心房颤动识别方法、装置、设备及计算机可读存储介质与流程

本发明涉及心电监测技术领域，尤其涉及一种心房颤动识别方法、装置、设备及计算机可读存储介质。

背景技术：

心房颤动(简称房颤)是最常见的持续性慢性心律失常，常源于无序的心房活动和不规则的心房压缩。随着年龄增长，房颤的发生率不断增加。心房颤动与卒中、心力衰竭、冠心病和血栓等多种疾病密切相关，早期的房颤识别可以帮助患者及时发现心脏异常，降低心脏疾病引发的致残率和致死率。

现有技术中通过分析心电信号可以识别出是否发生了房颤，但目前的基于心率变异性的房颤识别方法在可靠性和准确性上都难以达到临床诊断的标准。近年来出现了一些基于传统机器学习的房颤识别方法，但因房颤信号比较复杂，仅靠手工提取的少数特征并结合传统机器学习方法不足以准确地识别房颤。

技术实现要素：

本发明提供一种心房颤动识别方法、装置、设备及计算机可读存储介质，以有效的识别房颤，提高房颤识别的可靠性和准确性。

本发明的第一方面是提供一种心房颤动识别方法，包括：

获取待识别心电信号中r波的波峰位置；

根据所述r波的波峰位置确定心率变异性特征及心搏片段；

获取每一所述心搏片段的心搏特征，形成心搏特征组；

将所述心率变异性特征和所述心搏特征组输入房颤识别模型中，获取房颤识别结果。

进一步的，所述根据所述r波的波峰位置确定心率变异性特征，包括：

根据相邻的r波的波峰位置获取rr间隔；

根据所有所述rr间隔获取心率变异性特征。

进一步的，所述根据所述r波的波峰位置确定心搏片段，包括：

对于所述待识别心电信号中任一所述r波的波峰位置，获取其与前一相邻r波的波峰位置的第一rr间隔、以及其与后一相邻r波的波峰位置的第二rr间隔；

截取所述第一rr间隔的后1/3部分和所述第二rr间隔的前2/3部分，作为该r波对应的心搏片段。

进一步的，所述获取每一所述心搏片段的心搏特征，包括：

对所述心搏片段过滤掉心电信号中的高低频噪音；

对经过滤的心电信号进行归一化处理；

将经归一化处理的心电信号输入到心搏特征提取模型，得到心搏特征。

进一步的，所述方法还包括：

获取不同心搏类型的第一心电信号样本，所述心搏类型包括正常心搏、左束支传导阻滞、右束支传导阻滞、房性早搏、室性早搏和起搏心跳；

对各所述第一心电信号样本进行预处理，其中所述预处理包括：将所述第一心电信号样本分割心搏片段，并进行高低频噪音的过滤及归一化处理；

建立卷积神经网络的网络结构，将经预处理的各第一心电信号样本输入所述卷积神经网络中进行训练，生成心搏分类模型；

根据所述心搏分类模型获取心搏特征提取模型。

进一步的，所述方法还包括：

获取不同心律类型的第二心电信号样本，所述心律类型包括正常心律、房颤心律和其他心律，其中所述其他心律为除房颤心律外的其他心律失常；

获取各所述第二心电信号样本的心率变异性特征、及心搏特征组；

根据对所述第二心电信号样本的心率变异性特征、以及心搏特征组进行训练，生成所述房颤识别模型。

进一步的，所述获取不同心律类型的第二心电信号样本之后，所述方法还包括：

采用随机滑动的方式从房颤心律的第二电信号样本中截取多个房颤心律片段作为新的房颤心律的第二电信号样本。

进一步的，所述获取各所述第二心电信号样本的心搏特征组，包括：

对于每一所述第二心电信号样本分割心搏片段，并进行高低频噪音过滤和归一化处理；并输入到心搏特征提取模型中，提取心搏特征，得到所述第二心电信号样本的心搏特征组。

进一步的，所述将所述心率变异性特征和所述心搏特征组输入房颤识别模型中之前，还包括：

对所述心搏特征组进行降维处理，以降维处理结果作为所述心搏特征组；

所述根据对所述第二心电信号样本的心率变异性特征、以及心搏特征组进行训练前，还包括：

对所述第二心电信号样本的心搏特征组进行降维处理，以降维处理结果作为所述第二心电信号样本的心搏特征组。

