CN107169424B - 基于人工神经网络的房颤检测方法 - Google Patents

基于人工神经网络的房颤检测方法 Download PDF

Info

Publication number
CN107169424B
CN107169424B CN201710275085.8A CN201710275085A CN107169424B CN 107169424 B CN107169424 B CN 107169424B CN 201710275085 A CN201710275085 A CN 201710275085A CN 107169424 B CN107169424 B CN 107169424B
Authority
CN
China
Prior art keywords
entropy
neural network
artificial neural
atrial fibrillation
waveform
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.)
Active
Application number
CN201710275085.8A
Other languages
English (en)
Other versions
CN107169424A (zh
Inventor
周源远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Shuweikang Information Technology Co ltd
Original Assignee
Nanjing Shuweikang Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Shuweikang Information Technology Co ltd filed Critical Nanjing Shuweikang Information Technology Co ltd
Priority to CN201710275085.8A priority Critical patent/CN107169424B/zh
Publication of CN107169424A publication Critical patent/CN107169424A/zh
Application granted granted Critical
Publication of CN107169424B publication Critical patent/CN107169424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于人工神经网络的房颤检测算法，包括以下步骤：S1：获取心电数据；S2：对所有的心电数据进行R峰检测，标注出心电波形中的R峰；S3：计算出R‑R间期，相应的R‑R间期熵，作为时域特征集A；S4：对心电波形进行小波变换，在变换后的8.7～15.6Hz频段的数据波形中，对每个心搏的波形挑选多个特征点做p波数据提取，作为频域特征集B；S5：构建一个人工神经网络，将时域特征集A和频域特征集B中的所有特征作为输入，由人工神经网络输出是否为房颤的判断。本发明将从时域和频域分别选取的特征值合并起来作为人工神经网络的输入进行训练，获得了比较好的房颤自动判别精度。

