一种基于深度学习的心电信号房颤自动检测系统

摘要

本发明公开了一种基于深度学习的心电信号房颤自动检测系统，包括心电信号处理模块、训练模块和房颤检测模块；其中，心电信号处理模块用于对心电信号进行R波检测，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；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所提取的各RR间期样本是否为房颤信号进行识别，进而完成对心电信号的房颤自动检测，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；另外，该系统是一种端到端的系统，更加方便快捷。

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

[0001] 本发明属于心电图分析技术领域，更具体地，涉及一种基于深度学习的心电信号房颤自动检测系统。

背景技术

[0002] 房颤是临床中最常见的一种快速性心律失常症状，表现为心房的不规则激动。全球有约3350万人患有房颤，其中我国房颤患者人数超过1000万，是世界上房颤患者最多的
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。

[0003] 目前，临床上常使用心电图仪记录心电信号(ECG)以检测和监测心脏状态。心电图仪，尤其是便携式心电图仪能够无创便利地长时间记录心电信息，但同时也会产生大量心
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。

[0004] 现有的心电信号房颤自动检测系统，往往基于随机森林、SVM等传统机器学习算法以及如卷积神经网络的深度学习算法，基于机器学习算法的心电信号房颤自动检测系统由
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

[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习的心电信号房颤自动检测系统，其目的在于解决现有技术中未考虑心电信号的时间相关性而导致的
检测精度较低的技术问题。

[0006] 为实现上述目的，本发明提供了一种基于深度学习的心电信号房颤自动检测系统，包括：

[0007] 心电信号处理模块，用于对采集到的心电信号进行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；

[0008] 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；

[0009] 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。

[0010] 进一步优选地，上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。

[0011] 进一步优选地，上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。

[0012] 进一步优选地，上述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；

[0013] 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；

[0014] 双向LSTM子网络，用于对RR间期样本的特征进行时序分析；

[0015] 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。

[0016] 进一步优选地，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。

[0017] 进一步优选地，上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。

[0018] 进一步优选地，本发明所提出的基于深度学习的心电信号房颤自动检测系统用于心电图分析技术领域。

[0019] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

[0020] 1、本发明提供了一种基于深度学习的心电信号房颤自动检测系统，包括心电信号处理模块、训练模块和房颤检测模块；其中，心电信号处理模块用于对心电信号进行R波检
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。

[0021] 2、本发明提供了一种基于深度学习的心电信号房颤自动检测系统，是一种端到端的系统，使用时只需要对待检测的心电信号进行处理，将提取到的RR间期样本输入房颤信
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。

[0022] 3、在本发明提供了一种基于深度学习的心电信号房颤自动检测系统中，房颤检测模块在识别之前先采用心电信号处理模块将待检测的心电信号处理成具有时间关联性的
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

[0023] 图1是本发明实施例所提供的一种基于深度学习的心电信号房颤自动检测系统结构示意图；

[0024] 图2是本发明实施例提供的基于滑动窗口对预处理后的RR间期序列进行采样的示意图；

[0025] 图3是本发明实施例提供的基于CLDNN网络的房颤信号识别模型结构示意图。

具体实施方式

[0026] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并
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。

[0027] 本发明提供了一种基于深度学习的心电信号房颤自动检测系统，如图1所示，包括：心电信号处理模块、训练模块和房颤检测模块；

[0028] 其中，心电信号处理模块分别与训练模块和房颤检测模块相连，训练模块与房颤检测模块相连；

[0029] 心电信号处理模块，用于对采集到的心电信号进行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；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。

[0030] 其中，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。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。

[0031] 进一步地，如图2所示，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，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。

[0032] 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。

[0033] 具体的，进一步地，如图3所示，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；其
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。

[0034] 在本发明实施例中，分别从163个持续性房颤病例和200个非房颤病例的心电信号中提取20000条RR间期样本，共40000条RR间期样本作为训练集，用于训练房颤信号识别模
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％。

[0035] 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。

[0036] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含
在本发明的保护范围之内。