本发明涉及智能控制技术领域，特别涉及一种医疗器械智能控制技术领域，具体为基于机器学习的心肌缺血预诊方法、系统、存储介质、及电子设备。
背景技术：
人体生命活动背后隐藏着丰富的电磁信息。心磁图是一种通过检测人体心脏电活动产生的空间磁场而进行成像分析的新型心脏疾病诊断方法。与传统的心电图类似,心磁图反映了心脏的电生理活动，是一种功能成像方法。由于完全无创、无辐射、无接触、受体液及骨骼等的影响较小，且能响应环形涡旋电流，心磁图包含很多传统心电图无法体现的电生理信息，呈现出更好的灵敏度和早期诊断能力。临床研究显示，心磁图在冠心病、心肌缺血等方面具有良好的应用潜力，因而具有极高的临床研究和应用价值。
心磁图对心肌缺血等疾病预测的灵敏性和可靠性直接依赖于数据解读。现有的心磁图解读方法大多依赖于人工分类，效率较低，准确性也受分析人员经验影响，大大制约了心磁图的临床适用性。曾有研究提出使用机器学习方法对心磁图进行自动分类模型，这些模型大多是基于单一模型如支持向量机，直接核法或神经网络等方法实现分类功能，其分类准确度约在78％至83％左右，低于人工分类的精度。
技术实现要素：
本发明要解决的技术问题在于提供快捷高效的基于机器学习的心肌缺血预诊方法、建模系统，以及相应的存储介质及电子设备，用于解决现有心磁图的分类依靠人工和分类准确度低的问题。
为解决上述技术问题，本发明提供一种基于机器学习的心肌缺血预诊方法，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。
于本发明的一实施例中，提取所述心磁图数据的数据集之前，所述基于机器学习的心肌缺血预诊方法还包括对获取的所述心磁图数据进行滤波降噪。
于本发明的一实施例中，所述提取所述心磁图数据的数据集包括：标记所述心磁图数据的qrs-t波；对若干qrs-t波进行均值处理获取均值波形图；于所述均值波形图上标记t波波段数据，形成所述心磁图数据的数据集。
于本发明的一实施例中，所述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。
于本发明的一实施例中，对所述时域特征参数集和所述频域特征参数集分别采用支持向量机训练模型进行训练，对所述信息论特征参数集采用极限梯度推进模型进行训练。
于本发明的一实施例中，将所述多个独立的特征参数集分成用于对各所述训练模型进行训练的训练集和用于对各所述训练模型进行测试的测试集。
于本发明的一实施例中，采用十折交叉验证法对各所述训练模型进行测试验证。
于本发明的一实施例中，所述心磁图数据包括正常人的心磁图数据和心肌缺血患者的心磁图数据。
为解决上述技术问题，本发明提供一种存储介质，其中存储有计算机程序，所述计算机程序被处理器加载执行时，实现如上任一所述的基于机器学习的心肌缺血预诊方法。
为解决上述技术问题，本发明提供一种电子设备，包括：处理器、及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如上任一所述的基于机器学习的心肌缺血预诊方法。
如上所述，本发明的基于机器学习的心肌缺血预诊方法、存储介质及电子设备，具有以下有益效果：
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。
附图说明
图1显示为本发明一实施例中的基于机器学习的心肌缺血预诊方法的流程示意图。
图2显示为本发明一实施例中的基于机器学习的心肌缺血预诊方法的学习过程流程框图。
图3显示为本发明一实施例中的基于机器学习的心肌缺血预诊方法的应用实例图。
图4显示为本发明一实施例中的基于机器学习的心肌缺血预诊方法中采用不同训练模型的分类结果对比图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
针对实现对心磁图的自动分类，提高分类准确度，本实施例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，用于解决现有心磁图的分类依靠人工和分类准确度低的问题。
本实施例提供的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采用多个机器学习模型使用独立参数进行训练，再通过集成学习方法将结果整合，提高心肌缺血预测精度。经大量临床数据验证(347名正常人和227名心肌缺血患者)，本实施例可以达到准确性94.03％，查准率86.56％，和查全率97.78％，达到人工分类精度。
以下将详细阐述本发明的基于机器学习的心肌缺血预诊方法、存储介质及电子设备的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的基于机器学习的心肌缺血预诊方法、存储介质及电子设备。
如图1所示，本实施例提供一种基于机器学习的心肌缺血预诊方法，所述基于机器学习的心肌缺血预诊方法包括以下步骤：
步骤是s110，获取心磁图数据并提取所述心磁图数据的数据集；
步骤是s120，对所述数据集进行特征提取形成多个独立的特征参数集；
步骤是s130，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；
步骤是s140，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。
