获取房颤识别人工神经网络权重值矩阵的方法

获取房颤识别人工神经网络权重值矩阵的方法
【专利摘要】本发明公开了获取房颤识别人工神经网络权重值矩阵的方法，本发明利用先调用MIT?BIH心律失常数据库、MIT?BIH正常窦性心律数据库、长时房颤数据库作为训练样本，引入人工神经网络进行学习训练，先随机设置人工神经网络各层的权重值，输入训练数据样本反复迭代修正各层权重值直到训练误差小于某指定值，通过这种方式可以找到可以判断房颤发生的权重值矩阵，然后利用权重值矩阵，将权重值矩阵加入原人工神经网络构建新的人工神经网络，再以采集到的目标人体心电信号作为数据，对人体心电信号处理，获得目标人体特征向量X，根据目标人体特征向量X和新的人工神经网络，进行预测运算。
【专利说明】
获取房颤识别人工神经网络权重值矩阵的方法
技术领域
[0001] 本发明设及屯、房颤动检测，尤其设及获取房颤识别人工神经网络权重值矩阵的方 法。
【背景技术】
[0002] 屯、房颤动（简称房颤，Auricular Fibrillation,AF)是最常见的持续性屯、律失 常。随着年龄增长房颤的发生率不断增加，75岁W上人群可达10%。房颤时屯、房激动的频率 达300~600次/分，屯、跳频率往往快而且不规则，有时候可达100~160次/分，不仅比正常人 屯、跳快得多，而且绝对不整齐。房颤发生时，屯、房失去有效的收缩功能，血液容易在屯、房内 渺滞而形成血栓，血栓脱落后可随着血液至全身各处，导致脑栓塞(脑卒中）、肢体动脉栓塞 (严重者甚至需要截肢)等。同时，由于屯、房血液渺滞将导致人体供血(包括屯、脏自身的供血 量)下降，进而容易引发屯、力衰竭化ead hi lure,简称屯、衰）的发生。
[0003] 房颤对人体健康的巨大危害主要表现为： 1.降低屯、功能:屯、率快和节律不齐可使病人感到屯、慌，体力活动受到限制，生活质量下 降；屯、跳频率过快，易诱发屯、功能减退，同时也影响屯、脏正常排血功能，降低身体各器官的 血液供应，最终导致慢性屯、功能不全。其主要原因在于：由于失去屯、房辅助累血功能，致使 屯、脏每次搏动排出血量降低了 25%-30%。
[0004] 2.增加致残率:屯、房收缩素乱，容易在屯、房壁产生"附壁血栓"，即血凝块。新鲜的 血栓粘附不牢，易脱落。血栓随血流而移动，可堵塞血管，导致脑、肾、脾、肠、肢体的缺血，并 引起坏死。房颤引起脑中风偏擁的发生率较正常人高5-15倍，极大的增加了致残率。
[0005] 3.增加病死率:屯、房收缩功能丧失和长期屯、率加快可导致屯、力衰竭，增加病死率。 屯、房颤动患者病死率较无房颤患者增加2-4倍。
[0006] 4.增加巧死率:预激综合征合并屯、房颤动是极为危险的，如果患者快速屯、房激动 经旁路下传屯、室可能导致屯、室颤动，从而导致巧死。
[0007] 实际上，房颤患者的症状多变且无特异性，因此从症状无法确定是否存在房颤发 作，必须依赖屯、电学检测证实。而且，房颤发作具有很大的随机性且每次发作的持续时间具 有很大的不稳定性，因此屯、电检测的时间窗口对于真实房颤发生的检测尤其重要。目前临 床医学的检测手段上，主要依靠屯、电图机和24小时动态屯、电仪。但他们对房颤的检测具有 明显的缺点，主要的原因为： 1. 屯、电图机的缺点：屯、电图机(静态屯、电）在检查时需要被检查者处于静邸状态，导联 多且操作复杂，通常只持续几十秒到2分钟的检查时间窗口。而房颤的发生具有时间上的不 规律性和间隙性，导致静息屯、电图测试很难准确检测到AF的发生，因此临床医学普遍认为 屯、电图机对房颤的检出受到很大的限制，需要专业人员操作且检出率低，具有非常大的局 限性； 2. 动态屯、电图机的缺点：屯、电图机的明显缺点使得医学上引入了动态屯、电图 a〇lter)，W实现24小时甚至72小时的长时间检测窗口，从而提高了房颤的检出率。但 化Iter通常用于数据记录直到测试结束W后返回医院，由医生读取出数据再进行分析，因 此具有明显的时间滞后性一一检测的时间越长，滞后效应越严重。由于房颤容易形成血栓 导致脑卒中，或导致屯、脏供血不足引发屯、力衰竭，运种滞后效应显然是比较致命的，很可能 因为缺乏及时的诊断和治疗措施而形成严重的后果。
[000引3.P波检测困难:传统的屯吨图分析，无论是屯、电图机还是动态屯、电图，其原理主 要是依靠屯、房波(P波）的检测来判定是否发生房颤。由于体表的屯、电测试点不易靠近屯、房， 故在体表测试中P波的幅度远远小于QRS波幅度且相对位置不固定(尤其是动态屯、电图测试 受患者运动干扰较大），因此P波极易被淹没在QRS波、T波或干扰信号噪声之中无法识别（同 样道理，形态与振幅均变化不定的f波则更难识别），因此造成诊断上的困难。运是目前传统 屯、电图分析的技术难点和限制所在，因此传统屯、电分析技术对房颤的检测准确性一直有待 提局。

【发明内容】

