CN113995419B - 一种基于心跳节律信号的房颤发生风险预测系统及其应用 - Google Patents
一种基于心跳节律信号的房颤发生风险预测系统及其应用 Download PDFInfo
- Publication number
- CN113995419B CN113995419B CN202111506872.1A CN202111506872A CN113995419B CN 113995419 B CN113995419 B CN 113995419B CN 202111506872 A CN202111506872 A CN 202111506872A CN 113995419 B CN113995419 B CN 113995419B
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- interval
- heartbeat
- risk
- samples
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 152
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 58
- 238000013058 risk prediction model Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 230000000747 cardiac effect Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002837 heart atrium Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010049447 Tachyarrhythmia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000036314 physical performance Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于生理信号与心电信号分析领域,具体涉及一种基于心跳节律信号的房颤发生风险预测系统及其应用,预测系统中,心跳节律信号预处理模块通过计算相邻两次心跳的时间间隔,得到心跳间期序列数据,无需其他复杂特征提取方法;样本标注与模型训练模块中,在样本标注时,正样本来自阵发性房颤患者未发生房颤时的窦性心率期间的心跳间期数据,负样本来自未来不会发生房颤的患者的心跳间期数据;房颤风险预测模型利用正负样本训练并对待检测心跳间期数据测试,根据不同输出概率阈值,得到未来发生房颤样本数比例与概率阈值间的曲线,计算曲线下面积作为房颤风险因子,该因子能够反映患者心跳间期数据整体情况,从而较为准确地预测房颤发生风险。
Description
技术领域
本发明属于生理信号与心电信号分析领域,更具体地,涉及一种基于心跳节律信号的房颤发生风险预测系统及其应用。
背景技术
房颤是最常见的快速心律失常疾病,表现为心房快速且不规则的跳动,全球约有3350万人患有房颤,老年人群房颤发病率更高,与女性相比,男性发病率更高。房颤是导致中风、心力衰竭、降低生活质量和体能的主要因素之一,未经诊断和治疗的房颤可能是头晕、呼吸困难或中风的危险因素,房颤患者还可能诱发突发性心血管疾病。此外,由于住院和医疗服务,检测和治疗房颤的经济及临床负担很重。因此,提前预测房颤的发生风险,尽早进行干预治疗,避免房颤及相关并发症的发生具有重要的临床意义和经济价值。
在临床上,房颤筛查一般使用事件记录器或动态心电图监测器等心脏监测设备,以进行长期心电信号的采集。在记录受试者的心电信号后,由临床医生对心电信号进行人工检查,以确定是否发作房颤。近年来,随着人工智能算法的发展,有越来越多的房颤发作自动识别算法应用于房颤筛查中。
目前,大部分与房颤相关的智能算法都是识别房颤发作的算法,这些方法只有在患者正在发生房颤的时候,才有可能检测到房颤的存在;无法检测出以前发作过房颤但是检测时房颤未发作的阵发性房颤患者,或者房颤还处于萌芽阶段并未完全发作房颤的患者。然而,已有证据表明,对于存在房颤发生风险的患者,即使是在正常的心电信号中,由于心房的结构发生了变化,也会产生某种细微的变化,通过识别这种细微的变化就有可能在房颤还未发作时提前预测房颤的发生风险。
现有方法只能通过解析记录到房颤信号的心电图来检测房颤,或者通过心电图波形数据进行房颤风险预测,存在一定的应用局限性。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于心跳节律信息的房颤发生风险预测系统及其应用,其目的在于提出一种更为简洁、方便地进行房颤发生风险预测的系统,使得在患者未发作房颤时,就能根据其易于获取的心电信息预测其发生房颤风险高低的方法。
为实现上述目的,按照本发明的一个方面,提供了一种基于心跳节律信号的房颤发生风险预测系统,包括:
心跳节律信号预处理模块,用于提取心跳节律信号中连续两次心跳之间的RR间期数值,得到RR间期序列;对RR间期序列等间隔分割得到多个RR间期样本;
样本标注与模型训练模块,用于获取含未来发生房颤和未来不发生房颤两类标注的若干心跳节律信号并输入至所述心跳节律信号预处理模块中,得到若干组RR间期样本,每组包含多个RR间期样本;将每个RR间期样本与其对应的标注构成一个训练样本,用以训练得到房颤风险预测模型;
房颤发生风险预测模块,用于将待检测的心跳节律信号输入到所述心跳节律信号预处理模块中,得到多个RR间期样本,并将该多个RR间期样本输入到所述房颤风险预测模型中,得到各个RR间期样本对应的输出概率;根据不同的概率阈值,得到未来发生房颤样本数比例与概率阈值之间的曲线,计算该曲线下面积作为房颤风险因子,由此确定待检测的心跳节律信号对应的发生房颤风险高低。
进一步,在进行所述等间隔分割之前,所述心跳节律信号预处理模块还用于对所述RR间期序列进行去除异常值预处理。
进一步,所述异常值包括:噪声,以及大于2000ms或小于200ms的RR间期数值。
进一步,所述等间隔分割的实现方式为:
基于滑动窗口对所述RR间期序列从其初始时刻开始进行分割,得到RR间期样本,每完成一次分割,将滑动窗口向后移动一个窗口尺寸进行下一次分割,实现不重叠采样。
进一步,所述房颤风险预测模型包括:级联的卷积神经网络、双向长短时记忆神经网络和全连接网络;
所述卷积网络用于提取RR间期样本中的局部特征;
所述双向长短时记忆神经网络由两个方向相反的长短时记忆神经网络构成,用于对RR间期样本的所述局部特征进行时序分析;
所述全连接网络用于模型最终的映射分类。
进一步,在训练房颤风险预测模型时采用交叉熵损失函数衡量模型预测概率与对应标注之间的相似性;采用Adam优化器对房颤风险预测模型中的参数进行更新。
进一步,所述卷积网络包括三层卷积层,其卷积核尺寸和卷积核数量分别为5*1*32、3*1*64、3*1*128;所述双向长短时记忆神经网络的基本神经元个数为128;所述全连接网络由两层神经元个数均为32的全连接层构成。
进一步,心跳节律信号来自心电图机和/或可穿戴式设备。
本发明还提供一种房颤发生风险预测设备,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现如上所述的一种基于心跳节律信号的房颤发生风险预测系统的具体功能。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种基于心跳节律信号的房颤发生风险预测系统的具体功能。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明提供了一种基于窦性心率心跳节律信息的房颤发生风险预测系统,能够识别窦性心率期间因房颤相关高危因素引起的细微心跳节律信息变化,与传统的房颤识别方法相比,本发明不限定对正在发生的房颤发作信号进行识别,而是可以在房颤真实发生之前,可以只利用窦性心律的心跳节律信息来预测其房颤发生风险,以便筛查出房颤高风险人群,提前进行干预或治疗,具有很高的临床应用价值。
(2)本发明提供了一种基于窦性心律期间心跳节律信息的房颤发生风险自动预测系统,其特点是方便快捷、计算负担较小,只需要心跳间期信息就可以实现对房颤发生风险的预测,不仅适用于动态心电图的检测,还可以应用到其他可以获得长期心跳间期序列的场景中,好比各种可记录心跳时刻的智能手表、手环等可穿戴式设备。使用时只需要对待检测的心跳节律信号进行处理,得到心跳间期样本,并输入到房颤风险预测模型中,根据输出结果计算出房颤风险因子之后,便能获得房颤发生风险的预测结果。
(3)本发明提出的房颤风险因子是对患者一段时间内采集到的心跳节律信号进行的整体评价,通过绘制正样本比例-概率阈值的曲线(正样本即为未来发生房颤风险较高的样本),能够较为准确地反映出不同患者发生房颤的风险。
附图说明
图1为本发明实施例所提供的一种基于心跳节律信号的房颤发生风险自动预测系统结构示意图;
图2是本发明实施例所提供的基于CNN-LSTM的房颤风险预测模型结构示意图;
图3是本发明实施例所提供的基于不同概率阈值绘制出的正样本比例-概率阈值曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
考虑现有的技术只能通过解析已经记录到房颤的心电信号来监测房颤,或者通过心电图原始波形数据进行房颤风险的预测,本发明提出一种不需要捕捉到房颤信号,也不依赖于心电原始波形,只需要获取普通的心跳节律信息,就能预测房颤风险高低的方法,也就是本发明提供了一种基于心跳节律信息的房颤发生风险自动预测系统,其整体思路在于:心跳节律信息预处理模块中,通过计算相邻两次心跳的时间间隔,得到心跳间期序列数据,无需其他复杂的特征提取方法;样本标注时,正样本来自于阵发性房颤患者未发生房颤时的窦性心率期间的心跳间期数据,负样本来自于未来不会发生房颤的患者的心跳间期数据,正样本也可以使用阵发性房颤病例心跳数据的非房颤部分进行代替,负样本可以来自其他心率不齐患者的心跳间期数据,或者健康人的心跳间期数据,从而进一步增加样本数量;房颤风险预测模型利用正负样本进行训练,并对待检测的心跳间期数据进行测试,房颤风险因子能够反映患者心跳间期数据的整体情况,从而较为准确地预测房颤发生风险。
