阅读说明：本技术 一种基于深度学习的房颤事件检测方法 (Atrial fibrillation event detection method based on deep learning ) 是由 赵卫 周成龙 于 2020-07-22 设计创作，主要内容包括：本发明提供了一种基于深度学习的房颤事件检测方法,其可以突破传统房颤检测算法特征不足的约束,进而提高准确率；其包括以下步骤：S1、获取用于训练房颤事件检测深度学习模型的心电信号,随后对心电信号进行预处理操作以去除干扰和无效数据；S2、对预处理后的心电信号进行QRS检波处理,以提取心电信号中的心搏信息；S3、根据QRS检波处理结果进行心电增维变换处理；S4、根据增维变换处理后的数据搭建深度学习模型；S5、通过5折交叉验证法对增维变换处理后的数据集进行训练集、测试集数据划分,随后通过所述训练集数据进行所述深度学习模型的训练,最终获得房颤检测模型。(The invention provides an atrial fibrillation event detection method based on deep learning, which can break through the constraint of insufficient characteristics of the traditional atrial fibrillation detection algorithm and further improve the accuracy; which comprises the following steps: s1, acquiring electrocardiosignals for training an atrial fibrillation event detection deep learning model, and then preprocessing the electrocardiosignals to remove interference and invalid data; s2, carrying out QRS detection processing on the preprocessed electrocardiosignals to extract heart beat information in the electrocardiosignals; s3, carrying out electrocardio dimension-increasing transformation processing according to the QRS detection processing result; s4, building a deep learning model according to the data after the dimension increasing transformation processing; and S5, carrying out training set and test set data division on the data set subjected to the dimensionality-increased transformation processing by a 5-fold cross validation method, and then carrying out training on the deep learning model through the training set data to finally obtain the atrial fibrillation detection model.)

一种基于深度学习的房颤事件检测方法

技术领域

本发明涉及房颤检测技术领域，具体为一种基于深度学习的房颤事件检测方法。

背景技术

心房颤动是一种常见的心律失常问题，是严重的心房电活动紊乱，随着年龄增长，房颤的发生率也不断增加，而房颤不仅影响患者生活质量，严重者还可以发生血栓栓塞、心脏衰竭以及脑卒中，而随着长时程心电监测的发展，可获取的心电信号的数据量越来越大，房颤自动检测算法也随之发展，但是传统的房颤自动检测算法往往受限于特征获取过程，导致检测准确率难以突破。

发明内容

针对上述问题，本发明提供了一种基于深度学习的房颤事件检测方法，其可以突破传统房颤检测算法特征不足的约束，进而显著提高检测准确率。

其技术方案是：一种基于深度学习的房颤事件检测方法，其特征在于，其包括以下步骤：

S1、获取用于训练房颤事件检测深度学习模型的心电信号，随后对心电信号进行预处理操作以去除干扰和无效数据；

S2、对预处理后的心电信号进行QRS检波处理，以提取心电信号中的心搏信息；

S3、根据QRS检波处理结果进行心电增维变换处理；

S4、根据增维变换处理后的数据搭建深度学习模型；

S5、通过5折交叉验证法对增维变换处理后的数据集进行训练集、测试集数据划分，随后通过所述训练集数据进行所述深度学习模型的训练，最终获得房颤检测模型。

进一步地，在所述步骤S1中，预处理操作包括：通过低通滤波器去除高频毛刺噪音信号，通过高通滤波器去除基线漂移干扰信号，通过陷波器去除50Hz工频干扰信号；

进一步地，在所述步骤S2中，QRS检波处理包括以下步骤：

S2.1、QRS心拍定位：取得心搏的QRS位置信息，若采用的标准数据库，心电图上R波位置数从标准数据库给出的标准标注文件中直接获得，若是非标准标注过的心电信号记录，则采用Hamilton-Tompkins心拍定位算法来获取该条心电记录数据中的心搏R波位置信息，从而获取心搏QRS心拍定位；

S2.2、RR间期计算：在获取了心搏QRS心拍定位之后，相邻QRS波R点之间的距离便为相邻心搏间期，从而实现QRS检波处理，获得心电信号的RR间期数据；

进一步地，在所述步骤S3中，心电增维变换处理包括以下步骤：

S3.1、心搏切片：根据QRS检波处理结果，将相邻QRS波R点之间的RR间期数据切分为一个子段；

S3.2、增维变换：以W个连续的RR间期数据作为一个心搏窗口，所述心搏窗口内的RR间期数据组成所述深度学习模型的输入矩阵，该输入矩阵共W行n*fs列，每行包含一个子段的心电数据，每行数据左对齐，不足n*fs长度则补0，每行的最后一个元素填充本心搏对应的子段数据的长度，随后按照设定的窗口滑动步长进行滑动窗口处理而生成所需要的增维数据；其中，W＝1，2，3，。。。。。n，fs为采样频率，n为当前心搏窗口内的RR间期数量；

