基于心电、心音信号耦合分析的冠心病评估方法及系统

1.本发明涉及生理信号分析技术领域，具体涉及基于心电、心音信号耦合分析的冠心病评估方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.冠心病是冠状动脉粥样硬化导致心肌缺血、缺氧性疾病。冠心病会导致患者生活质量严重下降、增加抑郁等其他疾病的发病率，甚至导致急性血栓、急性心肌梗死和充血性心力衰竭的发展。城乡居民疾病死亡构成必中，心血管病占首位，而冠心病是心血管疾病致死的首要原因之一，冠脉造影作为检测冠心病的金标准，因具有侵入性、非实时性和高消费性等限制了其应用范围。心电图是心脏内科医生检测冠心病的常用工具，包含人体大量电生理信息。心脏受损时心音和心律通常会发生改变，心音听诊是早期心血管疾病的重要诊断依据。两信号因其采集方便、成本低廉，具有很大的应用潜能。
4.早期研究显示，冠状动脉狭窄超过25％时可能引起血管产生湍流，进而引起心音信号的改变，但是早期冠状动脉阻滞对心电信号波形的影响很小，很容易被遗漏或误解，然而，对于严重血管阻塞(冠状动脉狭窄超过95％)，由于低血流，此时血管湍流可能会消失。单独基于心电或心音信号的冠心病严重程度风险指数评估研究较少，且达不到令人满意的效果。在自主神经系统的调节下，心脏电活动和机械活动可以在不同的时间尺度上表现出短期和长期的相关性，进行互相调控，而冠心病患者会显示出心脏机电耦合损失。但是目前并没有很好的同时联合两信号的两个或多个时间序列能更全面地分析心血管生理系统变化的方案。


技术实现要素：

5.本发明为了解决上述问题，提出了基于心电、心音信号耦合分析的冠心病评估方法及系统，联合心电、心音两信号时间序列耦合分析冠心病严重程度风险指数，能够提高冠心病严重程度风险指数评估的准确性。
6.根据一些实施例，本发明采用如下技术方案：
7.基于心电、心音信号耦合分析的冠心病评估方法，包括：
8.构建冠心病严重程度风险指数评估模型；
9.采集被测试者的心电、心音信号，并将所述心电、心音信号进行模数转换与预处理；
10.提取心电、心音信号的时间序列，将心电、心音信号时间序列自由组合，且分别提取基于心电、心音信号两时间序列组合和多时间序列组合的耦合特征；
11.对提取到的心电、心音耦合特征输入至构建好的冠心病严重程度风险指数评估模型中进行耦合特征分类并输出评估结果。
12.根据一些实施例，本发明采用如下技术方案：
13.基于心电、心音信号耦合分析的冠心病评估系统，包括：
14.模型构建模块，被配置为构建冠心病严重程度风险指数评估模型；
15.数据采集模块，被配置为采集被测试者的心电、心音信号，并将所述心电、心音信号进行模数转换与预处理；
16.数据处理模块，被配置为提取心电、心音信号的时间序列，将心电、心音信号时间序列自由组合，且分别提取基于心电、心音信号两时间序列组合和多时间序列组合的耦合特征；
17.风险评估模块，被配置为对提取到的心电、心音耦合特征输入至构建好的冠心病严重程度风险指数评估模型中进行耦合特征分类并输出评估结果。
18.根据一些实施例，本发明采用如下技术方案：
19.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于心电、心音信号耦合分析的冠心病评估方法。
20.根据一些实施例，本发明采用如下技术方案：
21.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于心电、心音信号耦合分析的冠心病评估方法。
22.与现有技术相比，本发明的有益效果为：
23.(1)本发明的一个或多个实施方式同步采集心电、心音信号，提取心电、心音信号时间序列自由组合的耦合特征，可以更深入地捕捉心脏生理信息，对冠心病严重程度风险指数予以更为准确的评估。
24.(2)本发明的一个或多个实施方式提取基于心电、心音信号两时间序列组合和多时间序列组合的耦合特征，将特征输入冠心病严重程度风险指数评估模型，根据输出评估该心电、心音耦合分析的冠心病严重程度风险指数；由于心电信号包含人体大量的电生理信息，心音信号包含人体大量的机械信息，两信号间的机电耦合分析能提供更全面的心血管生理信息变化情况，因此通过本发明提供能够得到比之前研究更好的分类性能，能够提高冠心病严重程度风险指数评估额准确性，有效提高心电、心音信号耦合分析在冠心病严重程度风险指数评估方面的应用价值。
附图说明
25.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
26.图1为本发明实施例中的系统结构示意图；
27.图2为本发明实施例中的方法实施流程图。
