[发明专利]一种基于混合智能算法的冠心病无创性诊断方法

说明书

技术领域

本发明涉及一种基于混合智能算法的冠心病无创性诊断方法，特别涉及一种智能计算与冠心病无创性诊断方法，属于计算机应用与医疗诊断领域。

背景技术

冠状动脉性心脏病简称冠心病。指由于脂质代谢不正常，血液中的脂质沉着在原本光滑的动脉内膜上，在动脉内膜一些类似粥样的脂类物质堆积而成白色斑块，称为动脉粥样硬化病变。这些斑块渐渐增多造成动脉腔狭窄，使血流受阻，导致心脏缺血，产生心绞痛。其对人体危害极大且并发症多，成为当今社会人类健康一大‘杀手’。

随着现代科技的迅猛发展和医学科研工作者对冠心病的深入研究和探究，则诊断冠心病的方法日臻完善。最早人们主要是根据典型的临床表现（包括症状和体征）、心肌酶学检察和心电图特征来诊断冠心病心肌梗塞和冠状动脉供血不足的。近年来，发展了许多新的检察方法和技术，如放射性核素检察、超声心动图、冠状动脉造影、心血池显像等应用于冠心病的诊断。

冠状动脉造影技术是目前唯一能直接观察冠状动脉形态的诊断方法，医学界号称其为“金标准”。但由于它是一种有创伤性的诊断技术，诊断价格相对较高，对医疗条件要求高，操作不慎可发生严重并发症甚至死亡，这就限制了这项诊断技术的广泛开展。因此，研究出一种有效、便捷的非创伤性诊断方法成为国内外众多学者研究的重中之重。

目前，冠心病的无创性诊断方法，虽然有某些智能技术，也取得了一定的进展，但在实际应用中还存在着许多诸如影响因子较多难以选择、收敛速度慢、准确率低等难题。为了更好的对冠心病进行无创性诊断，对BP神经网络算法进行改进，使用LM算法取代传统的梯度下降算法进行迭代，并和遗传算法相融合，提出混合智能算法。

发明内容

本发明的目的是提供一种基于混合智能算法的冠心病无创性诊断方法，这种方法基于混合智能优化算法，克服通常方法对初始值敏感容易陷入局部极值的弱点；极大地提高了收敛速度；减少了影响因子维数，降低了算法的计算复杂性；无创性诊断方法的结构和参数可以根据具体的训练过程来调整，实现了冠心病无创性诊断的智能化。

本发明是通过以下技术方案实现的：

（1）本次发明中，对美国克里夫兰临床基础学院公布的实际冠心病数据进行分析总结。从基础数据中，对冠心病有影响的50多个参数进行聚类分析和主成分分析法，找出对冠心病分类起决定性的主要参数。并对冠心病进行分级。在病理学上判断冠心病严重程度常依据冠状动脉狭窄最严重部位横断面的直径，由于冠状动脉狭窄导致血管管腔狭窄面积在5%及以下，无冠心病，在6%～25%为轻度冠心病；在26%～50%之间，为中度冠心病，在51%～75%之间，为重度冠心病，在76%～100%之间，为超重度冠心病。把冠心病诊断的五个等级，即无冠心病，轻度冠心病，中度冠心病，重度冠心病和超重度冠心病。

（2）将BP算法与遗传算法相结合，提出混合智能算法。先用遗传算法对网络进行训练，找到一个较优解，然后将这一结果作为BP算法中的网络初始参数再进行训练。这种方法可以提高网络的分类能力，避免结果陷入局部最优。传统BP算法在处理分类问题时，使用梯度下降算法进行迭代，收敛速度较慢通常需要几千步迭代甚至更多。混合智能算法对传统BP算法进行改进，采用L-M算法替代梯度下降算法进行迭代，由于L-M算法利用近似的二阶导数信息，比梯度法快得多，尤其当输入维数较低时，L-M优化算法表现出较高的性能，所以可以大幅提高网络收敛速度。

（3）将22个主要影响因子作为网络输入参数，对数据进行了预处理，包括去除异常值和归一化。在美国克里夫兰临床基础学院公布的实际冠心病数据中，部分数据项存在异常值。在总共的297组数据中，经过处理后，得到可用的282组数据。然后对其进行归一化处理。以消除量纲对其的影响。选取240组作为训练集，42组作为测试集。确定网络各层节点数，进行仿真训练，从而建立了冠心病无创性诊断的仿真模型。

本发明的有益效果：

本发明基于混合智能优化算法，克服通常方法对初始值敏感容易陷入局部极值的弱点；极大地提高了收敛速度；减少了影响因子维数，降低了算法的计算复杂性；无创性诊断方法的结构和参数可以根据具体的训练过程来调整，实现了冠心病无创性诊断的智能化。

附图说明

图1为本发明的混合智能算法流程示意图。

图2是本发明的混合智能算法训练曲线图。

具体实施方式

本发明的具体步骤如下：如图1和图2所示；

步骤（1）:染色体的编码