基于信号分解和卷积网络的心电图房颤检测的实现方法

本发明属于心房颤动自动化检测，涉及一种基于单导心电图检测房颤信号的实现，具体涉及一种基于深度学习方法的单导心电图房颤检测的实现方法。

背景技术：

1、房颤患者的心电图通常以p波的消失，f波的出现，不等的r-r间期和窄qrs波为特征，但临床中也可见f波消失或p波不消失的房颤。近年来，随着可穿戴智能设备的发展，单导心电图的测量变得愈加便捷，逐渐进入了日常个人，家庭，运动的使用。然而，由于缺少专业领域知识，这些数据的有效化利用成为了一个问题。随着机器学习和深度学习的发展，人们开始研究房颤检测的自动化算法。传统的房颤检测算法往往从两个特征中择一进行设计，如通过对r峰位置的识别，计算r-r间期长度并用一定的机器学习算法识别其规律性，或是通过构建qrs波群模板对心室活动进行消除，以更好地对心房活动，特别是p波形态进行识别分类。这样的方法只依赖于两个特征之一，容易受到单一特征不稳定性的影响。

2、近年来，基于深度学习的房颤检测方法不断涌现。深度学习在语音、图像、文字处理上已经发展的相当成熟，并取得了许多成果。将深度学习应用于心电图房颤检测，在一定程度上减轻了特征设计的负担，并能挖掘出心电图数据更加复杂的特征。但另一方面，这也完全抛弃了临床心电图诊断长期积累的人类经验。深度学习中神经网络的训练具有相当的随机性，初始化中产生的差异可能导致网络学习到不具有通用性、甚至错误的特征，导致网络的性能下降。这样的问题使得现有的基于深度学习的心电图房颤检测算法在检测的准确性上仍有进步的空间。

技术实现思路

1、本发明的目的是为了解决背景技术存在的上述问题，提供一种基于信号分解和卷积网络的单导心电图房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号分解转换为两条信号，分别为伪qrs波群信号和伪t、p波信号。基于这样的信号转换，使用空洞卷积残差网络学习心电图的深度特征，对信号进行对应的分类。将本发明的方法用于心电图的房颤检测时，利用的临床心电图房颤诊断中的专业领域知识，对房颤心电图的特征进行了较为完整的利用，极大地提高了单导心电图房颤检测的准确率，对可穿戴设备技术发展和个人健康都有着重要的作用和意义。

2、本发明的目的是通过以下技术方案实现的：

3、基于信号分解和卷积网络的心电图房颤检测的实现方法，所述方法为：

4、(1)使用单导心电图(ecg)采集设备采集多个用户的单导心电图数据；

5、(2)针对每个用户的心电图数据进行分段，每一段单导心电图数据的采样点数为n，以每段单导心电图数据作为房颤检测的单位，其中n根据具体的应用场景调整；

6、(3)对每段单导心电图数据段进行预处理，去除信号的噪声；

7、(4)对单导心电图数据进行信号反转检测，对电极逆置产生的异常信号进行矫正；

8、(5)通过人工标注或自动化算法的方法确定心电图段中r峰的位置，并对r-r间期长度进行计算；

9、(6)基于r峰位置和r-r间期长度对心电图信号进行信号段分解操作，形成样本点数为n的伪qrs波群信号段和伪t、p波信号段；

10、(7)对从一个用户上获得的每段单导心电图重复若干次步骤(2)-(6)，将连续采集心电数据转换成样本点数为n的伪qrs波群信号段和伪t、p波信号段，作为深度卷积网络的输入；

11、(8)对每个用户的心电图数据重复若干次步骤(1)-(7)，得到心电数据段的信号分解结果，以此对深度卷积神经网络进行训练，获得最终参数，形成房颤检测到深度卷积网络模型。

12、进一步地，所述步骤(2)中，经过分段后，最后一段样本点数小于n时，若小于n/2，则舍去；否则将该信号段进行二次循环，使样本点总数大于n，并取前n个样本点作为最后一段心电图信号。

13、进一步地，所述步骤(4)中，信号反转检测的方法是基于r峰定位，对r-r周期间极值的确定以判断信号的反转情况。

14、进一步地，所述步骤(6)中，单导心电图信号段分解的具体过程为：

15、a、对于每一条心电图室信号x[n]，使用人工标注或自动化算法的方法确定信号中r峰的位置，记其r峰样本点集合为r＝{r1，r2，…，rk}，其中0＜r1＜r2＜…＜rk＜n，k为人工标注或自动化算法确定的r峰位置样本点的个数；

16、b、取i＝1,2,...,k-1，令li＝ri+1-ri，li即心电图信号中第i个r-r间期的长度，并记l＝{l1，l2，…，lk-1}；

17、c、取l的第5百分位数，记为

18、d、取i＝1,2,...,k-1，令令[pi,qi]即心电图信号段第i个qrs波群的范围；

19、e、记令令此时获得的xqrs[n]即为伪qrs波群信号，xtp[n]即为伪t、p波信号。

20、进一步地，步骤(8)中，所述深度卷积神经网络是基于tensorflow构建的。

21、本发明相对于现有技术的有益效果为：

22、1、本发明在传统的房颤检测神经网络的基础上引入临床心电图诊断中的领域知识，通过对r峰位置的确定，对心电图周期中的不同阶段进行划分，形成伪qrs波群信号段和伪t、p波信号段，这样的数据处理将房颤检测任务分解为心电图中r-r间期特征和p波形态特征的识别任务，降低了网络学习的难度，较普通的卷积残差网络在f1得分上有约百分之五的提升。

23、2、本发明在physionet/cinc 2017挑战赛的训练数据集上进行了测试，取得了较好的性能。其中，使用普通卷积核的深度卷积网络的检测方法的准确率是0.836，平均f1得分是0.813；使用空洞卷积核的深度卷积网络的检测方法的准确率是0.867，平均f1得分是0.843。

技术特征：

1.基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述方法为：

2.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述步骤(2)中，经过分段后，最后一段样本点数小于n时，若小于n/2，则舍去；否则将该信号段进行二次循环，使样本点总数大于n，并取前n个样本点作为最后一段心电图信号。

3.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述步骤(4)中，信号反转检测的方法是基于r峰定位，对r-r周期间极值的确定以判断信号的反转情况。

4.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述步骤(6)中，单导心电图信号段分解的具体过程为：

5.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：步骤(8)中，所述深度卷积神经网络是基于tensorflow构建的。

技术总结
基于信号分解和卷积网络的心电图房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号分解形成伪QRS波群信号和伪T、P波信号，使心电图房颤临床诊断中的领域知识融入到心电图的特征表示之中，再通过深度卷积网络的方法使机器对房颤心电图中R‑R间期和P波形态的特点进行挖掘，最终实现心电图房颤诊断。将本发明的方法用于房颤检测时，将房颤心电图的特征显式地作为输入提供给神经网络，将房颤检测的任务分解为对两个房颤心电图特征进行考察的子任务，极大地提高了房颤检测的准确率，其中：使用普通卷积核的深度卷积网络的检测方法的准确率是0.836，平均F1得分是0.813；使用空洞卷积核的深度卷积网络的检测方法的准确率是0.867，平均F1得分是0.843。

技术研发人员：夏勇,李奕澄,王宽全
受保护的技术使用者：哈尔滨工业大学（威海）
技术研发日：
技术公布日：2024/1/16