以下为实施例。
一种基于心跳节律信号的房颤发生风险自动预测系统,如图1所示,包括:
(1)心跳节律信号预处理模块,用于提取心跳节律信号中连续两次心跳之间的RR间期数值,得到RR间期序列;对RR间期序列等间隔分割得到多个RR间期样本。
进行一段时间的心跳时刻记录,获取连续两次心跳之间的时间间隔数据,然后设计滑动时间窗进行采样。以心电信号为例,对采集到的心电信号进行R波峰的检测,提取心电信号中每次心跳的R峰时刻,计算相邻R峰之间的RR间期数值,得到RR间期序列;对RR间期序列进行去除异常值等预处理,并基于滑动窗口对预处理后的RR间期序列从其初始时刻开始进行采样,得到RR间期样本,每完成一次提取,将滑动窗口向后移动一个窗口尺寸进行下一次提取,实现不重叠采样;这样处理的原因是,R峰由于其振幅大,是心电图中最易识别的峰,检测出的R峰具有更高的抗噪性;另外,RR间期在一定程度表征了心率的变化,而不需要更多的其他特征。
可选地,本实施例中,RR间期序列中的异常值包括噪声,以及大于2000ms或小于200ms的RR间期值,滑动窗口的尺寸大小可以为90个RR间期,也即是90次心跳,当RR间期序列的剩余数据长度小于滑动窗口的尺寸时,将其舍弃,同时舍弃所有包含了异常值的RR间期样本。
(2)样本标注与模型训练模块,用于获取含未来发生房颤和未来不发生房颤两类标注的若干心跳节律信号并输入至心跳节律信号预处理模块中,得到若干组RR间期样本,每组包含多个RR间期样本;将每个RR间期样本与其对应的标注构成一个训练样本,用以训练得到房颤风险预测模型。
从不同患者的心跳信号中提取到的心跳间期样本可以分为两类,一类是房颤发生风险性高,一类是房颤发生风险较低,将前者的心跳间期样本标记为正类,后者标记为负类。本实施例进而提出一种CNN-LSTM模型作为房颤风险预测模型,它将卷积神经网络(CNN)块与长短时记忆神经网络(LSTM)相结合,并使用提取到的心跳间期样本为输入,对应的心跳间期样本标签为输出,使用交叉熵损失函数衡量模型预测概率与对应标签之间的相似性,得到训练好的房颤风险预测模型。
具体的,进一步地,如图2所示,房颤风险预测模型由级联的卷积网络、双向LSTM网络以及全连接网络组成。卷积网络用于提取RR间期样本中的局部特征,它包括三层卷积层,其卷积核尺寸和卷积核数量分别为5*1*32、3*1*64、3*1*128;双向LSTM网络由两个方向相反的LSTM构成,用于对心跳间期样本的特征进行时序分析,其基本神经元个数为128;全连接网络由两层神经元个数均为32的全连接层构成,用于模型最终的映射分类。上述房颤风险预测模型的损失函数为交叉熵函数,具体为其中,yi表示心跳间期样本i的标签,pi表示房颤风险预测模型对心跳间期样本i的预测概率,N表示心跳间期样本总数。在训练过程中,使用Adam优化器对房颤风险预测模型中的参数进行更新。
在本发明实施例中,从1000个阵发性房颤病例、1000个未来房颤病例和1000个非房颤病例的24小时动态心电信号中共提取3000000个RR间期样本作为训练集,通过下采样使得正负样本平衡,用于训练房颤风险预测模型。
(3)房颤发生风险预测模块,用于将待检测的心跳节律信号输入到心跳节律信号预处理模块中,得到多个RR间期样本,并将该多个RR间期样本输入到所述房颤风险预测模型中,得到各个RR间期样本对应的输出概率;根据不同的概率阈值,得到未来发生房颤样本数比例与概率阈值之间的曲线,计算该曲线下面积作为房颤风险因子,由此确定待检测的心跳节律信号对应的发生房颤风险高低。
将待检测患者的心跳信号通过预处理,得到一系列的心跳间期样本,并将所得心跳间期样本输入到训练好的房颤风险预测模型中,得到各个样本的输出概率,设置不同的概率阈值,得到正样本比例-概率阈值的曲线,计算曲线下面积作为该患者的房颤风险因子,从而确定该患者发生房颤风险的大小。
优选的,如图3所示,设置的概率阈值为从0到1的一系列数值,输出概率大于该数值的心跳间期样本视作正样本,从而得到正样本占所有样本的比例,改变概率阈值就可以得到不同的正样本比例,从而画出正样本比例-概率阈值的曲线,曲线下面积即为患者的房颤风险因子。
可选地,本实施例中,选取的概率阈值为从0到1等差的50000个值,对应50000个正样本比例,曲线下面积即为房颤风险因子。
为了进一步验证本实施例所训练的房颤风险预测模型的有效性,分别测试了627个阵发性房颤病例、2352个未来房颤病例、19823个非房颤病例和628个健康人的心跳信号,其中,测试数据与训练数据互不重复,对于阵发性房颤病例,只测试其非房颤部分的数据,并且,当房颤风险因子超过0.485(这个数值是在验证集上获得),认为该患者未来将产生房颤。