28.其中，1、心电、心音信号采集模块；2、a/d转换模块；3、预处理模块；4、特征提取模块；5、风险评估模块。
具体实施方式：
29.下面结合附图与实施例对本发明作进一步说明。
dti)、msampen(qti-sti)、dkl1(tpe/qti-sti)、cpsd_rm(qtc-sti)、dkl2(tpe-dti)、dkl2(tpe/qti-dti)、mfuzzyen(rri-qti-sti-dti)、mfuzzyen(qtc-tpe/qti-sti-dti)、mi(rri-sti)、msampen(rri-qtc-tpe-tpe/qti-dti)、hrenyi(tpe/qti-sti)、cpsd_isd(qtc-sti)、xfuzzyen(tpe-dti)、hrenyi(tpe/qti-dti)、dkl1(tpe/qti-dti)、msampen(qtc-tpe/qti-sti)、msampen(rri-qti-tpe-sti)、mfuzzyen(tpe-tpe/qti-dti)、mi(qti-sti)、mdisten(qtc-dti)、mscf_m(tpe-dti)、mdisten(rri-qtc-tpe-dti)、cpsd_rsd(rri-sti)、msampen(rri-sti)、mfuzzyen(rri-tpe-sti-dti)、mfuzzyen(rri-qtc-tpe-sti)、mscf_sd(tpe-sti)、mfuzzyen(tpe-sti-dti)、cpsd_im(qtc-sti)、cpsd_isd(qtc-dti)特征联合分析对重度冠心病组与疑似冠心病组识别性能较高，其中dkl2、mscf_sd、jdisten、cpsd_rm和cpsd_rsd分别表示jeffrey散度、幅值平方相干函数标准差、联合分布熵、互功率谱密度实部均值和标准差。
43.作为进一步的实现方式，所述最佳特征集中：mfuzzyen(rri-tpe-dti)、mfuzzyen(rri-qtc-tpe-sti-dti)、xfuzzyen(qtc-dti)、mfuzzyen(qtc-tpe/qti-sti-dti)、cocp_m(rri-dti)、mdisten(rri-tpe-tpe/qti-dti)、mfuzzyen(tpe-dti)、mdisten(rri-qti-dti)、xfuzzyen(qti-dti)、mscf_m(tpe-sti)、hrenyi(qti-dti)、cpsd_im(qti-sti)、msampen(rri-qti-tpe-dti)、msampen(qti-qtc-tpe-tpe/qti-dti)、mdisten(qti-qtc-dti)、mdisten(rri-qti-tpe-dti)、dkl1(rri-sti)、cocp_m(qti-sti)、jdisten(tpe-dti)、mdisten(rri-tpe-dti)、cocp_m(rri-sti)、msampen(qti-qtc-sti)、cpsd_isd(tpe/qti-sti)、msampen(rri-qti-tpe/qti-sti)、dkl1(tpe-dti)、mdisten(qti-qtc-tpe/qti-dti)、cpsd_isd(rri-dti)、mfuzzyen(qti-tpe-sti-dti)、cpsd_im(rri-dti)、mfuzzyen(rri-tpe-sti)、dkl2(rri-dti)、cpsd_rm(qtc-sti)、cocp_sd(rri-dti)、msampen(qti-tpe-tpe/qti-dti)、dkl1(qti-dti)、cpsd_isd(qtc-dti)、dkl2(tpe-dti)、mfuzzyen(qti-dti)、msampen(rri-qti-tpe/qti-dti)、mfuzzyen(rri-qtc-tpe-sti)、msampen(rri-qtc-tpe/qti-sti-dti)、mfuzzyen(rri-tpe/qti-dti)、mi(qti-sti)、cpsd_im(qtc-sti)、mscf_m(qtc-dti)、mfuzzyen(rri-qti-qtc-sti)特征联合分析对轻中度冠心病组与疑似冠心病组识别性能较高，其中cocp_sd为相干互功率标准差。
44.作为进一步的实现方式，所述模型得到最佳特征集中：mdisten(tpe-sti)、mdisten(tpe-dti)、mi(tpe-sti)、mdisten(qtc-sti)、dkl2(qti-sti)、mdisten(qti-sti)、hrenyi(qti-dti)、msampen(rri-qtc-tpe-sti)、xsampen(rri-sti)、mscf_m(qtc-sti)特征联合分析对重度冠心病组与健康组识别性能较高，其中xsampen表示互样本熵。
