CN116725486A - 一种基于双阶段的动态心电信号房颤检测方法、装置 - Google Patents
一种基于双阶段的动态心电信号房颤检测方法、装置 Download PDFInfo
- Publication number
- CN116725486A CN116725486A CN202310607548.1A CN202310607548A CN116725486A CN 116725486 A CN116725486 A CN 116725486A CN 202310607548 A CN202310607548 A CN 202310607548A CN 116725486 A CN116725486 A CN 116725486A
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- electrocardiosignal
- segment
- convolution
- feature
- 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.)
- Pending
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 194
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 239000012634 fragment Substances 0.000 claims abstract description 72
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 39
- 230000004913 activation Effects 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000001746 atrial effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 206010003662 Atrial flutter Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002861 ventricular Effects 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- IZUPBVBPLAPZRR-UHFFFAOYSA-N pentachlorophenol Chemical compound OC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl IZUPBVBPLAPZRR-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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]
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于双阶段的动态心电信号房颤检测方法、装置。本发明所提供的动态心电信号房颤检测包括以下步骤:对动态心电信号和QRS波位置序列进行第一采样频率的下采样,使用滑动窗口法对长程动态心电信号进行截取,通过模型RDAF‑net快速地提取出疑似房颤发生的区域,在减少房颤段漏检率的同时保证准确率,给第二阶段的细检测提供基础。将第一阶段检测到的疑似房颤片段集合进行第二采样频率的采样,通过滑动窗口法对第二采样频率下的片段进行截取,将采样后的疑似房颤片段输入到模型ConvTransAF‑net中,对输入的疑似房颤片段进行精细化检测。最后通过中值滤波对第二阶段的分类结果进行后处理,得到最终的房颤检测结果。
Description
技术领域
本发明涉及房颤检测领域,尤其是指一种基于双阶段的动态心电信号房颤检测方法、装置。
背景技术
房颤是一种常见的心律失常,特点为心房收缩不规则、频率快且无序,导致心室收缩的不规则和失去正常的收缩力度。房颤会增加中风、心力衰竭和其他并发症的风险,出于其重要性和常见性的考虑,往往将房颤作为心律失常中一个独立的研究要点。在临床实践中,动态心电是揭示房颤发生、持续和终止的有力工具。
目前传统的房颤检测方法的可分为基于心房活动分析方法和基于心室活动分析方法两种。房颤的发生与心房活动紊乱有关,从心电信号上的变化来看,房颤发生时,在原来的P波位置出现一系列不规则的低振幅高频的f波,表明心房活动有明显的特征性变化。基于心房活动分析的方法主要就是通过检测P波与f波之间的差异,并设计对应特征进行房颤检测或分类。快速不协调的心房活动也会引起心电信号中不规则的心室节律,表现在波形中即为RR间期不匀齐,基于心室活动分析的方法主要是基于RR间期的各种统计学参数展开研究。
基于心房活动分析方法可以解决房颤时心率变异性相对较低或心率由药物控制的情况。但由于心电图中P波和f波的能量较低,容易受到噪声干扰,导致误检。相比之下,基于心室活动分析方法的抗噪声能力更强,但由于RR间期蕴含的信息有限,因此在处理复杂节律时,其准确率仍有不小的提升空间。同时,使用RR间期进行房颤检测往往需要较长的心电信号,难以很好地实现短时阵发性房颤的检测任务,对短时、阵发性房颤则容易发生漏检与误检。
因此,许多方法将深度学习应用到基于心电信号的房颤检测与分类任务中来。与传统的方法相比,深度学习方法在房颤检测上通常具有更好的准确性和泛化能力,但是面对动态心电信号时仍然面临多种挑战:动态心电信号的质量不稳定,容易受到肌电干扰、电极位移等噪声因素干扰,影响房颤检测算法的性能;房颤可能表现出多种形式,例如不同的持续时间、不同的心拍节律和不同形态的房颤波等。此外,其它一些非房颤节律也具有类似房颤的特征,这可能会混淆识别算法并降低性能。甚至部分方案忽视了算法效率和检测准确性之间的平衡,尤其是对于部分阵发性房颤心电信号,由于其偶尔发作且持续时间短,使用高精度的大模型对全程进行检测浪费计算资源,也不利于数据集规模较大的情况,缺乏必要性。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中通过分析RR间期来检测房颤发作,对短时、阵发性房颤则容易发生漏检与误检的问题;忽视算法效率和检测准确性之间的平衡,尤其是对于部分阵发性房颤心电信号,由于其偶尔发作且持续时间短,使用高精度的大模型对全程进行检测浪费计算资源,也不利于数据集规模较大的情况,缺乏必要性的问题。
为解决上述技术问题,本发明提供了一种基于双阶段的动态心电信号房颤检测方法,其特征在于,包括以下步骤:
步骤1:对动态心电信号进行第一采样频率的下采样,将采样后的信号通过第一滑动窗口处理,获得第一固定长度的短心电信号片段作为第一输入支路;设置第一固定长度的QRS波位置序列作为第二输入支路;将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF-net中,通过RDAF-net模型的特征提取模块,得到第一特征和第二特征,将所述第一特征与第二特征进行拼接,拼接后的新特征通过卷积核减小通道数,最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段;设置第一判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第一判别阈值,就将该片段标记为疑似房颤片段;
步骤2:将步骤1检测到的疑似房颤片段集合还原至动态心电信号的采样频率,即第二采样频率进行采样;将还原后的疑似房颤片段集合通过第二滑动窗口处理,以第二步长移动,获得第二固定长度的心电信号片段;将该心电信号片段输入到ConvTransAF-net模型中;输入的心电信号片段首先通过特征提取模块,将提取到的特征输入编码模块进行编码,将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类;设置第二判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第二判别阈值,就将该片段标记为房颤片段;
步骤3:在所述步骤2中第二滑动窗口以第二步长对心电信号进行检测时,会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率,设置预测概率判别阈值,对所述步骤2产生的预测概率进行判断;将预测概率中小于所述阈值的部分设置为0,将预测概率中大于等于所述阈值的部分设置为1;用中值滤波对预测结果进行进一步处理,滤波后的结果为动态心电信号的目标房颤检测结果。
在本发明的一个实施例中,所述步骤1中第一采样频率为50Hz,第一滑动窗口窗长为30s,第一步长为15s;第一固定长度为30s,第一判别阈值为5s;所述步骤2中,第二采样频率为250Hz,第二滑动窗口窗长为5s,第二步长为1s;第二固定长度为5s,第二判别阈值为2.5s。
在本发明的一个实施例中,所述步骤1中,RDAF-net模型的特征提取模块包括常规卷积模块和分组卷积模块;其中,常规卷积模块的卷积核尺寸为1×15,分组卷积模块Group=4且卷积核尺寸为1×11;在常规卷积模块和分组卷积模块中,卷积层后均连接BN层和激活函数ReLU,再通过AvgPool1D池化层对特征图进行10倍下采样,最后用激活函数Disout来提高网络泛化能力。
在本发明的一个实施例中,所述步骤1中,第一特征和第二特征进行拼接后利用卷积核尺寸为1×1的卷积模块缩小通道数;最后通过两个密集连接层和Sigmod激活函数来判断输入的心电信号片段内是否可能存在房颤,找出疑似房颤片段。
在本发明的一个实施例中,在所述RDAF-net模型训练过程中,设计带权重的交叉熵损失函数,设置错检与漏检的损失惩罚比例为1:2对RDAF-net模型进行约束;设置房颤判断阈值为0.5,当模型的输出概率大于0.5时判定为疑似房颤片段,输出概率小于0.5则认为是非房颤片段;模型RDAF-net的预测输出为One-Hot编码,训练优化器为Adams算法。
在本发明的一个实施例中,所述步骤2中,ConvTransAF-net模型的特征提取模块包括一个多尺度卷积模块和两个分组卷积模块;其中多尺度卷积模块的卷积核尺寸分别为1×3、1×9、1×15,在卷积层后依次通过BN层和激活函数ReLU;将所述多尺度卷积模块输出的三个通道串联,使用轻量化通道注意力EAC对特征映射的不同通道进行选择性加权,增强有效特征通道;最后进行平均下采样并使用Disout层提高模型泛化能力;所述两个分组卷积模块中,Group=4且卷积核的大小依次为1×7、1×3,通过分组卷积模块的两次采样后特征图尺寸分别缩小至1/5、1/2;在分组卷积模块中,卷积层后连接BN层和激活函数ReLU,后设置Disout层提高模型泛化能力。
在本发明的一个实施例中,在所述步骤2中,特征提取模块得到的特征首先通过Squeeze操作减小输入信号维度,再通过Permute操作交换维度顺序,然后经过六层编码模块TransformerEncoderLayer,将输入的特征值转换为高维度的向量表示,最后计算通道维度的平均值作为输出;在所述ConvTransAF-net模型的末端,使用两个密集连接层和激活函数来实现房颤片段的二分类。
在本发明的一个实施例中,在所述ConvTransAF-net模型训练过程中,使用交叉熵损失函数,模型的预测输出为One-Hot编码,训练优化器为Adam算法。
在本发明的一个实施例中,在所述步骤3中,测概率判别阈值为0.5;中值滤波的窗长为3s。
本发明还提供了一种基于双阶段的动态心电信号房颤检测装置,包括:
疑似房颤片段提取模块,用于对动态心电信号进行第一采样频率的下采样,将采样后的信号通过第一滑动窗口处理,获得第一固定长度的短心电信号片段作为第一输入支路;设置第一固定长度的QRS波位置序列作为第二输入支路;将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF-net中,通过RDAF-net模型的特征提取模块,得到第一特征和第二特征,将所述第一特征与第二特征进行拼接,拼接后的新特征通过卷积核减小通道数,最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段;设置第一判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第一判别阈值,就将该片段标记为疑似房颤片段;
房颤概率预测模块,用于将疑似房颤提取片段提取模块中检测到的疑似房颤片段集合还原至动态心电信号的采样频率,即第二采样频率进行采样;将还原后的疑似房颤片段集合通过第二滑动窗口处理,以第二步长移动,获得第二固定长度的心电信号片段;将该心电信号片段输入到ConvTransAF-net模型中;输入的心电信号片段首先通过特征提取模块,将提取到的特征输入编码模块进行编码,将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类;设置第二判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第二判别阈值,就将该片段标记为房颤片段
房颤检测结果输出模块,用于在房颤概率预测模块中第二滑动窗口以第二步长对心电信号进行检测时,会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率,设置预测概率判别阈值,对所述房颤概率预测模块产生的预测概率进行判断;将预测概率中小于所述阈值的部分设置为0,将预测概率中大于等于所述阈值的部分设置为1;用中值滤波对预测结果进行进一步处理,滤波后的结果为动态心电信号的目标房颤检测结果。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的基于双阶段的动态心电信号房颤检测方法对于长程动态心电信号进行第一阶段的粗检测和第二阶段的细检测。在第一阶段中,采用轻量化卷积模型,在尽可能减少房颤片段遗漏的同时,快速提取出疑似房颤发生的片段,确保了检测的效率;第二阶段的细检测过程中,对第一阶段提取的疑似片段再次进行精细化检测,能够精确定位房颤发作的片段,保证了检测的准确性,避免误检现象的发生。本发明将效率与准确性结合,避免了大规模对全程心电信号进行检测造成的资源浪费。本发明在检测过程中设置短时间阈值,避免遗漏短时、阵发性房颤。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明实施例提供的一种基于双阶段的动态心电信号房颤检测方法流程图
图2是本发明实施例提供的一种基于双阶段的动态心电信号房颤检测方法第一阶段模型RDAF-net结构图
图3是本发明实施例提供的一种基于双阶段的动态心电信号房颤检测方法第二阶段模型ConvTransAF-net结构图
图4是本发明实施例所提供的后处理阶段效果示意图
图5是本发明实施例所提供的步骤1训练数据集构造示意图
图6是本发明实施例所提供的步骤2训练数据集构造示意图
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明提出的基于双阶段的房颤检测方法流程图如图1所示,具体方法如下:
步骤1:对动态心电信号进行第一采样频率的下采样,将采样后的信号通过第一滑动窗口处理,获得第一固定长度的短心电信号片段作为第一输入支路;设置第一固定长度的QRS波位置序列作为第二输入支路;将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF-net中,通过RDAF-net模型的特征提取模块,得到第一特征和第二特征,将所述第一特征与第二特征进行拼接,拼接后的新特征通过卷积核减小通道数,最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段;设置第一判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第一判别阈值,就将该片段标记为疑似房颤片段;
步骤2:将步骤1检测到的疑似房颤片段集合还原至动态心电信号的采样频率,即第二采样频率进行采样;将还原后的疑似房颤片段集合通过第二滑动窗口处理,以第二步长移动,获得第二固定长度的心电信号片段;将该心电信号片段输入到ConvTransAF-net模型中;输入的心电信号片段首先通过特征提取模块,将提取到的特征输入编码模块进行编码,将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类;设置第二判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第二判别阈值,就将该片段标记为房颤片段;
步骤3:在所述步骤2中第二滑动窗口以第二步长对心电信号进行检测时,会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率,设置预测概率判别阈值,对所述步骤2产生的预测概率进行判断;将预测概率中小于所述阈值的部分设置为0,将预测概率中大于等于所述阈值的部分设置为1;用中值滤波对预测结果进行进一步处理,滤波后的结果为动态心电信号的目标房颤检测结果。
在所述步骤1中,首先对长程动态心电信号和QRS波位置序列进行下采样,再利用滑动窗口法对采样后的长程心电信号进行分割。再将分割后的心电信号片段和QRS波位置序列输入到轻量卷积RDAF-net模型中,通过该模型对疑似房颤片段进行快速提取。设置第一判别阈值,在输入的信号中,房颤发作的时长大于第一判别阈值,就将该片段标记为疑似房颤片段,进入第二阶段进行细检测;反之将该片段认为是非房颤片段,无需进行第二阶段的细检测。同时认为,当第一阶段检测出的的疑似房颤段比例为0%时,视为无房颤;当检出的疑似房颤段比例≥90%时,则视为持续性房颤,无需进行第二阶段检测:
具体而言,首先对长程动态心电信号和QRS波位置序列进行50Hz的下采样,使用滑动窗口法对长程心电信号进行分割,获得短心电信号片段,其中设置窗长为30s,步长为15s,重叠率为50%。参照图2所示的RDAF-net模型结构图,将分割后的短心电信号片段作为支路一输入该模型中,将50Hz下30s长的QRS波位置序列作为支路二输入该模型,引导模型重视QRS波的相关特征。两条支路进入该模型后,首先通过卷积核尺寸为1×15的常规卷积模块,再通过Group=4卷积核尺寸为1×11的分组卷积模块进行特征的提取。在所述特征提取模块中,常规卷积模块和分组卷积模块的卷积层后都经过BN层、激活函数ReLU来增强模型的非线性能力。为减小计算量,在两次卷积后均采用10倍的下采样,来快速降低特征图尺寸,最后利用Disout层提高模型的网络泛化能力。将两条经过特征提取模块的支路进行拼接,使用卷积核尺寸为1×1的卷积模块减小通道数,最后通过两次密集连接和Sigmod激活函数,判断30s的信号内是否可能存在房颤。在该模型中,设置第一判断阈值为3s,即在输入的30s信号中,出现大于3s的房颤片段就将该段标记为疑似房颤片段。
参照图5所示,为训练RDAF-net模型,从MIT-BIH房颤数据集中截取了不重复的11500段30s心电信号参与训练与测试,所有数据均下采样至50Hz,其中AF片段4693条,占比40.81%,非AF片段6807条,占比59.19%。
在CPSC2018数据集中,首先将所有信号下采样至50Hz,随后以30秒的时间尺度为基础,将大于30秒长的心电信号进行截断,将大于15秒但是不满30秒的信号在末尾进行补零,使之长度达到30秒,并从记录的I、II、V2导联中不重复地随机截取,最终形成1950条30秒长单导联片段,其中AF段948条,占比48.62%,非AF段1002条,占比51.38%。
综上,在第一阶段针对RDAF-net模型训练中,共收集了50Hz采样率下30秒长信号段13450组,其中房颤段5641组,占比41.94%、非房颤段7809组占比58.06%。此外,还生成每条数据的QRS波位置序列,以满足RDAF-net模型的输入要求。
在第一阶段训练过程中,使用带权重的交叉熵损失函数,对漏检惩罚更重,设置错检与漏检的损失惩罚比例为1:2。在测试的过程中,设置房颤判断阈值为0.5,当模型输出概率大于0.5时则判定为AF,反之,则判定为Non-AF。模型预测输出为独热编码。设置Batchsize=64,训练优化器为Adam算法,其中Lr=0.001,Beta_1=0.9,Beta_2=0.999,Epsilon=1e-08。
通过OpCounter工具箱测量RDAF-net模型的计算量和参数量,仅分别为0.96M和2.3K,RDAF-net模型复杂度低,适合于第一阶段的快速筛查。
在所述步骤2中,参照图3所示的模型结构,本发明在第二阶段设计ConvTransAF-net模型对第一阶段提取的疑似房颤片段进行精细化检测。为获取更好的性能,所述ConvTransAF-net模型使用改进后的CNN作为主干结构来提取心电信号的高级语义特征,再使用Transformer对获取的高级语义特征建立全局联系来实现对于疑似房颤片段的精细化检测,并且确定房颤发生的具体位置:
首先将第一阶段分类出的疑似房颤片段集合还原到250Hz的心电信号中得到更加精细的短心电信号片段。同时再次使用滑动窗口对输入的疑似心电信号片段进行分割,设置窗长为5s,步长为1s,重叠率为80%。将得到的250Hz、5s下的短心电信号片段作为ConvTransAF-net模型的输入。设置2.5s为第二判别阈值,即一个5s的片段中该段标注的房颤节拍时长大于或者等于2.5s时就认为房颤发作。输入的心电信号首先经过一组卷积核尺寸分别为1×3、1×9、1×15的多尺度卷积模块,在所述多尺度卷积模块中,较小卷积核尺寸获得细粒度的细节,较大卷积核尺寸捕获不同空间尺度上的特征,卷积后经过BN层、激活函数ReLU来增强模型的非线性能力。将三个尺度卷积后的通道进行串联,使用轻量化通道注意力EAC对特征映射的不同通道进行选择性加权,增强有效特征通道;最后进行平均下采样并使用Disout层提高模型泛化能力。将得到的特征映射依次通过两个分组卷积模块进行特征提取,并且对特征图进行尺寸压缩。在分组卷积模块中,Group=4,卷积核的大小依次为1×7、1×3,两次下采样后特征图尺寸分别缩小至1/5、1/2;在分组卷积模块中,卷积层后连接BN层和激活函数ReLU,后设置Disout层提高模型泛化能力。将上述分组卷积模块输出的特征通过首先用Squeeze操作减小输入信号维度,进行permute操作交换维度顺序,然后经过六层编码模块TransformerEncoderLayer,将输入的特征值转换为高维度的向量表示,其中编码器层的超参数设置为:Dmodel=48,H=6,D=24,Dropout=0.2。再使用Mean操作计算通道维度的平均值作为输出。最后使用两个密集连接和激活函数Sigmod实现房颤片段的二分类。
参照图6所示,为训练本发明第二阶段ConvTransAF-net模型,收集了250Hz采样率下5秒长的信号段40375组,其中房颤段12714组,占比31.49%、非房颤段组27661组,占比68.51%。在训练过程中,使用交叉熵损失函数,模型的预测输出为独热编码,设置Batchsize=64,训练优化器为Adam算法,其中Lr=0.001,Beta_1=0.9,Beta_2=0.999,Epsilon=1e-08。
使用OpCounter工具箱测量ConvTransAF-net模型的复杂度,评价指标包括模型的计算量FLOPs和参数量Params,得到的结果为FLOPs=1.24M,Params=20.96K。ConvTransAF-net模型对第一阶段模型RDAF-net提取到的疑似房颤片段进行二次分类,不仅能够避免短时性房颤、阵发性房颤的遗漏现象,还能减少计算量、节约计算资源。
在所述步骤3中,在所述步骤2中通过滑动窗口以1s为步长对心电信号进行检测时每秒都会产生房颤的预测概率,并且会输出如图4(a)所示的相应的预测概率序列。设置0.5为预测概率的判别阈值,如图4(b)所示,将预测概率中小于所述阈值的部分设置为0,将预测概率中大于所述阈值的部分设置为1。通过中值滤波对预测结果进行进一步处理,消除部分短时的检测振荡,以提高检测结果的稳定性。设置所述中值滤波的窗长为3s,得到如图4(c)所示的滤波后的结果作为房颤检测的结果。
本发明还提供了一种基于双阶段的动态心电信号房颤检测装置,包括:
疑似房颤片段提取模块,用于对动态心电信号进行第一采样频率的下采样,将采样后的信号通过第一滑动窗口处理,获得第一固定长度的短心电信号片段作为第一输入支路;设置第一固定长度的QRS波位置序列作为第二输入支路;将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF-net中,通过RDAF-net模型的特征提取模块,得到第一特征和第二特征,将所述第一特征与第二特征进行拼接,拼接后的新特征通过卷积核减小通道数,最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段;设置第一判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第一判别阈值,就将该片段标记为疑似房颤片段;
房颤概率预测模块,用于将疑似房颤提取片段提取模块中检测到的疑似房颤片段集合还原至动态心电信号的采样频率,即第二采样频率进行采样;将还原后的疑似房颤片段集合通过第二滑动窗口处理,以第二步长移动,获得第二固定长度的心电信号片段;将该心电信号片段输入到ConvTransAF-net模型中;输入的心电信号片段首先通过特征提取模块,将提取到的特征输入编码模块进行编码,将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类;设置第二判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第二判别阈值,就将该片段标记为房颤片段
房颤检测结果输出模块,用于在房颤概率预测模块中第二滑动窗口以第二步长对心电信号进行检测时,会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率,设置预测概率判别阈值,对所述房颤概率预测模块产生的预测概率进行判断;将预测概率中小于所述阈值的部分设置为0,将预测概率中大于等于所述阈值的部分设置为1;用中值滤波对预测结果进行进一步处理,滤波后的结果为动态心电信号的目标房颤检测结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于双阶段的动态心电信号房颤检测方法,其特征在于,包括以下步骤:
步骤1:对动态心电信号进行第一采样频率的下采样,将采样后的信号通过第一滑动窗口处理,获得第一固定长度的短心电信号片段作为第一输入支路;设置第一固定长度的QRS波位置序列作为第二输入支路;将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF-net中,通过RDAF-net模型的特征提取模块,得到第一特征和第二特征,将所述第一特征与第二特征进行拼接,拼接后的新特征通过卷积核减小通道数,最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段;设置第一判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第一判别阈值,就将该片段标记为疑似房颤片段;
步骤2:将步骤1检测到的疑似房颤片段集合还原至动态心电信号的采样频率,即第二采样频率进行采样;将还原后的疑似房颤片段集合通过第二滑动窗口处理,以第二步长移动,获得第二固定长度的心电信号片段;将该心电信号片段输入到ConvTransAF-net模型中;输入的心电信号片段首先通过特征提取模块,将提取到的特征输入编码模块进行编码,将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类;设置第二判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第二判别阈值,就将该片段标记为房颤片段;
步骤3:在所述步骤2中第二滑动窗口以第二步长对心电信号进行检测时,会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率,设置预测概率判别阈值,对所述步骤2产生的预测概率进行判断;将预测概率中小于所述阈值的部分设置为0,将预测概率中大于等于所述阈值的部分设置为1;用中值滤波对预测结果进行进一步处理,滤波后的结果为动态心电信号的目标房颤检测结果。
2.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:所述步骤1中第一采样频率为50Hz,第一滑动窗口窗长为30s,第一步长为15s;第一固定长度为30s,第一判别阈值为5s;所述步骤2中,第二采样频率为250Hz,第二滑动窗口窗长为5s,第二步长为1s;第二固定长度为5s,第二判别阈值为2.5s。
3.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:所述步骤1中,RDAF-net模型的特征提取模块包括常规卷积模块和分组卷积模块;其中,常规卷积模块的卷积核尺寸为1×15,分组卷积模块Group=4且卷积核尺寸为1×11;在常规卷积模块和分组卷积模块中,卷积层后均连接BN层和激活函数ReLU,再通过AvgPool1D池化层对特征图进行10倍下采样,最后用激活函数Disout来提高网络泛化能力。
4.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:所述步骤1中,第一特征和第二特征进行拼接后利用卷积核尺寸为1×1的卷积模块缩小通道数;最后通过两个密集连接层和Sigmod激活函数来判断输入的心电信号片段内是否可能存在房颤,找出疑似房颤片段。
5.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:在所述RDAF-net模型训练过程中,设计带权重的交叉熵损失函数,设置错检与漏检的损失惩罚比例为1:2对RDAF-net模型进行约束;设置房颤判断阈值为0.5,当模型的输出概率大于0.5时判定为疑似房颤片段,输出概率小于0.5则认为是非房颤片段;模型RDAF-net的预测输出为One-Hot编码,训练优化器为Adams算法。
6.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:所述步骤2中,ConvTransAF-net模型的特征提取模块包括一个多尺度卷积模块和两个分组卷积模块;其中多尺度卷积模块的卷积核尺寸分别为1×3、1×9、1×15,在卷积层后依次通过BN层和激活函数ReLU;将所述多尺度卷积模块输出的三个通道串联,使用轻量化通道注意力EAC对特征映射的不同通道进行选择性加权,增强有效特征通道;最后进行平均下采样并使用Disout层提高模型泛化能力;所述两个分组卷积模块中,Group=4且卷积核的大小依次为1×7、1×3,通过分组卷积模块的两次采样后特征图尺寸分别缩小至1/5、1/2;在分组卷积模块中,卷积层后连接BN层和激活函数ReLU,后设置Disout层提高模型泛化能力。
7.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:在所述步骤2中,特征提取模块得到的特征首先通过Squeeze操作减小输入信号维度,再通过Permute操作交换维度顺序,然后经过六层编码模块TransformerEncoderLayer,将输入的特征值转换为高维度的向量表示,最后计算通道维度的平均值作为输出;在所述ConvTransAF-net模型的末端,使用两个密集连接层和激活函数来实现房颤片段的二分类。
8.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:在所述ConvTransAF-net模型训练过程中,使用交叉熵损失函数,模型的预测输出为One-Hot编码,训练优化器为Adam算法。
9.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法,其特征在于:在所述步骤3中,测概率判别阈值为0.5;中值滤波的窗长为3s。
10.一种基于双阶段的动态心电信号房颤检测装置,其特征在于,包括:
疑似房颤片段提取模块,用于对动态心电信号进行第一采样频率的下采样,将采样后的信号通过第一滑动窗口处理,获得第一固定长度的短心电信号片段作为第一输入支路;设置第一固定长度的QRS波位置序列作为第二输入支路;将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF-net中,通过RDAF-net模型的特征提取模块,得到第一特征和第二特征,将所述第一特征与第二特征进行拼接,拼接后的新特征通过卷积核减小通道数,最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段;设置第一判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第一判别阈值,就将该片段标记为疑似房颤片段;
房颤概率预测模块,用于将疑似房颤提取片段提取模块中检测到的疑似房颤片段集合还原至动态心电信号的采样频率,即第二采样频率进行采样;将还原后的疑似房颤片段集合通过第二滑动窗口处理,以第二步长移动,获得第二固定长度的心电信号片段;将该心电信号片段输入到ConvTransAF-net模型中;输入的心电信号片段首先通过特征提取模块,将提取到的特征输入编码模块进行编码,将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类;设置第二判别阈值,在输入的短心电信号片段中,房颤发作的时长大于第二判别阈值,就将该片段标记为房颤片段
房颤检测结果输出模块,用于在房颤概率预测模块中第二滑动窗口以第二步长对心电信号进行检测时,会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率,设置预测概率判别阈值,对所述房颤概率预测模块产生的预测概率进行判断;将预测概率中小于所述阈值的部分设置为0,将预测概率中大于等于所述阈值的部分设置为1;用中值滤波对预测结果进行进一步处理,滤波后的结果为动态心电信号的目标房颤检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310607548.1A CN116725486A (zh) | 2023-05-26 | 2023-05-26 | 一种基于双阶段的动态心电信号房颤检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310607548.1A CN116725486A (zh) | 2023-05-26 | 2023-05-26 | 一种基于双阶段的动态心电信号房颤检测方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116725486A true CN116725486A (zh) | 2023-09-12 |
Family
ID=87905449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310607548.1A Pending CN116725486A (zh) | 2023-05-26 | 2023-05-26 | 一种基于双阶段的动态心电信号房颤检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116725486A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033988A (zh) * | 2023-09-27 | 2023-11-10 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
-
2023
- 2023-05-26 CN CN202310607548.1A patent/CN116725486A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033988A (zh) * | 2023-09-27 | 2023-11-10 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
CN117033988B (zh) * | 2023-09-27 | 2024-03-12 | 之江实验室 | 基于神经电信号的癫痫样棘波处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11538588B2 (en) | Atrial fibrillation signal recognition method, apparatus and device | |
CN103110417B (zh) | 一种心电图自动识别系统 | |
Zhu et al. | An R-peak detection method based on peaks of Shannon energy envelope | |
US5271411A (en) | Method and apparatus for ECG signal analysis and cardiac arrhythmia detection | |
CN109381181B (zh) | 心电信号特征波形的端点检测方法 | |
CN111772628B (zh) | 一种基于深度学习的心电信号房颤自动检测系统 | |
Annavarapu et al. | ECG-based atrial fibrillation detection using different orderings of Conjugate Symmetric–Complex Hadamard Transform | |
CN116725486A (zh) | 一种基于双阶段的动态心电信号房颤检测方法、装置 | |
CN111259820B (zh) | 一种基于r点的心搏数据分类方法和装置 | |
CN104644160A (zh) | 心电图伪差信号识别方法及装置 | |
CN105877739A (zh) | 一种心电智能分析系统的临床检验方法 | |
CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
CN110090016B (zh) | 定位r波位置的方法及系统、使用lstm神经网络的r波自动检测方法 | |
Sreenivas et al. | Classification of arrhythmia in time series ecg signals using image encoding and convolutional neural networks | |
CN111582138A (zh) | 基于频域倒谱系数特征的心电身份识别方法及系统 | |
KR20190044275A (ko) | 심전도 신호에서의 노이즈 분별 필터 장치 및 필터링 방법 | |
CN104983415B (zh) | 心拍识别的方法及装置 | |
CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
CN111870241B (zh) | 基于优化的多维样本熵的癫痫发作信号检测方法 | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
US8706203B2 (en) | Classification of a signal in a time domain | |
CN109199361B (zh) | 心电信号数据中r峰时刻的提取方法、存储介质和装置 | |
KR20130011567A (ko) | 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법 | |
Nemati et al. | Hybrid lossless and lossy compression technique for ECG signals | |
CN111588375A (zh) | 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 |
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 |