CN114305442B - 基于滑动窗编码的房颤发生起止点的检测方法 - Google Patents

Abstract

本发明涉及一种基于滑动窗编码的房颤发生起止点的检测方法。所述方法包括：首先基于含房颤标签数据采用机器学习方法提取特征，得到可以输出若干个RR间期内房颤发生概率的模型；将待检测心电信号进行预处理后，检测R波位置并计算RR间期；以若干个RR间期为窗长、固定的RR间期数为步长作滑动窗，利用模型得到每个窗房颤发生的概率；将每个窗以及每个RR间期的判断结果进行符号化编码，通过邻近窗房颤发生的概率和每个RR间期数次加窗后的判断结果，得到可代表每个RR间期内房颤是否发生的编码序列，最终根据编码序列的突变位置确定房颤发生的起止点。本发明可推广至时序信号中待检测事件发生起止点的实时检测，具有广泛的应用价值。

Description

基于滑动窗编码的房颤发生起止点的检测方法

技术领域

本发明涉及一种基于滑动窗编码的房颤发生起止点的检测方法。

背景技术

目前时序信号中待检测事件发生的起止点的检测方法概括地说主要有两种。第一种方法是直接逐点遍历信号，若信号中某点符合待检测事件发生的起止点条件，则判断该点为待检测事件发生的起止点。第二种方法是将信号加窗截断为多个短时信号片段，若某短时信号片段符合待检测事件发生的起止点条件，则判断待检测事件发生的起止点处于该短时信号片段内。

基于直接逐点遍历信号来检测信号中待检测事件发生的起止点的方法是应用最为广泛的传统方法。这种方法极易受到噪声的干扰，不仅检测的准确率较低，而且只能应用于根据信号中逐点来区分待检测事件是否发生的检测场景，对于基于信号片段来区分待检测事件是否发生的检测场景则无能为力。

基于将信号加窗截断为多个短时信号片段来检测信号中待检测事件发生的起止点的方法近年来在语音、肌电等信号中得到了应用。这种检测方法虽然可根据信号片段来区分待检测事件是否发生，但是该方法只能确定待检测事件发生的起止点所在的信号片段，不能确定信号中待检测事件发生的精确起止点，而且检测的准确率难以提高。

对于心电信号中房颤发生的起止点的检测，若采用上述第一种方法，则需要逐心拍考察P波的形态特征，然而考察P波的形态特征在技术上存在难度高和准确率低的问题；若采用上述第二种方法，则需将心电信号截断为多个由一定数目的连续RR间期构成的信号片段，然后分析每个信号片段的RR间期分布规则程度，这种方法无法确定房颤发生的具体心拍位置。

上述两种方法都是围绕具体类型的信号中待检测事件发生前后的信号特征变化展开的，缺乏对起止点检测整体流程的研究。

发明内容

针对上述传统的时序信号中待检测事件发生起止点的检测方法的局限，本发明的目的在于提出一种基于滑动窗编码的房颤发生起止点的检测方法。本发明将每个窗的判断结果和每个RR间期的判断结果进行符号化编码，通过邻近窗房颤发生的概率和每个RR间期数次加窗后的判断结果，得到可代表每个RR间期内房颤是否发生的编码序列，最终根据编码序列的突变位置确定房颤发生的起止点。

本发明提出的一种基于滑动窗编码的房颤发生起止点的检测方法，具体步骤如下：

(1)根据心电信号中房颤发生后RR间期会变得绝对不规则的特点，训练机器学习模型，所述机器学习模型基于含房颤标签的数据库采用随机森林、逻辑回归和支持向量机而建立，该机器学习模型的输入为表征M个RR间期内RR间期分布规则程度的特征，输出为M个RR间期内房颤发生的概率；这里的M为奇数，一般可取经验值7或者9；

(2)用心电采集设备采集待检测心电信号，去除噪声后，得到预处理后的心电信号；

(3)检测步骤(2)得到的预处理后的心电信号中的R波位置，计算RR间期，得到长度为N(N>M)的RR间期序列；

(4)采用固定步长移动固定窗长的滑动窗方法，对步骤(3)得到的长度为N的RR间期序列，以M个RR间期为窗长，1个RR间期为步长作滑动窗，逐窗提取表征窗内RR间期序列中RR间期分布规则程度的特征，可得到N-M+1个窗的特征；根据实际应用场景，这里的步长也可以是2个或2个以上RR间期；

(5)对步骤(4)得到的N-M+1个窗的特征，逐个输入步骤(1)的机器学习模型，得到每个窗房颤发生的概率；记第i个窗房颤发生的概率为P_i，i＝1,2,…,N-M+1，并将每个窗是否发生房颤符号化，1表示房颤发生、0表示房颤没有发生，则第i个窗的判断结果X_i为：

当|P′_i-P_i|-0.5≠0时，

当|P′_i-P_i|-0.5＝0时，

其中，j＝1,2,…,(M-1)/2，P′_i为第i个窗前后邻近的M-1个窗推测第i个窗房颤发生的概率，定义如下：

(6)对步骤(5)的判断结果进行修正：若出现连续5个窗的判断结果为11011，则修正为11111；若出现连续5个窗的判断结果为00100，则修正为00000；这里，连续窗的个数也可取经验值3或者7；

(7)对步骤(6)修正后的N-M+1个窗的判断结果进行整理，统计每个RR间期被加M次窗的判断结果X₁ X₂…,X_M，若X₁ X₂…,X_M中1的个数大于0的个数，则该RR间期的判断结果Y_k为房颤发生，即Y_k＝1；反之，则Y_k＝0；这样可得到长度为N的编码序列Y；

(8)若长度为N个RR间期的心电信号中房颤发生定义为房颤发生的时长不小于连续的5个RR间期，考察步骤(7)得到的编码序列Y：若Y中出现连续的1的个数小于5的情况，则将RR间期判断结果的对应位由1修正为0，这样便得到修正后的编码序列Y’；

(9)考察步骤(8)修正后的编码序列Y’，寻找编码序列中发生突变的位置，若发生从0到1的突变，则发生突变的两个RR间期的交界处的R波位置就是房颤发生的起始点；若发生从1到0的突变，则发生突变的两个RR间期的交界处的R波位置就是房颤发生的终止点。

本发明提出了一种时序信号中待检测事件发生的起止点的检测方法,并将此检测方法应用于心电信号中房颤发生起止点的检测。

本发明中，步骤(1)训练输出为M个RR间期内房颤发生概率的模型，并且这个模型在步骤(5)输出每个窗房颤发生的概率。

本发明中，于步骤(4)将以固定步长移动固定窗长的滑动窗方法应用于心电信号中房颤发生的起止点的检测。

本发明中，步骤(5)对每个窗房颤发生的概率根据其邻近窗房颤发生的概率对其进行修正的方法。

本发明中，步骤(6)对每个窗的判断结果根据邻近窗的判断结果进行修正。

本发明中，步骤(7)统计每个RR间期被数次加窗的数次判断结果，并据此判断每个RR间期内房颤是否发生。

本发明中，步骤(5)和步骤(7)分别将每个窗的判断结果和每个RR间期的判断结果符号化编码。

步骤(9)考察代表每个RR间期房颤是否发生的编码序列，若编码序列在某个位置发生突变，则突变位置即为房颤发生的起止点。

本发明具有以下有益效果：

1.本发明的基于滑动窗编码的房颤发生起止点的检测方法，可以推广至其他时序信号中待检测事件发生起止点的检测，具有广泛的应用价值。

2.本发明的基于滑动窗编码的房颤发生起止点的检测方法，与其他传统的检测方法相比，具有准确率高、应用范围广的优点。

3.本发明的基于滑动窗编码的房颤发生起止点的检测方法，充分利用滑动窗处理和编码处理的特性，多次修正判断结果，这在一定程度上抑制了各种影响因素造成的误检。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单的介绍。需要说明的是，以下附图仅展示出了本发明的某些实施例，因此不应被看作是范围的限定。

图1中(a)是原始心电信号，(b)是对心电信号(a)中R波位置定位的结果，采用实心圆点进行标记。

图2是对图1中的心电信号以7个RR间期为窗长，以1个RR间期为步长作滑动窗的示意图，图中用矩形框展示了其中的前3个窗。

图3是对每个窗的判断结果，根据其邻近窗的判断结果进行修正的示意图，图3中(a)是修正前的判断结果编码序列，图3中(b)是修正后的判断结果编码序列。

图4是对每个RR间期的判断结果，根据其邻近RR间期的判断结果进行修正的示意图，图4中(a)是修正前的判断结果编码序列，图4中(b)是修正后的判断结果编码序列。

具体实施方式

下面结合附图和实施例对本发明方法及其应用做进一步说明。这些实施方式并不限制本发明。本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

实施例1：将本发明的基于滑动窗编码的房颤发生起止点的检测方法应用于动态心电信号中房颤发生起止点的检测。本实施例采用的动态心电信号采样频率为200Hz，来源于2021第四届中国生理信号挑战赛提供的数据库。采用本发明的基于滑动窗编码的房颤发生起止点的检测方法，具体步骤如下：

(1)将2021第四届中国生理信号挑战赛提供的数据库按照8:2划分为训练集和测试集，检测训练集中每条记录的R波位置，并计算RR间期，从而得到RR间期序列，对每个RR间期序列按照标签划分为多个长度为7个连续RR间期的序列片段(每个序列片段要么仅包含房颤发生的RR间期，要么仅包含房颤没有发生的RR间期)，然后提取每个序列片段表征RR间期分布规则程度的特征，最后训练随机森林模型，这个模型可以输出7个RR间期序列内房颤发生的概率；

(2)现以步骤(1)中划分的测试集中的一条记录为例，检测如图1(a)所示的心电信号片段中房颤发生的起止点，并对这段心电信号进行预处理，抑制噪声的影响；

(3)检测这段心电信号的R波位置，检测结果如图1(b)所示，图中将每个R波位置用实心圆点进行标记，并计算RR间期，得到心电信号的RR间期序列；

(4)对步骤(3)得到的RR间期序列，以7个RR间期为窗长、1个RR间期为步长作滑动窗，总计有16个窗，如图2所示，图中绘制了其中的前3个窗，并逐窗提取表征窗内RR间期序列中RR间期分布规则程度的特征；

(5)将步骤(4)得到的每个窗的特征逐个输入步骤(1)的随机森林模型，得到每个窗房颤发生的概率；记第i个窗房颤发生的概率为P_i，并将每个窗是否发生房颤符号化，1表示房颤发生、0表示房颤没有发生，则第i个窗的判断结果X_i为：

当|P′_i-P_i|-0.5≠0时，

当|P′_i-P_i|-0.5＝0时，

其中，

根据以上公式，每个窗的判断结果如图3(a)所示；

(6)对步骤(5)的判断结果进行修正：在图3(a)中，第9个窗和其前后邻近4个窗的判断结果为11011，因此将第9个窗的判断结果修正为1，修正后的结果如图3(b)所示；

(7)对步骤(6)修正后的16个窗的判断结果进行整理，统计信号中每个RR间期被加7次窗的判断结果X₁ X₂…,X₇，若X₁ X₂…,X₇中1的个数大于0的个数，则该RR间期的判断结果Y_k为房颤发生，即Y_k＝1；反之，则Y_k＝0；这样可得到编码序列Y，编码序列如图4(a)所示；

(8)根据房颤发生的时长不小于连续的5个RR间期的定义，考察步骤(7)得到的编码序列Y：图4(a)中，第20个RR间期的判断结果为Y₂₀＝1，而其前后邻近2个窗的判断结果为Y₁₉＝Y₂₁＝1，即Y中出现连续1的个数小于5，因此对第20个RR间期的判断结果进行修正，修正后的结果如图4(b)所示；

(9)考察步骤(8)修正后的编码序列Y’，寻找编码序列中发生突变的位置，图4(b)中，第6个RR间期到第7个RR间期的判断结果发生从0到1的突变、而且第14个RR间期到第15个RR间期的判断结果发生从1到0的突变，因此该段心电信号中房颤发生的起始点是第6个RR间期和第7个RR间期的交界处，即图1(b)的第7个R波位置处，该段心电信号中房颤发生的终止点是第14个RR间期和第15个RR间期的交界处，即图1(b)的第15个R波位置处。

Claims (1)

1.一种基于滑动窗编码的房颤发生起止点的检测方法，其特征在于具体步骤如下：

(1)根据心电信号中房颤发生后RR间期会变得绝对不规则的特点，训练机器学习模型，所述机器学习模型基于含房颤标签的数据库采用随机森林、逻辑回归和支持向量机而建立，该机器学习模型的输入为表征M个RR间期内RR间期分布规则程度的特征，输出为M个RR间期内房颤发生的概率，M为奇数，取经验值7或9；

(2)用心电采集设备采集待检测心电信号，去除噪声后，得到预处理后的心电信号；

(3)检测步骤(2)得到的预处理后的心电信号中的R波位置，计算RR间期，得到长度为N的RR间期序列，其中：N>M；

(4)采用固定步长移动固定窗长的滑动窗方法，对步骤(3)得到的长度为N的RR间期序列，以M个RR间期为窗长，1个RR间期为步长作滑动窗，逐窗提取表征窗内RR间期序列中RR间期分布规则程度的特征，可得到N-M+1个窗的特征；

(5)对步骤(4)得到的N-M+1个窗的特征，逐个输入步骤(1)的机器学习模型，得到每个窗房颤发生的概率；记第i个窗房颤发生的概率为P_i，i＝1,2,…,N-M+1，并将每个窗是否发生房颤符号化，1表示房颤发生、0表示房颤没有发生，则第i个窗的判断结果X_i为：

当|P_i′-P_i|-0.5≠0时，

当|P_i′-P_i|-0.5＝0时，

其中，j＝1,2,…,(M-1)/2，P_i′为第i个窗前后邻近的M-1个窗推测第i个窗房颤发生的概率，定义如下：

(6)对步骤(5)的判断结果进行修正：若出现连续5个窗的判断结果为11011，则修正为11111；若出现连续5个窗的判断结果为00100，则修正为00000；

(7)对步骤(6)修正后的N-M+1个窗的判断结果进行整理，统计每个RR间期被加M次窗的判断结果X₁ X₂…,X_M，若X₁ X₂…,X_M中1的个数大于0的个数，则该RR间期的判断结果Y_k为房颤发生，即Y_k＝1；反之，则Y_k＝0；得到长度为N的编码序列Y；

(8)若长度为N个RR间期的心电信号中，房颤发生定义为房颤发生的时长不小于连续的5个RR间期，考察步骤(7)得到的编码序列Y：若Y中出现连续的1的个数小于5的情况，则将RR间期判断结果的对应位由1修正为0，这样便得到修正后的编码序列Y’；

(9)考察步骤(8)修正后的编码序列Y’，寻找编码序列中发生突变的位置，若发生从0到1的突变，则发生突变的两个RR间期的交界处的R波位置就是房颤发生的起始点；若发生从1到0的突变，则发生突变的两个RR间期的交界处的R波位置就是房颤发生的终止点。