[0009] 本发明旨在获取房颤识别人工神经网络权重值矩阵的方法，利用MIT-BIH屯、律失 常数据库、MIT-BIH正常窦性屯、律数据库、长时房颤数据库作为训练样本，利用人工神经网 络学习训练，逐渐获取权重值矩阵，可W利用该权重值矩阵对目标人体进行检测，检测其屯、 电信号是否有房颤发生，因此，必须利用上述方法获取权重值矩阵至关重要。
[0010] 针对动态屯、电图设备和技术在房颤检测中存在的时间滞后效应严重、技术限制检 测精确度不高的缺点，本发明利用获取的权重值矩阵可W实现长时间的持续检测、并能实 时、高精度对房颤进行自动检测，及时为房颤患者的诊断和治疗提供参考依据，W降低因为 房颤引发脑卒中、屯、力衰竭等高度危险事件的发生可能，通过实时、持续的屯、电信号监测和 人工神经网络，对房颤做出预测和判断，为及时的医疗干预创造条件，并可能挽救患者的生 命。
[0011] 本发明通过下述技术方案实现:获取房颤识别人工神经网络权重值矩阵的方法， 包括W下步骤： 构建多层人工神经网络:采用一个输入层、至少一个隐藏层和一个输出层搭建一个多 层人工神经网络； 多层人工神经网络训练： 采用MIT-BIH屯、律失常数据库作为第一训练数据样本，获得第一训练数据样本的QRS 波，第一训练数据样本的QRS波进行分析和处理，提取出第一训练数据样本的RR间期，将第 一训练数据样本的RR间期分割为Ml个N分钟的片段，对Ml个片段进行HRV特征分析，计算Ml 个片段的特征向量X作为Ml个房颤特征向量X，元组(房颤特征向量X，tl)的集合构成第一 训练样本集，其中有房颤发生的片段tl=l，无房颤发生的片段tl=0， 采用MIT-BIH正常窦性屯、律数据库作为第二训练数据样本，第二训练数据样本的QRS 波，第二训练数据样本的QRS波进行分析和处理，提取出第二训练数据样本的RR间期，将第 二训练数据样本的RR间期分割为M2个N分钟的片段，对M2个片段进行HRV特征分析，计算M2 个片段的特征向量X作为M2个正常特征向量X，元组(正常特征向量X，t2)的集合构成第二 训练样本集，其中t2=0， 采用长时房颤数据库作为第Ξ训练数据样本，获得第Ξ训练数据样本的QRS波，第Ξ训 练数据样本的QRS波进行分析和处理，提取出第Ξ训练数据样本的RR间期，将第Ξ训练数据 样本的RR间期分割为M3个Ν分钟的片段，对M3个片段进行HRV特征分析，计算M3个片段的特 征向量X作为M3个长时房颤特征向量X，元组(长时房颤特征向量X，t3)的集合构成第一训 练样本集，其中有房颤发生的片段t3=l，无房颤发生的片段t3=0， 随机初始化输入层、隐藏层、输出层的权重值;将Ml个房颤特征向量X作为输入层的输 入向量，根据输出层的神经网络函数f (X)获得Ml个输出层的值y 1;将M2个正常特征向量X作 为输入层的输入向量，根据输出层的神经网络函数f(X)获得M2个输出层的值y2;将M3个长 时房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M3个输出 层的值y3;根据第一训练样本集及其神经网络输出值计算Ml个平方误差之和El=( tli-yli 片（t!2-yl2)2+......WtlMi-ylMi)2,根据第二训练样本集及其神经网络输出值计算M2个平 方误差之和E2=(t2-y2i)2Wt2-y22)2+……Wt2-y2M2)2,根据第Ξ训练样本集及其神经网络 输出值计算M3个平方误差之和E3=(t3广y3i)2Wt32-y32)2+……Wt3M3-y3M3)2,其中tl、t2、t3 为预期的正确输出，y l、y 2、y 3为实际输出；平方误差为(预期的正确输出-实际输出）2。 根据输出层的神经网络函数f(X)获得Ml个输出层的值yl，其中神经网络函数f(X)根据实际 情况设定，本领域人员可W自行获取相关信息设定。tl为取1或0的变量，当yl值趋向1时，tl 取l，yl值趋向1表示有房颤发生，当yl值趋向0时，yl值趋向0表示无房颤发生，tl取0;同理， t3为取1或0的变量，当y3值趋向1时，t3取1，y3值趋向1表示有房颤发生，当y3值趋向加寸，y3 值趋向0表示无房颤发生，t3取0。
[0012] 反复迭代修正输入层、隐藏层、输出层的权重值，直到误差E1、E2、E3之和达到极小 值，记录此时输入层、隐藏层、输出层的权重值，取得最终的权重值矩阵。
[0013] 我们要应用权重值矩阵时，用于判定该目标人体是否有房颤发生，其方法是： 第一步:根据训练获得的权重值矩阵重新构建多层人工神经网络，获得新多层人工神 经网络， 第二步:采用导联采集目标人体屯、电信号，获得目标人体的QRS波，对目标人体的QRS波 实时的分析和处理，提取出RR间期，将RR间期分割为N分钟的片段，对片段进行HRV特征分 析，计算片段的特征向量X作为目标人体特征向量X; 第Ξ步:将目标人体特征向量X作为新多层人工神经网络的输入层的输入向量，获得神 经网络的输出值F，F是在0和1之间的实数，当F值高时，则判定该片段内有房颤发生，否则判 定没有房颤发生。一般的F值大于或等于0.5时，则判定该片段内有房颤发生，F值小于或等 于0.5时，则判定没有房颤发生。
