CN112022149B - 一种基于心电信号的房颤检测方法 - Google Patents

Abstract

本发明属于人工智能领域，具体涉及一种基于心电信号的房颤检测方法，包括如下步骤：步骤一，用户佩戴心电信号采集设备，利用最高采样频率采集心电信号，对不同心电信号记录进行房颤分类；步骤二，对不同心电信号记录按心跳周期进行分割，得到不同心跳心电记录序列；步骤三，定义粒子群优化算法目标函数；步骤四，利用粒子群优化算法优化目标函数，得到最优心电信号采样频率。通过实现基于长短时记忆网络对心电信号序列进行学习，利用粒子群优化算法对心电信号采样频率进行优化，降低了医生的工作负担及误报率。

Description

一种基于心电信号的房颤检测方法

技术领域

本发明属于人工智能领域，具体涉及一种基于心电信号的房颤检测方法。

背景技术

随着人口老龄化，近年来心脏病的发病率持续增高。预计到2030年，全球心血管疾病死亡人数将增加到2360万。心脏病将成为未来造成人类死亡的最主要原因，严重威胁全球范围内人们的健康。心房颤动作为心脏病中最普遍的一种病症，通常被称为房颤。房颤的发病率会随着患者年龄的增长而显著增高。房颤发生时，心房会失去正常有效的收缩功能，处于紊乱的颤动状态。房颤引起的脑卒中，心功能恶化时病人致死致残的重要原因。但是，部分患者在症状不明显情况下会错过诊治。因此，如何准确检测到病人是否发生房颤十分重要。

目前最常用的房颤检测方法是通过医生判断采集到的心电信号。这种方法需要医生根据经验通过视觉判读心电信号，大大增加了医生的工作负担及误报率。

本发明提出一种基于心电信号的房颤检测方法。考虑到不同于其他数据驱动方法，长短时记忆网络方法可以避免对心电信号的预处理，直接对心电信号序列进行学习，因此本发明基于长短时记忆网络对心电信号序列进行学习，利用粒子群优化算法对心电信号采样频率进行优化，得到一种房颤检测方法。

发明内容

本发明的目的在于提供一种基于心电信号的房颤检测方法，以实现基于长短时记忆网络对心电信号序列进行学习，利用粒子群优化算法对心电信号采样频率进行优化。

为实现上述目的，本发明具体提供的技术方案为：一种基于心电信号的房颤检测方法，包括如下步骤：

步骤一，用户佩戴心电信号采集设备，利用最高采样频率采集心电信号，对不同心电信号记录进行房颤分类；

步骤二，对不同心电信号记录按心跳周期进行分割，得到不同心跳心电记录序列；

步骤三，定义粒子群优化算法目标函数；

步骤四，利用粒子群优化算法优化目标函数，得到最优心电信号采样频率。

进一步，所述步骤一具体为，不同用户N名，佩戴心电信号采集设备，在心电信号采集设备允许的最大采样频率w_max下，对每名用户采集心电信号两分钟，最终得到N条时长为m分钟的心电信号数据，对这N条心电信号数据进行是否房颤信号的分类，将数据及房颤标签一起存储。

进一步，所述N名不同用户中其中N/2名用户具有房颤特征。

进一步，所述步骤二具体为：心电信号具有周期性，在进行房颤分类模型训练前，需要对心跳数据记录按照心跳周期分割，每个心跳周期内，心电信号波形包括P波、QRS波群、T波、R波。

进一步，所述R波特征最为明显，包括了心跳周期内心电信号的最大值，检测R波波峰，对波峰前后一段时间的心电信号进行组合，最终得到分割成不同心跳周期的心电信号，并将分割前的房颤信号标签保留到分割后的心电信号。

进一步，所述步骤三具体为，

一、定义优化变量为采样频率w，根据采样频率物理意义可知优化变量的定义域是正整数，小于心电信号采集设备所允许的最高采样频率w_max；

二、照采样频率w，对分割成不同心跳周期的心电信号数据进行重新采样；

三、对所有心电信号进行上述重新采样后，若该心电信号为房颤信号，则将心电信号标签y向量置为{1，0}，若该心电信号为正常信号，则将该心电信号标签y向量置为{0，1}，将带有房颤标签的心电信号平均分为训练数据和测试数据；

四、将优化变量w下，测试数据的分类准确率作为目标函数d(w)；其中，测试数据的分类结果由所训练的长短时记忆网络模型输出。

进一步，其中三中，利用训练数据，将交叉熵作为训练目标，利用Adam优化算法训练长短时记忆网络，长短时记忆网络训练后给出二维输出z；

其中交叉熵的计算过程为：

其中，z_i代表长短时记忆网络的输出z向量的元素，i＝1,2；a_i代表长短时记忆网络针对心电信号输入预测的房颤与正常的概率，a₁为房颤概率，a₂为正常概率；y_i代表该心电信号输入所对应的真实标签y的元素，若该心电信号的标签为房颤，则y1＝1，y2＝0；否则y1＝0，y2＝1；训练后得到长短时记忆网络的参数P，b。

进一步，所述步骤四具体为，利用粒子群优化算法实现优化求解，即求解使得目标函数最大的w的步骤包括如下：

(a)设置种群粒子个数为m和粒子维度1；

(b)随机初始化种群中各粒子的速度和位置，得到初始种群位置

上角标表示粒子标号；u_m是一个五维的向量，表示第m个粒子的位置，是优化过程中一个可能的解；上角标“1”表示当前为第1次迭代过程；设置初始种群速度v(1)；

(c)对种群内各粒子位置与w_max进行比较，将大于w_max的位置替换为w_max。之后，对粒子位置进行取整，即令

(d)在迭代过程中，比较各可能解的目标函数值。将迭代过程中，每个粒子最优位置(目标函数值最小)设为该粒子最优位置p_best,i；比较得到所有粒子中最优位置设为粒子群最优位置g_best；

(e)更新粒子速度和位置，第i个粒子的速度及位置更新公式分别如下：

其中，v为粒子速度，u为粒子位置，w为惯性权重，r₁和r₂为分布于区间[0,1]内的随机数，k为当前迭代次数，初始值为1，

为第k次迭代时的第i个粒子的个体最优粒子位置，

为第k代时的全局最优粒子位置，c₁与c₂为常数。

进而得到k+1次迭代种群位置：

对种群内各粒子位置与w_max进行比较，将大于w_max的位置替换为w_max。之后，对粒子位置进行取整，即令

(f)计算k+1步的每个粒子的目标函数值，并与之前的最优位置

所对应得到的目标函数值比较，若当前位置更好，则将其当前位置作为该粒子的最优位置

将每一个粒子的目标函数与粒子群的最优粒子位置

相比较，若当前位置更好，则更新最优粒子位置

(g)检查终值条件，若精度满足预设条件或迭代次数超出限制，则停止迭代，否则重复步骤(c)-(g)；

(h)输出最优的w*。

本发明的优点及其有益效果在于：

(1)利用长短时记忆网络训练房颤检测模型，在避免医生工作负担的同时，长短时记忆网络可以直接对心电信号数据进行学习，不用对数据进行预处理提取特征；

(2)利用粒子群优化算法优化采样频率，得到能够对心电信号的房颤数据进行最佳识别的采样频率。

附图说明

图1为心电信号记录分割示意图；

图2为粒子群优化算法优化采样频率结构图；

图3为长短时记忆网络训练房颤检测模型流程图。

具体实施方式

下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行描述。

本发明提供的一种基于心电信号的房颤检测方法，包括如下步骤：

S1：不同用户(N名，其中N/2名用户具有房颤特征)佩戴心电信号采集设备，在心电信号采集设备允许的最大采样频率w_max下，对每名用户采集心电信号两分钟，最终得到N条时长为m分钟的心电信号数据，参考专业医生意见对这N条心电信号数据进行是否房颤信号的分类。将数据及房颤标签一起存储。

S2：对不同心电信号记录按心跳周期进行分割，得到不同心跳心电记录序列。参考专业医生意见对不同心跳周期的房颤标签。

具体来说，所得心跳数据记录如图1所示，心电信号具有周期性。在进行房颤分类模型训练前，需要对心跳数据记录按照心跳周期分割。以图1为例，每个心跳周期内，心电信号波形包括P波，QRS波群，T波，其中R波特征最为明显，包括了心跳周期内心电信号的最大值。因此利用应用广泛的最大值检索法检测R波波峰。检测到波峰后，对波峰前后一段时间的心电信号进行组合，最终得到分割成不同心跳周期的心电信号，并将分割前的房颤信号标签保留到分割后的心电信号。

S3：定义粒子群优化算法目标函数。

所述的粒子群优化目标函数，具体计算方法如下：

S301：定义优化变量为采样频率w，根据采样频率物理意义可知优化变量的定义域是正整数，小于心电信号采集设备所允许的最高采样频率w_max；

S302：按照采样频率w，对分割成不同心跳周期的心电信号数据进行重新采样；以某一心跳周期内的心电信号数据为例，该组数据为V＝{V₁,V₂,...,V_n}，令

其中“[]”符号代表向下取整，则重新采样后的数据为

S303：对所有心电信号进行上述重新采样后，若该心电信号为房颤信号，则将心电信号标签y向量置为{1，0}，若该心电信号为正常信号，则将该心电信号标签y向量置为{0，1}。将带有房颤标签的心电信号平均分为训练数据和测试数据。利用训练数据，将交叉熵作为训练目标，利用Adam优化算法训练长短时记忆网络，长短时记忆网络训练后给出二维输出z。其中交叉熵的计算过程为：

