CN112494026B - 一种基于非接触的远程心脏猝死预警方法 - Google Patents
一种基于非接触的远程心脏猝死预警方法 Download PDFInfo
- Publication number
- CN112494026B CN112494026B CN202010926703.2A CN202010926703A CN112494026B CN 112494026 B CN112494026 B CN 112494026B CN 202010926703 A CN202010926703 A CN 202010926703A CN 112494026 B CN112494026 B CN 112494026B
- Authority
- CN
- China
- Prior art keywords
- sdnn
- cluster
- index
- data
- minute
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Abstract
一种基于非接触的远程心脏猝死预警方法,方法步骤如下:S1.测试者图像采集;S2.基于S1采集到的图像信息,提取RGB通道数据;S3.基于S2得到的RGB通道数据,依次进行独立成分分析和一维滤波处理,再进行快速离散傅立叶变换得到心率信息;S4.基于S3得到的心率信息,换算得到5分钟HRV信息并计算得到5分钟SDNN信息;S5.基于S4得到的5分钟SDNN信息,构建SDNN数据的聚类分析系统;S6.基于S5 SDNN聚类分析系统中分类器的最小值和最大值,得到HRV心脏猝死概率以及预警标示。
Description
技术领域
本发明涉及健康监测技术领域,特别涉及一种基于非接触的远程心脏猝死预警方法。
背景技术
目前,心脏猝死主要由HRV(Heart Rate Variability,中文为心率变异度)指标来进行预测,在医学上有重要的意义。心脏除了本身的节律性放电引发的跳动之外,也受到自律神经系统所调控。过去二十年已有不少文献显示自律神经系统的调控与心血管疾病相关的死亡率有显著的关系,例如心因性垂死、高血压、出血性休克、败血性休克等。HRV信号心率变异分析亦被发现可作为预测发生心肌梗塞后的死亡率的指标及预测末期肝癌病患的预测。HRV信号中蕴含了有关心血管调节的大量信息,对这些信息的提取和分析可以定量评估心脏交感神经和迷走神经活动的紧张性、均衡性及其对心血管系统活动的影响。HRV的检测在国内外已广泛应用于临床,在交感神经活动增强时,HRV减小,副交感活动增强时,HRV增大。
(1)HRV指标可以作为预测心脏猝死可能性的一个独立因素。如急性心肌梗塞、心衰患者交感神经张力升高,迷走张力下降;甲亢患者交感张力明显增高。由于交感张力的升高与迷走张力的降低,使室颤阈降低,心电不稳定性增高,易引发室速(VT)、室颤(VF)和猝死。
(2)HRV指标可以预测冠心病、心肌梗死、高血压、心功能不全等植物神经功能障碍的疾病。
(3)HRV指标是判断自主神经活动的最好定量指标。
传统分析方法都是基于心电图数据的分析,为ACC/AHA/ESC室性心律失常治疗和心脏性猝死预防首要的指南。
a.线性分析方法
心脏系统是一个复杂的系统,用线性的方法来进行分析,掩盖了瞬时心搏的变化。通常利用连续量测到的心电图波形,直接计算与分析其相连心跳间时间序列的关系。
①时域分析
对采集到的RR间期的时间序列信号,按时间顺序或心搏顺序排列的RR间期数值,直接进行统计学或几何学分析。时域分析的结果可对植物神经系统对心率的调控作用做出总的概括性评价。
时域法以R-R间期的变异为基础,
部分时域分析指标如下:
SDNN:全程记录期间所有窦性心博R-R(NN)间期的标准差
RMSSD:相邻NN间期差值的均方根
SDNNindex:相邻NN间期差值的标准差
MEAN:全程记录中相邻NN间期的平均值
STD:全程记录中相邻NN间期的标准差
CV R-R:心率变异系数,是标准差与均值之比
②频域分析
将RR间期的时间序列信号采用数学变换的方法将其变换到频率域上,形成频谱曲线,并对频谱曲线的形状进行分析。从频谱曲线上比较细微地分别观察交感神经与迷走神经对心率的调控作用。
频谱曲线的横坐标是频率(Hz),纵坐标是功率密度(单位频率的功率)。将心律变化曲线转变为频谱计算功率谱密度,常用的方法有自回归法(AR)和快速Fourier转换法(FFT)。经典谱估计法的主要优点是:1)使用的算法简单(通过快速傅里叶变换实现);2)运算速度快。主要缺点是:谱线不是很光滑。参数模型谱估计法的主要优点是:1)谱线光滑、易辨认;2)分辨率高。其主要缺点是:建模过程复杂,模型阶数不容易确定,要求数据是平稳序列。