[0014] 本发明的设计为:本发明利用先调用MIT-BIH屯、律失常数据库、MIT-BIH正常窦性 屯、律数据库、长时房颤数据库作为训练样本，MIT-BIH屯、律失常数据库、长时房颤数据库与 Μ口-BIH正常窦性屯、律数据库作为对照组，引入人工神经网络进行学习训练，将MIT-BIH屯、 律失常数据库、ΜΙΤ-ΒΙΗ正常窦性屯、律数据库、长时房颤数据库作为训练样本构建成训练数 据样本和交叉验证样本，先随机设置人工神经网络各层的权重值，输入训练数据样本反复 迭代修正各层权重值直到训练误差小于某指定值，通过运种方式可W找到可W判断房颤发 生的权重值矩阵，然后利用权重值矩阵，权重值矩阵利用ΜΙΤ-ΒΙΗ屯、律失常数据库、ΜΙΤ-ΒΙΗ 正常窦性屯、律数据库、长时房颤数据库作为训练样本，通过人工神经网络训练获得，应用 时，将权重值矩阵加入原人工神经网络构建新的人工神经网络，再W采集到的目标人体屯、 电信号作为数据，对人体屯、电信号处理，获得目标人体特征向量X，根据目标人体特征向量X 和新的人工神经网络，进行预测运算，最终获得预测值，通过预测值我们可W判断目标人体 是否发生房颤。为了缩短预测时间，我们将RR间期被分割成一系列长度为N分钟的片段，每 生成一个片段，便计算该片段的特征向量X，然后利用获得该片段的特征向量X和前期学习 训练获得的权重值矩阵W及人工神经网络组成判断系统，利用运一套系统可W判断出发生 房颤的值，一般的，F靠近1表示有发生房颤，F靠近0表示未发生房颤。由于采用了2个对照 参数组，通过学习训练可W找到准确可靠的权重值矩阵，利用运个权重值矩阵加入到人工 神经网络中，使得新的人工神经网络可W准确的预测判断目标人体屯、电信号的状态是属于 房颤人体屯、电信号还是属于正常人体屯、电信号，由此可W预测目标人体的屯、电信号状态。 为降低错误的几率，可W用多个(至少2个)预测值F的移动平均值作为最终预测值。
[001引优选的，所述特征向量X包括瞬时屯、率平均值盈、最大瞬时屯、率HRmax、最小瞬时屯、 率 HRmin。
[0016]所述特征向量X包括RR间期的统计参数。
[0017]所述统计参数包括归一化标准差巧咖)/齋。
[001引所述特征向量X包括RR间期沿庞加莱屯、电散点图对角线的离散值d。
[0019]所述离散隹
其中&表示片段内第1个1??间期，打表示片段内1??间期数量。
[0020] 所述特征向量X包括间隔为1，4，16，64，128，256的RR间期的差值的均方根，该均方 根表示为脚邱扮水二巧才自，妇皱…巧6
[0021] 《乗示第i个RR间期，如表示间隔，η表示片段内RR间期数量。
[0022] 所述特征向量X包括RR间期的傅立叶变换所得傅里叶振幅序列。
[0023] 所述特征向量X包括屯、电波形参数。
[0024] 本发明的设计原理为:本发明描述一种基于可穿戴动态屯、电仪设备上实时进行房 颤自动识别的方法，旨在克服动态屯、电图设备和技术在房颤检测中存在的时间滞后效应严 重、技术限制检测精确度不高的缺点，实现可长时间的持续检测、并能实时、高精度对房颤 进行自动检测，及时为房颤患者的诊断和治疗提供参考依据，W降低因为房颤引发脑卒中、 屯、力衰竭等高度危险事件的发生可能。
[0025] 医学上房颤的屯、电图特征为:Ρ波消失，代之W小而不规则的基线波动，形态与振 幅均变化不定，称为f波，频率约为350-600次/分。屯、室率极不规则，通常在100~160次/分 之间。QRS波群形态通常正常，室内差异性传导时有波群增宽。根据W上的分析，动态屯、电图 延长了检测的时间，但由于技术的限制，波形自动识别房颤的方法其准确率往往较低，原因 在于存在W下困难:P波幅度较小，而动态屯、电图受患者运动干扰较大因此P波极易淹没在 干扰信号中无法识别。同样道理，形态与振幅均变化不定的巧皮则更难识别。QRS波群形态增 宽不是房颤的显著特征，无法作为房颤的判断依据;房颤的显著特征是屯、室率极不规则，而 QRS波因其幅度较大识别准确率很高，因此单纯地分析RR间期的不规则变化是比波形分析 更简单、更可靠的房颤识别方法。
[0026] 本发明首先利用房颤时QRS波比较容易检测和定位的特点，对QRS波进行精确的检 测和定位，其次对RR间期的提取分析，并通过监督式学习探索房颤患者区别于正常人的RR 间期变化特征，并将运种特征用于对未知的屯、电图数据进行分析W判断其是否为房颤屯、电 图。
[0027] 本发明的实现方法为W下两个步骤： 第一步:利用人工神经网络机器学习的房颤检测，获得人工神经网络检测房颤的权重 值矩阵。
[002引人工神经网络(adificial neural network,缩写ANN)，简称神经网络，是一种模 仿生物神经网络(动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模 型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信 息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建 模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。
