基于深度学习的房颤心电信号智能分析与诊断方法与流程

摘要: 本发明涉及心电信号处理,特别是指基于深度学习的房颤心电信号智能分析与诊断方法。背景技术:1、心电信号处理涉及心脏电活动信号的采集、数字化转换、噪声抑制、波形校正...
基于深度学习的房颤心电信号智能分析与诊断方法与流程

本发明涉及心电信号处理,特别是指基于深度学习的房颤心电信号智能分析与诊断方法。

背景技术:

1、心电信号处理涉及心脏电活动信号的采集、数字化转换、噪声抑制、波形校正、特征提取、节律识别与诊断判定,通常对单导联或多导联心电数据中的基线漂移、工频干扰、肌电噪声和异常尖峰进行中值滤波、带通滤波及阈值剔除,并分析心房除极波、心室除极波群、相邻心室搏动间期及房颤波的形态、时序和频率,其中,传统基于深度学习的房颤心电信号智能分析与诊断方法是指,将分段并完成节律标注的心电波形输入卷积神经网络或长短期记忆网络,针对搏动间期不规则、心房除极波缺失、房颤波频率分布及心室率变化,采用幅值归一化、卷积特征提取、时序关系提取、交叉熵计算、反向传播和概率阈值判定等方式确定心律类别。

2、现有技术通常将分段心电波形输入卷积网络或时序网络,依据搏动间期、波形缺失、房颤波频率及心室率变化输出分类概率,再通过固定阈值判定片段类别,此运行方式存在不足:统一阈值难以适配不同受检对象的基础心率、窦律波动及采集状态,容易把正常波动判为房颤,或遗漏特征较弱的真实房颤,单片段概率判断缺少发作过程约束,进入和退出阶段的过渡片段容易造成区间提前、滞后或断裂,在房颤结束阶段连续出现逐步恢复窦律的片段时,概率轻微波动可能导致结束边界偏移,进而影响发作次数统计、持续时间计算及后续复核。

技术实现思路

1、为了解决现有技术存在的技术问题,本发明实施例提供了基于深度学习的房颤心电信号智能分析与诊断方法,包括以下步骤:

2、s1:获取长时心电信号,并划分为连续心电片段,设立个体窦律基准,通过深度学习模型提取连续心电片段的节律特征向量并计算房颤概率,输出疑似房颤发作区域;

3、s2:从疑似房颤发作区域内选取连续的稳定房颤片段,基于稳定房颤片段获取中心特征向量和内部离散参数,建立房颤发作事件指纹;

4、s3:将后续连续心电片段依次更新房颤发作事件指纹,计算更新前后的离散参数变化及后续连续心电片段与个体窦律基准的距离变化,当离散参数未增大时完成更新,当离散参数持续增大且距离持续减小时,停止更新并冻结连续心电片段加入前的房颤发作事件指纹,将连续心电片段标记为房颤退出候选片段;

5、s4:计算退出候选片段之后的连续心电片段与冻结后的房颤发作事件指纹和个体窦律基准的距离,当前一距离持续增大且后一距离持续减小时,确认房颤退出,反向查找疑似房颤发作区域内最早持续靠近冻结后的房颤发作事件指纹的位置作为房颤起始边界,并反向查找退出候选片段中最早持续靠近个体窦律基准的位置作为房颤结束边界;

6、s5:根据房颤起始边界和房颤结束边界,从长时心电信号中输出房颤候选区间,生成房颤诊断结果。

7、作为本发明的进一步方案,所述s1中,对获取的长时心电信号进行基线漂移去除、工频干扰抑制和幅值归一化处理,识别处理后的长时心电信号中的心搏位置,按照预设心搏数量将相邻心搏划分为连续心电片段,并使相邻连续心电片段之间保留预设数量的重叠心搏。

8、作为本发明的进一步方案,所述个体窦律基准的设立包括,获取目标对象的历史窦律心电信号,将历史窦律心电信号划分为历史窦律心电片段,通过深度学习模型提取历史窦律心电片段的节律特征向量,计算节律特征向量的平均向量和各节律特征向量到平均向量的平均距离,将平均向量和平均距离共同作为个体窦律基准。

9、作为本发明的进一步方案,所述深度学习模型包括波形特征提取层、节律关系提取层和概率输出层;

10、波形特征提取层对连续心电片段中的心搏波形进行编码;

11、节律关系提取层对编码结果及相邻心搏之间的时间间隔进行时序处理,形成节律特征向量;

12、概率输出层根据节律特征向量计算房颤概率,将房颤概率高于疑似阈值的相邻连续心电片段按照时间顺序合并,输出疑似房颤发作区域。

13、作为本发明的进一步方案,所述s2中,从疑似房颤发作区域内选取房颤概率高于房颤阈值、且相邻节律特征向量之间的距离低于事件稳定阈值的连续心电片段,作为稳定房颤片段,并将稳定房颤片段组成初始事件片段集合,计算初始事件片段集合中节律特征向量的平均向量,获取中心特征向量,计算各节律特征向量到中心特征向量的平均距离,获取内部离散参数,将中心特征向量和内部离散参数共同作为房颤发作事件指纹。

14、作为本发明的进一步方案,所述s3中,将初始事件片段集合以及已完成更新的后续连续心电片段组成当前事件片段集合,按照时间顺序读取下一后续连续心电片段,将其节律特征向量与当前事件片段集合中的节律特征向量联合,重新计算中心特征向量和内部离散参数,当重新计算的内部离散参数未大于更新前的内部离散参数时,将下一后续连续心电片段加入当前事件片段集合,并利用重新计算的中心特征向量和内部离散参数更新房颤发作事件指纹。

15、作为本发明的进一步方案,所述房颤退出候选片段的标记包括,将当前后续连续心电片段的节律特征向量与当前事件片段集合中的节律特征向量联合,计算联合前后的内部离散参数差值;

16、计算当前后续连续心电片段与个体窦律基准中的平均向量之间的当前距离,并将当前距离减去前一后续连续心电片段与所述平均向量之间的距离,获得距离变化;

17、当连续预设数量的后续连续心电片段对应的内部离散参数差值均大于零且对应的距离变化均小于零时,停止更新房颤发作事件指纹,冻结第一个后续连续心电片段参与联合计算之前形成的房颤发作事件指纹,并将连续预设数量的后续连续心电片段标记为房颤退出候选片段。

18、作为本发明的进一步方案,所述s4中,依次计算房颤退出候选片段之后的连续心电片段与冻结后的房颤发作事件指纹的中心特征向量之间的第一距离,以及与个体窦律基准中的平均向量之间的第二距离,当连续预设数量的连续心电片段对应的第一距离依次增大且第二距离依次减小时,确认房颤退出。

19、作为本发明的进一步方案,所述房颤起始边界的获取包括,从疑似房颤发作区域内时间最早的稳定房颤片段沿时间反向读取至疑似房颤发作区域的起始位置,获取进入过渡片段;将进入过渡片段按照时间正序排列,依次计算各进入过渡片段与个体窦律基准中的平均向量之间的距离,以及与冻结后的房颤发作事件指纹的中心特征向量之间的距离,将与平均向量之间的距离开始连续增大、且与中心特征向量之间的距离开始连续减小的最早进入过渡片段与其前一连续心电片段之间的位置,作为房颤起始边界。

20、作为本发明的进一步方案,所述房颤结束边界的获取包括,在确认房颤退出后,从房颤退出候选片段中时间最晚的连续心电片段沿时间反向读取至房颤退出候选片段的起始位置,获取退出过渡片段,将退出过渡片段按照时间正序排列,依次计算各退出过渡片段与冻结后的房颤发作事件指纹的中心特征向量之间的距离,以及与个体窦律基准中的平均向量之间的距离,将与中心特征向量之间的距离开始连续增大、且与平均向量之间的距离开始连续减小的最早退出过渡片段与其前一连续心电片段之间的位置,作为房颤结束边界,根据房颤起始边界和房颤结束边界,从长时心电信号中截取并输出房颤候选区间,生成房颤诊断结果。

21、与现有技术相比,本发明的优点和积极效果在于:

22、本发明中,将长时心电信号按心搏划分为相互重叠的连续片段,并依据历史窦律数据形成个体窦律参照,减弱基础心率、节律波动及采集时段差异对识别结果的干扰,对疑似区域内概率较高且特征连续稳定的片段进行聚合,以中心特征和内部离散程度表征本次房颤发作状态,降低偶发噪声及过渡片段对事件特征的影响,后续片段按时间顺序参与更新,结合内部离散变化与窦律接近趋势识别退出过程,在状态偏离房颤且持续靠近窦律时冻结事件特征,避免退出过渡数据引起特征漂移,基于冻结后的发作特征与个体窦律参照,对进入端和退出端实施双向距离趋势定位,减少连续窗口引起的边界提前、滞后及区间断裂,并根据房颤候选区间的起始时间、结束时间、持续时间及各连续心电片段的房颤概率生成房颤诊断结果,提升房颤候选区间的定位精度、诊断结果稳定性、持续时间统计可靠性及复核追溯效率。