如下表一展示了不同病例的测试结果,可以看出,与房颤相关的病例,其房颤风险因子更大,健康人的风险因子最小,表明即使是在窦性心率期间,不同病例之间的心跳信号也有一定程度的差别,从而能够根据这种细微差别来预测房颤的发生。
表一:不同类型病例的测试结果
综上,考虑现有技术只能通过解析已经记录到房颤的心电信号来监测房颤,或者通过心电图原始波形数据进行房颤风险的预测,本发明提出一种不需要捕捉到房颤信号,不依赖于心电图波形,只需要获取普通的心跳节律信息,即可通过设计的深度学习算法来识别心跳节律信息中存在的细微特征,以预测房颤风险的高低,并且这样的预测方法是自动的、广泛可用的。本发明的关键技术手段在于,只需将待检测患者的一系列心跳间期样本输入到房颤风险预测模型中,得到各个样本的输出概率,就能计算出该患者的房颤风险因子,从而确定该患者发生房颤的风险高低。其中,房颤风险预测模型是专门针对心跳间期样本而开发的,并且房颤风险因子是对患者一段时间采集到的心率信号进行的整体评价,能够较为准确地反映出不同患者发生房颤的风险高低,从而实现了一种仅通过心跳节律信息,就能预测房颤风险高低的方法。
需要说明的是,本发明利用窦性心率期间的心跳节律信息来预测患者未来发生房颤的风险高低,因此本发明不仅适用于动态心电图的检测,还可以应用到其他能够获得长期心跳间期序列的场景中,比如可以记录心跳时刻的智能手表、手环等可穿戴式设备中。使用时只需要提取到患者的心跳节律信号,就可以输入到本发明提出的房颤风险预测模型中,进而计算得到该患者的房颤风险因子。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于心跳节律信号的房颤发生风险预测系统,其特征在于,包括:
心跳节律信号预处理模块,用于提取心跳节律信号中连续两次心跳之间的RR间期数值,得到RR间期序列;对RR间期序列等间隔分割得到多个RR间期样本;
样本标注与模型训练模块,用于获取含未来发生房颤和未来不发生房颤两类标注的窦性心律的若干心跳节律信号并输入至所述心跳节律信号预处理模块中,得到若干组RR间期样本,每组包含多个RR间期样本;将每个RR间期样本与其对应的标注构成一个训练样本,用以训练得到房颤风险预测模型;
房颤发生风险预测模块,用于将待检测的窦性心律的心跳节律信号输入到所述心跳节律信号预处理模块中,得到多个RR间期样本,并将该多个RR间期样本输入到所述房颤风险预测模型中,得到各个RR间期样本对应的输出概率;根据不同的概率阈值,得到未来发生房颤样本数比例与概率阈值之间的曲线,计算该曲线下面积作为房颤风险因子,由此确定所述待检测的窦性心律的心跳节律信号对应的发生房颤风险高低;
其中,房颤风险预测模型由级联的卷积网络、双向LSTM网络以及全连接网络组成;卷积网络用于提取RR间期样本中的局部特征,它包括三层卷积层,其卷积核尺寸和卷积核数量分别为5*1*32、3*1*64、3*1*128;双向LSTM网络由两个方向相反的LSTM构成,用于对心跳间期样本的特征进行时序分析,其基本神经元个数为128;全连接网络由两层神经元个数均为32的全连接层构成,用于模型最终的映射分类;在训练房颤风险预测模型时采用交叉熵损失函数衡量模型预测概率与对应标注之间的相似性;采用Adam优化器对房颤风险预测模型中的参数进行更新。
2.根据权利要求1所述的房颤发生风险预测系统,其特征在于,在进行所述等间隔分割之前,所述心跳节律信号预处理模块还用于对所述RR间期序列进行去除异常值预处理。
3.根据权利要求2所述的房颤发生风险预测系统,其特征在于,所述异常值包括:噪声,以及大于2000ms或小于200ms的RR间期数值。
4.根据权利要求1所述的房颤发生风险预测系统,其特征在于,所述等间隔分割的实现方式为:
基于滑动窗口对所述RR间期序列从其初始时刻开始进行分割,得到RR间期样本,每完成一次分割,将滑动窗口向后移动一个窗口尺寸进行下一次分割,实现不重叠采样。
5.根据权利要求1所述的房颤发生风险预测系统,其特征在于,心跳节律信号来自心电图机和/或可穿戴式设备。
6.一种房颤发生风险预测设备,其特征在于,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现如权利要求1至5任一项所述的一种基于心跳节律信号的房颤发生风险预测系统的具体功能。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至5任一项所述的一种基于心跳节律信号的房颤发生风险预测系统的具体功能。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506872.1A CN113995419B (zh) | 2021-12-10 | 2021-12-10 | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 |
