CN106021941A - 获取猝死风险预测人工神经网络权重值矩阵的方法 - Google Patents
获取猝死风险预测人工神经网络权重值矩阵的方法 Download PDFInfo
- Publication number
- CN106021941A CN106021941A CN201610359875.XA CN201610359875A CN106021941A CN 106021941 A CN106021941 A CN 106021941A CN 201610359875 A CN201610359875 A CN 201610359875A CN 106021941 A CN106021941 A CN 106021941A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- sudden death
- phase
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了获取猝死风险预测人工神经网络权重值矩阵的方法,将心源性猝死数据库和MIT‑BIH正常窦性心律数据库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,找到可以预测猝死风险的权重值矩阵,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,最终获得预测值。
Description
技术领域
本发明涉及猝死风险预测,尤其涉及获取猝死风险预测人工神经网络权重值矩阵的方法。
背景技术
心源性猝死(sudden cardiac death,SCD)是指急性症状发作后1小时内发生的以意识突然丧失为特征的、由心脏原因引起的自然死亡。根据统计,全球每年约有700万SCD患者,占所有死亡人数的1/4,严重威胁着人们的生命,目前全世界的抢救成功率平均低于1%。
心源性猝死的患者往往平时健康(50%的心脏骤停发生于无已知心脏病的个体)或病情稳定,猝死前可有心脏病的表现,但相当多的心脏病患者可能会以猝死作为心脏病首发表现。心源性猝死具有发病突然、进展迅速,一旦发生存活机会甚低的三大特点。如不及时救治,3~5分钟后就将死亡,是威胁生命的一大杀手。据统计,40岁以上者是高发人群,中老年人心源性猝死的几率高达80%~90%,其中,抢救成活者一年内再次复发率达30%~40%。
近年来我国随着心血管病发生率的增高,心源性猝死的发病率也呈明显上升趋势,约占心血管死亡率30%~40%。2013年SCD直接导致我国54.4万人死亡,并呈现年轻化的明显趋势。
流行病学的分析认为年龄的增加是心源性猝死的危险因素:在中老年中心源性猝死占所有突然自然死亡的80%~90%以上;男性较女性发生率高(约4:1);在45至64岁间男女发生率的差异更大几乎达7:1,但在65岁之后,这一发生率在性别上的差异明显减少(约2:1)。
尽管SCD直接危及到患者的人身安全,具有非常大的危害和比较严重的后果,但是在临床医学上SCD的早期识别技术主要在于分层的长期风险管理和预测,对SCD发生之前的短时预测技术,明显滞后于现代治疗技术处于探索之中,这种SCD短时预测的主要难点和关键在于如何及时、准确的识别处于猝死高危状态的人群,并采取干预措施减少猝死发生。
发明内容
本发明旨在获取猝死风险预测人工神经网络权重值矩阵的方法,心源性猝死数据库、MIT-BIH正常窦性心律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,可以利用该权重值矩阵对目标人体进行检测,检测其心电信号是否有存在猝死风险,因此,必须利用上述方法获取权重值矩阵至关重要。
针对目前SCD短时预测缺乏及时、准确的识别处于猝死高危状态的人群的难点,本发明描述一种在微型动态心电监测设备上进行实时猝死风险预测的方法,通过实时、持续的心电信号监测和人工智能机器学习算法,猝死风险做出预测和判断,为及时的医疗干预创造条件,并可能挽救患者的生命。
本发明通过下述技术方案实现:获取猝死风险预测人工神经网络权重值矩阵的方法,包括以下步骤:
构建三层人工神经网络:采用一个输入层、一个隐藏层和一个输出层搭建一个三层人工神经网络;
三层人工神经网络训练:采用心源性猝死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M1个N分钟的片段,对M1个片段进行HRV特征分析,计算M1个片段的特征向量X作为M1个猝死特征向量X,元组(猝死特征向量X, t1)的集合构成第一训练样本集,其中t1=1,
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,
随机初始化输入层、隐藏层、输出层的权重值,将M1个猝死特征向量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M1个输出层的值y1,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,根据第一训练样本集及其神经网络输出值计算M1个平方误差之和E1=( t1-y11)2+( t1-y12)2+……+(t1-y1M1)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-y21)2+( t2-y22)2+……+(t2-y2M2)2,其中t1、t2为预期的正确输出,t1=1,t2=0, y 1、y 2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M1个输出层的值y1,其中神经网络函数f(X)根据实际情况设定,本领域人员可以自行获取相关信息设定。
