国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法

      文檔序號:10697681閱讀:374來源:國知局
      獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法
      【專利摘要】本發(fā)明公開了獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,本發(fā)明利用先調(diào)用MIT?BIH心律失常數(shù)據(jù)庫、MIT?BIH正常竇性心律數(shù)據(jù)庫、長時房顫數(shù)據(jù)庫作為訓(xùn)練樣本,引入人工神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練,先隨機設(shè)置人工神經(jīng)網(wǎng)絡(luò)各層的權(quán)重值,輸入訓(xùn)練數(shù)據(jù)樣本反復(fù)迭代修正各層權(quán)重值直到訓(xùn)練誤差小于某指定值,通過這種方式可以找到可以判斷房顫發(fā)生的權(quán)重值矩陣,然后利用權(quán)重值矩陣,將權(quán)重值矩陣加入原人工神經(jīng)網(wǎng)絡(luò)構(gòu)建新的人工神經(jīng)網(wǎng)絡(luò),再以采集到的目標(biāo)人體心電信號作為數(shù)據(jù),對人體心電信號處理,獲得目標(biāo)人體特征向量X,根據(jù)目標(biāo)人體特征向量X和新的人工神經(jīng)網(wǎng)絡(luò),進行預(yù)測運算。
      【專利說明】
      獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法
      技術(shù)領(lǐng)域
      [0001] 本發(fā)明設(shè)及屯、房顫動檢測,尤其設(shè)及獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方 法。
      【背景技術(shù)】
      [0002] 屯、房顫動(簡稱房顫,Auricular Fibrillation,AF)是最常見的持續(xù)性屯、律失 常。隨著年齡增長房顫的發(fā)生率不斷增加,75歲W上人群可達10%。房顫時屯、房激動的頻率 達300~600次/分,屯、跳頻率往往快而且不規(guī)則,有時候可達100~160次/分,不僅比正常人 屯、跳快得多,而且絕對不整齊。房顫發(fā)生時,屯、房失去有效的收縮功能,血液容易在屯、房內(nèi) 渺滯而形成血栓,血栓脫落后可隨著血液至全身各處,導(dǎo)致腦栓塞(腦卒中)、肢體動脈栓塞 (嚴重者甚至需要截肢)等。同時,由于屯、房血液渺滯將導(dǎo)致人體供血(包括屯、臟自身的供血 量)下降,進而容易引發(fā)屯、力衰竭化ead hi lure,簡稱屯、衰)的發(fā)生。
      [0003] 房顫對人體健康的巨大危害主要表現(xiàn)為: 1.降低屯、功能:屯、率快和節(jié)律不齊可使病人感到屯、慌,體力活動受到限制,生活質(zhì)量下 降;屯、跳頻率過快,易誘發(fā)屯、功能減退,同時也影響屯、臟正常排血功能,降低身體各器官的 血液供應(yīng),最終導(dǎo)致慢性屯、功能不全。其主要原因在于:由于失去屯、房輔助累血功能,致使 屯、臟每次搏動排出血量降低了 25%-30%。
      [0004] 2.增加致殘率:屯、房收縮素亂,容易在屯、房壁產(chǎn)生"附壁血栓",即血凝塊。新鮮的 血栓粘附不牢,易脫落。血栓隨血流而移動,可堵塞血管,導(dǎo)致腦、腎、脾、腸、肢體的缺血,并 引起壞死。房顫引起腦中風(fēng)偏擁的發(fā)生率較正常人高5-15倍,極大的增加了致殘率。
      [0005] 3.增加病死率:屯、房收縮功能喪失和長期屯、率加快可導(dǎo)致屯、力衰竭,增加病死率。 屯、房顫動患者病死率較無房顫患者增加2-4倍。
      [0006] 4.增加巧死率:預(yù)激綜合征合并屯、房顫動是極為危險的,如果患者快速屯、房激動 經(jīng)旁路下傳屯、室可能導(dǎo)致屯、室顫動,從而導(dǎo)致巧死。
      [0007] 實際上,房顫患者的癥狀多變且無特異性,因此從癥狀無法確定是否存在房顫發(fā) 作,必須依賴屯、電學(xué)檢測證實。而且,房顫發(fā)作具有很大的隨機性且每次發(fā)作的持續(xù)時間具 有很大的不穩(wěn)定性,因此屯、電檢測的時間窗口對于真實房顫發(fā)生的檢測尤其重要。目前臨 床醫(yī)學(xué)的檢測手段上,主要依靠屯、電圖機和24小時動態(tài)屯、電儀。但他們對房顫的檢測具有 明顯的缺點,主要的原因為: 1. 屯、電圖機的缺點:屯、電圖機(靜態(tài)屯、電)在檢查時需要被檢查者處于靜邸狀態(tài),導(dǎo)聯(lián) 多且操作復(fù)雜,通常只持續(xù)幾十秒到2分鐘的檢查時間窗口。而房顫的發(fā)生具有時間上的不 規(guī)律性和間隙性,導(dǎo)致靜息屯、電圖測試很難準(zhǔn)確檢測到AF的發(fā)生,因此臨床醫(yī)學(xué)普遍認為 屯、電圖機對房顫的檢出受到很大的限制,需要專業(yè)人員操作且檢出率低,具有非常大的局 限性; 2. 動態(tài)屯、電圖機的缺點:屯、電圖機的明顯缺點使得醫(yī)學(xué)上引入了動態(tài)屯、電圖 a〇lter),W實現(xiàn)24小時甚至72小時的長時間檢測窗口,從而提高了房顫的檢出率。但 化Iter通常用于數(shù)據(jù)記錄直到測試結(jié)束W后返回醫(yī)院,由醫(yī)生讀取出數(shù)據(jù)再進行分析,因 此具有明顯的時間滯后性一一檢測的時間越長,滯后效應(yīng)越嚴重。由于房顫容易形成血栓 導(dǎo)致腦卒中,或?qū)е峦?、臟供血不足引發(fā)屯、力衰竭,運種滯后效應(yīng)顯然是比較致命的,很可能 因為缺乏及時的診斷和治療措施而形成嚴重的后果。
      [000引3.P波檢測困難:傳統(tǒng)的屯噸圖分析,無論是屯、電圖機還是動態(tài)屯、電圖,其原理主 要是依靠屯、房波(P波)的檢測來判定是否發(fā)生房顫。由于體表的屯、電測試點不易靠近屯、房, 故在體表測試中P波的幅度遠遠小于QRS波幅度且相對位置不固定(尤其是動態(tài)屯、電圖測試 受患者運動干擾較大),因此P波極易被淹沒在QRS波、T波或干擾信號噪聲之中無法識別(同 樣道理,形態(tài)與振幅均變化不定的f波則更難識別),因此造成診斷上的困難。運是目前傳統(tǒng) 屯、電圖分析的技術(shù)難點和限制所在,因此傳統(tǒng)屯、電分析技術(shù)對房顫的檢測準(zhǔn)確性一直有待 提局。

      【發(fā)明內(nèi)容】

      [0009] 本發(fā)明旨在獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,利用MIT-BIH屯、律失 常數(shù)據(jù)庫、MIT-BIH正常竇性屯、律數(shù)據(jù)庫、長時房顫數(shù)據(jù)庫作為訓(xùn)練樣本,利用人工神經(jīng)網(wǎng) 絡(luò)學(xué)習(xí)訓(xùn)練,逐漸獲取權(quán)重值矩陣,可W利用該權(quán)重值矩陣對目標(biāo)人體進行檢測,檢測其屯、 電信號是否有房顫發(fā)生,因此,必須利用上述方法獲取權(quán)重值矩陣至關(guān)重要。
