基于光电容积脉搏波信号的心源性猝死高危人群筛查装置

摘要

本发明提供一种基于光电容积脉搏波信号的心源性猝死高危人群筛查装置，包括数据采集部分和处理部分，数据采集部分包括数据采集模块，信号处理模块和数据上传模块，数据处理部分包括特征提取模块和分类筛查模块，信号采集模块，用于采集PPG信号；数据上传模块，用于将信号处理模块处理后的PPG信号上传到处理部分；特征提取模块，用于根据PPG信号和采集对象的基础数据进行特征提取和特征筛选处理；分类筛查模块，根据特征提取模块输出的降维后的特征对采集对象的心源性猝死风险进行分类。本发明基于大数据分析和预测，实现心源性猝死高危人群筛查，对此类高危人群能够实现早期识别预警，适用于居家全天候的健康监测。

说明书

技术领域

本发明属于健康监测装备领域，具体涉及一种基于光电容积脉搏波信号的心源性猝死高危人群筛查装置。

背景技术

心源性猝死（sudden cardiac death, SCD）是指由于各种心脏原因引起的难以预料的、进展迅速的自然死亡，死亡通常发生在急性症状出现后1h之内。据估算，我国每年有54.4万采集对象发生SCD。目前缺少在一般人群中筛查SCD风险的手段，长时程心电图以及超声心动图等不适合居家观察以及大规模风险筛查。

光电容积脉搏波描记法（PPG）可以通过光电传感器获得血液脉动周期性变化，脉搏波信号在一定程度上可以反应人体心脏、血管的变化趋势。常用于制造无创的血压、血氧饱和度以及心率的监测设备，同时由于PPG信号可以反应心血管的健康状态，目前PPG在心率失常，房颤,冠心病等心血管疾病的早期识别预警以及血管健康评估上已有相关应用。PPG可以用于构建各种可穿戴传感器例如智能手环手表，脉搏血氧仪等，由于其结构简单，功耗低，配合无线传输技术可以实现与智能设备的联动，适用于居家全天候的健康监测。

发明内容

本发明针对大规模人群中SCD风险的筛查需求，提供一种适用于居家全天候的健康监测的心源性猝死高危人群筛查装置。此装置基于PPG技术实现。本发明的技术方案如下：

一种基于光电容积脉搏波信号的心源性猝死高危人群筛查装置，包括数据采集部分和处理部分，数据采集部分包括数据采集模块，信号处理模块和数据上传模块，数据处理部分包括特征提取模块和分类筛查模块，其特征在于，

信号采集模块，用于采集PPG信号，包括LED发射器和光电传感器；

信号处理模块，用于对光电传感器所采集的PPG信号进行处理；

数据上传模块，用于将信号处理模块处理后的PPG信号上传到处理部分；

特征提取模块，用于根据PPG信号和采集对象的基础数据进行特征提取和特征筛选处理，评估特征之间以及特征与标签之间的相关性，计算不同特征值之间的皮尔森相关系数，两个特征值之间的皮尔森相关系数绝对值越接近于1代表二者之间的线性相关性越强，通过计算每对特征值之间的皮尔森相关系数，并限定皮尔森相关系数的阈值，保留两个特征值中的一个，进而筛选得到降维后的特征向量；基于降维之后的特征向量，对特征值进行重要性排序，选取排名靠前的重要特征；

分类筛查模块，用于根据特征提取模块输出的重要特征对采集对象的心源性猝死风险进行分类，获得心源性猝死风险分类筛查模型。

进一步地，对所采集的PPG信号进行的处理包括滤波处理。

进一步地，特征提取模块，根据PPG信号进行特征提取，得到心率，心率变异性和数学特征。

进一步地，心率变异性包括SDNN；RMSSD；NN50；PNN50。

进一步地，信号处理模块包括滤波处理，滤波处理环节包含工频滤波、IIR滤波、FIR滤波、小波滤波、维纳滤波、零相位滤波、积分变换、微分变换中的一种或多种组合。

进一步地，信号处理模块，采样频率为100HZ。

进一步地，采集对象的基础数据包括身高，体重，年龄和性别。

进一步地，采用皮尔森相关系数评估特征之间以及特征与标签之间的线性相关性，计算不同特征值之间的皮尔森相关系数，两个特征值之间的皮尔森相关系数绝对值越接近于1代表二者之间的线性相关性越强，通过计算每对特征值之间的皮尔森相关系数，限定皮尔森相关系数的阈值，若两个特征值之间的皮尔森相关系数高于所设定的阈值，保留两个特征值中的一个，进而筛选得到降维后的特征向量。

进一步地，基于降维之后的特征向量，计算不同特征值与标签的皮尔森相关系数对特征值进行重要性排序，选取排名靠前的重要特征。

进一步地，分类筛查模块采用高斯朴素贝叶斯分类器对采集对象的心源性猝死风险进行分类。

本发明的有益效果是：本发明基于大数据分析和预测，采用无创、可以是便携、穿戴式的PPG测量方法，利用实现心源性猝死高危人群筛查，对此类高危人群能够实现早期识别预警，适用于居家全天候的健康监测。

附图说明

图1为本发明的系统结构图；

图2为本发明的诊断流程图。

具体实施方式

本发明基于PPG信号的特性，利用其携带的心脏及血管质量信息，通过人工智能对已分类的数据进行学习，建立分类模型。本发明的心源性猝死高危人群筛查装置包含两个部分，采集部分可以是定制的指尖血氧仪，其可以包含数据采集模块，信号处理模块以及数据上传模块；处理部分可以是定制的专用分析设备或者是利用智能手机开发的专用软件，包括特征提取模块，分类筛查模块。

