猝死风险预测模型的训练方法、猝死风险预测方法和装置

摘要

本发明实施例提供一种猝死风险预测模型的训练方法、猝死风险预测方法和装置，该方法包括：获取样本心电信号数据集中的用户静止状态下的样本心电信号数据；对样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据；根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。本发明实施例的方法通过对获取到的样本心电信号数据集中的用户静止状态下的样本心电信号数据进行加噪处理，使得训练后的心源性猝死风险预测模型可以基于日常生活场景下用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测。

说明书

技术领域

本发明涉及生物医学技术领域，尤其涉及一种猝死风险预测模型的训练方法、猝死风险预测方法和装置。

背景技术

心源性猝死指的是心律失常和血流动力学突变引起的突然和意外的死亡。从表现上看，心源性猝死的直接体现是诸如心动过速或心室颤动等恶性心律失常的发生。由于恶性心律失常常突发且高危，因此如何准确有效的对心源性猝死风险进行预测具有重要的意义。

相关技术中，通过采集和分析用户在静止状态的数据源进行心源性猝死风险的预测，预测过程中对于数据源的质量要求较高，即只有在采集的数据源的质量较高的情况下才能实现对心源性猝死风险的预测，而对于信噪比较低的数据源无法进行心源性猝死风险的准确预测。

发明内容

针对现有技术中的问题，本发明实施例提供一种猝死风险预测模型的训练方法、猝死风险预测方法和装置。

具体地，本发明实施例提供了以下技术方案：

第一方面，本发明实施例提供了一种猝死风险预测模型的训练方法，包括：

获取样本心电信号数据集中的用户静止状态下的样本心电信号数据；

对所述样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据；

根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

进一步地，所述样本心电信号数据包括：

心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数据。

进一步地，所述对所述样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据，包括：

对所述样本心电信号数据加入目标噪声，得到加噪后的样本心电信号数据；所述目标噪声包括：漂移噪声、肌肉伪影噪声和电极运动伪影噪声；所述加噪后的样本心电信号数据对应的心电信号质量低于第一阈值。

进一步地，所述根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型，包括：

对加噪后的样本心电信号数据进行预处理，得到预处理后的样本心电信号数据；所述预处理包括如下操作：重采样、带通滤波、去噪和分段；

对预处理后的样本心电信号数据进行特征提取，得到心电信号的目标特征向量；

根据心电信号的目标特征向量对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

进一步地，所述对预处理后的样本心电信号数据进行特征提取，得到心电信号的目标特征向量，包括：

提取如下心电信号特征：RR间期特征、高阶统计特征、QT间期特征、VLP特征和T波电交替特征；

根据提取的所述心电信号特征，生成样本心电信号数据对应的目标特征向量。

进一步地，所述根据心电信号的目标特征向量对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型，包括：

根据样本心电信号数据对应的目标特征向量和样本心电信号数据的标签，对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

第二方面，本发明实施例还提供了一种猝死风险预测方法，包括：

获取目标用户的目标心电信号数据，所述目标心电信号数据中包括噪声信号；

将所述目标心电信号数据输入心源性猝死风险预测模型中，得到心源性猝死风险的预测结果，所述心源性猝死风险预测模型为基于如第一方面所述的方法训练得到的。

第三方面，本发明实施例还提供了一种猝死风险预测模型的训练装置，包括：

获取模块，用于获取样本心电信号数据集中的用户静止状态下的样本心电信号数据；

处理模块，用于对所述样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据；

训练模块，用于根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

第四方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述猝死风险预测模型的训练方法的步骤或如第二方面所述的猝死风险预测方法。

第五方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述猝死风险预测模型的训练方法的步骤或如第二方面所述的猝死风险预测方法。

第五方面，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述猝死风险预测模型的训练方法的步骤或如第二方面所述的猝死风险预测方法。

本发明实施例提供的猝死风险预测模型的训练方法、猝死风险预测方法和装置，通过对获取到的样本心电信号数据集中的用户静止状态下的样本心电信号数据进行加噪处理，使得加噪后的样本心电信号数据更加接近真实场景中的用户数据，进而通过加噪后的样本心电信号数据进行心源性猝死风险预测模型的训练，使得训练后的心源性猝死风险预测模型性能更优，不仅可以基于ICU场景下质量较高的心电信号数据进行心源性猝死风险的预测，还可以基于日常生活场景下用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测，提升了心源性猝死风险预测模型的实用性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的猝死风险预测模型的训练方法的流程示意图；