45.作为进一步的实现方式，所述模型得到最佳特征集中：mdisten(tpe-sti)、mdisten(tpe-dti)、dkl1(qti-sti)、mdisten(qti-sti)、dkl1(qti-dti)、mi(tpe-sti)、dkl2(qti-sti)、mdisten(rri-qtc-dti)、mi(rri-dti)、cpsd_isd(qti-dti)、hrenyi(tpe-sti)、mdisten(tpe-sti-dti)、dkl2(qti-dti)、msampen(qti-dti)、dkl1(tpe-sti)、hrenyi(qtc-sti)、mi(tpe/qti-sti)、cpsd_im(qti-sti)、cpsd_im(tpe/qti-sti)、mdisten(qti-qtc-dti)、xfuzzyen(rri-sti)、hrenyi(tpe/qti-sti)、hrenyi(rri-sti)、msampen(qtc-dti)、mdisten(qti-dti)、mdisten(qtc-dti)、cpsd_isd(qtc-dti)、mfuzzyen(rri-qti-dti)、dkl1(tpe-dti)、mdisten(rri-qti-qtc-dti)、mscf_m(qti-dti)、msampen(rri-qti-tpe-sti)、cpsd_im(qtc-sti)、msampen(qti-qtc-dti)特征联合分析对轻中度冠心病组与
健康组识别性能较高。
46.作为进一步的实现方式，所述模型得到最佳特征集中：mdisten(tpe-sti)、mdisten(tpe-dti)、dkl1(qti-sti)、mdisten(tpe-sti-dti)、msampen(qti-qtc-dti)、mdisten(qti-sti)、dkl1(tpe-sti)、dkl1(tpe-dti)、hrenyi(qtc-sti)、mi(qti-sti)、dkl2(qti-sti)、msampen(qtc-dti)、mi(tpe-sti)、mdisten(qti-dti)、mi(rri-dti)、msampen(qti-dti)、dkl2(tpe-sti)、mscf_m(tpe/qti-dti)、msampen(rri-qti-qtc-dti)、mdisten(qti-sti-dti)、hrenyi(tpe/qti-sti)、cpsd_im(tpe/qti-sti)、dkl1(qti-dti)、mscf_m(tpe-dti)特征联合分析对疑似冠心病组与健康组识别性能较高。
47.s12：根据特征选择结果构建特征集，以机器学习的方法训练分类器，获得冠心病严重程度风险指数评估模型，通过将特征集输入冠心病严重程度风险指数评估模型，得到冠心病严重程度风险指数评估模型的输出结果，根据输出结果评估冠心病风险指数，其中冠心病严重程度指根据冠状动脉狭窄程度划分为：重度冠心病组(≥70％)、轻中度冠心病组(30％～69％)、疑似冠心病组(《30％)、健康组；并使用k折交叉验证法对结果进行验证。
48.在步骤s102中，提到将所述心电、心音信号进行模数转换与预处理，所述预处理的过程为：对模数转换后的信号进行滤波和重采样，滤波方式为对心电、心音信号分别采用二阶巴特沃斯带通滤波器和巴特沃斯高通滤波器去除噪声，同时去除工频干扰。
49.具体的，分别采用带通频段为0.05-75hz的二阶巴特沃斯带通滤波器和截止频率为20hz的巴特沃斯高通滤波器去除噪声，同时去除50hz的工频干扰。
50.在步骤s103中，所述提取基于心电、心音信号两时间序列组合和多组时间序列组合耦合特征的步骤为：
51.s20：对心电信号的rr间期、qt间期、矫正的qt间期、t波下降时间、t波下降时间与qt间期的比值与心音信号的收缩间期、舒张间期时间序列进行两两组合计算互样本熵、互模糊熵、联合分布熵、kl距离、jeffrey散度和瑞利熵的互熵类耦合特征；
52.s21：对心电信号与心音信号的多个时间序列进行两两组合计算互信息、幅值平方相干函数、互功率谱密度和相干互功率的非熵类耦合特征；
53.s22：对心电信号与心音信号的多个时间序列进行多时间序列自由组合计算多变量样本熵、多变量模糊熵和多变量分布熵的多变量熵类耦合特征。
54.具体的，：所述提取的耦合特征包括基于心电、心音信号两时间序列组合和多时间序列组合的互熵、非熵、多变量熵特征。
55.其中，提取两时间序列和多组时间序列组合包含以下序列：