本发明的第二方面是提供一种心房颤动识别装置，包括：

波峰位置获取模块，用于获取待识别心电信号中r波的波峰位置；

心率变异性特征获取模块，用于根据所述r波的波峰位置确定心率变异性特征；

心搏片段获取模块，用于根据所述r波的波峰位置确定心搏片段；

心搏特征获取模块，用于获取每一所述心搏片段的心搏特征，形成心搏特征组；

房颤识别模块，用于将所述心率变异性特征和所述心搏特征组输入房颤识别模型中，获取房颤识别结果。

进一步的，所述心率变异性特征获取模块用于：

根据相邻的r波的波峰位置获取rr间隔；

根据所有所述rr间隔获取心率变异性特征。

进一步的，所述心搏片段获取模块用于：

对于所述待识别心电信号中任一所述r波的波峰位置，获取其与前一相邻r波的波峰位置的第一rr间隔、以及其与后一相邻r波的波峰位置的第二rr间隔；

截取所述第一rr间隔的后1/3部分和所述第二rr间隔的前2/3部分，作为该r波对应的心搏片段。

进一步的，所述心搏特征获取模块用于：

对所述心搏片段过滤掉心电信号中的高低频噪音；

对经过滤的心电信号进行归一化处理；

将经归一化处理的心电信号输入到心搏特征提取模型，得到心搏特征。

进一步的，所述心搏特征获取模块还用于：

获取不同心搏类型的第一心电信号样本，所述心搏类型包括正常心搏、左束支传导阻滞、右束支传导阻滞、房性早搏、室性早搏和起搏心跳；

对各所述第一心电信号样本进行预处理，其中所述预处理包括：将所述第一心电信号样本分割心搏片段，并进行高低频噪音的过滤及归一化处理；

建立卷积神经网络的网络结构，将经预处理的各第一心电信号样本输入所述卷积神经网络中进行训练，生成心搏分类模型；

根据所述心搏分类模型获取心搏特征提取模型。

进一步的，所述房颤识别模块还用于：

获取不同心律类型的第二心电信号样本，所述心律类型包括正常心律、房颤心律和其他心律，其中所述其他心律为除房颤心律外的其他心律失常；

获取各所述第二心电信号样本的心率变异性特征、及心搏特征组；

根据对所述第二心电信号样本的心率变异性特征、以及心搏特征组进行训练，生成所述房颤识别模型。

进一步的，所述房颤识别模块还用于：

采用随机滑动的方式从房颤心律的第二电信号样本中截取多个房颤心律片段作为新的房颤心律的第二电信号样本。

进一步的，所述房颤识别模块还用于：

对于每一所述第二心电信号样本分割心搏片段，并进行高低频噪音过滤和归一化处理；并输入到心搏特征提取模型中，提取心搏特征，得到所述第二心电信号样本的心搏特征组。

进一步的，所述房颤识别模块还用于：

将所述心率变异性特征和所述心搏特征组输入房颤识别模型中之前，对所述心搏特征组进行降维处理，以降维处理结果作为所述心搏特征组；

根据对所述第二心电信号样本的心率变异性特征、以及心搏特征组进行训练前，对所述第二心电信号样本的心搏特征组进行降维处理，以降维处理结果作为所述第二心电信号样本的心搏特征组。

本发明的第三方面是提供一种心房颤动识别设备，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。

本发明的第四方面是提供一种计算机可读存储介质，其上存储有计算机程序；

所述计算机程序被处理器执行时实现如第一方面所述的方法。

本发明提供的心房颤动识别方法、装置、设备及计算机可读存储介质，通过获取待识别心电信号中r波的波峰位置，然后根据r波的波峰位置确定心率变异性特征及心搏片段；获取每一心搏片段的心搏特征，形成心搏特征组；最后将心率变异性特征和心搏特征组输入房颤识别模型中，获取房颤识别结果。本发明通过将心电信号的心率变异性特征和心搏特征输入预先训练好的房颤识别模型，能够有效的识别房颤，从而实现提高房颤识别的可靠性和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的心房颤动识别方法流程图；