图2是本发明实施例提供的猝死风险预测模型的训练方法的另一流程示意图；

图3是本发明实施例提供的猝死风险预测模型的训练装置的结构示意图；

图4是本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

本发明实施例的方法可以应用于生物医学场景中，实现对心源性猝死风险的准确预测。

相关技术中，通过采集和分析用户在静止状态的数据源进行心源性猝死风险的预测，预测过程中对于数据源的质量要求较高，即只有在采集的数据源的质量较高的情况下才能实现对心源性猝死风险的预测，而对于信噪比较低的数据源无法进行心源性猝死风险的准确预测。

本发明实施例的心源性猝死风险预测模型的训练方法，通过对获取到的样本心电信号数据集中的用户静止状态下的样本心电信号数据进行加噪处理，使得加噪后的样本心电信号数据更加接近真实场景中的用户数据，进而通过加噪后的样本心电信号数据进行心源性猝死风险预测模型的训练，使得训练后的心源性猝死风险预测模型性能更优，不仅可以基于ICU场景下质量较高的心电信号数据进行心源性猝死风险的预测，还可以基于日常生活场景下用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测，提升了心源性猝死风险预测模型的实用性。

下面结合图1-图4以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1是本发明实施例提供的猝死风险预测模型的训练方法一实施例的流程示意图。如图1所示，本实施例提供的方法，包括：

步骤101、获取样本心电信号数据集中的用户静止状态下的样本心电信号数据。

具体地，心源性猝死(sudden cardiac death，SCD)指的是心律失常和血流动力学突变引起的突然和意外的死亡。从表现上看，心源性猝死的直接体现是诸如室性心动过速或心室颤动等恶性心律失常的发生。由于恶性心律失常常突发且高危，一种无创的、能对患者长时间监测的辅助诊疗手段的研究十分关键。

随着穿戴设备和远程医疗服务的兴起和普及，心电图(electrocardiogram，ECG)信号的采集和心脏健康的监测有了更广阔的应用场景，SCD风险人群在日常生活中利用便携式的ECG设备进行健康监测变得越来越方便。因此，适应于穿戴环境下的轻量级心律失常识别和猝死预测算法的研究具有重要意义。

相关技术中，通过采集和分析ICU场景下用户在静止状态下的数据源进行心源性猝死风险的预测，预测过程中对于数据源的质量要求较高，即只有在采集的数据源的质量较高的情况下才能实现对心源性猝死风险的预测，而对于信噪比较低的数据无法进行准确地分析，也就是对于穿戴式监测设备采集的含噪信号无法进行准确的分析，进而也就无法基于穿戴设备采集的数据信号实现心源性猝死风险的准确预测。

本发明实施例为了实现基于穿戴式监测设备采集的含噪信号实现心源性猝死风险的准确预测，首先需要获取样本心电信号数据集中的用户静止状态下的样本心电信号数据，可选地，样本心电信号数据集包括：心源性猝死动态数据集(Sudden Cardiac DeathHolter Database)、MIT正常窦性心律数据集(MIT-BIH Normal Sinus Rhythm Database)和BIDMC充血性心率衰竭数据集(BIDMC Congestive Heart Failure Database)，进而根据获取到的样本心电信号数据集中的样本心电信号数据作为样本数据，对心源性猝死风险预测模型进行训练。另一方面，目前对于心源性猝死的预测大多基于心率变异性(Heart ratevariablity，HRV)开展研究，但HRV的提取过程需要长时间段的ECG信号才有较好的效果，在心源性猝死的紧急高危的特点下基于HRV的方法实时性不足，由于HRV的提取需要较长时间，且相关技术中基于心率变异性进行心源性猝死风险的预测，分析数据过于单一，而本发明直接对ECG信号处理，ECG信号中提供了更加丰富的信息，且无需等待长时间ECG片段输入，处理的ECG信号时长粒度更小，处理步骤更简便，输出实时性也更高，因而基于ECG信号进行心源性猝死风险的预测，相较于HRV的预测方式可以快速地获得更加准确的心源性猝死风险的预测结果。

步骤102、对样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据。

具体地，在获取到样本心电信号数据集中的用户静止状态下的样本心电信号数据后，本发明实施例通过对样本心电信号数据集中的样本心电信号数据进行加噪处理，使得加噪后的样本心电信号数据足够接近日常场景中的穿戴式监测设备采集的数据，也就使得加噪后的样本心电信号数据更加接近真实场景中的用户数据，进而通过加噪后的样本心电信号数据进行心源性猝死风险预测模型的训练，也就使得训练后的心源性猝死风险预测模型可以对穿戴式监测设备采集的含噪信号进行准确的分析，进而也就可以基于穿戴设备采集的数据信号实现心源性猝死风险的准确预测。

步骤103、根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

具体地，在获取到加噪后的样本心电信号数据后，就可以通过加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，由于加噪后的样本心电信号数据更加接近真实场景中的用户数据，因而基于加噪后的样本心电信号数据进行心源性猝死风险预测模型的训练，可以使得训练后的心源性猝死风险预测模型性能更优，不仅可以基于ICU场景下质量较高的心电信号数据进行心源性猝死风险的预测，还可以基于日常生活场景下用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测，提升了心源性猝死风险预测模型的实用性。

上述实施例的方法，通过对获取到的样本心电信号数据集中的用户静止状态下的样本心电信号数据进行加噪处理，使得加噪后的样本心电信号数据更加接近真实场景中的用户数据，进而通过加噪后的样本心电信号数据进行心源性猝死风险预测模型的训练，使得训练后的心源性猝死风险预测模型性能更优，不仅可以基于ICU场景下质量较高的心电信号数据进行心源性猝死风险的预测，还可以基于日常生活场景下用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测，提升了心源性猝死风险预测模型的实用性。第二方面，本发明实施例基于样本心电信号进行心源性猝死风险的预测，相较于基于HRV的预测方法时效性更强，也可以获得更加准确的心源性猝死风险的预测结果。

在一实施例中，样本心电信号数据包括：

心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数据(Congestive Heart Failure，CHF)。

具体地，目前对于心源性猝死的研究主要基于MIT-BIH的长程动态猝死数据集以及正常窦性心律(normal sinus rhythm，NSR)数据集进行分类及预测，其中数据的分类和预测结果只有两种类型，即正常状态和心源性猝死对应的异常状态，使得心源性猝死风险的预测结果不够精细化，而对于潜在的异常状态用户并未进行准确的分类和预测，不能及时发现和检测到潜在的心源性猝死用户，也就使得预测结果的实用性较差。本发明实施例中，样本心电信号数据集中的样本心电信号数据不仅包括心源性猝死心电信号数据、正常窦性心律心电信号数据，还包括心力衰竭心电信号数据，进而使得基于样本心电信号数据训练后的心源性猝死风险预测模型不仅可以准确的对正常状态用户和异常状态用户进行分类和预测，而且还能准确的预测和发现潜在的异常状态用户，提升心源性猝死风险预测模型的普适性和实用性，基于样本心电信号数据中的心力衰竭心电信号数据可以获得更加准确和精细的预测结果。

上述实施例的方法，样本心电信号数据集中的样本心电信号数据包括心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数，使得基于样本心电信号数据中的心力衰竭心电信号数据可以获得更加准确和精细的预测结果，使得训练后的心源性猝死风险预测模型不仅可以准确的对正常状态用户和异常状态用户进行分类和预测，而且还能准确的预测和发现潜在的异常状态用户，提升心源性猝死风险预测模型的普适性和实用性。

在一实施例中，对样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据，包括：

对样本心电信号数据加入目标噪声，得到加噪后的样本心电信号数据；目标噪声包括：漂移噪声、肌肉伪影噪声和电极运动伪影噪声；加噪后的样本心电信号数据对应的心电信号质量低于第一阈值。

