CN116999063A - 基于信号分解和卷积网络的心电图房颤检测的实现方法 - Google Patents

基于信号分解和卷积网络的心电图房颤检测的实现方法 Download PDF

Info

Publication number
CN116999063A
CN116999063A CN202310972440.2A CN202310972440A CN116999063A CN 116999063 A CN116999063 A CN 116999063A CN 202310972440 A CN202310972440 A CN 202310972440A CN 116999063 A CN116999063 A CN 116999063A
Authority
CN
China
Prior art keywords
signal
atrial fibrillation
segment
electrocardiographic
electrocardiogram
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
Application number
CN202310972440.2A
Other languages
English (en)
Inventor
夏勇
李奕澄
王宽全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN202310972440.2A priority Critical patent/CN116999063A/zh
Publication of CN116999063A publication Critical patent/CN116999063A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • A61B5/353—Detecting P-waves
    • 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
    • A61B5/355—Detecting T-waves
    • 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
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

基于信号分解和卷积网络的心电图房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号分解形成伪QRS波群信号和伪T、P波信号，使心电图房颤临床诊断中的领域知识融入到心电图的特征表示之中，再通过深度卷积网络的方法使机器对房颤心电图中R‑R间期和P波形态的特点进行挖掘，最终实现心电图房颤诊断。将本发明的方法用于房颤检测时，将房颤心电图的特征显式地作为输入提供给神经网络，将房颤检测的任务分解为对两个房颤心电图特征进行考察的子任务，极大地提高了房颤检测的准确率，其中：使用普通卷积核的深度卷积网络的检测方法的准确率是0.836，平均F1得分是0.813；使用空洞卷积核的深度卷积网络的检测方法的准确率是0.867，平均F1得分是0.843。

Description

基于信号分解和卷积网络的心电图房颤检测的实现方法
技术领域
本发明属于心房颤动自动化检测技术领域，涉及一种基于单导心电图检测房颤信号的实现，具体涉及一种基于深度学习方法的单导心电图房颤检测的实现方法。
背景技术
房颤患者的心电图通常以P波的消失，f波的出现，不等的R-R间期和窄QRS波为特征，但临床中也可见f波消失或P波不消失的房颤。近年来，随着可穿戴智能设备的发展，单导心电图的测量变得愈加便捷，逐渐进入了日常个人，家庭，运动的使用。然而，由于缺少专业领域知识，这些数据的有效化利用成为了一个问题。随着机器学习和深度学习的发展，人们开始研究房颤检测的自动化算法。传统的房颤检测算法往往从两个特征中择一进行设计，如通过对R峰位置的识别，计算R-R间期长度并用一定的机器学习算法识别其规律性，或是通过构建QRS波群模板对心室活动进行消除，以更好地对心房活动，特别是P波形态进行识别分类。这样的方法只依赖于两个特征之一，容易受到单一特征不稳定性的影响。
近年来，基于深度学习的房颤检测方法不断涌现。深度学习在语音、图像、文字处理上已经发展的相当成熟，并取得了许多成果。将深度学习应用于心电图房颤检测，在一定程度上减轻了特征设计的负担，并能挖掘出心电图数据更加复杂的特征。但另一方面，这也完全抛弃了临床心电图诊断长期积累的人类经验。深度学习中神经网络的训练具有相当的随机性，初始化中产生的差异可能导致网络学习到不具有通用性、甚至错误的特征，导致网络的性能下降。这样的问题使得现有的基于深度学习的心电图房颤检测算法在检测的准确性上仍有进步的空间。
发明内容
本发明的目的是为了解决背景技术存在的上述问题，提供一种基于信号分解和卷积网络的单导心电图房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号分解转换为两条信号，分别为伪QRS波群信号和伪T、P波信号。基于这样的信号转换，使用空洞卷积残差网络学习心电图的深度特征，对信号进行对应的分类。将本发明的方法用于心电图的房颤检测时，利用的临床心电图房颤诊断中的专业领域知识，对房颤心电图的特征进行了较为完整的利用，极大地提高了单导心电图房颤检测的准确率，对可穿戴设备技术发展和个人健康都有着重要的作用和意义。
本发明的目的是通过以下技术方案实现的：
基于信号分解和卷积网络的心电图房颤检测的实现方法，所述方法为：
(1)使用单导心电图(ECG)采集设备采集多个用户的单导心电图数据；
(2)针对每个用户的心电图数据进行分段，每一段单导心电图数据的采样点数为n，以每段单导心电图数据作为房颤检测的单位，其中n根据具体的应用场景调整；
(3)对每段单导心电图数据段进行预处理，去除信号的噪声；
(4)对单导心电图数据进行信号反转检测，对电极逆置产生的异常信号进行矫正；
(5)通过人工标注或自动化算法的方法确定心电图段中R峰的位置，并对R-R间期长度进行计算；
(6)基于R峰位置和R-R间期长度对心电图信号进行信号段分解操作，形成样本点数为n的伪QRS波群信号段和伪T、P波信号段；
(7)对从一个用户上获得的每段单导心电图重复若干次步骤(2)-(6)，将连续采集心电数据转换成样本点数为n的伪QRS波群信号段和伪T、P波信号段，作为深度卷积网络的输入；
(8)对每个用户的心电图数据重复若干次步骤(1)-(7)，得到心电数据段的信号分解结果，以此对深度卷积神经网络进行训练，获得最终参数，形成房颤检测到深度卷积网络模型。
进一步地，所述步骤(2)中，经过分段后，最后一段样本点数小于n时，若小于n/2，则舍去；否则将该信号段进行二次循环，使样本点总数大于n，并取前n个样本点作为最后一段心电图信号。
进一步地，所述步骤(4)中，信号反转检测的方法是基于R峰定位，对R-R周期间极值的确定以判断信号的反转情况。
进一步地，所述步骤(6)中，单导心电图信号段分解的具体过程为：
a、对于每一条心电图室信号x[n]，使用人工标注或自动化算法的方法确定信号中R峰的位置，记其R峰样本点集合为r＝{r1，r2，…，rk}，其中0＜r1＜r2＜…＜rk＜n，k为人工标注或自动化算法确定的R峰位置样本点的个数；
b、取i＝1,2,...,k-1，令li＝ri+1-ri，li即心电图信号中第i个R-R间期的长度，并记l＝{l1，l2，…，lk-1}；
c、取l的第5百分位数，记为
d、取i＝1,2,...,k-1，令令/>[pi,qi]即心电图信号段第i个QRS波群的范围；
e、记令/>令/>此时获得的xQRS[n]即为伪QRS波群信号，xTP[n]即为伪T、P波信号。
进一步地，步骤(8)中，所述深度卷积神经网络是基于Tensorflow构建的。
本发明相对于现有技术的有益效果为：
1、本发明在传统的房颤检测神经网络的基础上引入临床心电图诊断中的领域知识，通过对R峰位置的确定，对心电图周期中的不同阶段进行划分，形成伪QRS波群信号段和伪T、P波信号段，这样的数据处理将房颤检测任务分解为心电图中R-R间期特征和P波形态特征的识别任务，降低了网络学习的难度，较普通的卷积残差网络在F1得分上有约百分之五的提升。
2、本发明在PhysioNet/CinC 2017挑战赛的训练数据集上进行了测试，取得了较好的性能。其中，使用普通卷积核的深度卷积网络的检测方法的准确率是0.836，平均F1得分是0.813；使用空洞卷积核的深度卷积网络的检测方法的准确率是0.867，平均F1得分是0.843。
附图说明
图1是本发明使用临床数据的基于信号分解和卷积网络的心电图房颤检测的实现方法的总体流程图；
图2是本发明使用现有数据集的基于信号分解和卷积网络的心电图房颤检测的实现方法的总体流程图；
图3是本发明所述信号分解方法的输入输出对比图；
图4是本发明所述使用普通卷积核的房颤检测深度卷积神经网络的网络结构图；
图5是本发明所述使用空洞卷积核的房颤检测深度卷积神经网络的网络结构图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明的方法能够将单导联一维心电数据经过信号分解形成伪QRS波群信号和伪T、P波信号，使心电图房颤临床诊断中的领域知识融入到心电图的特征表示之中，再通过深度卷积网络的方法使机器对房颤心电图中R-R间期和P波形态的特点进行挖掘，最终实现心电图房颤诊断。将本发明的方法用于房颤检测时，将房颤心电图的特征显式地作为输入提供给神经网络，将房颤检测的任务分解为对两个房颤心电图特征进行考察的子任务，极大地提高了房颤检测的准确率，其中：使用普通卷积核的深度卷积网络的检测方法的准确率是0.836，平均F1得分是0.813；使用空洞卷积核的深度卷积网络的检测方法的准确率是0.867，平均F1得分是0.843。
实施例1：
如图1所示，本实施例提供了使用临床数据的一种基于信号分解和深度卷积神经网络的房颤检测的实现方法。为了引入临床房颤检测的领域知识，将房颤检测任务分解为对房颤心电图的两个特征进行检测的子任务，降低网络对心电图特征进行提取的难度，从而提高检测的准确性。本实施例提供的深度卷积神经网络基于当前广泛应用于学术界与工业界的深度学习框架之一Tensorflow实现构建。具体实施方式步骤如下：
(1)通过穿戴式心电图采集设备对用户的单导心电图数据进行测量，以一定的样本点数n对信号进行分段，使得每一段心电图信号的的样本点数为n。对于最后一段信号，若其长度小于n/2，则舍去；否则将该信号段与自身拼接，并取前n个样本点作为最后一段心电图信号。
(2)由有相关经验的医疗从事人员对每一段心电图数据进行分类，将信号分为正常信号、房颤信号、其他疾病信号、噪声信号四类。
(3)对每一段心电图信号进行信号反转检测，具体操作如下：
a、对于每一个心电图室信号段x[n]，使用人工标注或自动化算法的方法确定信号中R峰的位置，记其R峰样本点集合为p＝{p1，p2，…，pk}，其中0<p1＜p2＜…＜pk＜n，k为人工标注或自动化算法确定的R峰位置样本点的个数；
b、取i＝1,2,...,k-1，对于每一个(pi,pi+1)区间，找出区间内值最小的点bi，即并记b＝{b1，b2，…，bk-1}；
c、取i＝1,2,...,k-1，令si＝pi+b1，即邻近波峰与波谷值的加和，并记s＝{s1，s2，…，sk-1}；
d、记s的平均值为若/>小于零，认为信号x[n]在测量过程中出现了电极逆置的现象，并对信号进行反转操作，即x'[i]＝0-x[i],i＝1,2,...,n，其中x'[n]为矫正后的信号；若s大于等于零，则认为信号测量无误，不加操作。
(4)如图3所示，对步骤(3)中得到的任意一个心电数据段进行信号分解，具体操作如下：
a、对于每一个心电图室信号段x[n]，使用人工标注或自动化算法的方法确定信号中R峰的位置，记其样本点集合为r＝{r1，r2，…，rk}，其中0<r1＜r2＜…＜rk＜n，k为人工标注或自动化算法确定的R峰位置样本点的个数；
b、取i＝1,2,...,k-1，令li＝ri+1-ri，li即心电图信号段中第i个R-R间期的长度，并记l＝{l1，l2，…，lk-1}；
c、取l的第5百分位数，记为
d、取i＝1,2,...,k-1，令令/>[pi,qi]即心电图信号段第i个QRS波群的范围；
e、记令/>令/>此时获得的xQRS[n]即为伪QRS波群信号，xTP[n]即为伪T、P波信号。
(5)对每个心电图信号段信号分解生成的伪QRS波群信号和伪T、P波信号进行拼接，形成尺寸为n×2的二维信号作为神经网络的输入。
(6)重复步骤(3)-(5)，将一条连续的心电数据段转换成多段样本点数为n的、且由伪QRS波群信号和伪T、P波信号拼接而成的神经网络系统数据输入，并带有四种标签之一。
(7)重复步骤(1)-(6)，得到用于对深度卷积神经网络进行训练的心电数据段的数据集。
(8)对数据集进行划分，取全部心电图信号段数量的75％作为训练集，15％作为验证集，10％作为测试集。
(9)构建神经网络并进行训练，其中：
如图4所示，神经网络的结构如下：
a、首先输入信号通过一个一维卷积层。卷积层的步长为2、卷积核大小为5，卷积核的数量为32。随后信号通过一个批正则化层，最后再通过参数为0.1的带泄露的修正线性单元激活函数；
b、信号通过一个残差块。残差块中有两条通路，其中一条不做操作。另一条通路上，信号经过三个普通一维卷积层，卷积层的步长为1，卷积核大小为5，卷积核的数量同输入的通道数量。在每一个卷积层前，信号先通过一个批正则化层，在每一个卷积层后，信号在经过一个参数为0.1的带泄露的修正线性单元激活函数。输入经过两条通路后加和，作为输出；
c、将步骤a-b的操作再重复7次，但对a中卷积层的卷积核数量做出调整，第2至8次进行a操作时，卷积和数量分别为64、96、128、256、512、256、128；
d、输入信号通过一个一维卷积层。卷积层的步长为2、卷积核大小为5，卷积核的数量为96。随后信号通过一个批正则化层，最后再通过参数为0.1的带泄露的修正线性单元激活函数；
e、信号通过一个一维卷积层。卷积层的步长为1、卷积核大小为1，卷积核的数量为4，随后，对信号进行时序平均化处理，即对信号在第一维上取平均值；
f、信号通过一个SoftMax激活层，输出最后的预测结果。
在此基础上，使用标准Glorot初始化器对模型中的所有权重进行初始化，并对网络中的所有偏置进行零初始化。同时，为了避免或缓解过拟合的现象，对于网络的每一层，都使用参数为0.2的随机失活。使用Adam优化器对网络进行训练，Adam优化器的初始学习率为0.0001，β1为0.9，β2为0.999，e为1e-07。使用平坡下降和早停法来确定网络训练的迭代次数，如果损失函数在4次迭代中没有下降，将令学习率降为原来百分之十，而在12次迭代内没有下降，则结束网络的训练。
(10)在实际房颤检测应用中，对每一个患者进行步骤(1)-(7)的操作，获得心电图信号分解后的伪QRS波群信号和伪T、P波信号，而不需进行信号类别的判断。然后利用步骤(8)中训练出来的深度卷积神经网络参数模型对该信号进行检测，从而可以对一段连续的单导联心电信号进行房颤判定，在一段完整的信号上，只要有一段样本点数为n的心电图信号段被分类为房颤信号，便对用户的心电图数据进行房颤的判定。
实施例2：
如图2所示，本实施例提供了使用PhysioNet/CinC 2017挑战赛数据集的一种基于信号分解和深度空洞卷积神经网络的房颤检测的实现方法。本实施例基于Tensorflow实现构建。具体实施方式步骤如下：
(1)记数据集大小为m，取i＝1,2,...,m，记第i条信号样本点数为ni。令即数据集中最长信号的长度。
(2)取i＝1,2,...,m，若第i条信号长度ni小于n，则将该信号段与自身拼接次，并取前n个样本点作为第i条心电图信号。
(3)对每一条心电图信号进行信号反转检测，具体操作如下：
a、对于每一个条心电图室信号x[n]，使用人工标注或自动化算法的方法确定信号中R峰的位置，记其样本点集合为p＝{p1，p2，…，pk}，其中0<p1＜p2＜…＜pk＜n，k为人工标注或自动化算法确定的R峰位置样本点的个数；
b、取i＝1,2,...,k-1，对于每一个(pi,pi+1)区间，找出区间内值最小的点bi，即并记b＝{b1，b2，…，bk-1}；
c、取i＝1,2,...,k-1，令si＝pi+b1，即邻近波峰波谷值的加和，并记s＝{s1，s2，…，sk-1}；
d、记s的平均值为若/>小于零，认为信号x[n]在测量过程中出现了电极逆置的现象，并对信号进行反转操作，即x'[i]＝0-x[i],i＝1,2,...,n，其中x'[n]为矫正后的信号；若/>大于等于零，则认为信号测量无误，不加操作。
(4)如图3所示，对步骤(3)中得到的任意一条心电数据进行信号分解，具体操作如下：
a、对于每一个心电图室信号段x[n]，使用人工标注或自动化算法的方法确定信号中R峰的位置，记其样本点集合为r＝{r1，r2，…，rk}，其中0<r1＜r2＜…＜rk＜n，k为人工标注或自动化算法确定的R峰位置样本点的个数；
b、取i＝1,2,...,k-1，令li＝ri+1-ri，li即心电图信号段中第i个R-R间期的长度，并记l＝{l1，l2，…，lk-1}；
c、取l的第5百分位数，记为
d、取i＝1,2,...,k-1，令令/>[pi,qi]即心电图信号段第i个QRS波群的范围；
e、记令/>令/>此时获得的xQRS[n]即为伪QRS波群信号，xTP[n]即为伪T、P波信号。
(5)对每个心电图信号段信号分解生成的伪QRS波群信号和伪T、P波信号进行拼接，形成尺寸为n×2的二维信号作为神经网络的输入。
(6)对从一个用户上获得的每段单导心电图重复若干次步骤(3)-(5)，将数据集中的所有的心电数据转换成样本点数为n的、且由伪QRS波群信号和伪T、P波信号拼接而成的神经网络系统数据输入，并带有四种标签之一。
(7)对每个用户的心电图数据重复若干次步骤(1)-(6)，得到用于对深度卷积神经网络进行训练的心电数据段的数据集。
(8)对数据集进行划分，取全部心电图信号段数量的75％作为训练集，15％作为验证集，10％作为测试集。
(9)构建神经网络并进行训练，其中：
如图5所示，神经网络的结构如下：
a、首先输入信号通过一个一维卷积层。卷积层的步长为2、卷积核大小为5，卷积核的数量为32。随后信号通过一个批正则化层，最后再通过参数为0.1的带泄露的修正线性单元激活函数；
b、信号通过一个残差块。残差块中有两条通路，其中一条不做操作。另一条通路上，信号经过三个空洞一维卷积层，卷积层的步长为1，卷积核大小为5，卷积核的数量同输入的通道数量。三个空洞卷积层的膨胀率分别为1、2、4。在每一个卷积层前，信号先通过一个批正则化层，在每一个卷积层后，信号在经过一个参数为0.1的带泄露的修正线性单元激活函数。输入经过两条通路后加和，作为输出；
c、将步骤a-b的操作再重复7次，但对a中卷积层的卷积核数量做出调整，第2至8次进行a操作时，卷积和数量分别为64、96、128、256、512、256、128；
d、输入信号通过一个一维卷积层。卷积层的步长为2、卷积核大小为5，卷积核的数量为96。随后信号通过一个批正则化层，最后再通过参数为0.1的带泄露的修正线性单元激活函数；
e、信号通过一个一维卷积层。卷积层的步长为1、卷积核大小为1，卷积核的数量为4，随后，对信号进行时序平均化处理，即对信号在第一维上取平均值；
f、信号通过一个SoftMax激活层，输出最后的预测结果。
在此基础上，使用标准Glorot初始化器对模型中的所有权重进行初始化，并对网络中的所有偏置进行零初始化。同时，为了避免或缓解过拟合的现象，对于网络的每一层，都使用参数为0.2的随机失活。使用Adam优化器对网络进行训练，Adam优化器的初始学习率为0.0001，β1为0.9，β2为0.999，e为1e-07。使用平坡下降和早停法来确定网络训练的迭代次数，如果损失函数在4次迭代中没有下降，将令学习率降为原来百分之十，而在12次迭代内没有下降，则结束网络的训练。
(10)在实际房颤检测应用中，通过穿戴式心电图采集设备对用户的单导心电图数据进行测量，以样本点数n对信号进行分段，使得每一段心电图信号的的样本点数不大于n。随后进行进行步骤(1)-(7)的操作，获得心电图信号分解后的伪QRS波群信号和伪T、P波信号，而不需进行信号类别的判断。然后利用步骤(9)中训练出来的深度卷积神经网络参数模型对该信号进行检测，从而可以对一段连续的单导联心电信号进行房颤判定，在一段完整的信号上，只要有一段样本点数为n的心电图信号段被分类为房颤信号，便对用户的心电图数据进行房颤的判定。

Claims (5)

1.基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述方法为：
(1)使用单导心电图(ECG)采集设备采集多个用户的单导心电图数据；
(2)针对每个用户的心电图数据进行分段，每一段单导心电图数据的采样点数为n，以每段单导心电图数据作为房颤检测的单位；
(3)对每段单导心电图数据段进行预处理，去除信号的噪声；
(4)对单导心电图数据进行信号反转检测，对电极逆置产生的异常信号进行矫正；
(5)通过人工标注或自动化算法的方法确定心电图段中R峰的位置，并对R-R间期长度进行计算；
(6)基于R峰位置和R-R间期长度对心电图信号进行信号段分解操作，形成样本点数为n的伪QRS波群信号段和伪T、P波信号段；
(7)对从一个用户上获得的每段单导心电图重复若干次步骤(2)-(6)，将连续采集心电数据转换成样本点数为n的伪QRS波群信号段和伪T、P波信号段，作为深度卷积网络的输入；
(8)对每个用户的心电图数据重复若干次步骤(1)-(7)，得到心电数据段的信号分解结果，以此对深度卷积神经网络进行训练，获得最终参数，形成房颤检测到深度卷积网络模型。
2.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述步骤(2)中，经过分段后，最后一段样本点数小于n时，若小于n/2，则舍去；否则将该信号段进行二次循环，使样本点总数大于n，并取前n个样本点作为最后一段心电图信号。
3.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述步骤(4)中，信号反转检测的方法是基于R峰定位，对R-R周期间极值的确定以判断信号的反转情况。
4.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：所述步骤(6)中，单导心电图信号段分解的具体过程为：
a、对于每一条心电图室信号x[n]，使用人工标注或自动化算法的方法确定信号中R峰的位置，记其R峰样本点集合为r＝{r1，r2，…，rk}，其中0＜r1＜r2＜…＜rk＜n，k为人工标注或自动化算法确定的R峰位置样本点的个数；
b、取i＝1,2,...,k-1，令li＝ri+1-ri，li即心电图信号中第i个R-R间期的长度，并记l＝{l1，l2，…，lk-1}；
c、取l的第5百分位数，记为
d、取i＝1,2,...,k-1，令令/>[pi,qi]即心电图信号段第i个QRS波群的范围；
e、记令/>令/>此时获得的xQRS[n]即为伪QRS波群信号，xTP[n]即为伪T、P波信号。
5.根据权利要求1所述的基于信号分解和卷积网络的心电图房颤检测的实现方法，其特征在于：步骤(8)中，所述深度卷积神经网络是基于Tensorflow构建的。
CN202310972440.2A 2023-08-03 2023-08-03 基于信号分解和卷积网络的心电图房颤检测的实现方法 Pending CN116999063A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310972440.2A CN116999063A (zh) 2023-08-03 2023-08-03 基于信号分解和卷积网络的心电图房颤检测的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310972440.2A CN116999063A (zh) 2023-08-03 2023-08-03 基于信号分解和卷积网络的心电图房颤检测的实现方法

Publications (1)

Publication Number Publication Date
CN116999063A true CN116999063A (zh) 2023-11-07

Family

ID=88563150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310972440.2A Pending CN116999063A (zh) 2023-08-03 2023-08-03 基于信号分解和卷积网络的心电图房颤检测的实现方法

Country Status (1)

Country Link
CN (1) CN116999063A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117257324A (zh) * 2023-11-22 2023-12-22 齐鲁工业大学(山东省科学院) 基于卷积神经网络和ecg信号的房颤检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117257324A (zh) * 2023-11-22 2023-12-22 齐鲁工业大学(山东省科学院) 基于卷积神经网络和ecg信号的房颤检测方法
CN117257324B (zh) * 2023-11-22 2024-01-30 齐鲁工业大学(山东省科学院) 基于卷积神经网络和ecg信号的房颤检测方法

Similar Documents

Publication Publication Date Title
CN106725428B (zh) 一种心电信号分类方法及装置
Rajpurkar et al. Cardiologist-level arrhythmia detection with convolutional neural networks
EP2099359B1 (en) Biomedical signal morphology analysis method
EP1750580B1 (en) Signal analysis method
Lin et al. P-and T-wave delineation in ECG signals using a Bayesian approach and a partially collapsed Gibbs sampler
Mohebbian et al. Fetal ECG extraction from maternal ECG using attention-based CycleGAN
JP5193222B2 (ja) 改良された自動セグメント分割を含む生物医学信号解析方法
Haraldsson et al. Detecting acute myocardial infarction in the 12-lead ECG using Hermite expansions and neural networks
US11213240B2 (en) Identifying ECG signals having the same morphology
JP2020524065A (ja) 人工知能に基づく心電図干渉識別方法
CN116999063A (zh) 基于信号分解和卷积网络的心电图房颤检测的实现方法
CN116503673B (zh) 一种基于心电图的心律失常识别检测方法及系统
CN110638430A (zh) 多任务级联神经网络ecg信号心律失常疾病分类模型和方法
CN115470832A (zh) 一种基于区块链的心电信号数据处理方法
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
Lin et al. Energy-efficient blood pressure monitoring based on single-site photoplethysmogram on wearable devices
Allam et al. A deformable CNN architecture for predicting clinical acceptability of ECG signal
Liao et al. Automatic classification of heartbeats using ECG signals via higher order hidden Markov model
Pan et al. Improved blood pressure estimation using photoplethysmography based on ensemble method
CN117582235A (zh) 基于cnn-lstm模型的心电信号分类方法
Liu et al. Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks
CN110786847B (zh) 心电信号的建库方法和分析方法
CN114041801A (zh) 基于psa-ewt和dcgan的心电信号重构方法及重构系统
CN111803062A (zh) 一种基于深度学习的房颤事件检测方法
Jia et al. A method to detect the onsets and ends of paroxysmal atrial fibrillation episodes based on sliding window and coding

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