基于短时心电信号的房颤检测方法、装置及设备.pdf

《基于短时心电信号的房颤检测方法、装置及设备.pdf》由会员分享，可在线阅读，更多相关《基于短时心电信号的房颤检测方法、装置及设备.pdf（12页完成版）》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 202010731991.6 (22)申请日 2020.07.27 (71)申请人 郑州大学 地址 450000 河南省郑州市高新技术开发 区科学大道100号 (72)发明人 张宏坡高俊丽董忠仁孙梦雅 (51)Int.Cl. A61B 5/0402(2006.01) A61B 5/046(2006.01) A61B 5/00(2006.01) (54)发明名称 基于短时心电信号的房颤检测方法、 装置及 设备 (57)摘要 本发明提供了本发明提供一种基于短时心 电信号的房颤检测方法。

2、、 装置及设备。 本发明技 术方案首先获取待识别的心电信号； 将所述待识 别的心电信号输入至预先建立的房颤信号检测 模型中， 输出房颤信号的检测结果； 其中， 所述房 颤信号检测模型为多路卷积神经网络和双向循 环递归神经网络结合的分类模型。 本发明提出了 一种多路卷积神经网络和双向循环递归神经网 络结合的分类模型， 多路卷积神经网络使得能够 充分利用每条短时心电记录的所有节律信息， 双 向循环递归神经网络强化短时心电记录之间的 时间序列属性， 从而保证了可靠、 准确地检测出 房颤节律。 权利要求书2页 说明书7页 附图2页 CN 111700609 A 2020.09.25 CN 111700。

3、609 A 1.一种基于短时心电信号的房颤检测方法， 其特征在于， 该方法包括： 获取待识别的心电信号； 将所述待识别的心电信号输入至预先建立的房颤信号检测模型中， 输出房颤信号的检 测结果； 其中， 所述房颤信号检测模型通过下述方式建立： 获取短时ECG记录， 将每条短时ECG记录切片为n个局部片段； 建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构； 每路卷积神经网 络为一个一维CNN结构， 所述双向长短记忆神经网络连接设置在所述多路卷积神经网络之 后， 在所述双向长短记忆神经网络之后设置Softmax分类器； 按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG。

4、记录输入至所 述网络结构中进行训练， 生成所述房颤信号检测模型。 2.根据权利要求1所述的基于短时心电信号的房颤检测方法， 其特征在于， 所述获取一 条短时ECG记录的步骤， 包括： 获取整条或一条原始ECG记录； 对所述原始ECG记录进行降采 样后， 再利用Daubechies 6小波变换对所述原始ECG记录进行9级小波分解， 去除D1， D2， A9 分量， 并对剩下的分量进行重构， 得到滤波后的短时ECG记录。 3.根据权利要求1所述的基于短时心电信号的房颤检测方法， 其特征在于， 所述n路卷 积神经网络的channel的个数根据切片长度l设置，其中， max L是一条 短时心电记录的长。

5、度， l是每个切片的长度。 4.根据权利要求3所述的基于短时心电信号的房颤检测方法， 其特征在于， 所述将一条 短时ECG记录切片为n个局部片段还包括重叠切片操作， 其中重叠的采样点长度， 根据公式 (1)计算： 其中， L为一条短时ECG记录的长度， n为局部片段数,l为每个局部片段的长度， ol为局 部片段之间的重叠长度。 5.根据权利要求1所述的基于短时心电信号的房颤检测方法， 其特征在于： 将切片后的 短时ECG记录输入至所述网络结构中进行训练之前， 采用z-score标准化技术进行样本数据 标准化操作， 其中， z-score标准化定义公式为： E(x)是样本数据的均值， Var(x。

6、)是样本数据的标准差。 6.根据权利要求1所述的基于短时心电信号的房颤检测方法， 其特征在于： 每路卷积神 经网络包括5个卷积层和5个池化层， 按1个卷积层分组， 组间由池化层隔开， 第1、 2组卷积层 中滤波器数量均为4个， 第3、 4组卷积层中滤波器数量均为8个， 最后一组卷积层中设置16个 滤波器， 前4组的池化层使用平均池化层AP， 最后一组池化层使用全局平均池化层GAP。 7.根据权利要求1所述的基于短时心电信号的房颤检测方法， 其特征在于： 在所述房颤 信号检测模型训练过程中， 对每路卷积神经网络的卷积层使用L2正则化； 在卷积神经网络 和双向长短记忆神经网络之间增加比率为0.5的。

7、dropout； 采用随机梯度下降SGD进行优化， 在每一次循环迭代中更新模型参数。 权利要求书 1/2 页 2 CN 111700609 A 2 8.一种基于短时心电信号的房颤检测装置， 其特征在于， 所述装置包括： 信号获取模块， 用于获取待识别的心电信号； 结果输出模块， 用于将所述待识别的心电信号输入至预先建立的房颤信号检测模型 中， 输出房颤信号的检测结果； 其中， 所述房颤信号检测模型通过下述方式建立： 获取短时ECG记录， 将每条短时ECG记录切片为n个局部片段； 建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构； 每路卷积神经网 络为一个一维CNN结构， 所述双向长。

8、短记忆神经网络连接设置在所述多路卷积神经网络之 后， 在所述双向长短记忆神经网络之后设置Softmax分类器； 按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至所 述网络结构中进行训练， 生成所述房颤信号检测模型。 9.一种基于短时心电信号的房颤检测设备， 其特征在于： 所述设备包括处理器和存储 器， 所述存储器中存储有至少一条指令， 所述至少一条指令由所述处理器加载并执行以实 现如权利要求1至7中任一项权利要求所述的基于短时心电信号的房颤检测方法。 10.一种存储介质， 其特征在于： 所述存储介质中存储有至少一条指令， 所述至少一条 指令由处理器加载并执行以实现如。

9、权利要求1至7中任一项权利要求所述的基于短时心电 信号的房颤检测方法。 权利要求书 2/2 页 3 CN 111700609 A 3 基于短时心电信号的房颤检测方法、 装置及设备 技术领域 0001 本发明属于心电监测技术领域， 具体涉及一种基于短时心电信号的房颤检测方 法、 装置及设备。 背景技术 0002 心房颤动(房颤)是常见的一种室上性心率失常。 2010年， 全世界房颤患者人数大 约有3300多万人。 而在65岁以上的人群中， 患病率随着年龄增长而增加。 虽然房颤本身并不 代表一种致命的疾病， 但它对居民公共健康有巨大的影响。 此外， 房颤可能导致高住院率以 及卫生资源的广泛利用， 。

10、给社会带来巨大的经济负担。 心房颤动通常是无症状的， 因此在血 栓栓塞事件发生之前仍然可能检测不到。 早期检测出房颤可以使用抗凝治疗来减轻中风和 其他血栓栓塞并发症的风险。 0003 来自植入式心脏监护仪的数据表明， 可能需要长期的监测来检测临床上的房颤。 动态心电图也是监测房颤的重要工具之一， 它可以通过Holter采集长期、 连续的心电信号。 然而， 佩戴Holter比较笨重， 对人们的日常活动造成很大的影响。 近年来， 通过可穿戴设备 对房颤进行监测越来越受欢迎。 目前已有几种基于不同测量技术的可穿戴设备检测房颤。 因此， 使用动态心电图记录监测房颤具有重要意义。 0004 近几年来， 。

11、许多研究人员使用深度学习方法检测房颤。 虽然使用深度学习方法检 测房颤取得良好的成效， 但是实时房颤检测的关键问题依然未解决。 由于大多数房颤检测 方法是基于静态心电信号建立模型， 而在动态心电信号上的适用性受限。 尤其是在短时不 等长心电信号的节律信息有限的情况下， 可靠准确的检测出房颤信号仍然是一个巨大的挑 战。 发明内容 0005 本发明针对现有技术的不足， 提供一种基于短时心电信号的房颤检测方法、 装置 及设备， 具体方案如下： 0006 本发明一方面提供了一种基于短时心电信号的房颤检测方法， 该方法包括： 0007 获取待识别的心电信号； 0008 将所述待识别的心电信号输入至预先建。

12、立的房颤信号检测模型中， 输出房颤信号 的检测结果； 0009 其中， 所述房颤信号检测模型通过下述方式建立： 0010 获取短时ECG记录， 将每条短时ECG记录切片为n个局部片段； 0011 建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构； 每路卷积神 经网络为一个一维CNN结构， 所述双向长短记忆神经网络连接设置在所述多路卷积神经网 络之后， 在所述双向长短记忆神经网络之后设置Softmax分类器； 0012 按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入 至所述网络结构中进行训练， 生成所述房颤信号检测模型。 说明书 1/7 页 4 CN 11。

13、1700609 A 4 0013 基于上述， 所述获取一条短时ECG记录的步骤， 包括： 获取整条或一条原始ECG记 录； 对所述原始ECG记录进行降采样后， 再利用Daubechies 6小波变换对所述原始ECG记录 进行9级小波分解， 去除D1， D2， A9分量， 并对剩下的分量进行重构， 得到滤波后的短时ECG记 录。 0014 基于上述， 所述n路卷积神经网络的channel的个数根据切片长度l设置， 其中， max L是一条短时心电记录的长度， l是每个切片的长度。 0015 基于上述， 所述将一条短时ECG记录切片为n个局部片段还包括重叠切片操作， 其 中重叠的采样点长度， 根据。

14、公式(1)计算： 0016 0017 其中， L为一条短时ECG记录的长度， n为局部片段数,l为每个局部片段的长度， ol 为局部片段之间的重叠长度。 0018 基于上述， 将切片后的短时ECG记录输入至所述网络结构中进行训练之前， 采用z- score标准化技术进行样本数据标准化操作， 其中， z-score标准化定义公式为： 0019 0020 E(x)是样本数据的均值， Var(x)是样本数据的标准差。 0021 基于上述， 每路卷积神经网络包括5个卷积层和5个池化层， 按1个卷积层分组， 组 间由池化层隔开， 第1、 2组卷积层中滤波器数量均为4个， 第3、 4组卷积层中滤波器数量均。

15、为 8个， 最后一组卷积层中设置16个滤波器， 前4组的池化层使用平均池化层AP， 最后一组池化 层使用全局平均池化层GAP。 0022 基于上述， 在所述房颤信号检测模型训练过程中， 对每路卷积神经网络的卷积层 使用L2正则化； 在卷积神经网络和双向长短记忆神经网络之间增加比率为0.5的dropout； 采用随机梯度下降SGD进行优化， 在每一次循环迭代中更新模型参数。 0023 本发明另一方面还提供了一种基于短时心电信号的房颤检测装置， 所述装置包 括： 0024 信号获取模块， 用于获取待识别的心电信号； 0025 结果输出模块， 用于将所述待识别的心电信号输入至预先建立的房颤信号检测模。

16、 型中， 输出房颤信号的检测结果； 0026 其中， 所述房颤信号检测模型通过下述方式建立： 0027 获取短时ECG记录， 将每条短时ECG记录切片为n个局部片段； 0028 建立n路卷积神经网络和1路双向长短记忆神经网络组合的网络结构； 每路卷积神 经网络为一个一维CNN结构， 所述双向长短记忆神经网络连接设置在所述多路卷积神经网 络之后， 在所述双向长短记忆神经网络之后设置Softmax分类器； 0029 按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入 至所述网络结构中进行训练， 生成所述房颤信号检测模型。 0030 本发明还提供了一种基于短时心电信号的房颤检。

17、测设备， 所述设备包括处理器和 存储器， 所述存储器中存储有至少一条指令， 所述至少一条指令由所述处理器加载并执行 以实现所述的基于短时心电信号的房颤检测方法。 说明书 2/7 页 5 CN 111700609 A 5 0031 本发明还提供了一种存储介质， 所述存储介质中存储有至少一条指令， 所述至少 一条指令由处理器加载并执行以实现所述的基于短时心电信号的房颤检测方法。 0032 本发明相对现有技术具有突出的实质性特点和显著进步， 具体地说， 本发明提出 了一种多路卷积神经网络和双向循环递归神经网络结合的分类模型， 多路卷积神经网络使 得能够充分利用每条短时心电记录的所有节律信息， 双向循。

18、环递归神经网络强化短时心电 记录之间的时间序列属性， 从而保证了可靠、 准确地检测出房颤节律。 附图说明 0033 图1本发明房颤信号检测模型的网络架构。 0034 图2本发明基于短时心电信号的房颤检测方法的算法流程图。 具体实施方式 0035 下面通过具体实施方式， 对本发明的技术方案做进一步的详细描述。 0036 如图1和图2所示， 一种基于短时心电信号的房颤检测方法， 该方法包括： 0037 获取待识别的心电信号； 0038 将所述待识别的心电信号输入至预先建立的房颤信号检测模型中， 输出房颤信号 的检测结果。 0039 所述房颤信号检测模型通过下述方式建立： 0040 获取短时ECG记。

19、录， 将每条短时ECG记录切片为n个局部片段。 0041 具体的， 采用如下方式获取短时ECG记录并切片： 0042 (1)降采样： 由于深度卷积网络是将整条心电信号或一条心电信号的某个片段作 为输入。 因此， 对原始心电信号的采样频率进行下采样有助于减少网络的复杂度以及缩短 模型训练时间。 本发明采用的降采样策略为将两个数据集中所有动态心电信号降采样到 120Hz。 0043 (2)去噪： 用Daubechies 6(db6)小波变换对原始心电信号进行9级小波分解， 去除 D1， D2， A9分量， 并剩下的分量进行重构， 得到滤波后的信号。 0044 (3)信号切割： 本发明所使用的短时心。

20、电样本数据， 其信号时间长度不一， 最短的 记录有6s， 最长的有60s， 最长是最短的10倍。 本发明将每条记录切取n个片段， 每条片段的 长度为ls。 这样， 每ECG条记录就被分割成相同形式的nls片段组。 为了充分利用每条短时 心电记录的所有节律信息， 可以采用重叠的切割方案， 具体重叠的采样点长度， 可以根据公 式(1)计算。 这样就能提取整条的短时心电特征， 弥补不能提取短时心电记录所有节律信息 的不足。 0045 0046 其中， L为一条ECG记录的长度， n为片段数,l为每个片段的长度， ol为片段之间的 重叠长度。 0047 (4)标准化:不同人之间的ECG信号记录的幅度存。

21、在着较大的变换， 甚至同一个人 ECG记录不同导联信号的幅度也会存在着变化。 通过标准化输入数据使得本发明模型在训 练过程中即能防止模型梯度爆炸， 又能让模型收敛的更快。 本发明采用z-score标准化技术 使得心电信号幅值大小服从统一的数据分布。 公式(2)为z-score标准化定义。 说明书 3/7 页 6 CN 111700609 A 6 0048 0049 其中， E(x)是样本数据的均值， Var(x)是样本数据的标准差。 0050 建立n路卷积神经网络MCCNN和1路双向长短记忆神经网络BLSTM组合的网络结构； 每路卷积神经网络MCCNN为一个一维CNN结构， 所述双向长短记忆神。

22、经网络BLSTM连接设置 在所述n路卷积神经网络MCCNN之后， 在所述双向长短记忆神经网络BLSTM之后设置Softmax 分类器； 按照一个局部片段输入至一个一维CNN结构的方式将切片后的短时ECG记录输入至 所述网络结构中进行训练， 生成所述房颤信号检测模型。 0051 本发明对每一条短时ECG记录都搭建一个对应的模型训练。 在这个网络结构中， 对 于一条记录的n个片段， 是作为一个整体， 输入到不同的分支中。 每个分支都是个1维CNN结 构， 处理的是一个时长为ls的局部片段， 有利于增强其对局部特征的感知。 由于局部片段是 按照ECG记录的时间顺序切取的， 这n个局部片段之间存在时间。

23、序列特性， 为了强化这种特 性， 最终n个分支由一个双向长短记忆神经网络BLSTM强化它们之间的时间序列属性， 最后 通过softmax层进行分类。 0052在卷积神经网络MCCNN网络中， 根据切片长度l设置channel的个数n。 其中， max L是一条短时心电记录的长度， l是每个切片的长度。 每路卷积神 经网络包括5个卷积层和5个池化层， 按1个卷积层分组， 组间由池化层隔开， 第1、 2组卷积层 中滤波器数量均为4个， 第3、 4组卷积层中滤波器数量均为8个， 最后一组卷积层中设置16个 滤波器， 前4组的池化层使用平均池化层AP， 最后一组池化层使用全局平均池化层GAP。 005。

24、3 与产生顺序不变表示的池化层相反， 使用双向长短记忆神经网络BLSTM来考虑CNN 提取的n个片段的心电特征。 这n个片段是按照ECG记录的时间顺序切取的， 片段之间包含动 态时序信息， 这些动态节律变化可能会编码额外的信息， 有助于做出更准确的预测。 0054 在所述房颤信号检测模型训练过程中， 对每路卷积神经网络MCCNN的卷积层使用 L2正则化， 改善网络模型过拟合问题； 同时， 在卷积神经网络和双向长短记忆神经网络之间 增加比率为0.5的dropout， 以减轻由于切片之间的心电信号重叠造成的信息冗余； 采用随 机梯度下降SGD进行优化， 在每一次循环迭代中更新模型参数。 0055 。

25、具体的房颤信号检测模型网络参数设置 0056 MCCNN-BLSTM超参数的优化是一个重要组成部分。 有许多类型的梯度下降优化算 法， 如随机梯度下降(SGD),自适应梯度下降(Adagrad)和自适应动量估计(Adam)。 为了降低 每个时间步的训练时间， 小批量梯度下降优化算法较早的被引入。 但SGD容易收敛到局部最 优， 并且在某些情况下可能被困在鞍点。 因此引入动量以加速模型在正确的方向收敛， 并降 低模型陷入局部最优的可能。 自适应梯度下降能在训练中动态地调整学习率。 更新频繁的 参数减小学习率， 更新次数低的参数增大学习率。 自适应动量估计利用梯度的一阶矩估计 和二阶矩估计动态调整。

26、每个参数的学习率。 每一次迭代学习率都有个确定范围， 使得参数 更新比较平稳。 虽然Adam被认为均有最好的整体性能， 但是在好的初始化和学习率调度方 案的情况下， SGD的结果更可靠。 0057 本发明训练方法中， 使用批量为128的SGD算法， 初始学习率为0.01， 每10次训练速 率指数衰减10倍， 学习率 衰减定义为 说明书 4/7 页 7 CN 111700609 A 7 0058 0059 其中，0是初始学习率， N是epoch的大小。 0060 过拟合是机器学习中存在的普遍问题。 深度学习模型具有较高的复杂度， 其不仅 仅拟合输入信号和类别标签之间的关系， 还拟合了随机误差和信。

27、号噪音。 为了防止过拟合， 本发明还引入正则化。 训练过程中， 前5层CNN网络模型参数的L2正则化参数添加到损失函 数中。 因此， 最终的损失函数定义为 0061 0062其中，为训练集的大小，是模型预测输出， 是惩罚因子， W是CNN网络中的权 重参数。 0063 本发明还采用了另外一种正则化方法是Dropout技术。 它的原理可以简单的理解 为在神经网络训练的过程中以概率P丢弃部分神经元。 L2正则化是通过修改损失函数实现 降低过拟合的可能， 而Dropout是通过修改网络自身。 针对心电信号记录长度小于平均心电 信号长度的心电信号， 切片之间信息存在冗余。 为减轻这种情况， 在CNN与。

28、BLSTM之间增加 Dropout， 并将Dropout概率值设置为0.5。 0064 在深度网络模型学习期间找到真正的全局最小值并不是必要的。 因此， 当学习期 间损失或者准确率进入相对平坦的区域时， 可以选择使用早期停止(Early stopping)技 术。 早期停止可以看作是一种不引人注目的正规化形式而不会影响学习动力， 这种策略可 以与其他正规化技术结合使用。 使用该技术可以防止模型过拟合， 加快学习的速度。 默认情 况下， 考虑到有效性和效率， 可以将早期停止时期的最大数量设置为150。 表1中给出了该模 型参数的默认设置。 0065 表1.模型参数设置 0066 0067 验证实。

29、验 0068 实验使用的数据集是来自2017 PhysioNet/CinC Challenge的短时心电数据集和 2018年中国生理信号挑战赛的短时心电数据集。 0069 本发明方法的目的是检测单导联短时心电信号中的房颤节律。 为了有效的实现这 个目的， 网络输入的设计(即信号切片方式)和网络结构的设计是至关重要的。 0070 如表2所示， 对不同卷积个数(channels)配置的MCCNN-BLSTM进行了评估。 对输入 心电图记录切割成不同的时长的切片来设置卷积个数(channels)。 其中， 对于不同长度的 短时心电信号输入， 切片长度l分别设置为6s(11channels CNN)、。

30、 10s(7channels CNN)、 15s (5channels CNN)、 20s(4channels CNN)、 25s(3channels CNN)、 30s(3channels CNN)。 实验 结果对比见表2。 实验结果表明， 当心电记录时间为25s时， 3channels CNN-BLSTM的分类准 说明书 5/7 页 8 CN 111700609 A 8 确率最高， 为98.65。 0071 表2.MCNN-BLSTM网络在2017PhysioNet/CinC Challenge数据集上的表现结果 0072 0073 0074 为了验证所提出MCCNN-BLSTM网络结构在。

31、不同数据库上的普适性， 分析了该网络 在China Physiological Signal Challenge 2018测试集上的分类结果， 结果对比见表3。 通过对表3结果可以看出， 在China Physiological Signal Challenge 2018测试集上， MCCNN-BLSTM模型得到了94.59的准确率。 这证明本发明提出的MCCNN-BLSTM方法能够推 广到不同数据集上的具有相同节律的标签。 0075 表3.MCCNN-BLSTM(l25s)网络在两个数据集上的表现. 0076 0077 基于与上述方法同样的发明构思， 本发明另一个实施例中还提供了一一种基于短。

32、 时心电信号的房颤检测装置， 所述装置包括： 信号获取模块， 用于获取待识别的心电信号； 结果输出模块， 用于将所述待识别的心电信号输入至预先建立的房颤信号检测模型中， 输 出房颤信号的检测结果； 其中， 所述房颤信号检测模型通过下述方式建立： 获取短时ECG记 录， 将每条短时ECG记录切片为n个局部片段； 建立n路卷积神经网络和1路双向长短记忆神 经网络组合的网络结构； 每路卷积神经网络为一个一维CNN结构， 所述双向长短记忆神经网 络连接设置在所述多路卷积神经网络之后， 在所述双向长短记忆神经网络之后设置 Softmax分类器； 按照一个局部片段输入至一个一维CNN结构的方式将切片后的短。

33、时ECG记 录输入至所述网络结构中进行训练， 生成所述房颤信号检测模型。 0078 基于与上述方法同样的发明构思， 本发明另一个实施例中还提供了一种基于短时 心电信号的房颤检测设备， 所述设备包括处理器和存储器， 所述存储器中存储有至少一条 指令， 所述至少一条指令由所述处理器加载并执行以实现如权利要求1至7中任一项权利要 求所述的基于短时心电信号的房颤检测方法。 0079 基于与上述方法同样的发明构思， 本发明另一个实施例中还提供了一种存储介 质， 所述存储介质中存储有至少一条指令， 所述至少一条指令由处理器加载并执行以实现 如权利要求1至7中任一项权利要求所述的基于短时心电信号的房颤检测方法。 0080 最后应当说明的是： 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 说明书 6/7 页 9 CN 111700609 A 9 管参照较佳实施例对本发明进行了详细的说明， 所属领域的普通技术人员应当理解： 依然 可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换； 而不脱离本发 明技术方案的精神， 其均应涵盖在本发明请求保护的技术方案范围当中。 说明书 7/7 页 10 CN 111700609 A 10 图1 说明书附图 1/2 页 11 CN 111700609 A 11 图2 说明书附图 2/2 页 12 CN 111700609 A 12 。