[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在审
| 申请号： | 201810100231.8 | 申请日： | 2018-02-01 |
| 公开（公告）号： | CN108281184A | 公开（公告）日： | 2018-07-13 |
| 发明（设计）人： | 陶蓉;张树林;张朝祥;谢晓明 | 申请（专利权）人： | 中国科学院上海微系统与信息技术研究所 |
| 主分类号： | G16H50/20 | 分类号： | G16H50/20;G16H50/70;G06N99/00 |
| 代理公司： | 上海光华专利事务所(普通合伙) 31219 | 代理人： | 庞红芳 |
| 地址： | 200050 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 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。 | ||
| 搜索关键词： | 特征参数 心肌缺血 心磁图 信息论 存储介质 电子设备 基于机器 参数集 分类器 数据集 支持向量机训练 机器学习模型 分类模型 集成学习 频域特征 时域特征 输出结果 特征提取 推进模型 训练模型 预测结果 鲁棒性 配置的 分类 对时 和频 拟合 输出 学习 | ||
【主权项】：
1.一种基于机器学习的心肌缺血预诊方法，其特征在于，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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国科学院上海微系统与信息技术研究所，未经中国科学院上海微系统与信息技术研究所许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810100231.8/，转载请声明来源钻瓜专利网。