通过信号采集模块从采集对象指尖或耳垂或者腕部等地方采集数据，通过信号处理模块对采集的原始数据进行处理，包括滤波等，通过数据上传模块将信号上传到处理部分，通过特征提取模块进行所需特征的提取，并通过分类筛查模块对采集对象风险进行分类。具体地，

信号采集模块包括LED发射器和光电传感器，LED发射的特定波长光照射到皮肤之后由于血管变化会发生变化，利用光电传感器将包含血管变化的光信号转换为电信号，得到所需的PPG信号；

信号处理模块，包括对PPG信号进行采样、滤波处理两个环节；首先将光电传感器采集的模拟信号通过AD转换生成PPG序列的数字信号，可选的采样频率为100HZ，在不损失特征的前提下减少数据量，减轻后续处理难度；滤波环节包含工频滤波、IIR滤波、FIR滤波、小波滤波、维纳滤波、零相位滤波、积分变换、微分变换中的一种或多种组合。

数据上传模块，可以将经过滤波处理的PPG序列信号上传到处理部分，可选的传输方式包括蓝牙传输，4G传输，有线传输等，由于数据量小，为实现便携性，优选蓝牙传输；

处理部分，可以为智能手机上的软件，可以通过该软件收集采集对象的基础数据包括身高，体重，年龄，性别等，基础数据可作为采集对象的部分特征用于筛查；

本实施例，处理部分的实现基于智能手机APP实现，采集对象通过智能手机操作对PPG信号进行采集。

通过采集部分采集一定时间的PPG数据并上传到处理部分并对PPG信号进行进一步处理和分析。可选30s作为一次采集的时长。

特征提取模块首先对PPG信号进行归一化处理 ，归一化处理公式如下所示。

其中Xnorm为归一化后该采样点的数值，X该为采样点的原始数值，Xmin为序列PPG信号最小值，Xmax为PPG信号最大值。

得到归一化处理之后的PPG信号；对其进行特征值的提取，通过波形特征提取，得到心率，心率变异性，数学特征等特征，具体步骤如下：

1计算RR间期序列：心跳间隔表示连续两次心跳之间的间隔时间，可称为RR间期，单位为ms；由连续的心跳间隔组成的序列称之为心跳间隔序列，即RR间期序列。由于PPG可以表示心脏活动，可以用相邻PPG波峰的间隔时间作为心跳间隔，即RR间期。通过提取PPG信号峰值，将采样信号所有RR间期值组成RR间期序列；

2计算心率以及心率变异性相关特征值：

心率：指采样时间内的平均心率，用HR表示；HR=60/mean(RR)*1000;其中mean(RR)表示RR间期序列平均值；

SDNN:RR间期序列的标准差；

RMSSD：相邻RR间期差值的均方根；

NN50：RR间期之差超过 50 ms 的数目；

PNN50：NN50占RR间期的总数的百分比；

3计算PPG信号其他数学特征

峰度K：RR间期峰度：

偏态S：RR间期对称性：

其中RR

4 PPG信号的熵特征包括：

样本熵SampEn；近似熵ApEn；香农熵；

5 特征重要性排序及筛选

将采集对象的年龄，性别，身高、体重的基础数据以及上述通过计算得到的PPG信号特征值组成特征向量T。采集对象的年龄和身高的数值组成数值型特征向量，采集对象的性别则通过转换成数值：男性为0，女性为1输入特征向量。对预先收集的训练集采集对象数据按照SCD风险等级将训练集采集对象分为低危，中危和高危采集对象并赋予标签0，1，2。

通过对特征的重要性进行排序和筛选对数据进行降维，以减少冗余特征，减少模型复杂度提高训练速度以及避免出现过拟合等问题。

本实施例采用皮尔森相关系数评估特征之间以及特征与标签之间的线性相关性，筛选与标签相关性高的特征值以及相关性不太密切的信息。

首先可以计算不同特征值之间的皮尔森相关系数：

基于降维之后的特征向量，计算不同特征值与标签的皮尔森相关系数对特征值进行重要性排序，选取前n个重要特征组成新的特征向量S。

分类筛查模块，用于根据特征提取模块输出的重要特征对采集对象的心源性猝死风险进行分类，获得心源性猝死风险分类筛查模型，通过心源性猝死风险分类筛查模型对采集对象的风险进行分类，判断采集对象是否属于中高风险人群，如果是则提醒采集对象注意防范，实现高危人群筛查和SCD风险提示。

本实施例采用高斯朴素贝叶斯分类器构建心源性猝死风险分类筛查模型。高斯朴素贝叶斯分类器是一种基于概率的分类方法。该分类器基于贝叶斯公式，通过训练集求取不同标签的先验概率P(C)，其中C代表训练集采集对象的标签为第C类，C取值为0，1，2，分别代表低风险、中风险和高风险。

通过训练数据得到特征向量在不同训练集采集对象标签下的条件概率分布

根据朴素贝叶斯模型假设特征S的各维度之间互相独立原则:

由于大多数特征为连续值，可以将其视为高斯分布，则特征值第C类采集对象的特征值S

其中

对于未知风险的采集对象采集的PPG信号计算的特征向量，可以求取该采集对象在不同标签C分类下的后验概率：

则该采集对象预测的分类为后验概率最大的分类：即

该算法可以用于多分类的任务处理同时对小规模的数据表现较好，且分类效率稳定。