一种基于统计特征的房颤识别方法与流程

1.本发明涉及的是一种基于统计特征的房颤识别方法，属于心电数据分析领域。


背景技术：

2.心房颤动是最常见的房性心律失常，房颤是由心房组织内异位起搏点异常快速放电以及电信号各方向传导不均衡造成。正常窦性心律时心跳在60-100次/分，频率规整，因此心房各部收缩协调一致；而房颤律时，心房收缩非常快速通常在300-600次/分，频率极不规整，造成心房各部收缩舒张极不协调，形成心房纤维性颤动。
3.房颤时，心房的快速不规则心律传导到心室，会造成心室率快速不规则，所以房颤患者会感到心悸。心室快速不规则的收缩还会引起心室泵血功能的显著下降。心脏泵血减少，可以造成人体脑部及其他器官得不到足够的血液供应，因此患者会感到气短，眩晕，身体疲乏等症状，严重者会晕倒。心室率不快时，也有些病人没有症状，因此患者很难确认自己患有房颤。
4.近年来，众多国内外的研究者根据发生房颤时心电图的变化特点，从信号的角度对房颤检测算法进行了深入的研究，其中，基于rr间期特征的房颤识别算法计算量小稳定性高，在处理临床心电图和动态心电图中均得到广泛应用。随着人工智能在各个领域的广泛应用，很多研究者都采用机器学习或者深度学习的方法提取心房活动的特征参数对房颤信号进行分类识别。然而发生房颤时，rr间期不规则也会出现在其他心律失常中，如：窦性心律不齐、房性心动过速、房性早搏二联律、房性早搏三联律等。因此受到异常心电信号特征复杂性的限制，这些方法仅研究了房颤与正常窦性心搏的区别，对于频发早搏、房性心动过速、房性早搏二联律等异常心搏无法做出准确的特征区分。


技术实现要素：

5.本发明的目的在于克服上述存在的不足，而提供一种能够准确快速的分析心电信号是否出现房颤症状的基于统计特征的房颤识别方法。
6.本发明的目的是通过如下技术方案来完成的：一种基于统计特征的房颤识别方法，所述方法包括以下步骤：
7.(1)输入心电数据，对心电数据进行滤波处理，然后进行心搏定位检测并根据心搏定位计算rr间期，然后设定rr间期阈值范围，根据心电数据中rr间期的分布状况对所述心搏数据进行干扰波识别，根据干扰波识别结果以及心搏数据对所述数据进行标注；
8.(2)根据所述的标注后的心搏数据，计算心电rr间期数值特征，并根据这些统计数值设定滑动扫描窗口的信息；
9.(3)根据所述的滑动窗口信息，对按照时间顺序排列好的rr间期进行从滑动窗口起点(rr间期最小值)开始滑动扫描，直至滑动窗口终点(rr间期最大值)，然后获得一系列包含rr间期数据的滑动窗口；
10.(4)根据上述一系列滑动窗口，从其中选取rr间期个数排名前三的滑动窗口(三个
区间内rr间期互不相交)，然后根据所述的三个区间，分别计算其中的一系列区间特征；
11.(5)根据上述rr间期的数值特征以及区间特征，使用lightgbm算法训练房颤识别模型；
12.(6)根据上述的房颤识别模型，将其应用于验证集的数据上，使用特异性和f1值评估模型的性能，选择性能优异的作为最终的分类模型。
13.作为优选：所述步骤(1)中对心电数据进行滤波以及计算rr间期，并对心电数据进行标注，具体包括：
14.(1)对所述的心电数据滤波后首先进行r波定位检测，然后计算相应的rr间期，按照时间顺序对rr间期进行编号；
15.(2)设定rr间期阈值为300ms-1800ms，首先去除不符合阈值范围的rr间期，若有超过全部rr间期个数的1/10，对所述心电数据进行干扰波识别，若识别结果为干扰波，去除所述干扰波数据。
16.作为优选：所述步骤(2)中心搏数据计算数值特征并确定滑动扫描窗口的信息，具体包括：
17.(1)根据所述心搏数据得到rr间期，计算所有rr间期的平均值，标准差等数值特征；
18.(2)根据所述的rr间期数据，把所有rr间期中的最小rr间期值定为滑动扫描窗口的起点，所有rr间期中最大rr间期值定位滑动扫描窗口的终点，rr间期的平均值的1/10作为滑动扫描窗口的宽度，扫描步长设为1，然后对所有的rr间期进行滑动扫描，得到每个滑动扫描窗口中的rr间期数据。
19.作为优选：所述步骤(4)根据每个扫描区间的rr间期数据选出rr间期个数前三的滑动窗口，具体包括：
20.(1)根据所述的每个窗口的rr间期数据，首先选取rr间期个数最多的窗口作为window1，然后从剩余的滑动扫描窗口内选取rr间期个数最多的区间作为window2，并且保证window2与window1内的rr间期序号不存在交集，依此方法选取出window3；
21.(2)对于window1、window2或window3，如果有多个相同个数的窗口存在，那么选取其中rr间期最为集中的一个窗口作为对应的window1、window2或window3(扫描窗口内的rr间期标准差最小)。
22.作为优选：所述window1、window2、window3之间通过计算得出区间特征具体在于：
23.(1)window1、window2、window3内对应的rr间期的个数；
24.(2)window1、window2、window3中rr间期序号连续的个数；
25.(3)window1、window2、window3中rr间期序号间隔一个数的个数；
26.(4)window1、window2、window3中rr间期序号间隔两个数的个数；
27.(5)window1、window2、window3中rr间期序号间隔三个数的个数；
28.(6)window1、window2、window3中rr间期序号连续的个数总和以及它的占比；
29.(7)window1、window2、window3中rr间期序号间隔一个数的个数总和以及它的占比；
30.(8)window1、window2、window3中rr间期序号间隔两个数的个数总和以及它的占比；
31.(9)window1、window2、window3中rr间期序号间隔三个数的个数总和以及它的占比。
32.作为优选：所述步骤(6)中使用测试集的数据对得到的模型进行测试，得到性能有意的模型最为最终的房颤识别模型，具体在于：
33.(a)模型的特异性(sp)大于等于0.93并且f1值大于等于0.9，说明模型性能良好，可以作为最终的模型；
34.(b)模型的特异性(sp)小于0.93或者f1值小于0.9，说明模型性能欠佳，重新到步骤8调整参数进行训练。
35.本发明能够准确快速的分析心电信号是否出现房颤症状，对于频发早搏、房性心动过速、房性早搏二联律等异常心搏可以做出准确的特征区分。
附图说明
36.图1是本发明测试结果的框图。
37.图2是本发明中rr间期序号描述图。
38.图3是本发明的整体流程图。
具体实施方式
39.下面将结合附图对本发明作详细的介绍：如图1-3所示，一种基于统计特征的房颤识别方法，所述方法包括以下步骤：
40.(1)输入心电数据，对心电数据进行滤波处理，然后进行心搏定位检测并根据心搏定位计算rr间期，然后设定rr间期阈值范围，根据心电数据中rr间期的分布状况对所述心搏数据进行干扰波识别，根据干扰波识别结果以及心搏数据对所述数据进行标注；
41.(2)根据所述的标注后的心搏数据，计算心电rr间期数值特征，并根据这些统计数值设定滑动扫描窗口的信息；
42.(3)根据所述的滑动窗口信息，对按照时间顺序排列好的rr间期进行从滑动窗口起点(rr间期最小值)开始滑动扫描，直至滑动窗口终点(rr间期最大值)，然后获得一系列包含rr间期数据的滑动窗口；
43.(4)根据上述一系列滑动窗口，从其中选取rr间期个数排名前三的滑动窗口(三个区间内rr间期互不相交)，然后根据所述的三个区间，分别计算其中的一系列区间特征；
44.(5)根据上述rr间期的数值特征以及区间特征，使用lightgbm算法训练房颤识别模型；
45.(6)根据上述的房颤识别模型，将其应用于验证集的数据上，使用特异性和f1值评估模型的性能，选择性能优异的作为最终的分类模型。
46.所述步骤(1)中对心电数据进行滤波以及计算rr间期，并对心电数据进行标注，具体包括：
47.(1)对所述的心电数据滤波后首先进行r波定位检测，然后计算相应的rr间期，按照时间顺序对rr间期进行编号；
48.(2)设定rr间期阈值为300ms-1800ms，首先去除不符合阈值范围的rr间期，若有超过全部rr间期个数的1/10，对所述心电数据进行干扰波识别，若识别结果为干扰波，去除所
述干扰波数据。
49.所述步骤(2)中心搏数据计算数值特征并确定滑动扫描窗口的信息，具体包括：
50.(1)根据所述心搏数据得到rr间期，计算所有rr间期的平均值，标准差等数值特征；
51.(2)根据所述的rr间期数据，把所有rr间期中的最小rr间期值定为滑动扫描窗口的起点，所有rr间期中最大rr间期值定位滑动扫描窗口的终点，rr间期的平均值的1/10作为滑动扫描窗口的宽度，扫描步长设为1，然后对所有的rr间期进行滑动扫描，得到每个滑动扫描窗口中的rr间期数据。
52.所述步骤(4)根据每个扫描区间的rr间期数据选出rr间期个数前三的滑动窗口，具体包括：