56.rri-sti、qti-sti、qtc-sti、tpe-sti、rri-dti、qti-dti、qtc-dti、tpe-dti、tpe/qti-sti、tpe/qti-dti、rri-sti-dti、qti-sti-dti、qtc-sti-dti、tpe-sti-dti、rri-qti-sti、rri-qtc-sti、rri-tpe-sti、qti-qtc-sti、qti-tpe-sti、qtc-tpe-sti、rri-qti-dti、rri-qtc-dti、rri-tpe-dti、qti-qtc-dti、qti-tpe-dti、qtc-tpe-dti、rri-tpe/qti-sti、qti-tpe/qti-sti、qtc-tpe/qti-sti、tpe-tpe/qti-sti、rri-tpe/qti-dti、qti-tpe/qti-dti、qtc-tpe/qti-dti、tpe-tpe/qti-dti、tpe/qti-sti-dti、rri-qti-sti-dti、rri-tpe-sti-dti、rri-tpe-sti-dti、qti-qtc-sti-dti、qti-tpe-sti-dti、qtc-tpe-sti-dti、rri-qti-qtc-sti、rri-qti-tpe-sti、rri-qtc-tpe-sti、qti-qtc-tpe-sti、rri-qti-qtc-dti、rri-qti-tpe-dti、rri-qtc-tpe-dti、qti-qtc-tpe-dti、rri-tpe/qti-sti-dti、qti-tpe/
qti-sti-dti、qtc-tpe/qti-sti-dti、tpe-tpe/qti-sti-dti、rri-qti-tpe/qti-sti、rri-qtc-tpe/qti-sti、rri-tpe-tpe/qti-sti、qti-qtc-tpe/qti-sti、qti-tpe-tpe/qti-sti、qtc-tpe-tpe/qti-sti、rri-qti-tpe/qti-dti、rri-qtc-tpe/qti-dti、rri-tpe-tpe/qti-dti、qti-qtc-tpe/qti-dti、qti-tpe-tpe/qti-dti、qtc-tpe-tpe/qti-dti、rri-qti-qtc-sti-dti、rri-qti-tpe-sti-dti、rri-qtc-tpe-sti-dti、qti-qtc-tpe-sti-dti、rri-qti-qtc-tpe-sti、rri-qti-qtc-tpe-dti、rri-qti-tpe/qti-sti-dti、rri-qtc-tpe/qti-sti-dti、rri-tpe-tpe/qti-sti-dti、qti-qtc-tpe/qti-sti-dti、qti-tpe-tpe/qti-sti-dti、qtc-tpe-tpe/qti-sti-dti、rri-qti-qtc-tpe/qti-sti、rri-qti-tpe-tpe/qti-sti、rri-qtc-tpe-tpe/qti-sti、qti-qtc-tpe-tpe/qti-sti、rri-qti-qtc-tpe/qti-dti、rri-qti-tpe-tpe/qti-dti、rri-qtc-tpe-tpe/qti-dti、qti-qtc-tpe-tpe/qti-dti、rri-qti-qtc-tpe-sti-dti、rri-qti-qtc-tpe/qti-sti-dti、rri-qti-tpe-tpe/qti-sti-dti、rri-qtc-tpe-tpe/qti-sti-dti、qti-qtc-tpe-tpe/qti-sti-dti、rri-qti-qtc-tpe-tpe/qti-sti、rri-qti-qtc-tpe-tpe/qti-dti、rri-qti-qtc-tpe-tpe/qti-sti-dti；
57.然后分别计算每种时间序列组合的耦合特征，其中rri、qti、qtc、tpe、tpe/qti分别表示心电信号的rr间期、qt间期、矫正的qt间期、t波下降时间、t波下降时间与qt间期的比值，sti、dti表示心音信号的收缩间期、舒张间期。
58.进一步的，在步骤s20中，计算得到心电、心音两信号任意时间序列组合的互样本熵和互模糊熵的过程为：
59.1)分别获取心电、心音信号的时间序列，并减去均值除以标准差进行归一化；
60.2)将上述步骤中得到的序列进行状态空间重构，分别构造下列向量xm(i)和ym(j)；m是重构维数；
61.xm(i)＝[x(i),x(i+τ),...,x(i+(m-1)τ)],1≤i≤n-mτym(j)＝[y(j),y(j+1),...,y(j+(m-1)τ)],1≤j≤n-mτ