图2为本发明另一实施例提供的心搏片段分割的示意图；

图3为本发明另一实施例提供的心房颤动识别方法流程图；

图4为本发明另一实施例提供的心房颤动识别方法流程图；

图5a为本发明另一实施例提供的最大的rr间隔的心搏片段的示意图；

图5b为本发明另一实施例提供的根据最大的rr间隔对心搏片段首尾补0的示意图；

图6本发明另一实施例提供的心搏分类模型的卷积神经网络的网络结构的结构图；

图7为图6所示的心搏分类模型的训练结果示意图；

图8为图6所示的心搏分类模型的可视化心搏分类表示的示意图；

图9本发明另一实施例提供的心房颤动识别方法流程图；

图10为本发明另一实施例提供的采用随机滑动的方式对房颤信号进行数据增强的示意图；

图11为本发明另一实施例提供的心律特征提取过程的示意图；

图12为本发明另一实施例提供的心房颤动识别方法的总体框架；

图13为本发明实施例提供的心房颤动识别装置的结构图；

图14为本发明另一实施例提供的心房颤动识别设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的心房颤动识别方法流程图。本实施例提供了一种心房颤动识别方法，该方法具体步骤如下：

s101、获取待识别心电信号中r波的波峰位置。

本实施例所提供心房颤动识别方法可以应用于心电可穿戴设备或者医用心电图机等监护设备上，可通过心电可穿戴设备或者医用心电图机等监护设备中的采集装置实时采集心电信号，当然也可用于对预先采集的心电信号进行分析。本实施例中具体可通过差分阈值法获取待识别心电信号中r波的波峰位置。其中，心电信号的qrs波群(qrswavecomplex)反映左、右心室除极电位和时间的变化，其中第一个向下的波为q波，向上的波为r波，接着向下的波是s波。

s102、根据所述r波的波峰位置确定心率变异性特征及心搏片段。

在本实施例中，通过获取心电信号中所有r波的波峰位置，根据相邻r峰位置得到一系列rr间隔(也即相邻r波波峰之间的间隔)，并根据rr间隔得到心电信号获取的心率变异性特征。

更具体的，可以通过获取如下时域心率变异性指标作为心率变异性特征的时域指标：sdnn(standarddiviationofnnintervals，全部窦性心搏rr间期的标准差)、rmssd(root-mean-squareofdifference-valueofadjacentrrinterval，相邻rr间期差值的均方根)及avnn(averagevalueofnnintervals，所有rr间期的平均值)，以上为时域上的心率变异性分析，其中各指标含有神经体液因素对心血管系统调节的信息，从而能够判断心血管等疾病的病情及预防。

在本实施例中，心搏为一次心跳的起始到下一次心跳的起始心血管系统所经历的过程，以心搏为单位进行切割，是将心电信号中的每一次心搏分割为一个心搏片段，也即心搏片段是一次心搏对应的心电信号。分割心搏片段的过程具体如下，可以获取心电信号中所有r波的波峰位置，进而可以得到各r波相邻的rr间隔，也即波峰之间的间隔，具体的对于某一r波，获取其与前一相邻r波的第一rr间隔、以及其与后一相邻r波的第二rr间隔，如图2所示，截取所述第一rr间隔的后1/3部分和所述第二rr间隔的前2/3部分，作为该r波对应的心搏片段。当然，心搏片段的分割并不仅限于上述方式，其他方式亦可。需要说明的是，获取心率变异性特征及心搏片段并不区分先后顺序。

s103、获取每一所述心搏片段的心搏特征，形成心搏特征组。

在本实施例中，心搏特征的提取方式可以如下，首先对所述心搏片段过滤掉其心电信号中的高低频噪音，考虑到心电采集设备在实际使用过程中会受到各种干扰，导致心电本身信号的可辨识程度降低，这些干扰包含：高频的肌电干扰、工频干扰、低频的基线漂移等。具体的可以通过小波多分辨率分析和巴特沃斯滤波器分别过滤掉心电信号中的高低频噪音；