进一步地，所述深度学习模型包括依次连接的输入层、卷积层、池化层、全连层和输出层；

进一步地，在所述步骤S5中，通过5折交叉验证法对增维变换处理后的数据集进行划分，其中，1/5的数据集作为测试集，4/5的数据集作为训练集；

进一步地，在所述步骤S5中，对于通过所述训练集数据进行所述深度学习模型的训练，首先是将所述训练集划分为多个batch数据，每次取所述训练集中的一个batch数据输入到所述深度学习模型的输入层中进行训练过程，所述训练集中所有batch数据都完成训练过程记为一个epoch，经过M次epoch迭代后结束训练过程，得到房颤检测模型；

进一步地，在所述步骤S5中，在结束训练过程后，将所述测试集中的数据全部输入到训练完成后的所述深度学习模型的输入层中，并通过5折交叉验证法对深度学习模型输出层得到的预测结果进行准确率验证。

本发明的有益效果是，其首先对获取的心电信号进行预处理，以去除干扰和无效数据，接着对处理后的心电信号进行QRS检波处理，并根据QRS检波处理结果进行心电增维变换处理，以便于提升训练集和测试集的数据读取速度，随后通过训练集数据进行深度学习模型的训练，最终可获得高准确率的房颤检测模型，即智能房颤检测，具有较好的使用推广价值。

附图说明

图1是本发明的流程图；

图2是滑动窗口内的RR间期示意图；

图3是本发明的心电增维示意图。

具体实施方式

如图1～图3所示，本发明一种基于深度学习的房颤事件检测方法，其包括以下步骤：

S1、获取用于训练房颤事件检测深度学习模型的心电信号(也就是ECG信号)，随后对心电信号进行预处理操作以去除干扰和无效数据，以防止这些干扰信号在后续的数据处理中造成不良影响；

预处理操作包括：通过低通滤波器去除高频毛刺噪音信号，通过高通滤波器去除基线漂移干扰信号，通过陷波器去除50Hz工频干扰信号；

S2、对预处理后的心电信号进行QRS检波处理，以提取心电信号中的心搏信息；

QRS检波处理具体包括以下步骤：

S2.1、QRS心拍定位，由于QRS波群是一次心脏搏动的显著特征波群，QRS波群检测是后续高阶统计数据的基础，通过QRS心拍定位将心电信号中的心搏信息提取出来，进而获取心搏的RR间期，具体地，首先取得心搏的QRS位置信息，若采用的标准数据库，心电图上R波位置数从标准数据库给出的标准标注文件中直接获得，若是非标准标注过的心电信号记录，则采用Hamilton-Tompkins心拍定位算法来获取该条心电记录数据中的心搏R波位置信息，从而获取心搏QRS心拍定位；

S2.2、RR间期计算：在获取了心搏QRS心拍定位之后，相邻QRS波R点之间的距离便为相邻心搏间期，从而实现QRS检波处理，获得心电信号的RR间期数据；其中，RR间期是反映心脏节律的重要信息，而RR间期是指心电图上两个R波之间的时限；图2中，QRS_(i-1)、QRS_(i)、QRS_(i+1)为相邻的QRS波；RR_(i)为当前滑动窗口内心搏的RR间期数据，RR_(i+1)为与RR_(i)相邻的心搏RR间期数据，i＝1，2，3，。。。。。。，n；

S3、正常的心脏产生的心搏RR间期数据，其分布是集中型的、有规律的状态，而房颤状态的心脏产生的心搏RR间期数据则是与正常状态明显不同的，其根据QRS检波处理结果进行心电增维变换处理；

心电增维变换处理具体包括以下步骤：

S3.1、心搏切片：根据QRS检波处理结果，将相邻QRS波R点之间的RR间期数据切分为一个子段；

S3.2、增维变换：以W个连续的RR间期数据作为一个心搏窗口，心搏窗口内的RR间期数据组成深度学习模型的输入矩阵，该输入矩阵共W行n*fs列，每行包含一个子段的心电数据，每行数据左对齐，不足n*fs长度则补0，每行的最后一个元素填充本心搏对应的子段数据的长度，随后按照设定的窗口滑动步长进行滑动窗口处理而生成所需要的增维数据；其中，W＝1，2，3，。。。。。n，fs为采样频率，n为当前心搏窗口内的RR间期数量；

通过上述增维变换，这样每个心搏窗口内的数据都由原来的1行(W*n*fs)列的一维向量转换成一个W行n*fs列的二维矩阵；

S4、根据增维变换处理后的数据搭建深度学习模型；其中，深度学习模型包括依次连接的输入层、卷积层、池化层、全连层和输出层；

S5、通过5折交叉验证法对增维变换处理后的数据集进行训练集、测试集数据划分，其中，1/5的数据集作为测试集，4/5的数据集作为训练集；随后通过训练集数据进行深度学习模型的训练，即首先是将训练集划分为多个batch数据，每次取训练集中的一个batch数据输入到深度学习模型的输入层中进行训练过程，训练集中所有batch数据都完成训练过程记为一个epoch，经过M次epoch迭代后结束训练过程，得到房颤检测模型；

在结束训练过程后，将测试集中的数据输入到训练完成后的深度学习模型的输入层中，并通过5折交叉验证法对深度学习模型的输出层得到的预测结果进行准确率验证，通过本方法达到的房颤检测准确率为99.40％。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。