一种多维度可电除颤心律快速识别方法与流程

本发明涉及心律快速识别，具体为一种多维度可电除颤心律快速识别方法。

背景技术：

1、在心脏骤停的临床急救与自动体外除颤器（aed）的应用中，准确且快速地识别可电击除颤心律是提高患者生存率的核心前提，由于急救现场环境复杂且患者个体电生理差异显著，采集到的心电信号往往伴随着强烈的肌电伪差、基线漂移以及电极接触噪声，这对心律识别算法的鲁棒性提出了较高的要求。

2、目前本领域常规的心律识别技术普遍采用一种顺次级联的单向流水线架构，其典型处理流程通常是先利用pan-tompkins等启发式算法进行前置的qrs波形态学初筛，随后在固定时间窗内提取静态的时域、频域或非线性特征，并送入支持向量机等机器学习模型进行二分类输出，为了降低单一时间窗带来的误判率，现有方案往往会在初次判定为可除颤后，直接引入固定时间步长的滑动窗口进行二次采样与复核。

3、但是这种传统的解耦式流水线架构在应对极端复杂的急救工况时暴露出了深层的逻辑缺陷，在整个数据流转过程中，前端的形态学初筛与后端的机器学习特征提取处于相互割裂的孤岛状态，前端在评估波形时感知到的信号恶化程度无法向前馈送，导致无论底层心电信号是否遭受了局部高频干扰，特征提取模块均盲目且静态地计算固定维度的特征，导致对噪声极度敏感的时域参数污染分类器的输入空间，同时传统的二次复核机制在时间窗口的平移策略上缺乏与生理节律的同步性，由于室颤或室速发作时患者的心动周期处于无序或异常高频状态，固定的时间步长滑动会切断核心的生理波形，造成二次特征抓取时的样本失真与周期割裂，并且在最终的容错判定层面，现有技术通常仅依赖两次分类标签的死逻辑交集，完全剥离了底层物理参量的约束，一旦二次采样窗口遭遇偶发的瞬间接触不良噪声，分类模型便会输出矛盾标签从而直接否决电击，在关键抢救节点引发致命的漏报与误判。

技术实现思路

1、针对现有技术的不足，本发明提供了一种多维度可电除颤心律快速识别方法，解决了传统单向流水线架构中特征提取盲目且会受噪声污染、刚性时间分窗容易截断生理连续波形，以及缺乏跨维度物理能量容错仲裁导致因偶发干扰引发漏报的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种多维度可电除颤心律快速识别方法，包括：

3、s1：对心电信号进行预处理并截取第一时间窗片段；

4、s2：当初步形态波形检测判定所述第一时间窗片段属于异常心律时，提取心律周期参量与置信度因子；

5、s3：提取所述第一时间窗片段的多维度特征，根据所述置信度因子对所述多维度特征进行掩膜重构，生成第一加权向量；

6、s4：将所述第一加权向量输入分类模型进行推理，输出第一状态标签；

7、s5：当所述第一状态标签指示为可电击除颤心律或当所述第一状态标签指示为不可电击除颤心律且所述置信度因子小于预设置信度阈值时，依据所述心律周期参量确定滑动步长，并按所述滑动步长从所述心电信号中截取第二时间窗片段；

8、s6：提取所述第二时间窗片段的所述多维度特征，根据所述置信度因子进行掩膜重构生成第二加权向量，将所述第二加权向量输入所述分类模型进行推理，输出第二状态标签；

9、s7：计算所述第一时间窗片段与所述第二时间窗片段之间的物理能量偏差，结合所述第一状态标签、所述第二状态标签及所述物理能量偏差，输出除颤判决结果。

10、优选的，所述对心电信号进行预处理并截取第一时间窗片段，包括：

11、对获取的原始心电信号依次进行带通滤波与工频陷波滤波，并去除基线漂移分量以生成标准化心电信号；

12、依据预设的时间窗长度从所述标准化心电信号中提取连续的离散样本数据，构建所述第一时间窗片段。

13、优选的，所述判定所述第一时间窗片段属于异常心律，包括：

14、对所述第一时间窗片段进行形态学波形检测；

15、当在所述第一时间窗片段内未检测到符合预设正常心律指标的波群时，判定所述第一时间窗片段属于所述异常心律。

16、优选的，所述提取心律周期参量与置信度因子，包括：

17、计算所述第一时间窗片段内相邻特征波峰值的时间间隔期望值，或提取所述第一时间窗片段的频谱主频倒数，作为所述心律周期参量；

18、根据所述第一时间窗片段内的移动积分峰值与背景噪声均方根，计算生成表征信号质量的所述置信度因子。

19、优选的，所述提取所述第一时间窗片段的多维度特征，根据所述置信度因子对所述多维度特征进行掩膜重构，生成第一加权向量，包括：

20、提取所述第一时间窗片段的时域特征、频域特征、非线性特征及时频域特征，降维后构成初始特征集合；

21、基于所述置信度因子生成对应的特征掩膜权重集合；

22、将所述初始特征集合与所述特征掩膜权重集合进行逐元素乘积运算，得到所述第一加权向量。

23、优选的，所述基于所述置信度因子生成对应的特征掩膜权重集合，包括：当所述置信度因子表征信号质量下降时，降低所述特征掩膜权重集合中所述时域特征对应的掩膜权重，并提高所述非线性特征对应的掩膜权重。

24、优选的，所述分类模型为支持向量机模型，所述支持向量机模型采用径向基函数将输入特征映射至高维空间，以划分可电击除颤心律与不可电击除颤心律的判定边界。

25、优选的，所述依据所述心律周期参量确定滑动步长，并按所述滑动步长从所述心电信号中截取第二时间窗片段，包括：

26、将所述心律周期参量乘以预设的步长比例系数并加上时间补偿常数，得到所述滑动步长；

27、将所述滑动步长转换为离散采样点平移量，从所述心电信号中向后平移截取长度与所述第一时间窗片段相等的片段，作为所述第二时间窗片段。

28、优选的，所述计算所述第一时间窗片段与所述第二时间窗片段之间的物理能量偏差，包括：

29、分别计算所述第一时间窗片段内所有采样点幅值的平方和以及所述第二时间窗片段内所有采样点幅值的平方和；

30、将所述第二时间窗片段的平方和与所述第一时间窗片段的平方和求差并取绝对值，得到所述物理能量偏差。

31、优选的，所述结合所述第一状态标签、所述第二状态标签及所述物理能量偏差，输出除颤判决结果，包括：

32、当所述第一状态标签与所述第二状态标签均指示为可电击除颤心律时，输出建议除颤的所述除颤判决结果；

33、当所述第一状态标签与所述第二状态标签均指示为不可电击除颤心律时，输出拒绝除颤的所述除颤判决结果；

34、当所述第一状态标签与所述第二状态标签的指示发生冲突时，比较所述物理能量偏差与预设能量容差阈值；

35、若所述物理能量偏差小于或等于所述预设能量容差阈值，当所述第一状态标签为可电击除颤心律时维持第一状态标签的判定，当所述第一状态标签为不可电击除颤心律时采纳第二状态标签的判定，输出建议除颤的所述除颤判决结果；

36、若所述物理能量偏差大于所述预设能量容差阈值，输出拒绝除颤的所述除颤判决结果。

37、本发明提供了一种多维度可电除颤心律快速识别方法。具备以下有益效果：

38、1、本发明通过在初筛阶段提取质量置信度因子，并利用该因子对提取的多维度特征进行动态掩膜重构，打破传统分类模型静态接收固定特征向量的局限，当底层信号受肌电伪差或基线扰动严重时，系统能够依据置信度自动降权易受干扰的时域特征并补偿非线性特征，使得后级分类模型能够基于自适应重构的特征空间进行判决，从机制上排除了高频噪声对敏感特征分量的干扰。

39、2、本发明通过提取初始心电片段的心律周期参量，并利用该参量按线性仿射关系动态计算二次校验的时间窗滑动步长，消除了常规固定步长截取容易切断核心心动周期的物理缺陷，通过受底层生理特征驱动的非等长分窗机制，确保无论是处于极端高频的室颤还是相对规律的室速状态下，二次抽样均能精准捕获具备完整形态学意义的连续波形，保障了二次推理数据源的物理有效性。

40、3、本发明通过构建协同状态机并引入物理能量偏差作为仲裁条件，在前后两次模型推理标签出现冲突时，跨维度回溯比对两个时间窗信号片段的底层能量波动程度，能够甄别由偶发局部噪声引发的算法层分类跳变，当确认物理能量实质未发生跳变时激活锁存机制维持原判，排除单纯依赖数学分类器所带来的漏报隐患，确立了横跨算法层与物理层的双重验证机制。

41、4、本发明通过将前置形态学检测中产生的周期参量与置信度因子进行剥离与前向反馈，使原本仅作为独立初筛工具的启发式规则与后置机器学习模型产生实质性的参数交织，通过直接复用前端信号评估过程中的副产物，将其作为控制后端特征掩膜与时间轴切割的驱动参量，不仅避免独立模块堆砌造成的重复运算，更能够打破各步骤单向解耦的线性流水线弊端。

42、5、本发明通过在时频多域提取候选特征并实施动态降维，结合上述自适应分窗与状态机回溯机制，构建了深度相互校验的识别体系，在整个判定流中，系统不盲从于单一维度的数据输入或单次模型的输出结果，而是迫使前端物理参量、中端多域掩膜机制与后端联合状态机互相约束，使得整体系统架构具备逻辑内聚力，能够在复杂多变的临床电生理急救环境中输出真实可靠的除颤建议。