一种用于心脏骤停急救的心率检测与除颤装置

本公开涉及一种用于心脏骤停急救的心率检测与除颤装置。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成现有技术。

心脏泵血是血液体循环和肺循环的动力来源，是维持生命体征的根本保证。对于健康人来说，心肌细胞(窦房结)的规则性节律决定了心率与心输出量，为器官和系统的正常运行保证了充足的供血。然而，在老化引起的脏器退行性病变、高负荷工作下的作息紊乱等多种因素下，心脏泵血的节律性会发生显著改变，严重时会突发心跳骤停。目前，由心脏骤停引发的猝死已成为中国城乡居民自然死亡的首因。对于心脏骤停的患者，如何快速有效地进行心脏除颤是心脑复苏急救的重中之重，其关键在于对心脏节律性泵血功能的准确检测。因此，对于心率的准确检测，不仅能够监测患者的心脏泵血功能状态，也能更加精准地对患者进行心脏除颤，对提升心肺复苏的成功率意义重大。

当前心率检测系统和设备大多适用于静息状态下的心率检测。在心肺复苏期间，胸腔受迫性运动的干扰会对检测结果造成不可忽视的干扰。一方面，设备和人体之间的相对运动会对传感器与人的接触面产生影响，这会给心率监测造成误差；另一方面，患者在极端条件下的心跳变化较快也会对传感器的实时监测功能带来挑战。

在心脏骤停时的心动检测中，目前大多数系统都使用运动补偿算法来提高检验精度。但是由于受到传感器性能的限制，这种方法的效果并不令人满意。为了获得较高的心率检测精度，人们提出了多种算法，主要集中在感测数据的处理和分析上。例如，独立分量分析(independentcomponentanalysis，ica)和自适应噪声消除(adaptivenoisecanceling，anc)是解决该问题的两种常见方法。但是，ica忽略了心动周期信号和运动噪声之间的内部关系，而anc则没有考虑设备上的传感器之间方向的变异性。另外，以往提出的许多监测装置用于在剧烈运动期间使用多模态运动信号进行心率监测，其中包括用于降噪的信号分解，用于高分辨率频谱估计的稀疏信号重建以及频谱峰值跟踪与验证。它们实现了相对较高的精度，但是算法难以进行优化，制约了性能的提升。

技术实现要素：

基于以上的问题，本公开提出了一种针对多模态信号的心率监测与除颤装置。

第一方面，本公开提供了一种用于心脏骤停急救的心率检测与除颤装置，包括：

采集单元，用于采集动脉脉搏数据和肢体运动数据；

预处理单元，用于对动脉脉搏数据进行数据处理获得初始心电数据；

检测单元，用于将初始心电数据和肢体运动数据输入心率校正模型，经过心率校正模型的处理后得到校正后的心电数据；所述心率校正模型是基于心电数据样本的初始心电数据和肢体运动数据经过神经网络训练得到的；

除颤单元，包括除颤电极，当校正后的心电数据超出阈值时，除颤电极进行电刺激除颤工作。

与现有技术对比，本公开具备以下有益效果：

1、用于心肺复苏等剧烈运动时心率的准确检测并指导心脏除颤。该方法通过长短期记忆模型来提取多模态信号特征，从而找到其中隐藏的节律信息来消除剧烈运动对心率检测带来的影响，以此校正心率传感器的结果同时选择合适的心脏除颤时刻。

2、该系统的核心算法建立在一种长短期记忆(longshort-termmemory，lstm)模型上，该模型能基于多通道数据融合来校准检测到的心率。具体而言，本公开用来自受试者不同位置的运动学信号传感器来收集用户的不同类型的运动数据。然后，将运动数据与心动周期信号进行融合，提出并训练具有不同特征的lstm模型，以提高心率检测的准确性和时效性。通过该模型对心率的实时输出结果，控制一对电极对患者进行心脏除颤复律。本公开对心脏与呼吸骤停情况下心脑复苏急救具有重要价值。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本公开的心率检测与除颤装置结构示意图；

图2为本公开的心率检测与除颤装置的使用时示意图；

图3为本公开的长短期记忆模型的结构示意图；

图4为本公开的整体的数据结构示意图；

图5为本公开的心率检测与除颤装置使用流程图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

如图1所示，本公开提供了一种用于心脏骤停急救的心率检测与除颤装置，包括：

采集单元，用于采集动脉脉搏数据和肢体运动数据；

预处理单元，用于对动脉脉搏数据进行数据处理获得初始心电数据；

检测单元，用于将初始心电数据和肢体运动数据输入心率校正模型，经过心率校正模型的处理后得到校正后的心电数据；所述心率校正模型是基于心电数据样本的初始心电数据和肢体运动数据经过神经网络训练得到的；

