一种基于BCG的心律失常识别方法及装置

摘要

本发明公开了一种基于BCG的心律失常识别方法及装置，该识别装置包括BCG采集传感器，BCG采集传感器的左侧上端集成有硬件模块，通过硬件模块上开设的连接口连接电源适配器，且该硬件模块由4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块构成；本发明所述的基于BCG的心律失常识别方法及装置，将人工智能领域的深度学习算法结合非接触式的BCG信号采集，能够大幅度降低基于心电信号的心律失常事件监测的难度与复杂度，利用传统心电中心率散点图的计算方法，提高基于BCG的心率散点图分类的正确性，同时利用深度学习算法的超强学习能力、特征自动提取、特征分布关系自动分析等优势能力来弥补BCG信号已知特征相对ECG信号较少、特征提取难等问题。

说明书

技术领域

本发明涉及BCG的心律失常识别领域，具体为一种基于BCG的心律失常识别方法及装置。

背景技术

针对诸如局部缺血和心律失常等心脏事件的心电图(ECG)监测对于检测患者的健康状态而言是重要的。临床上关注的心律失常事件包括，心房纤颤或颤动(房颤)的发作与结束、心室性心动过速(室性心动过速)、心搏停止，等等。

然而，ECG技术的应用往往需要人体接触，在维持稳定、有效的心电信号采集的过程中相对更加繁琐与昂贵。一方面，在临床使用过程中为医生护士带来更多工作，且很难在家庭场景中实现便捷、高精度的心电信号采集；另一方面，心律失常事件的发生一般难以捕捉，往往需要连续稳定的信号采集才能够发现更多潜在健康风险；

为此，提出一种基于BCG的心律失常识别方法及装置。

发明内容

针对现有技术的不足，本发明提供了一种基于BCG的心律失常识别方法及装置，该识别装置包括BCG采集传感器，所述BCG采集传感器的左侧上端集成有硬件模块，通过硬件模块上开设的连接口连接电源适配器，且该硬件模块由4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块构成。

基于BCG的心律失常识别方法，该识别方法包括以下步骤：

S1：采用BCG采集传感器与硬件模块，进行振动信号的采集与滤波，并将滤波后的BCG信号传输至云平台；

S2：采集整晚共8小时的传感器信号，并通过滤波去噪，处理获取BCG数据；

S3：从BCG信号中提取JJ间隔(毫秒级)；

S4：根据连续BCG信号各个时间段的JJ间隔绘制心率散点图；

S5：根据心率散点图中所表现出的分类特征，建立心率散点图形态的打分模型，通过图形的长短轴长度、图形宽度、图形面积、离散程度等指标为输入，对图像结果进行算法一卷积神经网络分类器训练，识别对应图4中的分布形态的概率。

S6：当识别图像非A图一分布棒球拍形时，应用算法二计算三分布、四分布、五分布图形中B线、C线、D线的识别和斜率计算，识别对应的具体心律失常事件，输出对应心律失常事件的风险值估算。

优选的，所述去噪处理包括以下步骤：

步骤一、采用高通滤波器去除基线漂移噪音；

步骤二、基于PQ段信号的标准方差和阈值法确认噪音是否过高；

步骤三、噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。

优选的，从BCG信号中提取JJ间隔方法包括以下步骤：

步骤一、首先找到每个周期中J波的位置；

步骤二、接着计算两个相邻J波之间的点数，根据点数和采样频率计算得到每个J波的间隔时间。

优选的，所述4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块均集成于硬件模块的内部，且4G/WIFI通信模块安装于本地存储模块的左侧，激光器连接模块安装于本地存储模块的下方，光纤信号处理模块安装于激光器连接模块的左侧。

与现有技术对比，本发明具备以下有益效果：本发明基于BCG的心律失常识别方法及装置，将人工智能领域的深度学习算法结合非接触式的BCG信号采集，能够大幅度降低基于心电信号的心律失常事件监测的难度与复杂度，利用传统心电中心率散点图的计算方法，提高基于BCG的心率散点图分类的正确性，同时利用深度学习算法的超强学习能力、特征自动提取、特征分布关系自动分析等优势能力来弥补BCG信号已知特征相对ECG信号较少、特征提取难等问题。

附图说明

图1为本发明基于BCG的心律失常识别方法及装置的BCG采集传感器的整体结构示意图；

图2为本发明硬件模块的整体结构示意图；

图3为本发明的心率散点图；

图4为本发明分布形态的概率图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-4，一种基于BCG的心律失常识别方法及装置，该识别装置包括BCG采集传感器，所述BCG采集传感器的左侧上端集成有硬件模块，通过硬件模块上开设的连接口连接电源适配器，且该硬件模块由4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块构成。

