具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例一

如图1所示，一种穿戴式心律失常检测装置，包括三导联心电电极100、心电信号采集单元110、呼吸信号采集单元120、控制器130、PC机140和无线通信单元150。

控制器130对心电信号采集单元110和呼吸信号采集单元120进行控制，PC机140对心电信号和呼吸信号进行处理，以实现对受试者心律失常的自动检测。

心电信号采集单元120的输入端连接至三导联心电电极100，呼吸信号采集单元130的输入端为心电信号正负电极之间的阻抗，心电信号采集单元120和呼吸信号采集单元130的输出端连接到控制器140的输入端。

控制器120用于控制心电和呼吸信号的采集，以及数据的传输通信。

无线通信单元150为蓝牙模块，无线通信单元150的发射端连接至控制器130，无线通信单元150的接收端连接至所述PC机，并在PC机140上显示受试者的心电和呼吸波形。

PC机140用于受试者心电和呼吸波形的显示、数据处理和利用深度神经网络实现心律失常的自动分类，数据处理是利用巴特沃斯滤波器对心电信号和呼吸信号进行滤波处理，利用深度神经网络实现心律失常的自动分类是指同时采用前向反馈神经网络FFNN和卷积神经网络CNN两种模型实现心律失常的自动分类。

FFNN共包含五层，为输入层、隐藏层1、隐藏层2、隐藏层3和输出层，层与层之间采用全连接，输出层采用softmax激活函数，其他层采用ReLU激活函数。FFNN的层与层之间采用全连接，第n-1层到第n层的前向计算公式为

X⁽ⁿ⁾＝f⁽ⁿ⁾(W⁽ⁿ⁾X^(n-1)+B⁽ⁿ⁾)

输出层采用softmax激活函数，其表达式为

其他层采用ReLU激活函数，其表达式为

f(x)＝max(0,x)

其中，W为层与层之间的线性关系，f⁽ⁿ⁾为第n-1层到第n层的函数关系，X^(n-1)为第n-1层的输出信号，B为偏倚，x_i为输出层第i层的输入信号，j指在n个神经元中遍历。

FFNN的输入为200ms的心电片段，输出为检测的R波位置信息，用于实现心电信号R波位置的检测，进而利用重采样计算得到心律失常自动分类的特征值RR，公式为

RR＝Resample(ECGs[qrs_m-2:qrs_m],360)

其中，ECGs表示心电缓冲区，qrs_m-2表示当前R波点的前一个R波点位置，qrs_m表示当前R波点的后一个R波点的位置。

CNN用于提取心电信号特征RR后对心律失常实现训练和测试，通过每一个卷积层和池化层串联的方式实现特征值RR的特征变换，为度量训练样本计算出的输出和真实训练样本输出之间的损失。CNN的每一个卷积层单元的输出端都串联一池化层操作，损失函数选择交叉熵函数。CNN的输出层维度为1*13，主要包含心律失常的13种分类，分别是正常心搏N、左束支传导阻滞L、右束支传导阻滞R、(结性)交界性逸搏j、房性逸搏e、房性早搏A、异变的房性早搏a、结性(交界性)早搏J、室上性早搏或异位搏动S、室性早搏V、室性逸搏E、心室融合心搏F和无法分类的心搏Q。

三导联心电电极100与穿戴绑带之间可拆卸，且绑带与控制器之间亦可拆卸。

实施例二

根据本发明提供的一种穿戴式心律失常检测装置，具体包括心电和呼吸信号的采集单元、控制器和PC机：

所述心电和呼吸信号的采集单元用于与受试者接触，采集心电和呼吸信号；

所述控制器用于进行控制信号的采集和数据的传输；

所述PC机用于接收、处理并显示测得受试者的心电和呼吸信号，最后实现心律失常的自动分类。

所述控制器进行控制信号的采集和数据传输的过程主要包含控制心电信号采集芯片、利用I²C通信进行心电采集芯片和控制器之间的通信以及利用蓝牙传输进行控制器和PC机之间的通信。

所述PC机进行心电和呼吸信号的波形显示以及数据处理，利用深度神经网络实现心率失常的自动分类。

所述心电采集单元包含三个心电电极和一个参考电极，其输入端与人体心脏部位皮肤接触，输出端连接控制器的输入端。

所述呼吸采集单元由心电电极A和参考电极构成，通过计算二者间的阻抗值进而求得呼吸率。

所述呼吸阻抗R_b依据公式(1)计算：

式中U_b为加载到人体的等效电压；I_b为加载到人体的等效电流；U₂为阻抗测量电路输出电压；R_S为阻抗测量电路中的定值参比电阻。

所述心电采集单元对心电信号的检测过程中，心电电极采用与人体皮肤接触阻抗小的电极，可利用导线与外部电路板相连；导线采用带有屏蔽功能、导电性能优异且经久耐用、不影响穿戴者舒适程度的信号传输导线。

所述无线通讯模块采用蓝牙模块，输入端连接至所述控制器，所述蓝牙模块的接收端连接至PC机，所述PC机用于显示心电和呼吸波形，并实现心律失常的自动检测。

所述心电采集单元和呼吸采集单元形成一个整体，以金属钮扣的方式与穿戴衣的绑带连接，形成可拆卸的装置。

所述PC机波形显示界面包含串口设置界面、数据传输界面、波形显示界面、数据存储和处理、以及利用深度神经网络实现心率失常的判断和分类。

所述数据预处理采用三组巴特沃斯滤波器构成，主要包含截止频率为100Hz的低通滤波器、49-51Hz的带通滤波器和0.2Hz的高通滤波器。

如图2所示，所述深度神经网络主要采用了前向反馈神经网络FFNN和卷积神经网络CNN两种模型：

所述FFNN共包含五层，为输入层、隐藏层1、隐藏层2、隐藏层3和输出层，层与层之间采用全连接，输出层采用softmax激活函数，其他层采用ReLU激活函数。FFNN的输入为200ms的心电片段，输出为检测的R波位置信息，用于实现心电信号R波位置的检测，进而利用重采样计算得到心律失常自动分类的特征值RR(当前R波点的前一个R波点到后一个R波点之间的ECG信号重采样为固定长度(360)后的序列，如公式(2)所示)。

RR＝Resample(ECGs[qrs_m-2:qrs_m],360) (2)

式中ECGs表示心电缓冲区，qrs_m-2表示当前R波点的前一个R波点位置，qrs_m表示当前R波点的后一个R波点的位置。

所述CNN利用卷积层和池化层实现输入信号的特征变换，每一个卷积层单元的输出端都串联一池化层操作，损失函数选择交叉熵函数，所述CNN的输出层维度为1*13，主要包含心律失常的13种分类，分别是正常心搏N、左束支传导阻滞L、右束支传导阻滞R、(结性)交界性逸搏j、房性逸搏e、房性早搏A、异变的房性早搏a、结性(交界性)早搏J、室上性早搏或异位搏动S、室性早搏V、室性逸搏E、心室融合心搏F和无法分类的心搏Q。

所述CNN实现心律失常分类过程中所需的训练集，采用MIT-BIH数据库中提供的开源心律失常数据库。

与现有技术相比，本发明的有益效果是：

(1)本发明为一种穿戴式装置，可以实时检测受试者的心电和呼吸信号，监测受试者生理指标，显示受试者的心电和呼吸波形，并实现心律失常的自动分类；

(2)本发明的穿戴式装置为可拆卸设计，心电电极与穿戴式绑带之间通过金属暗扣连接，穿戴式绑带与控制器之间亦利用金属暗扣连接；

(3)本发明的通信传输利用蓝牙模块，减少了导线的使用，扩大了测试过程中受试者的活动范围，降低了对受试者行动的影响。

实施例三

本发明的心律失常检测装置包括心电信号和呼吸信号的采集单元、控制器和PC机：

所述心电信号和呼吸信号的采集单元用于进行心电信号和呼吸信号监测，其输入端连接心电电极，输出端连接控制器的输入端；

所述控制器用于实现采集单元的控制和采集信号的传输，控制器与PC机之间的数据传输通过蓝牙模块实现；

所述PC机用于采集心电信号和呼吸信号的波形显示、数据处理和心律失常自动分类。

本发明的电极排列方式和穿戴式绑带的设计如图3所示，心电电极与穿戴式绑带之间通过金属暗扣连接，穿戴式绑带与控制器之间亦利用金属暗扣连接，佩戴过程中应保持控制器位于人体左侧位置。

由于心电信号的微弱性，在采集和传输过程中易受到噪声的干扰，因此在采集心电信号后需进行预处理，在保证心电信号的完整性前提下滤除噪声，本发明利用巴特沃斯滤波器对心电信号继续宁处理，主要包含截止频率为100Hz的低通滤波器、49-51Hz的带通滤波器和0.2Hz的高通滤波器。

在对心电信号预处理后，利用深度神经网络对心电信号进行特征提取和心律失常分类，主要包含两种神经网络模型：前向反馈神经网络FFNN和卷积神经网络CNN。FFNN用于监测心电信号R波的位置，其输入为200ms的心电信号片段，输出为R波的位置信息。FFNN的层与层之间采用全连接，第n-1层到第n层的前向计算公式如(3)所示：

X⁽ⁿ⁾＝f⁽ⁿ⁾(W⁽ⁿ⁾X^(n-1)+B⁽ⁿ⁾) (3)

式中W指层与层之间的线性关系，B指偏倚。

输出层采用softmax激活函数，其表达式如(4)所示：

其他层采用ReLU激活函数，其表达式如(5)所示：

f(x)＝max(0,x) (5)

利用FFNN检测R波位置后，通过重采样计算心电信号的特征RR当前R波点的前一个R波点到后一个R波点之间的ECG信号重采样为固定长度(360)后的序列，如公式(6)所示。

RR＝Resample(ECGs[qrs_m-2:qrs_m],360) (6)

式中ECGs表示心电缓冲区，qrs_m-2表示当前R波点的前一个R波点位置，qrs_m表示当前R波点的后一个R波点的位置。

CNN用于提取心电信号特征RR后对心律失常实现训练和测试，通过每一个卷积层和池化层串联的方式实现RR的特征变换，为度量训练样本计算出的输出和真实训练样本输出之间的损失，CNN中利用损失函数进行计算和优化，即期望最小化损失值进而优化程序输出，本发明选择交叉熵函数，所述CNN的输出层维度为1*13，主要包含心律失常的13种分类。

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

可能以许多方式来实现本发明的方法、装置和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。