具体地，本发明实施例中通过对获取到的用户静止状态下的样本心电信号数据进行加噪处理，使得加噪后的样本心电信号数据更加接近日常生活场景中的用户数据，进而通过加噪后的样本心电信号数据进行心源性猝死风险预测模型的训练，也就使得训练后的心源性猝死风险预测模型性能更优，不仅可以基于ICU场景下质量较高的心电信号数据进行心源性猝死风险的预测，还可以基于日常生活场景下用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测，提升了心源性猝死风险预测模型的实用性。可选地，对样本心电信号数据进行加噪处理时，可以对样本心电信号数据加入漂移噪声、肌肉伪影噪声和电极运动伪影噪声，可选地，加噪后的样本心电信号数据为信噪比为6dB的含噪样本心电信号，也就使得加噪后的样本心电信号数据更加接近日常生活场景中的用户数据，更接近日常场景中穿戴监测设备采集得到的信号质量。

上述实施例的方法，通过对获取到的用户静止状态下的样本心电信号数据进行加噪处理，使得加噪后的样本心电信号数据更加接近日常生活场景中的用户数据，进而通过加噪后的样本心电信号数据进行心源性猝死风险预测模型的训练，使得训练后的心源性猝死风险预测模型性能更优，不仅可以基于ICU场景下质量较高的心电信号数据进行心源性猝死风险的预测，还可以基于日常生活场景下用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测，提升了心源性猝死风险预测模型的实用性。

在一实施例中，根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型，包括：

对加噪后的样本心电信号数据进行预处理，得到预处理后的样本心电信号数据；预处理包括如下操作：重采样、带通滤波、去噪和分段；

对预处理后的样本心电信号数据进行特征提取，得到心电信号的目标特征向量；

根据心电信号的目标特征向量对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

具体地，为了使得训练后的心源性猝死风险预测模型可以更加准确地进行心源性猝死风险的预测，本发明实施例中通过对加噪后的样本心电信号数据进行预处理，如心源性猝死心电信号数据集中40号与49号记录未发生导致了猝死的室颤，则可以将心源性猝死心电信号数据集中40号与49号剔除，排除干扰数据对模型训练准确性的影响，提高模型的训练效率；然后将心源性猝死心电信号数据与正常窦性心律心电信号数据和心力衰竭心电信号数据集中的所有记录重采样为128Hz，使得心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数据都以固定相同的采样率进行模型的训练，提高了模型训练的精确度和准确度；进而可以利用滤波器对心电信号数据在0.1-100Hz频段内进行带通滤波，再对心电信号数据进行去噪，降低带外干扰，提高训练样本的质量；最后再对心电信号数据进行分段，根据分段后的多个样本数据对心源性猝死风险预测模型进行训练，如将室颤发生前的30分钟的SCD数据作为处理对象，对于CHF和NSR任取30分钟信号作为处理对象，同时将各30分钟信号分割为30份1分钟信号构建训练数据集，对心源性猝死风险预测模型进行训练。

本发明实施例中，通过对加噪后的样本心电信号数据进行预处理，即通过对加噪后的样本心电信号数据进行重采样、带通滤波、去噪和分段等操作，排除干扰数据对模型训练准确性的影响，使得基于预处理后的样本心电信号数据对心源性猝死风险预测模型进行训练可以得到更优的训练效果，提升了心源性猝死风险预测模型对于心源性猝死风险的预测准确性。

在一实施例中，对预处理后的样本心电信号数据进行特征提取，得到心电信号的目标特征向量，包括：

提取如下心电信号特征：RR间期特征、高阶统计特征、QT间期特征、VLP特征和T波电交替特征；

根据提取的心电信号特征，生成样本心电信号数据对应的目标特征向量。

具体地，为了使得心源性猝死风险预测模型的训练效果更优，本发明实施例中对心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数据三种类型的数据从多个维度进行特征提取，使得基于丰富且多种维度的特征进行心源性猝死风险预测模型的训练时，可以得到更优的训练效果。可选地，对样本心电信号数据提取RR间期特征、高阶统计特征、QT间期特征、心室晚电位特征(VLP特征)和T波电交替特征；。

其中，RR特征指每个心拍的R峰之间的间期，可选地，在本发明实施例中选取当前心拍与前一个心拍之间的RR间期，记为preRR特征，以及当前心拍与后一个心拍之间的RR间期，记为postRR特征作为RR特征，并在一分钟信号内取平均值作为这两个特征的最终结果。

