一种基于心电压缩感知转置投影信号的房颤检测方法与流程

1.本发明属于心电监测技术领域，具体涉及一种基于心电压缩感知转置投影信号的房颤检测方法。


背景技术：

2.房颤是最常见的持续性心律失常，房颤本身并不危及生命，但是它极大地增加了相关的多种并发症(卒中，血栓等)的发病率，甚至会导致死亡。据世界心脏联合会报告，在过去十年中，心房颤动的发病率和相关死亡率呈指数级增长，已成为全球健康关注的问题。在2010年，全球有3,350万人患有心房颤动。房颤需要长期的药理学治疗和住院治疗，给医疗保健系统造成了巨大的、不断增加的经济负担。因此，准确的检测房颤并采取有效的治疗措施具有重要意义。
3.心电图是一种最常用的无创的记录心脏生理活动的工具之一，心电数据可以为临床医生提供心脏健康和病理方面的重要信息，是一种典型的房颤诊断工具。一些12导联心电监护装置被设计用来确保准确的房颤检测。不幸的是，对于房颤患者，佩戴多导联动态心电图进行长期监测较为繁琐，对其日常活动影响较大。虽然，房颤的确诊是通过12导联心电图，但通过使用单导联心电图信号来筛查房颤是一种经济有效的方法。可穿戴设备因为可以在日常持续监测患者的心跳活动已经大量应用在诊断以外的健康监护。基于可穿戴设备的尺寸和便携性的考虑，电池容量和存储容量会受到限制。可穿戴设备在进行日常心电监护任务过程中能量消耗用于信号采集，处理，大部分用于传输。例如，当采样率为400hz，分辨率为12位时，一个单导联心电信号需要存储或者传输26mb数据；当分辨率为16位时，两个导联需要传送138mb的数据。因此，如何尽可能减少可穿戴设备的信号采集，提高数据传输效率是一个至关重要的问题。
4.心电压缩算法很早就开始有学者研究，早期的算法如有基于时间的算法像 amplitude
‑
zone
‑
time
‑
epoch
‑
coding(aztec)和coordinate
‑
reduction
‑
time
‑ꢀ
encoding system(cortes)，也有基于转换域的算法像基于离散小波变换，基于离散余弦变换。对于低功耗设备，由于复杂的变换，压缩算法可能很耗电。压缩感知是一种有损压缩方法，因为保证亚奈奎斯特采样和低复杂度的操作对远程监测系统具有极大的吸引力，在压缩心电信号时可以降低测量装置的功耗的计算资源。目前心电压缩感知的相关工作主要分为两种框架：(a)重构分析框架：在采集端对信号压缩，将压缩信号传输至云端，在云端对压缩信号重构，最后对重构信号进行下一步分析，见图2(a)；(b)压缩学习框架：在采集端进行信号压缩，将压缩信号传输至云端，在云端直接对压缩信号进行分类,见图2(b)。框架(a)所存在的问题是在云端对压缩信号进行重构需要极大的计算复杂度。框架(b)是针对框架(a)的问题，利用压缩学习理论跳过重构过程直接对压缩信号进行分类，但是因为压缩信号损失了很多信息，框架(b)对心电压缩信号分类的结果并不够好。