除颤单元，包括除颤电极，当校正后的心电数据超出阈值时，除颤电极进行电刺激除颤工作。

具体的，除颤电极的一个电极板放置在左侧第五肋间与腋中线交界处,另一电极板放置在胸骨右缘第二肋间。

进一步的，所述采集单元包括心率传感器和运动传感器，所述心率传感器用于采集动脉脉搏数据；所述运动传感器用于采集肢体运动数据；运动传感器包括但不限于速度计、加速度计、陀螺仪和位置传感器；具体的，位于颈总动脉两侧的两个心率传感器6负责检测使用者的心脏搏动情况，并通过计算获得使用者的原始心率数据；将运动传感器7放置在测试者左右肩，两胸乳头下方以及肚脐上3cm处；体表的电极与传感器成对称位置摆放来有效地提取体表的心率与运动信号。

进一步的，所述预处理单元通过检波算法对动脉脉搏数据处理得到初始的心率值；所述预处理单元还包括低通滤波器，采用低通滤波器处理方向数据，采用巴特沃斯滤波器处理肢体运动数据，同时对初始心电数据进行去噪处理，提高数据质量。所述初始心电数据为初始心率数据，校正后的心电数据为校正后初始心率数据。

进一步的，所述心率校正模型为lstm神经网络模型，lstm神经网络模型的数据建立过程包括：选择系统的拓扑结构，输入信号后与环境互动以生成神经网络的结构，学习输出数据后确定每种信号对特征的权重分布，搭建lstm神经网络模型实现多模态的信号融合。

进一步的，所述lstm神经网络模型在其重复的神经网络模块中包含四个交互式神经网络层，从而综合多模态融合信息做出可靠预测。

进一步的，所述肢体运动数据包括运动传感器的速度，加速度和方向信息，具体从运动相关传感器中获取x，y，z三个方向的运动学信号：包括速度v，加速度a，方向d，位移s以及原始心率结果；所述心电信息包括心率信号的均值、极值和均方根参数。

进一步的，所述lstm神经网络模型能够为递归神经网络添加长序列的时间信息，适用于多变量或多输入预测，尤其能够很好地用于时间序列结果预测；lstm神经网络模块中包含四个交互式神经网络层(三个sigmoid型层和一个tanh层)，加入长期范围的信息需要定义一个新的参数，即细胞状态(cellstate)，并赋予其对应的权重。细胞状态类似于rnn的隐藏状态(hiddenstate)，随着信号序列向下传递。但是细胞状态作为一个反应长效信息的参数，其生成与传递的历史信息不易被改变，也因此具备较好的记忆力。

进一步的，还包括外壳和触摸显示屏，所述外壳一侧安装触摸显示屏，用于输入受试者的基本个人信息，并对使用者心率以及除颤状态进行反馈；

进一步的，所述壳体上还安装有心率检测与心脏除颤的指示灯，在心率实时检测的时候常亮，心脏除颤启动的时候闪亮。

进一步的，所述壳体上还安装有负责心率检测与除颤仪启动运行的开关。

进一步的，以速度信号v(t)为例来尝试训练心率校正模型，从心电数据训练样本中获取初始心电数据和肢体运动数据，将初始心电数据和肢体运动数据输入心率校正模型中，首先应当对cellstate的数值进行标定，这也是本公开所选择的lstm算法的核心：计算当前的细胞状态需要上一时刻的历史细胞状态与隐藏状态以及当前的信号输入，以此推断出当前时刻的细胞状态与隐藏状态，输出预测值。

通过sigmoid函数将实数域内的输入非线性地映射到0～1的范围内，计算得到的zf忘记门控，来控制上一个状态的cellstate哪些需要被遗忘；zi作为输入门控，来选择上一个状态的cellstate那些需要被保留到当前的cellstate；

通过tanh函数将实数域内的输入函数非线性地映射到-1～1的范围内，tanh的输出和输入能够保持非线性单调上升和下降关系，得到使用历史细胞状态ct-1结合当前信号vt所计算出的当前细胞状态ct，将长效的历史信号融合到最终的输出结果中去；

计算出结合了长效信息与短时信息的更加准确的隐藏状态，并使用sigmoid函数做最终的判据输出预测结果，获得校正后的心电数据；通过除颤单元判断校正后的心电数据是否超出阈值，若超过阈值则除颤电极进行电刺激除颤工作。

本公开将多变量的时序信号(包括心脏节律信号，速度信号，加速度信号等等)输入该lstm模型，从而依靠运动信号中的关于心率的信息来实现心率的精准预测，并将其应用到心脏除颤的控制上。在实际使用过程中，系统会收集心率数据，然后根据lstm校准检测结果。

具体的，本公开首先需要解决的是运动对传感器造成的干扰问题。本公开使用体表电极采集测试者的动脉脉搏信号，并通过数据处理和检波算法得到初始的心率值。由于本公开的组织细胞可以看作含有多种金属元素的电介质，通过此种接触式测量的方法来检测脉搏信号时，会经过电极换能，半电池电位改变，电极极化等等过程，而传感器与测试者的相对运动会对以上过程尝试难以预测的干扰。除了选用性能良好的电极材料、涂抹导电膏之外，实时监测被测者肢体部位的运动情况可以对其所造成的影响作出相应的补偿和修正。该运动信息包括但不仅限于速度信号，加速度信号，肢体方向等等，但本公开只使用以上三种运动学信号。将运动传感器放置在测试者左右肩，两胸乳头下方以及肚脐上3cm处。为了有效地提取体表的心率与运动信号，本公开将体表的电极与传感器成对称位置摆放。因此在接下来的lstm神经网络中可以借助上述的运动学信号对心率检测值的潜在影响校正传感器所测得的心率。

第二个问题是单路信号的输入往往受限于传感器的性能而且对扰动较为敏感。而多模态的信号中包含了关于运动的有效信息，但是运动是如何影响心率的检测结果以及如何利用该类型信息进行心率修正尚不清楚。因此本公开选择长短期记忆模型的神经网络来提取有关运动的特征并将其运用到心率的检测校正中去。这是因为首先神经网络具有良好的容错能力，自学习能力以及较好的适用性。其次，它还可以模拟复杂的非线性映射，满足了多传感器多模态数据融合的要求。它能够通过一定的学习算法获得知识并获得不确定的推理机制。最终实现了融合多传感器数据与神经网络的信号处理能力和自动推理功能。

选择系统的拓扑结构，输入信号后与环境互动以生成神经网络的结构，学习输出数据后确定每种信号对特征的权重分布，搭建lstm神经网络实现多模态的信号融合。信号融合算法是数据融合过程的重要基础，本公开在数据融合过程中采用了这种特殊的递归神经网络(recursiveneuralnetwork，rnn)，以便学习长效信息。此外，lstm也能适用于多变量或多输入预测，且很好地用于时间序列预测。与rnn的单个神经网络层不同，本公开采用的lstm在其重复的神经网络模块中包含四个交互式神经网络层，从而综合多模态融合信息做出可靠预测。

第三个要解决的问题是测量过程中患者个体差异对结果造成的误差。为此本公开在提取多模态信号的特征时将特征分为与运动相关的特征以及与个体相关的特征。这两种特征作为不同的信号输入该特殊的递归神经网络：其中运动特征描述测试者运动的状态，它与运动期间的心率变化密切相关；而个体相关的特征则可以提供测试者的个性化信息，将测试者与其他样本区分开来实现更好的针对性和准确性。运动特征主要包括各个运动传感器的速度，加速度和方向信息，而个人特征则是个人信息以及心率信号的均值、极值、均方根等参数。

第一部分是关于心率检测与除颤仪的结构设计，如图1所示。仪器的外壳1前侧有一块触摸屏2用于输入受试者的基本个人信息，并实时显示校准后的心率以及除颤状态。3和4分别是心率检测与心脏除颤的指示灯，3在心率实时检测的时候常亮，4在心脏除颤启动的时候闪亮。5是负责心率检测与除颤仪启动运行的开关。心率传感器6上采集到的信号传回装置内进行数据处理与特征提取，从而进一步为长短期记忆模型提供输入信号。运动传感器7所采集的运动相关的参数中是校正心率信号的关键，它蕴含了运动状态对心率影响的潜在信息，通过简单的预处理后输入lstm可以补偿心肺复苏运动对心率计算带来的干扰。当lstm校正后的心率信号出现异常危及生命时，装置会启动固定在患者身上的除颤电极进行电刺激除颤。

