阅读说明：本技术 一种有损压缩心电信号房颤筛查系统 (Lossy compression electrocardiosignal atrial fibrillation screening system ) 是由 张宏坡 董忠仁 孙梦雅 王震 于 2020-06-29 设计创作，主要内容包括：本发明提供了一种有损压缩心电信号房颤筛查系统。本发明技术方案首先使用稀疏二进制观测矩阵对原始心电信号进行随机投影,将原始心电数据从高维空间转换到低维空间完成压缩,然后,使用卷积神经网络对压缩后的心电信号进行房颤分类。本发明提出一种压缩感知技术与卷积神经网络结合的新颖房颤筛查方法(CS-CNN),直接对有损压缩心电信号房颤筛查,有效且高效地提高了基于心电压缩感知数据的房颤检出率。(The invention provides a lossy compression electrocardiosignal atrial fibrillation screening system. According to the technical scheme, firstly, a sparse binary observation matrix is used for randomly projecting original electrocardiosignals, original electrocardio data are converted into a low-dimensional space from a high-dimensional space to be compressed, and then a convolutional neural network is used for carrying out atrial fibrillation classification on the compressed electrocardiosignals. The invention provides a novel atrial fibrillation screening method (CS-CNN) combining a compression sensing technology and a convolutional neural network, which is used for directly screening the atrial fibrillation of a lossy compression electrocardiosignal and effectively and efficiently improving the atrial fibrillation detection rate based on electrocardio compression sensing data.)

一种有损压缩心电信号房颤筛查系统

技术领域

本发明属于心电监测技术领域，具体涉及一种有损压缩心电信号房颤筛查系统。

背景技术

房颤(AF)是一种最常见持续性心律失常疾病，据调查在年龄大于55岁的人群中患有AF的概率到达37.1％，并且会受到基因和临床风险因素负担的影响。根据临床分析，AF会大大增加中风、脑卒中的概率，并且这一比例还会随着年龄的增长而逐渐增加，并且也会增加医疗体系经济负担。

心电图是一种无创的可以观察患者的心脏状态的一种技术，已经成为对心血管疾病患者在临床应用的标准医学检查手段。然而这种传统的心电检测手段具有一些局限性。患者必须在专业医生的看护下进行长达24小时心电图收集。近年来，有学者证明ECG的自动诊断不局限于临床，通过可穿戴设备在用户家里就能完成从心电采集到心电分析的整个流程，大大缓解了心电动态监测这一问题。目前，可穿戴设备采集心电信号必须要面临是功耗问题。据调查，假如以250kb/s的传输速率持续传输几个小时就会将一块普通锂电池的电量耗尽。而降低功耗的最直接的方式对心电数据进行压缩之后再传输，这样就达到了在不增加可穿戴设备电池容量的情况下完成对心电进行更长时间的监测任务。

在信号处理领域，作为打破奈奎斯特采样定理的突破性技术，压缩感知(CS)从诞生就引起了学者们的关注，开始应用到心电信号采集、传输和压缩的远程心电监测框架中。文献的研究表明，压缩感测(CS)在长期心电图(ECG)远程监控中很有吸引力，可以延长资源有限的无线可穿戴式传感器的使用寿命。

一方面，常规的房颤信号检测算法都是针对原始信号来进行分析，没有和针对可穿戴设备低功耗研究结合起来。另一方面，针对心电压缩感知数据的分类，都是基于提取特征的机器学习方法，在处理长期心电数据时，仍然需要手工提取特征降低数据维度。同时，机器学习方法在对长期心电数据分类的时候，非常耗时。基于低功耗可穿戴设备长期实时监测心电数据并进行房颤筛查任务，仍然是一个挑战。