高阶统计特征指信号的偏度和峰度，偏度指信号的三阶中心距，峰度指信号的四阶中心距。

QT间期特征指一个心拍的Q波起点到T波终点之间的间期时间长度，以一分钟内所有心拍的QT间期的平均值、最大值、最小值以及标准差作为QT特征向量。其中Q点的定位依据Pan-Tompkin算法。T波终点的识别分为以下几步：首先确定T波范围为S波峰后0.08个RR间期到0.63个RR间期之间的范围，此处的RR间期指当前心拍R峰至下一心拍的R峰之间的间期；其次识别T波波峰位置，通过将T波范围内的信号做五点差分运算得到差分信号，以差分信号中最大的极大值和最小的极小值之间绝对值最小的信号点作为过零点，该点即为选定的T波波峰；然后在T波范围内的差分信号中，以T波波峰后第三个极小值点作为T波结束点。至此可以由得到的Q波起点及T波结束点得出一个心拍的QT间期。

VLP特征指心室晚电位特征，是衡量心室活动的重要指标。临床上采用以下三个指标评估是否存在心室晚电位：滤波后QRS时限，记为f-QRS(大于114ms为阳性)、滤波后的QRS波末端40ms内的均方根电压，记为RMS40(小于20微伏为阳性)以及滤波后的QRS波终末小于40微伏电位的持续时间，记为LAS40(大于38ms为阳性)。若f-QRS为阳性且剩下两个指标任意一个为阳性则VLP阳性，否则VLP阴性。本发明通过用算法模拟的方式实现对以上三个指标的识别及运算，并将一分钟内三种指标的平均值，以及VLP在一分钟内的阳性率组成VLP四维特征向量。

TWA特征指T波电交替特征，是ECG信号中T波的幅值或形态隔拍重复出现的现象。T波电交替在临床上被广泛认为与心源性猝死有潜在关系。在时域层面检测TWA现象的算法以修正移动平均法(MMA)为代表，本算法利用MMA算法提取TWA特征，一分钟内奇偶心拍的TWA差异序列的均值，标准差，最大值和最小值作为TWA特征向量组。最后，将心电信号数据中提取的RR特征、高阶统计特征、QT间期特征、VLP特征和TWA特征组成12维特征向量，进而根据特征向量对心源性猝死风险预测模型进行训练。

上述实施例的方法，通过对心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数据三种类型的数据从多个维度进行特征提取，从而可以基于充足、丰富且多种维度的特征进行心源性猝死风险预测模型的训练，也就可以得到更优的心源性猝死风险预测模型的训练效果，提升心源性猝死风险预测模型对于心源性猝死风险的预测准确性。

在一实施例中，根据心电信号的目标特征向量对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型，包括：

根据样本心电信号数据对应的目标特征向量和样本心电信号数据的标签，对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

具体地，本发明实施例中使用监督训练方式对初始心源性猝死风险预测模型进行训练，可选地，将样本SCD数据的标签设置为猝死高危信号，将NSR数据的标签设置为正常心率信号，将CHF信号设置为亚健康心率信号，也就是本发明实施例中设置了猝死高危信号标签、正常心率信号标签和亚健康心率信号三种类型的标签，使得样本数据和样本数据的标签更加的精细和准确，不仅标注了正常状态和心源性猝死对应的异常状态，而且对于潜在的异常状态也进行了标注，使得心电样本信号的分类更加的精细化，从而基于三种类型的心电信号数据样本及对应的标签，进行心源性猝死风险预测模型的训练，可以获得更加准确和精细的预测结果，使得训练后的心源性猝死风险预测模型不仅可以准确的对正常状态用户和异常状态用户进行分类和预测，而且还能准确的预测和发现潜在的异常状态用户，提升心源性猝死风险预测模型的普适性和实用性。

上述实施例的方法，通过对样本心电信号设置猝死高危信号标签、正常心率信号标签和亚健康心率信号三种类型的标签，根据样本心电信号和对应的标签对初始心源性猝死风险预测模型进行训练，使得训练后的心源性猝死风险预测模型可以获得更加准确和精细的预测结果，也就是训练后的心源性猝死风险预测模型不仅可以准确的对正常状态用户和异常状态的用户进行分类和预测，而且还能准确的预测和发现潜在的异常状态用户，提升心源性猝死风险预测模型的普适性和实用性。

