CN114831643A - 一种心电信号监测装置和可穿戴设备 - Google Patents
一种心电信号监测装置和可穿戴设备 Download PDFInfo
- Publication number
- CN114831643A CN114831643A CN202210777305.8A CN202210777305A CN114831643A CN 114831643 A CN114831643 A CN 114831643A CN 202210777305 A CN202210777305 A CN 202210777305A CN 114831643 A CN114831643 A CN 114831643A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- module
- network model
- ejection fraction
- 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.)
- Granted
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000006698 induction Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 206010019280 Heart failures Diseases 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 13
- 230000036541 health Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000002861 ventricular Effects 0.000 description 7
- 239000012528 membrane Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- 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]
- A61B5/332—Portable devices specially adapted therefor
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Cardiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及医用电子技术领域,提供一种心电信号监测装置和可穿戴设备。该心电信号监测装置通信连接服务器端,服务器端内置有预设的SNN脉冲神经网络模型,该心电信号监测装置应用于可穿戴设备,具体包括通信连接的心电采集模块、参数存储模块、模型构建模块、数据处理模块、实时监测模块和显示模块。本申请通过预训练的脉冲神经网络进行实时健康监测,从而预警心功能不全的风险。本申请所需数据简单易得,在保证准确率的情况下,还能实现低成本和高速度;计算功耗低,更适合应用于可穿戴设备,实用性得到大幅度提升;可实时完成心电信号采集和监测分析,反馈及时且迅速,无需人工干预,为及时就医提供了参考依据。
Description
技术领域
本申请涉及医用电子技术领域,尤其涉及一种心电信号监测装置和可穿戴设备。
背景技术
目前,人们对健康问题的关注度在日益攀升。近年来,随着心血管疾病导致的死亡率持续攀升,已成为威胁人类生命最大的疾病,人们也越来越重视日常心脏功能监护工作。通过对患者的心电信号数据的监测可以预先发现异常症状,从而可以及时给予救治。
传统的心电信号监测方法,通常是需要到医院,使用大型专业医用设备才能实现,导致患者无法实时监测心电信号,便利性较差。随着心电信号日常监测的市场需求急剧扩大,具有使用简单且易于携带的移动终端设备应运而生。现有技术中,移动终端仅作为心电信号数据监护系统的一部分,整个监护系统还包括心电信号采集端、移动终端及设置于医院或者其他地方的监测服务器端。但是,现有的移动终端设备仅能完成数据采集和数据传输,数据处理均需要通过服务器端完成,因此监测服务器端的负荷量会尤为繁重,还存在信息反馈滞后、操作成本高的问题;而且移动终端无法独立对采集到的实时心电信号进行处理,造成监测系统的实用性较差。
由此可见,如何根据易于获取的数据,低成本、准确及便捷地进行实时健康监测,为及时就医提供预判,是目前亟待解决的技术问题。
发明内容
为了克服现有技术的不足,本申请旨在提供一种心电信号监测装置和可穿戴设备,采用廉价且易于获取的心电数据,通过预训练的脉冲神经网络(Spiking NeuralNetwork,SNN)进行实时健康监测,从而预警心功能不全的风险,以解决现有技术中心脏健康监测成本高、速度慢、实用性差且人工干预重的问题。
为了实现上述目的,一方面,本申请提供一种心电信号监测装置,所述心电信号监测装置通信连接服务器端,所述服务器端内置有预设的SNN脉冲神经网络模型,所述心电信号监测装置应用于可穿戴设备,具体包括:
心电采集模块,用于获取实时心电数据。
模型构建模块,用于调用所述SNN脉冲神经网络模型的网络参数,并根据所述网络参数和预设的网络结构,构建神经网络模型。
数据处理模块,用于根据所述实时心电数据和所述神经网络模型,获得第一射血分数和第二射血分数。
实时监测模块,用于根据所述第一射血分数和所述第二射血分数,输出监测结果;如果所述第二射血分数大于所述第一射血分数,则发出第一信号,所述第一信号用于提示射血分数低于正常值。
进一步的,所述实时心电数据为12-导联心电图。
进一步的,所述神经网络模型包括顺序排列的七层时间卷积层、一层空间卷积层和两层特征归纳层;所述时间卷积层,用于提取所述实时心电数据中波形随时间变化的心电特征信息;所述空间卷积层,用于综合所述实时心电数据中12个不同部位采集到的心电特征信息;所述特征归纳层,用于归纳所述时间卷积层和空间卷积层提取到的心电特征信息,并做出推测。
进一步的,所述时间卷积层包括顺序连接的2D卷积单元、归一化单元、最值池化单元和LIF神经元单元;所述2D卷积单元用于提取心电波形的局部特征;所述归一化单元用于将所述局部特征的数值控制在合理范围内,防止在网络传递过程中特征数值增长过快或者下降到过小导致错误;所述最值池化单元用于提取特征之后舍弃一部分较小的特征数值,获得保留特征数值;所述LIF神经元单元用于将所述保留特征数值映射为传递到下一层级的脉冲。
进一步的,所述空间卷积层包括2D卷积单元、归一化单元和LIF神经元单元;所述特征归纳层包括全连接单元和LIF神经元单元。
进一步的,建立所述SNN脉冲神经网络模型的具体方法为:
获取历史心电数据及其对应的射血分数。
将所述历史心电数据划分为训练集和验证集。
根据所述训练集,基于SNN脉冲神经网络,构建初步脉冲神经网络模型。
根据所述测训练和所述初步脉冲神经网络模型,获得初步预测值。
根据所述初步预测值和所述训练集对应的射血分数,获得预测误差值。
根据所述预测误差值,调整所述初步脉冲神经网络模型的网络参数。
以提高所述验证集的准确率为目标,不断重复上述预测和调整步骤,获得SNN脉冲神经网络模型。
进一步的,所述训练集中包括第一样本和第二样本,所述第一样本与所述第二样本的数量比值为60:17。
进一步的,在所述SNN脉冲神经网络模型的训练阶段,将每次训练的训练集中第一样本与第二样本的比值乘以0.2,作为第一样本在损失函数中的计算权值。
进一步的,所述心电信号监测装置还包括参数存储模块和显示模块;所述参数存储模块用于存储从所述服务器端获取的所述SNN脉冲神经网络模型的网络参数;所述显示模块用于显示所述监测结果和所述第一信号。
第二方面,本申请还提供一种可穿戴设备,所述可穿戴设备包括本申请第一方面提供的心电信号监测装置。
本申请提供一种心电信号监测装置和可穿戴设备,所述心电信号监测装置通信连接服务器端,所述服务器端内置有预设的SNN脉冲神经网络模型,所述心电信号监测装置应用于可穿戴设备,具体包括通信连接的心电采集模块、参数存储模块、模型构建模块、数据处理模块、实时监测模块和显示模块。本申请通过预训练的脉冲神经网络进行实时健康监测,从而预警心功能不全的风险。本申请所需数据简单易得,在保证准确率的情况下,还能实现低成本和高速度;计算功耗低,更适合应用于可穿戴设备,实用性得到大幅度提升;可实时完成心电信号采集和监测分析,反馈及时且迅速,无需人工干预,并为及时就医提供了参考依据。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请实施例提供的心电信号监测装置结构示意图;
图2为本申请实施例提供的神经网络运行流程示意图;
图3为本申请实施例提供的心电图中对EF影响程度的分布示意图;
图4为本申请实施例提供的LIF模型膜电压变化示意图;
图5为本申请实施例提供的重复训练100次后的训练结果示意图;
图6为本申请实施例提供的算术单元运行流程示意图;
图7为本申请实施例提供的功能模块与存储器连接示意图;
图8为本申请实施例提供的各功能模块之间连接示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行完整、清楚的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为便于理解本申请实施例的技术方案,以下首先对本申请所涉及到的一些概念进行说明。
射血分数指每搏输出量占心室舒张末期容积量(即心脏前负荷)的百分比,正常值为50-70%,可通过心脏彩超进行检查,是判断心力衰竭类型的重要指征之一,计算公式为:EF=(EDV-ES)×100%/EDV,式中,EF为射血分数,EDV为心室舒张末容积,ES为心室收缩末容积。从式中可以看出,射血分数是一个容积比率指标,从容积的角度反映的心室的射血功能。
左室射血分数,即LVEF(Left Ventricular Ejection Fractions),是指每搏输出量占心室舒张末期容积量的百分比。心室收缩时并不能将心室的血液全部射入动脉,正常成人静息状态下,心室舒张期的容积:左心室约为125mL,右心室约为137mL,搏出量为60-80mL,即射血完毕时心室尚有一定量的余血,把博出量占心室舒张期容积的百分比称为射血分数,一般50%以上属于正常范围,人体安静时的射血分数约为55%~65%。射血分数与心肌的收缩能力有关,心肌收缩能力越强,则每搏输出量越多,射血分数也越大。
正常情况下左室射血分数为≥50%,右心室射血分数为≥40%,若小于此数值即为心功能不全。病人在出现心功能不全时往往伴有射血分数的降低。正常人的心脏射血约为55%至65%,当射血分数降低至35%以下时,会发生恶性心律失常,猝死的机会就会大大增加。
所谓12-导联心电图,即为从人体12个不同部位提取到的12组完整的心电信号。
所谓损失函数LOSS,即为神经网络中表征网络计算结果与预期目标之间差距的数值,神经网络的训练过程就是降低loss的过程。
参考图1,为本申请实施例提供的心电信号监测装置结构示意图。本申请实施例第一方面提供一种心电信号监测装置,该心电信号监测装置通信连接服务器端,该服务器端内置有预设的SNN脉冲神经网络模型,前述心电信号监测装置应用于可穿戴设备,具体包括通信连接的心电采集模块、参数存储模块、模型构建模块、数据处理模块、实时监测模块和显示模块。其中,
心电采集模块,用于获取实时心电数据。具体的,本申请实施例中的实时心电数据为12-导联心电图。
参数存储模块,用于存储从所述服务器端获取的所述SNN脉冲神经网络模型的网络参数。
模型构建模块,用于调用服务器端中SNN脉冲神经网络模型的网络参数,并根据该网络参数和预设的网络结构,构建神经网络模型。具体的,本装置中预设的网络结构仍然可以SNN网络为构建基底。
数据处理模块,用于根据所述实时心电数据和所述神经网络模型,获得第一射血分数和第二射血分数。
实时监测模块,用于根据所述第一射血分数和所述第二射血分数,输出监测结果;如果所述第二射血分数大于所述第一射血分数,则发出第一信号,所述第一信号用于提示射血分数低于正常值,存在心功能不全的风险,应及时就医。具体的,第一射血分数和第二射血分数正好代表的是EF>50(即正常)和EF<50(即有EF下降导致心脏衰竭的风险)的相对概率值,本申请实施例中,第一射血分数和第二射血分数的取值为[0,1]。简单举例,如果输出的两个数值为0.1和0.9,则网络判断EF>50的概率(即第一射血分数)是0.1,EF<50的概率(即第二射血分数)是0.9,那么就表示射血分数低于正常值,有心功能不全的风险,此时就会发出提示信号,提醒被监测者及时就医。
显示模块,用于显示实时监测模块分析得出的监测结果和提示及时就医的第一信号。
参考图2,为本申请实施例提供的神经网络运行流程示意图。由图上可知,本申请实施例中,心电信号监测装置中的神经网络模型包括顺序排列的七层时间卷积层、一层空间卷积层和两层特征归纳层。其中,时间卷积层,用于提取所述实时心电数据中波形随时间变化的心电特征信息;空间卷积层,用于综合所述实时心电数据中12个不同部位采集到的心电特征信息;特征归纳层,用于归纳所述时间卷积层和空间卷积层提取到的心电特征信息,并做出推测。
更具体的,时间卷积层又包括顺序连接的2D卷积单元、归一化单元、最值池化单元和LIF神经元单元;空间卷积层又包括顺序连接的2D卷积单元、归一化单元和LIF神经元单元,相较于时间卷积层,空间卷积层省去了MaxPool单元;特征归纳层则包括顺序连接的全连接单元和LIF神经元单元。
其中,2D卷积单元,用于提取心电波形的局部特征。特征提取的能力由卷积核的大小决定,理论上较大的卷积核能提取到相对全局的特征而较小的卷积核可以有效提取到波形上局部的细微特征。如果将心电波形上每一部分对射血分数的影响程度用灰度图像标注,颜色越深表示该区域对结果的影响越显著,参考图3可知,射血系数下降导致的心脏衰竭影响最显著的部分,在于心电曲线中心电主峰到来之前的微小扰动上,即图3中深黑色条带区域,但是曲线整体依然对结果存在不容忽视的影响。因此,本申请实施例中,七层时间卷积层分别采用大小为3,3,4,5,5,5,7的一维卷积核,逐层提取从小到大的特征。卷积核大小代表其能识别的特征范围,一开始采用较小的卷积核是为了强化前面提到的小扰动对应的局部特征,因为小扰动在心电波形上只占不超过50个点并且幅度不大,采用过大的卷积核会将这种小尺度信息抹平。之后由于最值池化(Maxpool)单元的存在,假设在第三层,心电曲线被降采样到256点,因此采用稍大一些的卷积核能够提取到更加全局的特征,而此时的局部特征经过前两层已经被强化,不会被抹平。
由此可见,卷积核提取作用实质是强化对应尺度的数据抹平更小尺度的数据,采用前述大小分布排列的卷积核,目的就是从局部到整体逐步放大特征使网络能正确推导出结果。
归一化单元,用于将2D卷积单元提取的局部特征的数值控制在合理范围内,防止在网络传递过程中特征数值增长过快或者下降到过小导致错误。
最值池化(MaxPool)单元,用于提取特征之后舍弃一部分较小的特征数值,即剔除那些不重要的细节,有利于后面各操作层提取特征。
LIF神经元单元,用于将最值池化单员处理后保留下来的特征数值,映射为传递到下一层级的脉冲。具体的,LIF(Leaky Integrate-and-Fire)神经元为模仿生物学神经元而创造的结构,LIF神经元的行为如图4所示。由图上可知,LIF神经元中有代表神经元状态的膜电压V,当神经元接收到上层传递的数值后,将该数值与此神经元在网络上的权重相乘的结果累计到膜电压上,而在神经元未接收到数值时减小电压模拟生物神经元的漏电过程,一旦神经元膜电压累计超过一定的阈值Vthr,将会向下一层级发送脉冲并清空膜电压进入一段时间的不响应状态。因此,在一定时间尺度下,LIF神经元输出脉冲的频率,代表该位置特征对于判断问题的影响程度,脉冲频率越高意味着这个位置对结果的影响越大。
本申请实施例中,时间卷积层通道数依次为16,16,32,32,64,128,256,代表每一层提取到的特征数量,时间卷积层结束之后会将原心电数据分割为256个不同的特征。随后空间卷积层会将256个特征中对应12-导联的心电信号综合并且将特征的数量缩减为64个,需要说明的是,空间卷积层的卷积核区别于时间卷积核的地方为:时间卷积核的大小为(1,x),1即不会对空间位置进行卷积,而空间卷积层的卷积核大小为(12,1),即不会对时间位置进行卷积,而将12联空间数据卷积到一起。接着,该64个特征通过两层全连接(Linear)网络,依据各个特征对应的权重分别将特征数量缩减为32和2,而最后得到的两个特征正好代表的是EF>50(即正常)和EF<50(即有EF下降导致心脏衰竭的风险)的相对概率值。
本申请实施例中,设置了两层全连接网络,即添加一层32输出参数的中间层,其目的在于以更多的参数量增强网络的稳定性,如果将特征数量直接由256个缩减到2个,那么使用到的参数量为256×2;而添加中间层后,参数量为256×32+32×2。更为直观地讲,先将256个特征总结为32个更抽象的特征,再将32个特征总结为最后需要的2值,其判断结果也比直接根据256个特征做出判断更具有可靠性。
本申请实施例中,建立SNN脉冲神经网络模型的具体方法为:
步骤S11:获取历史心电数据及其对应的射血分数。
步骤S12:将历史心电数据划分为训练集和验证集。
步骤S13:根据训练集,基于SNN脉冲神经网络,构建初步脉冲神经网络模型。
具体的,训练集中包括第一样本和第二样本,本申请实施例中,第一样本代表健康样本,第二样本代表患病样本,而第一样本与第二样本的数量比值为60:17。
步骤S14:根据训练集和步骤S13构建的初步脉冲神经网络模型,获得初步预测值。
步骤S15:根据初步预测值和训练集对应的射血分数,获得预测误差值。
步骤S16:根据步骤S15获得的预测误差值,调整步骤S13构建的初步脉冲神经网络模型的网络参数。
步骤S17:以提高验证集的准确率为目标,不断重复步骤S14至步骤S16,获得SNN脉冲神经网络模型。
本申请实施例中,数据来源为iMac300心电图机采集的12-导联心电图,采样率为1000Hz,采样点数为10000。网络输入为1000点,因此在网络训练阶段每一组数据可以切割为10份作为不同的训练样本,训练结果如图5所示。图中曲线以图像最右边锚点,从上至下曲线分别为:P代表真阳性对应的概率,N代表真阴性对应的概率,FN代表假阴性对应的概率,FP代表假阳性对应的概率。此处阳性对应健康,阴性对应有患病风险,同一横轴值对应的4条曲线的竖轴值的总和恒为1。
在SNN脉冲神经网络模型的训练阶段,本申请实施例对模型的损失函数做了一些优化,以解决数据分布中健康样本占大多数的样本不均衡导致网络分类存在偏见,具体的操作方式则是将每次训练的训练集中健康样本与患病样本的比值乘以0.2,作为健康样本在损失函数中的计算权值。对健康样本的权值修改之后,对于网络判断结果为正常而实际为患者的数据,即图5中的FP(FalsePositive),网络会产生很大的损失函数loss值,而神经网络的训练过程就是将loss值减小的过程。因此在用上述方式修改损失函数之后,网络更倾向于将难以判断的数据判断为异常(不健康)而减小因FP产生的loss值。如图5所示,训练完毕的网络FP样本数极少,这就可以保证网络对正常数据不会误判。而对异常数据的诊断将用另一套规则实现,这套规则会在一定程度上损害正常数据的判断,这也是为何要在训练阶段保证网络不会误判的原因。
在本申请实施例中,健康样本和患病样本比例为60:17,乘以0.2,在权重上等效为将样本比例变为为60×0.2:17即12:17。这里需要说明的是,虽然选用参数0.3可以尽可能使样本比例逼近1:1,但是由于本申请实施例中每次训练的样本是从3000+850样本里随机抽取一部分,有非常大的可能在样本池中抽取正负比例偏差更大的样本,所以选用稍小一些的参数0.2,以此中和随机性带来的偏差。
在SNN脉冲神经网络模型的测试阶段,将完整的心电数据分10次依次输入网络中,并综合10次输入的判断结果做最终判断,在这种方式下对异常数据(也就是患病风险)的敏感度提升到81.74%,对正常结果的判断准确度达到90.25%,而在日常监督中,由于样本数据量更大,理论上可以获取更精确的监测结果。
本申请实施例中,实时监测模块还附带主控制器的功能,即可以控制心电采集模块、参数存储模块、模型构建模块、数据处理模块和显示模块的操作以及各模块之间的数据交互。具体的,实时监测模块可控制下载服务器端的网络权重参数存储到参数存储模块中;在心电采集模块工作时控制心电采集模块将采集数据传送给数据处理模块做数据分析和数据输出;在构建神经网络模型过程中需要网络权重参数,所需的各层参数会通过实时监控模块传送到模型构建模块。
除去神经网络算法之外,本申请实施例还将为此算法定制硬件加速器,其中,硬件加速器主要由若干个算术单元组成,本申请实施例中,算术单元主要对应模型构建模块和数据处理模块两部分。参考图6,为本申请实施例提供的算术单元运行流程示意图。由图上可知,各个单元分别计算网络中不同部分,不同层网络对应的单元之间连接方式为前级网络单元神经元输出端口连接到下级单元输入缓冲区。顶层单元输入缓冲区连接到图1中的心电采集模块,尾层单元的输出端口连接到主控制器(即实时监测模块)作为网络判断的结果。此外主控制器(即实时监测模块)还担任路由的功能,用于分配各个单元计算中使用到的网络参数。图6中网络参数部分对应图1中的参数存储模块,是一个存储单元,存储整个神经网络的权重数据。各个算术单元计算所需的网络权重参数由主控制器(实时监测模块)负责根据单元所在网络位置分配,分配逻辑如图7所示。
图7中功能模块对应图6中输入缓冲区、算术单元及神经膜电位两个单元,所有单元通过一条数据传输线路(数据总线)和存储网络权重的权重存储器相连接。功能模块通过主控制器(实时监测模块)向存储器发送计算所需权重数据所在的网络位置,储存器将该位置的权重数据上传至数据传输线路由对应的功能模块读取完成计算。功能模块之间有串联和并联两种连接方式,串联用以实现网络内部层级之间的连接,并联用于将网络内部一个层级的大块网络计算划分为小块处理,图7只显示了串联部分,包含串并联的网络连接示意如图8所示。
如图8所示,并联模块组成一层网络,串联为网络之间的连接,串联层级之间依据各自位置将输出数据传输至对应下级模块的输入缓冲区中。整个网络最后将输出两组脉冲信号,由主控制器(即实时监测模块)接收此输出信号,统计一段时间内两组脉冲的频率,以频率高低来决定网络的判定结果。
由此可见,本申请实施例提供的心电信号监测装置,可应用于可穿戴设备上,对高风险人群进行实时健康监测。本申请实施例具有以下特点:
首先,数据成本低廉且易于获取。比如通过正当途径从医疗机构就能获取成对的患者EF数据以及采集的心电数据。
其次,将采集到的大量的含EF标记的心电图数据导入服务器中的SNN脉冲神经网络模型中进行训练,可不断更新网络参数。
接着,终端设备具有从服务器下载网络参数的能力,可以同步服务器训练的网络参数改善性能。
再者,终端设备是具有心电监测能力便携设备,如某些品牌带有医疗认证的智能手表或者是专业医疗监测设备。
最后,本申请还可以与设备制造商合作,将专用加速芯片添加到原设备上,当使用者调用原设备心电检测相关功能时,系统会将获取的数据传入网络中,为使用者判断当前是否有罹患心脏衰竭的风险。
本申请实施例第二方面提供一种可穿戴设备,该可穿戴设备包括本申请第一方面提供的心电信号监测装置,对于本申请实施例第二方面提供的一种可穿戴设备中未公开的细节,请参见本申请实施例第一方面提供的一种心电信号监测装置。
综上所述,与现有技术相比,本申请具有以下优势:
其一,相较于专业医疗机构,本申请检测成本极低,只需要购买适用于个人使用的心电采集设备即可。在上述心电采集设备基础上,只需要增加一颗定制芯片,在增加一项功能的前提下不会增加过多成本。
其二,本申请使用最简单易得的心电图数据作为判断依据,在保证准确率的情况下做到低成本高速度,整个监测判断过程不会超过10分钟,并且可以及时更新和优化网络参数,从而提升判断准确度。
其三,本申请采用SNN脉冲神经网络,此网络相较于非SNN网络在专用的硬件加速器上可以将计算功耗降低数成,甚至能在功耗敏感型设备如某些智能手表上完成此类复杂的分析判断。因此相较于基于造影的大型神经网络,本申请所用的网络本身可以达到更低的功耗,因此本申请应用于可穿戴设备更具有可行性。
其四,本申请由于寄托于便携设备,具有一般便携设备的所有优点,且采集和监测可以实时完成,操作简单只需要简单指令即可进行健康监测。
其五,本申请若应用于临床诊断也可以在较小代价的前提下,作为辅助工具辅助医务人员快速完成分析和判断。
由以上技术方案可知,本申请提供一种心电信号监测装置和可穿戴设备,该心电信号监测装置通信连接服务器端,服务器端内置有预设的SNN脉冲神经网络模型,该心电信号监测装置应用于可穿戴设备,具体包括通信连接的心电采集模块、参数存储模块、模型构建模块、数据处理模块、实时监测模块和显示模块。本申请通过预训练的脉冲神经网络进行实时健康监测,从而预警心功能不全的风险。本申请所需数据简单易得,在保证准确率的情况下,还能实现低成本和高速度;计算功耗低,更适合应用于可穿戴设备,实用性得到大幅度提升;可实时完成心电信号采集和监测分析,反馈及时且迅速,无需人工干预,并为及时就医提供了参考依据。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (10)
1.一种心电信号监测装置,通信连接服务器端,其特征在于,所述服务器端内置有预设的SNN脉冲神经网络模型,所述心电信号监测装置应用于可穿戴设备,包括:
心电采集模块,用于获取实时心电数据;
模型构建模块,用于调用所述SNN脉冲神经网络模型的网络参数,并根据所述网络参数和预设的网络结构,构建神经网络模型;
数据处理模块,用于根据所述实时心电数据和所述神经网络模型,获得第一射血分数和第二射血分数;
实时监测模块,用于根据所述第一射血分数和所述第二射血分数,输出监测结果;如果所述第二射血分数大于所述第一射血分数,则发出第一信号,所述第一信号用于提示射血分数低于正常值。
2.根据权利要求1所述的一种心电信号监测装置,其特征在于,所述实时心电数据为12-导联心电图。
3.根据权利要求1或2所述的一种心电信号监测装置,其特征在于,所述神经网络模型包括顺序排列的七层时间卷积层、一层空间卷积层和两层特征归纳层;所述时间卷积层,用于提取所述实时心电数据中波形随时间变化的心电特征信息;所述空间卷积层,用于综合所述实时心电数据中12个不同部位采集到的心电特征信息;所述特征归纳层,用于归纳所述时间卷积层和空间卷积层提取到的心电特征信息,并做出推测。
4.根据权利要求3所述的一种心电信号监测装置,其特征在于,所述时间卷积层包括顺序连接的2D卷积单元、归一化单元、最值池化单元和LIF神经元单元;所述2D卷积单元用于提取心电波形的局部特征;所述归一化单元用于将所述局部特征的数值控制在合理范围内,防止在网络传递过程中特征数值增长过快导致错误;所述最值池化单元用于提取特征之后舍弃一部分较小的特征数值,获得保留特征数值;所述LIF神经元单元用于将所述保留特征数值映射为传递到下一层级的脉冲。
5.根据权利要求3所述的一种心电信号监测装置,其特征在于,所述空间卷积层包括2D卷积单元、归一化单元和LIF神经元单元;所述特征归纳层包括全连接单元和LIF神经元单元。
6.根据权利要求1所述的一种心电信号监测装置,其特征在于,建立所述SNN脉冲神经网络模型的具体方法为:
获取历史心电数据及其对应的射血分数;
将所述历史心电数据划分为训练集和验证集;
根据所述训练集,基于SNN脉冲神经网络,构建初步脉冲神经网络模型;
根据所述训练集和所述初步脉冲神经网络模型,获得初步预测值;
根据所述初步预测值和所述训练集对应的射血分数,获得预测误差值;
根据所述预测误差值,调整所述初步脉冲神经网络模型的网络参数;
以提高所述验证集的准确率为目标,不断重复上述预测和调整步骤,获得SNN脉冲神经网络模型。
7.根据权利要求6所述的一种心电信号监测装置,其特征在于,所述训练集中包括第一样本和第二样本,所述第一样本与所述第二样本的数量比值为60:17。
8.根据权利要求7所述的一种心电信号监测装置,其特征在于,在所述SNN脉冲神经网络模型的训练阶段,将每次训练的训练集中第一样本与第二样本的比值乘以0.2,作为第一样本在损失函数中的计算权值。
9.根据权利要求1所述的一种心电信号监测装置,其特征在于,所述心电信号监测装置还包括参数存储模块和显示模块;所述参数存储模块用于存储从所述服务器端获取的所述SNN脉冲神经网络模型的网络参数;所述显示模块用于显示所述监测结果和所述第一信号。
10.一种可穿戴设备,其特征在于,所述可穿戴设备包括权利要求1-9任一项所述的心电信号监测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777305.8A CN114831643B (zh) | 2022-07-04 | 2022-07-04 | 一种心电信号监测装置和可穿戴设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777305.8A CN114831643B (zh) | 2022-07-04 | 2022-07-04 | 一种心电信号监测装置和可穿戴设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114831643A true CN114831643A (zh) | 2022-08-02 |
CN114831643B CN114831643B (zh) | 2022-10-04 |
Family
ID=82575038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210777305.8A Active CN114831643B (zh) | 2022-07-04 | 2022-07-04 | 一种心电信号监测装置和可穿戴设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114831643B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019082745A (ja) * | 2017-10-11 | 2019-05-30 | ベイ ラブズ インク. | 人工知能利用駆出率決定方法 |
US20200205745A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
CN111665066A (zh) * | 2020-05-18 | 2020-09-15 | 东华大学 | 基于卷积神经网络的设备故障自适应上下预警界生成方法 |
CN111772619A (zh) * | 2020-06-19 | 2020-10-16 | 厦门纳龙科技有限公司 | 一种心电图心搏识别方法、终端设备及存储介质 |
CN111814728A (zh) * | 2020-07-22 | 2020-10-23 | 同济大学 | 数控机床刀具磨损状态识别方法和存储介质 |
US20200397313A1 (en) * | 2017-10-06 | 2020-12-24 | Mayo Foundation For Medical Education And Research | Ecg-based cardiac ejection-fraction screening |
CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
CN113180692A (zh) * | 2021-02-11 | 2021-07-30 | 北京工业大学 | 一种基于特征融合和注意力机制的脑电信号分类识别方法 |
CN113240654A (zh) * | 2021-05-20 | 2021-08-10 | 吉林大学 | 一种多维度特征融合的颅内动脉瘤检测方法 |
CN113303814A (zh) * | 2021-06-13 | 2021-08-27 | 大连理工大学 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
CN114052744A (zh) * | 2021-11-02 | 2022-02-18 | 西安电子科技大学重庆集成电路创新研究院 | 基于脉冲神经网络的心电信号分类方法 |
WO2022093709A1 (en) * | 2020-10-27 | 2022-05-05 | Zoll Medical Corporation | Determination of cardiac condition measure based on machine learning analysis of ecg and/or cardio-vibrational data |
CN114550910A (zh) * | 2022-02-10 | 2022-05-27 | 西安医学院第二附属医院 | 基于人工智能的射血分数保留型心衰诊断及分型系统 |
-
2022
- 2022-07-04 CN CN202210777305.8A patent/CN114831643B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200397313A1 (en) * | 2017-10-06 | 2020-12-24 | Mayo Foundation For Medical Education And Research | Ecg-based cardiac ejection-fraction screening |
JP2019082745A (ja) * | 2017-10-11 | 2019-05-30 | ベイ ラブズ インク. | 人工知能利用駆出率決定方法 |
US20200205745A1 (en) * | 2018-12-26 | 2020-07-02 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
CN111665066A (zh) * | 2020-05-18 | 2020-09-15 | 东华大学 | 基于卷积神经网络的设备故障自适应上下预警界生成方法 |
CN111772619A (zh) * | 2020-06-19 | 2020-10-16 | 厦门纳龙科技有限公司 | 一种心电图心搏识别方法、终端设备及存储介质 |
CN111814728A (zh) * | 2020-07-22 | 2020-10-23 | 同济大学 | 数控机床刀具磨损状态识别方法和存储介质 |
WO2022093709A1 (en) * | 2020-10-27 | 2022-05-05 | Zoll Medical Corporation | Determination of cardiac condition measure based on machine learning analysis of ecg and/or cardio-vibrational data |
CN113180692A (zh) * | 2021-02-11 | 2021-07-30 | 北京工业大学 | 一种基于特征融合和注意力机制的脑电信号分类识别方法 |
CN113080990A (zh) * | 2021-03-25 | 2021-07-09 | 南京蝶谷健康科技有限公司 | 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法 |
CN113240654A (zh) * | 2021-05-20 | 2021-08-10 | 吉林大学 | 一种多维度特征融合的颅内动脉瘤检测方法 |
CN113303814A (zh) * | 2021-06-13 | 2021-08-27 | 大连理工大学 | 基于深度迁移学习的单通道耳脑电自动睡眠分期方法 |
CN114052744A (zh) * | 2021-11-02 | 2022-02-18 | 西安电子科技大学重庆集成电路创新研究院 | 基于脉冲神经网络的心电信号分类方法 |
CN114550910A (zh) * | 2022-02-10 | 2022-05-27 | 西安医学院第二附属医院 | 基于人工智能的射血分数保留型心衰诊断及分型系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114831643B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
CN108478209A (zh) | 心电信息动态监护方法和动态监护系统 | |
CN106066933B (zh) | 获取房颤识别人工神经网络权重值矩阵的方法 | |
KR20140063100A (ko) | 원격 심질환 관리 장치 및 방법 | |
CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
CN111084618A (zh) | 一种可穿戴式多功能呼吸循环检测系统及方法 | |
WO2021071688A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN113317794B (zh) | 一种生命体征分析方法与系统 | |
CN106725376B (zh) | 体征信号检测方法及装置 | |
RU2657384C2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
CN104462744A (zh) | 适用于心血管远程监测系统的数据质量控制方法 | |
CN102551699A (zh) | 非侵入性心输出量确定的系统 | |
CN114081462B (zh) | 一种基于多维度生理信息的心脏健康监护系统 | |
KR102439082B1 (ko) | 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법 | |
CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
CN110200619A (zh) | 一种建立重大心血管疾病风险预警模型方法及装置 | |
CN106137152A (zh) | 远程健康检测与服务方法及其系统 | |
CN113160921A (zh) | 一种基于血流动力学的数字人体心血管系统的构建方法和应用 | |
CN113456033B (zh) | 生理指标特征值数据处理方法、系统及计算机设备 | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
CN114067529A (zh) | 一种心衰预测预警的日常监测系统 | |
CN113905664B (zh) | 一种用于检测生理状况的事件驱动脉冲神经网络系统 | |
CN114831643B (zh) | 一种心电信号监测装置和可穿戴设备 | |
CN115836847A (zh) | 一种血压预测装置及设备 | |
CN112842355B (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 |
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 |