一种基于共振稀疏分解的十二导联心电信号房颤检测方法
阅读说明：本技术 一种基于共振稀疏分解的十二导联心电信号房颤检测方法 (Resonance sparse decomposition-based twelve-lead electrocardiosignal atrial fibrillation detection method ) 是由 舒明雷 马昊 朱清 王英龙 陈超 刘辉 高天雷 周书旺 谢小云 孔祥龙 于 2020-03-27 设计创作，主要内容包括：一种基于共振稀疏分解的十二导联心电信号房颤检测方法,根据房颤信号的特点,利用共振稀疏分解对心电信号进行处理,将分解出的低共振分量部分送入神经网络中进行训练,逐个导联训练后通过投票算法(Voting)将各训练模型得出的概率进行联合运算,得到最终的检测结果,用于房颤检测时无需额外手工提取其他特征,网络结构简单,缩短了运算时间,可以实现实时房颤信号检测。针对房颤信号中“P波消失,出现F波”的表现特点,以共振稀疏分解为基础,突出房颤信号特点,通过简单的神经网络结构,保准准确率的基础上减少了运算时间。(A twelve-lead electrocardiosignal atrial fibrillation detection method based on resonance sparse decomposition is characterized in that according to the characteristics of atrial fibrillation signals, resonance sparse decomposition is utilized to process the electrocardiosignals, decomposed low-resonance component parts are sent into a neural network for training, probability obtained by training models is subjected to combined operation through a Voting algorithm (Voting) after one-by-one lead training, a final detection result is obtained, additional manual extraction of other characteristics is not needed when the method is used for detecting atrial fibrillation, the network structure is simple, operation time is shortened, and real-time atrial fibrillation signal detection can be realized. Aiming at the performance characteristics of 'P wave disappears and F wave appears' in the atrial fibrillation signal, the characteristics of the atrial fibrillation signal are highlighted on the basis of resonance sparse decomposition, and the operation time is reduced on the basis of accuracy guarantee through a simple neural network structure.)
技术领域
本发明涉及心电信号分类检测技术领域，具体涉及一种基于共振稀疏分解的十二导联心电信号房颤检测方法。
背景技术
房颤信号的快速检测是心电信号处理中的关键问题。目前常用的房颤检测算法主要通过分析P波离散度或是否存在F波以及分析RR间期序列来检测房颤，在检测过程中大都采用单导联数据进行，准确度不高，且操作难度较大。随着深度学习的发展，基于深度学习的房颤检测算法虽然获得了较高的结果，但由于大多采用深层神经网络，计算复杂度大、运算时间长，无法用于实时房颤检测。