[0062]
3)定义两向量间的距离d为
[0063]
4)计算
[0064][0065]
若计算互样本熵，则若计算互模糊熵，则
[0066]
5)m自增1，重复2)到4)，获得b
(m+1)
(r)；根据a()的不同分别求取互样本熵和互模糊熵：
[0067][0068]
进一步的，计算得到心电、心音两信号任意时间序列组合的联合分布熵的过程为：
[0069]
1)分别获取心电、心音信号的时间序列，并进行归一化；
[0070]
2)对归一化后的序列进行状态空间重构，
[0071][0072]
3)其中，3)其中，为嵌入维度，为延迟系数，
[0073]
构建联合距离矩阵：
[0074][0075]
其中，j为全一矩阵，为距离矩阵。
[0076]
4)概率密度估计；利用直方图估计联合距离矩阵jd中所有元素的经验概率密度函数(epdf)(除主对角线外)，利用doane’s公式获取最优参数b值。
[0077]
5)联合分布熵的定义如下：
[0078][0079]
其中，p
t
为每个直方图的概率。
[0080]
进一步的，计算得到心电、心音两信号任意时间序列组合的kl距离的过程为：
[0081]
1)分别获取心电、心音信号的时间序列，并进行归一化；
[0082]
2)对两时间序列概率k∈z,
[0083]
p(k)＝{p|p＝{pk},pk》0,k∈k,∑
k∈k
pk＝1}
[0084]
q(k)＝{q|q＝{qk},qk》0,k∈k,∑
k∈k
qk＝1}
[0085]
其中p、q分别为两时间序列的概率密度函数；
[0086]
3)kl距离(dkl1)定义为：
[0087]
[0088]
4)此外，经验导出的jeffrey散度是kl距离的一种修正，在噪声和直方图箱的大小方面具有数值稳定性、对称性和鲁棒性。jeffrey散度(dkl2)定义如下：
[0089][0090]
其中
[0091]
进一步的，计算得到心电、心音两信号任意时间序列组合的瑞利熵的过程为：
[0092]
1)分别获取心电、心音信号的时间序列，并进行归一化；
[0093]
2)首先将两个时间序列转换为符号序列：
[0094]
x＝{[xn,yn]
t
}
n＝0,1...
x∈r
[0095]
3)将符号序列转换成长度为3的符号序列短单词：
[0096][0097][0098]
阈值r为0.25
×
sd(时间序列标准差)；根据单词分布密度矩阵估计每个单词出现的归一化联合概率pi；
[0099]
4)瑞利熵(α＝0.25)定义如下：
[0100][0101]
其中α为阶参数，当α取不同值时对应着不同的信息度量函数；
[0102]
进一步的，计算得到心电、心音两信号任意时间序列组合的互信息的过程为：
[0103]
1)对两个时间序列x(i)和y(i)，1≤i≤n，互信息定义为：
[0104]
i(x,y)＝h(x)+h(y)-h(x,y)
[0105]
其中，h(x)和h(y)分别代表边缘分布p
x
(i)和py(i)的香农熵，h(x,y)代表联合分布p
xy
(i,j)的香农熵。
[0106]
进一步的，计算得到心电、心音两信号任意时间序列组合的幅值平方相干函数的过程为：
[0107]
1)对于两个时间序列x(i)和y(i)，1≤i≤n，幅值平方相干函数计算定义如下，
[0108][0109]
其中，n为时间序列长度，p
xx
和p
yy
分别是x(i)和y(i)的功率谱密度估计，p
xy
是x(i)和y(i)的互功率谱密度估计。
[0110]
进一步的，计算得到心电、心音两信号任意时间序列组合的互功率谱密度的过程为：
[0111]
1)对两个时间序列x(i)和y(i)，1≤i≤n，定义互功率谱密度为
[0112]sxy
＝《xy
*
》＝《a
xay cos(δφ
xy
)+ja
xay sin(δφ
xy
)》
[0113]
其中，*代表共轭复数，《》代表求期望，x，y分别为x(i)和y(i)的傅里叶变换，δφ
xy
代表特定频率下的x，y的相位差，a
x
和ay分别代表x，y在特定频率下的幅值。
[0114]
2)cpsd_r、cpsd_i分别为互功率谱密度实部、虚部的绝对值。
[0115]
cpsd_r(s
xy
)＝|real(s
xy
)|＝|《a
xay sin(δφ
xy
)》|
[0116]
cpsd_i(s
xy
)＝|imag(s
xy
)|＝|《a
xay sin(δφ
xy
)》|
[0117]
在本实施例中，计算得到心电、心音两信号任意时间序列组合的相干互功率的过程为：
[0118]
