基于统计特征和卷积循环神经网络的房颤信号检测方法与流程

本发明涉及心电信号处理技术领域，具体涉及一种基于统计特征和卷积循环神经网络的房颤信号检测方法。

背景技术：

心房颤动(atrialfibrillation)是最常见的持续性心律失常，房颤信号的早发现、早治疗具有十分重要的意义。房颤的主要表现为两点，即p波缺失和rr间期不规则，基于这两点已有研究者使用统计特征或者深度学习从心电信号中检测房颤，但是现有的基于深度学习的房颤信号检测方法可解释性差并不能挖掘房颤信号检测的潜力，且由于它们的泛化能力很差，需要通过精心挑选的数据集，除此之外由于p波存在定位困难，易受噪声影响等问题，而仅基于rr间期进行房颤信号检测，又会出现其他疾病也存在rr间期不规则的问题，因此，对非精心挑选的房颤数据库进行分类仍是一个较大的挑战。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种分别提取一维统计特征和二维卷积循环神经网络特征并将两者融合以提高房颤信号检测精度的方法。

本发明克服其技术问题所采用的技术方案是：

一种基于统计特征和卷积循环神经网络的房颤信号检测方法，包括如下步骤：

a)对心电信号进行切片，得到相同长度的心电信号s(τ)；

b)使用公式通过短时傅里叶变换的方式计算获得具有二维结构的心电信号的频谱图，式中γ()为窗函数，j为复变量，τ与t均为时间变量，ω为频率；

c)使用pan-tompkins算法识别切片后的各心电信号s(τ)中的r波位点，根据心电信号的特异性阈值进行qrs波群检测，基于qrs波和p波、q波、r波、s波及t波计算统计特征，构建一个特征向量s；

d)使用2维卷积循环神经网络对步骤b)得到频谱图提取特征信息，得到特征向量m；

e)将特性向量s与特征向量m加权后进行特征融合；

f)将融合后的每个心电信号对应的特征向量输入到经过训练的带权重的支持向量机中判断心电信号的类型；

g)使用带有权重的支持向量机对心电信号进行分类。

进一步的，步骤a)具体操作步骤如下：

a-1)按房颤数据库分类标准将心电信号分为正常、房颤、噪声、其他四类信号；

a-2)将正常类的信号从中间截取一段长度为9s的信号；

a-3)将持续时间少于20s的其他类信号从中间截取一段长度为9s的信号，对于持续时间大于20s的其他类信号，将其从中间部分随机截取2个长度为9s的信号；

a-4)通过重叠长度为6s的方式对房颤类的信号截取长度为9s的信号；

a-5)通过重叠长度为8s的方式对噪声类的信号截取长度为9s的信号。

步骤b)中短时傅里叶变换的窗口采用汉宁窗，汉宁窗大小为64个采样点，汉宁窗重叠区域大小为32个采样点。

进一步的，步骤c)构建特征向量s包括如下步骤：

c-1)计算心电信号rr间期标准差与方差，计算心电信号最大rr间期、最小rr间期以及平均rr间期，计算心电信号的pnn50、rmssd、sdsd；

c-2)计算心电信号样本熵、样本熵系数及变异系数；

c-3)在心电信号r峰确定后得到p波所在位置，将p波平均分为六个片段，计算每个片段的平均值，计算心电信号p波的方差、p波偏度以及p波斜度。

进一步的，步骤d)中2为卷积循环神经网络使用6组且每组含4个卷积层的卷积块，在每组卷积块的所有卷积层在一个常数3×3接受域上应用若干个过滤器，之后使用批处理化和relu激活操作，每组卷积块的前三个卷积层的过滤器数量设置为32，前三个卷积层的步长为1，每组卷积块的最后一层过滤器数量增加32，最后一层步长为2，将经过卷积块处理输出的特征图通过flatten层一维化处理，一维化处理后的特征图使用两个神经元为200的双向lstm进行时间上的聚合，聚合后的输出结果为特征向量m。