第二部分是信号采集与特征提取。为了增加数据的丰富度以保证去扰动的可靠性，本公开的系统能够收集不同种类型的原始数据来进行模型的构建，包括速度计，加速度计，陀螺仪，位置传感器和心率监测传感器。本公开从运动相关传感器中获取x，y，z三个方向的运动学信号：包括速度v，加速度a，方向d，位移s以及原始心率结果。然后，采用低通滤波器处理方向数据，采用巴特沃斯滤波器处理运动学数据，同时对原始数据进行去噪处理，提高数据质量。

特征提取方案在收集和预处理数据之后，本公开提取特征以进行进一步的分析和校准。本公开将特征分为两类：运动特征和个体特征。运动特征描述运动的状态，并与运动期间的心率密切相关；而个体特征则将用户与其他人区分开，用于实现更好的针对性和结果准确性。运动特征包括：三个方向上的速度信号，加速度信号以及位移信息。个体特征则包括：由心动信号计算出来的心率，极值，标准差，均方根等参数以及年龄，性别，身高，体重等基本信息。

下一步对于提取出的运动学参数，本公开将多模态的数据使用长短期记忆模型进行整合。这就是说首先要根据智能神经网络的要求和传感器数据融合的形式选择系统的拓扑结构。然后再将所有传感器的初始数据输入，并整合为输入函数的形式。将其定义为相关单元映射函数以期通过神经网络与环境之间的相互作用找到网络本身的结构中反映输入信号的统计规律。神经网络学习并了解传感器的输出数据后，确定不同信号的权重分布，最后确认信号的输入模式并将输入数据的向量转换为逻辑上的关联。

本公开所使用的lstm是一种特殊的rnn，能够为递归神经网络添加长序列的时间信息。此外，lstm同样也适用于多变量或多输入预测，尤其能够很好地用于时间序列结果预测。与rnn的单个神经网络层不同，本公开采用的lstm神经网络模块中包含四个交互式神经网络层(三个sigmoid型层和一个tanh层)。不同于传统rnn，加入长期范围的信息需要定义一个新的参数，即细胞状态(cellstate)，并赋予其对应的权重。细胞状态类似于rnn的隐藏状态(hiddenstate)，随着信号序列向下传递。但是细胞状态作为一个反应长效信息的参数，其生成与传递的历史信息不易被改变，也因此具备较好的记忆力。本公开以速度信号v(t)为例来尝试训练心率校正模型。

首先应当对cellstate的数值进行标定，这也是本公开所选择的lstm算法的核心。计算当前的细胞状态需要上一时刻的历史细胞状态(ct-1)与隐藏状态(ht-1)以及当前的信号输入，以此推断出当前时刻的细胞状态(ct)与隐藏状态(ht)，输出预测值。计算细胞状态的相关参数如下所示。

zf＝σ(wf·[ht-1,vt]+bf)(1)

zi＝σ(wi·[ht-1,vt]+bi)(2)

zo＝σ(wo·[ht-1,vt]+bo)(3)

其中zf，zi，zo分别表示不同的门控信号，用来控制信号在每一个时刻的向下传递。公式中所使用的sigmoid函数可以将实数域内的输入非线性地映射到0～1的范围内，是一种常见的训练lstm的激活函数，其计算公式如下。

w和b代表参数矩阵和向量，e^-x与为指数函数。对于历史信号，隐藏状态ht-1往往反映近期的信息，而对于在此之前的信号遗忘与记忆则分别取决于门控信号zf，zi判定。具体来说，通过计算得到的zf来作为忘记门控，来控制上一个状态的cellstate哪些需要被遗忘。类似地，zi作为输入门控，来选择上一个状态的cellstate那些需要被保留到当前的cellstate。计算结果如公式(5)所示。

ct＝zf*ct-1+zi*tanh(wc·[ht-1,vt]+bc)(5)

tanh函数是另一种常见的训练lstm的激活函数，其中e^x与e^-x均为指数函数。它被用于将实数域内的输入函数非线性地映射到-1～1的范围内。在一定程度上，减轻了sigmoid函数梯度消失的问题。tanh的输出和输入能够保持非线性单调上升和下降关系，其计算如公式(6)所示。

由此本公开就得到了使用历史细胞状态ct-1结合当前信号vt所计算出的当前细胞状态ct，这样本公开就可以将长效的历史信号融合到最终的输出结果中去，具体的计算实现如公式(7)(8)所示。

ht＝zo*tanh(ct)(7)

yt＝σ(ht)(8)

本公开使用公式(7)计算出结合了长效信息与短时信息的更加准确的隐藏状态ht，并使用sigmoid函数做最终的判据输出本公开的预测结果yt。本公开将多变量的时序信号(包括心脏节律信号，速度信号，加速度信号等等)输入该lstm模型，从而依靠运动信号中的关于心率的信息来实现心率的精准预测，并将其应用到心脏除颤的控制上。在实际使用过程中，系统会收集心率数据，然后根据lstm校准检测结果。

对于个人来说，通过收集越来越多的数据，该系统能够进一步对数据进行个性化分析，并不断训练校准模型以实现越来越好的校准性能。

长短期记忆模型实现了基于运动传感器的准确可靠的心率检测校准与心脏除颤系统。为了校准剧烈活动下的心率检测，本公开基于数据融合的方法，采用lstm训练具有不同提取特征的心率校准模型。通过选取若干组的训练集与测试集信号构建lstm后，并可在每次实验过程中根据实时信号动态调整模型。通过进一步训练校准模型或更改神经网络的架构，提取更有效的特征并提高校准模型的准确性和可靠性。

心率检测与除颤装置整体如图1所示。结构1为仪器的外壳，其前侧有一块触摸屏2用于输入受试者的基本个人信息，并对使用者心率以及除颤状态进行反馈。3和4分别是心率检测与心脏除颤的指示灯，3在心率实时检测的时候常亮，4在心脏除颤启动的时候闪亮。5是负责心率检测与除颤仪启动运行的开关。心率传感器6上采集到的信号用于计算心率及其相关的个体性特征。运动传感器7所采集的运动相关的参数用于输入lstm，补偿心肺复苏运动对心率计算带来的干扰。

心率检测与除颤装置的实际使用情况如图2所示。结构1为仪器的外壳，前侧有触摸屏2作为人机交互界面。3和4分别是心率检测与心脏除颤的指示灯。5是负责心率检测与除颤仪启动运行的开关。除去仪器的基础结构外，位于颈总动脉两侧的两枚心率传感器6负责检测使用者的心脏搏动情况，并通过计算获得使用者的原始心率数据。将运动传感器7放置在测试者左右肩，两胸乳头下方以及肚脐上3cm处。体表的电极与传感器成对称位置摆放来有效地提取体表的心率与运动信号。除颤电极8的一个电极板放置在左侧第五肋间与腋中线交界处,另一电极板放置在胸骨右缘第二肋间。

长短期记忆模型作为本公开的核心算法，其内部结构如图3所示。在使用lstm预测数据时，不同于常规的cnn算法，本公开用到两个记忆存储的单元：隐藏状态与细胞状态。隐藏状态变化较快，负责存储短时信息，而细胞状态不易发生改变，可用于存储长期信息。需要上一时刻的历史细胞状态与隐藏状态以及当前的输入信号来计算zf，zi，zo这三种不同的门控信号，从而获得当前的细胞状态。再由当前的细胞状态结合当前输入信号与历史隐藏状态判断当前的隐藏状态，完成对信号的预测。期间用到了sigmoid与tanh这两种常见且有效的lstm激活函数。

图4则包含了该装置实验过程中整体的数据结构。运动学信号与心率信号通过各自的分路提取时序信号后，经过简单的预处理即可获得丰富的特征。其中心率信号中的特征中包含着使用者的个人信息，运动学特征中则隐含了校正原始心率信号，去除运动扰动的信息。将提取出的特征输入以及预设好的lstm网络中，即可对神经网络进行训练和检验。最终，输出经过长短期记忆模型校正的实时心率数值。

图5为使用流程图。在心脏骤停急救中，每一分钟对于患者的救治都是至关重要的。首先为患者粘贴固定心率传感器，运动传感器以及心脏除颤电极片。然后输入患者的基本个人信息，开始患者的生理信号采集。将采集到的信号计算出心率后，判断患者的心脏搏动状态并决定是否予以除颤。该仪器对于心脏搏动停止的患者具有至关重要的作用，只有当操作人员认为患者不需要该仪器时，才会通过手动的方式停止心率检测和除颤。

如果有方案将心率传感器与运动传感器的固定位置调换或使用其他型号的传感器，应当视为同一发明。如果有方案将传感器固定在使用者的其他身体部位测得数据，应视为同一发明。如果有方案选择其他类型的传感器来测得运动学信号与心率信号，应当视为同一发明。如果有方案简单修改仪器装备的几何构造与外形，应当视为同一发明。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开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公开的保护范围以内。