      [0010] 針對動態(tài)屯、電圖設(shè)備和技術(shù)在房顫檢測中存在的時間滯后效應(yīng)嚴重、技術(shù)限制檢 測精確度不高的缺點,本發(fā)明利用獲取的權(quán)重值矩陣可W實現(xiàn)長時間的持續(xù)檢測、并能實 時、高精度對房顫進行自動檢測,及時為房顫患者的診斷和治療提供參考依據(jù),W降低因為 房顫引發(fā)腦卒中、屯、力衰竭等高度危險事件的發(fā)生可能,通過實時、持續(xù)的屯、電信號監(jiān)測和 人工神經(jīng)網(wǎng)絡(luò),對房顫做出預(yù)測和判斷,為及時的醫(yī)療干預(yù)創(chuàng)造條件,并可能挽救患者的生 命。
      [0011] 本發(fā)明通過下述技術(shù)方案實現(xiàn):獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法, 包括W下步驟: 構(gòu)建多層人工神經(jīng)網(wǎng)絡(luò):采用一個輸入層、至少一個隱藏層和一個輸出層搭建一個多 層人工神經(jīng)網(wǎng)絡(luò); 多層人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練: 采用MIT-BIH屯、律失常數(shù)據(jù)庫作為第一訓(xùn)練數(shù)據(jù)樣本,獲得第一訓(xùn)練數(shù)據(jù)樣本的QRS 波,第一訓(xùn)練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第一訓(xùn)練數(shù)據(jù)樣本的RR間期,將第 一訓(xùn)練數(shù)據(jù)樣本的RR間期分割為Ml個N分鐘的片段,對Ml個片段進行HRV特征分析,計算Ml 個片段的特征向量X作為Ml個房顫特征向量X,元組(房顫特征向量X,tl)的集合構(gòu)成第一 訓(xùn)練樣本集,其中有房顫發(fā)生的片段tl=l,無房顫發(fā)生的片段tl=0, 采用MIT-BIH正常竇性屯、律數(shù)據(jù)庫作為第二訓(xùn)練數(shù)據(jù)樣本,第二訓(xùn)練數(shù)據(jù)樣本的QRS 波,第二訓(xùn)練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第二訓(xùn)練數(shù)據(jù)樣本的RR間期,將第 二訓(xùn)練數(shù)據(jù)樣本的RR間期分割為M2個N分鐘的片段,對M2個片段進行HRV特征分析,計算M2 個片段的特征向量X作為M2個正常特征向量X,元組(正常特征向量X,t2)的集合構(gòu)成第二 訓(xùn)練樣本集,其中t2=0, 采用長時房顫數(shù)據(jù)庫作為第Ξ訓(xùn)練數(shù)據(jù)樣本,獲得第Ξ訓(xùn)練數(shù)據(jù)樣本的QRS波,第Ξ訓(xùn) 練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第Ξ訓(xùn)練數(shù)據(jù)樣本的RR間期,將第Ξ訓(xùn)練數(shù)據(jù) 樣本的RR間期分割為M3個Ν分鐘的片段,對M3個片段進行HRV特征分析,計算M3個片段的特 征向量X作為M3個長時房顫特征向量X,元組(長時房顫特征向量X,t3)的集合構(gòu)成第一訓(xùn) 練樣本集,其中有房顫發(fā)生的片段t3=l,無房顫發(fā)生的片段t3=0, 隨機初始化輸入層、隱藏層、輸出層的權(quán)重值;將Ml個房顫特征向量X作為輸入層的輸 入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f (X)獲得Ml個輸出層的值y 1;將M2個正常特征向量X作 為輸入層的輸入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得M2個輸出層的值y2;將M3個長 時房顫特征向量X作為輸入層的輸入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得M3個輸出 層的值y3;根據(jù)第一訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò)輸出值計算Ml個平方誤差之和El=( tli-yli 片(t!2-yl2)2+......WtlMi-ylMi)2,根據(jù)第二訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò)輸出值計算M2個平 方誤差之和E2=(t2-y2i)2Wt2-y22)2+……Wt2-y2M2)2,根據(jù)第Ξ訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò) 輸出值計算M3個平方誤差之和E3=(t3廣y3i)2Wt32-y32)2+……Wt3M3-y3M3)2,其中tl、t2、t3 為預(yù)期的正確輸出,y l、y 2、y 3為實際輸出;平方誤差為(預(yù)期的正確輸出-實際輸出)2。 根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得Ml個輸出層的值yl,其中神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)根據(jù)實際 情況設(shè)定,本領(lǐng)域人員可W自行獲取相關(guān)信息設(shè)定。tl為取1或0的變量,當(dāng)yl值趨向1時,tl 取l,yl值趨向1表示有房顫發(fā)生,當(dāng)yl值趨向0時,yl值趨向0表示無房顫發(fā)生,tl取0;同理, t3為取1或0的變量,當(dāng)y3值趨向1時,t3取1,y3值趨向1表示有房顫發(fā)生,當(dāng)y3值趨向加寸,y3 值趨向0表示無房顫發(fā)生,t3取0。
      [0012] 反復(fù)迭代修正輸入層、隱藏層、輸出層的權(quán)重值,直到誤差E1、E2、E3之和達到極小 值,記錄此時輸入層、隱藏層、輸出層的權(quán)重值,取得最終的權(quán)重值矩陣。
      [0013] 我們要應(yīng)用權(quán)重值矩陣時,用于判定該目標(biāo)人體是否有房顫發(fā)生,其方法是: 第一步:根據(jù)訓(xùn)練獲得的權(quán)重值矩陣重新構(gòu)建多層人工神經(jīng)網(wǎng)絡(luò),獲得新多層人工神 經(jīng)網(wǎng)絡(luò), 第二步:采用導(dǎo)聯(lián)采集目標(biāo)人體屯、電信號,獲得目標(biāo)人體的QRS波,對目標(biāo)人體的QRS波 實時的分析和處理,提取出RR間期,將RR間期分割為N分鐘的片段,對片段進行HRV特征分 析,計算片段的特征向量X作為目標(biāo)人體特征向量X; 第Ξ步:將目標(biāo)人體特征向量X作為新多層人工神經(jīng)網(wǎng)絡(luò)的輸入層的輸入向量,獲得神 經(jīng)網(wǎng)絡(luò)的輸出值F,F(xiàn)是在0和1之間的實數(shù),當(dāng)F值高時,則判定該片段內(nèi)有房顫發(fā)生,否則判 定沒有房顫發(fā)生。一般的F值大于或等于0.5時,則判定該片段內(nèi)有房顫發(fā)生,F(xiàn)值小于或等 于0.5時,則判定沒有房顫發(fā)生。