进一步的，步骤e)的操作步骤如下：

e-1)s∈r^p，m∈r^q，r为向量空间，p与q为特征维数，寻求两组投影方向α∈r^p和β∈r^q，使投影后的矩阵a^ts与β^tm之间的相关性最大，t为矩阵转置，用遍历加权方式确定投影向量α的权重ws以及投影向量β的权重wm，ws+wm＝1，从0.1至0.9遍历权重ws与wm，通过公式计算正确率a，选择a最大时的权重分配，式中tp为房颤正确分为房颤，fp为余类错误分为房颤；

e-2)通过公式

计算wsα和wmβ，式中λ1与λ2为拉格朗日乘子，sxx为wsα和wmβ所形成的矩阵x的协方差，syy为wsα和wmβ所形成的矩阵y的协方差，式中η为可调参数，sw为类内相关矩阵，sb为类间相关矩阵；e-3)将步骤e-2)中求wsα和wmβ的问题即化为求特征值问题，再将求得的的非零特征值以非递增的方式排列，选择非零特征值对应的特征向量作为所求典型相关投影矢量集，之后使用投影矢量集变换后的特征向量进行求和，得到融合后的特向向量集z。

进一步的，步骤f)中带权重的支持向量机使用二进制粒子群优化算法，粒子的适合度为分类的正确结果，选择fm值作为粒子的评价标准。

本发明的有益效果是：通过对两种不同类型不同维度的特征进行融合，得到特征集，使用粒子群优化算法训练支持向量机，并使用带权重的支持向量机对心电信号进行分类，将统计特征和卷积循环神经网络结合起来，有效解决了目前房颤信号检测存在的问题，更加全面的概括了房颤信号的特征，提高了房颤限号检测的精确度。

附图说明

图1为本发明的方法流程图；

图2为本发明的对频谱图使用卷积循环神经网络进行训练的模型结构图。

具体实施方式

下面结合附图1、附图2对本发明做进一步说明。

一种基于统计特征和卷积循环神经网络的房颤信号检测方法，包括如下步骤：

a)对心电信号进行切片，得到相同长度的心电信号s(τ)；

b)使用公式通过短时傅里叶变换的方式计算获得具有二维结构的心电信号的频谱图，式中γ()为窗函数，j为复变量，τ与t均为时间变量，ω为频率；

c)使用pan-tompkins算法识别切片后的各心电信号s(τ)中的r波位点，根据心电信号的特异性阈值进行qrs波群检测，基于qrs波和p波、q波、r波、s波及t波计算统计特征，构建一个特征向量s；

d)使用2维卷积循环神经网络对步骤b)得到频谱图提取特征信息，得到特征向量m；

e)将特性向量s与特征向量m加权后进行特征融合；

f)将融合后的每个心电信号对应的特征向量输入到经过训练的带权重的支持向量机中判断心电信号的类型；

g)使用带有权重的支持向量机对心电信号进行分类。

通过对两种不同类型不同维度的特征进行融合，得到特征集，使用粒子群优化算法训练支持向量机，并使用带权重的支持向量机对心电信号进行分类，将统计特征和卷积循环神经网络结合起来，有效解决了目前房颤信号检测存在的问题，更加全面的概括了房颤信号的特征，提高了房颤限号检测的精确度。

使用不同受试者的单导联大数据集心电信号，增强了算法的泛化能力，使得从心电信号中检测房颤更加具有现实意义。使用统计特征和卷积循环神经网络这两种方法提取特征，分别考虑了房颤的统计特征的意义和卷积循环神经网络模型的优势，将两者结合起来，更加全面的概括了房颤信号的特征。使用前期特征融合方法，将不同维度不同大小的特征使用加权后的判别典型相关分析特征融合，在减少了数据冗余的同时最大化了不同类别之间的差异，对房颤信号检测精度的提升有重大的意义。