举例说明:设M1为3,3个y1分别y 11=1、y 12=0.9、y 13=0.8。则E1=(1-1)2+(1-0.9)2+(1-0.8)2,最终E1=0.05。设M2为3,3个y1分别y 21=0、y 22=0.1、y 23=0.2。则E1=(0-0)2+(0-0.1)2+(0-0.2)2,最终E2=0.05。
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。
我们要应用权重值矩阵用于判定该目标人体是否有存在猝死风险时,其方法是:
第一步:根据训练获得的权重值矩阵重新构建三层人工神经网络,获得新三层人工神经网络,
第二步: 采用导联采集目标人体心电信号,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;
第三步:将目标人体特征向量X作为新三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,则预测猝死风险高,当F值低时,则预测猝死风险低。
本发明的设计原理为:长期以来,临床医学上总结心源性猝死患者的心电图表现为:急性期多部位广泛ST段抬高或压低伴有T波交替、延长、QRS延长、QTc间期延长者,心肌梗死后心率变异性明显降低,或心肌梗死后持续QRS波群低电压,心肌梗死存活者伴有心室晚电位阳性,心梗后左心功能不全者,有宽大畸形的低振幅室性早搏或频发多源性室性早搏,并致力于从波形分析的角度去进行预测与管理。但由于这种基于心电波形的分析需要医学专业知识和医学上的专业设备,只适合医院而且很难做到短期性和普遍性的SCD预测——尤其是在日常生活中,实际上仍然缺乏一种SCD风险的短时预测方法能够进行及时的风险预测与预警。
另一方面,神经学科近20年的研究发现人体的自主神经系统对人的重要器官(例如心脏、肺、肝脏、胰脏、肠道等)具有重要的控制和协调作用:自主神经系统的两个组成部分交感神经与副交感神经交替的控制人体重要器官进行各种生理活动,且不受人体意识的控制。一旦人体发生疾病等情况,自主神经系统都能够产生前兆信号并进行自我调节。进一步的研究指出,基于自主神经系统对心脏,尤其是对窦房结具有非常重要的控制作用。而心脏的每一次跳动都源于窦房结的电极化起源,因此心脏跳动节奏变化产生的心律变异性(Heart Rate Variation,HRV)是衡量自主神经系统的敏感性指标。心率变异性(HRV)是指逐次心跳周期差异的变化情况,它含有神经体液因素对心血管系统调节的信息。心率变异性的大小实质上是反映神经体液因素对窦房结的调节作用,也就是反映自主神经系统交感神经活性与迷走神经活性及其平衡协调的关系。近年来,国际上尝试利用24小时HRV分析结果对各种疾病进行预后并取得一定的成绩,普遍接受24小时 HRV长程统计指标是长期猝死预测的敏感性指标。
在基于24小时 HRV长程统计指标对猝死进行长期预测的基础上,本发明方法实现了获取猝死风险预测人工神经网络权重值矩阵的方法,能够通过对HRV短程指标进行持续、长时间的检测和分析,并利用神经网络机器学习算法分析短程HRV指标特征的异常,从而克服现有心电波形检测和分析技术的限制,进行短时猝死风险的预测与预警,提醒患者采取及时的措施以避免重大危险。
本发明的设计为:本发明利用先调用心源性猝死数据库(心源性猝死数据库简称sddb,来源http://physionet.org/physiobank/database/sddb/)和MIT-BIH 正常窦性心律数据库(MIT-BIH 正常窦性心律数据库简称nsrdb,来源http://physionet.org/physiobank/database/nsrdb/),以心源性猝死数据库和MIT-BIH 正常窦性心律数据库作为对照组,引入人工神经网络进行学习训练,将心源性猝死数据库和MIT-BIH 正常窦性心律数据库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,通过这种方式可以找到可以预测猝死风险的权重值矩阵,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,最终获得预测值,通过预测值我们可以判断目标人体的猝死风险。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以及人工神经网络组成预测系统,利用这一套预测系统可以预测出发生猝死风险的值,一般的,猝死风险值F靠近1表示有猝死风险,猝死风险值F靠近0表示猝死风险低。由于采用了心源性猝死数据库(猝死人体心电信号)和MIT-BIH 正常窦性心律数据库(正常人体心电信号)作为2个对照参数组,通过学习训练可以找到准确可靠的权重值矩阵,利用这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以准确的预测判断目标人体心电信号的状态是属于猝死人体心电信号还是属于正常人体心电信号,由此可以预测目标人体的心电信号状态。为降低错误预测的几率,可以用多个(至少2个)预测值F的移动平均值作为最终预测值。
人工神经网络(artificial 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。
本发明采用三层神经网络结构,即一个输入层,一个隐藏层和一个输出层,各层的节点数分别为几十个输入层,多个隐藏层和1个输出层。