然后对经过滤的心电信号进行归一化处理，心电信号数值映射到0-1之间，可以采用传统的数据归一化处理，过程如下，取该片段心电信号所有信号极大值与信号极小值，再对每一个采样点进行如下操作，(采样点信号瞬时值-信号极小值)/(信号极大值-信号极小值)，从而使得该片段所有采样点映射到0-1之间；归一化的意义在于，对于机器学习算法而言，归一化使得数据保持良好的分布，可以使模型算法更容易收敛，增强模型的适用范围。最后将经归一化处理的心搏片段的心电信号输入到预先训练好的心搏特征提取模型，提取心搏特征。

进一步的，将各心搏片段的心搏特征合并构成一个心搏特征组，由于心电信号中包括多个心搏片段，从每一心搏片段均可得到不同维度的多个特征，针对如此大量的心搏特征合并得到的心搏特征组，本实施例采用主成分分析方法(principalcomponentanalysis，pca)对心搏特征组进行降维，以对数据量进行压缩。

s104、将所述心率变异性特征和所述心搏特征组输入房颤识别模型中，获取房颤识别结果。

由于房颤最显著的特征是rr间隔的明显不规则性，而心率变异性的指标反应的是逐次心跳周期差异的变化情况，两者是切实相关的，而心搏是心律的基本组成部分，提取心搏特征是最本质的做法，因此本实施例中以心率变异性特征和心搏特征作为房颤的评价参数。在本实施例中，将心率变异性特征降维后的心搏特征输入预先训练好的房颤识别模型中，从而获取房颤识别结果，也即完成对心电信号中心房颤动的识别。

本实施例提供的心房颤动识别方法，通过获取待识别心电信号中r波的波峰位置，然后根据r波的波峰位置确定的待识别心电信号心率变异性特征及心搏片段，获取每一心搏片段的心搏特征形成心搏特征组，最后将心率变异性特征和心搏特征输入房颤识别模型中获取房颤识别结果。由于房颤识别模型是通过大量数据训练而得，为心率变异性特征、心搏特征与心律类型之间的模型，本发明通过将心电信号的心率变异性特征和心搏特征输入预先训练好的房颤识别模型，能够有效的识别房颤，从而实现提高房颤识别的可靠性和准确性。

在上述实施例的基础上，如图3所示，s103所述的获取每一所述心搏片段的心搏特征，具体可以包括：

s201、对所述心搏片段过滤掉心电信号中的高低频噪音。

在本实施例中，首先对所述心搏片段过滤掉心电信号中的高低频噪音，同样是避免心电采集设备使用过程中各种干扰造成的信号可辨识程度的降低。具体的可以通过小波多分辨率分析和巴特沃斯滤波器分别过滤掉心电信号中的高低频噪音。更具体的，可选用db4小波基函数和8阶小波变换对截取的心搏进行多尺度分解，通过对小波系数进行软阈值处理和重构，过滤掉心搏信号中的高频部分；然后，选用巴特沃斯滤波器过滤掉心搏信号的低频部分。其中，db4指的是众多小波基函数中的一类，8阶次小波变换指的是将小波变换后的信号再进行小波变化的次数。具体的，对含噪的心电信号进行小波分解，分解的层数为8，对小波分解的高频系数进行软阈值处理(当小波系数的绝对值大等于给定的阈值时，令其值为减去阈值，而小于阈值时，令其为0)，再根据小波分解得到的第一阶到第八阶的小波系数，进行一维重构，得到去除高频部分的心电信号；最后，再设计巴特沃斯滤波器，过滤掉心电信号中的低频部分。

s202、对经过滤的心电信号进行归一化处理。

在本实施例中，对经过滤的心电信号进行归一化处理，心电信号数值映射到0-1之间。可以采用传统的数据归一化处理，过程如下，取该片段心电信号所有信号极大值与信号极小值，再对每一个采样点进行如下操作，(采样点信号瞬时值-信号极小值)/(信号极大值-信号极小值)，从而使得该片段所有采样点映射到0-1之间；归一化的意义在于，对于机器学习算法而言，归一化使得数据保持良好的分布，可以使模型算法更容易收敛，增强模型的适用范围。

s203、将经归一化处理的心电信号输入到心搏特征提取模型，得到心搏特征。

在本实施例中，将经归一化处理的心电信号输入到预先训练好的心搏特征提取模型，提取心搏特征。

本实施例通过对心搏片段过滤掉心电信号中的高低频噪音，避免心电采集设备使用过程中各种干扰造成的信号可辨识程度的降低；对经过滤的心电信号进行归一化处理，使得数据保持良好的分布，可以使模型算法更容易收敛，增强模型的适用范围；将经归一化处理的心电信号输入到心搏特征提取模型，得到心搏特征，使得所得到的心搏特征更为准确。