其中，z_i代表长短时记忆网络的输出z向量的元素，i＝1,2；a_i代表长短时记忆网络针对心电信号输入预测的房颤与正常的概率，a₁为房颤概率，a₂为正常概率；y_i代表该心电信号输入所对应的真实标签y的元素，若该心电信号的标签为房颤，则y1＝1，y2＝0；否则y1＝0，y2＝1。训练后得到长短时记忆网络的参数P，b。

S304：将优化变量w下，测试数据的分类准确率作为目标函数d(w)。其中，测试数据的分类结果由所训练的长短时记忆网络模型输出，长短时记忆网络计算过程如图2所示，具体如下：

A.将S303所得的长短时记忆网络参数P，b_fc输入到网络各层，其中P包括P_fc,P_xL,P_bL,P_sL,P_xf,P_bf,P_sf,P_xo,P_bo,P_so；

B.将按采样频率w重新采样后的各心跳周期心电信号数据Vnew输入全连接层，对数据进行以下操作

x^t＝g(P_fcV_t+b_fc)，

其中

C.全连接层计算后，将计算结果传递给长短时记忆网络层，进行以下操作其中下标L代表输入门，f代表遗忘门，o代表输出门；

输入门：

其中，

遗忘门：

单元状态：

a^t＝P_xx^t+P_bfb^t-1

输出门：

最终输出：

D.长短时记忆网络层将计算结果传递给全连接层，进行以下操作；

z^t＝g(P_fc'b_t+b_fc')

E.全连接层的输出结果x，传递给softmax层，经过公式

计算，得到检测为房颤和正常的概率，取其中较大概率的作为检测结果ytest。利用房颤检测结果计算测试数据的分类准确性，定义目标函数d(w)为

S4：利用粒子群优化算法优化目标函数，得到最优心电信号采样频率w*。利用最优心电信号采样频率，训练长短时记忆网络，记录训练得的参数，得到房颤检测的长短时记忆网络模型。其中粒子群优化算法具体过程如下：

如图3所示，待优化变量为w，是一维变量，优化目标函数为d(w)。利用粒子群优化算法实现优化求解，即求解使得目标函数最大的w的步骤包括如下：

(a)设置种群粒子个数为m和粒子维度1；

(b)随机初始化种群中各粒子的速度和位置，得到初始种群位置

上角标表示粒子标号；u_m是一个五维的向量，表示第m个粒子的位置，是优化过程中一个可能的解；上角标“1”表示当前为第1次迭代过程；设置初始种群速度v(1)；

(c)对种群内各粒子位置与w_max进行比较，将大于w_max的位置替换为w_max。之后，对粒子位置进行取整，即令

(d)在迭代过程中，比较各可能解的目标函数值。将迭代过程中，每个粒子最优位置(目标函数值最小)设为该粒子最优位置p_best,i；比较得到所有粒子中最优位置设为粒子群最优位置g_best；

(e)更新粒子速度和位置，第i个粒子的速度及位置更新公式分别如下：

其中，v为粒子速度，u为粒子位置，w为惯性权重，r₁和r₂为分布于区间[0,1]内的随机数，k为当前迭代次数，初始值为1，

为第k次迭代时的第i个粒子的个体最优粒子位置，

为第k代时的全局最优粒子位置，c₁与c₂为常数。

进而得到k+1次迭代种群位置：

对种群内各粒子位置与w_max进行比较，将大于w_max的位置替换为w_max。之后，对粒子位置进行取整，即令

(f)计算k+1步的每个粒子的目标函数值，并与之前的最优位置

所对应得到的目标函数值比较，若当前位置更好，则将其当前位置作为该粒子的最优位置

将每一个粒子的目标函数与粒子群的最优粒子位置

相比较，若当前位置更好，则更新最优粒子位置

(g)检查终值条件，若精度满足预设条件或迭代次数超出限制，则停止迭代，否则重复步骤(c)-(g)；

(h)输出最优的w*。

最终，在该w*采样频率下，采集心电信号，进行房颤检测。由于采样频率对房颤检测的正确性有影响，本专利方法求解出来的最优采样频率可以最大程度确保房颤检测结果的正确性，同时由于最优采样频率低于最大采样频率，因此减小了采样频率，节约了心电信号设备能耗。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于心电信号的房颤检测方法，其特征在于，包括如下步骤：