本发明的方法应用到微型动态心电监测设备上时,在设备上实现特征向量计算函数,微型动态心电监测设备获取目标人体的心电信号,通过获得心电信号的QRS波进行分析和处理,提取出RR间期,将RR间期分割为多个片段,对片段进行HRV特征分析,计算片段的特征向量X,一般以输入为5分钟连续的R-R间期序列,对其HRV特征分析输出特征向量X。
根据人工神经网络学习过程的输出权重值矩阵构建神经网络函数,并在设备上实现。特征向量计算函数和神经网络函数只涉及到浮点数四则运算、开方和幂指函数计算,计算复杂度并不高。在具有浮点运算单元的ARM Cortex-M4F处理器上完成一次计算的时间低于1ms。权重值矩阵为常数,可存储于设备ROM中。设备运行时ROM直接映射到内存地址空间,CPU可以直接访问,因此神经网络的计算效率得到极大的提高。
所述特征向量X包括根据HRV特征分析获得的时域特征向量、频域特征向量、非线性与时频域特征向量。HRV特征选用上述各个特性向量,其计算过程已为较为成熟的现有技术,本发明不在赘述。
优选的,所述时域特征向量包括RR间期的平均值、RR间期的标准差、相邻RR间期差值的均方根、相邻NN间期之差>50ms的个数占总窦性心搏个数的百分比。
优选的,RR间期的平均值为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
优选的,RR间期的标准差为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
优选的,相邻RR间期差值的均方根为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
优选的,频域特征向量包括VLF极低频段功率、LF低频段功率、HF高频段功率、LF/HF低频段与高频段功率比值。
优选的,非线性与时频域特征向量包括:根据庞加莱心电散点图获得的庞加莱心电散点图标准差、样本熵、近似熵、去趋势波动分析。
本发明与现有技术相比,具有如下的优点和有益效果:发明实现了短时的猝死预测,能够在持续测量和实时分析处理的基础上,实现短时的猝死预测。
本发明的QRS波定位具有非常高的精度,能够满足HRV短程指标分析的要求。经过国家药监部门依据相关国家标准的检测,其QRS准确性指标如下:QRS波检测精确性:灵敏度Se:99.8%,阳性预测值P+:99.9%。本发明的短时猝死预测能够提前至少半小时左右进行预测,并具有非常高的精度。经过国家药监部门依据相关行业标准的检测,其性能指标达到优异水平:猝死预测精确性:99.12%,猝死预测灵敏度:97.11%,猝死预测特异性:99.74%,猝死预测阳性预测:99.13%,猝死预测阴性预测:99.12%。
附图说明
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是神经网络结构的示意图。
图2是庞加莱心电散点图。
图3是频域分析图。
具体实施方式
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。
实施例1:
获取猝死风险预测人工神经网络权重值矩阵的方法,包括以下步骤:
如图1所示,
构建三层人工神经网络:采用一个输入层、一个隐藏层和一个输出层搭建一个三层人工神经网络;
三层人工神经网络训练:采用心源性猝死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M1个N分钟的片段,对M1个片段进行HRV特征分析,计算M1个片段的特征向量X作为M1个猝死特征向量X,元组(猝死特征向量X, t1)的集合构成第一训练样本集,其中t1=1,
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,
随机初始化输入层、隐藏层、输出层的权重值,将M1个猝死特征向量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M1个输出层的值y1,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,根据第一训练样本集及其神经网络输出值计算M1个平方误差之和E1=( t1-y11)2+( t1-y12)2+……+(t1-y1M1)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-y21)2+( t2-y22)2+……+(t2-y2M2)2,其中t1、t2为预期的正确输出,t1=1,t2=0, y 1、y 2为实际输出;
举例说明:设M1为3,3个y1分别1、0.9、0.8。则E1=(1-1)2+(1-0.9)2+(1-0.8)2,最终E1=0.05。设M2为3,3个y1分别0、0.1、0.2。则E1=(0-0)2+(0-0.1)2+(0-0.2)2,最终E2=0.05。
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;
根据训练获得的权重值矩阵重新构建三层人工神经网络,获得新三层人工神经网络,
采用导联采集目标人体心电信号,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;
将目标人体特征向量X作为新三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,则预测猝死风险高,当F值低时,则预测猝死风险低。举例说明,一般的当F值大于或等于0.5时,则预测猝死风险高,当F值小于或等于0.5时,则预测猝死风险低。