[0029] 本发明采用多层神经网络结构（见图2)，即一个输入层，多个隐藏层和一个输出 层，其中输入层包含数百个节点，每个隐藏层均包含数十个节点，而输出层则仅包含1个节 点，提高输出层判断是否检测到房颤发生。
[0030] 特征向量 本发明所采用的特征向量包括但不限于W下特征值： 1、 瞬时屯、率平均值趕W及HRmax、HRmin等参数； 2、 RR间期的各种统计参数，如归一化标准差￡Γ (Rig/屈； 3、 RR间期沿庞加莱图（见图3)对角线的离散值哀； 4、 间隔为1，4，1 6，6 4，1 2 8，2 5 6的R R间期的差值的均方根。表不为 销瑞时灰占1?诺自4,巧自，--过音资； 5、 RR间期的傅立叶变换所得傅里叶振幅序列； 6、 各种屯、电波形参数，如QRS间期等。
[0031] 对人工神经网络进行训练使用了如下数据集:MIT-BIH屯、律失常数据库、长时房颤 数据库、MIT-BIH正常窦性屯、律数据库，其中MIT-BIH屯、律失常数据库、长时房颤数据库模 拟具有房颤状态人员的屯、电信号参数，Μ口-BIH正常窦性屯、律数据库模拟正常状态人员的 屯、电信号参数，起到比对作用，W此获得权重值矩阵。
[0032] 学习过程的总体设计思路为： a) 基于上述业界的权威数据库记录(上述数据集)构建训练数据集样本和交叉验证样 本； b) 随机初始化各层的权重值； C)输入训练样本反复迭代修正各层权重值直到训练误差小于某指定值； d)输出最终的权重值矩阵； e)用交叉验证样本测试训练结果的精度。
[0033] 第二步:利用屯、电信号实现屯、电QRS波精准定位和RR参数提取分析，再利用人工神 经网络、权重值矩阵计算输出房颤预测值。
[0034] 先利用权重值矩阵构架新的人工神经网络，该新的人工神经网络可W适应检测房 颤。
[0035] 动态检测屯、电信号实现屯、电QRS波精准定位和RR参数提取分析， 传统的动态屯、电图设备只是采集和存储记录屯、电的信号，导出数据W后再利用电脑和 相关软件进行分析，导致其分析的时间滞后性；由于其分析技术基于屯、电波形分析，因此通 常具有多个导联同时进行屯、电信号的采集，设备相对笨重而且操作有一定的难度。
[0036] 本发明中的房颤检测方案主要是利用屯、电图信号中的QRS波进行分析，因此只需 要一个导联进行屯、电信号的采集即可W完成QRS波的精确采集和定位，可W在可穿戴动态 屯、电图仪上进行QRS波实时的分析和处理，提取出RR间期变化特征。运种实现方法带来的好 处是:可W简化患者在日常检测时的信号采集点连接操作，降低操作的专业度要求，便于在 日常生活中使用；设备实现为可穿戴，实现了长时间的持续检测窗口，并能实时、高精度对 房颤进行检测，提高了房颤的检出率，并及时向用户发出分析结果和告警。
[0037] 实时分析的处理步骤为： 1) 采用软件实现高精度的数字滤波，对实时采集到的屯、电信号进行处理滤除噪声； 2) 实时的对屯、电图QRS波形进行精确定位； 3) 提取出相邻的QRS波之间RR间期参数信息； 4) RR间期的序列被分割成M3个(一般数百个)连续RR间期的片段。对每一个片段内的 RR间期值进行时域、频域、时频域W及非线性特征处理后，得到若干特征向量Xi。运些特征 向量充分反映 RR间期序列的时域、频域、时频域W及非线性特征； 5) 将上述分析所得的特征向量Xi，W及之前提取的屯、电波形参数作为人工神经网络 的输入； 根据神经网络的输出值判断片段内是否有房颤发生； 房颤自动识别的实现： 在设备上实现特征向量计算函数，其输入为数十个到上百个连续的RR间期序列，输出 为特征向量。根据学习过程的输出权重值矩阵构建神经网络函数託巧，并在设备上实现。特 征向量函数和神经网络函数由可穿戴设备上的处理器进行计算和处理。权重值矩阵为常 数，可存储于设备ROM中，CPU可W直接访问而无需占用宝贵的RAM空间，因此具有较高的计 算效率。
[0038] 房颤识别步骤： i. 可穿戴动态屯、电图仪持续采集屯、电图信号，并实时对QRS波形定位和波形参数提取； ii. 在QRS波形定位后实时提取出R波进行分析，并产生RR间期序列，持续计算出特征向 量Xi， iii. 将特征向量Xi，W及之前提取的屯、电波形参数作为神经网络的输入； iv. 将特征向量Xi输入神经网络函数.f(巧得到输出值F。通过F值的大小判定该片段内 有房颤发生。
[0039] 此发明的优点：可在穿戴动态屯、电监测设备上实现，便于在日常生活中使用，可进 行持续的实时的监测，有助于提高房颤的检出率;采用基于神经网络的机器学习算法，比传 统的基于规则的分类算法准确率更高，检出率更高。
【附图说明】