在一实施例中，心源性猝死风险预测方法，包括：获取目标用户的目标心电信号数据，目标心电信号数据中包括噪声信号；

将目标心电信号数据输入心源性猝死风险预测模型中，得到心源性猝死风险的预测结果，心源性猝死风险预测模型为基于上述实施例中任一项的方法训练得到的。

具体地，根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型后，就可以将包括噪声信号的心电信号数据输入至训练后的心源性猝死风险预测模型，进行心源性猝死风险的预测，如获取用户的穿戴式监测设备采集的心电信号数据，将用户的穿戴式监测设备采集的心电信号数据输入至训练后的心源性猝死风险预测模型，就可以通过心源性猝死风险预测模型输出准确的心源性猝死风险的预测结果。即本发明实施例中的心源性猝死风险预测模型不仅可以基于ICU场景下被测者处于静止状态下的心电信号数据进行心源性猝死风险的预测，还可以基于用户的穿戴式设备采集的信噪比较低的心电信号数据进行心源性猝死风险的预测，也就是本发明实施例的心源性猝死风险预测模型可以基于日常生活场景下的穿戴式监测设备采集的含噪声的心电信号数据进行心源性猝死风险的准确预测。

上述实施例的方法，通过将用户的穿戴式监测设备采集的心电信号数据输入至训练后的心源性猝死风险预测模型，就可以通过心源性猝死风险预测模型输出准确的心源性猝死风险的预测结果。本发明实施例中的心源性猝死风险预测模型不仅可以基于ICU场景下被测者处于静止状态下的心电信号进行心源性猝死风险的预测，还可以基于用户的穿戴设备采集的的信噪比较低的心电信号数据进行心源性猝死风险的预测，实现多种场景下的心源性猝死风险的预测，提升了心源性猝死风险预测模型的实用性。

示例性的，本发明实施例的心源性猝死风险的预测方法的流程如图2所示，具体如下：

1、获取样本心电信号数据集；

可选地，样本心电信号数据集包括：心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数据。

2、对心电信号数据进行加噪；

利用wfdb软件包提供的噪声压力测试脚本，将数据集中的心电信号数据加入基线漂移、肌肉伪影等噪声获得信噪比为6dB的含噪信号。

3、对加噪后的心电信号数据进行预处理；

接着，对加噪后的心电信号进行预处理。可选地，首先将SCD数据集中40号与49号记录剔除，因为其未发生导致了猝死的室颤。再将SCD数据集中剩下的记录与NSR和CHF数据集中的所有记录重采样为128Hz。利用巴特沃兹滤波器对信号在0.1-100Hz频段内进行带通滤波，再进行两级中值滤波以及经验模态分解方法对信号进行去噪。之后对SCD记录取在室颤发生前的30分钟信号作为处理对象，对于CHF和NSR任取30分钟信号作为处理对象，同时将各30分钟信号分割为30份1分钟信号构建数据集。

4、对心电信号进行特征提取；

特征提取阶段主要提取的特征包括RR特征、高阶统计特征、QT间期特征、VLP特征、TWA特征等。

RR特征指每个心拍的R峰之间的间期，在本发明中选取当前心拍与前一个心拍之间的RR间期，记为preRR特征，以及当前心拍与后一个心拍之间的RR间期，记为postRR特征作为RR特征，并在一分钟信号内取平均值作为这两个特征的最终结果。

高阶统计特征指信号的偏度和峰度，偏度指信号的三阶中心距，峰度指信号的四阶中心距。

QT间期指一个心拍的Q波起点到T波终点之间的间期时间长度，以一分钟内所有心拍的QT间期的平均值、最大值、最小值以及标准差作为QT特征向量。其中Q点的定位依据Pan-Tompkin算法。T波终点的识别分为以下几步：首先确定T波范围为S波峰后0.08个RR间期到0.63个RR间期之间的范围，此处的RR间期指当前心拍R峰至下一心拍的R峰之间的间期；其次识别T波波峰位置，通过将T波范围内的信号做五点差分运算得到差分信号，以差分信号中最大的极大值和最小的极小值之间绝对值最小的信号点作为过零点，该点即为选定的T波波峰；然后在T波范围内的差分信号中，以T波波峰后第三个极小值点作为T波结束点。至此可以由得到的Q波起点及T波结束点得出一个心拍的QT间期。

