CN119423779A 一种基于机器学习的心梗辅助预测方法 （北京大学第三医院（北京大学第三临床医学院））

本发明提供了一种基于机器学习的心梗辅记录分析系统采集每个目标患者在不同体位下电图进行体位分类，并提取每个体位分类下的集对机器学习模型进行学习以及基于预测集对2步骤2：对所有目标患者的所有当下心电图进行体位分类，并提取每个体位分类下的确定心电记录分析系统采集过程中涉及到的采集部件，并从部对所述心电记录分析系统中的每个采集部件进行部件测试，得到对应分析所述横向振动离散谱与标准横向谱的第一相关系数以及所述纵向振动离散谱与;基于所述心电记录分析系统中每个采集部件的部件权重、可能噪;3声标定带的噪声类型存在一致的采集部件的数量；ban表示第i1个存在一致的采集部件的部件权重；pa表示变量函数；zbu表示第i1个存在一致的采集部件的噪声补偿系数；根据每个噪声标定带对应的噪声权重以及初始占比，得到对应噪声标定带的消除系若所有消除系数都小于预设系数，则对所有消除系数进行大小从噪声消除数据库中筛选与所述第一标定带的噪声类型一致的噪声;xa表示第q个噪声标定带的消除系数；表示第q个噪声标定带的初始占比；获取单一体位以及组合体位对应的体位表述，并从所有当下提取同个体位分类下每个心电图的时域特征、频域特征以及非线性以所述显著特征集中的每个显著特征为基础且结合将所述目标患者的患者属性映射46.根据权利要求1所述的基于机器学习的心梗辅助预测方法，其特征在于，将所有体基于所捕捉的每个目标患者在进行单一体位采集之前的问卷调查结果以及在单一体位采集过程中的动作捕捉视频，确定对应目标患者在相应单一体位采集下的行为波动系根据体位分类对涉及到的所有行为波动系数进行归属处理，且结合采集所述动作捕捉视频中的行为动作集，其中，所述行为动作集包将每个独立行为动作的最大幅度动作姿态与心率影响姿态集进行对否则，锁定所述最大幅度动作姿态的产生时间点否则，基于每个其余动作姿态与所述最大幅度动基于每个独立行为动作的影响系数、不同独立行为动作之间从问卷调查结果中提取采集前的行为影响因子，并对所述初始波动系数进行优采集所述预测集中的每个预测样本输入到学习后的机器学习模型得到从误差向量中锁定误差绝对值小于预设误差值所对应的第一样本，并将分析对应第二样本与每个第一样本的相似系数构建对所述相似序列进行相似等级划分，并将属于高等级的第一样本进提取所述第四样本与对应第二样本的差异特征，并按照所述差异特5若所述第三样本为多个，此时，对所有第三样本进行同个子特征基于每个第二样本得到新样本继续对机器学习模6[0001]本发明涉及机器学习技术领域，特别涉及一种基于机器学习的心梗辅助预测方位和呼吸状态下的变化复杂，现有的机器学习模型难以有效捕捉这些复杂的时间动态特7分析所述横向振动离散谱与标准横向谱的第一相关系数以及所述纵向振动离散离散谱与标准横向谱的信号方差；为基于纵向振动离散谱与标准纵向谱的信号方差；8噪声标定带的噪声类型存在一致的采集部件的数量；bq表示第i1个存在一致的采集部噪声类型一致的噪声设定权重；zba表示第i1个存在一致的采带的噪声类型一致的噪声产生概率；表示所有buzpu的方差；a1表示设定概率；声标定带的横向宽度值；zz表示所述"导联心电图的横向宽度以所述显著特征集中的每个显著特征为基础且结合将所述目标患者的患者属性基于所捕捉的每个目标患者在进行单一体位采集之前的问卷调查结果以及在单9动作姿态与最大幅度动作姿态进行动作连贯采集所述预测集中的每个预测样本输入到学习后的机器学习模型得到的输出结分析对应第二样本与每个第一样本的相似系数构建基于每个第二样本得到新样本继续对机器学习模通过分析体位变化下的短时HRV特征，进而利用机器学习方法建立心梗患者的预的连续差异的标准差是HRV的主要长期提取特征。HRV的短期特征包括彼此相差超过50ms的一个几何域特征triangular_index。分析所述横向振动离散谱与标准横向谱的第一相关系数以及所述纵向振动离散离散谱与标准横向谱的信号方差；为基于纵向振动离散谱与标准纵向谱的信号方差；噪声标定带的噪声类型存在一致的采集部件的数量；表示第i1个存在一致的采集部件的部件权重pa表示变量函数；zbu表示第i1个存在一致的采集部件的噪声补偿系数；表示所有zhu的方差；bu表示第i1个存在一致的采集部件下与第q个噪声标定带的噪声类型一致的噪声设定权重；zpa表示第i1个存在一致的采集部件下与第q个噪声标定带的噪声类型一致的噪声产生概率；表示所有burmu的方差；a1表示设定概率；对该心电图中存在的噪声分分析结果为样本对神经网络模型训练得到[0050]该实施例中，振动离散谱可以是采用[0061]本发明提供一种基于机器学习的心梗辅助预测方法，提取每个体位分类下的HRV以所述显著特征集中的每个显著特征为基础且结合将所述目标患者的患者属性在统计学上具有显著性的HRV特征。这些显著特征可以为后续的心梗检测和诊断提供重要基于所捕捉的每个目标患者在进行单一体位采集之前的问卷调查结果以及在单动作姿态与最大幅度动作姿态进行动作连贯[0073]该实施例中，一个独立行为动作的动作时间点是包含若[0074]该实施例中，最大幅度动作姿态指的是该独立行为动作在每个时间点的动作轮[0082]该实施例中，所有时间衔接关系的关系方差=所有时间衔接关系下的交集时间点[0083]所有动作交融衔接关系的关系方差=所有动作交融关系下的交集动作轮廓长度/采集所述预测集中的每个预测样本输入到学习后的机器学习模型得到的输出结分析对应第二样本与每个第一样本的相似系数构建基于每个第二样本得到新样本继续对机器学习模[0088]该实施例中，误差向量={每个实际HRV特征与对应的预测HRV特征的数值差绝对