[0040]此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部 分，并不构成对本发明实施例的限定。在附图中： 图1是本发明实时检测房颤的流程示意图。
[0041 ]图2是神经网络结构图。
[0042] 图3是庞加莱屯、电散点图。
【具体实施方式】
[0043] 为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本 发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作 为对本发明的限定。
[0044] 实施例1: 如图1、图2、图3所示。
[0045] 获取房颤识别人工神经网络权重值矩阵的方法，包括W下步骤： 构建多层人工神经网络:采用一个输入层、至少一个隐藏层和一个输出层搭建一个多 层人工神经网络； 多层人工神经网络训练： 采用MIT-BIH屯、律失常数据库作为第一训练数据样本，获得第一训练数据样本的QRS 波，第一训练数据样本的QRS波进行分析和处理，提取出第一训练数据样本的RR间期，将第 一训练数据样本的RR间期分割为Ml个N分钟的片段，对Ml个片段进行HRV特征分析，计算Ml 个片段的特征向量X作为Ml个房颤特征向量X，元组(房颤特征向量X，tl)的集合构成第一 训练样本集，其中有房颤发生的片段tl=l，无房颤发生的片段tl=0， 采用MIT-BIH正常窦性屯、律数据库作为第二训练数据样本，第二训练数据样本的QRS 波，第二训练数据样本的QRS波进行分析和处理，提取出第二训练数据样本的RR间期，将第 二训练数据样本的RR间期分割为M2个N分钟的片段，对M2个片段进行HRV特征分析，计算M2 个片段的特征向量X作为M2个正常特征向量X，元组(正常特征向量X，t2)的集合构成第二 训练样本集，其中t2=0， 采用长时房颤数据库作为第Ξ训练数据样本，获得第Ξ训练数据样本的QRS波，第Ξ训 练数据样本的QRS波进行分析和处理，提取出第Ξ训练数据样本的RR间期，将第Ξ训练数据 样本的RR间期分割为M3个N分钟的片段，对M3个片段进行HRV特征分析，计算M3个片段的特 征向量X作为M3个长时房颤特征向量X，元组(长时房颤特征向量X，t3)的集合构成第一训 练样本集，其中有房颤发生的片段t3=l，无房颤发生的片段t3=0， 随机初始化输入层、隐藏层、输出层的权重值;将Ml个房颤特征向量X作为输入层的输 入向量，根据输出层的神经网络函数f (X)获得Ml个输出层的值y 1;将M2个正常特征向量X作 为输入层的输入向量，根据输出层的神经网络函数f(X)获得M2个输出层的值y2;将M3个长 时房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M3个输出 层的值y3;根据第一训练样本集及其神经网络输出值计算Ml个平方误差之和El=( th-yli 片（t!2-yl2)2+......WtlMi-ylMi)2,根据第二训练样本集及其神经网络输出值计算M2个平 方误差之和E2=(t2-y2i)2Wt2-y22)2+……Wt2-y2M2)2,根据第Ξ训练样本集及其神经网络 输出值计算M3个平方误差之和E3=(t3广y3i)2Wt32-y32)2+……Wt3M3-y3M3)2,其中tl、t2、t3 为预期的正确输出，y l、y 2、y 3为实际输出；平方误差为(预期的正确输出-实际输出）2。 根据输出层的神经网络函数f(X)获得Ml个输出层的值yl，其中神经网络函数f(X)根据实际 情况设定，本领域人员可W自行获取相关信息设定。tl为取1或0的变量，当yl值趋向1时，tl 取l，yl值趋向1表示有房颤发生，当yl值趋向0时，yl值趋向0表示无房颤发生，tl取0;同理， t3为取1或0的变量，当y3值趋向1时，t3取1，y3值趋向1表示有房颤发生，当y3值趋向加寸，y3 值趋向0表示无房颤发生，t3取0。
[0046] 反复迭代修正输入层、隐藏层、输出层的权重值，直到误差E1、E2、E3之和达到极小 值，记录此时输入层、隐藏层、输出层的权重值，取得最终的权重值矩阵。
[0047] 我们要应用权重值矩阵时，用于判定该目标人体是否有房颤发生，其方法是： 第一步:根据训练获得的权重值矩阵重新构建多层人工神经网络，获得新多层人工神 经网络， 第二步:采用导联采集目标人体屯、电信号，获得目标人体的QRS波，对目标人体的QRS波 实时的分析和处理，提取出RR间期，将RR间期分割为N分钟的片段，对片段进行HRV特征分 析，计算片段的特征向量X作为目标人体特征向量X; 第Ξ步:将目标人体特征向量X作为新多层人工神经网络的输入层的输入向量，获得神 经网络的输出值F，F是在0和1之间的实数，当F值高时，则判定该片段内有房颤发生，否则判 定没有房颤发生。一般的F值大于或等于0.5时，则判定该片段内有房颤发生，F值小于或等 于0.5时，则判定没有房颤发生。