以下对本实施例的基于机器学习的心肌缺血预诊方法中的步骤s110至步骤s140进行详细说明。
步骤是s110，获取心磁图数据并提取所述心磁图数据的数据集。
其中，所述心磁图数据包括正常人的心磁图数据和心肌缺血患者的心磁图数据。
于本实施例中，如图2所示，包括对原始心磁图数据的预处理：提取所述心磁图数据的数据集之前，所述基于机器学习的心肌缺血预诊方法还包括对获取的所述心磁图数据进行滤波降噪。
对原始心磁图数据进行预处理，原始心磁图数据经滤波降噪，移除环境噪声和其他干扰。
于本实施例中，所述提取所述心磁图数据的数据集包括：标记所述心磁图数据的qrs-t波；对若干qrs-t波进行均值处理获取均值波形图；于所述均值波形图上标记t波波段数据，形成所述心磁图数据的数据集。
即于本实施例中，预处理阶段，原始心磁图信号经降噪、去干扰、均值等处理，得到均值后qrs-t波信号。在均值信号上，截取t波波段。
也就是说，对降噪后数据标记qrs-t波，对若干qrs-t波进行均值处理，得到均值信号，获取均值波形图，在均值波形图上标记出qrs波和t波的对应波段。
步骤是s120，对所述数据集进行特征提取形成多个独立的特征参数集。
于本实施例中，所述多个独立的特征参数集包括但不限于：时域特征参数集，频域特征参数集和信息论特征参数集。
即预处理后，进入特征参数提取阶段，基于t波波段信号提取时域、频域、信息论领域等特征参数，将所述数据集划分为若干个独立的集，作为机器学习模型的输入参数。
例如，针对所述数据集，对正常人和心肌缺血病人的t波波段分别提取时域，频域和信息论的特征参数集，形成时域特征参数集，频域特征参数集和信息论特征参数集。
步骤是s130，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。
针对不同的特征参数集，使用对应的机器学习训练模型进行训练。即用n个独立的机器学习分类训练模型，将这n个训练模型分别在n个独立的特征参数集上进行训练。
例如，于本实施例中，对所述时域特征参数集和所述频域特征参数集分别采用支持向量机训练模型进行训练，对所述信息论特征参数集采用极限梯度推进模型进行训练。
三个训练模型是相互独立的，其参数也分别根据各自对应的特征参数集进行调整。
其中，根据所述数据集的特点可以调整特征参数集和训练模型的数量n，训练模型要求各个特征参数集之间相互独立。
于本实施例中，将所述多个独立的特征参数集分成用于对各所述训练模型进行训练的训练集和用于对各所述训练模型进行测试的测试集。即将所述数据集分为训练集和测试集，使用训练集数据训练调整训练模型，使用测试集数据测试评估训练模型的性能。
于本实施例中，采用但不限于十折交叉验证法对各所述训练模型进行测试验证。例如，训练过程中，三个分类器分别使用十折交叉验证法，提高分类器鲁棒性，进而提高分类器的稳定性。
步骤是s140，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。
即将n个分类器的预测结果通过集成学习法进行整合，得到预测的最终结果。
集成学习法可以根据所述数据集的特点进行选择，包括但不限于：投票法，均值法，堆叠法，混合法等。例如采用均值法组合不同分类器的预测结果，避免过拟合问题。
以一个包括347例正常人和227例心肌缺血患者的临床心磁图数据集为应用实例。在227名患者中，包括112例不稳定心绞痛患者，47例急性心肌梗塞患者。227人均进行了冠脉造影，其中68人冠脉堵塞程度低于35％，159人冠脉堵塞程度高于35％。建立适用于该数据集的训练模型如图3所示。
针对数据集共提取了164个特征参数，其中时域特征参数集包括时域特征参数18个，频域特征参数集包括频域特征参数108个，信息论特征参数集包括信息论特征参数38个。不同机器学习模型分类结果比较如图4所示。模型5为本实施例所采用的训练模型，其分类表现(准确率，查准率，查全率和f1值)优于单一机器学习模型。
相对于传统基于时域特征参数的诊断方法，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。
本实施例提供一种存储介质和一种电子设备，由于前述实施例1中的技术特征可以应用于存储介质实施例、电子设备实施例，因而不再重复赘述。
所述存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质，其中存储有计算机程序，该计算机程序在被处理器加载执行时，实现前述实施例中基于机器学习的心肌缺血预诊方法的全部或部分步骤。
所述电子设备为包括处理器(cpu/mcu/soc)、存储器(rom/ram)的设备，例如：台式机、便携式电脑、智能手机等。特别的，该存储器中存储有计算机程序，该处理器在加载执行所述计算机程序时，实现前述实施例中基于机器学习的心肌缺血预诊方法的全部或部分步骤。
综上所述，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。所以本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施方式仅例示性说明本发明的原理及其功效，而非用于限制本发明。本发明还有许多方面可以在不违背总体思想的前提下进行改进，对于熟悉此技术的人士皆可在不违背本发明的精神及范畴下，可对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。