CN114886403A - 一种基于脉搏主波间期的恶性心律失常识别与预测系统 - Google Patents
一种基于脉搏主波间期的恶性心律失常识别与预测系统 Download PDFInfo
- Publication number
- CN114886403A CN114886403A CN202210524173.8A CN202210524173A CN114886403A CN 114886403 A CN114886403 A CN 114886403A CN 202210524173 A CN202210524173 A CN 202210524173A CN 114886403 A CN114886403 A CN 114886403A
- Authority
- CN
- China
- Prior art keywords
- pulse
- malignant arrhythmia
- interval
- wave
- dominant
- 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.)
- Withdrawn
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/02—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
- A61B5/02444—Details of sensor
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种基于脉搏主波间期的恶性心律失常识别与预测方法、装置及系统。包括步骤1:获取人体指尖处预定时间长度的动态脉搏信号;步骤2:动态脉搏信号主波间期的提取,通过检测波峰而获得脉搏波周期;步骤3:基于主波间期分析的恶性心律失常智能识别与突发预测;本发明从采集的脉搏信号中精准地提取脉搏主波间期,通过对脉搏主波间期提取并分析特异性变化参数,进而利用神经网络、随机森林等机器学习方法进行智能识别与突发预测。相比于心电信号,脉搏信号可通过智能手环和手表等便携式设备获取,采集过程无需复杂的电极导联,患者可在家居工作等无医护人员监督环境下自助测量,更适用于家居和远程医疗。
Description
技术领域
本发明涉及家居、养老院等环境下的医疗设备技术领域,具体涉及一种基于脉搏主波间期智能识别恶性心律失常与突发预测的方法、装置及系统。
背景技术
近年来,心血管疾病的死亡率居于世界首位,是人类的“第一大杀手”。根据世界卫生组织最新报道,目前,全球每年死于心血管疾病的人数超过1900万`,平均每天的死亡人数中,心血管患者占三分之一。2020年《中国心血管健康与疾病报告》指出,我国心血管疾病患者现已经高达3.3亿人,每5个成年人中就有2个心血管疾病患者,并且,心血管疾病依然占城乡居民总死亡原因的首位,分别占农村和城市的46.66%和43.81%,均位列第一,并且呈逐年上升趋势。其中,心梗、脑梗等急性心血管疾病突发性和致死率高,突发后,在数小时内得不到有效救治,将会直接导致患者死亡。许多患者往往在急性心血管疾病突发后的休息过程中悄然离世,给患者和家庭造成巨大危害。
恶性心律失常是心梗和脑梗患者的常见症状,初期突发时,有时忽然会感觉到心脏疼痛,症状轻微且快速,患者在静坐、平躺等短暂休息后症状消失,称为“一过性”。恶性心律失常的“一过性”使患者麻痹大意,进而导致心梗、脑梗等急性心血管疾病,危害巨大。临床检查时,不容易被发现,可以被检测出时,已经到了比较严重的地步,发生了病变,而家居环境下,可以根据平时的脉搏信号,即不突发段,进行检测识别,有助于发现恶性心律失常的情况。研究表明,在心梗、脑梗等急性心血管疾病突发的前夕,生理参数会发生明显的异常变化,如果能及时监测到这些异常,对患者发出预警,助其及时就医抢救,将会极大降低急性心血管疾病的致死率。
目前,主要检测手段为医院的心电图,但是,我国人口众多,医疗资源有限,“就医难”的问题依然存在,患者长期在医院测量心电图会造成医院医疗资源浪费、增加医疗成本。同时,心电信号的采集需多电极连接和电缆连接,采集过程需要专业医护人员的指导,一个电极贴错,整个信号都不具有使用价值,并且电极连接时间过长会引起皮肤过敏。此外,恶性心律失常具有“一过性”,短时间的心电检测很难有效对其识别,需要长期跟踪检测才能达到识别急性心血管疾病突发的目的。因此,亟需一种可家用的健康监护与预警技术及产品,使患者足不出户,就能对自己的健康状态进行把控,进而缓解医院压力。研究表明,脉搏主波间期和心电RR间期具有很强的相关性,在心血管疾病监测方面可相互替代。与心电信号相比,脉搏信号采集不需要粘贴多个电极,并可方便地粘贴于人体的多个部位,可以自助测量,更适用于家居环境使用。