b.非线性分析方法
HRV的非线性参数有相图(散点图)及定量描述混沌的参数:分维数、李雅普诺夫指数、测度熵、复杂度、预测度。
①散点图,即HRV信号的相空间轨迹图。以相邻两个窦性心动周期的前一个R-R间期长度RRi(ms)为横坐标,以后一个心搏的R-R间期RRi+1(ms)为纵坐标,在图上画出一定时间段内(24小时)所有心动周期的点。正常人如慧星状,较密集的点主要分布于45°角直线附近,表示相邻的R-R间期大致相等,反映交感神经的活性。沿该直线方向上的长度代表24小时心率的总体变异度,垂直于该直线方向上的稀疏散点,表示相邻R-R间距差异大,即窦性心律不齐,反映了迷走神经活性,代表HRV的瞬时改变。病理状态下,散点图多为不规则型。
②分维数(Hausdorff维、信息维、相关维、容量维),是用来描述混沌系统自由度信息,表征HRV信号系统分形特征的参数。病理状态下,HRV信号的混沌分形性质发生改变,向周期性、准周期性靠拢,分维数减小。分维数越大,HRV自相似复杂性越大。心血管动力系统的复杂性随年龄增大而减小,在平卧自主呼吸情况下,老年人近似维为3141±0157,比年轻人(4120±0153)要低。
③李维普诺夫指数(Lyapunov指数,Lya),Lya是反映非线性系统动力学稳定性的参数。Lya越大,系统的混沌程度就越大,正常人Lya为正值且显著大于AMI病人的Lya。
④测度熵,熵是指复杂系统产生信息的速率。是动力系统复杂程度的度量。熵为零表示系统是有规则的,熵无穷大,则是完全随机的,而混沌信号的测度熵是一个有限的正数。患病婴儿的测度熵低于健康婴儿。老人的测度熵(0179±0112)低于年轻人(0190±0104)。
⑤复杂度,复杂度反映了一个时间序列随其长度的增加出现新模式的速率。在HRV分析中可以表现R-R序列接近随机的程度。健康人的HRV存在其固有的生理复杂性,而在AMI、心源性猝死、充血性心力衰竭等病理状态下,复杂度减小或消失。
⑥预测度,预测度可以用来分析R-R间期序列,周期性、混沌性、随机性的程度。
发明内容
为克服上述现有技术中的不足,本发明目的在于提供一种基于非接触的远程心脏猝死预警方法。
为实现上述目的及其他相关目的,本发明提供的技术方案是:一种基于非接触的远程心脏猝死预警方法,方法步骤如下:
S1.测试者图像采集;
S2.基于S1采集到的图像信息,提取RGB通道数据;
S3.基于S2得到的RGB通道数据,依次进行独立成分分析和一维滤波处理,再进行快速离散傅立叶变换得到心率信息;
S4.基于S3得到的心率信息,换算得到5分钟HRV信息并计算得到5分钟SDNN信息;
S5.基于S4得到的5分钟SDNN信息,构建SDNN数据的聚类分析系统;
S6.基于S5 SDNN聚类分析系统中分类器的最小值和最大值,得到HRV心脏猝死概率以及预警标示。
优选的技术方案为:所述步骤S2中,将检测人脸区域作为ROI,读取彩色视频中每一帧感兴趣区域内的图像,对图像中的彩色信号实施三基色分离以得到R、G、B三个通道的颜色分量。
优选的技术方案为:将得到的R、G、B三个通道的颜色分量保存至一个三维数字矩阵,将每帧R、G、B三个颜色通道所对应的各自二维矩阵取空间平均,作为该帧视频图像所处时刻的PPG信号样本值,以提取三组分别包含有心脏跳动信号和时间域上的离散时间信号的初始信号序列,分别记为x10(t),x20(t)和x30(t),其中t指示帧。
优选的技术方案为:所述步骤S3中,利用Fast ICA算法将初始信号序列分解为3个独立源信号并分别与绿色通道原始信号实施简单相关性分析,以找出其中与绿色通道原始信号线性相关程度最高的一个潜在独立源信号。
优选的技术方案为:所述相关性分析采用的Pearson相关系数和Pearson互相关函数。
优选的技术方案为:所述步骤S3中,采用的一维数字滤波器为转置直接II型递归结构的IIR滤波器,通带频率范围为[0.75,4],对三个ICA独立源信号中第二个信号进行滤波处理后得到图形。
优选的技术方案为:所述步骤S3中,信号采样时满足香农定理,选取PPG信号进行傅立叶变换后在频域中的波形图的一半来分析得到的心率信号。
优选的技术方案为:所述步骤S4中,以每5min心跳期间的标准差SDNN index为心脏猝死的预警指标;