1)在给定的频率下，两信号都有较大的振荡幅度时，这两个信号的耦合可以通过计算互功率来测量。给定频率下的两个振荡相互同步(即它们保持恒定的相位关系)时，这种效应可以通过计算这些信号的相干性来评估。因此使用相干性和互功率的乘积来衡量这两种效应。
[0119]
在本实施例中，计算得到心电、心音两信号任意时间序列组合的多变量样本熵与多变量模糊熵的过程为：
[0120]
1)分别获取心电、心音信号的时间序列，并进行归一化；
[0121]
2)对归一化后δ时间序列{x
p,i
},(1≤p≤δ,1≤i≤n)，选取重构维数{m
p
},(1≤p≤δ)，构建重构向量：
[0122][0123][0124]
其中，n为序列长度；
[0125]
3)计算复合向量间的距离d和b：
[0126]
[0127][0128][0129]
若计算多变量样本熵，则若计算多变量模糊熵，则
[0130]
4)m加一，重复2)和3)，因为对向量加一有δ种实现方式，因此可以得到δ(n-n)个复合向量，进而可得：
[0131][0132]
5)定义多变量样本熵和多变量模糊熵为：
[0133][0134]
在本实施例中，计算得到心电、心音两信号任意时间序列组合的多变量分布熵的过程为：
[0135]
1)分别获取心电、心音信号的时间序列，并进行归一化
[0136]
2)对归一化后δ时间序列{x
p,i
},(1≤p≤δ,1≤i≤n)，选取重构维数{m
p
},(1≤p≤δ)，同多变量样本熵相同模式构建重构向量和距离矩阵
[0137][0138]
3)定义多变量距离矩阵:
[0139][0140]
即的几何平均数；
[0141]
4)根据epdf的数值估计方法，估计中除主对角线(i＝j)外所有元素的epdf，记作pk(1≤k≤b)；
[0142]
5)定义多变量分布熵为：
[0143][0144]
其中b取128。
[0145]
本实施例提取基于心电、心音信号两时间序列组合和多时间序列组合的耦合特征，经过特征筛选后，将特征输入心电、心音信号耦合分析分类模型，根据输出类别提供冠心病严重程度检测方面的信息参考。
[0146]
进一步的，所述心电、心音信号耦合分析分类模型获取的方法为：
[0147]
首先提取心电、心音耦合特征，并对心电、心音耦合特征进行特征选择，得到特征选择结果；根据特征选择结果构建特征集，以机器学习方法训练分类器，获得冠心病严重程度风险指数评估模型。
[0148]
具体的，在本实施例中，提取的耦合特征包括互熵、非熵、多变量熵等基于心电、心音信号两时间序列组合和多时间序列组合的特征；对耦合特征进行特征选择，得到特征选择结果；根据特征选择结果构建特征集，以机器学习方法为分类器训练并获得心电、心音信号耦合评估模型。
[0149]
实施例2
[0150]
本发明的本实施例中提供一种基于心电、心音信号耦合分析的冠心病评估系统，包括：
[0151]
模型构建模块，被配置为构建冠心病严重程度风险指数评估模型；
[0152]
数据采集模块，被配置为采集被测试者的心电、心音信号，并将所述心电、心音信号进行模数转换与预处理；
[0153]
数据处理模块，被配置为提取心电、心音信号的时间序列，将心电、心音信号时间序列自由组合，且分别提取基于心电、心音信号两时间序列组合和多时间序列组和的耦合特征；
[0154]
风险评估模块，被配置为对提取到的心电、心音耦合特征输入至构建好的冠心病严重程度风险指数评估模型中进行耦合特征分类并输出评估结果。
[0155]
作为进一步的实现方式，所述数据采集模块包括心电、心音信号检测模块和冠心病严重程度风险指数评估模型生成模块，心电、心音信号检测模块包括多个传感器，每个传感器均与放大滤波器相连，对采集的信号进行预处理。
[0156]
所述冠心病严重程度风险指数评估模型在冠心病严重程度风险指数评估模型生成模块中生成。
[0157]
实施例3
[0158]
本发明的本实施例中提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的基于心电、心音信号耦合分析的冠心病评估方法步骤。
[0159]
实施例4
[0160]
本发明的本实施例中提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的基于心电、心音信号耦合分析的冠心病评估方法步骤。
[0161]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0162]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0163]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。