[发明专利]一种基于机器学习的非侵入性心脏病诊断方法和装置

说明书

本发明公开了一种基于机器学习的非侵入性心脏病诊断方法和装置。该方法包括：采集目标的心电图信号并检测对应的QRS波群；采集该目标的脉搏波信号；基于所述QRS波群提取心电信号特征，构建为第一特征向量的样本空间；提取所述脉搏波信号的特征，将得到的特征向量矩阵构建为第二特征向量的样本空间；将所述第一特征向量的样本空间和所述第二特征向量的样本空间进行融合，利用融合特征输入到预训练的分类器，获得心脏诊断结果。本发明提高了心脏识别的准确率和效率。

技术领域

本发明涉及医学图像分析技术领域，更具体地，涉及一种基于机器学习的非侵入性心脏病诊断方法和装置。

背景技术

随着心脏病患者的不断增加，有限的医疗资源无法满足日益增长的心血管疾病患者的就医需求。目前，心脏病已经成为危害人类健康的重大疾病。近年来，人工智能在医疗行业中逐渐受到人们关注，大量机器学习算法在医疗保健领域广泛应用，涉及智能风险评估、辅助诊断、医学影像、药物研发等多个领域，由此可见“互联网+医疗健康”模式将在未来成为人们日常生活的一部分。心电图(ECG)是医生诊断心血管疾病的重要依据，能真实地反映心脏的健康状况。同时，随着传感器技术的进步，基于脉搏波信号(PPG)的可穿戴设备越来越多，人们可以通过这些可穿戴设备收集人体生理体征信号，随时监控自身健康状况。

在传统的心脏诊断中，医生通过查看心电图(Electrocardiography，ECG)判断心脏病，但这种诊断方式带有主观性，且耗时耗力。Kora等基于ECG使用Cuckoo Search算法实现自动识别心脏病；王凯基于ECG的自动心律失常检测模型能够有效监测心脏异常信号的ECG信号特征。心脏病监测的困难主要在于阵发性房颤，此类心脏病的特点是突发突止、持续时间短，24h动态心电图常作为首选的监测方法。李芳等通过分析总结心脏病的心电散点图特征，分析24h动态心电图来诊断心脏病。武求花等运用Lorenz-RR散点图(Lorenz散点图)与时间-RR间期散点图(时间散点图)及逆向技术相结合的方法，快速识别不同发作时间的PAF，为临床提供更快更准确的心电诊断技术。目前国内外对于心脏识别的研究大多基于ECG，但ECG设备普遍有操作复杂、携带困难、价格较高、多通道等局限性。光电容积脉搏波描记(PPG)是使用激光对待测流体或固体的体积进行检测与记录的方法，可以用来监测毛细血管中血液的体积变化。有研究表明。PPG方法采集信息容易、方便携带，相较于ECG方法，PPG更加擅长长期监测。但是PPG可能没有ECG准确。

综上，在现有技术中，通常仅采用ECG或PPG进行心脏诊断分析，其准确性和效率还有待改进。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于机器学习的非侵入性心脏病诊断方法和装置。

根据本发明的第一方面，提供一种基于机器学习的非侵入性心脏病诊断方法。该方法包括以下步骤：

采集目标的心电图信号并检测对应的QRS波群；

采集该目标的脉搏波信号；

基于所述QRS波群提取心电图信号特征，构建为第一特征向量的样本空间；

提取所述脉搏波信号的特征，将得到的特征向量矩阵构建为第二特征向量的样本空间；

将所述第一特征向量的样本空间和所述第二特征向量的样本空间进行融合，利用融合特征输入到预训练的分类器，获得心脏诊断结果。

根据本发明的第二方面，提供一种基于机器学习的非侵入性心脏病诊断装置。该装置包括：

第一数据采集单元：用于采集目标的心电图信号并检测对应的QRS波群；

第二数据采集单元：用于采集该目标的脉搏波信号；

第一特征提取单元：用于基于所述QRS波群提取心电图信号特征，构建为第一特征向量的样本空间；