以下为计算每5分钟的SDNN Index:
设R:为权利要求1-7计算出来的每分钟心跳数,R为非0的数值;
RR:为每次心跳的时间间隔,单位为ms;
SDNN index计算步骤如下:
a)计算RR:RR=60000/R;
b)计算300秒内的RR平均值
c)计算300秒的HRV标准差
优选的技术方案为:所述步骤S5中,使用的SDNN数据聚类分析模型是由m个聚类器、一个评估器和一个分类器组成;
将收集到的原始SDNN数据复制m份,分别传给每个聚类器;当聚类器接收到数据后,采用K-means算法对数据进行聚类,聚类器根据各自的分簇结果计算簇内距离、簇间距离、DB指数,并将DB指数传给评估器;当评估器收到每个聚类器传来的DB指数后,按照“DB指数最小”原则选取对应的聚类器,得到最有分簇结果;分类器根据预先设置的最小,最大簇内距离阈值对最优分簇结果中的k个簇逐一进行分类。
优选的技术方案为:所述步骤S6中,根据SDNN分类器的最小值最大值,得到HRV心脏猝死概率以及预警标示;
以5分钟SDNN为基础,30分钟为猝死概率观察窗口,窗口统计包括6个SDNN值,当min<SDNN<max且SDNN非0,视为一次猝死事件;
猝死概率x为猝死事件次数。
本发明目的是利用从非接触式的视频信号中提取血液随心脏周期性的搏动而产生的变化,分析HRV波动信息进行猝死可能性判断。人体内的血液容量会随着心脏周期性的搏动而不断的变化着,当人体的皮肤表面接收到某种波长、某种强度的可见光束时,因为皮肤以及血氧对不一样的光波长和强度的光的吸收和反透射能力都不一样,导致光电检测设备接收到的反射回来的光波强度变化规律同血液容量的变化规律是一样的,这样我们就可以利用光的平均亮度值来揭示血液容量的变化情况,这便得到初始BVP的信息,而血氧容量的脉动规律其实就是心脏跳动规律,心动规律被反射回来的光揭示出来后经过特定的算法即可得到心率的信息,再通过心率信息推算出HRV变动信息,计算出SDNN的波动数据,再进行基于聚类的无监督学习,得到猝死异常的分类,从而发出心脏性猝死预警。
附图说明
图1为本发明流程示意图。
图2为本发明原始PPG信号波形图。
图3为本发明用Fast ICA算法分解为3个独立源信号进行独立成分分析。
图4为本发明频域变换后在心率信号频谱图。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明提供一种基于非接触的远程心脏猝死预警方法,包括以下流程:
1)图像采集
所采用的视频的拍摄在室内进行,由透过窗户照射的阳光来照明。参与者坐在一台有内置摄像头的笔记本电脑前40到50厘米左右的位置,静静而坐,自然地呼吸,面对着摄像头进行拍摄视频。在拍摄视频的同时再利用物理测量仪器测量参与者的脉搏,用来和最终测试结果进行准确性差异比对。拍摄的视频皆以24位RGB真彩色、15帧/秒的帧速、1920×1080的像素分辨率采集。
2)人脸检测及ROI的获取
利用深度神经网络检测人脸区域作为ROI(感兴趣区域)。如果没有人脸被检测到,则前一个ROI参数被使用;如果检测到的人脸数量多于一个,选择与前一个ROI参数最为接近的矩形框作为人脸识别的结果。将读取彩色视频的每一帧感兴趣区域内的图像,然后对其彩色信号实施三基色分离以便得到R、G、B三个通道的颜色分量,并将其保存成一个三维数字矩阵,矩阵维数是640×480×3,其中第三个维度代表R、G、B三个颜色通道,余下两维的矩阵中的每一个位置上都是感兴趣区域内每个相应位置的R、G、B通道的像素值,它们都是介于0到256之间一个值。RGB三组颜色通道的序列趋势。
3)提取RGB通道数据
为得到原始的PPG信号,将每帧R、G、B三个颜色通道所对应的各自二维矩阵取空间平均,也就是一个矩阵中所有像素值的算术平均值,作为该帧视频图像所处时刻的PPG信号样本值,由此我们可以提取三组分别包含有心脏跳动信号的、时间域上的离散时间信号序列,这便是本文所采用的原始PPG信号,分别记为x10(t),x20(t)和x30(t),其中t指示帧,若一段视频长度是60秒,则每秒就有15帧图像,每个通道也就得到一组长度为900个离散时间信号数据。
4)独立成分分析
