一种光电容积脉搏波数据心律不齐检测方法及装置

本发明属于医学及信号检测，图像分类与分析，具体涉及一种基于光电容积脉搏波数据与人工智能技术的心律不齐检测方法。

背景技术：

1、心脏的周期性跳动包含很多具有医疗价值的人体信息，如健康状态、生活方式、情绪状态、心脏类疾病的早期发病情况等。当心脏处于非健康状态时，心律不齐常见的症状有心悸、心跳缓慢等，严重时会出现头晕、胸闷、胸痛、气急、多汗、颜面苍白、四肢发冷、抽搐、昏迷等症状。

2、可以针对心律不齐中的房颤，早搏，逸博三种心律不齐状态进行检测和早期预警。首先，房颤是心房呈现无序激动和无效收缩的房性节律，房律紊乱在老年人中十分常见。其次，早搏是心房呈现过早搏动（premature beat）也称作期前收缩、期外收缩的现象。最后，逸博是指当窦房结兴奋性降低或停搏时，隐性起搏点的舒张期除极有机会达到阈电位，从而发生激动，带动整个心脏，称为逸搏。

3、光体积变化描记图法(photoplethysmography，简称ppg)是一种无创检测方法，其借助光电手段，可以在活体组织中检测血液容积的变化情况，当一定波长的光束照射到指端皮肤表面，每次心跳时，血管的收缩和扩张都会影响光的透射(例如在透射ppg中，通过指尖的光线) 或是光的反射(例如在反射ppg中，来自手腕表面附近的光线)。当光线透过皮肤组织然后再反射到光敏传感器时，光照会有一定的衰减。像肌肉、骨骼、静脉和其他连接组织对光的吸收是基本不变的(前提是测量部位没有大幅度的运动)，但是动脉会不同，由于动脉里有血液的脉动，那么对光的吸收自然也会有所变化。当把光转换成电信号时，正是由于动脉对光的吸收有变化而其他组织对光的吸收基本不变，得到的信号就可以分为直流dc信号和交流ac信号。提取其中的ac信号，就能反应出血液流动的特点。进而可以对其进行处理，使其呈现具有心律不齐参考意义的特征。

技术实现思路

1、本发明的目的是提出一种基于卷积神经网络模型的光电容积脉搏波数据心律不齐检测方法。为了实现上述目的，本发明采用的技术方案如下：

2、一种光电容积脉搏波数据心律不齐检测方法，包括以下步骤：

3、步骤1:采集光电容积脉搏波（ppg）数据，获得原始脉搏波数据；

4、步骤2:对原始脉搏波数据进行预处理，得到预处理后的脉搏波数据 ；

5、步骤3:对预处理后的脉搏波数据进行峰值检测，得到峰值位置序列 p，并计算心率；

6、步骤4:使用morlet小波的小波函数作为基础函数，对预处理后的脉搏波数据进行连续小波变换，获得连续小波变换系数，一对确定且有效的尺度变量和平移量对应指定位置的小波变换二维数据；

7、步骤5：对小波变换二维数据进行取绝对值操作，生成包含信号在指定时间和频率上的局部信息的图像；

8、步骤6：对由步骤5得到图像进行图像数据处理，根据图像高度，将包含有效信息的图像部分进行裁剪；

9、步骤7：构建包含心律不齐分类状态的数据集；

10、步骤8：搭建卷积神经网络模型，进行模型训练，保存模型训练过程中的最优参数；

11、步骤9：利用训练好的卷积神经网络模型，进行心律不齐的分类检测结果。

12、进一步的，步骤2的方法为：使用带通滤波器对原始脉搏波数据进行预处理，以去除不需要的频率成分；保留频率范围在5hz到8hz之间的信号，并且抑制其他频率的噪声，得到预处理后的脉搏波数据。

13、进一步的，按照下式对预处理后的脉搏波数据 f(t)进行标准化处理，得到 f_ tackle(t)的公式为：

14、

15、式中， mean(f)表示使用全部脉搏波数据求取平均值， std(f)表示使用全部脉搏波数据求取标准差， f_tackle(t)表示经过标准化后的脉搏波数据。

16、进一步的，所述的带通滤波器为三阶的巴特沃斯滤波器。

17、进一步的，步骤3的方法为：

18、对预处理后的脉搏波数据进行标准化处理，得到 f_tackle(t)；

19、对经过标准化后的脉搏波数据 f_tackle（t），生成一系列不同的尺度，对于每个尺度s，生成一个关于尺度s的滑动窗口内数据的标准差序列 fs{fs（j），j=1,2，……n}，fs（j）表示以尺度s在经过标准化后的脉搏波数据 f_tackle（t）上进行滑动窗口操作后得到的子序列的标准差，滑动窗口的大小与尺度 s相同，其中 j表示 fs的索引，对于每个尺度s的标准差序列 fs，计算相邻数据点的差值，得到差分序列 ds{ds（j），j=1,2，……n}，对差分序列 ds进行峰值检测，对于每个尺度 s，得到一个峰值位置序列 ps，包含了所有检测到的峰值位置；将所有尺度的峰值位置序列 ps合并，得到峰值位置序列 p{p（i），i=1,2，……，m}，p（i）记录每一个峰值所对应的时间点，m为峰值个数；

20、计算心率。

21、进一步的，对步骤4中，连续小波变换方法为：

22、

23、式中，变量a为尺度，控制小波函数的伸缩，变量b为平移量，控制小波函数的平移。尺度a对应于频率，尺度a越小，频率越大，平移量b对应于时间。一对确定且有效的 a，b对应指定位置的小波变换二维数据 g(a,b)。

24、进一步的，心率 heartrate(i)计算公式如下：

25、

26、 p_temp(i)= p（i） - p（i-1），p_temp（i）表示相邻两个峰值点之间的采样点个数，采样点的时间间隔为 t = 1/fq，单位为秒。

27、进一步的，步骤7中，心律不齐的分类包括健康，早搏，逸博，房颤四种状态。

28、进一步的，步骤8中，搭建至少三种卷积神经网络模型，对于一个待检测的原始脉搏波数据，经过步骤1至5的处理后得到图像，传入步骤8训练好的卷积神经网络模型，获得分类检测结果，选择出现次数最多的结果作为最终结果，如果出现三个模型检测结果没有重合，在已出现的三个结果中进行随机挑选，并将其作为最终的检测结果。

29、本发明同时提供一种光电容积脉搏波数据心律不齐检测装置，所述装置包括数据采集模块，处理器和存储器，数据采集模块用于采集光电容积脉搏波数据；所述存储器中存储有程序指令和光电容积脉搏波数据，所述处理器调用存储器中存储的程序、光电容积脉搏波数据以及指令以使装置执行上述的方法。

30、与现有技术相比，本发明的有益效果：

31、本发明基于深度学习卷积神经网络模型的心律不齐检测方法，通过进行信号采集，信号数据处理，小波变换将一维脉搏波数据转为二维图像数据，通过对生成的图像进行图像检测与分类，完成了对房颤，早搏，逸博三类心律不齐的分类，有效利用了卷积网络模型对图像信息的敏感性，提升检测分类的准确率。