      [0014] 本發(fā)明的設(shè)計為:本發(fā)明利用先調(diào)用MIT-BIH屯、律失常數(shù)據(jù)庫、MIT-BIH正常竇性 屯、律數(shù)據(jù)庫、長時房顫數(shù)據(jù)庫作為訓(xùn)練樣本,MIT-BIH屯、律失常數(shù)據(jù)庫、長時房顫數(shù)據(jù)庫與 Μ口-BIH正常竇性屯、律數(shù)據(jù)庫作為對照組,引入人工神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練,將MIT-BIH屯、 律失常數(shù)據(jù)庫、ΜΙΤ-ΒΙΗ正常竇性屯、律數(shù)據(jù)庫、長時房顫數(shù)據(jù)庫作為訓(xùn)練樣本構(gòu)建成訓(xùn)練數(shù) 據(jù)樣本和交叉驗證樣本,先隨機設(shè)置人工神經(jīng)網(wǎng)絡(luò)各層的權(quán)重值,輸入訓(xùn)練數(shù)據(jù)樣本反復(fù) 迭代修正各層權(quán)重值直到訓(xùn)練誤差小于某指定值,通過運種方式可W找到可W判斷房顫發(fā) 生的權(quán)重值矩陣,然后利用權(quán)重值矩陣,權(quán)重值矩陣利用ΜΙΤ-ΒΙΗ屯、律失常數(shù)據(jù)庫、ΜΙΤ-ΒΙΗ 正常竇性屯、律數(shù)據(jù)庫、長時房顫數(shù)據(jù)庫作為訓(xùn)練樣本,通過人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得,應(yīng)用 時,將權(quán)重值矩陣加入原人工神經(jīng)網(wǎng)絡(luò)構(gòu)建新的人工神經(jīng)網(wǎng)絡(luò),再W采集到的目標(biāo)人體屯、 電信號作為數(shù)據(jù),對人體屯、電信號處理,獲得目標(biāo)人體特征向量X,根據(jù)目標(biāo)人體特征向量X 和新的人工神經(jīng)網(wǎng)絡(luò),進行預(yù)測運算,最終獲得預(yù)測值,通過預(yù)測值我們可W判斷目標(biāo)人體 是否發(fā)生房顫。為了縮短預(yù)測時間,我們將RR間期被分割成一系列長度為N分鐘的片段,每 生成一個片段,便計算該片段的特征向量X,然后利用獲得該片段的特征向量X和前期學(xué)習(xí) 訓(xùn)練獲得的權(quán)重值矩陣W及人工神經(jīng)網(wǎng)絡(luò)組成判斷系統(tǒng),利用運一套系統(tǒng)可W判斷出發(fā)生 房顫的值,一般的,F(xiàn)靠近1表示有發(fā)生房顫,F(xiàn)靠近0表示未發(fā)生房顫。由于采用了2個對照 參數(shù)組,通過學(xué)習(xí)訓(xùn)練可W找到準(zhǔn)確可靠的權(quán)重值矩陣,利用運個權(quán)重值矩陣加入到人工 神經(jīng)網(wǎng)絡(luò)中,使得新的人工神經(jīng)網(wǎng)絡(luò)可W準(zhǔn)確的預(yù)測判斷目標(biāo)人體屯、電信號的狀態(tài)是屬于 房顫人體屯、電信號還是屬于正常人體屯、電信號,由此可W預(yù)測目標(biāo)人體的屯、電信號狀態(tài)。 為降低錯誤的幾率,可W用多個(至少2個)預(yù)測值F的移動平均值作為最終預(yù)測值。
      [001引優(yōu)選的,所述特征向量X包括瞬時屯、率平均值盈、最大瞬時屯、率HRmax、最小瞬時屯、 率 HRmin。
      [0016]所述特征向量X包括RR間期的統(tǒng)計參數(shù)。
      [0017]所述統(tǒng)計參數(shù)包括歸一化標(biāo)準(zhǔn)差巧咖)/齋。
      [001引所述特征向量X包括RR間期沿龐加萊屯、電散點圖對角線的離散值d。
      [0019]所述離散隹
      其中&表示片段內(nèi)第1個1??間期,打表示片段內(nèi)1??間期數(shù)量。
      [0020] 所述特征向量X包括間隔為1,4,16,64,128,256的RR間期的差值的均方根,該均方 根表示為腳邱扮水二巧才自,婦皺…巧6
      [0021] 《乗示第i個RR間期,如表示間隔,η表示片段內(nèi)RR間期數(shù)量。
      [0022] 所述特征向量X包括RR間期的傅立葉變換所得傅里葉振幅序列。
      [0023] 所述特征向量X包括屯、電波形參數(shù)。
      [0024] 本發(fā)明的設(shè)計原理為:本發(fā)明描述一種基于可穿戴動態(tài)屯、電儀設(shè)備上實時進行房 顫自動識別的方法,旨在克服動態(tài)屯、電圖設(shè)備和技術(shù)在房顫檢測中存在的時間滯后效應(yīng)嚴 重、技術(shù)限制檢測精確度不高的缺點,實現(xiàn)可長時間的持續(xù)檢測、并能實時、高精度對房顫 進行自動檢測,及時為房顫患者的診斷和治療提供參考依據(jù),W降低因為房顫引發(fā)腦卒中、 屯、力衰竭等高度危險事件的發(fā)生可能。
      [0025] 醫(yī)學(xué)上房顫的屯、電圖特征為:Ρ波消失,代之W小而不規(guī)則的基線波動,形態(tài)與振 幅均變化不定,稱為f波,頻率約為350-600次/分。屯、室率極不規(guī)則,通常在100~160次/分 之間。QRS波群形態(tài)通常正常,室內(nèi)差異性傳導(dǎo)時有波群增寬。根據(jù)W上的分析,動態(tài)屯、電圖 延長了檢測的時間,但由于技術(shù)的限制,波形自動識別房顫的方法其準(zhǔn)確率往往較低,原因 在于存在W下困難:P波幅度較小,而動態(tài)屯、電圖受患者運動干擾較大因此P波極易淹沒在 干擾信號中無法識別。同樣道理,形態(tài)與振幅均變化不定的巧皮則更難識別。QRS波群形態(tài)增 寬不是房顫的顯著特征,無法作為房顫的判斷依據(jù);房顫的顯著特征是屯、室率極不規(guī)則,而 QRS波因其幅度較大識別準(zhǔn)確率很高,因此單純地分析RR間期的不規(guī)則變化是比波形分析 更簡單、更可靠的房顫識別方法。
      [0026] 本發(fā)明首先利用房顫時QRS波比較容易檢測和定位的特點,對QRS波進行精確的檢 測和定位,其次對RR間期的提取分析,并通過監(jiān)督式學(xué)習(xí)探索房顫患者區(qū)別于正常人的RR 間期變化特征,并將運種特征用于對未知的屯、電圖數(shù)據(jù)進行分析W判斷其是否為房顫屯、電 圖。
      [0027] 本發(fā)明的實現(xiàn)方法為W下兩個步驟: 第一步:利用人工神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)的房顫檢測,獲得人工神經(jīng)網(wǎng)絡(luò)檢測房顫的權(quán)重 值矩陣。
