电向量数据 特征的量化指标数据与特定人体疾病的关系建立特定人体疾病的机器学习分类 模型；所述的机器学习用于训练特定人体疾病的机器学习分类模型。

在至少一个实施方式中，在如前所述的基于机器学习的人体疾病检测方法中， 步骤S1所述的心电向量数据特征包括：几何特征、非线性动力学特征、模型特 征、时域特征、频域特征和时频特征中的一种或几种；优选地，步骤S2所述的 心电向量数据特征的量化指标数据Q_i＝g×几何特征的量化指标－n×非线性动力 学特征的量化指标+m×模型特征的量化指标－t×时域特征的量化指标－f×频域 特征的量化指标+tf×时频特征的量化指标－x，其中，g、n、m、t、f和tf的取 值为-1～1之间适应不同种人体疾病的选择值，x的取值包括实数。