一种基于深度学习的心电信号房颤自动检测系统转让专利
申请号 : CN202010688677.4
文献号 : CN111772628B
文献日 : 2021-10-08
发明人 : 李强 , 张鹏 , 陈昱廷 , 林凡
申请人 : 华中科技大学
摘要 :
权利要求 :
1.一种基于深度学习的心电信号房颤自动检测系统,其特征在于,包括:心电信号处理模块,用于对心电信号进行R波检测,提取心电信号中每次心跳的R波时刻,计算其RR间期数值,得到RR间期序列;对RR间期序列进行预处理,并基于滑动窗口对预处理后的RR间期序列从其对应心电信号的初始时刻开始进行采样,得到RR间期样本;
训练模块,用于采集若干个含房颤标注的心电信号,分别输入到心电信号处理模块中,得到RR间期样本;将各RR间期样本对应的心电信号的房颤标注作为RR间期样本标签;以各RR间期样本为输入,对应的RR间期样本标签为输出,训练房颤信号识别模型,得到训练好的房颤信号识别模型;其中,心电信号包括有房颤的心电信号和无房颤的心电信号,房颤信号识别模型为基于CLDNN网络的房颤信号识别模型,包括:级联的输入层、卷积子网络、双向LSTM子网络、全局最大池化层、全连接映射子网络和输出层;所述卷积子网络用于减少RR间期样本的频域变化,提取RR间期样本的特征;所述双向LSTM子网络用于对RR间期样本的特征进行时序分析;所述全连接映射子网络用于基于时序分析结果,对RR间期样本进行映射分类;所述全连接映射子网络包括两层全连接层;
房颤检测模块,用于将待检测的心电信号输入到心电信号处理模块中,得到RR间期样本,并将所得RR间期样本输入到训练好的房颤信号识别模型中,对RR间期样本是否为房颤信号进行识别,从而确定待检测的心电信号是否为包含房颤信号,以及房颤发生的时刻。
2.根据权利要求1所述的心电信号房颤自动检测系统,其特征在于,所述心电信号处理模块对RR间期序列进行预处理时,当RR间期数值有异常值时,若异常值连续出现的次数小于等于预设次数,则对RR间期序列中的各异常的RR间期数值进行插值修正;若异常值连续出现的次数大于预设次数,则舍弃RR间期序列中出现异常时刻以及该异常时刻之前预设时间段内的RR间期数值。
3.根据权利要求1所述的心电信号房颤自动检测系统,其特征在于,所述心电信号处理模块基于滑动窗口对预处理后的RR间期序列从对应心电信号的初始时刻开始进行采样时,每完成一次提取后,将滑动窗口向后移动一个窗口尺寸进行下一次提取,实现不重叠采样。
4.根据权利要求1所述的心电信号房颤自动检测系统,其特征在于,所述卷积子网络由
5*1*64和5*1*32两层卷积层级联构成;所述双向LSTM子网络由两个方向相反的LSTM构成;
所述全连接映射子网络中的两层全连接层的神经元个数分别为32和16。
5.根据权利要求1所述的心电信号房颤自动检测系统,其特征在于,所述房颤信号识别模型的损失函数为交叉熵函数;在训练过程中,使用Adam优化器对房颤信号识别模型中的参数进行更新。
6.根据权利要求1‑5任意一项所述的心电信号房颤自动检测系统,其特征在于,用于心电图分析技术领域。
说明书 :
一种基于深度学习的心电信号房颤自动检测系统
技术领域
背景技术
国家之一。房颤除了表现为心律失常外,往往会导致其他的并发症,可形成左心房附壁血栓
并导致动脉栓塞。导致的栓塞中90%是脑动脉栓塞(缺血性脑卒中),10%是外周动脉栓塞
或者肠系膜动脉栓塞等,因此房颤是导致脑中风的重要病因之一。不过,房颤一般发展到后
期才会导致其他症状的产生,因此如何在早期检测和发现房颤,以防止后续并发症的发生
意义重大。
电信号数据。对大量心电信号数据的解读和诊断给临床医生造成了沉重负担,利用计算机
辅助诊断系统对心电信号进行精确的自动识别与解读,将大大提升医生的诊治效率。随着
深度学习技术的发展,其强大的学习能力已受到广泛关注并在许多领域得到成功应用,包
括在计算机辅助诊断方面。因此,将基于深度学习方法构建的模型应用到房颤信号识别中,
有望实现对房颤的准确识别与监测,将有效减轻医生负担,提高工作效率。
于需要较为繁琐的特征提取操作、部分模型超参数调节较为复杂,并且在处理心电信号时
未考虑信号的时间相关性,检测精度和效率较低。而现有的基于深度学习算法的心电信号
房颤自动检测系统,在处理心电信号时同样未考虑信号的时间相关性,检测精度也较低。
发明内容
检测精度较低的技术问题。
动窗口对预处理后的RR间期序列从其对应心电信号的初始时刻开始进行采样,得到RR间期
样本;
以各RR间期样本为输入,对应的RR间期样本标签为输出,训练房颤信号识别模型,得到训练
好的房颤信号识别模型;其中,心电信号包括有房颤的心电信号和无房颤的心电信号,房颤
信号识别模型为基于CLDNN网络的房颤信号识别模型;
房颤信号进行识别,从而确定待检测的心电信号是否为包含房颤信号,以及房颤发生的时
刻。
的RR间期数值进行插值修正;若异常值连续出现的次数大于预设次数,则舍弃RR间期序列
中出现异常时刻以及该异常时刻之前预设时间段内的RR间期数值。
窗口尺寸进行下一次提取,实现不重叠采样。
为32和16。
测,得到对应的RR间期序列,并采用滑动窗口对RR间期序列进行采样,得到多段RR间期样
本;其中,每段RR间期样本中的RR间期数值之间具有时间关联性;房颤检测模块用于采用基
于CLDNN网络的房颤信号识别模型对各RR间期样本是否为房颤信号进行识别,相对于现有
的基于机器学习和深度学习算法的房颤自动检测系统,本发明中的房颤信号识别模型不仅
能够提取心电信号的固有特征,同时也考虑了其时间相关性特征,检测精度较高。
号识别模型中,便能获取房颤识别结果,与现有的基于机器学习的房颤自动检测系统中需
要多步骤的特征提取相比,更加方便快捷。
RR间期样本,然后对每个RR间期样本采用房颤信号识别模型进行房颤识别,不仅可以确定
待检测的心电信号是否为包含房颤信号,还能够得到房颤发生的时刻。
附图说明
具体实施方式
不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要
彼此之间未构成冲突就可以相互组合。
动窗口对预处理后的RR间期序列从其对应心电信号的初始时刻开始进行采样,得到RR间期
样本;这样处理的原因是,R峰由于其振幅大,是心电图中最易识别的峰,检测出的R峰具有
更高的抗噪性;另外,房颤在心电图上表现为不规则的跳动,使用RR间期在一定程度可以表
征这种跳动,而不需要更多的其他特征。故将其处理成RR间期样本更加适用于模型的处理。
行插值修正;若异常值连续出现的次数大于预设次数,则舍弃RR间期序列中出现异常时刻
以及该异常时刻之前预设时间段内的RR间期数值。本实施例中,上述预设次数取值为5次,
上述预设时间段取值为1分钟。对RR间期序列中异常的RR间期数值全部置0,当RR间期序列
中异常的RR间期数值连续出现的次数大于5次时,这一段连续异常数值中首次出现异常以
及该异常之前一分钟内所有的RR间期数值全部不再使用,舍弃掉。当RR间期序列中异常的
RR间期数值连续出现的次数小于等于5次时,采用异常的RR间期数值前后两个非异常的RR
间期数值的平均值修正当前异常的RR间期数值。
个窗口尺寸进行下一次提取,实现不重叠采样,当RR间期序列的剩余数据长度小于滑动窗
口的尺寸时,将其舍弃。本实施例中,滑动窗口的尺寸大小为90个RR间期,其中,一个RR间期
代表一次心跳。
以各RR间期样本为输入,对应的RR间期样本标签为输出,训练房颤信号识别模型,得到训练
好的房颤信号识别模型;其中,心电信号包括有房颤的心电信号和无房颤的心电信号,房颤
信号识别模型为基于CLDNN网络的房颤信号识别模型。
中,卷积子网络,用于减少RR间期样本的频域变化,提取RR间期样本的特征;双向LSTM子网
络,用于对RR间期样本的特征进行时序分析;全连接映射子网络,用于基于时序分析结果,
对RR间期样本进行映射分类。本实施例中,卷积子网络由5*1*64和5*1*32两层卷积层级联
构成;双向LSTM子网络由两个方向相反的LSTM构成;全连接映射子网络中的两层全连接层
的神经元个数分别为32和16。上述房颤信号识别模型的损失函数为交叉熵函数,具体为
其中,yi表示RR间期样本i的标签,pi表示房颤
信号识别模型对RR间期样本i的预测概率,N表示RR间期样本总数。在训练过程中,使用Adam
优化器对房颤信号识别模型中的参数进行更新。
型,其中,当RR间期样本中所有RR间期数值所对应的心电信号的房颤标注均为房颤信号时,
该RR间期样本标记为房颤,用1表示;当RR间期样本中至少存在一个RR间期数值,其对应的
心电信号的房颤标注为非房颤信号时,该RR间期样本标记为非房颤,用0表示。并且,为了进
一步验证本实施例所训练的房颤信号识别模型的有效性,从40个阵发性房颤病例的心电信
号中提取出29206条RR间期样本作为测试数据,其中,测试数据与训练数据互不重复。在本
发明实施例中,使用所有29206条测试数据的灵敏度与特异性来衡量本发明所提出的房颤
信号识别模型的性能。测试结果表明,该房颤信号识别模型的敏感度为97.63%,特异性为
99.18%。
房颤信号进行识别,从而确定待检测的心电信号是否为包含房颤信号,以及房颤发生的时
刻。
在本发明的保护范围之内。