CN107451403A - 一种运动心源性猝死的预警方法 - Google Patents
一种运动心源性猝死的预警方法 Download PDFInfo
- Publication number
- CN107451403A CN107451403A CN201710586255.4A CN201710586255A CN107451403A CN 107451403 A CN107451403 A CN 107451403A CN 201710586255 A CN201710586255 A CN 201710586255A CN 107451403 A CN107451403 A CN 107451403A
- Authority
- CN
- China
- Prior art keywords
- early warning
- sudden cardiac
- cardiac death
- motion
- characteristic parameter
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种运动心源性猝死的预警方法,其特征在于,包括如下步骤:步骤一,分别提取正常心电图和异常心电图的特征参数;步骤二,将特征参数采用BP算法训练出多层神经网络;步骤三:采集运动时的心电图,并提取实时特征参数;步骤四:将实时特征参数输入多层神经网络中;步骤五:若多层神经网络判断为异常心电图,则进行报警。本发明的运动心源性猝死的预警方法,采集人体运动中的心电参数,并利用下述算法进行分析,如达到预警标准则利用系统设备进行报警,以实现防止运动心源性猝死的目的。
Description
技术领域
本发明涉及一种运动心源性猝死的预警方法,属于电子信息技术领域。
背景技术
运动猝死一般是指在运动中或运动后即刻出现症状,6小时内发生的非创伤性死亡。每年猝死的总体发病率为每百万人1.2至1.5例,其中97%为男性。猝死不仅发生在体育比赛赛场,普通的运动人群也常有发生,主要集中在三十五岁以下和五十岁以上的人群,运动项目主要是跑步(占33.98%),足球和篮球。
研究表明,运动性猝死的好发人群是平时较为健康和热爱运动的青壮年。而这些人群的心脏存在潜在异常(一般体检未查出),只是面对日常生活和锻炼还可以应对,强度过大的剧烈运动则会诱发心源性运动猝死。所以在参加马拉松或者其他剧烈运动时,最好做动态心电图和心脏彩超,排除潜在的心脏病。在运动中如果有任何不适,要立即停止运动,以免悲剧发生。
运动性猝死的原因一般有三种:心源性猝死,脑心源性猝死以及其他。其中心源性猝死(Sudden cardiac death)占80%左右。而心源性猝死是由运动和潜在的心脏病共同引起的致死性心律失常所致。其发生机制:人体在进行剧烈运动时,①机体需氧量急剧增加,代谢速率加快,血液中的儿茶酚胺水平增高,此时易出现心肌缺血缺氧,心肌超微结构发生改变,当冠状血管存在病变或其他原因限制氧供,就容易引起心肌缺氧、出血或坏死,表现为急性心肌梗塞。心肌缺血若超过30min,有可能发生坏死。②运动中诱发冠状动脉痉挛或栓塞,使其灌注不良,一般认为若冠状动脉痉挛持续20min以上,也可引起心肌的缺血坏死。③运动时体内电解质、激素内分泌的改变和代谢产物的堆积,可引起血液理化特性的改变。研究表明,运动时心肌钾钠离子的变化,可引起心肌的代谢性坏死,而运动时血液游离脂肪酸产生的速率加快,血液的高凝状态,以及所引起的应急性改变均可诱发心律失常。因运动引起的心肌梗死,某些严重的心律失常,都可直接导致心脏骤停,从而使运动者发生猝死。
发明内容
本发明的目的在于提供一种运动心源性猝死的预警方法,以在发生不适于继续运动的情况下提醒使用者。
本发明采用了如下技术方案:
本发明提供一种运动心源性猝死的预警方法,其特征在于,包括如下步骤:
步骤一,分别提取正常心电图和异常心电图的特征参数;
步骤二,将特征参数采用BP算法训练出多层神经网络;
步骤三:采集运动时的心电图,并提取实时特征参数;
步骤四:将实时特征参数输入多层神经网络中;
步骤五:若多层神经网络判断为异常心电图,则进行报警。
进一步,本发明的运动心源性猝死的预警方法,还可以具有这样的特征:步骤一中的特征参数包括:心率变化率、R-R间隔、以及心电图ST-T段改变幅度中的一种或者两种以上的组合。
进一步,本发明的运动心源性猝死的预警方法,还可以具有这样的特征:其中,所述ST-T段改变幅度包括以下三种情况:ST段抬高≥0.1mV;ST段下移≥0.1mV;以及T波倒置。
进一步,本发明的运动心源性猝死的预警方法,还可以具有这样的特征:设置心率变化率,R-R间隔、心电图ST-T段改变幅度影响最终判断结果的权值分别为:心率变化率:20%;R-R间隔:20%;心电图ST-T段改变幅度:60%。
进一步,本发明的运动心源性猝死的预警方法,还可以具有这样的特征:其中,步骤二在训练时,将已经标记好标准答案的数据输入网络。
进一步,本发明的运动心源性猝死的预警方法,还可以具有这样的特征:其中,步骤二中,还具有代价方程:J(Θ)=计算结果与标准答案之间的差距,步骤二的神经网络的训练目标是使J(Θ)最小。
发明的有益效果
本发明的运动心源性猝死的预警方法,采集人体运动中的心电参数,并利用神经网络算法进行分析,如达到预警标准则利用系统设备进行报警,以预防运动心源性猝死的发生。
附图说明
图1是正常心电图;
图2是运动中ST段下移的波形图;