      [002引人工神經(jīng)網(wǎng)絡(luò)(adificial neural network,縮寫ANN),簡稱神經(jīng)網(wǎng)絡(luò),是一種模 仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng),特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模 型。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信 息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu),是一種自適應(yīng)系統(tǒng)。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計性數(shù)據(jù)建 模工具,常用來對輸入和輸出間復(fù)雜的關(guān)系進行建模,或用來探索數(shù)據(jù)的模式。
      [0029] 本發(fā)明采用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(見圖2),即一個輸入層,多個隱藏層和一個輸出 層,其中輸入層包含數(shù)百個節(jié)點,每個隱藏層均包含數(shù)十個節(jié)點,而輸出層則僅包含1個節(jié) 點,提高輸出層判斷是否檢測到房顫發(fā)生。
      [0030] 特征向量 本發(fā)明所采用的特征向量包括但不限于W下特征值: 1、 瞬時屯、率平均值趕W及HRmax、HRmin等參數(shù); 2、 RR間期的各種統(tǒng)計參數(shù),如歸一化標(biāo)準(zhǔn)差£Γ (Rig/屈; 3、 RR間期沿龐加萊圖(見圖3)對角線的離散值哀; 4、 間隔為1,4,1 6,6 4,1 2 8,2 5 6的R R間期的差值的均方根。表不為 銷瑞時灰占1?諾自4,巧自,--過音資; 5、 RR間期的傅立葉變換所得傅里葉振幅序列; 6、 各種屯、電波形參數(shù),如QRS間期等。
      [0031] 對人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練使用了如下數(shù)據(jù)集:MIT-BIH屯、律失常數(shù)據(jù)庫、長時房顫 數(shù)據(jù)庫、MIT-BIH正常竇性屯、律數(shù)據(jù)庫,其中MIT-BIH屯、律失常數(shù)據(jù)庫、長時房顫數(shù)據(jù)庫模 擬具有房顫狀態(tài)人員的屯、電信號參數(shù),Μ口-BIH正常竇性屯、律數(shù)據(jù)庫模擬正常狀態(tài)人員的 屯、電信號參數(shù),起到比對作用,W此獲得權(quán)重值矩陣。
      [0032] 學(xué)習(xí)過程的總體設(shè)計思路為: a) 基于上述業(yè)界的權(quán)威數(shù)據(jù)庫記錄(上述數(shù)據(jù)集)構(gòu)建訓(xùn)練數(shù)據(jù)集樣本和交叉驗證樣 本; b) 隨機初始化各層的權(quán)重值; C)輸入訓(xùn)練樣本反復(fù)迭代修正各層權(quán)重值直到訓(xùn)練誤差小于某指定值; d)輸出最終的權(quán)重值矩陣; e)用交叉驗證樣本測試訓(xùn)練結(jié)果的精度。
      [0033] 第二步:利用屯、電信號實現(xiàn)屯、電QRS波精準(zhǔn)定位和RR參數(shù)提取分析,再利用人工神 經(jīng)網(wǎng)絡(luò)、權(quán)重值矩陣計算輸出房顫預(yù)測值。
      [0034] 先利用權(quán)重值矩陣構(gòu)架新的人工神經(jīng)網(wǎng)絡(luò),該新的人工神經(jīng)網(wǎng)絡(luò)可W適應(yīng)檢測房 顫。
      [0035] 動態(tài)檢測屯、電信號實現(xiàn)屯、電QRS波精準(zhǔn)定位和RR參數(shù)提取分析, 傳統(tǒng)的動態(tài)屯、電圖設(shè)備只是采集和存儲記錄屯、電的信號,導(dǎo)出數(shù)據(jù)W后再利用電腦和 相關(guān)軟件進行分析,導(dǎo)致其分析的時間滯后性;由于其分析技術(shù)基于屯、電波形分析,因此通 常具有多個導(dǎo)聯(lián)同時進行屯、電信號的采集,設(shè)備相對笨重而且操作有一定的難度。
      [0036] 本發(fā)明中的房顫檢測方案主要是利用屯、電圖信號中的QRS波進行分析,因此只需 要一個導(dǎo)聯(lián)進行屯、電信號的采集即可W完成QRS波的精確采集和定位,可W在可穿戴動態(tài) 屯、電圖儀上進行QRS波實時的分析和處理,提取出RR間期變化特征。運種實現(xiàn)方法帶來的好 處是:可W簡化患者在日常檢測時的信號采集點連接操作,降低操作的專業(yè)度要求,便于在 日常生活中使用;設(shè)備實現(xiàn)為可穿戴,實現(xiàn)了長時間的持續(xù)檢測窗口,并能實時、高精度對 房顫進行檢測,提高了房顫的檢出率,并及時向用戶發(fā)出分析結(jié)果和告警。
      [0037] 實時分析的處理步驟為: 1) 采用軟件實現(xiàn)高精度的數(shù)字濾波,對實時采集到的屯、電信號進行處理濾除噪聲; 2) 實時的對屯、電圖QRS波形進行精確定位; 3) 提取出相鄰的QRS波之間RR間期參數(shù)信息; 4) RR間期的序列被分割成M3個(一般數(shù)百個)連續(xù)RR間期的片段。對每一個片段內(nèi)的 RR間期值進行時域、頻域、時頻域W及非線性特征處理后,得到若干特征向量Xi。運些特征 向量充分反映 RR間期序列的時域、頻域、時頻域W及非線性特征; 5) 將上述分析所得的特征向量Xi,W及之前提取的屯、電波形參數(shù)作為人工神經(jīng)網(wǎng)絡(luò) 的輸入; 根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出值判斷片段內(nèi)是否有房顫發(fā)生; 房顫自動識別的實現(xiàn): 在設(shè)備上實現(xiàn)特征向量計算函數(shù),其輸入為數(shù)十個到上百個連續(xù)的RR間期序列,輸出 為特征向量。根據(jù)學(xué)習(xí)過程的輸出權(quán)重值矩陣構(gòu)建神經(jīng)網(wǎng)絡(luò)函數(shù)託巧,并在設(shè)備上實現(xiàn)。特 征向量函數(shù)和神經(jīng)網(wǎng)絡(luò)函數(shù)由可穿戴設(shè)備上的處理器進行計算和處理。權(quán)重值矩陣為常 數(shù),可存儲于設(shè)備ROM中,CPU可W直接訪問而無需占用寶貴的RAM空間,因此具有較高的計 算效率。
      [0038] 房顫識別步驟: i. 可穿戴動態(tài)屯、電圖儀持續(xù)采集屯、電圖信號,并實時對QRS波形定位和波形參數(shù)提?。?ii. 在QRS波形定位后實時提取出R波進行分析,并產(chǎn)生RR間期序列,持續(xù)計算出特征向 量Xi, iii. 將特征向量Xi,W及之前提取的屯、電波形參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入; iv. 將特征向量Xi輸入神經(jīng)網(wǎng)絡(luò)函數(shù).f(巧得到輸出值F。通過F值的大小判定該片段內(nèi) 有房顫發(fā)生。
      [0039] 此發(fā)明的優(yōu)點:可在穿戴動態(tài)屯、電監(jiān)測設(shè)備上實現(xiàn),便于在日常生活中使用,可進 行持續(xù)的實時的監(jiān)測,有助于提高房顫的檢出率;采用基于神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)算法,比傳 統(tǒng)的基于規(guī)則的分類算法準(zhǔn)確率更高,檢出率更高。
      【附圖說明】
      [0040]此處所說明的附圖用來提供對本發(fā)明實施例的進一步理解,構(gòu)成本申請的一部 分,并不構(gòu)成對本發(fā)明實施例的限定。在附圖中: 圖1是本發(fā)明實時檢測房顫的流程示意圖。
      [0041 ]圖2是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。
      [0042] 圖3是龐加萊屯、電散點圖。
      【具體實施方式】
      [0043] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白,下面結(jié)合實施例和附圖,對本 發(fā)明作進一步的詳細說明,本發(fā)明的示意性實施方式及其說明僅用于解釋本發(fā)明,并不作 為對本發(fā)明的限定。
      [0044] 實施例1: 如圖1、圖2、圖3所示。
      [0045] 獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,包括W下步驟: 構(gòu)建多層人工神經(jīng)網(wǎng)絡(luò):采用一個輸入層、至少一個隱藏層和一個輸出層搭建一個多 層人工神經(jīng)網(wǎng)絡(luò); 多層人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練: 采用MIT-BIH屯、律失常數(shù)據(jù)庫作為第一訓(xùn)練數(shù)據(jù)樣本,獲得第一訓(xùn)練數(shù)據(jù)樣本的QRS 波,第一訓(xùn)練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第一訓(xùn)練數(shù)據(jù)樣本的RR間期,將第 一訓(xùn)練數(shù)據(jù)樣本的RR間期分割為Ml個N分鐘的片段,對Ml個片段進行HRV特征分析,計算Ml 個片段的特征向量X作為Ml個房顫特征向量X,元組(房顫特征向量X,tl)的集合構(gòu)成第一 訓(xùn)練樣本集,其中有房顫發(fā)生的片段tl=l,無房顫發(fā)生的片段tl=0, 采用MIT-BIH正常竇性屯、律數(shù)據(jù)庫作為第二訓(xùn)練數(shù)據(jù)樣本,第二訓(xùn)練數(shù)據(jù)樣本的QRS 波,第二訓(xùn)練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第二訓(xùn)練數(shù)據(jù)樣本的RR間期,將第 二訓(xùn)練數(shù)據(jù)樣本的RR間期分割為M2個N分鐘的片段,對M2個片段進行HRV特征分析,計算M2 個片段的特征向量X作為M2個正常特征向量X,元組(正常特征向量X,t2)的集合構(gòu)成第二 訓(xùn)練樣本集,其中t2=0, 采用長時房顫數(shù)據(jù)庫作為第Ξ訓(xùn)練數(shù)據(jù)樣本,獲得第Ξ訓(xùn)練數(shù)據(jù)樣本的QRS波,第Ξ訓(xùn) 練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第Ξ訓(xùn)練數(shù)據(jù)樣本的RR間期,將第Ξ訓(xùn)練數(shù)據(jù) 樣本的RR間期分割為M3個N分鐘的片段,對M3個片段進行HRV特征分析,計算M3個片段的特 征向量X作為M3個長時房顫特征向量X,元組(長時房顫特征向量X,t3)的集合構(gòu)成第一訓(xùn) 練樣本集,其中有房顫發(fā)生的片段t3=l,無房顫發(fā)生的片段t3=0, 隨機初始化輸入層、隱藏層、輸出層的權(quán)重值;將Ml個房顫特征向量X作為輸入層的輸 入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f (X)獲得Ml個輸出層的值y 1;將M2個正常特征向量X作 為輸入層的輸入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得M2個輸出層的值y2;將M3個長 時房顫特征向量X作為輸入層的輸入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得M3個輸出 層的值y3;根據(jù)第一訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò)輸出值計算Ml個平方誤差之和El=( th-yli 片(t!2-yl2)2+......WtlMi-ylMi)2,根據(jù)第二訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò)輸出值計算M2個平 方誤差之和E2=(t2-y2i)2Wt2-y22)2+……Wt2-y2M2)2,根據(jù)第Ξ訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò) 輸出值計算M3個平方誤差之和E3=(t3廣y3i)2Wt32-y32)2+……Wt3M3-y3M3)2,其中tl、t2、t3 為預(yù)期的正確輸出,y l、y 2、y 3為實際輸出;平方誤差為(預(yù)期的正確輸出-實際輸出)2。 根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得Ml個輸出層的值yl,其中神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)根據(jù)實際 情況設(shè)定,本領(lǐng)域人員可W自行獲取相關(guān)信息設(shè)定。tl為取1或0的變量,當(dāng)yl值趨向1時,tl 取l,yl值趨向1表示有房顫發(fā)生,當(dāng)yl值趨向0時,yl值趨向0表示無房顫發(fā)生,tl取0;同理, t3為取1或0的變量,當(dāng)y3值趨向1時,t3取1,y3值趨向1表示有房顫發(fā)生,當(dāng)y3值趨向加寸,y3 值趨向0表示無房顫發(fā)生,t3取0。
      [0046] 反復(fù)迭代修正輸入層、隱藏層、輸出層的權(quán)重值,直到誤差E1、E2、E3之和達到極小 值,記錄此時輸入層、隱藏層、輸出層的權(quán)重值,取得最終的權(quán)重值矩陣。