VLP指心室晚电位，是衡量心室活动的重要指标。临床上采用以下三个指标评估是否存在心室晚电位：滤波后QRS时限，记为f-QRS(大于114ms为阳性)、滤波后的QRS波末端40ms内的均方根电压，记为RMS40(小于20微伏为阳性)以及滤波后的QRS波终末小于40微伏电位的持续时间，记为LAS40(大于38ms为阳性)。若f-QRS为阳性且剩下两个指标任意一个为阳性则VLP阳性，否则VLP阴性。本发明通过用算法模拟的方式实现对以上三个指标的识别及运算，并将一分钟内三种指标的平均值，以及VLP在一分钟内的阳性率组成VLP四维特征向量。

TWA指T波电交替，是ECG信号中T波的幅值或形态隔拍重复出现的现象。T波电交替在临床上被广泛认为与心源性猝死有潜在关系。在时域层面检测TWA现象的算法以修正移动平均法(MMA)为代表，本算法利用MMA算法提取TWA特征，一分钟内奇偶心拍的TWA差异序列的均值，标准差，最大值和最小值作为TWA特征向量组。

5、根据样本心电信号数据和标签，对心源性猝死风险预测模型进行训练；

可选地，将提取的RR特征、高阶统计特征、QT间期特征、VLP特征和TWA特征组成12维特征向量。为SCD数据集设置标签为猝死高危信号，为NSR和CHF组成的数据集设置标签为正常心律信号，以9:1的比例随机分割训练集和测试集，利用支持向量机训练数据，并做十折交叉验证。

6、猝死风险评估

将待测数据输入训练好的算法模型中，以输出为心源性猝死高危信号的置信概率作为其心源性猝死风险指数。

下面对本发明提供的心源性猝死风险预测模型的训练装置进行描述，下文描述的心源性猝死风险预测模型的训练装置与上文描述的心源性猝死风险预测模型的训练方法可相互对应参照。

图3是本发明提供的心源性猝死风险预测模型的训练装置的结构示意图。本实施例提供的心源性猝死风险预测模型的训练装置，包括：

获取模块710，用于获取样本心电信号数据集中的用户静止状态下的样本心电信号数据；

处理模块720，用于对样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据；

训练模块730，用于根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

可选地，样本心电信号数据包括：

心源性猝死心电信号数据、正常窦性心律心电信号数据和心力衰竭心电信号数据。

可选地，所述处理模块720,具体用于：对样本心电信号数据加入目标噪声，得到加噪后的样本心电信号数据；目标噪声包括：漂移噪声、肌肉伪影噪声和电极运动伪影噪声；加噪后的样本心电信号数据对应的心电信号质量低于第一阈值。

可选地，所述训练模块730,具体用于：对加噪后的样本心电信号数据进行预处理，得到预处理后的样本心电信号数据；预处理包括如下操作：重采样、带通滤波、去噪和分段；

对预处理后的样本心电信号数据进行特征提取，得到心电信号的目标特征向量；

根据心电信号的目标特征向量对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

可选地，所述训练模块730，具体用于：提取如下心电信号特征：RR间期特征、高阶统计特征、QT间期特征、VLP特征和T波电交替特征；

根据提取的心电信号特征，生成样本心电信号数据对应的目标特征向量。

可选地，所述训练模块730,具体用于：根据样本心电信号数据对应的目标特征向量和样本心电信号数据的标签，对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

本发明实施例的装置，其用于执行前述任一方法实施例中的方法，其实现原理和技术效果类似，此次不再赘述。

图4示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行心源性猝死风险预测模型的训练方法，该方法包括：获取样本心电信号数据集中的用户静止状态下的样本心电信号数据；对样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据；根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的心源性猝死风险预测模型的训练方法，该方法包括：获取样本心电信号数据集中的用户静止状态下的样本心电信号数据；对样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据；根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的心源性猝死风险预测模型的训练方法，该方法包括：获取样本心电信号数据集中的用户静止状态下的样本心电信号数据；对样本心电信号数据进行加噪处理，获取加噪后的样本心电信号数据；根据加噪后的样本心电信号数据对初始心源性猝死风险预测模型进行训练，得到训练后的心源性猝死风险预测模型。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。