步骤一，用户佩戴心电信号采集设备，利用最高采样频率采集心电信号，对不同心电信号记录进行房颤分类；

步骤二，对不同心电信号记录按心跳周期进行分割，得到不同心跳心电记录序列；

步骤三，定义粒子群优化算法目标函数：

(1)、定义优化变量为采样频率w，根据采样频率物理意义可知优化变量的定义域是正整数，小于心电信号采集设备所允许的最高采样频率w_max；

(2)、照采样频率w，对分割成不同心跳周期的心电信号数据进行重新采样；

(3)、对所有心电信号进行上述重新采样后，若该心电信号为房颤信号，则将心电信号标签y向量置为{1，0}，若该心电信号为正常信号，则将该心电信号标签y向量置为{0，1}，将带有房颤标签的心电信号平均分为训练数据和测试数据；利用训练数据，将交叉熵作为训练目标，利用Adam优化算法训练长短时记忆网络，长短时记忆网络训练后给出二维输出z；

其中交叉熵的计算过程为：

其中，z_i代表长短时记忆网络的输出z向量的元素，i＝1,2；a_i代表长短时记忆网络针对心电信号输入预测的房颤与正常的概率，a₁为房颤概率，a₂为正常概率；y_i代表该心电信号输入所对应的真实标签y的元素，若该心电信号的标签为房颤，则y1＝1，y2＝0；否则y1＝0，y2＝1；训练后得到长短时记忆网络的参数P，b；

(4)、将优化变量w下，测试数据的分类准确率作为目标函数d(w)；其中，测试数据的分类结果由所训练的长短时记忆网络模型输出；

步骤四，利用粒子群优化算法优化目标函数，得到最优心电信号采样频率。

2.根据权利要求1所述的一种基于心电信号的房颤检测方法，其特征在于，所述步骤一具体为，不同用户N名，佩戴心电信号采集设备，在心电信号采集设备允许的最大采样频率w_max下，对每名用户采集心电信号两分钟，最终得到N条时长为m分钟的心电信号数据，对这N条心电信号数据进行是否房颤信号的分类，将数据及房颤标签一起存储。

3.根据权利要求2所述的一种基于心电信号的房颤检测方法，其特征在于，所述N名不同用户中其中N/2名用户具有房颤特征。

4.根据权利要求1所述的一种基于心电信号的房颤检测方法，其特征在于，所述步骤二具体为：心电信号具有周期性，在进行房颤分类模型训练前，需要对心跳数据记录按照心跳周期分割，每个心跳周期内，心电信号波形包括P波、QRS波群、T波、R波。

5.根据权利要求4所述的一种基于心电信号的房颤检测方法，其特征在于，所述R波特征最为明显，包括了心跳周期内心电信号的最大值，检测R波波峰，对波峰前后一段时间的心电信号进行组合，最终得到分割成不同心跳周期的心电信号，并将分割前的房颤信号标签保留到分割后的心电信号。

6.根据权利要求1所述的一种基于心电信号的房颤检测方法，其特征在于，所述步骤四具体为，利用粒子群优化算法实现优化求解，即求解使得目标函数最大的w的步骤包括如下：

(a)设置种群粒子个数为m和粒子维度1；

(b)随机初始化种群中各粒子的速度和位置，得到初始种群位置

上角标表示粒子标号；u_m是一个五维的向量，表示第m个粒子的位置，是优化过程中一个可能的解；上角标“1”表示当前为第1次迭代过程；设置初始种群速度v(1)；

(c)对种群内各粒子位置与w_max进行比较，将大于w_max的位置替换为w_max之后，对粒子位置进行取整，即令

(d)在迭代过程中，比较各可能解的目标函数值；将迭代过程中，每个粒子最优位置(目标函数值最小)设为该粒子最优位置p_best,i；比较得到所有粒子中最优位置设为粒子群最优位置g_best；

(e)更新粒子速度和位置，第i个粒子的速度及位置更新公式分别如下：

其中，v为粒子速度，u为粒子位置，w为惯性权重，r₁和r₂为分布于区间[0,1]内的随机数，k为当前迭代次数，初始值为1，

为第k次迭代时的第i个粒子的个体最优粒子位置，

为第k代时的全局最优粒子位置，c₁与c₂为常数；

进而得到k+1次迭代种群位置：

对种群内各粒子位置与w_max进行比较，将大于w_max的位置替换为w_max；之后，对粒子位置进行取整，即令

(f)计算k+1步的每个粒子的目标函数值，并与之前的最优位置

所对应得到的目标函数值比较，若当前位置更好，则将其当前位置作为该粒子的最优位置

将每一个粒子的目标函数与粒子群的最优粒子位置

相比较，若当前位置更好，则更新最优粒子位置

(g)检查终值条件，若精度满足预设条件或迭代次数超出限制，则停止迭代，否则重复步骤(c)-(g)；

(h)输出最优的w*。

Images