基于递归复杂网络和卷积神经网络的房颤检测方法

摘要

本发明公开了基于递归复杂网络和卷积神经网络的房颤检测方法，包括：对心电信号进行降噪处理；采用模板匹配法消除心电信号中的QRS波群；通过递归复杂网络分析消除QRS波群后的心电信号以获取底层特征，具体包括通过时间延迟法对心电信号进行相空间重构、确定嵌入维度d、基于相空间里的任意两个向量点之间距离构造出递归矩阵R；将所述底层特征输入至卷积神经网络，进而判断是否为房颤。本方法与RR间期无关，使房颤检测不与其他心律失常疾病相混淆；可以很好的提取心房活动信号特征。递归复杂网络可以提取鲁棒的底层特征；使用卷积神经网络自动获取高层特征，完全利用了递归矩阵中所蕴含的房颤特征，检测结果正确率高。

说明书

技术领域

本发明涉及智慧医疗与健康技术领域，具体涉及基于递归复杂网络和卷积神经网络的房颤检测方法。

背景技术

心房颤动是一种常见的心律失常，不易被发现，房颤本身并不具备太多危害，但确是诸多高危疾病的诱因，随之而来的冠心病、心肌梗死等并发症，严重危害着人类的生命安全，因此及时发现与预防房颤具有十分重要的临床和社会意义。由于产生房颤时，心电图信号主要表现为P波消失，取而代之的是一系列大小不一、方向不同和形态各异的心房紊乱激动波(f波)信号，因此，基于p波和f波的幅值、频谱信息首先被广泛应用于房颤的诊断中。YuChen等开发了一种基于多尺度小波熵的阵发性房颤识别方法，通过SVM实现了对阵发性房颤信号的识别和预测。另外，RR间期的不规则性也是房颤发生时的重要心电图特征，因此，学者们逐渐利用RR间期进行房颤诊断。现有统计模型、预测模型、复杂度估计、熵估计等方法经常用于分析AF信号的RR间期特征。尽管上述诊断方式相比传统的人工检测方法在效率上有着很大提高。但仍然依赖于人工特征提取与特征分类，需要相应的专家知识。

综上所述，房颤在心电图上的表现主要在两个方面：RR间期不规则和P波消失。虽然RR间期这一特征容易获得且处理算法较成熟，但其他类型的一些心率失常疾病也易出现RR间期不规则这一特征，因此易与其他疾病混淆。与RR间期无关的房颤检测算法中，心电信号的特征提取是核心部分。心电信号具有复杂多变、不同个体形态差异大、易受噪声影响等缺陷，目前的房颤检测算法，例如依靠单一深度卷积网络不能很好地提取心电信号特征。

发明内容

本发明的目的在于，提供一种与RR间期无关的基于递归复杂网络和卷积神经网络的房颤检测方法，其能够自动从数据的底层特征中提取具有判别性的高层心电信号特征。

为实现上述目的，本申请提出基于递归复杂网络和卷积神经网络的房颤检测方法，包括：

对心电信号进行降噪处理；

采用模板匹配法消除心电信号中的QRS波群；

通过递归复杂网络分析消除QRS波群后的心电信号以获取底层特征，具体包括通过时间延迟法对心电信号进行相空间重构、确定嵌入维度d、基于相空间里的任意两个向量点之间距离构造出递归矩阵R；

将所述底层特征输入至卷积神经网络，进而判断是否为房颤。

进一步的，对心电信号进行降噪处理，具体为：采用七阶、截止频率为0.5HZ到49HZ的巴特沃斯滤波器来滤除基线漂移等噪声。

进一步的，采用模板匹配法消除心电信号中的QRS波群，具体为：先预定义一组QRS波群模板，将所述波群模板与心电信号进行卷积，再寻找卷积结果的第一个局部最大值，将第一个局部最大值作为最佳去除模板，进行心电信号的QRS波群去除；剩余的每一个分离数据段为心房活动信号AA，然后使用傅里叶插值函数将每个单心拍心房活动信号插值为统一的128个字节。

进一步的，通过时间延迟法对心电信号进行相空间重构，具体为：获取一个心电信号序列x(t)＝{x(t1),x(t2),……x(tN)},则相空间中的向量点表示为：

其中，N为心电信号的长度，t为延长时间，d为嵌入维度，

上述矩阵中的每个列向量均代表重构后相空间中的一个点：

X(ti)＝x(ti),x(ti+t),…x(ti+(d-1)t),i＝1,2…,N-(d-1)t

进一步的，所述延长时间t的获取方式为：定义心电信号的两个向量是S和Q,[si,qj]＝[X(ti),X(tj+t)],si＝X(ti)是S的一个具体向量，qj＝X(tj+t)是Q的一个具体向量，从S的一个特定值得到平均信息量定义为熵，记为G(S,Q)，如下式：

其中P

S和Q之间的互信息定义为I(S,Q)：

I(S,Q)＝-∑

其中，P

进一步的，确定嵌入维度d的方式为：

对于心电信号X(t)＝{x(t1),x(t2),……x(tN)}，当嵌入维度是d时，所重构的向量表示为X

其中，||.||表示欧氏距离；

所述参数维度d用以下公式获取：

当E1值接近于1，且随着嵌入维度的增加E1值变化量不大于0.05时，此时的E1值为嵌入维度。

进一步的，基于相空间里的任意两个向量点之间距离构造出递归矩阵R，具体为：递归矩阵的长度用L表示，L＝N-(d-1)t，向量点之间的距离是欧氏距离，用如下公式获取：

R(i,j)＝||X(ti)-X(tj)||,i,j＝1,2,…L

得到递归矩阵后，获取递归矩阵的特征值作为底层特征。

更进一步的，将所述底层特征输入至卷积神经网络，进而判断是否为房颤，具体为：

先获取心电网站的数据集，并将其分为训练集和测试集；所述数据集中的正常数据标记为(1,0)，房颤数据标记为(0,1)；通过所述训练集对卷积神经网络进行训练；

将底层特征输入至训练后的卷积神经网络中，经过卷积层和池化层的交替操作输出一个数值a，该数值a作为判断是否为房颤的依据。

更进一步的，所述卷积神经网络的输出层采用sigmoid函数来判断是否为房颤，其函数表达式为：

其中，g(a)值在0-1之间，只有为1时才被确认为房颤。

本发明采用的以上技术方案，与现有技术相比，具有的优点是：本方法与RR间期无关，使房颤检测不与其他心律失常疾病相混淆；可以很好的提取心房活动信号特征，解决了心电信号复杂多变，形态差异大，易受噪声影响的问题；递归复杂网络可以提取鲁棒的底层特征；使用卷积神经网络自动获取高层特征，完全利用了递归矩阵中所蕴含的房颤特征，检测结果正确率高。

附图说明

图1为基于递归复杂网络和卷积神经网络的房颤检测方法流程图；

图2为去除QRS波群后的心电示意图；

图3为延时时间t确定示意图；

图4为嵌入维度d确定示意图；

图5为房颤信号RCN特征示意图；

图6为基于递归复杂网络和卷积神经网络的房颤检测方法模型图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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用以解释本申请，并不用于限定本申请，即所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

实施例1

本实施例提出一种与RR间期无关的基于递归复杂网络和卷积神经网络的房颤检测方法，可以很好的提取心电信号特征，具体步骤如下：

步骤1：对心电信号进行降噪处理；

具体的，由于QRS波幅值较大，易对P波造成干扰，因此采用七阶、截止频率为0.5HZ到49HZ的巴特沃斯滤波器来滤除基线漂移等噪声。

步骤2：采用模板匹配法消除心电信号中的QRS波群；

具体的，先预定义一组QRS波群模板，将所述波群模板与心电信号进行卷积，再寻找卷积结果的第一个局部最大值，将第一个局部最大值作为最佳去除模板，进行心电信号的QRS波群去除；剩余的每一个分离数据段为心房活动信号AA，然后使用傅里叶插值函数将每个单心拍心房活动信号插值为统一的128个字节。

步骤3：通过递归复杂网络分析消除QRS波群后的心电信号以获取底层特征，具体实现方式为：

步骤31、通过时间延迟法对心电信号进行相空间重构：选取时间延迟法先对其进行相空间重构，获取一个心电信号序列x(t)＝{x(t1),x(t2),……x(tN)},则相空间中的向量点表示为：

其中，N为心电信号的长度(即心电信号预处理后的数据长度128)，t为延长时间，d为嵌入维度；

上述矩阵中的每个列向量均代表重构后相空间中的一个点：

X(ti)＝x(ti),x(ti+t),…x(ti+(d-1)t),i＝1,2…,N-(d-1)t

确定延长时间t的方法是基于相空间坐标之间的互信息；定义心电信号的两个向量是S和Q,[si,qj]＝[X(ti),X(tj+t)],si＝X(ti)是S的一个具体向量，qj＝X(tj+t)是Q的一个具体向量，从S的一个特定值得到平均信息量定义为熵，记为G(S,Q)，如下式：

其中P

S和Q之间的互信息定义为I(S,Q)：

I(S,Q)＝-∑

其中，P

步骤32、确定嵌入维度d：对于心电信号X(t)＝{x(t1),x(t2),……x(tN)}，当嵌入维度是d时，所重构的向量表示为X

其中，||.||表示欧氏距离；

所述参数维度d用以下公式获取：

当E1值接近于1，且随着嵌入维度的增加E1值变化量不大于0.05时，此时的E1值为嵌入维度。

步骤33、基于相空间里的任意两个向量点之间距离构造出递归矩阵R：递归矩阵的长度用L表示，L＝N-(d-1)t，向量点之间的距离是欧氏距离，用如下公式获取：

R(i,j)＝||X(ti)-X(tj)||,i,j＝1,2,…L

得到递归矩阵后，获取递归矩阵的特征值作为底层特征。

步骤4：将所述底层特征输入至卷积神经网络，进而判断是否为房颤，具体为：

步骤41、先获取心电网站的数据集，并将其分为训练集和测试集；所述数据集中的正常数据标记为(1,0)，房颤数据标记为(0,1)；通过所述训练集对卷积神经网络进行训练；

步骤42、将底层特征输入至训练后的卷积神经网络中，经过卷积层和池化层的交替操作输出一个数值a，该数值a作为判断是否为房颤的依据。

步骤43、所述卷积神经网络的输出层采用sigmoid函数来判断是否为房颤，其函数表达式为：

其中，g(a)值在0-1之间，只有为1时才被确认为房颤。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。