发明内容

本发明针对现有技术的不足，提供一种有损压缩心电信号房颤筛查系统。具体方案如下：

步骤1：可穿戴设备端对原始心电信号进行随机投影，得到压缩信号Y；过程如下：

其中，

y⁽ⁱ⁾是压缩之后的心电信号，

x⁽ⁱ⁾是第i条原始ECG信号，

是观测矩阵，维度是n×m；

步骤2：可穿戴设备端将压缩数据传输到远程服务器端；

步骤3：服务器端对压缩信号进行数据增强和标准化等预处理操作；过程如下：

其中，

s⁽ⁱ⁾是数据增强之后的数据，

是均值，

是标准差，

是标准化之后的数据；

步骤4：服务器端对预处理之后的数据输入预先建立的房颤信号筛查模型中，输出房颤信号的筛查结果；过程如下：

其中，

θ是卷积神经网络中的相关参数，

D是心拍类别的数量(D＝2，输出房颤或者非房颤)，

是CNN模型输出的第i条心电记录的概率。

本发明相对现有技术具有突出的实质性特点和显著进步，具体地说，本发明提出了一种基于压缩传感技术的新颖的房颤筛查模型(CS-CNN)，它结合稀疏二进制观测矩阵和卷积神经网络，研究了模型在不同压缩比下的房颤筛查性能，利用卷积神经网络来扩展压缩学习的应用，直接对心电压缩感知数据进行房颤筛查，保证预测准确性的同时提高了计算效率。

附图说明

图1本发明房颤信号筛查系统的整体架构。

具体实施方式

下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。

如图1所示，一种有损压缩心电信号房颤筛查系统，该系统包括：

对原始心电信号按照不同的压缩比进行压缩，得到压缩数据；

对压缩感知数据采用SMOTE方法数据增强并对增强之后的数据进行归一化；

将处理好的数据输入CNN网络模型进行房颤筛查。

给定数据集X＝{(x⁽¹⁾,z⁽¹⁾),…,(x⁽ⁱ⁾,z⁽ⁱ⁾),…,(x⁽ⁿ⁾,z⁽ⁿ⁾)}，所述原始信号压缩通过下面步骤完成：

x⁽ⁱ⁾为第i条心电信号,时长是1s；

是实验中所固定的观测矩阵，维度是n×m；

y⁽ⁱ⁾是经过观测矩阵随机投影得到的压缩感知数据。

所述对压缩感知数据采用SMOTE方法数据增强并对增强之后的数据进行归一化操作通过下面步骤完成：

s⁽ⁱ⁾是SMOTE方法处理之后的数据；

是均值；

是标准差；

是标准化之后的数据。

所述将处理好的数据输入CNN网络模型进行房颤筛查通过下面步骤完成：

θ是卷积神经网络中的相关参数；

是CNN模型输出的第i条心电记录的概率。

本发明提出的卷积神经网络CS-CNN网络结构参数如表1所示，该网络由四个卷积层和两个池化层组成，两个卷积层一组，组间用池化层隔开。第一组使用32个卷积核，卷积核大小为3,步长为1；第二组使用64个卷积核，卷积核大小为3，步长为1。另外，两组都采用最大池化层，大小为2，步长为2。池化层后面与Flatten层后面都接上Drop out层，比率分别为0.2和0.3。然后两个全连接层分别使用了512和256个神经元，最后应用softmax层得到输出。优化器使用Adam，学习率为0.0009。

表1.卷积神经网络参数

在深度网络模型学***坦的区域时，可以选择使用早期停止(Early stopping)技术。早期停止可以看作是一种不引人注目的正规化形式而不会影响学习动力，这种策略可以与其他正规化技术结合使用。使用该技术可以防止模型过拟合，加快学习的速度。默认情况下，考虑到有效性和效率，可以将早期停止时期的最大数量设置为100。表2中给出了该模型参数的默认设置。