发明内容
本发明为了克服以上技术的不足，提供了一种检测结果准确度高的基于共振稀疏分解的十二导联心电信号房颤检测方法。
本发明克服其技术问题所采用的技术方案是：
一种基于共振稀疏分解的十二导联心电信号房颤检测方法，包括如下步骤：
a)利用计算机对静态十二导联心电信号y进行切片与去燥处理，得到固定长度的且去除部分噪声的心电信号y′；
b)将去除部分噪声的心电信号y′的各导联逐一利用共振稀疏分解技术处理，获得高共振信号分量yH、低共振信号分量yL以及残差信号分量n；
c)将心电信号y′各导联的分解出的低共振信号分量yL分别送入神经网络中进行训练，训练完成后输出检测结果；
d)将各个导联输出的检测结果进行联合，采用Voting算法计算出最后的分类结果，赋予各导联不同的权重，得到最终检测结果。
进一步的，步骤a)通过以下步骤进行处理：
a-1)利用计算机对静态十二导联心电信号y进行切片，截取每个导联前N个采样点，得到切片后的心电信号；
a-2)利用0.5-40Hz带通滤波器对切片后的心电数据进行处理，得到去除部分噪音的心电信号y′。
进一步的，步骤b)通过以下步骤进行处理：
b-1)根据公式y′＝yH+yL+n依据共振稀疏分解算法将去除部分噪声的心电信号y′分解，其中yH为高共振信号分量、yL为低共振信号分量、n为残差信号分量；
b-2)通过公式y′＝W1M1+W2M2+n计算去除部分噪声的心电信号y′，其中W1为高共振信号分量yH在冗余字典M1下的变换系数，W2为低共振信号分量yL在冗余字典M2下的变换系数，n为残差信号分量；
b-3)通过公式J(W1,W2)＝||y′-W1M1-W2M2||2+λ1||W1||1+λ2||W2||2计算衡量稀疏程度的目标函数J(W1,W2)，式中λ1与λ2为权重系数，M1为高共振信号分量yH的冗余字典，M2为低共振信号分量yL的冗余字典；
b-4)利用迭代算法对目标函数J(W1,W2)进行迭代，求得目标函数J(W1,W2)的最小值，利用目标函数J(W1,W2)的最小值求得此时的高共振信号分量的变换系数W1*以及低共振信号分量的变换系数W2*，通过公式yH＝W1*M1将得到高共振信号分量yH在冗余字典M1中由新的变化系数所表示，通过公式yL＝W2*M2将得到低共振信号分量yL在冗余字典M2中由新的变化系数所表示。
进一步的，步骤c)通过以下步骤进行处理：
将分解出的心电信号的低共振分量yL作为神经网络模型的输入进行网络训练，其中该神经网络模型由四个卷积块、一个双向长短时记忆网络以及一个全连接层组成，在四个卷积块后衔接一个双向长短时记忆网络，网络的输出维度设置为32，通过全连接层转换为输出维度为2的特征值x，通过特征值x预测信号为正常的概率PNi以及房颤的概率PAFi，其中i为心电数据不同导联的编号。
进一步的，步骤d)通过以下步骤进行处理：
将十二个导联输出的概率根据公式及计算得到最终检测结果，式中PNi+PAFi＝1，ωNi为第i个导联所对应的正常的概率权重，ωAFi为第i个导联所对应的房颤的概率权重。
优选的，步骤a-1)中N取值为4096。
优选的，四个卷积块的每一个卷积块中包含一个卷积层和一个池化层，所述卷积层为一维卷积层，卷积核的大小设置为1*31，步长设置为1，填充设置为15，四个卷积块中的卷积层的维度分别为8/64/64/8，池化层中的核大小设置为2，步长设置为2。
本发明的有益效果是：根据房颤信号的特点，利用共振稀疏分解对心电信号进行处理，将分解出的低共振分量部分送入神经网络中进行训练，逐个导联训练后通过投票算法(Voting)将各训练模型得出的概率进行联合运算，得到最终的检测结果，用于房颤检测时无需额外手工提取其他特征，网络结构简单，缩短了运算时间，可以实现实时房颤信号检测。针对房颤信号中“P波消失，出现F波”的表现特点，以共振稀疏分解为基础，突出房颤信号特点，通过简单的神经网络结构，保准准确率的基础上减少了运算时间。
附图说明
图1为本发明的方法流程图；
图2本发明的共振稀疏分解前后的房颤信号对比图；
图3本发明的共振稀疏分解前后的正常信号对比图；
图4为本发明的神经网络结构图；
图5为本发明的Voting算法流程图。
具体实施方式
下面结合附图1至附图4对本发明做进一步说明。
一种基于共振稀疏分解的十二导联心电信号房颤检测方法，包括如下步骤：
a)利用计算机对静态十二导联心电信号y进行切片与去燥处理，得到固定长度的且去除部分噪声的心电信号y′；
