一種微型動態心電監測設備上房顫自動識別的實現方法技術

本發明專利技術公開了一種微型動態心電監測設備上房顫自動識別的實現方法，本發明專利技術利用先調用MIT?BIH心律失常數據庫、MIT?BIH正常竇性心律數據庫、長時房顫數據庫作為訓練樣本，引入人工神經網絡進行學習訓練，先隨機設置人工神經網絡各層的權重值，輸入訓練數據樣本反復迭代修正各層權重值直到訓練誤差小于某指定值，通過這種方式可以找到可以判斷房顫發生的權重值矩陣，然后利用權重值矩陣，將權重值矩陣加入原人工神經網絡構建新的人工神經網絡，再以采集到的目標人體心電信號作為數據，對人體心電信號處理，獲得目標人體特征向量X，根據目標人體特征向量X和新的人工神經網絡，進行預測運算。

【技術實現步驟摘要】

本專利技術涉及心房顫動檢測，尤其涉及一種微型動態心電監測設備上房顫自動識別的實現方法。
技術介紹
心房顫動（簡稱房顫， Auricular Fibrillation，AF）是最常見的持續性心律失常。隨著年齡增長房顫的發生率不斷增加，75歲以上人群可達10%。房顫時心房激動的頻率達300～600次/分，心跳頻率往往快而且不規則，有時候可達100～160次/分，不僅比正常人心跳快得多，而且絕對不整齊。房顫發生時，心房失去有效的收縮功能，血液容易在心房內淤滯而形成血栓，血栓脫落后可隨著血液至全身各處，導致腦栓塞（腦卒中）、肢體動脈栓塞（嚴重者甚至需要截肢）等。同時，由于心房血液淤滯將導致人體供血（包括心臟自身的供血量）下降，進而容易引發心力衰竭（heart failure，簡稱心衰）的發生。房顫對人體健康的巨大危害主要表現為：1.降低心功能：心率快和節律不齊可使病人感到心慌，體力活動受到限制，生活質量下降；心跳頻率過快，易誘發心功能減退，同時也影響心臟正常排血功能，降低身體各器官的血液供應，最終導致慢性心功能不全。其主要原因在于：由于失去心房輔助泵血功能，致使心臟每次搏動排出血量降低了25%-30%。2.增加致殘率：心房收縮紊亂，容易在心房壁產生“附壁血栓”，即血凝塊。新鮮的血栓粘附不牢，易脫落。血栓隨血流而移動，可堵塞血管，導致腦、腎、脾、腸、肢體的缺血，并引起壞死。房顫引起腦中風偏癱的發生率較正常人高5-15倍，極大的增加了致殘率。3.增加病死率：心房收縮功能喪失和長期心率加快可導致心力衰竭，增加病死率。心房顫動患者病死率較無房顫患者增加2-4倍。4.增加猝死率：預激綜合征合并心房顫動是極為危險的，如果患者快速心房激動經旁路下傳心室可能導致心室顫動，從而導致猝死。實際上，房顫患者的癥狀多變且無特異性，因此從癥狀無法確定是否存在房顫發作，必須依賴心電學檢測證實。而且，房顫發作具有很大的隨機性且每次發作的持續時間具有很大的不穩定性，因此心電檢測的時間窗口對于真實房顫發生的檢測尤其重要。目前臨床醫學的檢測手段上，主要依靠心電圖機和24小時動態心電儀。但他們對房顫的檢測具有明顯的缺點，主要的原因為：1.心電圖機的缺點：心電圖機（靜態心電）在檢查時需要被檢查者處于靜臥狀態，導聯多且操作復雜，通常只持續幾十秒到2分鐘的檢查時間窗口。而房顫的發生具有時間上的不規律性和間隙性，導致靜息心電圖測試很難準確檢測到AF的發生，因此臨床醫學普遍認為心電圖機對房顫的檢出受到很大的限制，需要專業人員操作且檢出率低，具有非常大的局限性；2.動態心電圖機的缺點：心電圖機的明顯缺點使得醫學上引入了動態心電圖（Holter），以實現24小時甚至72小時的長時間檢測窗口，從而提高了房顫的檢出率。但Holter通常用于數據記錄直到測試結束以后返回醫院，由醫生讀取出數據再進行分析，因此具有明顯的時間滯后性——檢測的時間越長，滯后效應越嚴重。由于房顫容易形成血栓導致腦卒中，或導致心臟供血不足引發心力衰竭，這種滯后效應顯然是比較致命的，很可能因為缺乏及時的診斷和治療措施而形成嚴重的后果；3.P波檢測困難：傳統的心電圖分析，無論是心電圖機還是動態心電圖，其原理主要是依靠心房波（P波）的檢測來判定是否發生房顫。由于體表的心電測試點不易靠近心房，故在體表測試中P波的幅度遠遠小于QRS波幅度且相對位置不固定（尤其是動態心電圖測試受患者運動干擾較大），因此P波極易被淹沒在QRS波、T波或干擾信號噪聲之中無法識別（同樣道理，形態與振幅均變化不定的f波則更難識別），因此造成診斷上的困難。這是目前傳統心電圖分析的技術難點和限制所在，因此傳統心電分析技術對房顫的檢測準確性一直有待提高。
技術實現思路
本專利技術旨在克服動態心電圖設備和技術在房顫檢測中存在的時間滯后效應嚴重、技術限制檢測精確度不高的缺點，實現可長時間的持續檢測、并能實時、高精度對房顫進行自動檢測，及時為房顫患者的診斷和治療提供參考依據，以降低因為房顫引發腦卒中、心力衰竭等高度危險事件的發生可能，通過實時、持續的心電信號監測和人工智能機器學習算法，對房顫做出預測和判斷，為及時的醫療干預創造條件，并可能挽救患者的生命。本專利技術通過下述技術方案實現：一種微型動態心電監測設備上房顫自動識別的實現方法，包括以下步驟：構建多層人工神經網絡：采用一個輸入層、至少一個隱藏層和一個輸出層搭建一個多層人工神經網絡；多層人工神經網絡訓練：采用MIT-BIH心律失常數據庫作為第一訓練數據樣本，獲得第一訓練數據樣本的QRS波，第一訓練數據樣本的QRS波進行分析和處理，提取出第一訓練數據樣本的RR間期，將第一訓練數據樣本的RR間期分割為M1個N分鐘的片段，對M1個片段進行HRV特征分析，計算M1個片段的特征向量X作為M1個房顫特征向量X，元組(房顫特征向量X， t1)的集合構成第一訓練樣本集，其中有房顫發生的片段t1=1，無房顫發生的片段t1=0，采用MIT-BIH正常竇性心律數據庫作為第二訓練數據樣本，第二訓練數據樣本的QRS波，第二訓練數據樣本的QRS波進行分析和處理，提取出第二訓練數據樣本的RR間期，將第二訓練數據樣本的RR間期分割為M2個N分鐘的片段，對M2個片段進行HRV特征分析，計算M2個片段的特征向量X作為M2個正常特征向量X，元組(正常特征向量X， t2)的集合構成第二訓練樣本集，其中t2=0，采用長時房顫數據庫作為第三訓練數據樣本，獲得第三訓練數據樣本的QRS波，第三訓練數據樣本的QRS波進行分析和處理，提取出第三訓練數據樣本的RR間期，將第三訓練數據樣本的RR間期分割為M3個N分鐘的片段，對M3個片段進行HRV特征分析，計算M3個片段的特征向量X作為M3個長時房顫特征向量X，元組(長時房顫特征向量X， t3)的集合構成第一訓練樣本集，其中有房顫發生的片段t3=1，無房顫發生的片段t3=0，隨機初始化輸入層、隱藏層、輸出層的權重值；將M1個房顫特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M1個輸出層的值y1；將M2個正常特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M2個輸出層的值y2；將M3個長時房顫特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M3個輸出層的值y3；根據第一訓練樣本集及其神經網絡輸出值計算M1個平方誤差之和E1=（ t11-y11）2+（ t12-y12）2+……+（t1M1-y1M1）2，根據第二訓練樣本集及其神經網絡輸出值計算M2個平方誤差之和E2=（t2-y21）2+（t2-y22）2+……+（t2-y2M2）2，根據第三訓練樣本集及其神經網絡輸出值計算M3個平方誤差之和E3=（t31-y31）2+（t32-y32）2+……+（t3M3-y3M3）2，其中t1、t2、t3為預期的正確輸出，y 1、y 2、y 3為實際輸出；平方誤差為（預期的正確輸出-實際輸出）2。根據輸出層的神經網絡函數f(X)獲得M1個輸出層的值y1，其中神經網絡函數f(X)根據實際情況設定，本領域人員可以自行獲取相關信息設定。t1為取1或0的變量，當y1值趨向1時，t1取1，y1值趨向1表示有房顫發生，當y1值趨向0時，y1值趨向0表示無房顫本文檔來自技高網...

【技術保護點】
一種微型動態心電監測設備上房顫自動識別的實現方法，其特征在于，包括以下步驟：構建多層人工神經網絡：采用一個輸入層、至少一個隱藏層和一個輸出層搭建一個多層人工神經網絡；多層人工神經網絡訓練：采用MIT?BIH心律失常數據庫作為第一訓練數據樣本，獲得第一訓練數據樣本的QRS波，第一訓練數據樣本的QRS波進行分析和處理，提取出第一訓練數據樣本的RR間期，將第一訓練數據樣本的RR間期分割為M1個N分鐘的片段，對M1個片段進行HRV特征分析，計算M1個片段的特征向量X作為M1個房顫特征向量X，元組(房顫特征向量X，?t1)的集合構成第一訓練樣本集，其中有房顫發生的片段t1=1，無房顫發生的片段t1=0，采用MIT?BIH正常竇性心律數據庫作為第二訓練數據樣本，第二訓練數據樣本的QRS波，第二訓練數據樣本的QRS波進行分析和處理，提取出第二訓練數據樣本的RR間期，將第二訓練數據樣本的RR間期分割為M2個N分鐘的片段，對M2個片段進行HRV特征分析，計算M2個片段的特征向量X作為M2個正常特征向量X，元組(正常特征向量X，?t2)的集合構成第二訓練樣本集，其中t2=0，采用長時房顫數據庫作為第三訓練數據樣本，獲得第三訓練數據樣本的QRS波，第三訓練數據樣本的QRS波進行分析和處理，提取出第三訓練數據樣本的RR間期，將第三訓練數據樣本的RR間期分割為M3個N分鐘的片段，對M3個片段進行HRV特征分析，計算M3個片段的特征向量X作為M3個長時房顫特征向量X，元組(長時房顫特征向量X，?t3)的集合構成第一訓練樣本集，其中有房顫發生的片段t3=1，無房顫發生的片段t3=0，隨機初始化輸入層、隱藏層、輸出層的權重值；將M1個房顫特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M1個輸出層的值y1；將M2個正常特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M2個輸出層的值y2；將M3個長時房顫特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M3個輸出層的值y3；根據第一訓練樣本集及其神經網絡輸出值計算M1個平方誤差之和E1=（?t11?y11）2+（?t12?y12）2+……+（t1M1?y1M1）2，根據第二訓練樣本集及其神經網絡輸出值計算M2個平方誤差之和E2=（t2?y21）2+（t2?y22）2+……+（t2?y2M2）2，根據第三訓練樣本集及其神經網絡輸出值計算M3個平方誤差之和E3=（t31?y31）2+（t32?y32）2+……+（t3M3?y3M3）2，其中t1、t2、t3為預期的正確輸出，y?1、y?2、y?3為實際輸出；反復迭代修正輸入層、隱藏層、輸出層的權重值，直到誤差E1、E2、E3之和達到極小值，記錄此時輸入層、隱藏層、輸出層的權重值，取得最終的權重值矩陣；根據訓練獲得的權重值矩陣重新構建多層人工神經網絡，獲得新多層人工神經網絡，采用導聯采集目標人體心電信號，獲得目標人體的QRS波，對目標人體的QRS波實時的分析和處理，提取出RR間期，將RR間期分割為N分鐘的片段，對片段進行HRV特征分析，計算片段的特征向量X作為目標人體特征向量X；將目標人體特征向量X作為新多層人工神經網絡的輸入層的輸入向量，獲得神經網絡的輸出值F，F是在0和1之間的實數，當F值高時，則判定該片段內有房顫發生，否則判定沒有房顫發生。...

【技術特征摘要】
1.一種微型動態心電監測設備上房顫自動識別的實現方法，其特征在于，包括以下步驟：構建多層人工神經網絡：采用一個輸入層、至少一個隱藏層和一個輸出層搭建一個多層人工神經網絡；多層人工神經網絡訓練：采用MIT-BIH心律失常數據庫作為第一訓練數據樣本，獲得第一訓練數據樣本的QRS波，第一訓練數據樣本的QRS波進行分析和處理，提取出第一訓練數據樣本的RR間期，將第一訓練數據樣本的RR間期分割為M1個N分鐘的片段，對M1個片段進行HRV特征分析，計算M1個片段的特征向量X作為M1個房顫特征向量X，元組(房顫特征向量X， t1)的集合構成第一訓練樣本集，其中有房顫發生的片段t1=1，無房顫發生的片段t1=0，采用MIT-BIH正常竇性心律數據庫作為第二訓練數據樣本，第二訓練數據樣本的QRS波，第二訓練數據樣本的QRS波進行分析和處理，提取出第二訓練數據樣本的RR間期，將第二訓練數據樣本的RR間期分割為M2個N分鐘的片段，對M2個片段進行HRV特征分析，計算M2個片段的特征向量X作為M2個正常特征向量X，元組(正常特征向量X， t2)的集合構成第二訓練樣本集，其中t2=0，采用長時房顫數據庫作為第三訓練數據樣本，獲得第三訓練數據樣本的QRS波，第三訓練數據樣本的QRS波進行分析和處理，提取出第三訓練數據樣本的RR間期，將第三訓練數據樣本的RR間期分割為M3個N分鐘的片段，對M3個片段進行HRV特征分析，計算M3個片段的特征向量X作為M3個長時房顫特征向量X，元組(長時房顫特征向量X， t3)的集合構成第一訓練樣本集，其中有房顫發生的片段t3=1，無房顫發生的片段t3=0，隨機初始化輸入層、隱藏層、輸出層的權重值；將M1個房顫特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M1個輸出層的值y1；將M2個正常特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M2個輸出層的值y2；將M3個長時房顫特征向量X作為輸入層的輸入向量，根據輸出層的神經網絡函數f(X)獲得M3個輸出層的值y3；根據第一訓練樣本集及其神經網絡輸出值計算M1個平方誤差之和E1=（ t11-y11）2+（ t12-y12）2+……+（t1M1-y1M1）2，根據第二訓練樣本集及其神經網絡輸出值計算M2個平方誤差之和E2=（t2-y21）2+（t2-y22）2+……+（t2-y2M2）2，根據第三訓練樣本集及其神經網絡輸出值計算M3個平方誤差之和E3=...

【專利技術屬性】
技術研發人員：勾壯，劉毅，
申請(專利權)人：成都信匯聚源科技有限公司，
類型：發明
國別省市：四川;51