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