[004引所述特征向量X包括瞬时屯、率平均值歲、最大瞬时屯、率HRmax、最小瞬时屯、率HRmin。 [0049 ]所述特征向量X包括RR间期的统计参数。
[0化日]所述统计参数包括归一化标准差巧(RR)/|^。
[0化。如图3所示，如中RR表示第η个RR、RRn+i第n+1个RR，所述特征向量X包括RR间期沿庞 加莱屯、电散点图对角线的离散值d。
[0化2]所述离散仓
公式中隶示片段内第i个RR间期，η表示片段内RR间期数量。
[0化3 ] 所述特征向量X包括间隔为1，4，16，64，128，256的RR间期的差值的均方根，该均方 根表示为·^鸣灯，击=1舶獅车掉思恣島，
[0054] 屯表示第i个RR间期，是表示间隔，η表示片段内RR间期数量。
[0055] 所述特征向量X包括RR间期的傅立叶变换所得傅里叶振幅序列。
[0056] 所述特征向量X包括屯、电波形参数。
[0057] 本发明的设计原理为:本发明描述一种基于可穿戴动态屯、电仪设备上实时进行房 颤自动识别的方法，旨在克服动态屯、电图设备和技术在房颤检测中存在的时间滞后效应严 重、技术限制检测精确度不高的缺点，实现可长时间的持续检测、并能实时、高精度对房颤 进行自动检测，及时为房颤患者的诊断和治疗提供参考依据，W降低因为房颤引发脑卒中、 屯、力衰竭等高度危险事件的发生可能。
[0058] 医学上房颤的屯、电图特征为:P波消失，代之W小而不规则的基线波动，形态与振 幅均变化不定，称为f波，频率约为350-600次/分。屯、室率极不规则，通常在100~160次/分 之间。QRS波群形态通常正常，室内差异性传导时有波群增宽。根据W上的分析，动态屯、电图 延长了检测的时间，但由于技术的限制，波形自动识别房颤的方法其准确率往往较低，原因 在于存在W下困难:P波幅度较小，而动态屯、电图受患者运动干扰较大因此P波极易淹没在 干扰信号中无法识别。同样道理，形态与振幅均变化不定的巧皮则更难识别。QRS波群形态增 宽不是房颤的显著特征，无法作为房颤的判断依据;房颤的显著特征是屯、室率极不规则，而 QRS波因其幅度较大识别准确率很高，因此单纯地分析RR间期的不规则变化是比波形分析 更简单、更可靠的房颤识别方法。
[0059] 本发明首先利用房颤时QRS波比较容易检测和定位的特点，对QRS波进行精确的检 测和定位，其次对RR间期的提取分析，并通过监督式学习探索房颤患者区别于正常人的RR 间期变化特征，并将运种特征用于对未知的屯、电图数据进行分析W判断其是否为房颤屯、电 图。
[0060] 本发明的实现方法为W下两个步骤： 第一步:利用人工神经网络机器学习的房颤检测，获得人工神经网络检测房颤的权重 值矩阵。
[0061 ] 人工神经网络(a;rtificial neural network,缩写ANN)，简称神经网络，是一种模 仿生物神经网络(动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模 型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信 息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建 模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。
[0062] 本发明采用多层神经网络结构（见图2)，即一个输入层，多个隐藏层和一个输出 层，其中输入层包含数百个节点，每个隐藏层均包含数十个节点，而输出层则仅包含1个节 点，提高输出层判断是否检测到房颤发生。
[0063] 特征向量 本发明所采用的特征向量包括但不限于W下特征值： 7、 瞬时屯、率平均值趕W及HRmax、HRmin等参数； 8、 RR间期的各种统计参数，如归一化标准差￡Γ (Rig/盈； 9、 RR间期沿庞加莱图（见图3)对角线的离散值哀； 1 0、间隔为1，4，1 6，6 4，1 2 8，2 5 6的R R间期的差值的均方根。表示为 销瑞时灰占1?诺自4,巧自，--过音资； 11、 RR间期的傅立叶变换所得傅里叶振幅序列； 12、 各种屯吨波形参数，如QRS间期等。
[0064] 对人工神经网络进行训练使用了如下数据集:_
[1] Moody GB, Mark RG. The impact of the MIT-BIH Arrhythmia Database. IE邸 Eng in Med and Biol 20(3):45-50 (May-June 2001). (PMID: 11446209)
[2] Petrutiu S, Sahakian AV, Swiryn S. Abrupt changes in fibrillatory wave characteristics at the termination of paroxysmal atrial fibrillation in humans. Europace 9:466-470 (2007).