其中，如图4所示心搏特征提取模型的建立过程，具体步骤可以如下：

s301、获取不同心搏类型的第一心电信号样本。

其中，所述心搏类型包括正常心搏、左束支传导阻滞、右束支传导阻滞、房性早搏、室性早搏和起搏心跳。

在本实施例中，可以从mit心律失常数据集中获取带标识信息的心搏数据(心电信号)作为训练样本，也即第一心电信号样本。其中，所述标识信息包括正常心搏(n)、左束支传导阻滞(l)、右束支传导阻滞(r)、房性早搏(a)、室性早搏(p)和起搏心跳(v)。

进一步的，为了保证各类型数据分布的均衡性，使网络易于收敛与优化，可采用随机淘汰法调整各心搏类型的第一心电信号样本的比例，具体的，可以对数量较大的正常心搏随机淘汰，其策略为：设置阈值概率，当检测到心搏类型为数量较大的正常心搏时，生成一个0-1范围内的随机数，若随机数大于阈值，保留该心搏片段，否则进行舍弃，从而实现各类型样本数据的比例均衡。例如，原始数据集中，正常心搏200个，房性早搏100个；正常心搏为数量较多者，设置阈值0.5，当提取到正常心搏时，生成一个随机数，若该随机数>0.5，则保留该正常心搏，反之则抛弃，以保证最终正常心搏个数与少量的房早心搏个数基本一致。

s302、对各所述第一心电信号样本进行预处理。

其中，所述预处理包括：将所述第一心电信号样本分割心搏片段，并进行高低频噪音的过滤及归一化处理。

在本实施例中对于每一第一心电信号样本，首先以心搏为单位进行切割，其切割方法同s102。完成切割后，选取最大的rr间隔，如图5a，作为训练用的心搏样本的长度，对于切割所得的心搏片段的首尾补0从而使各心搏片段样本的长度相同，如图5b所示。

s303、建立卷积神经网络的网络结构，将经预处理的各第一心电信号样本输入所述卷积神经网络中进行训练，生成心搏分类模型。

本实施例中，建立如图6所示的卷积神经网络的网络结构，以实现对心搏类型的识别，其网络模型和结果如下，其中第一层是输入层，第七层分类层是输出层，其他的中间层都是隐含层。此外，本发明保存了模型的学习参数，以便能够利用模型的最后一层隐藏层(也即全连接层)提取用于识别房颤的心搏特征。

(1)输入层(input)：为心搏数据预处理后的一维数据，采用批处理方式，每次输入1024条心电数据。

(2)卷积层(conv)：这里是采用一维卷积，卷积核长度为5，输入通道数为1，输出通道数为32，首尾填充0使得输入输出尺寸不变。

(3)bn层(batchnormalization)：采用批标注化层，并记录训练过程中各层的均值与方差，衰减系数为0.997。

(4)激活层(relu)：采用relu非线性激活函数。

(5)残差区块(residualblock)：卷积层中卷积核长度均为5，输入输出通道为32；残差部分采用求和方式；池化层采用最大池化方法(maxpooling)，尺度为5，滑动距离为2。这里，叠加该残差区块5次。

(6)全连接层(dense)：全连接层输出的神经元个数为32个。

(7)分类层(softmax)：对每个样本输出结论，共分为6类。

选用adam最优化方法优化模型参数，这里选取步长为0.001；矩估计衰减率分别为ρ1＝0.9，ρ2＝0.999。并设定批尺寸为1024，损失函数为交叉熵，迭代周期为5000次。

