一种与rr间期无关的房颤自动检测方法
【技术领域】
[0001] 本发明涉及心电信号自动检测与分析方法，具体的说是一种与RR间期无关的房颤 自动检测方法。
【背景技术】
[0002] 心房颤动(Atrial fibrillation，AF)简称房颤，是临床最常见的一种持续性心律 失常疾病。房颤时部分血液在心房停留时间过长，易激活凝血系统形成血栓，进而诱发脑卒 中；且心房丧失栗血功能，减少心室充盈，不利于机体循环代谢;同时可能诱发心室率加快， 干扰心室栗血功能，加重心肌损伤。房颤具有突发性，并且可能没有临床症状，患者难以察 觉，所以研究自动房颤检测算法，从而能对房颤患者进行监控，具有重要的临床和社会意 义。
[0003] 房颤发生时，心电图主要表现出两类特征：（1)RR间期不规则；（2)P波消失，代之以 连续不规则的f波。第二类特征也被称为心房活动特征。在房颤检测算法研究的早期阶段， 很多学者基于RR间期特征检测房颤。但是这类方法存在较大的局限性。首先，一些其它类型 的心率失常疾病也可能导致RR间期呈现不规则变化，易与房颤混淆。其次，一些患者在治疗 期间，可能在房颤发作时不出现RR间期不规则特征。所以基于心房活动特征构建与RR间期 无关的房颤检测方法具有重要的应用价值。
[0004] 现有的一类典型的基于心房活动特征的房颤检测方法是基于一个包含很多个RR 间期的心电信号进行的。这类方法首先消除QRS波群，然后提取心房活动特征，并且进行分 类。这类方法的缺陷是虽然消除了QRS波群，但是RR间期特征还存在于剩余的信号中，所以 它们不是真正与RR间期无关的。另一类方法是基于一个RR间期内的ECG信号检测房颤。这类 方法中大多数需要准确地检测P波，而P波检测问题至今不能妥善解决。
【发明内容】
[0005] 本发明的目的是提供一种真正与RR间期无关的房颤自动检测方法，以解决现有方 法不能真正剔除RR间期特征或无法准确检测P波的问题。
[0006] 本发明的目的是按照下述的技术方案实现的：
[0007] -种与RR间期无关的房颤自动检测方法，包括以下步骤：
[0008] a)获取人体ECG信号，采用小波阈值法滤波，然后检测R波波峰；
[0009] b)对于每个R波波峰，检测其所在QRS波群的起点和终点，将检测出的QRS波群从小 波阈值法滤波后的ECG信号中去除，得到若干分离的数据段，采用傅立叶插值算法将每个数 据段归一化为一个128字节的向量Xi(n)，n=l，2，'"，128;
[0010]
计算向量Xi(n)，n=l，2,…，128及其前一个 向量Xi-ι(η)，n=l，2,…，128之间的相干谱，得到一个32字节的底层特征向量Ci,i-1( ωη)，n =1,2，…，32;
[0011]
中：Si，i( ωη)，n=l，2,…，32表示Xi(n)，n = 1，2，···，128的功率谱；Si-υ-ΚωΟ,ηζΙ，2，···，32表示Xi-411),11 = 1,2,…，128的功率谱； Si,i-= 1，2，···，32 表示 Xi(n)，n=l，2,…，128 与 Xi-411),11=1,2,..., 128 的交叉谱； [0012] d)对步骤b)所得向量父1(1〇，11 = 1，2，."，128进行差分运算，得到一个长度为127字 节的向量Ui(n)，n=l，2,…，127;将向量Ui(n)，n=l，2,…，127分成相互重叠的、长度均为64 字节的三段，然后对每段进行傅立叶变换，共得到三个均为64字节的频域向量，取各频域向 量的前32个字节的幅值并按顺序合并，得到一个包含96字节的底层特征向量Fi(co n)，n = l， 2，…，96;
[0013] 其中，所述将向量仏(11)，11 = 1，2，一，127分成相互重叠的三段具体是:第一段的起 始点为Ui(l)，终止点为Ui(64);第二段的起始点为Ui(33)，终止点为Ui(96);第三段的起始 点为IM64)，终止点为IM127);
[0014] e)然后采用卷积神经网络分别对步骤c)所得底层特征向量 2，···，32和步骤d)所得底层特征向量Fi( ωη)，η=1，2，··· ,96进行分类：
[0015] 所采用卷积神经网络均包含两个隐含层，每个隐含层均包含一个卷积层和一个池 化层;所述卷积神经网络的最上层为softmax分类器，其包含两个输出层节点，分别对应于 房颤心拍和非房颤心拍；
[0016] e-Ι)采用卷积神经网络对步骤c)所得底层特征向量 行分类，将与底层特征向量(：1,1-1(?")，11 = 1，2，~，32对应的心拍分类为房颤心拍和非房颤 心拍；