53.(1)根据所述的每个窗口的rr间期数据，首先选取rr间期个数最多的窗口作为window1，然后从剩余的滑动扫描窗口内选取rr间期个数最多的区间作为window2，并且保证window2与window1内的rr间期序号不存在交集，依此方法选取出window3；
54.(2)对于window1、window2或window3，如果有多个相同个数的窗口存在，那么选取其中rr间期最为集中的一个窗口作为对应的window1、window2或window3(扫描窗口内的rr间期标准差最小)。
55.所述window1、window2、window3之间通过计算得出区间特征具体在于：
56.(1)window1、window2、window3内对应的rr间期的个数；
57.(2)window1、window2、window3中rr间期序号连续的个数；
58.(3)window1、window2、window3中rr间期序号间隔一个数的个数；
59.(4)window1、window2、window3中rr间期序号间隔两个数的个数；
60.(5)window1、window2、window3中rr间期序号间隔三个数的个数；
61.(6)window1、window2、window3中rr间期序号连续的个数总和以及它的占比；
62.(7)window1、window2、window3中rr间期序号间隔一个数的个数总和以及它的占比；
63.(8)window1、window2、window3中rr间期序号间隔两个数的个数总和以及它的占比；
64.(9)window1、window2、window3中rr间期序号间隔三个数的个数总和以及它的占比。
65.所述步骤(6)中使用测试集的数据对得到的模型进行测试，得到性能有意的模型最为最终的房颤识别模型，具体在于：
66.(a)模型的特异性(sp)大于等于0.93并且f1值大于等于0.9，说明模型性能良好，可以作为最终的模型；
67.(b)模型的特异性(sp)小于0.93或者f1值小于0.9，说明模型性能欠佳，重新到步骤8调整参数进行训练。
68.具体实施例
69.作为具体实施方案，本发明包括以下步骤：
70.1.数据抽取：
71.通过数据采集心电数据104208份，其中包含窦性心搏80342份，心房颤动9872份，
二联律1346份，三联律738份，四联律324份，心动过速1089份，窦性心律不齐10497份。
72.2.数据预处理：
73.(1)对心电数据进行滤波处理，对滤波完成之后的心电数据进行r波定位检测，确定r波、位置之后，计算相应的rr间期；
74.(2)设定rr时间上限阈值为1800ms，下限阈值为300ms，当出现5次以上不满足时间阈值的rr间期，对心电数据进行干扰波判断；这样是为了尽量减少干扰波对于房颤识别的影响，同时又能够尽量的保留更多的数据信息。
75.3.数据集划分：
76.(1)对所述数据进行标注，将房颤数据标注为房颤，其他数据标注为非房颤数据；
77.(2)数据集划分为训练集、测试集样本，其比例设定为7:3；
78.4.扫描区间基本信息计算：
79.(1)计算所有rr间期的个数size、平均值avg与标准差std，得到rr间期的集合rset；
80.(2)初步选取窗口window长度scan，扫描步长为k，起点位置为p1(最小rr间期值)，终点位置为p2(最大rr间期值)，通过不断测试，最终选取scan＝avg/10，k＝1；
81.(3)判断scan是否小于等于(p2-p1)；
82.a.如果大于或等于，直接输出该份心电数据不是房颤；
83.b.如果小于，滑动窗口w以p1为起点，以k为步长，统计每一步落在w内的所有rr间期，将其存放于scanset中，并将w内rr间期的个数存放于numsacn中，直到终点p2；
84.5.分类区间计算：
85.(1)对数组numsacn内的元素进行降序排序，将其索引index输出，将scanset按照indexnum进行重新调整；
86.(2)选取scanset中第一位元素对应的w作为第一区间，并将w内对应的rr间期存放于window1；
87.(3)以scanset中第二位为起点，向下寻找与window1中的rr间期没有交集的w，记录下它的位置secondplace，并将w内对应的rr间期存放于window2；
88.(4)判断window1与window2内的rr间期个数之和是否小于size：
89.a.如果等于，跳到步骤4进行分类特征的计算；
90.b.如果小于，以scanset中第secondplace 1位为起点，继续向下寻找与window1和window2内的rr间期均没有交集的w，记录下它的位置thirdplace，并将w内对应的rr间期存放于window3；
91.6.分类特征计算：
92.(1)统计window1、window2、window3内rr间期个数length1、length2、length3；
93.(2)对window1内的rr间期按照发生时间进行排序，找出其中rr间期序号连续出现的个数，记作num1；找出rr间期序号间隔一个数的个数，记作num2；找出rr间期序号间隔两个数的个数，记作num3；找出rr间期序号间隔三个数的个数，记作num4；
94.(3)对window2内的rr间期按照发生时间进行排序，找出其中rr间期序号连续出现的个数，记作num5；找出rr间期序号间隔一个数的个数，记作num6；找出rr间期序号间隔两个数的个数，记作num7；找出rr间期序号间隔三个数的个数，记作num8；
95.(4)对window3内的rr间期按照发生时间进行排序，找出其中rr间期序号连续出现的个数，记作num9；找出rr间期序号间隔一个数的个数，记作num10；找出rr间期序号间隔两个数的个数，记作num11；找出rr间期序号间隔三个数的个数，记作num12；
96.(5)计算rr间期序号连续总数numsum1，其计算公式为：
[0097][0098]
其中，num1i为window内rr间期序号连续的个数，i为window的个数；
[0099]
(6)计算rr间期序号间隔一个数的个数总和numsum2，rr间期序号间隔两个数的个数总和numsum3，rr间期序号间隔三个数的个数总和numsum4；
[0100][0101]
其中，num2i为window内rr间期序号间隔一个数的个数，i为window的个数；
[0102][0103]
其中，num3i为window内rr间期序号间隔两个数的个数，i为window的个数；
[0104][0105]
其中，num4i为window内rr间期序号间隔三个数的个数，i为window的个数；
[0106]
(7)计算三个区间内rr间期序号连续的占比pro1，计算公式为：
[0107][0108]
计算三个区间内rr间期序号间隔一个数的总和占比pro2，计算公式为：
[0109][0110]
计算三个区间内rr间期序号间隔两个数的总和占比pro3，计算公式为：
[0111][0112]
计算三个区间内rr间期序号间隔三个数的总和占比pro4，计算公式为：
[0113][0114]
7.特征构建：
[0115]
将size、avg、std、length1、length2、length3、num1至num12、numsum1、numsum2、numsum3、numsum4、pro1、pro2、pro3、pro4作为标签用于lightgbm分类模型计算。
[0116]
8.训练模型：
[0117]
对所有心电数据计算上述步骤五中26个特征，将这26个特征整合成一个向量作为二分类模型的输入，将房颤与非房颤作为二分类模型的输出，使用lightgbm训练数据得到模型，最终模型预测心电数据是房颤的概率；
[0118]
9.模型评估与优化：
[0119]
基于步骤8预测模型的参数，分别应用到测试集样本中，基于精度和灵敏度相结合的f1评分对模型的性能进行评估：
[0120]
(a)模型的特异性(sp)大于等于0.93并且f1值大于等于0.9，说明模型性能良好；
[0121]
(b)模型的特异性(sp)小于0.93或者f1值小于0.9，说明模型性能欠佳，重新到步骤8调整参数进行训练。
[0122][0123][0124]
tp(true positive)：预测为正，实际值也为正；
[0125]
fp(false positive)：预测为正，但实际值为负；
[0126]
tn(true negative)：预测为负且实际值也为负；
[0127]
fn(false negative)：预测为负，但实际值为正。
[0128]
10.模型测试结果：
[0129]
根据所述划分数据集之后，测试集共31263份数据，其中2962份房颤数据，测试结果如图1所示，根据所述公式进行计算得到：模型的特异性(sp)为0.9864，模型的f1值为0.9308，满足上述要求。
[0130]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。