家居环境下,对患者的动态脉搏信号进行在线监测,通过平常段的脉搏主波间期的分析早日发现恶性心律失常,可为患者及时就医提供参考。因此,有必要设计一种基于脉搏主波的恶性心律失常智能识别与突发预测的方法、装置及系统。
发明内容
1、本发明的目的
本发明的目的是研究脉搏主波间期的精准提取及分析技术,探索其在恶性心律失常中的应用,研制家居环境下恶性心律失常的检测系统对所提出的技术进行验证,提高家居环境下恶性心律失常的识别准确率和实时性。提供一种基于脉搏主波间期进行恶性心律失常智能识别与突发预测的方法、装置及系统。
2、本发明所采用的技术方案
为了解决上述问题,本发明的第一方面提供了基于脉搏主波间期智能识别恶性心律失常与突发预测的方法,包括:
步骤1:获取人体指尖处预定时间长度的动态脉搏信号;
步骤2:动态脉搏信号主波间期的提取,通过检测波峰获得脉搏波周期;
步骤2.1获取脉搏信号的数据库;
步骤2.2脉搏信号滤波,滤除脉搏信号中常见的干扰和噪声,包括:工频干扰、基线漂移和肌电干扰;
步骤2.3干扰段检测,去除脉搏信号中由于传感器滑动或滑落引起的运动伪迹,脉搏信号的部分或全部特征丢失;
步骤2.4主波间期提取方法,对脉搏波主波间期周期分割提取出来,检测其波峰{PW(i)},分析脉搏信号的变化规律,采用频域基波提取方法,对主波进行定位;
步骤3:基于主波间期分析的恶性心律失常智能识别与突发预测;
步骤3.1:主波间期的时域、频域和非线性域显著性变化参数的提取;对主波间期序列在时域内进行定量分析,通过统计学分析法,从主波间期中提取信息,分析脉搏周期间隔时间的改变,包括总体均值、总体标准差、差值均方根和pNN40,得到心血管系统的异常情况和稳定性;对大于256个主波间期进行快速傅里叶变化或者自回归参数模型法得到功率谱,把脉搏主波间期分割成不同频率的波段,并从中提取一些特征参数,反映人体内部心血管活动的稳定性,得到有关于心血管系统变异性的信息;非线性分析方法遵循血流动力学原理和非平稳性特征,通过非周期混沌力学对脉搏间期进行分析,用于评估包括脉搏间期相关性、复杂性特征参数;
步骤3.2:主波间期的时域、频域和非线性特异性变化参数的选择;对显著性变化且相似性低的参数进行选择,包括t检验、KS检验;
步骤3.3:基于机器学习的恶性心律失常智能识别;采用有监督的学习方法,包括:反馈神经网络、概率神经网络和随机森林,以健康人和不同类型恶性心律失常患者人群间主波间期的特征参数为输入训练分类模型;在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型;
步骤3.4:恶性心律失常的突发预测;针对恶性心律失常的突发预测,根据显著性变化参数在线提取与选择的结果,采用有监督的学习方法,包括:反馈神经网络、概率神经网络和随机森林,以恶性心律失常突发前后主波间期的特征参数为输入训练分类模型;
步骤3.5:结果评估。
更进一步,所述步骤2.1中,脉搏信号组成的数据库包括医疗设备实时采集的信号或者采集存储的离线信号。
更进一步,所述步骤2.2中,滤除脉搏信号中常见的干扰和噪声,包括:工频干扰、基线漂移和肌电干扰。
更进一步,步骤3.1中,脉搏间期相关性、复杂性特征参数包括洛伦兹散点图和信息熵。
更进一步,所述的步骤3.3中,在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型,反复训练得到模型参数的均值,作为最终的分类模型。
更进一步,所述的步骤3.5中,采用运行时间、准确性、敏感性和特异性、kappa系数计算恶性心律失常识别结果的平均性能,对恶性心律失常的识别和预测结果进行评价,通过计算每个指标的平均值±标准差来评价结果。
根据本发明的另一个方面,提供一种基于脉搏主波间期进行恶性心律失常智能识别与突发预测的装置,包括存储器和处理器,存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现上述的方法步骤。
根据发明的又一方面,提供一种基于脉搏主波间期进行恶性心律失常智能识别与突发预测的系统,适用于家居、养老院环境下的医疗设备,包括:下位机、无线传输模块、上位机;所述的下位机可植入智能轮椅、智能医疗床等设备;下位机由传感器和下位机微处理器系统组成;所述传感器采用压电式或光电式传感器,光电式传感器利用透射或反射来收集信号,用于在人体表面脉管获得一定时间长度的脉搏信号;所述的下位机微处理器实现上述的滤波、干扰段检测和主波精准定位。
更进一步,所述的无线传输模块用于将所提取的主波间期传送至上位机,无线发射模块采用Wifi、蓝牙或Zigbee;发射模块与下位机的串口相连;接收模块为上位机的嵌入式模块或与上位机相连的独立模块。
更进一步,所述的上位机为PC端、手机端或iPad端,所述产品的操作系统为Windows、Linux、macOS或Android、IOS、Harmony OS;所述上位机对恶性心律失常智能识别结果生成报告并输出;所述上位机实现对恶性心律失常突发警报时以短信或呼救形式执行程序。
3、本发明所采用的有益效果
(1)本发明以脉搏主波间期为依据,提出恶性心律失常的智能识别与突发预测的方法、装置和系统。从采集的脉搏信号中精准地提取脉搏主波间期,通过对脉搏主波间期提取并分析特异性变化参数,进而利用神经网络、随机森林等机器学习方法进行智能识别与突发预测。相比于常用的心电信号,脉搏信号可通过智能手环和手表等便携式设备获取,采集过程无需复杂的电极导联,患者可在家居工作等无医护人员监督环境下自助测量,更适用于家居和远程医疗。
(2)恶性心律失常早期突发后症状很快消失,很难在医院体检中检测出来,具有“一过性”。因此,提出在家居条件下在线检测人体的生理信号,根据未突发段信号的特异性变化参数来预判突发时刻,提高恶性心律失常识别的准确率。
(3)本发明根据脉搏主波间期信号进行了恶性心律失常的智能识别和突发预测,脉搏主波间期信号和心电主波间期信号有很强的相关性,可以相互替代,但是心电信号获取麻烦,一般为医院的心电图检测法,不适用于居家自助测量。
附图说明
图1是恶性心律失常智能识别与突发预测过程。
图2是脉搏信号中的脉搏主波间期特征组成示意图。
图3是动态脉搏信号主波间期精准提取过程。
图4是不同信噪比含有干扰的心动过速患者脉搏信号。
图5是动态脉搏信号中常见干扰段。
图6是脉搏信号中的脉搏主波间期。
图7是本发明实例中心动过速滤波后的脉搏信号波形,可以与图4对比。
图8是本发明实施例的健康人、心动过速、心动过缓、心室扑动、室性心动过速的脉搏主波间期提取结果的对比。其中:(a)健康人的脉搏主波间期;(b)心动过缓的脉搏主波间期;(c)心动过速的脉搏主波间期;(d)心室扑动的脉搏主波间期;(e)室性心动过速的脉搏主波间期。
图9是本发明基于脉搏主波间期进行恶性心律失常智能识别与突发预测的装置示意图。
图10是本发明基于脉搏主波间期分析的恶性心律失常识别系统示意图。
具体实施方式
下面结合本发明实例中的附图,对本发明实例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
实施例
以下结合附图,说明本发明的实施方式。
图1为恶性心律失常智能识别与突发预测过程,包括获取人体指尖处预定时间长度的动态脉搏信号,动态脉搏信号主波间期的精准提取,基于主波间期分析(显著性变化参数的提取与选择),基于机器学习进行恶性心律失常智能识别与突发预测四个步骤。
步骤1:获取人体指尖处预定时间长度的动态脉搏信号。其中,预定时间至少为30秒。脉搏信号可以为光电容积脉搏波或者压力脉搏波,可以通过反射式或者透射式光电脉搏传感器获得。
步骤2:动态脉搏信号主波间期的精准提取。如图2所示,为本发明的脉搏信号中的脉搏主波间期特征组成示意图,其中,脉搏主波间期由对应心动周期的数个波组成,心动周期可用脉搏波周期描述,记为PPI。一次心跳产生一个脉搏波,心跳的起点和终点对应一个脉搏波的起点和终点,起点为脉搏波谷(图2中实心圆点),图2中曲线段“A PPI”为1个心动周期内脉搏波的空间变化,含有心脏搏动节律与血流动力学信息。脉搏波峰(空心圆圈)比波谷更突出且更容易检测到,因此,可通过检测波峰而获得PPI。
如图3所示,为本发明动态脉搏信号主波间期精准提取过程,包括:获取脉搏信号的数据库、脉搏信号滤波、干扰段检测和主波间期提取方法。
步骤2.1:获取脉搏信号数据库。在进行脉搏信号主波间期提取前,需要获取脉搏信号组成的数据库。实际应用中,脉搏信号可以是医疗设备实时采集的信号或者采集存储的离线信号。
其中,脉搏信号采集的对象由健康人和恶性心律失常患者构成。恶性心律失常患者可以为心动过速患者、心动过缓患者、心室扑动患者、室性心动过速患者等,但不限于这些类型。
步骤2.2:脉搏信号滤波。用于滤除脉搏信号中常见的干扰和噪声,包括:工频干扰、基线漂移和肌电干扰。如图4,为不同信噪比含有干扰的脉搏信号。在一个具体实例中,针对不同环境下,脉搏信号信噪比多变问题,采用改进的自适应滤波方法和整系数陷波滤波器滤除干扰和噪声。
步骤2.3:干扰段检测。用于去除脉搏信号中由于传感器滑动或滑落引起的运动伪迹,脉搏信号的部分或全部特征丢失。如图5,为动态脉搏信号中常见的干扰段。在一个具体实例中,在综合分析干扰段和正常信号特征差异的基础上,有针对地提出脉搏信号干扰段的在线检测方法。
步骤2.4:主波间期提取。如图6所示,为了将脉搏波主波间期提取出来,就要对其周期分割,检测其波峰{PW(i)}。在一个具体实例中,分析脉搏信号的变化规律,采用频域基波提取方法,对主波进行精准定位,提高脉搏主波间期精准提取的准确率。
步骤3:基于主波间期分析的恶性心律失常智能识别与突发预测。包括:主波间期的时域、频域和非线性域特异性变化参数的提取与选择;基于机器学习的恶性心律失常智能识别;恶性心律失常的突发预测;结果评估。
步骤3.1:主波间期的时域、频域和非线性域显著性变化参数的提取。通过对主波间期序列的深入分析,有助于从多层次、多角度挖掘主波间期序列中蕴含的生理和病理信息。一些脉搏主波间期序列的分析方法,无论是时域、频域,还是非线性域分析方法,均可作为分析脉搏主波间期序列的参考。在一个具体实例中,对主波间期序列在时域内进行定量分析,通过统计学分析法,从主波间期中提取一些有用信息,分析脉搏周期间隔时间的改变,例如,总体均值、总体标准差、差值均方根和pNN40等,得到心血管系统的异常情况和稳定性;通常对一定长度(一般大于256个间期)相对平稳的主波间期进行快速傅里叶变换或者自回归参数模型法运算得到功率谱,频域分析法可以从功率谱中得到一些生理意义比较明确的信息,通过频率的不同,把脉搏间期波分割成不同频率的波段,并从中提取一些脉搏间期的特征参数,反映人体内部心血管活动的稳定性,得到有关于心血管系统变异性的信息;非线性分析方法遵循血流动力学原理和非平稳性特征,通过非周期混沌力学对脉搏间期进行分析,用于评估脉搏间期相关性、复杂性等特征参数,例如,洛伦兹散点图和信息熵等。
步骤3.2:主波间期的时域、频域和非线性特异性变化参数的选择。如果将提取的全部特征参数用于恶性心律失常的识别,会使得算法变得更加复杂,算法的运行时间增加,降低疾病识别的效率。为了保留PPIs信号中尽可能更多的信息,同时减少算法的复杂程度,对显著性变化且相似性低的参数进行选择。在一个具体实例中,可采用t检验、KS检验等方法进行显著性变化参数的选择。
步骤3.3:基于机器学习的恶性心律失常智能识别。针对基于机器学习的恶性心律失常识别技术研究,在显著性变化参数在线提取与选择方法研究的基础上,选择合适的机器学习方法,设计恶性心律失常识别模型。在一个具体实例中,通过网上开源数据库及临床采集的数据对建立的模型进行训练和测试,采用有监督的学习方法,包括:反馈神经网络、概率神经网络和随机森林,以健康人和不同类型恶性心律失常患者人群间主波间期的特征参数为输入训练分类模型。在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型。为了降低输入样本顺序对结果的影响,随机改变训练集和测试集样本,训练100次得到模型参数的均值,作为最终的分类模型。
步骤3.4:恶性心律失常的突发预测。针对恶性心律失常的突发预测,在显著性变化参数在线提取与选择方法研究的基础上,选择合适的机器学习方法,设计恶性心律失常的突发预测模型。在一个具体实例中,通过网上开源数据库及临床采集的数据对建立的模型进行训练和测试,采用有监督的学习方法,包括:反馈神经网络、概率神经网络和随机森林,以恶性心律失常突发前后主波间期的特征参数为输入训练分类模型。在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型。为了降低输入样本顺序对结果的影响,随机改变训练集和测试集样本,训练100次得到模型参数的均值,作为最终的分类模型。
步骤3.5:结果评估。采用运行时间、准确性、敏感性和特异性、kappa系数来计算恶性心律失常识别结果的平均性能,对恶性心律失常的识别和预测结果进行评价。为了尽量减少输入样本对结果的影响,训练集和测试集的样本随机变化并训练100次,通过计算每个指标的平均值±标准差来评价结果。
实施例:下面结合本发明的附图,对本发明实施例中的技术方案进行了描述。其中,所描述的实施方案只是本发明的一部分,而不是全部的实施方案。本领域技术人员根据本发明的实施例,不需要任何独创性就可以得到的所有其他实施例都包括在本发明的保护范围内。
该实施例中,由健康人、心动过缓、心动过速、心室扑动和室性心动过速这4种危及生命的心律失常的脉搏信号构成数据库,其中,健康人20名(年轻人10例:21-31岁,老年人10例:70-85岁,且男女人数相等),信号采样频率250Hz,时长120分钟;心动过缓患者17例,心动过速患者39例,心室扑动患者6例,室性心动过速患者47例,这些恶性心律失常患者的信号采样频率为250Hz,时长5分钟或5.5分钟。
实验设备配置:Intel(R)Core(TM)i5-6300HQ CPU@2.30GHz,windows-10 64位操作系统上,安装在8GB RAM的笔记本电脑上。仿真软件:Matlab 2020b。
在本实例中,针对不同环境下,信噪比不同,脉搏信号存在干扰的问题,采用改进的自适应滤波算法和整系数陷波滤波器可实现滤波去干扰,即基线漂移、工频干扰和肌电干扰。滤波结果如图7所示。
在本实例中,针对动态脉搏信号因存在干扰段导致质量降低问题,依据干扰段与正常段特征分析,进行干扰段的检测,识别脉搏信号中的干扰段。
在本实例中,针对主波间期的提取问题,采用频域基波提取方法,对脉搏信号进行分割,提高主波检测的准确率。
不同组受试者提取的主波间期结果如图8所示。健康人、心动过缓患者、心动过速患者、室扑患者、室性心动过速患者的平均PPIs为71.697(bpm)、64.764bpm、131.371bpm、77.828bpm和109.119bpm。心动过缓的平均心跳最低,心动过速的平均心跳最高。室扑的平均心跳高于健康受试者和心动过缓患者,低于心动过速。
在本实例中,采用脉搏主波间期分析方法,在时域、频域、非线性域提取恶性心律失常PPIs显著性变化参数,统计结果如表1所示,结果以“均值±标准差”表示。对于每个特征,共从ABP信号中提取了144187个PPI。健康受试者有93483个PPI(年轻人48583个,老年人44900个),心动过缓患者6472个PPI,心动过速患者17936个PPIs,心室扑动患者1521个PPIs,以及室性心动过速患者44900个PPIs。因此,显著性变化参数向量的大小为144187×14。
表1特征提取结果
在本实例中,采用双样本KS检验来选择特征。表2是患者与健康人之间的结果。第二列为所有危及生命的心律失常的统计结果,双样本KS检测结果列于第三和第四列。结果表明,我们从健康人和心律失常患者PPIs中提取的所有特征与都有显着差异(p<0.01)。
表2显著性变化参数选择结果
在本实例中,将选择的显著性变化参数作为输入向量,基于机器学习方法(反馈神经网络(BPNN)、概率神经网络(PNN)、随机森林(RF))建立恶性心律失常识别模型,采用实测的数据对模型进行反复训练,得到分类决策面,进行恶性心律失常的智能识别。
在表2中选择的144187×14显著性变化参数向量,随机选择了10000×14个显著性变化参数向量作为测试集,134187×14个显著性变化参数向量作为训练集。训练数据集的特征随机改变100次以减小输入数据差异的影响,程序运行100次验证BPNN、PNN和RF的分类精度。健康受试者、极端心动过缓、极端心动过速、室性心动过速和心室平坦的标签分别为1、2、3、4和5。表3为各分类方法运行100次的识别准确率统计。可以看出,RF的分类准确率最高,耗时最少。
表3分类结果
如图9所示,基于脉搏主波间期进行恶性心律失常智能识别与突发预测的装置,包括动态脉搏获取模块、脉搏主波间期的精准提取模块、恶性心律失常识别与突发预测模块、结果输出与预警模块。
动态脉搏信号获取模块,用于获得健康人群和心血管疾病患者预定时间长度的脉搏信号,可以通过传感器在指尖进行信号采集。
脉搏主波间期的精准提取模块,用于所述脉搏信号的滤波、干扰段检测,主波精准定位。
所述的滤波是指设计合适的滤波器滤除脉搏信号中的干扰和噪声,以保证信号的洁净。在一个具体实例中,设计改进的自适应滤波器和整系数陷波滤波器滤除脉搏信号中的高频噪声(基线漂移)和低频噪声(工频干扰、肌电干扰)。
所述的干扰段检测是去除由于传感器滑落或脱落引起的运动伪影、信号段丢失的影响。在一个具体实例中,根据干扰段和正常段信号特征的差异,对于不同类型的干扰段,有针对地提出干扰段检测方法。
所述的脉搏主波精准定位是指利用高效的方法检测出脉搏信号的起点或终点,进行脉搏信号周期分割。在一个具体实例中,利用频域基波提取的方法得到脉搏波的峰值。
恶性心律失常智能识别与突发预测模块,用于所述显著性变化参数的提取与选择、基于机器学习的恶性心律失常识别技术。
所述的特异性变化参数的提取是指在恶性心律失常未突发段的时域、频域和非线性域对PPIs信号进行特异性变化参数提取,在一个具体实例中,可以通过数理统计方法、快速傅里叶变换或自回归参数模型法运算功率谱、洛伦兹散点图或信息熵进行特异性变化参数的提取。
所述的显著性变化参数的选择是指在提取的特异性变化参数中进行参数显著性差异和相似性选择,确保后期分类结果的准确性。在一个具体实例中,可采用t检验或者KS检验进行参数选择。
所述的基于机器学习的恶性心律失常识别技术是指基于神经网络、随机森林等机器学习方法进行恶性心律失常的智能识别,包括:分类模型训练、突发预测模型训练、结果评价。
所述的分类模型训练是指根据健康人和不同类型恶性心律失常患者的所选择的显著性变化参数训练神经网络、随机森林等机器学习的分类模型,智能识别恶性心律失常。
所述的基于脉搏主波间期识别恶性心律失常的方法,所述的突发预测模型训练是指根据所选择的显著性变化参数训练神经网络、随机森林等机器学习方法的预测模型,用于恶性心律失常的突发预测。
所述的结果评估是指采用实时性、准确性、敏感性、特异性、Kappa系数对智能识别和突发预测的结果进行评估。
所述的结果输出模块,用于输出恶性心律失常的智能识别结果
所述的预警模块,用于对突发的恶性心律失常进行预警。
图10是本发明的基于脉搏主波间期分析的恶性心律失常智能识别与突发预测系统,适用于家居、养老院环境下的医疗设备,即基于脉搏主波间期进行恶性心律失常智能识别系统的结构示意图。由下位机、无线传输模块和上位机组成。
所述的下位机由传感器和下位机微处理器系统组成。
所述传感器可以是压电式或光电式传感器,光电式传感器可以利用透射或反射来收集信号,用于在人体表面脉管获得一定时间长度的脉搏信号,可以在之间进行脉搏信号采集。
所述的下位机微处理器实现上述的滤波、干扰段检测和主波精准定位,可以为Arduino、DSP、单片机等。
所述的无线传输模块用于将所提取的主波间期传送至上位机,由一个无线发射模块和一个无线接收模块组成。
所述的无线发射模块可以是Wifi、蓝牙或Zigbee。
所述的发射模块与下位机的串口相连。
所述的接收模块可以是上位机的嵌入式模块或与上位机相连的独立模块。
所述的上位机为PC端、手机端或iPad端,所述产品的操作系统为Windows、Linux、macOS或Android、IOS、Harmony OS。
所述的上位机处理器实现上述的显著性变化参数的提取与分析、恶性心律失常智能识别与突发预测。
所述上位机通过对恶性心律失常智能识别结果的生成报告输出。
所述上位机实现对恶性心律失常突发警报时以短信或呼救形式执行程序。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (10)
1.一种基于脉搏主波间期的恶性心律失常识别与预测方法,其特征在于包括:
步骤1:获取人体指尖处预定时间长度的动态脉搏信号;
步骤2:动态脉搏信号主波间期的提取,通过检测波峰获得脉搏波周期;
步骤2.1获取脉搏信号的数据库;
步骤2.2脉搏信号滤波,滤除脉搏信号中常见的干扰和噪声,包括:工频干扰、基线漂移和肌电干扰;
步骤2.3干扰段检测,去除脉搏信号中由于传感器滑动或滑落引起的运动伪迹,脉搏信号的部分或全部特征丢失;
步骤2.4主波间期提取方法,对脉搏波主波间期周期分割提取出来,检测其波峰{PW(i)},分析脉搏信号的变化规律,采用频域基波提取方法,对主波进行定位;
步骤3:基于主波间期分析的恶性心律失常智能识别与突发预测;
步骤3.1:主波间期的时域、频域和非线性域显著性变化参数的提取;对主波间期序列在时域内进行定量分析,通过统计学分析法,从主波间期中提取信息,分析脉搏周期间隔时间的改变,包括总体均值、总体标准差、差值均方根和pNN40,得到心血管系统的异常情况和稳定性;对大于256个主波间期进行快速傅里叶变化或者自回归参数模型法得到功率谱,把脉搏主波间期分割成不同频率的波段,并从中提取一些特征参数,反映人体内部心血管活动的稳定性,得到有关于心血管系统变异性的信息;非线性分析方法遵循血流动力学原理和非平稳性特征,通过非周期混沌力学对脉搏间期进行分析,用于评估包括脉搏间期相关性、复杂性特征参数;
步骤3.2:主波间期的时域、频域和非线性特异性变化参数的选择;对显著性变化且相似性低的参数进行选择,包括t检验、KS检验;
步骤3.3:基于机器学习的恶性心律失常智能识别;采用有监督的学习方法,包括:反馈神经网络、概率神经网络和随机森林,以健康人和不同类型恶性心律失常患者人群间主波间期的特征参数为输入训练分类模型;在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型;
步骤3.4:恶性心律失常的突发预测;针对恶性心律失常的突发预测,根据显著性变化参数在线提取与选择的结果,采用有监督的学习方法,包括:反馈神经网络、概率神经网络和随机森林,以恶性心律失常突发前后主波间期的特征参数为输入训练分类模型;
步骤3.5:结果评估。
2.根据权利要求1所述的基于脉搏主波间期的恶性心律失常识别与预测方法,其特征在于,所述步骤2.1中,脉搏信号组成的数据库包括医疗设备实时采集的信号或者采集存储的离线信号。
3.根据权利要求3所述的基于脉搏主波间期的恶性心律失常识别与预测方法,其特征在于,所述步骤2.2中,滤除脉搏信号中常见的干扰和噪声,包括:工频干扰、基线漂移和肌电干扰。
4.根据权利要求1所述的基于脉搏主波间期的恶性心律失常识别与预测方法,其特征在于,步骤3.1中,脉搏间期相关性、复杂性特征参数包括洛伦兹散点图和信息熵。
5.根据权利要求1所述的基于脉搏主波间期的恶性心律失常识别与预测方法,其特征在于,所述的步骤3.3中,在训练模型之前,数据被随机分为训练集和测试集,采用交叉验证的方式训练模型,反复训练得到模型参数的均值,作为最终的分类模型。
6.根据权利要求1所述的基于脉搏主波间期的恶性心律失常识别与预测方法,其特征在于,所述的步骤3.5中,采用运行时间、准确性、敏感性和特异性、kappa系数计算恶性心律失常识别结果的平均性能,对恶性心律失常的识别和预测结果进行评价,通过计算每个指标的平均值±标准差来评价结果。
7.一种基于脉搏主波间期的恶性心律失常识别与预测装置,包括存储器和处理器,存储器存储有计算机程序,其特征在于;所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的方法步骤。
8.一种基于脉搏主波间期的恶性心律失常识别与预测系统,其上位机存储有计算机程序,其特征在于:所述的计算机程序被处理器执行时实现如权利要求1-6任一所述的方法步骤,还包括下位机、无线传输模块、上位机;所述的下位机可植入智能轮椅、智能医疗床等设备;下位机由传感器和下位机微处理器系统组成;所述传感器采用压电式或光电式传感器,光电式传感器利用透射或反射来收集信号,用于在人体表面脉管获得一定时间长度的脉搏信号;所述的下位机微处理器实现上述的滤波、干扰段检测和主波精准定位。
9.根据权利要求8所述的基于脉搏主波间期的恶性心律失常识别与预测系统,其特征在于:所述的无线传输模块用于将所提取的主波间期传送至上位机,无线发射模块采用Wifi、蓝牙或Zigbee;发射模块与下位机的串口相连;接收模块为上位机的嵌入式模块或与上位机相连的独立模块。
10.根据权利要求8所述的基于脉搏主波间期的恶性心律失常识别与预测系统,其特征在于:所述的上位机为PC端、手机端或iPad端,所述产品的操作系统为Windows、Linux、macOS或Android、IOS、Harmony OS;所述上位机对恶性心律失常智能识别结果生成报告并输出;所述上位机实现对恶性心律失常突发警报时以短信或呼救形式执行程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524173.8A CN114886403A (zh) | 2022-05-13 | 2022-05-13 | 一种基于脉搏主波间期的恶性心律失常识别与预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524173.8A CN114886403A (zh) | 2022-05-13 | 2022-05-13 | 一种基于脉搏主波间期的恶性心律失常识别与预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114886403A true CN114886403A (zh) | 2022-08-12 |
Family
ID=82720951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210524173.8A Withdrawn CN114886403A (zh) | 2022-05-13 | 2022-05-13 | 一种基于脉搏主波间期的恶性心律失常识别与预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114886403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117224092A (zh) * | 2023-11-16 | 2023-12-15 | 常熟理工学院 | 基于决策树的光电容积脉搏波干扰段实时检测方法及系统 |
-
2022
- 2022-05-13 CN CN202210524173.8A patent/CN114886403A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117224092A (zh) * | 2023-11-16 | 2023-12-15 | 常熟理工学院 | 基于决策树的光电容积脉搏波干扰段实时检测方法及系统 |
CN117224092B (zh) * | 2023-11-16 | 2024-02-09 | 常熟理工学院 | 基于决策树的光电容积脉搏波干扰段实时检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acharya et al. | Entropies for automated detection of coronary artery disease using ECG signals: A review | |
Zhang et al. | Heart sound classification based on scaled spectrogram and partial least squares regression | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
Acharya et al. | Comprehensive analysis of cardiac health using heart rate signals | |
Gambarotta et al. | A review of methods for the signal quality assessment to improve reliability of heart rate and blood pressures derived parameters | |
Raj et al. | A personalized point-of-care platform for real-time ECG monitoring | |
CN110037668B (zh) | 脉搏信号时空域结合模型判断年龄、健康状态及恶性心律失常识别的系统 | |
CN107788969A (zh) | 一种心电信号中qrs波群的自动检测方法 | |
KR20190066332A (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
Wu et al. | Research on the method of characteristic extraction and classification of phonocardiogram | |
Fang et al. | Dual-channel neural network for atrial fibrillation detection from a single lead ECG wave | |
Murugappan et al. | Time domain features based sudden cardiac arrest prediction using machine learning algorithms | |
Rangappa et al. | Classification of cardiac arrhythmia stages using hybrid features extraction with k-nearest neighbour classifier of ecg signals | |
Mahesh et al. | ECG arrhythmia classification based on logistic model tree | |
Yu et al. | Automatic detection of atrial fibrillation from ballistocardiogram (BCG) using wavelet features and machine learning | |
Kanna et al. | Automated defective ECG signal detection using MATLAB applications | |
CN114886403A (zh) | 一种基于脉搏主波间期的恶性心律失常识别与预测系统 | |
Manikandan et al. | Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices | |
Yathish | Early detection of cardiac arrhythmia disease using machine learning and iot technologies | |
Pang et al. | Real time heart ischemia detection in the smart home care system | |
WO2015123753A1 (en) | Method and system for evaluating a noise level of a biosignal | |
Chou et al. | Modelling arterial blood pressure waveforms for extreme bradycardia and tachycardia by curve fitting with Gaussian functions | |
Murthy et al. | ECG signal denoising and ischemic event feature extraction using Daubechies wavelets | |
Rao et al. | Performance identification of different heart diseases based on neural network classification | |
Saktheeswari et al. | Survey on signal processing techniques for diagnoising cardiovascular diseases |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220812 |
|
WW01 | Invention patent application withdrawn after publication |