图3是人工神经网络的示意图。
具体实施方式
以下结合附图来说明本发明的具体实施方式。
首先介绍靶心率和最大心率。
靶心率:当运动时循环系统机能处于最佳状态,而且又不因心跳较快而感到不适,这时的心率称靶心率。见表1。
表1:靶心率评定运动量
正常心电图测量和正常数据
心电图记录纸由纵线和横线划分成各位1mm2的小方格,当走纸速度为25mm/s时,每两条纵线间(1mm)表示0.04秒(即40毫秒),当标准电压1mv=10mm时,两条横线间(1mm)表示0.1mv。
正常心电图测量和正常数据。
如图1所示,心电图记录纸由纵线和横线划分成各位1mm2的小方格,当走纸速度为25mm/s时,每两条纵线间(1mm)表示0.04秒(即40毫秒),当标准电压1mv=10mm时,两条横线间(1mm)表示0.1mv。
1、P波:表示心房除极化,呈钝圆形或轻度切迹,在I、aVF、V4~V6导联正向,aVR负向。宽度不超过0.12秒;振幅在肢体导联不超过0.25mV,胸导联不超过0.20mV。
2、QRS波群(QRS interval):表示心室的除极化,正常为0.06~0.10秒,最宽不超过0.11秒。
3、J点:QRS波群的终末与ST段起始之交接的点。J点一般在等电位线上,随ST段的偏移而发生移位。
4、ST段(ST segment):为QRS综合波之后位于基线上的一个平段,代表心室缓慢复极过程。正常ST段为一等电位线,在任一导联压ST段下移一般不超过0.05mV;成人ST抬高在V2和V3导联<0.3mV,V4~V6和肢体导联均<0.1mV。
5、Q-T间期(Q-T interval):从Q波起点至T波终了,代表心室肌除极和复极全过程所需时间,正常为0.32~0.44秒。
6、T波(T wave):由心室快速复极化形成,正常情况下,T波的方向大多和QRS主波方向一致。T波振幅:除III、aVF、aVL、V1~V3导联外,T波的振幅不应小于同导联R的1/10。
运动中心源性猝死的主要心电因素
1、心率监测运动量
利用自我感觉判定运动强度,见表2,可以根据最大强度相对应的心率进行预警设置,如果达到这一心率值,需调整运动强度和频率,将心率降低,以防心肌缺血。20-29岁165次/分,30-39岁160次/分,40-49岁150次/分,50-59岁145/分,60-69岁135次/分钟,在不同年龄段达到相应预警心率后,运动者可结合自我感觉进行运动频率和强度的调整。
表2:运动强度与心率、自觉强度
2、心肌缺血与ST-T改变
心肌缺血的心电图可仅仅表现为ST段改变或者T波改变,也可同时出现ST-T改变,所以只要有一项改变,即可作为运动终止的预警指标。见图2。
ST段抬高≥0.1mV(Ⅱ、Ⅲ、aVF导联及V2~V6导联)
ST段下移≥0.1mV(Ⅱ、Ⅲ、aVF导联及V4~V6导联)
T波倒置(Ⅱ、Ⅲ、aVF导联及V4~V6导联)
算法实现原理:
将从异常和正常的心电图曲线中提取的一些特征参数,比如心率变化率,R-R间隔、心电图ST-T段改变幅度等参数采用BP算法(即反向传播算法)训练出多层神经网络,在运动时,将相应的特征参数输入此神经网络中,若神经网络判决为异常心电图时,则进行报警,从而达到有效的预警作用。运动时的心电特征参数可以来源于可穿戴的心电监测设备。本实施方式计算最后结果时,设置心率变化率,R-R间隔、心电图ST-T段改变幅度影响最终判决结果的权值分别为:
心率变化率:20%;
R-R间隔:20%;
心电图ST-T段改变幅度:60%。
人工神经网络如图3所示,分为输入层,隐藏层和输出层。输入层以原始数据x作为本层向下一层的输出,即a(1);隐藏层将a(1)中的元素进行线性组合作为自己的输入,即z(2),然后将z(2)进行一个数学变换,函数g(z),作为对下一层的输出,即a(2)。以此类推,得到最后一层的输出,即a(3)或hθ(x),就是人工神经网络的运算结果。
其中,Θ(1),Θ(2)分别是第1层,第2层向前传递数据时的线性组合参数,把Θ(1),Θ(2)统称为Θ。在训练时,将已经标记好标准答案的数据输入网络,称标准答案为y,刚开始网络的输出与答案往往相距甚远,然后用优化算法,例如梯度下降法,不断修正Θ,使网络的计算结果越来越接近标准答案,直至达到要求的精度。
这里定义一个表达式,叫做代价方程(CostFunction):
J(Θ)=计算结果与标准答案之间的差距
不需要关心代价方程的具体形式,只需要理解它是对计算误差的一种衡量,并且它是Θ的函数。我们的目标就是使计算误差尽量小。
以梯度下降法为代表的很多优化算法可以用来解决上述的最小化问题。在优化过程中,这些算法通常会用到J(Θ)对Θ中各元素的偏导数,Θ是一个矩阵。反向传播算法就是用来计算这些偏导数的。
最后要注意的一点是,除了最后一层以外,每一层都要在自己的输出向量前附加一个值为+1的项,称为偏置项(Bias Term),为了理解它的意义,可以想象二维坐标系中的一条直线:ax+b=0,偏置项与对应参数相乘后的值就是直线的截距b。
Claims (6)
1.一种运动心源性猝死的预警方法,其特征在于,包括如下步骤:
步骤一,分别提取正常心电图和异常心电图的特征参数;
步骤二,将特征参数采用BP算法训练出多层神经网络;
步骤三:采集运动时的心电图,并提取实时特征参数;
步骤四:将实时特征参数输入多层神经网络中;
步骤五:若多层神经网络判断为异常心电图,则进行报警。
2.如权利要求1所述的运动心源性猝死的预警方法,其特征在于:
步骤一中的特征参数包括:心率变化率、R-R间隔、以及心电图ST-T段改变幅度中的一种或者两种以上的组合。
3.如权利要求1所述的运动心源性猝死的预警方法,其特征在于:
其中,所述ST-T段改变幅度包括以下三种情况:
ST段抬高≥0.1mV;
ST段下移≥0.1mV;
以及T波倒置。
4.如权利要求2所述的运动心源性猝死的预警方法,其特征在于:
设置心率变化率,R-R间隔、心电图ST-T段改变幅度影响最终判断结果的权值分别为:
心率变化率:20%;
R-R间隔:20%;
心电图ST-T段改变幅度:60%。
5.如权利要求1所述的运动心源性猝死的预警方法,其特征在于:
其中,步骤二在训练时,将已经标记好标准答案的数据输入网络。
6.如权利要求1所述的运动心源性猝死的预警方法,其特征在于:
其中,步骤二中,还具有代价方程:J(Θ)=计算结果与标准答案之间的差距,步骤二的神经网络的训练目标是使J(Θ)最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586255.4A CN107451403A (zh) | 2017-07-18 | 2017-07-18 | 一种运动心源性猝死的预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586255.4A CN107451403A (zh) | 2017-07-18 | 2017-07-18 | 一种运动心源性猝死的预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107451403A true CN107451403A (zh) | 2017-12-08 |
Family
ID=60487152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710586255.4A Pending CN107451403A (zh) | 2017-07-18 | 2017-07-18 | 一种运动心源性猝死的预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138789A (zh) * | 2011-01-24 | 2011-08-03 | 无锡微感科技有限公司 | 一种动态心电和运动记录与分析系统 |
CN102697492A (zh) * | 2012-05-25 | 2012-10-03 | 长春华讯信息科技有限公司 | 一种实时心电信息分析系统及其分析方法 |
CN103932696A (zh) * | 2014-04-18 | 2014-07-23 | 赵小英 | 一种健康状态多功能检测方法及其检测系统 |
CN104688250A (zh) * | 2015-03-16 | 2015-06-10 | 深圳大学 | 用于精神紧张判断及心脏性猝死的预警方法及预警系统 |
CN106073765A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上猝死风险预测的实现方法 |
CN106551688A (zh) * | 2016-11-25 | 2017-04-05 | 云通万讯科技(深圳)有限公司 | 一种用于马拉松比赛的猝死预警方法及系统 |
-
2017
- 2017-07-18 CN CN201710586255.4A patent/CN107451403A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102138789A (zh) * | 2011-01-24 | 2011-08-03 | 无锡微感科技有限公司 | 一种动态心电和运动记录与分析系统 |
CN102697492A (zh) * | 2012-05-25 | 2012-10-03 | 长春华讯信息科技有限公司 | 一种实时心电信息分析系统及其分析方法 |
CN103932696A (zh) * | 2014-04-18 | 2014-07-23 | 赵小英 | 一种健康状态多功能检测方法及其检测系统 |
CN104688250A (zh) * | 2015-03-16 | 2015-06-10 | 深圳大学 | 用于精神紧张判断及心脏性猝死的预警方法及预警系统 |
CN106073765A (zh) * | 2016-05-27 | 2016-11-09 | 成都信汇聚源科技有限公司 | 一种微型动态心电监测设备上猝死风险预测的实现方法 |
CN106551688A (zh) * | 2016-11-25 | 2017-04-05 | 云通万讯科技(深圳)有限公司 | 一种用于马拉松比赛的猝死预警方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pelliccia et al. | Clinical significance of abnormal electrocardiographic patterns in trained athletes | |
CN106952204A (zh) | 保健系统以及生理信号的监控方法 | |
US5713367A (en) | Measuring and assessing cardiac electrical stability | |
DE69531728T2 (de) | Gerät zur messung und auswertung der elektrischen stabilität des herzens | |
Silva et al. | Signal quality estimation with multichannel adaptive filtering in intensive care settings | |
Junge et al. | Comparison of late results of arterial switch versus atrial switch (mustard procedure) operation for transposition of the great arteries | |
Sohal et al. | Interpretation of cardio vascular diseases using electrocardiogram: A study | |
CN107451403A (zh) | 一种运动心源性猝死的预警方法 | |
Pingale et al. | Detection of various diseases using ECG signal in Matlab | |
Chapman | Intermittent left bundle branch block in the athletic heart syndrome: autonomic influence on intraventricular conduction | |
Madias | Superiority of the limb leads over the precordial leads on the 12-lead ECG in monitoring fluctuating fluid overload in a patient with congestive heart failure | |
Zakharova et al. | Cardiovascular health and physical capacity in student and elite basketball players | |
Ahmad et al. | An effect of physical exercise-induced fatigue on the vital sign parameters: A preliminary study | |
Das | Electrocardiogram signal analysis for heartbeat pattern classification | |
Castells et al. | Data and signals for the assessment of the cardiovascular system | |
Di Blasio et al. | Arm vs. combined leg and arm exercise: Blood pressure responses and ratings of perceived exertion at the same indirectly determined heart rate | |
Huang et al. | A Graph-based Method for Interbeat Interval and Heart Rate Variability Estimation Featuring Multichannel PPG Signals During Intensive Activity | |
Cordeiro | Non-invasive Hyperglycemia Detection Using ECG and Deep Learning | |
Schmidt et al. | Evaluation of Ventricular Repolarization Variability in Patients With Nonischemic Dilated Cardiomyopathy From Vectorcardiography | |
Mahmud | Prediction of the HRV signal during treadmill running | |
CN110101381A (zh) | 一种心脏疲劳程度测评方法及装置 | |
Rao et al. | Machine Learning Techniques Used for Diagnosing Cardiac Abnormalities using Electrocardiogram | |
Loewe et al. | Maximization of left atrial information through the optimization of ECG lead systems | |
Petrėnas | Detection of brief episode paroxysmal atrial fibrillation | |
Silveira Cordeiro | Non-invasive Hyperglycemia Detection using ECG and Deep Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |