CN109171708A - 一种可除颤心律识别装置 - Google Patents

Abstract

本发明实施例公开了一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置，对原始心电信号进行滑动窗处理；通过卷积层实现各滑动窗内心电数据的带通滤波和波形斜率计算；提取各滑动窗内心电数据斜率的分布特征；将斜率分布特征输入递归神经网络，利用斜率分布特征的动态时序关系识别可除颤心律。心律识别模型以识别误差最小化为目标，联合优化心电信号的预处理、特征提取和分类，在充分利用了心电信号斜率分布的动态信息的同时，实现了由原始心电信号到心律类别标记的端到端的学习，能自动调整带通滤波和斜率计算的参数，从而为院外心脏除颤急救提供更加准确的判据，同时减少对心电检测时长的需求，提高急救效率。

Description

一种可除颤心律识别装置

技术领域

本发明涉及数据识别技术领域，特别是涉及一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置。

背景技术

据国家心血管病中心发布的《中国心血管病报告2016》显示，每年我国心源性猝死发病人数超过54万，相当于每天约1500人因心源性猝死离世。心源性猝死主要由室颤(Ventricular Fibrillation，VF)和室速(Ventricular Tachycardia，VT)所致。VF/VT发作常无预兆，发作时心室的电活动失去同步性，心脏泵血功能丧失，若不及时采取措施转复心律，数分钟之内会导致患者死亡。

在人流量大的公共场所部署自动体外除颤器(Automatic ExternalDefibrillator，AED)是及时抢救院外VF/VT患者的有效手段。AED的关键技术在于对可电击心律(Shockable Rhythms，ShR)(包括VT和VF)和不可电击心律(Non-shockable Rhythms，NshR)(包括窦性心律不齐、房扑、房颤、室性逸搏等)的准确识别。因为在院外使用AED对VF/VT患者进行除颤救助的人员主要是缺乏急救经验的公众，不必要的电击除颤可能对心脏造成严重伤害，所以美国心脏协会(American Heart Association，AHA)制定了行业标准，要求AED对ShR的识别敏感性(Sensitivity，Se)应高于90％，对于NshR的识别特异性(Specificity，Sp)应高于95％。

目前已有技术方案往往先采用带通滤波预处理，去除临床心电信号中的基线漂移、工频干扰和肌电伪迹；然后在时域、频域、时频域或相空间提取心电信号的形态特征、能量谱特征、斜率直方图特征或复杂度特征；最后打包优化非线性分类器(如高斯核支持向量机)和特征选择，以增强分类性能并简化特征提取。

在这些方案中，发明专利公开号：CN108491879A，题目为“一种基于顺序统计量和支持向量机的可除颤心律识别方法”的方案提出以心电信号斜率的顺序统计量作为特征，使用高斯核支持向量机作为分类器，来实现对ShR/NshR的判别。在公开数据集VFDB、CUDB和AHADB上，采用5重被试交叉验证法测试该方案，检测时长2秒的心电信号所获得Se和Sp分别达到了95.82％和97.15％。虽然该发明方案采用波形斜率的顺序统计量较好地表征了ShR/NshR的形态差异，但是需要凭经验设置斜率计算的差分间隔，所采用的分类方法也无法利用ShR/NshR波形斜率分布的动态变化信息。

可见，如何提供更加准确的判据，同时减少对心电检测时长的需求，是本领域技术人员亟待解决的问题。

发明内容

本发明实施例的目的是提供一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置，可以提供更加准确的判据，同时减少对心电检测时长的需求。

为解决上述技术问题，本发明实施例提供一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置，包括分帧单元、卷积单元、顺序池化单元和训练单元；

所述分帧单元，用于对获取的原始心电信号进行滑动窗处理；

所述卷积单元，用于采用卷积运算对各滑动窗内的心电数据进行带通滤波和波形斜率提取；

所述顺序池化单元，用于统计所有滑动窗内的心电数据的斜率分布特征；

所述训练单元，用于将所述斜率分布特征输入至递归神经网络，利用斜率分布特征的动态时序关系识别可除颤心律。

可选的，所述训练单元具体用于将依据经验带通滤波和一阶差分梯度计算的CNN初值以及预训练完毕后的RNN初值作为CNN-RNN复合网络的初始参数，采用反向梯度传播法更新CNN-RNN复合网络的初始参数；若达到训练截止条件，则输出训练好的心律识别模型，以便于利用斜率分布特征的动态时序关系识别可除颤心律。

可选的，所述递归神经网络为长短期记忆网络、门控循环单元或双向循环神经网络。

可选的，将所述心律识别敏感性函数和心律识别特异性函数的几何平均值或交叉熵作为所述心律识别模型的目标函数。

可选的，以卷积单元作为通用模型，实现各滑动窗内的心电数据的带通滤波和波形斜率提取，公式如下：

其中，y_t表示第t个采样点所对应的斜率分布特征，t∈{1,2,...,n}表示采样点的序号，n表示采样点的总个数，b表示偏置值，a_i表示滤波系数向量中的第i个滤波系数，L表示滤波系数向量中元素的总个数，表示滑动窗内第t-i+1个心电数据。

由上述技术方案可以看出，首先对原始心电信号进行滑动窗处理；通过卷积层实现各滑动窗内心电数据的带通滤波和波形斜率提取；然后通过顺序池化层统计各滑动窗内心电数据斜率的分布特征；最后将斜率分布特征输入至递归神经网络，利用斜率分布特征的动态时序关系识别可除颤心律。本发明所提出的心律识别模型以识别误差最小化为目标，联合优化心电信号的预处理、特征提取和分类，在充分利用了心电信号斜率分布的动态信息的同时，实现了由原始心电信号到心律类别标记的端到端的学习，能自动调整带通滤波和斜率计算的参数，从而为院外心脏除颤急救提供更加准确的判据，同时减少对心电检测时长的需求，提高急救效率。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

接下来，详细介绍本发明实施例所提供的一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置。图1为本发明实施例提供的一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置的结构示意图，该装置包括分帧单元11、卷积单元12、顺序池化单元13和训练单元14；

分帧单元11，用于对获取的原始心电信号进行滑动窗处理。

原始心电信号可以是需要确定其是否属于可除颤心律的心电信号。

原始心电信号的采集过程属于常规技术，在此不再赘述。

采集的原始心电信号属于连续的信号，为了便于对原始心电信号进行分析处理，需要对原始心电信号进行滑动窗处理。

在具体实现中，可以采用宽w秒、步长s秒的滑动窗逐段截取原始心电信号x。

例如，原始心电信号x的时长为2秒，可以取w＝0.6秒，s＝0.1秒，采样率250Hz，则截取后可以得到信号矩阵，该信号矩阵包含有每个滑动窗所截取的心电数据，一个滑动窗内所对应的心电数据为一个向量，该向量中包括有与采样点个数相同的数据，所有滑动窗口对应的心电数据构成了信号矩阵其中，m＝15为滑动窗总数，k＝150为滑动窗内采样点个数。

卷积单元12，用于采用卷积运算对各滑动窗内的心电数据进行带通滤波和波形斜率提取。

在本发明实施例中，采用卷积运算的方式，对每个滑动窗内的心电数据进行带通滤波和波形斜率提取。

在具体实现中，可以采用长度l的卷积核对信号矩阵Z的每一列元素进行卷积运算，边界无填充，得到滤波后的波形斜率信号矩阵

在实际应用中，对信号矩阵进行卷积运算可用有限冲激响应(Finite ImpulseResponse，FIR)滤波器实现，实质是信号与FIR滤波器系数的卷积。

信号矩阵斜率特征计算如下：

其中，t∈{1,2,...,n}为采样点序号，h是差分间隔。若h过大，则会丢失局部信息，若h过小，则y_t易受高频噪声干扰。

在具体实现中，可以以卷积单元作为通用模型，实现各滑动窗内的心电数据的带通滤波和波形斜率提取，公式如下，

其中，y_t表示第t个采样点所对应的斜率分布特征，t∈{1,2,...,n}表示采样点的序号，n表示采样点的总个数，b表示偏置值，a_i表示滤波系数向量中的第i个滤波系数，L表示滤波系数向量中元素的总个数，表示滑动窗内第t-i+1个心电数据。

当b＝0,L＝h+1,a₁＝1/h,a_L＝-1/h，a₂,...,a_L-1＝0时，公式(2)与公式(1)等价，因此，卷积运算可以灵活地实现心电数据的带通滤波和斜率计算。

顺序池化单元13，用于统计所有滑动窗内的心电数据的斜率分布特征。

对波形斜率信号矩阵A中的每一列数据进行降序排列得到心电数据的斜率分布特征，所有滑动窗内的心电数据的斜率分布特征构成了矩阵B，顺序池化单元13可以记录B的各个元素在矩阵A中的位置，以便于利用反向梯度传播算法，对设定的卷积神经网络(Convolutional Neural Networks，CNN)参数进行更新。

波形斜率的分布特征有效地表现了心电信号局部波动的分布，而该分布的差异体现了ShR与NshR形态差别，比如正常心率在Q峰两侧必出现较大的斜率变化；与之不同，VF的斜率变化比较杂乱，VT在Q峰两侧的斜率变化较小。传统的CNN在平均值池化(Average-pooling)或最大值池化(Max-pooling)过程中，都存在对信息的压缩和摒弃，很难全面地反映斜率的分布信息。

而本发明实施中的顺序池化单元实质提取了最为细致的斜率箱型图特征，在完整保留斜率分布信息的同时，将卷积层和分类网络连接起来，便于统一面向误差识别函数进行优化。

训练单元14，用于将斜率分布特征输入至递归神经网络，利用斜率分布特征的动态时序关系识别可除颤心律。

在本发明实施例中，递归神经网络具体可以为长短期记忆网络、门控循环单元或双向循环神经网络等。

在网络优化阶段，可以选择Se、Sp识别目标函数，为了应对ShR和NshR的标签比例失衡的情况，在具体实现中可以使用Se、Sp的几何平均数作为目标函数；为了获取较好的CNN初值，在本发明实施例中可以将经验带通滤波(1～30Hz)以及一阶差分波形梯度计算转换成卷积单元的初值；为了获取较好的递归神经网络初值，在本发明实施例中可以将CNN初始网络输出的顺序统计量特征输入到递归神经网络进行预训练；从而将依据经验带通滤波和一阶差分梯度计算的CNN初值以及预训练完毕后的RNN初值作为CNN-RNN复合网络的初始参数，接着采用反向梯度传播法更新CNN-RNN复合网络的初始参数。最后若达到训练截止条件，则输出训练好的心律识别模型，以便于利用斜率分布特征的动态时序关系识别可除颤心律。

其中，CNN初始网络输出的顺序统计量特征即为顺序池化单元13所统计的斜率分布特征。

在本发明实施中，将CNN和递归神经网络(Recurrent Neural Network，RNN)相结合，可以得到CNN-RNN复合网络。

其中，目标函数可以依据心律识别敏感性函数和心律识别特异性函数建立。

举例说明，可以将心律识别敏感性函数和心律识别特异性函数的几何平均值或交叉熵作为目标函数，又或者将接收机操作特性曲线下面积作为目标函数。

目标函数反映了心律类型识别的误差，目标函数的取值越小说明其识别误差越小，在本发明实施例中，可以通过迭代的方式，完成对目标函数的训练。

目标函数的训练截止条件可以依据于目标函数的心律类型识别的准确性要求进行设定。在具体实现中，可以设置目标函数训练的最大迭代次数，当目标函数的训练次数到达该最大迭代次数时，则说明心律识别模型已经达到训练截止条件，此时可以输出该心律识别模型，以便于用于后续对原始心电信号的心律类型的识别。

最大迭代次数的具体取值可以依据实际需求进行设定，例如，可以将最大迭代次数设置为300。

在具体实现中，可以使用Adam优化器进行批量梯度下降更新，每个迭代周期含7批训练样本，每批训练样本可以有1024个，当迭代周期数到达300时训练截止。

除设置迭代次数外，也可以以目标函数的取值作为依据，例如，可以设定一个定值，当多次迭代后的目标函数的取值趋于一个定值时，则说明心律识别模型已经达到训练截止条件，此时可以输出该心律识别模型，以便于用于后续对原始心电信号的心律类型的识别。

相对于现有技术，本发明实施例提供的可除颤心律识别装置能更加准确快速地识别ShR/NshR，为院外心脏除颤提供更加准确的判据，并节省宝贵的急救时间。本发明和其他方案在公开数据集Mit-BIH恶性室性心律失常数据库(Mit-BIH Malignant VentricularArrhythmia Database，VFDB)、克瑞顿大学室性心律失常数据库(the CreightonUniversity Ventricular Tachyarrhythmia Database，CUDB)和美国心脏协会数据库(American Heart Assiocation Database，AHADB)(共1696组ShR，7086组NshR)上进行测试，5重交叉验证(各重验证的训练和测试样本来自不同被试者)的性能如表1所示，表1为针对不同时长的心电数据，本发明方案与现有技术方案一和方案二识别性能的对比表，

心电时长	方案一(％)	方案二(％)	本发明方案(％)
				2秒(Se/Sp/BER)	94.05/98.59/3.68	95.82/97.15/3.52	97.31/98.14/2.28
4秒(Se/Sp/BER)	94.66/98.98/3.18	96.95/97.13/2.96	97.45/98.98/1.78
				6秒(Se/Sp/BER)	95.52/99.24/2.62	96.90/98.07/2.52	99.42/97.81/1.39
8秒(Se/Sp/BER)	95.46/98.72/2.91	97.36/97.99/2.33	98.45/98.96/1.29

表1

其中，方案一在时域、频域和时频域提取了共计30种统计量作为特征，采用高斯核支持向量机作为分类器；方案二通过一阶差分和排序提取波形斜率的顺序统计量特征，同样采用高斯核支持向量机作为分类器。由表1可见，三个方案都是使用心电数据越长，识别性能越好；本发明方案在所有心电时长设置下都取得了最优的识别性能，而且使用2秒心电信号所取得的均衡误差率(Balanced Error Rate，BER)低于方案一和方案二使用8秒心电信号所取得的BER。

由上述技术方案可以看出，首先对原始心电信号进行滑动窗处理；接着采用卷积层实现各滑动窗内心电数据的带通滤波和波形斜率提取；然后通过顺序池化层统计各滑动窗内心电数据斜率的分布特征；最后将斜率分布特征输入至递归神经网络，利用斜率分布特征的动态时序关系识别可除颤心律。本发明所提出的心律识别模型以识别误差最小化为目标，联合优化心电信号的预处理、特征提取和分类，在充分利用了心电信号斜率分布的动态信息的同时，实现了由原始心电信号到心律类别标记的端到端的学习，能自动调整带通滤波和斜率计算的参数，从而为院外心脏除颤急救提供更加准确的判据，同时减少对心电检测时长的需求，提高急救效率。

以上对本发明实施例所提供的一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同装置来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的技术步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (5)

1.一种基于顺序池化卷积神经网络和递归神经网络的可除颤心律识别装置，其特征在于，包括分帧单元、卷积单元、顺序池化单元和训练单元；

所述分帧单元，用于对获取的原始心电信号进行滑动窗处理；

所述卷积单元，用于采用卷积运算对各滑动窗内的心电数据进行带通滤波和波形斜率提取；

所述顺序池化单元，用于统计所有滑动窗内的心电数据的斜率分布特征；

所述训练单元，用于将所述斜率分布特征输入至递归神经网络，利用斜率分布特征的动态时序关系识别可除颤心律。

2.根据权利要求1所述的装置，其特征在于，所述训练单元具体用于将依据经验带通滤波和一阶差分梯度计算的CNN初值以及预训练完毕后的RNN初值作为CNN-RNN复合网络的初始参数，采用反向梯度传播法更新CNN-RNN复合网络的初始参数；若达到训练截止条件，则输出训练好的心律识别模型，以便于利用斜率分布特征的动态时序关系识别可除颤心律。

3.根据权利要求1所述的装置，其特征在于，所述递归神经网络为长短期记忆网络、门控循环单元或双向循环神经网络。

4.根据权利要求2所述的装置，其特征在于，将所述心律识别敏感性函数和心律识别特异性函数的几何平均值或交叉熵作为所述心律识别模型的目标函数。

5.根据权利要求1-4任意一项所述的装置，其特征在于，以卷积单元作为通用模型，实现各滑动窗内的心电数据的带通滤波和波形斜率提取，公式如下：

其中，y_t表示第t个采样点所对应的斜率分布特征，t∈{1,2,...,n}表示采样点的序号，n表示采样点的总个数，b表示偏置值，a_i表示滤波系数向量中的第i个滤波系数，L表示滤波系数向量中元素的总个数，表示滑动窗内第t-i+1个心电数据。