      [0047] 我們要應(yīng)用權(quán)重值矩陣時,用于判定該目標(biāo)人體是否有房顫發(fā)生,其方法是: 第一步:根據(jù)訓(xùn)練獲得的權(quán)重值矩陣重新構(gòu)建多層人工神經(jīng)網(wǎng)絡(luò),獲得新多層人工神 經(jīng)網(wǎng)絡(luò), 第二步:采用導(dǎo)聯(lián)采集目標(biāo)人體屯、電信號,獲得目標(biāo)人體的QRS波,對目標(biāo)人體的QRS波 實時的分析和處理,提取出RR間期,將RR間期分割為N分鐘的片段,對片段進行HRV特征分 析,計算片段的特征向量X作為目標(biāo)人體特征向量X; 第Ξ步:將目標(biāo)人體特征向量X作為新多層人工神經(jīng)網(wǎng)絡(luò)的輸入層的輸入向量,獲得神 經(jīng)網(wǎng)絡(luò)的輸出值F,F(xiàn)是在0和1之間的實數(shù),當(dāng)F值高時,則判定該片段內(nèi)有房顫發(fā)生,否則判 定沒有房顫發(fā)生。一般的F值大于或等于0.5時,則判定該片段內(nèi)有房顫發(fā)生,F(xiàn)值小于或等 于0.5時,則判定沒有房顫發(fā)生。
      [004引所述特征向量X包括瞬時屯、率平均值歲、最大瞬時屯、率HRmax、最小瞬時屯、率HRmin。 [0049 ]所述特征向量X包括RR間期的統(tǒng)計參數(shù)。
      [0化日]所述統(tǒng)計參數(shù)包括歸一化標(biāo)準(zhǔn)差巧(RR)/|^。
      [0化。如圖3所示,如中RR表示第η個RR、RRn+i第n+1個RR,所述特征向量X包括RR間期沿龐 加萊屯、電散點圖對角線的離散值d。
      [0化2]所述離散倉
      公式中隸示片段內(nèi)第i個RR間期,η表示片段內(nèi)RR間期數(shù)量。
      [0化3 ] 所述特征向量X包括間隔為1,4,16,64,128,256的RR間期的差值的均方根,該均方 根表示為·^鳴燈,擊=1舶獅車掉思恣島,
      [0054] 屯表示第i個RR間期,是表示間隔,η表示片段內(nèi)RR間期數(shù)量。
      [0055] 所述特征向量X包括RR間期的傅立葉變換所得傅里葉振幅序列。
      [0056] 所述特征向量X包括屯、電波形參數(shù)。
      [0057] 本發(fā)明的設(shè)計原理為:本發(fā)明描述一種基于可穿戴動態(tài)屯、電儀設(shè)備上實時進行房 顫自動識別的方法,旨在克服動態(tài)屯、電圖設(shè)備和技術(shù)在房顫檢測中存在的時間滯后效應(yīng)嚴 重、技術(shù)限制檢測精確度不高的缺點,實現(xiàn)可長時間的持續(xù)檢測、并能實時、高精度對房顫 進行自動檢測,及時為房顫患者的診斷和治療提供參考依據(jù),W降低因為房顫引發(fā)腦卒中、 屯、力衰竭等高度危險事件的發(fā)生可能。
      [0058] 醫(yī)學(xué)上房顫的屯、電圖特征為:P波消失,代之W小而不規(guī)則的基線波動,形態(tài)與振 幅均變化不定,稱為f波,頻率約為350-600次/分。屯、室率極不規(guī)則,通常在100~160次/分 之間。QRS波群形態(tài)通常正常,室內(nèi)差異性傳導(dǎo)時有波群增寬。根據(jù)W上的分析,動態(tài)屯、電圖 延長了檢測的時間,但由于技術(shù)的限制,波形自動識別房顫的方法其準(zhǔn)確率往往較低,原因 在于存在W下困難:P波幅度較小,而動態(tài)屯、電圖受患者運動干擾較大因此P波極易淹沒在 干擾信號中無法識別。同樣道理,形態(tài)與振幅均變化不定的巧皮則更難識別。QRS波群形態(tài)增 寬不是房顫的顯著特征,無法作為房顫的判斷依據(jù);房顫的顯著特征是屯、室率極不規(guī)則,而 QRS波因其幅度較大識別準(zhǔn)確率很高,因此單純地分析RR間期的不規(guī)則變化是比波形分析 更簡單、更可靠的房顫識別方法。
      [0059] 本發(fā)明首先利用房顫時QRS波比較容易檢測和定位的特點,對QRS波進行精確的檢 測和定位,其次對RR間期的提取分析,并通過監(jiān)督式學(xué)習(xí)探索房顫患者區(qū)別于正常人的RR 間期變化特征,并將運種特征用于對未知的屯、電圖數(shù)據(jù)進行分析W判斷其是否為房顫屯、電 圖。
      [0060] 本發(fā)明的實現(xiàn)方法為W下兩個步驟: 第一步:利用人工神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)的房顫檢測,獲得人工神經(jīng)網(wǎng)絡(luò)檢測房顫的權(quán)重 值矩陣。
      [0061 ] 人工神經(jīng)網(wǎng)絡(luò)(a;rtificial neural network,縮寫ANN),簡稱神經(jīng)網(wǎng)絡(luò),是一種模 仿生物神經(jīng)網(wǎng)絡(luò)(動物的中樞神經(jīng)系統(tǒng),特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計算模 型。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信 息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu),是一種自適應(yīng)系統(tǒng)。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計性數(shù)據(jù)建 模工具,常用來對輸入和輸出間復(fù)雜的關(guān)系進行建模,或用來探索數(shù)據(jù)的模式。
      [0062] 本發(fā)明采用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(見圖2),即一個輸入層,多個隱藏層和一個輸出 層,其中輸入層包含數(shù)百個節(jié)點,每個隱藏層均包含數(shù)十個節(jié)點,而輸出層則僅包含1個節(jié) 點,提高輸出層判斷是否檢測到房顫發(fā)生。
      [0063] 特征向量 本發(fā)明所采用的特征向量包括但不限于W下特征值: 7、 瞬時屯、率平均值趕W及HRmax、HRmin等參數(shù); 8、 RR間期的各種統(tǒng)計參數(shù),如歸一化標(biāo)準(zhǔn)差£Γ (Rig/盈; 9、 RR間期沿龐加萊圖(見圖3)對角線的離散值哀; 1 0、間隔為1,4,1 6,6 4,1 2 8,2 5 6的R R間期的差值的均方根。表示為 銷瑞時灰占1?諾自4,巧自,--過音資; 11、 RR間期的傅立葉變換所得傅里葉振幅序列; 12、 各種屯噸波形參數(shù),如QRS間期等。
      [0064] 對人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練使用了如下數(shù)據(jù)集:_
      [1] Moody GB, Mark RG. The impact of the MIT-BIH Arrhythmia Database. IE邸 Eng in Med and Biol 20(3):45-50 (May-June 2001). (PMID: 11446209)
      [2] Petrutiu S, Sahakian AV, Swiryn S. Abrupt changes in fibrillatory wave characteristics at the termination of paroxysmal atrial fibrillation in humans. Europace 9:466-470 (2007).
      [3] Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng C-K, Sl:anley 肥.PhysioBank, F*hysioToo化it, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220 [Circulation Electronic Pages; http:// circ.ahajournals.org/cgi/content/full/101/23/e215]; 2000 (June 13). 學(xué)習(xí)過程的總體設(shè)計思路為: f) 基于上述業(yè)界的權(quán)威數(shù)據(jù)庫記錄(上述數(shù)據(jù)集)構(gòu)建訓(xùn)練數(shù)據(jù)集樣本和交叉驗證樣 本; g) 隨機初始化各層的權(quán)重值; h) 輸入訓(xùn)練樣本反復(fù)迭代修正各層權(quán)重值直到訓(xùn)練誤差小于某指定值; i) 輸出最終的權(quán)重值矩陣; j) 用交叉驗證樣本測試訓(xùn)練結(jié)果的精度。
      [0065] 第二步:利用屯、電信號實現(xiàn)屯、電QRS波精準(zhǔn)定位和RR參數(shù)提取分析,再利用人工神 經(jīng)網(wǎng)絡(luò)、權(quán)重值矩陣計算輸出房顫預(yù)測值。
      [0066] 先利用權(quán)重值矩陣構(gòu)架新的人工神經(jīng)網(wǎng)絡(luò),該新的人工神經(jīng)網(wǎng)絡(luò)可W適應(yīng)檢測房 顫。
      [0067] 動態(tài)檢測屯、電信號實現(xiàn)屯、電QRS波精準(zhǔn)定位和RR參數(shù)提取分析, 傳統(tǒng)的動態(tài)屯、電圖設(shè)備只是采集和存儲記錄屯、電的信號,導(dǎo)出數(shù)據(jù)W后再利用電腦和 相關(guān)軟件進行分析,導(dǎo)致其分析的時間滯后性;由于其分析技術(shù)基于屯、電波形分析,因此通 常具有多個導(dǎo)聯(lián)同時進行屯、電信號的采集,設(shè)備相對笨重而且操作有一定的難度。
      [0068] 本發(fā)明中的房顫檢測方案主要是利用屯、電圖信號中的QRS波進行分析,因此只需 要一個導(dǎo)聯(lián)進行屯、電信號的采集即可W完成QRS波的精確采集和定位,可W在可穿戴動態(tài) 屯、電圖儀上進行QRS波實時的分析和處理,提取出RR間期變化特征。運種實現(xiàn)方法帶來的好 處是:可W簡化患者在日常檢測時的信號采集點連接操作,降低操作的專業(yè)度要求,便于在 日常生活中使用;設(shè)備實現(xiàn)為可穿戴,實現(xiàn)了長時間的持續(xù)檢測窗口,并能實時、高精度對 房顫進行檢測,提高了房顫的檢出率,并及時向用戶發(fā)出分析結(jié)果和告警。
      [0069] 實時分析的處理步驟為: 6)采用軟件實現(xiàn)高精度的數(shù)字濾波,對實時采集到的屯、電信號進行處理濾除噪聲; 7 )實時的對屯、電圖QRS波形進行精確定位; 8) 提取出相鄰的QRS波之間RR間期參數(shù)信息; 9) RR間期的序列被分割成M3個(一般數(shù)百個)連續(xù)RR間期的片段。對每一個片段內(nèi)的 RR間期值進行時域、頻域、時頻域W及非線性特征處理后,得到若干特征向量Xi。運些特征 向量充分反映 RR間期序列的時域、頻域、時頻域W及非線性特征; 10) 將上述分析所得的特征向量Xi,W及之前提取的屯、電波形參數(shù)作為人工神經(jīng)網(wǎng)絡(luò) 的輸入; 之后根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出值判斷片段內(nèi)是否有房顫發(fā)生。
      [0070] 房顫自動識別的實現(xiàn): 在設(shè)備上實現(xiàn)特征向量計算函數(shù),其輸入為數(shù)十個到上百個連續(xù)的RR間期序列,輸出 為特征向量。根據(jù)學(xué)習(xí)過程的輸出權(quán)重值矩陣構(gòu)建神經(jīng)網(wǎng)絡(luò)函數(shù)禹摟I,并在設(shè)備上實現(xiàn)。特 征向量函數(shù)和神經(jīng)網(wǎng)絡(luò)函數(shù)由可穿戴設(shè)備上的處理器進行計算和處理。權(quán)重值矩陣為常 數(shù),可存儲于設(shè)備ROM中,CPU可W直接訪問而無需占用寶貴的RAM空間,因此具有較高的計 算效率。
      [0071] 房顫識別步驟: V.可穿戴動態(tài)屯、電圖儀持續(xù)采集屯、電圖信號,并實時對QRS波形定位和波形參數(shù)提?。?Vi.在QRS波形定位后實時提取出R波進行分析,并產(chǎn)生RR間期序列,持續(xù)計算出特征向 量Xi, vii. 將特征向量Xi,W及之前提取的屯、電波形參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入; viii. 將特征向量Xi輸入神經(jīng)網(wǎng)絡(luò)函數(shù)燈巧得到輸出值F。通過F值的大小判定該片段 內(nèi)有房顫發(fā)生。
      [0072] 本發(fā)明的技術(shù)特點為基于QRS波形的精確定位來實現(xiàn)實時的R-R間期參數(shù)的分析, 并采用神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)實現(xiàn)的房顫檢測,比傳統(tǒng)的基于屯、電波形分析的算法準(zhǔn)確率更 高,分析時間更短,具有實時性、高精度的顯著特點,提高了房顫的檢出率;本發(fā)明將房顫檢 測的屯、電信號采集點降低到最小(一個導(dǎo)聯(lián)),簡化了患者在日常檢測時的信號采集連接復(fù) 雜的問題,降低操作的專業(yè)度要求,便于在日常生活中使用;本發(fā)明實現(xiàn)了房顫檢測設(shè)備的 可穿戴式,降低了功耗和體積,并實現(xiàn)了長時間的持續(xù)檢測窗口,能夠?qū)崟r、高精度對房顫 進行檢測并及時發(fā)出分析結(jié)果和告警,能最大程度的降低房顫帶來的潛在危害和風(fēng)險;本 發(fā)明實現(xiàn)的房顫檢測方法,經(jīng)過國家藥監(jiān)部口采用驗證達到W下的優(yōu)異精確性:屯、律失常 (M口-BIH arrh^hmia數(shù)據(jù)庫):靈敏度:99.8%,陽性預(yù)測值:99.9%。
      [0073] 房顫檢測:_
      [0074] 本發(fā)明所采用的實時房顫檢測方法具有自學(xué)習(xí)的特性,可W對具體患者的屯、電圖 信號進行持續(xù)的學(xué)習(xí),并獲得其屯、電圖的個性化特征向量集合,進一步提高該患者的預(yù)測 精度,達到個性化和精準(zhǔn)檢測的目的; 本發(fā)明實現(xiàn)的便攜式設(shè)備便于攜帶和使用,特別適用于日常生活長時間使用,使得廣 大患者實時房顫檢測得W實現(xiàn),能夠緩解日益尖銳的醫(yī)患矛盾和提高醫(yī)療資源的有效利 用,具有較大的社會價值和實際使用價值。
      [0075] W上所述的【具體實施方式】,對本發(fā)明的目的、技術(shù)方案和有益效果進行了進一步 詳細說明,所應(yīng)理解的是,W上所述僅為本發(fā)明的【具體實施方式】而已,并不用于限定本發(fā)明 的保護范圍,凡在本發(fā)明的精神和原則之內(nèi),所做的任何修改、等同替換、改進等,均應(yīng)包含 在本發(fā)明的保護范圍之內(nèi)。
      【主權(quán)項】
      1. 獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于,包括以下步驟: 構(gòu)建多層人工神經(jīng)網(wǎng)絡(luò):采用一個輸入層、至少一個隱藏層和一個輸出層搭建一個多 層人工神經(jīng)網(wǎng)絡(luò); 多層人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練: 采用MIT-BIH心律失常數(shù)據(jù)庫作為第一訓(xùn)練數(shù)據(jù)樣本,獲得第一訓(xùn)練數(shù)據(jù)樣本的QRS 波,第一訓(xùn)練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第一訓(xùn)練數(shù)據(jù)樣本的RR間期,將第 一訓(xùn)練數(shù)據(jù)樣本的RR間期分割為Ml個N分鐘的片段,對Ml個片段進行HRV特征分析,計算Ml 個片段的特征向量X作為Ml個房顫特征向量X,元組(房顫特征向量X,11)的集合構(gòu)成第一 訓(xùn)練樣本集,其中有房顫發(fā)生的片段tl=l,無房顫發(fā)生的片段tl=0, 采用MIT-BIH正常竇性心律數(shù)據(jù)庫作為第二訓(xùn)練數(shù)據(jù)樣本,第二訓(xùn)練數(shù)據(jù)樣本的QRS 波,第二訓(xùn)練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第二訓(xùn)練數(shù)據(jù)樣本的RR間期,將第 二訓(xùn)練數(shù)據(jù)樣本的RR間期分割為M2個N分鐘的片段,對M2個片段進行HRV特征分析,計算M2 個片段的特征向量X作為M2個正常特征向量X,元組(正常特征向量X,t2)的集合構(gòu)成第二 訓(xùn)練樣本集,其中t2=0, 采用長時房顫數(shù)據(jù)庫作為第三訓(xùn)練數(shù)據(jù)樣本,獲得第三訓(xùn)練數(shù)據(jù)樣本的QRS波,第三訓(xùn) 練數(shù)據(jù)樣本的QRS波進行分析和處理,提取出第三訓(xùn)練數(shù)據(jù)樣本的RR間期,將第三訓(xùn)練數(shù)據(jù) 樣本的RR間期分割為M3個N分鐘的片段,對M3個片段進行HRV特征分析,計算M3個片段的特 征向量X作為M3個長時房顫特征向量X,元組(長時房顫特征向量X,t3)的集合構(gòu)成第一訓(xùn) 練樣本集,其中有房顫發(fā)生的片段t3=l,無房顫發(fā)生的片段t3=0, 隨機初始化輸入層、隱藏層、輸出層的權(quán)重值;將Ml個房顫特征向量X作為輸入層的輸 入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f (X)獲得Ml個輸出層的值y 1;將M2個正常特征向量X作 為輸入層的輸入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得M2個輸出層的值y2;將M3個長 時房顫特征向量X作為輸入層的輸入向量,根據(jù)輸出層的神經(jīng)網(wǎng)絡(luò)函數(shù)f(X)獲得M3個輸出 層的值y3;根據(jù)第一訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò)輸出值計算Ml個平方誤差之和El=( th-yh )2+( tl2-yl2)2+......+(?1μιι1μι)2,根據(jù)第二訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò)輸出值計算M2個平 方誤差之和……+(t2_y2M2)2,根據(jù)第三訓(xùn)練樣本集及其神經(jīng)網(wǎng)絡(luò) 輸出值計算M3個平方誤差之和……+(七3(?313(?3)2,其中乜八2、七3 為預(yù)期的正確輸出,y l、y 2、y 3為實際輸出; 反復(fù)迭代修正輸入層、隱藏層、輸出層的權(quán)重值,直到誤差E1、E2、E3之和達到極小值, 記錄此時輸入層、隱藏層、輸出層的權(quán)重值,取得最終的權(quán)重值矩陣。2. 根據(jù)權(quán)利要求1所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 所述特征向量X包括瞬時心率平均值、最大瞬時心率HR max、最小瞬時心率HRmin。3. 根據(jù)權(quán)利要求1所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 所述特征向量X包括RR間期的統(tǒng)計參數(shù)。4. 根據(jù)權(quán)利要求3所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 所述統(tǒng)計參數(shù)包括歸一化標(biāo)準(zhǔn)差評(RR)/盈。5. 根據(jù)權(quán)利要求1所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 所述特征向量X包括RR間期沿龐加萊心電散點圖對角線的離散值d。6. 根據(jù)權(quán)利要求5所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 所述離散僅其中4;表示片段內(nèi)第i個RR間期,/3表示片段內(nèi)RR間期數(shù)量。7. 根據(jù)權(quán)利要求1所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 所述特征向量X包括間隔為1,4,16,64,128,2 56的RR間期的差值的均方根,該均方根表示為 msd^y?k ~ 1,4,16,64,128?:v*:· 256 .8. 根據(jù)權(quán)利要求7所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 4表示第i個RR間期,I表示間隔,λ表示片段內(nèi)RR間期數(shù)量。9. 根據(jù)權(quán)利要求1所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在于, 所述特征向量X包括RR間期的傅立葉變換所得傅里葉振幅序列。10. 根據(jù)權(quán)利要求1所述的獲取房顫識別人工神經(jīng)網(wǎng)絡(luò)權(quán)重值矩陣的方法,其特征在 于,所述特征向量X包括心電波形參數(shù)。
      【文檔編號】G06F19/00GK106066933SQ201610361590
      【公開日】2016年11月2日
      【申請日】2016年5月27日 公開號201610361590.X, CN 106066933 A, CN 106066933A, CN 201610361590, CN-A-106066933, CN106066933 A, CN106066933A, CN201610361590, CN201610361590.X
      【發(fā)明人】勾壯, 劉毅
      【申請人】成都信匯聚源科技有限公司
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1