本发明涉及一种基于人工神经网络的房颤检测算法。
背景技术:
技术实现要素:
本发明的目的是
实现本发明目的的技术方案是基于人工神经网络的房颤检测算法,包括以下步骤:
s1:获取心电数据;
s2:对所有的心电数据进行r峰检测,标注出心电波形中的r峰;
s3:计算出r-r间期,相应的r-r间期熵,作为时域特征集a;
s4:对心电波形进行小波变换,在变换后的8.7~15.6hz频段的数据波形中,对每个心搏的波形挑选多个特征点做p波数据提取,作为频域特征集b;
s5:构建一个人工神经网络,将时域特征集a和频域特征集b中的所有特征作为输入,由人工神经网络输出是否为房颤的判断。
所述s3步中,时域特征集a的获得方法为:
s3.1:对心电波形中的相邻的r峰计算r-r间期熵;
s3.2:对s3.1中的r-r间期熵计算一阶差分熵;
s3.3:计算r-r间期熵和一阶差分熵的交叉熵,将该交叉熵定义为x。
所述s5步中,输入的时域特征集a为ex或者x和ex。
所述s4步中,频域特征集b的获得方法为:在8.7~15.6hz频段的数据波形中,在每个r峰左侧挑选多个特征点,判断是否有p波。
计算挑选的每个特征点与r峰之间的熵,将该熵定义为y。
所述s5步中,输入的频域特征集b为:不少于两个y。
所述s5步中,人工神经网络包含一层隐含层,至少2个神经元。
采用了上述技术方案后,本发明具有以下的积极的效果:(1)房颤和正常的心跳不同,而且持续时间长,它的两个典型特点就是乱以及p波消失,本发明分别用r-r熵和小波变换后的特定频段来分析p波,能够非常准确地进行房颤检测。
(2)本发明将时域和频域的特征值合并起来作为人工神经网络的输入进行训练,获得了比较好的房颤自动判别精度。
(3)本发明采用人工神经网络的方式,使得本方法具有自学习性,准确度会越来越高。
(4)本发明创造性地采用熵来衡量出r-r峰之间间隔的不确定性,精准地表达了两个值之间的变化是乱还是不乱,比现有的传统的方法更加适合进行房颤检测。
(5)本发明先计算r-r熵,再计算一阶差分熵,再对前二者计算交叉熵,采用交叉熵作为人工神经网络的特征值输入,能够更好更快地训练人工神经网络。
(6)本发明经过大量的计算和研究,确定小波变换后的8.7~15.6hz频段的数据波形中,p波数据更佳明显,且p波一般都是hi出现在r峰的左侧的小波,因此锁定8.7~15.6hz频段的数据波形,能更快得到检测结果。
具体实施方式
(实施例1)
基于人工神经网络的房颤检测算法,包括以下步骤:
s1:获取心电数据;
s2:对所有的心电数据进行r峰检测,标注出心电波形中的r峰;
s3:计算出r-r间期,相应的r-r间期熵,作为时域特征集a;
s3.1:对心电波形中的相邻的r峰计算r-r间期熵;
s3.2:对s3.1中的r-r间期熵计算一阶差分熵;
s3.3:计算r-r间期熵和一阶差分熵的交叉熵,将该交叉熵定义为x;
s4:对心电波形进行小波变换,在变换后的8.7~15.6hz频段的数据波形中,在每个r峰左侧挑选多个特征点,判断是否有p波,并计算挑选的每个特征点与r峰之间的熵,将该熵定义为y,作为频域特征集b;
s5:构建一个包含一个隐含层和十个神经元的人工神经网络,将时域特征集a和频域特征集b中的所有特征作为输入,由人工神经网络输出是否为房颤的判断。输入内容为:ex或者x和ex,以及至少两个y。
利用mit房颤数据库的数据对本发明的人工神经进行网络训练,下表是现有的其他算法和本发明的算法在mit-bihatrialfibrillation数据库上的检验结果:
测试指标基于最严格的以搏动为单位的测试,其他算法数据来源为:n.larburu,t.lopetegi,i.romero,comparativestudyofalgorithmsforatrialfibrillationdetection.computingincardiology(2011)。可见本发明的算法准确度更高。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。