《一种心房颤动的评估方法、系统和设备.pdf》由会员分享，可在线阅读，更多相关《一种心房颤动的评估方法、系统和设备.pdf（11页完整版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201810785816.8 (22)申请日 2018.07.17 (71)申请人 北京邮电大学 地址 100876 北京市海淀区西土城路10号 北京邮电大学 (72)发明人 周晓光 刘娜 王露笛 赵力子 于清 周葳 杨理培 陶惺祥 党豪 (74)专利代理机构 北京路浩知识产权代理有限 公司 11002 代理人 王莹 吴欢燕 (51)Int.Cl. A61B 5/02(2006.01) (54)发明名称 一种心房颤动的评估方法、 系统和设备 (57)摘要 本发明实施例提供一种心房。
2、颤动的评估方 法、 系统和设备， 通过基于移动智能终端的摄像 头获取脉搏波形； 基于脉搏波形提取预设数量个 RR间期， 将预设数量个RR间期组成RR间期序列； 将RR间期序列输入到已训练的神经网络模型， 输 出心房颤动的概率； 从而不需要额外设备和专业 医护人员协助， 仅利用智能终端设备的摄像头即 可对当前用户的心房颤动的现象进行分析和评 估， 使得该方法、 系统和设备具有更好的便捷性 和实时性； 并且利用神经网络模型， 能有效分析 用户数据， 满足了精确度的要求， 减小了错误评 估的可能性。 权利要求书2页 说明书6页 附图2页 CN 109199343 A 2019.01.15 CN 10。
3、9199343 A 1.一种心房颤动的评估方法， 其特征在于， 包括： 基于移动智能终端的摄像头获取脉搏波形； 基于所述脉搏波形提取预设数量个RR间期， 将所述预设数量个RR间期组成RR间期序 列； 将所述RR间期序列输入到已训练的神经网络模型， 输出心房颤动的概率。 2.根据权利要求1所述的方法， 其特征在于， 所述基于移动智能终端的摄像头获取脉搏 波形， 包括： 控制所述移动智能终端的摄像头闪光灯照射小动脉； 控制所述移动智能终端的摄像头采集所述摄像头闪光灯照射所述小动脉的反射光的 强度变化； 根据所述摄像头采集的所述反射光的强度变化获取所述脉搏波形。 3.根据权利要求1所述的方法， 其特。
4、征在于， 所述基于所述脉搏波形提取预设数量个RR 间期， 包括： 确定所述脉搏波形中的峰值点； 提取相邻的峰值点之间的时间间隔， 将连续的所述预设数量个相邻的峰值点之间的时 间间隔作为所述预设数量个RR间期。 4.根据权利要求1所述的方法， 其特征在于， 所述基于所述脉搏波形提取预设数量个RR 间期之前， 还包括： 对所述脉搏波形进行去噪处理。 5.根据权利要求1所述的方法， 其特征在于， 所述神经网络模型的训练步骤包括： 将每一RR间期序列作为一个样本， 提取每一样本的时域特征、 频域特征和非线性特征， 其中， 每一RR间期序列包括所述预设数量个RR间期； 将样本集中预设比例的样本组成训练集。
5、， 将所述训练集中每一样本的时域特征、 频域 特征和非线性特征以及每一样本对应的标签输入到所述神经网络模型， 对所述神经网络模 型进行训练。 6.根据权利要求5所述的方法， 其特征在于， 所述将所述训练集中每一样本的时域特 征、 频域特征和非线性特征以及每一样本对应的标签输入到所述神经网络模型， 对所述神 经网络模型进行训练之后， 还包括： 将所述样本集中所述训练集以外的样本组成测试集， 将所述测试集中每一样本的时域 特征、 频域特征和非线性特征以及每一样本对应的标签输入到所述神经网络模型， 对所述 神经网络模型进行测试。 7.一种心房颤动的评估系统， 其特征在于， 包括： 移动智能终端、 脉。
6、搏波形获取模块、 RR 间期提取模块和心房颤动评估模块； 所述脉搏波形获取模块， 用于基于移动智能终端的摄像头获取脉搏波形； 所述RR间期提取模块， 用于基于所述脉搏波形提取预设数量个RR间期， 将所述预设数 量个RR间期组成RR间期序列； 所述心房颤动评估模块， 用于将所述RR间期序列输入到已训练的神经网络模型， 输出 心房颤动的概率。 8.根据权利要求7所述的系统， 其特征在于， 所述系统还包括脉搏波形去噪模块； 权 利 要 求 书 1/2 页 2 CN 109199343 A 2 所述脉搏波形去噪模块， 用于对所述脉搏波形进行去噪处理。 9.一种心房颤动的评估设备， 其特征在于， 包括：。
7、 至少一个处理器、 至少一个存储器和通信总线； 其中： 所述处理器与所述存储器通过所述通信总线完成相互间的通信； 所述存储器存储有可 被所述处理器执行的程序指令， 所述处理器调用所述程序指令以执行如权利要求1至6任一 所述的方法。 10.一种非暂态计算机可读存储介质， 其特征在于， 所述非暂态计算机可读存储介质存 储计算机程序， 所述计算机程序使所述计算机执行如权利要求1至6任一所述的方法。 权 利 要 求 书 2/2 页 3 CN 109199343 A 3 一种心房颤动的评估方法、 系统和设备 技术领域 0001 本发明实施例涉及健康评估技术领域， 更具体地， 涉及一种心房颤动的评估方法、。
8、 系统和设备。 背景技术 0002 心房颤动(AF)是一种比较常见的心律现象， 出现该现象的人口数量占总人口数量 的1-2， 且伴随着年龄的增长而增加， 心房颤动的现象与许多心脏病的发病率和死亡率相 关， 是诊断许多疾病的重要依据， 例如栓塞性中风。 因此， 心房颤动的早期评估对于预防中 风和降低相关并发症的风险具有重要意义。 0003 现阶段心房颤动的评估主要依靠心电图， 基于房颤患者心电图的异常特征， 检测 房颤的研究主要有三种方法： 1、 基于心房活动分析的方法； 2、 基于心室响应分析的方法； 3、 以上两种方法的组合方法。 基于心房活动分析的方法主要通过对TQ间隔中缺少P波或出现f 。
9、波的分析， 但由于T波幅度小， 易受噪声影响。 基于心室响应分析的方法是以往研究中最主 要的方法， 这种方法在心率由药物或起搏器控制时可导致错误评估。 结合上述两种方法的 组合方法包括基于RR区间马尔可夫模型的方法和模糊逻辑分类方法。 0004 以上的心房颤动的评估主要通过医院的专业设备进行动态心电图的连续观测， 一 方面采集心电图需要额外设备和专业医护人员， 不便于随时随地检测心脏的健康状况， 另 一方面， 评估的精确度不高， 容易造成错误的评估。 发明内容 0005 为了克服上述问题或者至少部分地解决上述问题， 本发明实施例提供一种心房颤 动的评估方法、 系统和设备。 0006 本发明实施。
10、例提供一种心房颤动的评估方法， 包括： 基于移动智能终端的摄像头 获取脉搏波形； 基于脉搏波形提取预设数量个RR间期， 将预设数量个RR间期组成RR间期序 列； 将RR间期序列输入到已训练的神经网络模型， 输出心房颤动的概率。 0007 其中， 基于移动智能终端的摄像头获取脉搏波形， 包括： 控制移动智能终端的摄像 头闪光灯照射小动脉； 控制移动智能终端的摄像头采集摄像头闪光灯照射小动脉的反射光 的强度变化； 根据摄像头采集的反射光的强度变化获取脉搏波形。 0008 其中， 基于脉搏波形提取预设数量个RR间期， 包括： 确定脉搏波形中的峰值点； 提 取相邻的峰值点之间的时间间隔， 将连续的预设。
11、数量个相邻的峰值点之间的时间间隔作为 预设数量个RR间期。 0009 其中， 基于脉搏波形提取预设数量个RR间期之前， 还包括： 对脉搏波形进行去噪处 理。 0010 其中， 神经网络模型的训练步骤包括： 将每一RR间期序列作为一个样本， 提取每一 样本的时域特征、 频域特征和非线性特征， 其中， 每一RR间期序列包括预设数量个RR间期； 将样本集中预设比例的样本组成训练集， 将训练集中每一样本的时域特征、 频域特征和非 说 明 书 1/6 页 4 CN 109199343 A 4 线性特征以及每一样本对应的标签输入到神经网络模型， 对神经网络模型进行训练。 0011 其中， 将训练集中每一样。
12、本的时域特征、 频域特征和非线性特征以及每一样本对 应的标签输入到神经网络模型， 对神经网络模型进行训练之后， 还包括： 将样本集中训练集 以外的样本组成测试集， 将测试集中每一样本的时域特征、 频域特征和非线性特征以及每 一样本对应的标签输入到神经网络模型， 对神经网络模型进行测试。 0012 本发明实施例还提供一种心房颤动的评估系统， 包括： 移动智能终端、 脉搏波形获 取模块、 RR间期提取模块和心房颤动评估模块； 脉搏波形获取模块， 用于基于移动智能终端 的摄像头获取脉搏波形； RR间期提取模块， 用于基于脉搏波形提取预设数量个RR间期， 将预 设数量个RR间期组成RR间期序列； 心房。
13、颤动评估模块， 用于将RR间期序列输入到已训练的 神经网络模型， 输出心房颤动的概率。 0013 其中， 该系统还包括脉搏波形去噪模块； 脉搏波形去噪模块， 用于对脉搏波形进行 去噪处理。 0014 本发明实施例还提供一种心房颤动的评估设备， 包括： 至少一个处理器、 至少一个 存储器和通信总线； 其中： 处理器与存储器通过通信总线完成相互间的通信； 存储器存储有 可被处理器执行的程序指令， 处理器调用程序指令以执行上述方法。 0015 本发明实施例还提供一种非暂态计算机可读存储介质， 该非暂态计算机可读存储 介质存储计算机程序， 该计算机程序使计算机执行上述的方法。 0016 本发明实施例提。
14、供的一种心房颤动的评估方法、 系统和设备， 通过基于移动智能 终端的摄像头获取脉搏波形； 基于脉搏波形提取预设数量个RR间期， 将预设数量个RR间期 组成RR间期序列； 将RR间期序列输入到已训练的神经网络模型， 输出心房颤动的概率； 从而 不需要额外设备和专业医护人员协助， 仅利用智能终端设备的摄像头即可对当前用户的心 房颤动的现象进行分析和评估， 使得该方法、 系统和设备具有更好的便捷性和实时性； 并且 利用神经网络模型， 能有效分析用户数据， 满足了精确度的要求， 减小了错误评估的可能 性。 附图说明 0017 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 有。
15、技术描述中所需要使用的附图作一简单地介绍， 显而易见地， 下面描述中的附图是本发 明的一些实施例， 对于本领域普通技术人员来讲， 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。 0018 图1为根据本发明实施例的心房颤动的评估方法的流程图； 0019 图2为根据本发明实施例的心房颤动的评估系统的示意图； 0020 图3为根据本发明实施例的心房颤动的评估设备的示意图。 具体实施方式 0021 为使本发明实施例的目的、 技术方案和优点更加清楚， 下面将结合本发明实施例 中的附图， 对本发明实施例中的技术方案进行清楚、 完整地描述， 显然， 所描述的实施例是 本发明一部分实施例，。
16、 而不是全部的实施例。 基于本发明中的实施例， 本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。 说 明 书 2/6 页 5 CN 109199343 A 5 0022 本发明实施例提供一种心房颤动的评估方法， 参考图1， 包括： S11， 基于移动智能 终端的摄像头获取脉搏波形； S12， 基于脉搏波形提取预设数量个RR间期， 将预设数量个RR 间期组成RR间期序列； S13， 将RR间期序列输入到已训练的神经网络模型， 输出心房颤动的 概率。 0023 具体地， 心房颤动与心率有关， 因此通常情况下会通过心电图实现对心房颤动这 一现象进行评估。
17、。 0024 由于心率也能通过脉搏来体现， 本实施例的心房颤动的评估方法， 利用摄像头的 摄像功能， 通过一定的方式拍摄人体脉搏的搏动， 就可以通过拍摄得到的数据获取到脉搏 波形； 由于移动智能终端均携带有摄像头， 利用移动智能终端的摄像头来获取脉搏波形， 可 达到充分利用身边的移动智能终端的目的， 达到更好的便捷性和实时性， 例如移动智能终 端包括手机、 平板电脑、 掌上电脑等。 0025 心电图RR间期是指心电波形的两个相邻R波之间的时间间隔， RR间期实质上是代 表时间段的数值， 包含多个RR间期的RR间期序列可以看做是一个序列的数值， 能表现出一 定的规律来， 通过已训练的神经网络模型。
18、对RR间期序列进行分析， 就可以得到心房颤动的 概率。 0026 本实施例中， 脉搏波形在一定程度上也能反映心电波形， 通过脉搏波形也能提取 到RR间期， 预设数量个RR间期组成的RR间期序列输入到已训练的神经网络模型， 最终可得 到心房颤动的概率， RR间期序列中RR间期的预设数量过多会增大计算量， 过少则会影响评 估精度， 本实施例中， 预设数量可选择32个。 0027 本实施例通过基于移动智能终端的摄像头获取脉搏波形； 基于脉搏波形提取预设 数量个RR间期， 将预设数量个RR间期组成RR间期序列； 将RR间期序列输入到已训练的神经 网络模型， 输出心房颤动的概率； 从而不需要额外设备和专。
19、业医护人员协助， 仅利用智能终 端设备的摄像头即可对当前用户的心房颤动的现象进行分析和评估， 使得该方法、 系统和 设备具有更好的便捷性和实时性； 并且利用神经网络模型， 能有效分析用户数据， 满足了精 确度的要求， 减小了错误评估的可能性。 0028 基于以上实施例， 基于移动智能终端的摄像头获取脉搏波形， 包括： 控制移动智能 终端的摄像头闪光灯照射小动脉； 控制移动智能终端的摄像头采集摄像头闪光灯照射小动 脉的反射光的强度变化； 根据摄像头采集的反射光的强度变化获取脉搏波形。 0029 具体地， 人体心脏将血液压入动脉后， 动脉内的血液的浓度会发生轻微的变化， 经 持续的光照后的反射光的。
20、强度也会随着血液的浓度的变化而变化， 将摄像头贴近小动脉， 同时使摄像头闪光灯持续照射小动脉， 摄像头就能够记录下某个时段内反射光强度随时间 的变化， 也就是血液的浓度的随时间的变化； 通过反射光的强度随时间的变化就能够提取 脉搏波形。 具体实施时， 可采集指端小动脉反射光的强度变化， 指端小动脉更容易贴近摄像 头， 是采集的过程更便捷更高效。 0030 基于以上实施例， 基于脉搏波形提取预设数量个RR间期， 包括： 确定脉搏波形中的 峰值点； 提取相邻的峰值点之间的时间间隔， 将连续的预设数量个相邻的峰值点之间的时 间间隔作为预设数量个RR间期。 0031 其中， 基于脉搏波形提取预设数量个。
21、RR间期之前， 还包括： 对脉搏波形进行去噪处 理。 说 明 书 3/6 页 6 CN 109199343 A 6 0032 具体地， 由于脉搏波形是通过摄像头采集的小动脉的反射光强度提取的， 需要对 脉搏波形进行去噪处理， 避免采集过程中的干扰因素的影响。 0033 由于RR间期是指两个相邻R波(峰值点)之间的时间间隔， 本实施例中， 首先确定脉 搏波形中的峰值点(R波)， 并提取相邻的峰值点之间的时间间隔， 为了保证评估的精确度， 将将连续的预设数量个相邻的峰值点之间的时间间隔作为预设数量个RR间期， 保证了RR间 期序列中预设数量个RR间期是按照脉搏波形时间前后的顺序排列， 保证了RR间。
22、期序列的特 有的频域特征和非线性特征， 可保证评估的精确度。 0034 基于以上实施例， 神经网络模型的训练步骤包括： 将每一RR间期序列作为一个样 本， 提取每一样本的时域特征、 频域特征和非线性特征， 其中， 每一RR间期序列包括预设数 量个RR间期； 将样本集中预设比例的样本组成训练集， 将训练集中每一样本的时域特征、 频 域特征和非线性特征以及每一样本对应的标签输入到神经网络模型， 对神经网络模型进行 训练。 0035 其中， 将训练集中每一样本的时域特征、 频域特征和非线性特征以及每一样本对 应的标签输入到神经网络模型， 对神经网络模型进行训练之后， 还包括： 将样本集中训练集 以外。
23、的样本组成测试集， 将测试集中每一样本的时域特征、 频域特征和非线性特征以及每 一样本对应的标签输入到神经网络模型， 对神经网络模型进行测试。 0036 具体地， 本实施例将开源数据库中正常的RR间期序列数据和具有心房颤动特征的 RR间期序列数据作为样本， 组成样本集， 并将其中预设比例的样本作为训练集， 将其他的样 本作为测试集， 利用训练集和测试集分别对神经网络模型进行训练和测试。 0037 RR间期序列实质上是数值序列， 具有时域特征、 频域特征和非线性特征， 本实施例 中， 提取每一样本的时域特征、 频域特征和非线性特征， 其中， 时域特征、 频域特征和非线性 特征的具体内容分别见表1。
24、、 表2和表3。 0038 表1 RR间期序列的时域特征的具体内容 0039 1RR间期最小值8RR间期标准化绝对差分 2RR间期均值9相邻RR间期之差的均方根值 3RR间期标准差10相邻RR间期之差的标准差 4RR间期众数11相邻RR间期之差大于50ms的个数 5差异系数12相邻RR间期之差大于50ms的比例 6RR间期最大偏差13平均心率 7RR间期标准化绝对偏差 0040 表2 RR间期序列的频域特征的具体内容 0041 1超低频段能量(VLF)： 0-0.04Hz5低高频能量比值： LF/HF 2低频段能量(LF)： 0.04-0.15Hz6低频能量占比： LF/(TP-VLF) 3高。
25、频段能量(HF)： 0.15-0.4Hz7高频能量占比： HF/(TP-VLF) 4总能量(TP)： 0-0.4Hz 0042 表3 RR间期序列的非线性特征的具体内容 说 明 书 4/6 页 7 CN 109199343 A 7 0043 1样本熵3Poincare Plot： SD1 2样本熵系数4Poincare Plot： SD2 0044 将训练集中每一样本的时域特征、 频域特征和非线性特征以及每一样本对应的标 签输入到神经网络模型， 对神经网络模型进行训练。 然后将测试集中每一样本的时域特征、 频域特征和非线性特征以及每一样本对应的标签输入到神经网络模型， 对神经网络模型进 行测试。
26、， 样本的标签即正常或者具有心房颤动特征。 0045 例如， 本实施例使用physionet公开数据库中的正常的RR间期序列数据和具有心 房颤动特征的RR间期序列数据， 随机选取其中的200个RR间期序列进行训练和测试， 每个RR 间期序列包括32个RR间期， 提取时域特征、 频域特征和非线性特征后， 共得到8600组数据。 ， 按照预设比例为70， 参与训练和测试的样本分配如下表4所示： 0046 表4训练集和测试集分配表 0047 训练(70)测试(30)总计 心房颤动17(3400)8(1600)25(5000) 正常13(2600)5(1000)18(3600) 总计30(6000)1。
27、3(2600)43(8600) 0048 本发明实施例还提供一种心房颤动的评估系统， 参考图2， 包括： 移动智能终端21、 脉搏波形获取模块22、 RR间期提取模块23和心房颤动评估模块24； 其中： 0049 脉搏波形获取模块22， 用于基于移动智能终端21的摄像头获取脉搏波形； 0050 RR间期提取模块23， 用于基于脉搏波形提取预设数量个RR间期， 将预设数量个RR 间期组成RR间期序列； 0051 心房颤动评估模块24， 用于将RR间期序列输入到已训练的神经网络模型， 输出心 房颤动的概率。 0052 其中， 该系统还包括脉搏波形去噪模块； 脉搏波形去噪模块， 用于对脉搏波形进行 。
28、去噪处理。 0053 本发明实施例的系统， 可用于执行图1所示的心房颤动的评估方法实施例的技术 方案， 其实现原理和技术效果类似， 此处不再赘述。 0054 本发明实施例还提供一种心房颤动的评估设备， 参考图3， 包括： 至少一个处理器 31、 至少一个存储器32和通信总线33； 其中： 处理器31与存储器32通过通信总线33完成相互 间的通信； 存储器32存储有可被处理器31执行的程序指令， 处理器31调用程序指令以执行 上述各方法实施例所提供的方法， 例如包括： 基于移动智能终端的摄像头获取脉搏波形； 基 于脉搏波形提取预设数量个RR间期， 将预设数量个RR间期组成RR间期序列； 将RR间。
29、期序列 输入到已训练的神经网络模型， 输出心房颤动的概率。 0055 本发明实施例还提供一种计算机程序产品， 该计算机程序产品包括存储在非暂态 计算机可读存储介质上的计算机程序， 该计算机程序包括程序指令， 当程序指令被计算机 执行时， 计算机能够执行上述各方法实施例所提供的方法， 例如包括： 基于移动智能终端的 摄像头获取脉搏波形； 基于脉搏波形提取预设数量个RR间期， 将预设数量个RR间期组成RR 间期序列； 将RR间期序列输入到已训练的神经网络模型， 输出心房颤动的概率。 说 明 书 5/6 页 8 CN 109199343 A 8 0056 本发明实施例还提供一种非暂态计算机可读存储介。
30、质， 该非暂态计算机可读存储 介质存储计算机程序， 该计算机程序使该计算机执行上述各方法实施例所提供的方法， 例 如包括： 基于移动智能终端的摄像头获取脉搏波形； 基于脉搏波形提取预设数量个RR间期， 将预设数量个RR间期组成RR间期序列； 将RR间期序列输入到已训练的神经网络模型， 输出 心房颤动的概率。 0057 本领域普通技术人员可以理解： 实现上述方法实施例的全部或部分步骤可以通过 计算机程序指令相关的硬件来完成， 前述的计算机程序可以存储于一计算机可读取存储介 质中， 该计算机程序在执行时， 执行包括上述方法实施例的步骤； 而前述的存储介质包括： ROM、 RAM、 磁碟或者光盘等各。
31、种可以存储程序代码的介质。 0058 通过以上的实施方式的描述， 本领域的技术人员可以清楚地了解到各实施方式可 借助软件加必需的通用硬件平台的方式来实现， 当然也可以通过硬件。 基于这样的理解， 上 述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来， 该 计算机软件产品可以存储在计算机可读存储介质中， 如ROM/RAM、 磁碟、 光盘等， 包括若干指 令用以使得一台计算机设备(可以是个人计算机， 服务器， 或者网络设备等)执行各个实施 例或者实施例的某些部分所述的方法。 0059 最后说明的是： 以上实施例仅用以说明本发明的技术方案， 而非对其限制； 尽管参 照前述实施例对本发明进行了详细的说明， 本领域的普通技术人员应当理解： 其依然可以 对前述各实施例所记载的技术方案进行修改， 或者对其中部分技术特征进行等同替换； 而 这些修改或者替换， 并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范 围。 说 明 书 6/6 页 9 CN 109199343 A 9 图1 图2 说 明 书 附 图 1/2 页 10 CN 109199343 A 10 图3 说 明 书 附 图 2/2 页 11 CN 109199343 A 11 。