利用Fast ICA算法将初始信号序列分解为3个独立源信号。经过ICA分解后的潜在独立源信号的次序往往是随机的,我们有必要筛选出哪一个信号是我们所需要的具有最强心率信息的PPG信号。一般而言,绿色通道中包含有最强的PPG信号,最能反映心脏搏动的信息,这是因为血氧对绿光的吸收能力要比红光来得强,绿光穿透皮肤表面直达体内血管的能力要强于蓝光。因此,将三个分离出来的ICA潜在独立源信号分别与绿色通道原始信号实施简单相关性分析,以找出其中与绿色通道原始信号线性相关程度最高的一个潜在独立源信号。此处简单相关分析采用的是应用统计学中最常用也容易给出直观解释的Pearson相关系数和Pearson互相关函数来实现。简单线性相关系数,也就是Pearson样本相关系数,用以度量两组定量数据之间线性关系的密切程度,而样本互相关函数,度量的则是两组离散时间序列错位相隔不同期重新生成的一系列两组数据之间的简单线性相关系数。
5)一维数字滤波
采用的一维数字滤波器为实际中常用的转置直接II型递归结构(Direct form IItransposed)的IIR滤波器。由于人的心率值范围一般不会超出45到240之间,故选择相应的通带频率范围为[0.75,4],非此频段的信号全部由此带通滤波器进行衰减消除对心率信号频段的干扰。经独立成分分析提取出来的三个ICA独立源信号中第二个信号中含有的PPG信号最强,对此ICA潜在独立源信号做滤波处理后得到的图形。
6)快速离散傅立叶变换得到心率信息
信号采样时满足香农定理,时域中的信号就会不失真的在频域中全部表现出来,而且以坐标中心点为对称点重复出现,对PPG信号进行傅立叶变换后在频域中的波形图我们只取它的对称波形的一半来分析即可得到的频谱图。
心率信号是一个周期性波动的信号,在进行了过滤心率频段信号的滤波处理后,被保留下来的时域信号主要是心率信号,此信号进行频域变换后在频谱图上有着能量最强、幅值最大的特点而混沌信号在频谱图中会出现宽频噪声背景和宽峰,找到图中尖峰处所对应的横坐标频率值1.267Hz,即为心脏跳动在每秒时间内的跳动次数,但我们工程上心率信号的单位采用的是次/分钟(bpm)故将FFT得到的频谱图的最高尖峰所对应的频率值1.267,乘以60秒,即得到我们所需要的心率值76.02≈76(次/分钟)。
7)换算得到5分钟HRV信息,计算5分钟SDNN信息
长时程分析指标是基于24小时动态心电记录的窦式心搏分析。具体指标有:i)昼夜差值,反应平均心率的指数,它是夜间平均RR间隔和白天平均RR间隔的差值,i i)SDRR、CLV、SDRR,是正常连续数据计算的SDNN,正常RR期间的标准差,它反映了24小时内HRV的总和,iii)SDNN指数(SDNN index),是24小时全程记录的每5min心跳期间的标准差,iv)SDANN指数,是24小时全程记录的每5min心跳平均值的标准差。SDNN和SDNN Index的计算公式是一样的,都是心跳间隔的标准差,反应的是心跳间隔的离散度。24小时是一个比较完整的活动周期,心率变化的范围比较大,相应的心跳间隔的离散度也就比较高。而5分钟是一个比较短的时间,在这个比较短的时间内,心率的波动会比24小时小的多,SDNN Index数值当然会比SDNN低得多。因此,本发明以每5min心跳期间的标准差SDNN index为心脏猝死的预警指标。
以下为计算每5分钟的SDNN Index。
设R:为1)~6)计算出来的心跳数/分钟,R为非0的数值(算法提供的非0的心率数值)
RR:为每次心跳的时间间隔,单位为ms
SDNN index计算步骤如下:
a)计算RR:RR=60000/R
b)计算300秒内的RR平均值
c)计算300秒的HRV标准差
8)构建SDNN数据的聚类分析系统
本发明所使用的SDNN数据聚类分析模型是由m个聚类器(Cluster)、一个评估器(Assessor)和一个分类器(Classifier)组成。其工作原理是:把收集到的原始SDNN数据复制m份,分别传给每个聚类器;当聚类器接收到数据后,采用K-means算法对数据进行聚类(每个聚类器的k值都不相同),聚类器根据各自的分簇结果计算簇内距离、簇间距离、DB指数,并将DB指数传给评估器;当评估器收到每个聚类器传来的DB指数后,按照“DB指数最小”原则选取对应的聚类器,从而得到最有分簇结果;分类器根据预先设置的最小,最大簇内距离阈值对最优分簇结果中的k个簇逐一进行分类。其中,
a)聚类器(Cluster)
本发明采用m个聚类器(m=10),每个聚类器通过K-means算法对标准化过的数据进行分簇,并计算分簇结果的DB值。数据源都是经过标准化的数据,唯一不同的就是k的取值,其目的就是降低K-means算法对k值得依赖。
该算法如下所述:
输入:簇的数目k和n个对象
输出:k个簇
步骤:
a)随机选取k个对象作为初始的簇中心
b)根据簇中对象的平均值,将每个对象(重新)分配给离它最近的簇
c)更新簇的平均值,即计算每个簇中的对象的平均值
d)重复步骤2、3,直到每个簇中心不再变化
在计算数据与簇中心距离时,采取欧几里德公式,如式(1)所示:
(N表示每条属性个数,在该发明中N=3);
本发明中每条记录的属性包括SDNN index,性别,年龄。
本发明中簇间距离为:δ(Ci,Cj)=d(SCi-SCj),其中SCi表示第i簇的中心点,式(2)是指第i簇的中心与第j簇的中心距离:
其中,Xp表示第i簇中的第p条数据,|Ci|表示第i簇中的数据总数n,该公式是指在一个簇内所有样本与簇中心的平均距离的两倍。
本发明中提到的DB指数是一种衡量聚类质量的方法。当簇间距离增大,簇内距离变小时,DB指数随之变小,最后指示分簇效果趋好,即DB指数变小,聚类达到的效果越好。模型采用DB指数是为了让评估器在多个聚类器中选择最好的分簇结果。DB指数计算如式(3)所示:
其中k表示K-means算法中采用的k值,也就是分簇结果中所包含的簇数。
b)评估器(Assessor)
m个聚类器将各自计算的DB指数提交给评估器,评估器按照”DB指数最小”原则选取对应的聚类器,并把该聚类器中的分簇结果作为模型的最终分簇结果,将该结果发给分类器。
c)分类器(Classifier)
在审讯谈话过程中,由于绝大部分正常人的SDNN index数据簇内有高度相似性,异常心脏猝死的人他的SDNN index数据簇内也同样具有高度相似性,从而导致簇内距离小,因此本发明中定义模型最小簇内距离min来识别SDNN index异常。当SDNN index正常数据远超SDNN index异常的数据时,由于正常数据和异常数据相似度较低,那些SDNN index异常的数据不会落入正常簇中,从而变成孤立点,这些孤立点被聚到一个簇时使用簇内距离过大,因此,本发明定义最大簇内距离为max。
分类器利用最小簇内距离min和最大簇内距离max这两个阈值,分别对最终分簇结果中的每个簇进行分类:正常簇,异常簇。判断准测是:当簇内距离小于min或者大于max,该簇为异常簇,否则为正常簇。本发明中阈值设置通过10万条实验数据测试确定,min=11.34,max=22.69,表现出良好的性能和准确性。
9)根据SDNN分类器的最小值最大值,得到HRV心脏猝死概率以及预警标示
以5分钟SDNN为基础,30分钟为猝死概率观察窗口,窗口统计包括6个SDNN值,当min<SDNN<max且SDNN非0,视为一次猝死事件。
猝死概率x为猝死事件次数。
本发明从实地采集2015-2017年数据中选取1万条SDNN index数据进行验证,分成10组,每组1万条。设置3个聚类器,用(Ci,Ki)表示,分别为(C1,3),(C2,5),(C3,7),Ci指第i个聚类器,k是第i个聚类器所采用的k值。通过大量数据验证,min=11.34,max=22.69是,表现出良好的性能和准确性。
本发明目的是利用从非接触式的视频信号中提取血液随心脏周期性的搏动而产生的变化,分析HRV波动信息进行猝死可能性判断。人体内的血液容量会随着心脏周期性的搏动而不断的变化着,当人体的皮肤表面接收到某种波长、某种强度的可见光束时,因为皮肤以及血氧对不一样的光波长和强度的光的吸收和反透射能力都不一样,导致光电检测设备接收到的反射回来的光波强度变化规律同血液容量的变化规律是一样的,这样我们就可以利用光的平均亮度值来揭示血液容量的变化情况,这便得到初始BVP的信息,而血氧容量的脉动规律其实就是心脏跳动规律,心动规律被反射回来的光揭示出来后经过特定的算法即可得到心率的信息,再通过心率信息推算出HRV变动信息,计算出SDNN的波动数据,再进行基于聚类的无监督学习,得到猝死异常的分类,从而发出心脏性猝死预警。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神和技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (1)
1.一种基于非接触的远程心脏猝死预警方法,其特征在于,方法步骤如下:
S1.测试者图像采集;
S2.基于S1采集到的图像信息,提取RGB通道数据;
S3.基于S2得到的RGB通道数据,依次进行独立成分分析和一维滤波处理,再进行快速离散傅立叶变换得到心率信息;
S4.基于S3得到的心率信息,换算得到5分钟HRV信息并计算得到5分钟SDNN信息;
S5.基于S4得到的5分钟SDNN信息,构建SDNN数据的聚类分析系统;
S6.基于S5构建的聚类分析系统中分类器的最小值和最大值,得到HRV心脏猝死概率以及预警标示;
所述步骤S2中,将检测人脸区域作为ROI,读取彩色视频中每一帧感兴趣区域内的图像,对图像中的彩色信号实施三基色分离以得到R、G、B三个通道的颜色分量;将得到的R、G、B三个通道的颜色分量保存至一个三维数字矩阵,将每帧R、G、B三个颜色通道所对应的各自二维矩阵取空间平均,作为该帧视频图像所处时刻的PPG信号样本值,以提取三组分别包含有心脏跳动信号和时间域上的离散时间信号的初始信号序列,分别记为x10(t),x20(t)和x30(t),其中t指示帧;所述步骤S3中,利用Fast ICA算法将初始信号序列分解为3个独立源信号并分别与绿色通道原始信号实施简单相关性分析,以找出其中与绿色通道原始信号线性相关程度最高的一个潜在独立源信号;所述相关性分析采用的Pearson相关系数和Pearson互相关函数;所述步骤S3中,采用的一维数字滤波器为转置直接II型递归结构的IIR滤波器,通带频率范围为[0.75,4],对三个独立源信号中第二个信号进行滤波处理后得到图形;所述步骤S3中,信号采样时满足香农定理,选取PPG信号进行傅立叶变换后在频域中的波形图的一半来分析得到的心率信号;所述步骤S4中,以每5min心跳期间的标准差SDNN index为心脏猝死的预警指标;
以下为计算每5分钟的SDNN Index:
设R:为计算出来的每分钟心跳数,R为非0的数值;
RR:为每次心跳的时间间隔,单位为ms;
SDNN index计算步骤如下:
a)计算RR:RR=60000/R;
b)计算300秒内的RR平均值
c)计算300秒的HRV标准差
所述步骤S5中,使用的SDNN数据聚类分析模型是由m个聚类器、一个评估器和一个分类器组成;
将收集到的原始SDNN数据复制m份,分别传给每个聚类器;当聚类器接收到数据后,采用K-means算法对数据进行聚类,聚类器根据各自的分簇结果计算簇内距离、簇间距离、DB指数,并将DB指数传给评估器;当评估器收到每个聚类器传来的DB指数后,按照“DB指数最小”原则选取对应的聚类器,得到最优分簇结果;分类器根据预先设置的最小、最大簇内距离阈值对最优分簇结果中的k个簇逐一进行分类;
所述步骤S6中,根据聚类分析系统中分类器的最小值、最大值,得到HRV心脏猝死概率以及预警标示;
以5分钟SDNN为基础,30分钟为猝死概率观察窗口,窗口统计包括6个SDNN值,当min<SDNN<max且SDNN非0,视为一次猝死事件;
猝死概率x为猝死事件次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926703.2A CN112494026B (zh) | 2020-09-07 | 2020-09-07 | 一种基于非接触的远程心脏猝死预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926703.2A CN112494026B (zh) | 2020-09-07 | 2020-09-07 | 一种基于非接触的远程心脏猝死预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112494026A CN112494026A (zh) | 2021-03-16 |
CN112494026B true CN112494026B (zh) | 2023-08-29 |
Family
ID=74953390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926703.2A Active CN112494026B (zh) | 2020-09-07 | 2020-09-07 | 一种基于非接触的远程心脏猝死预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112494026B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113633293B (zh) * | 2021-07-29 | 2022-09-16 | 佛山科学技术学院 | 混沌检测t波电交替的心源性猝死预警方法 |
CN116671887A (zh) * | 2023-07-31 | 2023-09-01 | 天津大学温州安全(应急)研究院 | 基于光电容积脉搏波信号的心源性猝死高危人群筛查装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679762A (zh) * | 2017-10-20 | 2018-02-09 | 易维太古(北京)健康管理有限公司 | 一种基于企业员工体况信息融合的健康评价商业模式 |
CN109528218A (zh) * | 2018-10-19 | 2019-03-29 | 清华大学 | 一种基于心率与社交媒体微博的心理压力检测方法 |
CN109717858A (zh) * | 2018-07-30 | 2019-05-07 | 中国计量大学 | 一种智能手机测量心率变异性(hrv)的方法 |
CN110384491A (zh) * | 2019-08-21 | 2019-10-29 | 河南科技大学 | 一种基于普通摄像头的心率检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160081566A1 (en) * | 2014-09-22 | 2016-03-24 | Xerox Corporation | Identifying a type of cardiac event from a cardiac signal segment |
EP3085308B1 (en) * | 2015-04-14 | 2018-05-09 | Tata Consultancy Services Limited | Determining a heart rate and a heart rate variability |
-
2020
- 2020-09-07 CN CN202010926703.2A patent/CN112494026B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679762A (zh) * | 2017-10-20 | 2018-02-09 | 易维太古(北京)健康管理有限公司 | 一种基于企业员工体况信息融合的健康评价商业模式 |
CN109717858A (zh) * | 2018-07-30 | 2019-05-07 | 中国计量大学 | 一种智能手机测量心率变异性(hrv)的方法 |
CN109528218A (zh) * | 2018-10-19 | 2019-03-29 | 清华大学 | 一种基于心率与社交媒体微博的心理压力检测方法 |
CN110384491A (zh) * | 2019-08-21 | 2019-10-29 | 河南科技大学 | 一种基于普通摄像头的心率检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112494026A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acharya et al. | Comprehensive analysis of cardiac health using heart rate signals | |
Rajendra Acharya et al. | Heart rate variability: a review | |
Narin et al. | Early prediction of paroxysmal atrial fibrillation based on short-term heart rate variability | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
Faust et al. | Analysis of cardiac signals using spatial filling index and time-frequency domain | |
CN111067508B (zh) | 非临床环境下对高血压进行非干预式的监测和评估方法 | |
CN112494026B (zh) | 一种基于非接触的远程心脏猝死预警方法 | |
Shi et al. | Automated atrial fibrillation detection based on feature fusion using discriminant canonical correlation analysis | |
Abdelazez et al. | Detection of atrial fibrillation in compressively sensed electrocardiogram measurements | |
Gospodinov et al. | Mathematical methods of ECG data analysis | |
Gospodinova et al. | Analysis of heart rate variability by applying nonlinear methods with different approaches for graphical representation of results | |
Dessai et al. | Emotion detection using physiological signals | |
Rhaman et al. | Successive RR Interval Analysis of PVC with Sinus Rhythm Using Fractal Dimension, Poincaré plot and Sample Entropy Method‖ | |
Srinivasa et al. | Application of entropy techniques in analyzing heart rate variability using ECG signals | |
Boon et al. | Ventricular tachyarrhythmia prediction based on heart rate variability and genetic algorithm | |
Ouelli et al. | AR modeling for automatic cardiac arrhythmia diagnosis using QDF based algorithm | |
Talatov et al. | Methodology for processing and analysis of diagnostic indicators electrocardiogram based on Labview | |
Ouelli et al. | AR modeling for cardiac arrhythmia classification using MLP neural networks | |
Bianchi et al. | Methods for heart rate variability analysis during sleep | |
Ghista et al. | ECG waveform and heart rate variability signal analysis to detect cardiac arrhythmias | |
Tobón et al. | Improved heart rate variability measurement based on modulation spectral processing of noisy electrocardiogram signals | |
Rompelman et al. | Heart rate variability in relation to psychological factors | |
Patil et al. | Discrimination between atrial fibrillation (AF) & normal sinus rhythm (NSR) using linear parameters | |
RU2233616C2 (ru) | Способ диагностики нарушений центральной нейрогормональной регуляции | |
Goovaerts et al. | Analysis of changes in ECG morphology prior to in-hospital cardiac arrest using weighted tensor decompositions |
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 |