进一步的，步骤a)具体操作步骤如下：

a-1)按房颤数据库分类标准将心电信号分为正常、房颤、噪声、其他四类信号；

a-2)将正常类的信号从中间截取一段长度为9s的信号；

a-3)将持续时间少于20s的其他类信号从中间截取一段长度为9s的信号，对于持续时间大于20s的其他类信号，将其从中间部分随机截取2个长度为9s的信号；

a-4)通过重叠长度为6s的方式对房颤类的信号截取长度为9s的信号；

a-5)通过重叠长度为8s的方式对噪声类的信号截取长度为9s的信号。

进一步的，步骤b)中短时傅里叶变换的窗口采用汉宁窗，汉宁窗大小为64个采样点，汉宁窗重叠区域大小为32个采样点，在转换心电频谱图使用频谱对数转化。

进一步的，步骤c)构建特征向量s包括如下步骤：

c-1)计算心电信号rr间期标准差与方差，计算心电信号最大rr间期、最小rr间期以及平均rr间期，计算心电信号的pnn50、rmssd、sdsd；

c-2)计算心电信号样本熵、样本熵系数及变异系数；

c-3)在心电信号r峰确定后得到p波所在位置，将p波平均分为六个片段，计算每个片段的平均值，计算心电信号p波的方差、p波偏度以及p波斜度。

最终得到如表1所示的具体特征

表1

进一步的，如附图2所示，步骤d)中2为卷积循环神经网络使用6组且每组含4个卷积层的卷积块，在每组卷积块的所有卷积层在一个常数3×3接受域上应用若干个过滤器，之后使用批处理化和relu激活操作，每组卷积块的前三个卷积层的过滤器数量设置为32，前三个卷积层的步长为1，每组卷积块的最后一层过滤器数量增加32，最后一层步长为2，将经过卷积块处理输出的特征图通过flatten层一维化处理，一维化处理后的特征图使用两个神经元为200的双向lstm进行时间上的聚合，聚合后的输出结果为特征向量m。

进一步的，步骤e)的操作步骤如下：

e-1)s∈r^p，m∈r^q，r为向量空间，p与q为特征维数，寻求两组投影方向α∈r^p和β∈r^q，使投影后的矩阵a^ts与β^tm之间的相关性最大，t为矩阵转置，用遍历加权方式确定投影向量α的权重ws以及投影向量β的权重wm，ws+wm＝1，从0.1至0.9遍历权重ws与wm，通过公式计算正确率a，选择a最大时的权重分配，式中tp为房颤正确分为房颤，fp为余类错误分为房颤；

e-2)获得权重分配后的投影特征向量使用判别典型相关分析，即使a^ts与β^tm的相关性最大，考虑同类相关关系最大与不同类相关关系最小，使用类内相关矩阵和类间相关矩阵，使类之间的区分度最大，求解相关系数最大化使用拉格朗日乘子法，其具体公式如下所示：

通过上述公式计算wsα和wmβ，式中λ1与λ2为拉格朗日乘子，sxx为wsα和wmβ所形成的矩阵x的协方差，syy为wsα和wmβ所形成的矩阵y的协方差，式中η为可调参数，sw为类内相关矩阵，sb为类间相关矩阵；e-3)将步骤e-2)中求wsα和wmβ的问题即化为求特征值问题，再将求得的的非零特征值以非递增的方式排列，选择非零特征值对应的特征向量作为所求典型相关投影矢量集，之后使用投影矢量集变换后的特征向量进行求和，得到融合后的特向向量集z。

在svm分类器部分，指定每个分类的权重，以避免训练决策过于偏向样本容量大的分类的现象。设定权值的原则是使样本权值对小样本的响应(噪声)越高越好，使大样本对应(正常)的样本权值越低越好。根据每个类别的大小，我们为每个类的心电图样本设定一个粗略的权重范围，因此进一步的，步骤f)中带权重的支持向量机使用二进制粒子群优化算法(bpso)，在bpso算法中，粒子的适合度为分类的正确结果，由于心电数据集不是均衡分布的，一次你准确性或错误率并不代表模型在不均衡数据下的性能，因此选择fm值作为粒子的评价标准，它同时考虑了精度和召回率。