PCT/CN2022/073248 WO2023103156A1 (zh) | 2021-12-10 | 2022-01-21 | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 |
US17/923,916 US20230352180A1 (en) | 2021-12-10 | 2022-01-21 | Atrial fibrillation risk prediction system based on heartbeat rhythm signals and application thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506872.1A CN113995419B (zh) | 2021-12-10 | 2021-12-10 | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113995419A CN113995419A (zh) | 2022-02-01 |
CN113995419B true CN113995419B (zh) | 2023-04-11 |
Family
ID=79931840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111506872.1A Active CN113995419B (zh) | 2021-12-10 | 2021-12-10 | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230352180A1 (zh) |
CN (1) | CN113995419B (zh) |
WO (1) | WO2023103156A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115736939A (zh) * | 2022-11-24 | 2023-03-07 | 北京哈特瑞姆医疗技术服务有限公司 | 房颤患病概率生成方法、装置、电子设备和存储介质 |
CN116616792B (zh) * | 2023-07-21 | 2023-12-01 | 山东大学 | 基于轻量化设计和特征融合的心房颤动检测系统 |
CN116821512B (zh) * | 2023-08-25 | 2024-02-20 | 深圳唯爱智云科技有限公司 | 推荐模型训练方法及装置、推荐方法及装置 |
CN117137497B (zh) * | 2023-10-27 | 2024-01-26 | 苏州维伟思医疗科技有限公司 | 心律预测方法、除颤控制方法及相应装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111772628A (zh) * | 2020-07-16 | 2020-10-16 | 华中科技大学 | 一种基于深度学习的心电信号房颤自动检测系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155735B2 (en) * | 2006-09-19 | 2012-04-10 | The Cleveland Clinic Foundation | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients |
GB2526105A (en) * | 2014-05-13 | 2015-11-18 | Sensium Healthcare Ltd | A method for confidence level determination of ambulatory HR algorithm based on a three-way rhythm classifier |
TW201909840A (zh) * | 2017-08-10 | 2019-03-16 | 雲保股份有限公司 | 用於推測心房顫動之心跳訊號分析系統、方法及儲存該方法之機器可讀媒體 |
US20190133480A1 (en) * | 2017-11-08 | 2019-05-09 | Koninklijke Philips N.V. | Discretized embeddings of physiological waveforms |
CN109117730B (zh) * | 2018-07-11 | 2021-05-11 | 上海夏先机电科技发展有限公司 | 心电图心房颤动实时判断方法、装置、系统及存储介质 |
KR102156087B1 (ko) * | 2019-01-03 | 2020-09-15 | 인하대학교 산학협력단 | 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법 |