技术实现要素：

5.本发明针对现有技术的不足，提供一种基于心电压缩感知转置投影信号的房颤检测方法。具体方案如下：
6.步骤1：可穿戴设备端对原始心电信号进行随机投影，得到压缩信号y；过程如下：
[0007][0008]
其中，
[0009]
y∈r
m
是压缩信号，是原始信号的压缩表示，
[0010]
x是一条原始ecg信号，
[0011]
是观测矩阵，来通过调整m的大小来控制压缩程度；
[0012]
步骤2：可穿戴设备端将压缩数据传输到远程服务器端；
[0013]
步骤3：服务器端对压缩信号进行转置投影操作；过程如下：
[0014][0015]
其中，
[0016]
x^∈r
n
是近似信号，与原始信号有相同的尺寸，
[0017]
是观测矩阵的转置；
[0018]
步骤4：服务器端对转置投影信号进行归一化操作；过程如下：
[0019][0020]
其中，
[0021]
是均值，
[0022]
是标准差，
[0023]
z是标准化之后的数据；
[0024]
步骤4：服务器端对预处理之后的数据输入预先建立的房颤检测模型中，输出房颤信号的检测结果；过程如下：
[0025]
r＝g(z，θ)；
[0026][0027]
其中，
[0028]
θ是卷积神经网络中的相关参数，
[0029]
d是心拍类别的数量(d＝2，输出房颤或者非房颤)，
[0030]
o是模型输出的一条压缩信号属于某一类的概率；
[0031]
本发明相对现有技术具有突出的实质性特点和显著进步，具体地说，本发明提出了结合压缩感知和残差网络的房颤检测模型(tp
‑
cnn)，它首先使用sdmm 对原始心电信号进行压缩，然后对压缩信号进行转置投影得到近似信号，最后将近似信号输入深度神经网络进行房颤检测。与最先进的方法相比，远高于压缩信号的房颤检测结果，另外与原始信号房颤检测结果相比，也具有可以竞争的表现。在可穿戴应用场景下，可以做到高压缩比、高精度房颤检测，是一种很有前景的方法。
附图说明
[0032]
图1为本发明房颤检测方法的整体架构。
[0033]
图2为心电压缩感知的不同框架。
[0034]
图3为不同观测矩阵的在不同cr下的房颤检测结果。
[0035]
图4为原始信号和近似信号之间的皮尔森相关系数。
[0036]
图5为原始信号和近似信号之间的四种特征的余弦相似度。
具体实施方式
[0037]
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
[0038]
如图1所示，一种有损压缩心电信号房颤筛查系统，该系统包括：
[0039]
对原始心电信号按照不同的压缩比进行压缩，得到压缩数据；
[0040]
对压缩信号进行转置投影并对转置投影数据进行归一化；
[0041]
将处理好的数据输入tp
‑
cnn网络模型进行房颤筛查。
[0042]
给定一个心电信号x∈r
n
，所述原始信号压缩通过下面步骤完成：
[0043][0044]
y∈r
m
是压缩信号，是原始信号的压缩表示，
[0045]
x是一条原始ecg信号，
[0046]
是观测矩阵，来通过调整m的大小来控制压缩程度。
[0047]
所述对压缩数据进行转置投影操作通过下面步骤完成：
[0048][0049]
x^∈r
n
是近似信号，与原始信号有相同的尺寸，
[0050]
是观测矩阵的转置。
[0051]
所述对转置投影信号进行归一化操作通过下面步骤完成：
[0052][0053]
是均值，
[0054]
是标准差，
[0055]
z是标准化之后的数据。
[0056]
所述将处理好的数据输入tp
‑
cnn网络模型进行房颤检测通过下面步骤完成：
[0057]
r＝g(z，θ)；
[0058][0059]
θ是卷积神经网络中的相关参数，
[0060]
d是心拍类别的数量(d＝2，输出房颤或者非房颤)，
[0061]
o是模型输出的一条压缩信号属于某一类的概率。
[0062]
本发明提出的tp
‑
cnn网络结构参数如表1所示，整个模型主要包括四个模块：卷积块，残差块1，残差块2，检测块，具体参数见表1。卷积块包括conv、 bn和relu。残差块1包括conv、bn、relu、dropout和conv。残差块2包括bn、relu、dropout、conv、bn、relu、dropout和
conv。检测模块包括 gap和softmax。在训练过程中，设置batch size为256，epoch为50。训练使用的损失函数是分类交叉熵，采用adam进行优化，初始学习率设置为0.0009，在每一次循环迭代中更新模型参数。
[0063]
表1.模型的详细参数
[0064][0065][0066]
验证实验
[0067]
实验使用的数据集是mit
‑
bih房颤数据集。mit
‑
bih房颤数据集包括25例患有房颤(主要是阵发性发颤)患者的长期心电记录。其中00735号和03665 号记录只有节律文件和
没有经过审查的节拍注释文件，所以我们使用其余23个记录。每条记录持续约10个小时，采样率为250hz，包括两个导联信号(我们选择第一导联)。经过专家标注之后，主要包括四种节拍类型，afib(心房颤动)， afl(心房扑动)，j(av交界节律)和n(用于表示所有其他节拍)。本发明将数据集分为两类：非房颤记录(包括n,afl和j)和房颤记录，将所有心电信号划分为8s心电片段，对近似信号进行二分类操作检测房颤。
[0068]
本发明方法的目的是检测可穿戴设备的心电压缩感知信号中的房颤节律。观测矩阵作为压缩感知中很重要的一部分,其特性直接决定压缩感知理论的物理可行性以及压缩感知信号重构的精度(虽然本文并不涉及重构)。心电压缩感知领域早期经常使用高斯观测矩阵(grsm)，但是因为本身都是浮点数据导致在实际应用中受到限制。为了解决这个问题，随机稀疏矩阵(像伯努利分布观测矩阵 (bdrm)和稀疏二进制观测矩阵(sbsm)被提出，因为本身具有大多数零，可以极大减少压缩过程的计算复杂度，并且也可以做到与密集高斯高斯观测矩阵有类似的表现。同时，最近有人也在研究像toeplitz、块对角类似的结构化的观测矩阵。
[0069]
为了详细分析观测矩阵对房颤检测结果的影响，我们使用grsm、bdrm、 sbsm和sdmm对原始心电信号压缩，并将压缩信号进行转置投影得到各自的近似信号，将每个观测矩阵对应得到的近似信号输入神经网络进行房颤检测，为了简化过程，我们仅对四种压缩比做了实验，具体结果在图3展示。
[0070]
通过图3可以看出，cr从2到10，grsm、bdrm、sbsm所对应的accuracy (acc),recall(rec),precision(pre),specificity(spe),f1 score(f1)和mcc在逐步下降，尤其mcc表现的特别明显(在评估二分类任务时，mcc比acc和f1更适合)，grsm、bdrm、sbsm所对应的mcc分别为从94.51％、94.17％和95.20％降到79.72％、79.08％和76.74％。然而，sdmm在四种压缩比的mcc分别为 98.79％,98.67％,98.60％和98.49％，说明使用sdmm是极为合适的。
[0071]
神经网络的输入是观测矩阵对原始信号进行压缩，转置投影、归一化得到近似信号，近似信号并不是通过高计算复杂度的重构算法得到的重构信号，也与原始信号不相同。通过sdmm所得到的近似信号为什么可以得到较好的房颤检测表现？下面，本发明将分析近似信号和原始信号之间的关系。
[0072]
我们从信号整体和信号局部特征两部分来进行分析。首先，我们使用皮尔森相关系数来衡量原始信号和近似信号之间的相似程度。图4展示了原始信号和近似信号之间的皮尔森相关系数，我们将afdb中23条记录在九种压缩比下都进行计算。通过图4可以看出，即使是当cr＝10，23条记录的皮尔森相关系数中位数为0.8391。换句话说，即使原始信号压缩为原来的1/10，其近似信号与原始信号也是较为相似的。另外，图中出现一个奇异点
‑
08405记录，这条记录成为奇异点的原因很可能是本身噪声极大，甚至有部分不可读。
[0073]
然后，我们从心电信号的局部特征进行分析。我们对原始信号和近似信号分别提取了meanrr、rmssd、sdnn和r波密度四种特征。因为余弦相似度被广泛应用到评价特征相似程度，针对这四种特征，我们分别对23条记录的原始信号和近似信号在不同的压缩比下计算余弦相似度，通过图5的计算结果表示， cr从2到10，所有记录的meanrr和rdensity的原始信号和近似信号之间的余弦相似度都要高于0.9855，所有记录的rmssd、sdnn的原始信号和近似信号之间的余弦相似度的中位数均高于0.8798，这就说明近似信号和原始信号之间的局部特征也是比较相似的。综上所述，从信号整体到局部特征的数据可以得出结论：近似
信号拥有原始信号极为近似的特征，所以才能提供神经网络进行有效的学习。
[0074]
验证了sdmm经过处理得到的近似信号的有效性之后，这一部分我们分析 tp
‑
cnn在不同压缩比(cr＝0,2,3,4,5,6,7,8,9,10)下房颤检测结果。cr＝0表示没有进行压缩的原始心电数据。
[0075]
表2列出了tp
‑
cnn和我们之前的工作cs
‑
cnn在不同压缩比下的结果。实验结果表明，从方法层面来看，无论是tp
‑
cnn还是cs
‑
cnn，原始信号的分类结果与不同压缩比下的近似数据的结果都是非常接近的，没有出现明显的下降，其中，cs
‑
cnn的六种评价指标在不同压缩比下的表现最多相差约2％，tp
‑
cnn 的六种评价指标在不同压缩比下的表现最多相差约1％，这就更能说明我们将压缩信号处理成近似信号的有效性。从表现层次来看，tp
‑
cnn六种指标都要高于 cs
‑
cnn，例如，在cr＝10,tp
‑
cnn的acc(％)、rec(％)、pre(％)、spe(％)、f1(％) 和mcc(％)分别要比cs
‑
cnn高4.39％、6.09％、4.81％、3.24％、5.45％和9.12％，这就说明我们提出的tp
‑
cnn的有效性。
[0076]
表2.不同压缩比的af检测结果
[0077][0078][0079]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。