[3] Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng C-K, Sl:anley 肥.PhysioBank, F*hysioToo化it, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220 [Circulation Electronic Pages; http:// circ.ahajournals.org/cgi/content/full/101/23/e215]; 2000 (June 13). 学习过程的总体设计思路为： f) 基于上述业界的权威数据库记录(上述数据集)构建训练数据集样本和交叉验证样 本； g) 随机初始化各层的权重值； h) 输入训练样本反复迭代修正各层权重值直到训练误差小于某指定值； i) 输出最终的权重值矩阵； j) 用交叉验证样本测试训练结果的精度。
[0065] 第二步:利用屯、电信号实现屯、电QRS波精准定位和RR参数提取分析，再利用人工神 经网络、权重值矩阵计算输出房颤预测值。
[0066] 先利用权重值矩阵构架新的人工神经网络，该新的人工神经网络可W适应检测房 颤。
[0067] 动态检测屯、电信号实现屯、电QRS波精准定位和RR参数提取分析， 传统的动态屯、电图设备只是采集和存储记录屯、电的信号，导出数据W后再利用电脑和 相关软件进行分析，导致其分析的时间滞后性；由于其分析技术基于屯、电波形分析，因此通 常具有多个导联同时进行屯、电信号的采集，设备相对笨重而且操作有一定的难度。
[0068] 本发明中的房颤检测方案主要是利用屯、电图信号中的QRS波进行分析，因此只需 要一个导联进行屯、电信号的采集即可W完成QRS波的精确采集和定位，可W在可穿戴动态 屯、电图仪上进行QRS波实时的分析和处理，提取出RR间期变化特征。运种实现方法带来的好 处是:可W简化患者在日常检测时的信号采集点连接操作，降低操作的专业度要求，便于在 日常生活中使用；设备实现为可穿戴，实现了长时间的持续检测窗口，并能实时、高精度对 房颤进行检测，提高了房颤的检出率，并及时向用户发出分析结果和告警。
[0069] 实时分析的处理步骤为： 6)采用软件实现高精度的数字滤波，对实时采集到的屯、电信号进行处理滤除噪声； 7 )实时的对屯、电图QRS波形进行精确定位； 8) 提取出相邻的QRS波之间RR间期参数信息； 9) RR间期的序列被分割成M3个(一般数百个)连续RR间期的片段。对每一个片段内的 RR间期值进行时域、频域、时频域W及非线性特征处理后，得到若干特征向量Xi。运些特征 向量充分反映 RR间期序列的时域、频域、时频域W及非线性特征； 10) 将上述分析所得的特征向量Xi，W及之前提取的屯、电波形参数作为人工神经网络 的输入； 之后根据神经网络的输出值判断片段内是否有房颤发生。
[0070] 房颤自动识别的实现： 在设备上实现特征向量计算函数，其输入为数十个到上百个连续的RR间期序列，输出 为特征向量。根据学习过程的输出权重值矩阵构建神经网络函数禹搂I，并在设备上实现。特 征向量函数和神经网络函数由可穿戴设备上的处理器进行计算和处理。权重值矩阵为常 数，可存储于设备ROM中，CPU可W直接访问而无需占用宝贵的RAM空间，因此具有较高的计 算效率。
[0071] 房颤识别步骤： V.可穿戴动态屯、电图仪持续采集屯、电图信号，并实时对QRS波形定位和波形参数提取； Vi.在QRS波形定位后实时提取出R波进行分析，并产生RR间期序列，持续计算出特征向 量Xi， vii. 将特征向量Xi，W及之前提取的屯、电波形参数作为神经网络的输入； viii. 将特征向量Xi输入神经网络函数灯巧得到输出值F。通过F值的大小判定该片段 内有房颤发生。
[0072] 本发明的技术特点为基于QRS波形的精确定位来实现实时的R-R间期参数的分析， 并采用神经网络和机器学习实现的房颤检测，比传统的基于屯、电波形分析的算法准确率更 高，分析时间更短，具有实时性、高精度的显著特点，提高了房颤的检出率;本发明将房颤检 测的屯、电信号采集点降低到最小(一个导联），简化了患者在日常检测时的信号采集连接复 杂的问题，降低操作的专业度要求，便于在日常生活中使用;本发明实现了房颤检测设备的 可穿戴式，降低了功耗和体积，并实现了长时间的持续检测窗口，能够实时、高精度对房颤 进行检测并及时发出分析结果和告警，能最大程度的降低房颤带来的潜在危害和风险;本 发明实现的房颤检测方法，经过国家药监部口采用验证达到W下的优异精确性:屯、律失常 (M口-BIH arrh^hmia数据库）：灵敏度:99.8%，阳性预测值:99.9%。
[0073] 房颤检测:_
[0074] 本发明所采用的实时房颤检测方法具有自学习的特性，可W对具体患者的屯、电图 信号进行持续的学习，并获得其屯、电图的个性化特征向量集合，进一步提高该患者的预测 精度，达到个性化和精准检测的目的； 本发明实现的便携式设备便于携带和使用，特别适用于日常生活长时间使用，使得广 大患者实时房颤检测得W实现，能够缓解日益尖锐的医患矛盾和提高医疗资源的有效利 用，具有较大的社会价值和实际使用价值。
[0075] W上所述的【具体实施方式】，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，W上所述仅为本发明的【具体实施方式】而已，并不用于限定本发明 的保护范围，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。