b)将去除部分噪声的心电信号y′的各导联逐一利用共振稀疏分解技术处理，获得高共振信号分量yH、低共振信号分量yL以及残差信号分量n；
c)将心电信号y′各导联的分解出的低共振信号分量yL分别送入神经网络中进行训练，训练完成后输出检测结果；
d)将各个导联输出的检测结果进行联合，采用Voting算法计算出最后的分类结果，赋予各导联不同的权重，得到最终检测结果。
根据房颤信号的特点，利用共振稀疏分解对心电信号进行处理，将分解出的低共振分量部分送入神经网络中进行训练，逐个导联训练后通过投票算法(Voting)将各训练模型得出的概率进行联合运算，得到最终的检测结果，用于房颤检测时无需额外手工提取其他特征，网络结构简单，缩短了运算时间，可以实现实时房颤信号检测。针对房颤信号中“P波消失，出现F波”的表现特点，以共振稀疏分解为基础，突出房颤信号特点，通过简单的神经网络结构，保准准确率的基础上减少了运算时间。
附图2中横坐标为时间，纵坐标为信号幅值。截取信号长度为4096个采样点，采样率为500Hz，因此时间长度为8.192s。通过共振稀疏分解得到了高共振分量信号、低共振分量信号以及残差分量信号三部分。高共振分量信号中主要包含了原始信号中持续震荡的部分，即持续存在的肌电噪音信号；低共振分量信号则主要包含了原始信号中瞬态冲击的部分，即周期出现的心电信号；残差分量信号为原始信号去除高共振分量信号、低共振分量信号后的剩余部分。通过附图2(房颤信号)可以发现低共振分量信号与原始信号相比明显减少了许多毛刺状的噪声。并可以明显观察到低共振分量信号中P波已经消失，发生了房颤。而在针对正常信号分解的附图3中，可以看到低共振分量信号中包含了完整的心电信号，且特征突出，有助于后期神经网络的学习。
步骤a)通过以下步骤进行处理：
a-1)利用计算机对静态十二导联心电信号y进行切片，截取每个导联前N个采样点，得到切片后的心电信号；
a-2)利用0.5-40Hz带通滤波器对切片后的心电数据进行处理，得到去除部分噪音的心电信号y′。
步骤b)通过以下步骤进行处理：
b-1)根据公式y′＝yH+yL+n依据共振稀疏分解算法将去除部分噪声的心电信号y′分解，其中yH为高共振信号分量、yL为低共振信号分量、n为残差信号分量；
b-2)通过公式y′＝W1M1+W2M2+n计算去除部分噪声的心电信号y′，其中W1为高共振信号分量yH在冗余字典M1下的变换系数，W2为低共振信号分量yL在冗余字典M2下的变换系数，n为残差信号分量；
b-3)通过公式J(W1,W2)＝||y′-W1M1-W2M2||2+λ1||W1||1+λ2||W2||2计算衡量稀疏程度的目标函数J(W1,W2)，式中λ1与λ2为权重系数，M1为高共振信号分量yH的冗余字典，M2为低共振信号分量yL的冗余字典；
b-4)利用迭代算法对目标函数J(W1,W2)进行迭代，求得目标函数J(W1,W2)的最小值，利用目标函数J(W1,W2)的最小值求得此时的高共振信号分量的变换系数W1*以及低共振信号分量的变换系数W2*，通过公式yH＝W1*M1将得到高共振信号分量yH在冗余字典M1中由新的变化系数所表示，通过公式yL＝W2*M2将得到低共振信号分量yL在冗余字典M2中由新的变化系数所表示。
步骤c)通过以下步骤进行处理：
将分解出的心电信号的低共振分量yL作为神经网络模型的输入进行网络训练，其中该神经网络模型由四个卷积块、一个双向长短时记忆网络以及一个全连接层组成，在四个卷积块后衔接一个双向长短时记忆网络，网络的输出维度设置为32，通过全连接层转换为输出维度为2的特征值x，通过特征值x预测信号为正常的概率PNi以及房颤的概率PAFi，其中i为心电数据不同导联的编号。
步骤d)通过以下步骤进行处理：
将十二个导联输出的概率根据公式及计算得到最终检测结果，式中PNi+PAFi＝1，ωNi为第i个导联所对应的正常的概率权重，ωAFi为第i个导联所对应的房颤的概率权重。
步骤a-1)中N取值为4096。
四个卷积块的每一个卷积块中包含一个卷积层和一个池化层，所述卷积层为一维卷积层，卷积核的大小设置为1*31，步长设置为1，填充设置为15，四个卷积块中的卷积层的维度分别为8/64/64/8，池化层中的核大小设置为2，步长设置为2。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于图卷积网络的脑电图信号分析方法