[發明專利]基于機器學習的心肌缺血預診方法、存儲介質及電子設備在審
| 申請號： | 201810100231.8 | 申請日： | 2018-02-01 |
| 公開（公告）號： | CN108281184A | 公開（公告）日： | 2018-07-13 |
| 發明（設計）人： | 陶蓉;張樹林;張朝祥;謝曉明 | 申請（專利權）人： | 中國科學院上海微系統與信息技術研究所 |
| 主分類號： | G16H50/20 | 分類號： | G16H50/20;G16H50/70;G06N99/00 |
| 代理公司： | 上海光華專利事務所(普通合伙) 31219 | 代理人： | 龐紅芳 |
| 地址： | 200050 *** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 特征參數 心肌缺血 心磁圖 信息論 存儲介質 電子設備 基于機器 參數集 分類器 數據集 支持向量機訓練 機器學習模型 分類模型 集成學習 頻域特征 時域特征 輸出結果 特征提取 推進模型 訓練模型 預測結果 魯棒性 配置的 分類 對時 和頻 擬合 輸出 學習 | ||
1.一種基于機器學習的心肌缺血預診方法，其特征在于，包括：
獲取心磁圖數據并提取所述心磁圖數據的數據集；
對所述數據集進行特征提取形成多個獨立的特征參數集；
根據各所述特征參數分別對為各所述特征參數集配置的各訓練模型進行訓練，形成多個分類器；
將多個所述分類器的輸出結果進行集成學習組合，輸出最終的預測結果。
2.根據權利要求1所述的基于機器學習的心肌缺血預診方法，其特征在于，提取所述心磁圖數據的數據集之前，所述基于機器學習的心肌缺血預診方法還包括對獲取的所述心磁圖數據進行濾波降噪。
3.根據權利要求1或2所述的基于機器學習的心肌缺血預診方法，其特征在于，所述提取所述心磁圖數據的數據集包括：
標記所述心磁圖數據的QRS-T波；
對若干QRS-T波進行均值處理獲取均值波形圖；
于所述均值波形圖上標記T波波段數據，形成所述心磁圖數據的數據集。
4.根據權利要求1所述的基于機器學習的心肌缺血預診方法，其特征在于，所述多個獨立的特征參數集包括：時域特征參數集，頻域特征參數集和信息論特征參數集。
5.根據權利要求4所述的基于機器學習的心肌缺血預診方法，其特征在于，對所述時域特征參數集和所述頻域特征參數集分別采用支持向量機訓練模型進行訓練，對所述信息論特征參數集采用極限梯度推進模型進行訓練。
6.根據權利要求1或5所述的基于機器學習的心肌缺血預診方法，其特征在于，將所述多個獨立的特征參數集分成用于對各所述訓練模型進行訓練的訓練集和用于對各所述訓練模型進行測試的測試集。
7.根據權利要求6所述的基于機器學習的心肌缺血預診方法，其特征在于，采用十折交叉驗證法對各所述訓練模型進行測試驗證。
8.根據權利要求1所述的基于機器學習的心肌缺血預診方法，其特征在于，所述心磁圖數據包括正常人的心磁圖數據和心肌缺血患者的心磁圖數據。
9.一種存儲介質，其中存儲有計算機程序，其特征在于，所述計算機程序被處理器加載執行時，實現如權利要求1至8中任一所述的基于機器學習的心肌缺血預診方法。
10.一種電子設備，其特征在于，包括：處理器、及存儲器；其中，
所述存儲器用于存儲計算機程序；
所述處理器用于加載執行所述計算機程序，以使所述電子設備執行如權利要求1至8中任一所述的基于機器學習的心肌缺血預診方法。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國科學院上海微系統與信息技術研究所，未經中國科學院上海微系統與信息技術研究所許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810100231.8/1.html，轉載請聲明來源鉆瓜專利網。