Description

基于人工神经网络的房颤检测方法
技术领域
本发明涉及一种基于人工神经网络的房颤检测方法。
背景技术
发明内容
本发明的目的是
实现本发明目的的技术方案是基于人工神经网络的房颤检测方法，包括以下步骤：
S1：获取心电数据；
S2：对所有的心电数据进行R峰检测，标注出心电波形中的R峰；
S3：计算出R-R间期，相应的R-R间期熵，作为时域特征集A；
S4：对心电波形进行小波变换，在变换后的8.7～15.6Hz频段的数据波形中，对每个心搏的波形挑选多个特征点做p波数据提取，作为频域特征集B；
S5：构建一个人工神经网络，将时域特征集A和频域特征集B中的所有特征作为输入，由人工神经网络输出是否为房颤的判断。
所述S3步中，时域特征集A的获得方法为：
S3.1：对心电波形中的相邻的R峰计算R-R间期熵；
S3.2：对S3.1中的R-R间期熵计算一阶差分熵；
S3.3：计算R-R间期熵和一阶差分熵的交叉熵，将该交叉熵定义为x。
所述S5步中，输入的时域特征集A为ex或者x和ex。
所述S4步中，频域特征集B的获得方法为：在8.7～15.6Hz频段的数据波形中，在每个R峰左侧挑选多个特征点，判断是否有p波。
计算挑选的每个特征点与R峰之间的熵，将该熵定义为y。
所述S5步中，输入的频域特征集B为：不少于两个y。
所述S5步中，人工神经网络包含一层隐含层，至少2个神经元。
采用了上述技术方案后，本发明具有以下的积极的效果：(1)房颤和正常的心跳不同，而且持续时间长，它的两个典型特点就是乱以及p波消失，本发明分别用R-R熵和小波变换后的特定频段来分析p波，能够非常准确地进行房颤检测。
(2)本发明将时域和频域的特征值合并起来作为人工神经网络的输入进行训练，获得了比较好的房颤自动判别精度。
(3)本发明采用人工神经网络的方式，使得本方法具有自学习性，准确度会越来越高。
(4)本发明创造性地采用熵来衡量出R-R峰之间间隔的不确定性，精准地表达了两个值之间的变化是乱还是不乱，比现有的传统的方法更加适合进行房颤检测。
(5)本发明先计算R-R熵，再计算一阶差分熵，再对前二者计算交叉熵，采用交叉熵作为人工神经网络的特征值输入，能够更好更快地训练人工神经网络。
(6)本发明经过大量的计算和研究，确定小波变换后的8.7～15.6Hz频段的数据波形中，p波数据更佳明显，且p波一般都是出现在R峰的左侧的小波，因此锁定8.7～15.6Hz频段的数据波形，能更快得到检测结果。
具体实施方式
(实施例1)
基于人工神经网络的房颤检测方法，包括以下步骤：
S1：获取心电数据；
S2：对所有的心电数据进行R峰检测，标注出心电波形中的R峰；
S3：计算出R-R间期，相应的R-R间期熵，作为时域特征集A；
S3.1：对心电波形中的相邻的R峰计算R-R间期熵；
S3.2：对S3.1中的R-R间期熵计算一阶差分熵；
S3.3：计算R-R间期熵和一阶差分熵的交叉熵，将该交叉熵定义为x；
S4：对心电波形进行小波变换，在变换后的8.7～15.6Hz频段的数据波形中，在每个R峰左侧挑选多个特征点，判断是否有p波，并计算挑选的每个特征点与R峰之间的熵，将该熵定义为y，作为频域特征集B；
S5：构建一个包含一个隐含层和十个神经元的人工神经网络，将时域特征集A和频域特征集B中的所有特征作为输入，由人工神经网络输出是否为房颤的判断。输入内容为：ex或者x和ex，以及至少两个y。
利用MIT房颤数据库的数据对本发明的人工神经进行网络训练，下表是现有的其他算法和本发明的算法在MIT-BIHAtrial Fibrillation数据库上的检验结果：
算法 灵敏度(％) 特异度(％) 阳性预测值(％) 准确度(％)
Linker法 97.64 85.55 81.81 90.39
Tateno法 91.20 96.8 90.32 94.68
Logan法 87.30 90.31 85.72 89.11
Babaezaideh法 87.27 95.47 92.75 92.20
本发明算法 95.78 95.86 95.19 95.82
测试指标基于最严格的以搏动为单位的测试，其他算法数据来源为：N.Larburu,T.Lopetegi,I.Romero,Comparative Study of Algorithms for Atrial FibrillationDetection.Computing in Cardiology(2011)。可见本发明的算法准确度更高。
以上所述的具体实施例，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例而已，并不用于限制本发明，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 (4)

1.基于人工神经网络的房颤检测方法，其特征在于包括以下步骤：
S1：获取心电数据；
S2：对所有的心电数据进行R峰检测，标注出心电波形中的R峰；
S3：计算出R-R间期，相应的R-R间期熵，作为时域特征集A；时域特征集A的获得方法为
S3.1：对心电波形中的相邻的R峰计算R-R间期熵；
S3.2：对S3.1中的R-R间期熵计算一阶差分熵；
S3.3：计算R-R间期熵和一阶差分熵的交叉熵，将该交叉熵定义为x；
S4：对心电波形进行小波变换，在变换后的8.7～15.6Hz频段的数据波形中，对每个心搏的波形挑选多个特征点做p波数据提取，作为频域特征集B；频域特征集B的获得方法为：在8.7～15.6Hz频段的数据波形中，在每个R峰左侧挑选多个特征点，判断是否有p波，计算挑选的每个特征点与R峰之间的熵，将该熵定义为y；
S5：构建一个人工神经网络，将时域特征集A和频域特征集B中的所有特征作为输入，由人工神经网络输出是否为房颤的判断。
2.根据权利要求1所述的基于人工神经网络的房颤检测方法，其特征在于：所述S5步中，输入的时域特征集A为ex或者x和ex。
3.根据权利要求2所述的基于人工神经网络的房颤检测方法，其特征在于：所述S5步中，输入的频域特征集B为：不少于2个y。
4.根据权利要求3所述的基于人工神经网络的房颤检测方法，其特征在于：所述S5步中，人工神经网络包含一层隐含层，至少2个神经元。
CN201710275085.8A 2017-04-24 2017-04-24 基于人工神经网络的房颤检测方法 Active CN107169424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710275085.8A CN107169424B (zh) 2017-04-24 2017-04-24 基于人工神经网络的房颤检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710275085.8A CN107169424B (zh) 2017-04-24 2017-04-24 基于人工神经网络的房颤检测方法