CN113130024A (zh) * | 2019-12-31 | 2021-07-16 | 华为技术有限公司 | 医疗事件的预测方法及穿戴设备、计算机可读存储介质 |
CN113491508A (zh) * | 2020-04-03 | 2021-10-12 | 华为技术有限公司 | 电子设备及其房颤预警方法和介质 |
CN113343805A (zh) * | 2021-05-26 | 2021-09-03 | 南京医科大学 | 一种基于rr间期心电数据和集成学习的房颤节律识别方法 |
-
2021
- 2021-12-10 CN CN202111506872.1A patent/CN113995419B/zh active Active
-
2022
- 2022-01-21 US US17/923,916 patent/US20230352180A1/en active Pending
- 2022-01-21 WO PCT/CN2022/073248 patent/WO2023103156A1/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111772628A (zh) * | 2020-07-16 | 2020-10-16 | 华中科技大学 | 一种基于深度学习的心电信号房颤自动检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113995419A (zh) | 2022-02-01 |
WO2023103156A1 (zh) | 2023-06-15 |
US20230352180A1 (en) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
CN110840402B (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
CN111449645B (zh) | 心电图心拍智能分类识别方法 | |
WO2019100565A1 (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
Mousavi et al. | ECGNET: Learning where to attend for detection of atrial fibrillation with deep visual attention | |
WO2019100560A1 (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN110403600B (zh) | 基于差值时间散点图的阵发性房颤智能分析方法及系统 | |
Zhao et al. | A robust QRS detection and accurate R-peak identification algorithm for wearable ECG sensors | |
CN110046604B (zh) | 一种基于残差网络的单导联ecg心律失常检测分类方法 | |
WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
CN116194044A (zh) | 用于分析心律的方法和系统 | |
CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
JP7487965B2 (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
Dhyani et al. | Arrhythmia disease classification utilizing ResRNN | |
Subramanyan et al. | A novel deep neural network for detection of Atrial Fibrillation using ECG signals | |
CN109674474B (zh) | 睡眠呼吸暂停识别方法、设备及计算机可读介质 | |
Chen et al. | Sample point classification of abdominal ECG through CNN-Transformer model enables efficient fetal heart rate detection | |
CN110960207A (zh) | 一种基于树模型的房颤检测方法、装置、设备及存储介质 | |
Chumrit et al. | Ecg-based arrhythmia detection using average energy and zero-crossing features with support vector machine |
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 |