[0017]6-2)采用卷积神经网络对步骤(1)所得底层特征向量卩1(〇11)，11=1，2，'"，96进行分 类，将与底层特征向量?1(?1〇，11=1，2，~，96对应的心拍分类为房颤心拍和非房颤心拍；
[0018] f)采用投票法融合K个心拍内步骤e-ι)和步骤e-2)的分类结果，共有2*K个分类结 果，统计其中标号房颤出现的次数并记为m，如果m2 Κ，则将包含该Κ个心拍的ECG信号分类 为房颤，否则将其分类为非房颤;其中，K取值为7~19。
[0019] 本发明的方法中，增大步骤f)中的K值可以提高房颤检测的正确率，但同时会增大 算法的响应时间并且降低对房颤发生位置检测的精度。K取值为7~19时，这样既能具有较 高的正确率，又能够在短时间内迅速检测到房颤，并且将房颤发生位置精确到19个心拍以 内。
[0020]具体的，步骤e-Ι)的计算过程是：
[0021]①将长度为32字节的底层特征向量(：^-1(?11)，11=1，2，-_，32作为卷积神经网络 的第一卷积层的输入向量，得到3个长度为28字节的输出向量，第一卷积层的输入向量与其 每个输出向量之间对应一个长度为5的卷积核3 ;第一卷积层的3个输出向量的 每个分量的计算公式为：
[0022]
^ fi?.,表不第一卷积层输出的第j个向量的第m个分量， Cn+H表示第一卷积层的输入向量的第η+m-l个分量，表示卷积核巧的第η个分量， 为第一卷积层第j个输出向量的偏置参数的第m个分量；
[0023] ②第一池化层中的池化运算采用平均运算，尺度参数设置为2,即其输入向量中每 2个点的平均值池化为其输出向量中一个数据点；
[0024] 将第一卷积层的3个输出向量作为第一池化层的输入向量，得到由第一池化层输 出的3个长度为14字节的向量，第一池化层的3个输出向量的每个分量的计算公式为：
[0025] 其中表不第一池化层输出的第j个向量的第m个分量，表不第一个卷 积层输出的第j个向量的第2 (m-1 )+n个分量；
[0026] ③将第一池化层的3个输出向量作为第二卷积层的输入向量，得到3个长度为10字 节的向量，第二卷积层的每个输入向量与其每个输出向量之间对应1个长度为5的卷积核 = 1，2,3, / = 1又3，第二卷积层的3个输出向量的每个分量的计算公式为：
[0028] 其中，表不第二卷积层输出的第j个向量的第m个分量，= 表不第 一池化层的第i个输出向量的第η+m-l个分量，表示卷积核R2,的第n个分量，为第 二卷积层第j个输出向量的偏置参数的第m个分量；
[0029] ④第二池化层中的池化运算采用平均运算，尺度参数设置为2,即其输入向量中每 2个点的平均值池化为其输出向量中一个数据点；
[0030] 将第二卷积层的3个输出向量作为第二池化层的输入向量，得到由第二池化层输 出的3个长度为5字节的向量，第二池化层的3个输出向量构成向量〇 2;
[0031] ⑤然后采用softmax分类器进行分类：
[0032] softmax分类器的输出层节点的计算公式为：
[0033] 其中，yi表示第i(i = l，2)个节点的输出，4 = 〇_(的（'+<)，〇2表示第二池化层 的3个输出向量构成的向量，r/表示第i(i = l，2)个节点的权重系数向量，纪表示输出层第 i(i = l，2)个节点的偏置参数；
[0034]经过以上步骤①~⑤的计算，实现将与底层特征向量Ci,i-i( ωη)，n = l，2,…，32对 应的心拍分类为房颤心拍和非房颤心拍。
[0035]具体的，步骤e_2)的计算过程是：
[0036]⑥将长度为96字节的底层特征向量?1(?1〇，11=1，2，-_，96作为卷积神经网络的第 一卷积层的输入向量，得到3个长度为92字节的输出向量，第一卷积层的输入向量与其每个 输出向量之间对应一个长度为5的卷积核= 1,2,3;第一卷积层的3个输出向量的每个 分量的计算公式为：
[0037]
表不第一卷积层输出的第j个向量的第m个分量， cn+m-1表不第1层输入向量的第n+m-1个分量，wk.表不卷积核Μ的第η个分量，为第一 卷积层第j个输出向量的偏置参数的第m个分量；
[0038] ⑦第一池化层中的池化运算采用平均运算，尺度参数设置为2,即其输入向量中每 2个点的平均值池化为其输出向量中一个数据点；
[0039] 将第一卷积层的3个输出向量作为第一池化层的输入向量，得到由第一池化层输 出的3个长度为46字节的向量，第一池化层的3个输出向量的每个分量的计算公式为：
[0041]其中,,,表不第一池化层输出的第j个向量的第m个分量，表不第一个卷 积层输出的第j个向量的第2 (m-1 )+n个分量；
[0042]⑧将第一池化层的3个输出向量作为第二卷积层的输入向量，得到3个长度为42字 节的向量，第二卷积层的每个输入向量与其每个输出向量之间对应