本发明的设计原理为:长期以来,临床医学上总结心源性猝死患者的心电图表现为:急性期多部位广泛ST段抬高或压低伴有T波交替、延长、QRS延长、QTc间期延长者,心肌梗死后心率变异性明显降低,或心肌梗死后持续QRS波群低电压,心肌梗死存活者伴有心室晚电位阳性,心梗后左心功能不全者,有宽大畸形的低振幅室性早搏或频发多源性室性早搏,并致力于从波形分析的角度去进行预测与管理。但由于这种基于心电波形的分析需要医学专业知识和医学上的专业设备,只适合医院而且很难做到短期性和普遍性的SCD预测——尤其是在日常生活中,实际上仍然缺乏一种SCD风险的短时预测方法能够进行及时的风险预测与预警。
另一方面,神经学科近20年的研究发现人体的自主神经系统对人的重要器官(例如心脏、肺、肝脏、胰脏、肠道等)具有重要的控制和协调作用:自主神经系统的两个组成部分交感神经与副交感神经交替的控制人体重要器官进行各种生理活动,且不受人体意识的控制。一旦人体发生疾病等情况,自主神经系统都能够产生前兆信号并进行自我调节。进一步的研究指出,基于自主神经系统对心脏,尤其是对窦房结具有非常重要的控制作用。而心脏的每一次跳动都源于窦房结的电极化起源,因此心脏跳动节奏变化产生的心律变异性(Heart Rate Variation,HRV)是衡量自主神经系统的敏感性指标。心率变异性(HRV)是指逐次心跳周期差异的变化情况,它含有神经体液因素对心血管系统调节的信息。心率变异性的大小实质上是反映神经体液因素对窦房结的调节作用,也就是反映自主神经系统交感神经活性与迷走神经活性及其平衡协调的关系。近年来,国际上尝试利用24小时HRV分析结果对各种疾病进行预后并取得一定的成绩,普遍接受24小时 HRV长程统计指标是长期猝死预测的敏感性指标。
在基于24小时 HRV长程统计指标对猝死进行长期预测的基础上,本发明方法实现了获取猝死风险预测人工神经网络权重值矩阵的方法,能够通过对HRV短程指标进行持续、长时间的检测和分析,并利用神经网络机器学习算法分析短程HRV指标特征的异常,从而克服现有心电波形检测和分析技术的限制,进行短时猝死风险的预测与预警,提醒患者采取及时的措施以避免重大危险。
本发明的设计为:本发明利用先调用心源性猝死数据库(心源性猝死数据库简称sddb,来源http://physionet.org/physiobank/database/sddb/)和MIT-BIH 正常窦性心律数据库(MIT-BIH 正常窦性心律数据库简称nsrdb,来源http://physionet.org/physiobank/database/nsrdb/),以心源性猝死数据库和MIT-BIH 正常窦性心律数据库作为对照组,引入人工神经网络进行学习训练,将心源性猝死数据库和MIT-BIH 正常窦性心律数据库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,通过这种方式可以找到可以预测猝死风险的权重值矩阵,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,最终获得预测值,通过预测值我们可以判断目标人体的猝死风险。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以及人工神经网络组成预测系统,利用这一套预测系统可以预测出发生猝死风险的值,一般的,猝死风险值F靠近1表示有猝死风险,猝死风险值F靠近0表示猝死风险低。由于采用了心源性猝死数据库(猝死人体心电信号)和MIT-BIH 正常窦性心律数据库(正常人体心电信号)作为2个对照参数组,通过学习训练可以找到准确可靠的权重值矩阵,利用这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以准确的预测判断目标人体心电信号的状态是属于猝死人体心电信号还是属于正常人体心电信号,由此可以预测目标人体的心电信号状态。为降低错误预测的几率,可以用多个(至少2个)预测值F的移动平均值作为最终预测值。
如图1所示,人工神经网络(artificial 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。
本发明采用三层神经网络结构,即一个输入层,一个隐藏层和一个输出层,各层的节点数分别为几十个输入层,多个隐藏层和1个输出层。
本发明的方法应用到微型动态心电监测设备上时,在设备上实现特征向量计算函数,微型动态心电监测设备获取目标人体的心电信号,通过获得心电信号的QRS波进行分析和处理,提取出RR间期,将RR间期分割为多个片段,对片段进行HRV特征分析,计算片段的特征向量X,一般以输入为5分钟连续的R-R间期序列,对其HRV特征分析输出特征向量X。
根据人工神经网络学习过程的输出权重值矩阵构建神经网络函数,并在设备上实现。特征向量计算函数和神经网络函数只涉及到浮点数四则运算、开方和幂指函数计算,计算复杂度并不高。在具有浮点运算单元的ARM Cortex-M4F处理器上完成一次计算的时间低于1ms。权重值矩阵为常数,可存储于设备ROM中。设备运行时ROM直接映射到内存地址空间,CPU可以直接访问,因此神经网络的计算效率得到极大的提高。
所述特征向量X包括根据HRV特征分析获得的时域特征向量、频域特征向量、非线性与时频域特征向量。HRV特征选用上述各个特性向量,其计算过程已为较为成熟的现有技术,本发明不在赘述。
优选的,所述时域特征向量包括RR间期的平均值、RR间期的标准差、相邻RR间期差值的均方根、相邻NN间期之差>50ms的个数占总窦性心搏个数的百分比。
优选的,RR间期的平均值为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