通过训练和优化模型参数，得到如图7的混淆精度矩阵。并验证了该模型参数在测试集上的平均准确率达到了97.9％。

针对最后一层隐藏层提取的特征，利用t-sne对其进行可视化处理，如图8所示。

由t-sne聚类算法可以看到，不同心搏在模型的最后一层隐藏层得到较好的区分表示。

s304、根据所述心搏分类模型获取心搏特征提取模型。

在本实施例中，保存上述模型除输出层以外的部分作为心搏特征提取模型。

具体的，由于心搏分类模型是通过mit心律失常数据集中第一心电信号样本的训练，逐渐获得了心搏内部的潜在表示，在不断的学习中，不断获得心搏特征，可能的情况就是，对于最后的全连接层(也就是最后一个隐含层)，其不同类型的心搏在这一层就有着不同的数据分布(数据特点)，这意味着心搏分类模型不仅仅会适用于mit心律失常数据集中的分类，还可能对心搏本身有了一定的描述能力。若是用心搏分类模型直接输出，可用来预测mit心搏，也即对心搏进行分类；但若是不应用其分类层，只应用隐含层则可获得心搏特征，从而得到心搏特征提取模型。

在上述实施例的基础上，如图9所示，本实施例还提供了房颤识别模型的创建过程，具体步骤可以如下：

s401、获取不同心律类型的第二心电信号样本。

其中，所述心律类型包括正常心律、房颤心律和其他心律，其中所述其他心律为除房颤心律外的其他心律失常。

在本实施例中，采用mit心律失常数据集中带标签的心律数据来训练房颤识别模型。具体的，从mit心律失常数据集中提取出正常心律、房颤心律和其他心律三种心律类型的心电信号样本，作为上述第二心电信号样本，其中，其他心律为除房颤心律外的其他心律失常，例如心房二联律、心室自主节律等多种其他心律，以保证该算法的实际可用性。

进一步的，对于mit心律失常数据集中数据而言，相比于其他两种类型，房颤心律的心电信号样本较少，为保证模型训练质量与优化效果，以心搏为基本单位，采用随机滑动的方式对房颤信号进行数据增强，也即采用随机滑动的方式从房颤心律的第二电信号样本中截取多个房颤心律片段作为新的房颤心律的第二电信号样本，其策略如下：

如图10所示，假定每个房颤心律片段包含k个心搏，出现房颤波形时的起点为b，房颤结束时终点为e，则可得原始心律片段(e-b)/k个。在b、e之间随机取若干整数，若等于已有片段起点，则舍弃；否则，以此为起点截取该起点之后的k个心搏作为新的房颤样本，如果该起点到e之间的心搏个数不足k个则舍弃，从而增强房颤数据集。

s402、获取各所述第二心电信号样本的心率变异性特征、及心搏特征组。

本实施例中，对于每一第二心电信号样本，可采用与s102相同的方法获取心率变异性特征，也即通过获取心电信号中所有r波的波峰位置，根据相邻r峰位置得到一系列rr间隔，并根据rr间隔得到心电信号获取的心率变异性特征。更具体的，可以通过获取如下时域心率变异性指标作为心率变异性特征的时域指标：sdnn所有rr间期的标准差；rmssd相邻rr间期差值的均方根；avnn所有rr间期的平均值。

在本实施例中，心律是由多个心搏组成的，基于此，除提取心律片段的统计特性外，本发明还将利用之前训练好的心搏特征提取模型迁移得到各第二心电信号样本的心律片段中每个心搏的特征。

具体的，对于每一所述第二心电信号样本分割心搏片段，并进行高低频噪音过滤和归一化处理；并输入到所述心搏特征提取模型中，提取心搏特征，得到所述第二心电信号样本的心搏特征。

其中，心搏片段分割、高低频噪音过滤和归一化处理同上述实施例，其得到的每一第二心电信号样本的心搏集，并结合上述的心搏特征提取模型，得到每个心搏的内在心搏特征，通过最末的32个神经元全连接层得到每个心搏新的表示。将心搏特征重新排成一排，设每个第二心电信号样本心律片段包含20个心搏，则表示该心律片段的心搏特征共有32×20个，以此作为心律片段中自动提取到的心搏特征组。

针对如此大量的特征个数，本实施例中可以采用主成分分析法(pca)对其降维处理。具体的，将所有第二心电信号样本中的心律片段切割为各自的心搏集合，通过心搏模型最末层得到每个心搏的特征，重新将源于一个心搏集合的心搏特征排为一行，归并多个心律片段对应的心搏特征集，以此为基础通过均值处理、协方差特征值、特征向量求取，得到指定特征保留程度的新的低维表示。记录pca转化过程中的特征均值与转换矩阵，以便测试数据降维时使用，并结合之前对心律片段提取的心率变异性指标，作为该心律片段的特征，用于接下来的训练过程，心律特征提取过程如图11所示。需要说明的是，如果训练房颤识别模型时对心搏特征组进行降维处理，相应的，在s104应用房颤识别模型时将心率变异性特征和心搏特征组输入房颤识别模型中之前也可对心搏特征组进行降维处理，以降维处理结果作为心搏特征组输入房颤识别模型。

s404、根据对所述第二心电信号样本的心率变异性特征、以及心搏特征组进行训练，生成所述房颤识别模型。

本实施例中第二心电信号样本集合中正常心律、房颤心律与其他心律的心率变异性特征、以及心搏特征作为训练数据。建立2层全连接网络结构，包括全连接层与分类层两部分组成。

保证全连接层的神经元个数与输入层神经元个数(pca降维后维度+hrv特征维度)相同，输出层的神经元个数为3，采用softmax作为分类函数。

本实施例的训练数据与测试数据均来自mit数据集，针对每个心律片段的心搏数量k，分别选k＝5,10,20；对pca的保留贡献率分别取90％,99％,99.9％；学习策略采样adam方法，其参数与上同。

评价该房颤模型表现优劣的指标，采用敏感性、特异性、准确率指标，其三种指标的计算公式为：

其中，k表示心律的种类，tp表示种类h被正确分类的个数；tn表示非h类未被分到h类的个数；fp表示非h类误被分到h类的个数；fn表示h类被分到其他类别的个数。其具体含义以正常心律为例，如表1所示。

表1

经过反复测试，可得结论如表2所示：

表2

由此可知，每段心律选用20beat，pca保留90％，可取得最好的识别精度，spe＝98.2％，sen＝97.3％，acc＝98.0％。

进一步的，本实施例还提供如图12中所示的总体框架，包括心搏数据预处理、心搏分类模型、心搏数据预处理、特征提取及心律分类模型，对于心电原始数据经过心律数据预处理，得到心律数据集，调用心搏数据预处理，然后进行特征提取，包括心率变异性特征的提取以及心搏特征的提取，其中心搏特征提取调用心搏分类模型(由于心搏特征提取模型为心搏分类模型的一部分，此处相当于由心搏特征提取模型获取心搏特征组)，经特征降维后心搏特征组与心率变异性特征一同输入房颤识别模型进行心律分类，从而判别心律类型是否为房颤，对于该框架的具体的处理过程已在上述实施例中详细介绍，此处不再赘述。

本实施例提供的心房颤动识别方法，结合深度学习方法，为实时高精度检测房颤、及时发现房颤提供了新的策略。具体的，通过迁移学习提取待识别心律的心搏特征，结合传统的心率变异性特征共同实现对房颤的高精度检测。相较于传统的信号识别方法，有更高的识别精度与可靠性。同时，由于许多房颤患者表现为阵发性，本实施例中的心房颤动识别方法可以应用在监护装置上，可便于监测间隔发作的房颤，降低心电监控的工作量。

图13为本发明实施例提供的心房颤动识别装置的结构图。本实施例提供的心房颤动识别装置可以执行心房颤动识别方法实施例提供的处理流程，如图13所示，所示心房颤动识别装置包括波峰位置获取模块61、心率变异性特征获取模块62、心搏片段获取模块63、心搏特征获取模块64以及房颤识别模块65。