基于BCG的心律失常识别方法，该识别方法包括以下步骤：

S1：采用BCG采集传感器与硬件模块，进行振动信号的采集与滤波，并将滤波后的BCG信号传输至云平台；

S2：采集整晚共8小时的传感器信号，并通过滤波去噪，处理获取BCG数据；

S3：从BCG信号中提取JJ间隔(毫秒级)；

S4：根据连续BCG信号各个时间段的JJ间隔绘制心率散点图；

S5：根据心率散点图中所表现出的分类特征，建立心率散点图形态的打分模型，通过图形的长短轴长度、图形宽度、图形面积、离散程度等指标为输入，对图像结果进行算法一卷积神经网络分类器训练，识别对应图4中的分布形态的概率。

S6：当识别图像非A图一分布棒球拍形时，应用算法二计算三分布、四分布、五分布图形中B线、C线、D线的识别和斜率计算，识别对应的具体心律失常事件，输出对应心律失常事件的风险值估算。

优选的，所述去噪处理包括以下步骤：

步骤一、采用高通滤波器去除基线漂移噪音；

步骤二、基于PQ段信号的标准方差和阈值法确认噪音是否过高；

步骤三、噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。

从BCG信号中提取JJ间隔方法包括以下步骤：

步骤一、首先找到每个周期中J波的位置；

步骤二、接着计算两个相邻J波之间的点数，根据点数和采样频率计算得到每个J波的间隔时间。

所述4G/WIFI通信模块、本地存储模块、光纤信号处理模块与激光器连接模块均集成于硬件模块的内部，且4G/WIFI通信模块安装于本地存储模块的左侧，激光器连接模块安装于本地存储模块的下方，光纤信号处理模块安装于激光器连接模块的左侧。

需要说明的是，本发明提出了通过对BCG(ballistocardiogram)信号的连续监测与识别来检测心律失常事件。检测到的事件能够用于未用户提供预警和提醒。

采用图1所示的BCG采集传感器，从BCG采集传感器接收和提取BCG信号及其特征，该传感器可以是压电传感器、也可以是光纤传感器。

如果是光纤传感器，采用图2所示的电路模块，进行振动信号的采集与滤波，并将滤波后的BCG信号传输至云平台。

根据上述BCG信号，进行以下几个步骤的分析：

步骤一：采集整晚共8小时的传感器信号，并通过滤波去噪，处理获取BCG数据。去噪处理包括：1.采用高通滤波器去除基线漂移噪音；2.基于PQ段信号的标准方差和阈值法确认噪音是否过高；3.噪音过高时使用低通巴特沃斯滤波器去除噪音干扰。

步骤二：从BCG信号中提取JJ间隔(毫秒级)。具体提取方法：首先找到每个周期中J波的位置，接着计算两个相邻J波之间的点数，根据点数和采样频率计算得到每个J波的间隔时间。

步骤三：根据连续BCG信号各个时间段的JJ间隔绘制心率散点图。如图3所示。

步骤四：根据心率散点图中所表现出的分类特征，建立心率散点图形态的打分模型，通过图形的长短轴长度、图形宽度、图形面积、离散程度等指标为输入，对图像结果进行算法一卷积神经网络分类器训练，识别对应图4中的分布形态的概率；

其中图4中A为窦性心律图形(一分布棒球拍形)、B为室上性早搏(三分布)、C—F是室性早搏(分别为三分布、四分布和五分布图形)G是室上性早搏伴差异性传导(四分布)H与I是心房颤动伴室性早搏(扇形的复合图形)；

步骤五：当识别图像非A图一分布棒球拍形时，应用算法二计算三分布、四分布、五分布图形中B线、C线、D线的识别和斜率计算，识别对应的具体心律失常事件。输出对应心律失常事件的风险值估算。

本发明基于BCG的心律失常识别方法及装置，将人工智能领域的深度学习算法结合非接触式的BCG信号采集，能够大幅度降低基于心电信号的心律失常事件监测的难度与复杂度，利用传统心电中心率散点图的计算方法，提高基于BCG的心率散点图分类的正确性，同时利用深度学习算法的超强学习能力、特征自动提取、特征分布关系自动分析等优势能力来弥补BCG信号已知特征相对ECG信号较少、特征提取难等问题。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。