表2.模型参数设置

验证实验

实验使用的数据集是MIT-BIH房颤数据集。MIT-BIH房颤数据集最初由波士顿以色列医院使用动态心电记录仪制作，信号带宽主要范围是0.1Hz-40Hz。共包括25例患有房颤(主要是阵发性发颤)患者的长期心电记录。其中共有23个记录包括2导联信号，00735号和03665号记录只有节拍文件和没有经过审查的qrs波注释文件。每条记录持续10个小时，包括两个导联信号，采样率为250Hz。经过专家标注之后，主要包括四种节拍类型，AFIB(心房颤动)，AFL(心房扑动)，J(AV交界节律)和N(用于表示所有其他节拍)。我们将MIT-BIH房颤数据集分为两类：非房颤记录(包括N,AFL和J)和房颤记录，对压缩后的数据进行二分类操作筛查房颤患者。

本发明方法的目的是检测可穿戴设备的心电压缩感知信号中的房颤节律。因为观测矩阵的选择对于压缩感知的是至关重要的，同时，观测矩阵会影响到最后的筛查结果和筛查效率。

我们对心电压缩感知方向中最常使用的高斯随机观测矩阵(GRM)和稀疏二进制观测矩阵(BSM)从压缩任务执行时间方面进行评估。详细结果在表3。通过结果可以看出，两种观测矩阵压缩任务执行时间都很短，但是BSM更快。在CR＝90％时，1s的原始心电信号只需要1.65ms就可以完成压缩，这就意味着只需要5.94s就可以完成一个小时的原始信号压缩过程，并且仅需要传输原来10％的数据。

表3.不同观测矩阵对1s心电数据压缩执行时间

除了比较GRM和BSM压缩任务执行时间之外，我们也要对它们对房颤筛查结果表现影响进行研究。表4是使用GRM与BSM压缩感知数据作为模型输入，在不同CR下测试集上的筛查结果。

通过表4可以看出BSM比GRM更加适合心电信号压缩。随着CR的增大，四个指标的值都会缓慢下降。这就表示CR越大，CNN模型的表现就越差。这是因为随着压缩比的增大，原始信号损失了大量特征，CR＝90％就意味着损失90％的特征。BSM可以做到在原始心电信号损失了90％特征的情况下，Acc值依然可以达到88.08％。

表4.使用GRM和BSM压缩感知数据作为模型输入，在不同CR下测试集上的筛查结果

确定了观测矩阵之后，将CS-CNN与经典卷积神经网络AlexNet，VGG-16和GoogLeNet进行整体的筛查结果比较。具体实验结果在表5展示。实验结果表明，在CR＝80％的时候，CS-CNN模型的F1值比最好的AlexNet低了0.25％，在CR＝90％的时候，CS-CNN模型的F1值比最好的VGG-16低了1.6％，但是在CR为10％到70％等七种压缩比的时候，CS-CNN的Sen、Spe、Acc和F1等各项评价指标都是最好的。证明了CS-CNN在压缩感知心电数据上筛查的有效性。

实时性对于房颤筛查问题是值得探讨的，为了验证我们提出的CS-CNN的筛查效率，我们对AlexNet，VGG-16和GoogLeNet分别对24小时时长和一个sample(1s)的临床心电数据进行AF筛查分析。具体实验结果在表6。通过结果可以看出CS-CNN在不同CR下进行AF筛查测试，整体上时间使用最少。例如在CR＝10％时，1.13s可以完成24小时心电信号的AF筛查和分析，仅需要0.02s就可以完成对一个sample(1s)的AF筛查；在CR＝50％时，0.91s可以完成24小时心电信号的AF筛查和分析，仅需要0.02s就可以完成对一个sample(1s)的AF筛查；在CR＝90％时，0.71s可以完成24小时心电信号的AF筛查和分析，仅需要0.01s就可以完成对一个sample(1s)的AF筛查。所以，CS-CNN在整体上满足实时筛查房颤要求。

表5.不同模型在不同CR下的房颤筛查表现

表6.不同模型在不同CR筛查房颤使用时间(单位：秒)

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。