优选的,RR间期的标准差为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
优选的,相邻RR间期差值的均方根为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
如图3所示,图3中A图的时间域图,B图表示由A图经过傅里叶变换获得的频域图,图3中A图中的VLF表示极低频段功率、LF表示低频段功率、HF表示高频段功率,图A的横坐标表示时间,总坐标表示RR间期。
优选的,频域特征向量包括VLF极低频段功率、LF低频段功率、HF高频段功率、LF/HF低频段与高频段功率比值。
如图2所示,图2表示庞加莱心电散点图,其图2的横坐标为RR间期,纵坐标表示下一个RR间期,获得庞加莱心电散点图标准差,优选的,非线性与时频域特征向量包括:根据庞加莱心电散点图获得的庞加莱心电散点图标准差、样本熵、近似熵、去趋势波动分析。
本发明与现有技术相比,具有如下的优点和有益效果:发明实现了短时的猝死预测,能够在持续测量和实时分析处理的基础上,实现短时的猝死预测。
本发明的QRS波定位具有非常高的精度,能够满足HRV短程指标分析的要求。经过国家药监部门依据相关国家标准的检测,其QRS准确性指标如下:QRS波检测精确性:灵敏度Se:99.8%,阳性预测值P+:99.9%。本发明的短时猝死预测能够提前至少半小时左右进行预测,并具有非常高的精度。经过国家药监部门依据相关行业标准的检测,其性能指标达到优异水平:猝死预测精确性:99.12%,猝死预测灵敏度:97.11%,猝死预测特异性:99.74%,猝死预测阳性预测:99.13%,猝死预测阴性预测:99.12%。
以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,以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。
Claims (8)
1.获取猝死风险预测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:
构建三层人工神经网络:采用一个输入层、一个隐藏层和一个输出层搭建一个三层人工神经网络;
三层人工神经网络训练:采用心源性猝死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M1个N分钟的片段,对M1个片段进行HRV特征分析,计算M1个片段的特征向量X作为M1个猝死特征向量X,元组(猝死特征向量X, t1)的集合构成第一训练样本集,其中t1=1,
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,
随机初始化输入层、隐藏层、输出层的权重值,将M1个猝死特征向量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M1个输出层的值y1,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,根据第一训练样本集及其神经网络输出值计算M1个平方误差之和E1=( t1-y11)2+( t1-y12)2+……+(t1-y1M1)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-y21)2+(t2-y22)2+……+(t2-y2M2)2,其中t1、t2为预期的正确输出,t1=1,t2=0, y 1、y 2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所述的获取猝死风险预测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包括根据HRV特征分析获得的时域特征向量、频域特征向量、非线性与时频域特征向量。
3.根据权利要求2所述的获取猝死风险预测人工神经网络权重值矩阵的方法,其特征在于,所述时域特征向量包括RR间期的平均值、RR间期的标准差、相邻RR间期差值的均方根、相邻NN间期之差>50ms的个数占总窦性心搏个数的百分比。
4.根据权利要求3所述的获取猝死风险预测人工神经网络权重值矩阵的方法,其特征在于,RR间期的平均值为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
5.根据权利要求3所述的获取猝死风险预测人工神经网络权重值矩阵的方法,其特征在于,RR间期的标准差为:;
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
6.根据权利要求3所述的获取猝死风险预测人工神经网络权重值矩阵的方法,其特征在于,相邻RR间期差值的均方根为:,
其中RRi表示 片段内第i个RR间期,
n 表示片段内RR间期数量。
7.根据权利要求2所述的获取猝死风险预测人工神经网络权重值矩阵的方法,其特征在于,频域特征向量包括VLF极低频段功率、LF低频段功率、HF高频段功率、LF/HF低频段与高频段功率比值。
8.根据权利要求2所述的获取猝死风险预测人工神经网络权重值矩阵的方法,其特征在于,非线性与时频域特征向量包括:根据庞加莱心电散点图获得的庞加莱心电散点图标准差、样本熵、近似熵、去趋势波动分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610359875.XA CN106021941A (zh) | 2016-05-27 | 2016-05-27 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610359875.XA CN106021941A (zh) | 2016-05-27 | 2016-05-27 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106021941A true CN106021941A (zh) | 2016-10-12 |