Publications (2)

Publication Number Publication Date
CN107169424A CN107169424A (zh) 2017-09-15
CN107169424B true CN107169424B (zh) 2021-05-07

Family

ID=59812916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710275085.8A Active CN107169424B (zh) 2017-04-24 2017-04-24 基于人工神经网络的房颤检测方法

Country Status (1)

Country Link
CN (1) CN107169424B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108324264A (zh) * 2018-01-23 2018-07-27 江苏康尚生物医疗科技有限公司 一种房颤的检测方法和系统
CN109044348A (zh) * 2018-08-08 2018-12-21 广州视源电子科技股份有限公司 房颤检测装置及存储介质
CN109044338B (zh) * 2018-08-08 2021-10-15 广州视源电子科技股份有限公司 房颤检测装置及存储介质
CN109871808B (zh) * 2019-02-21 2021-03-02 天津惊帆科技有限公司 房颤模型训练、检测方法和装置
CN113384277B (zh) * 2020-02-26 2022-09-20 京东方科技集团股份有限公司 心电数据的分类方法及分类系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320969A (zh) * 2015-11-20 2016-02-10 北京理工大学 基于多尺度Renyi熵的心率变异性特征分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320969A (zh) * 2015-11-20 2016-02-10 北京理工大学 基于多尺度Renyi熵的心率变异性特征分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
用小波变换结合神经网络检测 ECG信号的P波;谢国明 等;《生物医学工程学杂志》;19990331;第16卷(第3期);第320-323页 *

Also Published As

Publication number Publication date
CN107169424A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN107169424B (zh) 基于人工神经网络的房颤检测方法
CN109522916B (zh) 识别单导心电图（ecg）信号中的节律的级联二元分类器
Beyramienanlou et al. Shannon’s energy based algorithm in ECG signal processing
CN106845010B (zh) 基于改进SVD降噪和Prony的低频振荡主导模式辨识方法
CN104545887B (zh) 伪差心电波形识别方法和装置
Roopaei et al. Chaotic based reconstructed phase space features for detecting ventricular fibrillation
US9295397B2 (en) Method and apparatus for beat-space frequency domain prediction of cardiovascular death after acute coronary event
Dewangan et al. ECG arrhythmia classification using discrete wavelet transform and artificial neural network
Monasterio et al. A multilead scheme based on periodic component analysis for T-wave alternans analysis in the ECG
RU2018128580A (ru) Способ и система для определения соединений в сети
JP2014111176A5 (zh)
US20200289010A1 (en) Method for classifying type of heartbeat and apparatus using the same
CN105286853A (zh) 基于可穿戴设备的疾病检测方法及装置、可穿戴设备
CN105411565A (zh) 基于广义尺度小波熵的心率变异性特征分类方法
CN106344006A (zh) 基于极点对称模态分解和支持向量机的j波检测方法
CN105320969A (zh) 基于多尺度Renyi熵的心率变异性特征分类方法
Liu et al. A support vector machine approach for AF classification from a short single-lead ECG recording
Muthuchudar et al. A study of the processes involved in ECG signal analysis
CN112957056B (zh) 利用协同网络的肌肉疲劳等级特征的提取方法及系统
Bruun et al. Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability
CN109960968A (zh) 分类器的生成方法、房颤检测装置及存储介质
CN109009088B (zh) 基于张量分解的twa多通道融合估计方法
CN108523873A (zh) 基于分数阶傅里叶变换和信息熵的心电信号特征提取方法
KR20120122856A (ko) Ｅｃｇ 신호에서의 ｒ－피크 검출 방법 및 그 장치
Billah et al. A novel method to model ECG beats using Gaussian functions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant