一种三导联重构十二导联心电信号的方法

摘要

本发明公开了一种三导联重构十二导联心电信号的方法，该方法利用人工神经网络学习算法以Levenberg‑Marquardt的优化方式将重构模型准确的建立，通过对系统模型的还原，实现了利用三导联的监测数据，准确地重构出十二导联数据。本发明与现有十二导联重构方法有显著不同，现有十二导联重构方法是用标准十二导联中的一部分导联来重构其余的导联；而本发明方法是用完全与标准十二导联无关的Holter三导联信号来重构标准十二导联信号，故本发明有效地融合了十二导联和三导联的优势，使患者及医生更容易接受，并能准确诊断。

说明书

技术领域

本发明属于医疗器械技术领域，具体涉及一种三导联重构十二导联心电信号的方法。

背景技术

据国家心血管病中心发布的《中国心血管病报告2012》数据显示，中国心血管病现患人数已高达2.9亿，即每10个成年人中就有2人患心血管病，每年约350万人死于心血管病，相当于每10秒就有1人死于心血管病。而另一个由国家心血管病中心联合阜外心血管病医院组织实施的临床研究显示，在中国，心血管病患者的住院人数在2001年至2010年的十年间增加了四倍多。2001年因心脏病住院的平均每十万人中有3.7人，到2010年就飙升至15.8人。

所以要降低心脏病患者的发病率及死亡率，对患者的日常心电监护就显得异常重要了。目前动态心电监护已经成为医疗临床上诊断、监测心脏疾病的常用方法，尤其是对心律失常、隐匿性冠心病和突发心脏事件的诊断和预报具有重要意义。近年来，国内外已研制出了多种基于Holter系统的便携式远程心电监护设备，远程心电监护技术已经获得了长足发展，使得动态心电监护的应用得到了普及和延伸。

目前用的较多的导联系统是十二导联系统(如Mason-Likar)及三导联系统，三导联系统仅适用于心律失常的监测；相比三导联，使用十二导联心动图检出心率失常和冠心病ST段异常，临床效果更显著，所以更多医院使用的心电图仪或者动态心电仪大多是十二导联的心电信号。十二导联系统具有I、II、III、V1、V2、V3、V4、V5、V6、AVF、AVR和AVL共十二个通道的电极信号；其中标准I、II、III导联是间接的双极导联，I导联是右手负极RA(-)至左手正极LA(+)，II导联是RA(-)至左脚正极LF(+)，III导联是左手负极LA(-)至LF(+)；V1～V6单极胸导联是半直接的单极导联；AVF、AVR、AVL单极加压肢体导联是间接的单极导联，AVR导联是右手正极RA(+)至LA(-)&左脚负极LF(-)，AVL导联是LA(+)至RA(-)&LF(-)，AVF导联是LF(+)至RA(-)&LA(-)。然而让患者自行在家佩戴十二导联的心电仪，自然缺乏便捷性及准确性，由于导联线过多，对日常的生活也会造成一定的影响，这种情况对病人的病情控制是不利的。

发明内容

针对上述问题，本发明提供了一种三导联重构十二导联心电信号的方法，能够用三导联的监测数据，准确的重构出十二导联数据。

一种三导联重构十二导联心电信号的方法，包括如下步骤：

(1)在正确使用三导联心电采集设备和十二导联心电采集设备的情况下，同步采集m组三导联心电信号及对应的m组十二导联心电信号，m为大于1的自然数；

(2)从所述的十二导联心电信号中提取出关于I、II、V1、V2、V3、V4、V5和V6八个通道的心电信号组成作为一组心电监督数据，遍历得到m组心电监督数据；进而对所述的三导联心电信号和心电监督数据进行预处理；

(3)根据预处理后的三导联心电信号和心电监督数据通过人工神经网络学习算法进行训练，得到关于十二导联心电信号的重构模型；

(4)将用户日常检测得到的三导联心电信号输入所述的重构模型，从而输出得到同步对应的关于I、II、V1、V2、V3、V4、V5和V6八个通道的心电信号，进而根据其中I和II两个通道的心电信号计算出其余III、AVF、AVR和AVL四个通道的心电信号，最终得到用户关于I、II、III、V1、V2、V3、V4、V5、V6、AVF、AVR和AVL十二通道的十二导联心电信号。

优选地，所述的人工神经网络学习算法以Levenberg-Marquardt算法作为优化方向。该方法比高斯-牛顿法以及梯度下降法更可靠，也可以被认为是基于信任区域的高斯-牛顿法，其可以用来解决非线性最小二乘问题。

所述的步骤(3)中通过人工神经网络学习算法进行训练的具体过程如下：

3.1将m组预处理后的三导联心电信号分为训练集和测试集且训练集大于测试集；

3.2初始化构建一个由输入层、隐藏层和输出层组成的神经网络；

3.3从训练集中任取一组三导联心电信号输入上述神经网络计算得到对应包含I、II、V1、V2、V3、V4、V5和V6八个通道的心电输出数据，计算该心电输出数据与该三导联心电信号所对应的心电监督数据之间的累积误差；

3.4根据该累积误差通过Levenberg-Marquardt算法对神经网络中输入层与隐藏层之间以及隐藏层与输出层之间神经元函数中的系数进行修正，进而从训练集中任取下一组三导联心电信号代入修正后的神经网络；

3.5根据步骤3.3和步骤3.4遍历训练集中的所有三导联心电信号，取累积误差最小时所对应的神经网络为重构模型。

所述累积误差的计算采用均方误差函数。

所述步骤3.2中初始化构建的神经网络中输入层由3个神经元组成，隐藏层由10个神经元组成，输出层由8个神经元组成。

所述步骤3.2中初始化构建的神经网络中输入层与隐藏层之间以及隐藏层与输出层之间的神经元函数表达如下：

$\left(\begin{array}{cc}{a}_i=g(\underset{j=1}{\overset{3}{\Sigma }}{w}_{ij}^h{x}_j+b_i^h)& e_k=\underset{i=1}{\overset{10}{\Sigma }}{w}_{ik}^o{a}_i+b_k^o\end{array}\right)$

其中：a_i为隐藏层第i个神经元的输出，e_k为输出层第k个神经元的输出，x_j为输入层第j个神经元的输出，为输入层第j个神经元与隐藏层第i个神经元之间的权重系数，为隐藏层第i个神经元的截距系数，为输出层第k个神经元与隐藏层第i个神经元之间的权重系数，为输出层第k个神经元的截距系数，g()为tansig函数，i、j和k均为自然数且1≤i≤10，1≤j≤3，1≤k≤8。

所述的步骤(3)中对于训练得到的重构模型，将测试集中的三导联心电信号逐个代入该重构模型得到对应包含I、II、V1、V2、V3、V4、V5和V6八个通道的心电输出数据，使测试集中每一组三导联心电信号所对应的心电输出数据与心电监督数据进行比较，若测试集的正确率大于等于阈值的话，则该重构模型最终确定；若测试集的正确率小于阈值的话，则通过采集更多的三导联心电信号和十二导联心电信号根据步骤(1)～(2)增加神经网络的训练输入。

所述的步骤(4)中通过以下公式计算III、AVF、AVR和AVL四个通道的心电信号：

$\left(\begin{array}{c}V\left(III\right)=V\left(II\right)-V\left(I\right)\\ V\left(AVR\right)=\frac{V\left(II\right)-V\left(I\right)}{2}\\ V\left(AVL\right)=\frac{V\left(I\right)-V\left(III\right)}{2}\\ V\left(AVF\right)=\frac{V\left(III\right)-V\left(II\right)}{2}\end{array}\right)$

其中：V(I)、V(II)、V(III)、V(AVF)、V(AVR)和V(AVL)分别对应为I通道、II通道、III通道、AVF通道、AVR通道和AVL通道的心电信号。

本发明利用人工神经网络学习算法以Levenberg-Marquardt的优化方式将重构模型准确的建立，通过对系统模型的还原，实现了利用三导联的监测数据，准确地重构出十二导联数据。

本发明与现有十二导联重构方法有显著不同，现有十二导联重构方法是用标准十二导联中的一部分导联来重构其余的导联；而本发明方法是用完全与标准十二导联无关的Holter三导联信号来重构标准十二导联信号，故本发明有效地融合了十二导联和三导联的优势，使患者及医生更容易接受，并能准确诊断。

附图说明

图1为本发明方法的步骤流程示意图。

图2为本发明方法中的人工神经网络模型示意图。

图3(a)～图3(c)对应为三个通道的心电信号波形示意图。

图4(a)～图4(l)对应为本发明重构得到十二个通道的心电信号波形示意图。

具体实施方式

为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

如图1所示，本发明三导联重构十二导联心电信号的方法，包括如下步骤：

(1)简化输出通道和数据库建立。

在正确使用三导联心电信号采集设备和十二导联采集设备的情况下，同步的采集m组三通道的三导联心电信号和m组十二通道的十二导联心电信号，m为大于1的自然数；以m组的三导联心电信号作为特征序列，以m组十二导联中8个独立导联的心电信号(即I、II、V1、V2、V3、V4、V5和V6导联)作为实际输出结果。

通过对心电数据进行预处理，构建得到m组心电训练信号组成样本数据库，样本数据库被随机地划分为训练集和测试集。

(2)神经网络训练。

2.1根据人工神经网络学习算法建立神经网络模型：神经网络模型有输入层、隐藏层和输出层三层，输入层的输入输出为三通道的相关系数，隐藏层与输出层之间通过公式(1)进行连接，输入层与隐藏层的神经元传递函数为公式(2)，输出层的输出为输出的8个独立通道，所以由8个神经元构成，隐藏层由10个神经元构成，同时将各层间的权值系数初始化；图2为建立的人工神经网络模型。

$e_i={\Sigma }_{j=1}^{10}{w}_{ij}^o{a}_j+b_i^o---\left(1\right)$

$a_i=g({\Sigma }_{j=1}^3{w}_{ij}^h{x}_j+b_i^h)---\left(2\right)$

其中：g(z)为tansig函数。

2.2将心电训练样本的训练集中的一组样本输入到当前权值系数下的神经网络，依次计算输入层、隐藏层和输出层的各节点的输出。

2.3根据公式(3)计算所有心电训练样本的输出层输出与心电训练样本的期望结果之间的累积误差E_train，根据Levenberg-Marquardt算法，以公式(4)修正隐藏层与输出层各节点间的权值系数，以公式(5)修正输入层与隐藏层各节点间的权值系数。

$E_{train}=\frac{1}{2}{\Sigma }_{i=1}^m{\Sigma }_{k=1}^p{({\hat{o}}_k-o_k)}^2---\left(3\right)$

其中：E为累积误差，为单次训练样本经过神经网络的输出层的第k个输出，o_k为单次训练样本的第k个期望结果，m为训练集样本总数，p为输出层输出总数。

$w_{ho}(t+1)=w_{ho}\left(t\right)+\alpha (\hat{o}-o)\hat{o}(1-\hat{o})x_h---\left(4\right)$

其中：w_ho(t)为第t次样本输入到神经网络时隐藏层与输出层之间的权值系数，为单次训练样本经过神经网络的输出层的输出，o为单次训练样本的期望结果，x_h为隐藏层的输出，α为学习速率。

$w_{ih}(t+1)=w_{ih}\left(t\right)+{\mathrm{\alpha \Sigma }}_{j=1}^n\left(\right(\hat{o}-o\left)\hat{o}\right(1-\hat{o}\left)w_{ih}\right(t\left)\right)x_i---\left(5\right)$

其中：w_ih(t)为第t次样本输入到神经网络时输入层与隐藏层之间的权值系数，为单次训练样本经过神经网络的输出层的输出，o为单次训练样本的期望结果，x_i为输入层的输出。

2.4以步骤2.2和步骤2.3遍历所有心电训练样本的训练集，则取到E_train最小时的权值系数组，并以测试集神经网络进行测试，若测试的正确率高于阈值则训练完成；若否，增加心电训练样本，并重复步骤2.2～2.4。

本实施方式中，学习速率α＝0.05。

(3)还原系统模型，由8导联到12导联的转换。

根据用户日常检测得到的三通道心电信号段利用该重构模型对标准十二导联中的各独立导联进行计算，从而得到同步的八个独立导联的心电信号。通过八个独立导联的心电信号，采用如下导联转换公式计算III、AVR、AVL、AVF四个导联的心电信号。

$\left(\begin{array}{c}III=II-I\\ AVR=(II-I)/2\\ AVL=(I-III)/2\\ AVF=(III-II)/2\end{array}\right)$

图3所示了采集到的三导联动态心电图。经过数据搜集、数据分组、神经网络训练出8导的数据后计算出12导的数据，得出标准12导联心电图，如图4所示；把该运算出的心电图与实际采集的心电图进行对比，图4中实线表示使用标准的12导联动态心电仪的采集数据，而虚线为3导联重建出的12导联数据。原始十二导联曲线与重构十二导联曲线极其吻合，该算法实验效果明显。

上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。