【主权项】
1. 获取房颤识别人工神经网络权重值矩阵的方法，其特征在于，包括以下步骤： 构建多层人工神经网络:采用一个输入层、至少一个隐藏层和一个输出层搭建一个多 层人工神经网络； 多层人工神经网络训练： 采用MIT-BIH心律失常数据库作为第一训练数据样本，获得第一训练数据样本的QRS 波，第一训练数据样本的QRS波进行分析和处理，提取出第一训练数据样本的RR间期，将第 一训练数据样本的RR间期分割为Ml个N分钟的片段，对Ml个片段进行HRV特征分析，计算Ml 个片段的特征向量X作为Ml个房颤特征向量X，元组(房颤特征向量X，11)的集合构成第一 训练样本集，其中有房颤发生的片段tl=l，无房颤发生的片段tl=0， 采用MIT-BIH正常窦性心律数据库作为第二训练数据样本，第二训练数据样本的QRS 波，第二训练数据样本的QRS波进行分析和处理，提取出第二训练数据样本的RR间期，将第 二训练数据样本的RR间期分割为M2个N分钟的片段，对M2个片段进行HRV特征分析，计算M2 个片段的特征向量X作为M2个正常特征向量X，元组(正常特征向量X，t2)的集合构成第二 训练样本集，其中t2=0， 采用长时房颤数据库作为第三训练数据样本，获得第三训练数据样本的QRS波，第三训 练数据样本的QRS波进行分析和处理，提取出第三训练数据样本的RR间期，将第三训练数据 样本的RR间期分割为M3个N分钟的片段，对M3个片段进行HRV特征分析，计算M3个片段的特 征向量X作为M3个长时房颤特征向量X，元组(长时房颤特征向量X，t3)的集合构成第一训 练样本集，其中有房颤发生的片段t3=l，无房颤发生的片段t3=0， 随机初始化输入层、隐藏层、输出层的权重值;将Ml个房颤特征向量X作为输入层的输 入向量，根据输出层的神经网络函数f (X)获得Ml个输出层的值y 1;将M2个正常特征向量X作 为输入层的输入向量，根据输出层的神经网络函数f(X)获得M2个输出层的值y2;将M3个长 时房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M3个输出 层的值y3;根据第一训练样本集及其神经网络输出值计算Ml个平方误差之和El=( th-yh )2+( tl2-yl2)2+......+(?1μιι1μι)2,根据第二训练样本集及其神经网络输出值计算M2个平 方误差之和……+(t2_y2M2)2,根据第三训练样本集及其神经网络 输出值计算M3个平方误差之和……+(七3(?313(?3)2，其中乜八2、七3 为预期的正确输出，y l、y 2、y 3为实际输出； 反复迭代修正输入层、隐藏层、输出层的权重值，直到误差E1、E2、E3之和达到极小值， 记录此时输入层、隐藏层、输出层的权重值，取得最终的权重值矩阵。2. 根据权利要求1所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 所述特征向量X包括瞬时心率平均值、最大瞬时心率HR max、最小瞬时心率HRmin。3. 根据权利要求1所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 所述特征向量X包括RR间期的统计参数。4. 根据权利要求3所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 所述统计参数包括归一化标准差评(RR)/盈。5. 根据权利要求1所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 所述特征向量X包括RR间期沿庞加莱心电散点图对角线的离散值d。6. 根据权利要求5所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 所述离散僅其中4；表示片段内第i个RR间期，/3表示片段内RR间期数量。7. 根据权利要求1所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 所述特征向量X包括间隔为1，4，16，64，128，2 56的RR间期的差值的均方根，该均方根表示为 msd^y?k ~ 1,4,16,64,128?:v*：· 256 .8. 根据权利要求7所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 4表示第i个RR间期，I表示间隔，λ表示片段内RR间期数量。9. 根据权利要求1所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在于， 所述特征向量X包括RR间期的傅立叶变换所得傅里叶振幅序列。10. 根据权利要求1所述的获取房颤识别人工神经网络权重值矩阵的方法，其特征在 于，所述特征向量X包括心电波形参数。
【文档编号】G06F19/00GK106066933SQ201610361590
【公开日】2016年11月2日
【申请日】2016年5月27日 公开号201610361590.X, CN 106066933 A, CN 106066933A, CN 201610361590, CN-A-106066933, CN106066933 A, CN106066933A, CN201610361590, CN201610361590.X
【发明人】勾壮, 刘毅
【申请人】成都信汇聚源科技有限公司