Family
ID=57094855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610359875.XA Pending CN106021941A (zh) | 2016-05-27 | 2016-05-27 | 获取猝死风险预测人工神经网络权重值矩阵的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021941A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403061A (zh) * | 2017-07-07 | 2017-11-28 | 中北大学 | 用户医疗评估模型构建方法和医疗评估服务器 |
CN108241840A (zh) * | 2016-12-26 | 2018-07-03 | 河南农业大学 | 一种刺吸电位图谱(epg)波形自动识别方法 |
CN108309261A (zh) * | 2018-02-11 | 2018-07-24 | 西安交通大学 | 一种猝死预警方法及装置和系统 |
CN108652615A (zh) * | 2018-03-24 | 2018-10-16 | 度特斯(大连)实业有限公司 | 一种心电数据病理特征量化分析方法及装置 |
CN109247934A (zh) * | 2018-10-17 | 2019-01-22 | 中山大学孙逸仙纪念医院 | 用于提取心电图时间特异性数据的模型建立方法及系统 |
CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
CN110946573A (zh) * | 2019-11-01 | 2020-04-03 | 东软集团股份有限公司 | 心脏停搏的检测装置、检测模型的训练装置、方法及设备 |
CN111248877A (zh) * | 2020-04-18 | 2020-06-09 | 赵宏杰 | 一种心梗预警系统 |
CN111565633A (zh) * | 2018-03-30 | 2020-08-21 | 三星Sds 株式会社 | 利用人工智能的时间序列数据学习及分析方法 |
CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN115281676A (zh) * | 2022-10-08 | 2022-11-04 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
-
2016
- 2016-05-27 CN CN201610359875.XA patent/CN106021941A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241840A (zh) * | 2016-12-26 | 2018-07-03 | 河南农业大学 | 一种刺吸电位图谱(epg)波形自动识别方法 |
CN107403061A (zh) * | 2017-07-07 | 2017-11-28 | 中北大学 | 用户医疗评估模型构建方法和医疗评估服务器 |
CN108309261A (zh) * | 2018-02-11 | 2018-07-24 | 西安交通大学 | 一种猝死预警方法及装置和系统 |
CN108309261B (zh) * | 2018-02-11 | 2020-05-22 | 西安交通大学 | 一种猝死预警方法及装置和系统 |
WO2019184960A3 (zh) * | 2018-03-24 | 2019-11-14 | 上海图灵医疗科技有限公司 | 一种心电数据病理特征量化分析方法及装置 |
CN108652615A (zh) * | 2018-03-24 | 2018-10-16 | 度特斯(大连)实业有限公司 | 一种心电数据病理特征量化分析方法及装置 |
CN111565633A (zh) * | 2018-03-30 | 2020-08-21 | 三星Sds 株式会社 | 利用人工智能的时间序列数据学习及分析方法 |
CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
CN109247934A (zh) * | 2018-10-17 | 2019-01-22 | 中山大学孙逸仙纪念医院 | 用于提取心电图时间特异性数据的模型建立方法及系统 |
CN110946573A (zh) * | 2019-11-01 | 2020-04-03 | 东软集团股份有限公司 | 心脏停搏的检测装置、检测模型的训练装置、方法及设备 |
CN111248877A (zh) * | 2020-04-18 | 2020-06-09 | 赵宏杰 | 一种心梗预警系统 |
CN111582751A (zh) * | 2020-05-19 | 2020-08-25 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN111582751B (zh) * | 2020-05-19 | 2022-06-14 | 国网吉林省电力有限公司 | 一种时间加权的购电风险预警方法 |