波峰位置获取模块61，用于获取待识别心电信号中r波的波峰位置；

心率变异性特征获取模块62，用于根据所述r波的波峰位置确定心率变异性特征；

心搏片段获取模块63，用于根据所述r波的波峰位置确定心搏片段；

心搏特征获取模块64，用于获取每一所述心搏片段的心搏特征，形成心搏特征组；

房颤识别模块65，用于将所述心率变异性特征和所述心搏特征组输入房颤识别模型中，获取房颤识别结果。

进一步的，所述心率变异性特征获取模块62用于：

根据相邻的r波的波峰位置获取rr间隔；

根据所有所述rr间隔获取心率变异性特征。

进一步的，所述心搏片段获取模块63用于：

对于所述待识别心电信号中任一r波的波峰位置，获取其与前一相邻r波的波峰位置的第一rr间隔、以及其与后一相邻r波的波峰位置的第二rr间隔；

截取所述第一rr间隔的后1/3部分和所述第二rr间隔的前2/3部分，作为该r波对应的心搏片段。

进一步的，所述心搏特征获取模块64用于：

对所述心搏片段过滤掉心电信号中的高低频噪音；

对经过滤的心电信号进行归一化处理；

将经归一化处理的心电信号输入到心搏特征提取模型，得到心搏特征。

进一步的，所述心搏特征获取模块64还用于：

获取不同心搏类型的第一心电信号样本，所述心搏类型包括正常心搏、左束支传导阻滞、右束支传导阻滞、房性早搏、室性早搏和起搏心跳；

对各所述第一心电信号样本进行预处理，其中所述预处理包括：将所述第一心电信号样本分割心搏片段，并进行高低频噪音的过滤及归一化处理；

建立卷积神经网络的网络结构，将经预处理的各第一心电信号样本输入所述卷积神经网络中进行训练，生成心搏分类模型；

根据所述心搏分类模型获取心搏特征提取模型。

进一步的，所述心搏特征获取模块64还用于：

获取不同心搏类型的第一心电信号样本之后，对所述第一心电信号样本采用随机淘汰法调整各心搏类型的第一心电信号样本的比例。

进一步的，所述房颤识别模块65还用于：

获取不同心律类型的第二心电信号样本，所述心律类型包括正常心律、房颤心律和其他心律，其中所述其他心律为除房颤心律外的其他心律失常；

获取各所述第二心电信号样本的心率变异性特征、及心搏特征组；

根据对所述第二心电信号样本的心率变异性特征、以及心搏特征组进行训练，生成所述房颤识别模型。

进一步的，所述房颤识别模块65还用于：

采用随机滑动的方式从房颤心律的第二电信号样本中截取多个房颤心律片段作为新的房颤心律的第二电信号样本。

进一步的，所述房颤识别模块65还用于：

对于每一所述第二心电信号样本分割心搏片段，并进行高低频噪音过滤和归一化处理；并输入到所述心搏特征提取模型中，提取心搏特征，得到所述第二心电信号样本的心搏特征组。

进一步的，所述房颤识别模块65还用于：

将所述心率变异性特征和所述心搏特征组输入房颤识别模型中之前，对所述心搏特征组进行降维处理，以降维处理结果作为所述心搏特征组；

根据对所述第二心电信号样本的心率变异性特征、以及心搏特征组进行训练前，对所述第二心电信号样本的心搏特征组进行降维处理，以降维处理结果作为所述第二心电信号样本的心搏特征组。

本实施例提供的心房颤动识别装置可以具体用于执行上述图1、3、4和9所提供的方法实施例，具体功能此处不再赘述。

本实施例提供的心房颤动识别装置，通过获取待识别心电信号中r波的波峰位置，然后根据r波的波峰位置确定心率变异性特征及心搏片段；获取每一心搏片段的心搏特征，形成心搏特征组；最后将心率变异性特征和心搏特征组输入房颤识别模型中，获取房颤识别结果。本发明通过将心电信号的心率变异性特征和心搏特征输入预先训练好的房颤识别模型，能够有效的识别房颤，从而实现提高房颤识别的可靠性和准确性。

图14为本发明另一实施例提供的心房颤动识别设备的结构图。如图14所示，本实施例提供一种心房颤动识别设备，所述心房颤动识别设备包括：处理器71；存储器72；以及计算机程序。

其中，所述计算机程序存储在所述存储器72中，并被配置为由所述处理器71执行以实现如图1、3、4和9所提供的方法实施例提供的处理流程，具体功能此处不再赘述。

更具体的，所述心房颤动识别设备还包括接收器73和发送器74，其中接收器73、发送器74、处理器71、以及存储器72通过总线连接。

本发明另一实施例还提供一种计算机可读存储介质，其上存储有计算机程序；

所述计算机程序被处理器执行时实现如上述实施例所述的心房颤动识别方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。