CN115281676A (zh) * | 2022-10-08 | 2022-11-04 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
CN115281676B (zh) * | 2022-10-08 | 2023-01-31 | 齐鲁工业大学 | 基于gru神经网络和ecg信号的疲劳检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021941A (zh) | 获取猝死风险预测人工神经网络权重值矩阵的方法 | |
CN106073765A (zh) | 一种微型动态心电监测设备上猝死风险预测的实现方法 | |
CN104382582B (zh) | 一种对动态心电数据进行分类的装置 | |
CN106073755A (zh) | 一种微型动态心电监测设备上房颤自动识别的实现方法 | |
CN106066933B (zh) | 获取房颤识别人工神经网络权重值矩阵的方法 | |
CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN105228508A (zh) | 一种测定用于分类的危险评分的系统和方法 | |
WO2019046854A1 (en) | SYSTEM, METHOD, COMPUTER PROGRAM PRODUCT AND APPARATUS FOR DYNAMIC PREDICTIVE SURVEILLANCE IN CRITICAL HEALTH ASSESSMENT AND RESULTS / SCORE / (CHAOS) STUDY | |
CN105678104A (zh) | 一种基于Cox回归模型的老人健康数据分析方法 | |
JP2013524865A5 (zh) | ||
CN109431492A (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
Safarbali et al. | Nonlinear dynamic approaches to identify atrial fibrillation progression based on topological methods | |
Srivastava et al. | A note on hypertension classification scheme and soft computing decision making system | |
CN101695442B (zh) | 基于支持向量回归的心脏电功能成像检测方法 | |
Shen et al. | Risk prediction for cardiovascular disease using ECG data in the China Kadoorie Biobank | |
Zhang et al. | A hybrid model for blood pressure prediction from a PPG signal based on MIV and GA-BP neural network | |
Jeong et al. | Optimal length of heart rate variability data and forecasting time for ventricular fibrillation prediction using machine learning | |
Dhyani et al. | Analysis of ECG-based arrhythmia detection system using machine learning | |
Joo et al. | Prediction of ventricular tachycardia by a neural network using parameters of heart rate variability | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
EP4216232A1 (en) | Methods and system for cardiac arrhythmia prediction using transformer-based neural networks | |
Ghongade et al. | A comparison of neural networks and machine learning methods for prediction of heart disease | |
Jiang et al. | Heartbeat classification system based on modified stacked denoising autoencoders and neural networks | |
TWI732489B (zh) | 應用心電圖快速偵測鉀離子異常之方法及其系統 | |
Al-Zaiti et al. | The role of automated 12-lead ECG interpretation in the diagnosis and risk stratification of cardiovascular disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |