獲取房顫識別人工神經網絡權重值矩陣的方法
【專利摘要】本發明公開了獲取房顫識別人工神經網絡權重值矩陣的方法，本發明利用先調用MIT?BIH心律失常數據庫、MIT?BIH正常竇性心律數據庫、長時房顫數據庫作為訓練樣本，引入人工神經網絡進行學習訓練，先隨機設置人工神經網絡各層的權重值，輸入訓練數據樣本反復迭代修正各層權重值直到訓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生的權重值矩陣，然后利用權重值矩陣，將權重值矩陣加入原人工神經網絡構建新的人工神經網絡，再以采集到的目標人體心電信號作為數據，對人體心電信號處理，獲得目標人體特征向量X，根據目標人體特征向量X和新的人工神經網絡，進行預測運算。
【專利說明】
獲取房顫識別人工神經網絡權重值矩陣的方法
技術領域
[0001] 本發明設及屯、房顫動檢測，尤其設及獲取房顫識別人工神經網絡權重值矩陣的方 法。
【背景技術】
[0002] 屯、房顫動（簡稱房顫，Auricular Fibrillation,AF)是最常見的持續性屯、律失 常。隨著年齡增長房顫的發生率不斷增加，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。房顫發生時，屯、房失去有效的收縮功能，血液容易在屯、房內 渺滯而形成血栓，血栓脫落后可隨著血液至全身各處，導致腦栓塞(腦卒中）、肢體動脈栓塞 (嚴重者甚至需要截肢)等。同時，由于屯、房血液渺滯將導致人體供血(包括屯、臟自身的供血 量)下降，進而容易引發屯、力衰竭化ead hi lure,簡稱屯、衰）的發生。
[0003] 房顫對人體健康的巨大危害主要表現為： 1.降低屯、功能:屯、率快和節律不齊可使病人感到屯、慌，體力活動受到限制，生活質量下 降；屯、跳頻率過快，易誘發屯、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，最終導致慢性屯、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，導致腦、腎、脾、腸、肢體的缺血，并 引起壞死。房顫引起腦中風偏擁的發生率較正常人高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 經旁路下傳屯、室可能導致屯、室顫動，從而導致巧死。
[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 作，必須依賴屯、電學檢測證實。而且，房顫發作具有很大的隨機性且每次發作的持續時間具 有很大的不穩定性，因此屯、電檢測的時間窗口對于真實房顫發生的檢測尤其重要。目前臨 床醫學的檢測手段上，主要依靠屯、電圖機和24小時動態屯、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(靜態屯、電）在檢查時需要被檢查者處于靜邸狀態，導聯 多且操作復雜，通常只持續幾十秒到2分鐘的檢查時間窗口。而房顫的發生具有時間上的不 規律性和間隙性，導致靜息屯、電圖測試很難準確檢測到AF的發生，因此臨床醫學普遍認為 屯、電圖機對房顫的檢出受到很大的限制，需要專業人員操作且檢出率低，具有非常大的局 限性； 2. 動態屯、電圖機的缺點：屯、電圖機的明顯缺點使得醫學上引入了動態屯、電圖 a〇lter)，W實現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通常用于數據記錄直到測試結束W后返回醫院，由醫生讀取出數據再進行分析，因 此具有明顯的時間滯后性一一檢測的時間越長，滯后效應越嚴重。由于房顫容易形成血栓 導致腦卒中，或導致屯、臟供血不足引發屯、力衰竭，運種滯后效應顯然是比較致命的，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:傳統的屯噸圖分析，無論是屯、電圖機還是動態屯、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 屯、電圖分析的技術難點和限制所在，因此傳統屯、電分析技術對房顫的檢測準確性一直有待 提局。

【發明內容】

[0009] 本發明旨在獲取房顫識別人工神經網絡權重值矩陣的方法，利用MIT-BIH屯、律失 常數據庫、MIT-BIH正常竇性屯、律數據庫、長時房顫數據庫作為訓練樣本，利用人工神經網 絡學習訓練，逐漸獲取權重值矩陣，可W利用該權重值矩陣對目標人體進行檢測，檢測其屯、 電信號是否有房顫發生，因此，必須利用上述方法獲取權重值矩陣至關重要。
[0010] 針對動態屯、電圖設備和技術在房顫檢測中存在的時間滯后效應嚴重、技術限制檢 測精確度不高的缺點，本發明利用獲取的權重值矩陣可W實現長時間的持續檢測、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，W降低因為 房顫引發腦卒中、屯、力衰竭等高度危險事件的發生可能，通過實時、持續的屯、電信號監測和 人工神經網絡，對房顫做出預測和判斷，為及時的醫療干預創造條件，并可能挽救患者的生 命。
[0011] 本發明通過下述技術方案實現:獲取房顫識別人工神經網絡權重值矩陣的方法， 包括W下步驟： 構建多層人工神經網絡: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 層人工神經網絡； 多層人工神經網絡訓練： 采用MIT-BIH屯、律失常數據庫作為第一訓練數據樣本，獲得第一訓練數據樣本的QRS 波，第一訓練數據樣本的QRS波進行分析和處理，提取出第一訓練數據樣本的RR間期，將第 一訓練數據樣本的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)的集合構成第一 訓練樣本集，其中有房顫發生的片段tl=l，無房顫發生的片段tl=0， 采用MIT-BIH正常竇性屯、律數據庫作為第二訓練數據樣本，第二訓練數據樣本的QRS 波，第二訓練數據樣本的QRS波進行分析和處理，提取出第二訓練數據樣本的RR間期，將第 二訓練數據樣本的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)的集合構成第二 訓練樣本集，其中t2=0， 采用長時房顫數據庫作為第Ξ訓練數據樣本，獲得第Ξ訓練數據樣本的QRS波，第Ξ訓 練數據樣本的QRS波進行分析和處理，提取出第Ξ訓練數據樣本的RR間期，將第Ξ訓練數據 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)的集合構成第一訓 練樣本集，其中有房顫發生的片段t3=l，無房顫發生的片段t3=0， 隨機初始化輸入層、隱藏層、輸出層的權重值;將Ml個房顫特征向量X作為輸入層的輸 入向量，根據輸出層的神經網絡函數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，根據輸出層的神經網絡函數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，根據輸出層的神經網絡函數f(X)獲得M3個輸出 層的值y3;根據第一訓練樣本集及其神經網絡輸出值計算Ml個平方誤差之和El=( tli-yli 片（t!2-yl2)2+......WtlMi-ylMi)2,根據第二訓練樣本集及其神經網絡輸出值計算M2個平 方誤差之和E2=(t2-y2i)2Wt2-y22)2+……Wt2-y2M2)2,根據第Ξ訓練樣本集及其神經網絡 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 為預期的正確輸出，y l、y 2、y 3為實際輸出；平方誤差為(預期的正確輸出-實際輸出）2。 根據輸出層的神經網絡函數f(X)獲得Ml個輸出層的值yl，其中神經網絡函數f(X)根據實際 情況設定，本領域人員可W自行獲取相關信息設定。tl為取1或0的變量，當yl值趨向1時，tl 取l，yl值趨向1表示有房顫發生，當yl值趨向0時，yl值趨向0表示無房顫發生，tl取0;同理， t3為取1或0的變量，當y3值趨向1時，t3取1，y3值趨向1表示有房顫發生，當y3值趨向加寸，y3 值趨向0表示無房顫發生，t3取0。
[0012] 反復迭代修正輸入層、隱藏層、輸出層的權重值，直到誤差E1、E2、E3之和達到極小 值，記錄此時輸入層、隱藏層、輸出層的權重值，取得最終的權重值矩陣。
[0013] 我們要應用權重值矩陣時，用于判定該目標人體是否有房顫發生，其方法是： 第一步:根據訓練獲得的權重值矩陣重新構建多層人工神經網絡，獲得新多層人工神 經網絡， 第二步:采用導聯采集目標人體屯、電信號，獲得目標人體的QRS波，對目標人體的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作為目標人體特征向量X; 第Ξ步:將目標人體特征向量X作為新多層人工神經網絡的輸入層的輸入向量，獲得神 經網絡的輸出值F，F是在0和1之間的實數，當F值高時，則判定該片段內有房顫發生，否則判 定沒有房顫發生。一般的F值大于或等于0.5時，則判定該片段內有房顫發生，F值小于或等 于0.5時，則判定沒有房顫發生。
[0014] 本發明的設計為:本發明利用先調用MIT-BIH屯、律失常數據庫、MIT-BIH正常竇性 屯、律數據庫、長時房顫數據庫作為訓練樣本，MIT-BIH屯、律失常數據庫、長時房顫數據庫與 Μ口-BIH正常竇性屯、律數據庫作為對照組，引入人工神經網絡進行學習訓練，將MIT-BIH屯、 律失常數據庫、ΜΙΤ-ΒΙΗ正常竇性屯、律數據庫、長時房顫數據庫作為訓練樣本構建成訓練數 據樣本和交叉驗證樣本，先隨機設置人工神經網絡各層的權重值，輸入訓練數據樣本反復 迭代修正各層權重值直到訓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 生的權重值矩陣，然后利用權重值矩陣，權重值矩陣利用ΜΙΤ-ΒΙΗ屯、律失常數據庫、ΜΙΤ-ΒΙΗ 正常竇性屯、律數據庫、長時房顫數據庫作為訓練樣本，通過人工神經網絡訓練獲得，應用 時，將權重值矩陣加入原人工神經網絡構建新的人工神經網絡，再W采集到的目標人體屯、 電信號作為數據，對人體屯、電信號處理，獲得目標人體特征向量X，根據目標人體特征向量X 和新的人工神經網絡，進行預測運算，最終獲得預測值，通過預測值我們可W判斷目標人體 是否發生房顫。為了縮短預測時間，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和前期學習 訓練獲得的權重值矩陣W及人工神經網絡組成判斷系統，利用運一套系統可W判斷出發生 房顫的值，一般的，F靠近1表示有發生房顫，F靠近0表示未發生房顫。由于采用了2個對照 參數組，通過學習訓練可W找到準確可靠的權重值矩陣，利用運個權重值矩陣加入到人工 神經網絡中，使得新的人工神經網絡可W準確的預測判斷目標人體屯、電信號的狀態是屬于 房顫人體屯、電信號還是屬于正常人體屯、電信號，由此可W預測目標人體的屯、電信號狀態。 為降低錯誤的幾率，可W用多個(至少2個)預測值F的移動平均值作為最終預測值。
[001引優選的，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間期的統計參數。
[0017]所述統計參數包括歸一化標準差巧咖)/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&表示片段內第1個1??間期，打表示片段內1??間期數量。
[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RR間期數量。
[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。
[0024] 本發明的設計原理為:本發明描述一種基于可穿戴動態屯、電儀設備上實時進行房 顫自動識別的方法，旨在克服動態屯、電圖設備和技術在房顫檢測中存在的時間滯后效應嚴 重、技術限制檢測精確度不高的缺點，實現可長時間的持續檢測、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，W降低因為房顫引發腦卒中、 屯、力衰竭等高度危險事件的發生可能。
[0025] 醫學上房顫的屯、電圖特征為:Ρ波消失，代之W小而不規則的基線波動，形態與振 幅均變化不定，稱為f波，頻率約為350-600次/分。屯、室率極不規則，通常在100~160次/分 之間。QRS波群形態通常正常，室內差異性傳導時有波群增寬。根據W上的分析，動態屯、電圖 延長了檢測的時間，但由于技術的限制，波形自動識別房顫的方法其準確率往往較低，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，形態與振幅均變化不定的巧皮則更難識別。QRS波群形態增 寬不是房顫的顯著特征，無法作為房顫的判斷依據;房顫的顯著特征是屯、室率極不規則，而 QRS波因其幅度較大識別準確率很高，因此單純地分析RR間期的不規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，并通過監督式學習探索房顫患者區別于正常人的RR 間期變化特征，并將運種特征用于對未知的屯、電圖數據進行分析W判斷其是否為房顫屯、電 圖。
[0027] 本發明的實現方法為W下兩個步驟： 第一步:利用人工神經網絡機器學習的房顫檢測，獲得人工神經網絡檢測房顫的權重 值矩陣。
[002引人工神經網絡(adificial neural network,縮寫ANN)，簡稱神經網絡，是一種模 仿生物神經網絡(動物的中樞神經系統，特別是大腦）的結構和功能的數學模型或計算模 型。神經網絡由大量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信 息的基礎上改變內部結構，是一種自適應系統。現代神經網絡是一種非線性統計性數據建 模工具，常用來對輸入和輸出間復雜的關系進行建模，或用來探索數據的模式。
[0029] 本發明采用多層神經網絡結構（見圖2)，即一個輸入層，多個隱藏層和一個輸出 層，其中輸入層包含數百個節點，每個隱藏層均包含數十個節點，而輸出層則僅包含1個節 點，提高輸出層判斷是否檢測到房顫發生。
[0030] 特征向量 本發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； 2、 RR間期的各種統計參數，如歸一化標準差￡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，如QRS間期等。
[0031] 對人工神經網絡進行訓練使用了如下數據集:MIT-BIH屯、律失常數據庫、長時房顫 數據庫、MIT-BIH正常竇性屯、律數據庫，其中MIT-BIH屯、律失常數據庫、長時房顫數據庫模 擬具有房顫狀態人員的屯、電信號參數，Μ口-BIH正常竇性屯、律數據庫模擬正常狀態人員的 屯、電信號參數，起到比對作用，W此獲得權重值矩陣。
[0032] 學習過程的總體設計思路為： a) 基于上述業界的權威數據庫記錄(上述數據集)構建訓練數據集樣本和交叉驗證樣 本； b) 隨機初始化各層的權重值； C)輸入訓練樣本反復迭代修正各層權重值直到訓練誤差小于某指定值； d)輸出最終的權重值矩陣； e)用交叉驗證樣本測試訓練結果的精度。
[0033] 第二步:利用屯、電信號實現屯、電QRS波精準定位和RR參數提取分析，再利用人工神 經網絡、權重值矩陣計算輸出房顫預測值。
[0034] 先利用權重值矩陣構架新的人工神經網絡，該新的人工神經網絡可W適應檢測房 顫。
[0035] 動態檢測屯、電信號實現屯、電QRS波精準定位和RR參數提取分析， 傳統的動態屯、電圖設備只是采集和存儲記錄屯、電的信號，導出數據W后再利用電腦和 相關軟件進行分析，導致其分析的時間滯后性；由于其分析技術基于屯、電波形分析，因此通 常具有多個導聯同時進行屯、電信號的采集，設備相對笨重而且操作有一定的難度。
[0036] 本發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 要一個導聯進行屯、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 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，降低操作的專業度要求，便于在 日常生活中使用；設備實現為可穿戴，實現了長時間的持續檢測窗口，并能實時、高精度對 房顫進行檢測，提高了房顫的檢出率，并及時向用戶發出分析結果和告警。
[0037] 實時分析的處理步驟為： 1) 采用軟件實現高精度的數字濾波，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間期參數信息； 4) RR間期的序列被分割成M3個(一般數百個)連續RR間期的片段。對每一個片段內的 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、電波形參數作為人工神經網絡 的輸入； 根據神經網絡的輸出值判斷片段內是否有房顫發生； 房顫自動識別的實現： 在設備上實現特征向量計算函數，其輸入為數十個到上百個連續的RR間期序列，輸出 為特征向量。根據學習過程的輸出權重值矩陣構建神經網絡函數託巧，并在設備上實現。特 征向量函數和神經網絡函數由可穿戴設備上的處理器進行計算和處理。權重值矩陣為常 數，可存儲于設備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. 可穿戴動態屯、電圖儀持續采集屯、電圖信號，并實時對QRS波形定位和波形參數提取； ii. 在QRS波形定位后實時提取出R波進行分析，并產生RR間期序列，持續計算出特征向 量Xi， iii. 將特征向量Xi，W及之前提取的屯、電波形參數作為神經網絡的輸入； iv. 將特征向量Xi輸入神經網絡函數.f(巧得到輸出值F。通過F值的大小判定該片段內 有房顫發生。
[0039] 此發明的優點：可在穿戴動態屯、電監測設備上實現，便于在日常生活中使用，可進 行持續的實時的監測，有助于提高房顫的檢出率;采用基于神經網絡的機器學習算法，比傳 統的基于規則的分類算法準確率更高，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明實施例的進一步理解，構成本申請的一部 分，并不構成對本發明實施例的限定。在附圖中： 圖1是本發明實時檢測房顫的流程示意圖。
[0041 ]圖2是神經網絡結構圖。
[0042] 圖3是龐加萊屯、電散點圖。
【具體實施方式】
[0043] 為使本發明的目的、技術方案和優點更加清楚明白，下面結合實施例和附圖，對本 發明作進一步的詳細說明，本發明的示意性實施方式及其說明僅用于解釋本發明，并不作 為對本發明的限定。
[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網絡權重值矩陣的方法，包括W下步驟： 構建多層人工神經網絡: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 層人工神經網絡； 多層人工神經網絡訓練： 采用MIT-BIH屯、律失常數據庫作為第一訓練數據樣本，獲得第一訓練數據樣本的QRS 波，第一訓練數據樣本的QRS波進行分析和處理，提取出第一訓練數據樣本的RR間期，將第 一訓練數據樣本的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)的集合構成第一 訓練樣本集，其中有房顫發生的片段tl=l，無房顫發生的片段tl=0， 采用MIT-BIH正常竇性屯、律數據庫作為第二訓練數據樣本，第二訓練數據樣本的QRS 波，第二訓練數據樣本的QRS波進行分析和處理，提取出第二訓練數據樣本的RR間期，將第 二訓練數據樣本的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)的集合構成第二 訓練樣本集，其中t2=0， 采用長時房顫數據庫作為第Ξ訓練數據樣本，獲得第Ξ訓練數據樣本的QRS波，第Ξ訓 練數據樣本的QRS波進行分析和處理，提取出第Ξ訓練數據樣本的RR間期，將第Ξ訓練數據 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)的集合構成第一訓 練樣本集，其中有房顫發生的片段t3=l，無房顫發生的片段t3=0， 隨機初始化輸入層、隱藏層、輸出層的權重值;將Ml個房顫特征向量X作為輸入層的輸 入向量，根據輸出層的神經網絡函數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，根據輸出層的神經網絡函數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，根據輸出層的神經網絡函數f(X)獲得M3個輸出 層的值y3;根據第一訓練樣本集及其神經網絡輸出值計算Ml個平方誤差之和El=( th-yli 片（t!2-yl2)2+......WtlMi-ylMi)2,根據第二訓練樣本集及其神經網絡輸出值計算M2個平 方誤差之和E2=(t2-y2i)2Wt2-y22)2+……Wt2-y2M2)2,根據第Ξ訓練樣本集及其神經網絡 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 為預期的正確輸出，y l、y 2、y 3為實際輸出；平方誤差為(預期的正確輸出-實際輸出）2。 根據輸出層的神經網絡函數f(X)獲得Ml個輸出層的值yl，其中神經網絡函數f(X)根據實際 情況設定，本領域人員可W自行獲取相關信息設定。tl為取1或0的變量，當yl值趨向1時，tl 取l，yl值趨向1表示有房顫發生，當yl值趨向0時，yl值趨向0表示無房顫發生，tl取0;同理， t3為取1或0的變量，當y3值趨向1時，t3取1，y3值趨向1表示有房顫發生，當y3值趨向加寸，y3 值趨向0表示無房顫發生，t3取0。
[0046] 反復迭代修正輸入層、隱藏層、輸出層的權重值，直到誤差E1、E2、E3之和達到極小 值，記錄此時輸入層、隱藏層、輸出層的權重值，取得最終的權重值矩陣。
[0047] 我們要應用權重值矩陣時，用于判定該目標人體是否有房顫發生，其方法是： 第一步:根據訓練獲得的權重值矩陣重新構建多層人工神經網絡，獲得新多層人工神 經網絡， 第二步:采用導聯采集目標人體屯、電信號，獲得目標人體的QRS波，對目標人體的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作為目標人體特征向量X; 第Ξ步:將目標人體特征向量X作為新多層人工神經網絡的輸入層的輸入向量，獲得神 經網絡的輸出值F，F是在0和1之間的實數，當F值高時，則判定該片段內有房顫發生，否則判 定沒有房顫發生。一般的F值大于或等于0.5時，則判定該片段內有房顫發生，F值小于或等 于0.5時，則判定沒有房顫發生。
[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間期的統計參數。
[0化日]所述統計參數包括歸一化標準差巧(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
公式中隸示片段內第i個RR間期，η表示片段內RR間期數量。
[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RR間期數量。
[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。
[0057] 本發明的設計原理為:本發明描述一種基于可穿戴動態屯、電儀設備上實時進行房 顫自動識別的方法，旨在克服動態屯、電圖設備和技術在房顫檢測中存在的時間滯后效應嚴 重、技術限制檢測精確度不高的缺點，實現可長時間的持續檢測、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，W降低因為房顫引發腦卒中、 屯、力衰竭等高度危險事件的發生可能。
[0058] 醫學上房顫的屯、電圖特征為:P波消失，代之W小而不規則的基線波動，形態與振 幅均變化不定，稱為f波，頻率約為350-600次/分。屯、室率極不規則，通常在100~160次/分 之間。QRS波群形態通常正常，室內差異性傳導時有波群增寬。根據W上的分析，動態屯、電圖 延長了檢測的時間，但由于技術的限制，波形自動識別房顫的方法其準確率往往較低，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，形態與振幅均變化不定的巧皮則更難識別。QRS波群形態增 寬不是房顫的顯著特征，無法作為房顫的判斷依據;房顫的顯著特征是屯、室率極不規則，而 QRS波因其幅度較大識別準確率很高，因此單純地分析RR間期的不規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，并通過監督式學習探索房顫患者區別于正常人的RR 間期變化特征，并將運種特征用于對未知的屯、電圖數據進行分析W判斷其是否為房顫屯、電 圖。
[0060] 本發明的實現方法為W下兩個步驟： 第一步:利用人工神經網絡機器學習的房顫檢測，獲得人工神經網絡檢測房顫的權重 值矩陣。
[0061 ] 人工神經網絡(a;rtificial neural network,縮寫ANN)，簡稱神經網絡，是一種模 仿生物神經網絡(動物的中樞神經系統，特別是大腦）的結構和功能的數學模型或計算模 型。神經網絡由大量的人工神經元聯結進行計算。大多數情況下人工神經網絡能在外界信 息的基礎上改變內部結構，是一種自適應系統。現代神經網絡是一種非線性統計性數據建 模工具，常用來對輸入和輸出間復雜的關系進行建模，或用來探索數據的模式。
[0062] 本發明采用多層神經網絡結構（見圖2)，即一個輸入層，多個隱藏層和一個輸出 層，其中輸入層包含數百個節點，每個隱藏層均包含數十個節點，而輸出層則僅包含1個節 點，提高輸出層判斷是否檢測到房顫發生。
[0063] 特征向量 本發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； 8、 RR間期的各種統計參數，如歸一化標準差￡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，如QRS間期等。
[0064] 對人工神經網絡進行訓練使用了如下數據集:_
[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; // circ.ahajournals.org/cgi/content/full/101/23/e215]; 2000 (June 13). 學習過程的總體設計思路為： f) 基于上述業界的權威數據庫記錄(上述數據集)構建訓練數據集樣本和交叉驗證樣 本； g) 隨機初始化各層的權重值； h) 輸入訓練樣本反復迭代修正各層權重值直到訓練誤差小于某指定值； i) 輸出最終的權重值矩陣； j) 用交叉驗證樣本測試訓練結果的精度。
[0065] 第二步:利用屯、電信號實現屯、電QRS波精準定位和RR參數提取分析，再利用人工神 經網絡、權重值矩陣計算輸出房顫預測值。
[0066] 先利用權重值矩陣構架新的人工神經網絡，該新的人工神經網絡可W適應檢測房 顫。
[0067] 動態檢測屯、電信號實現屯、電QRS波精準定位和RR參數提取分析， 傳統的動態屯、電圖設備只是采集和存儲記錄屯、電的信號，導出數據W后再利用電腦和 相關軟件進行分析，導致其分析的時間滯后性；由于其分析技術基于屯、電波形分析，因此通 常具有多個導聯同時進行屯、電信號的采集，設備相對笨重而且操作有一定的難度。
[0068] 本發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 要一個導聯進行屯、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 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，降低操作的專業度要求，便于在 日常生活中使用；設備實現為可穿戴，實現了長時間的持續檢測窗口，并能實時、高精度對 房顫進行檢測，提高了房顫的檢出率，并及時向用戶發出分析結果和告警。
[0069] 實時分析的處理步驟為： 6)采用軟件實現高精度的數字濾波，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間期參數信息； 9) RR間期的序列被分割成M3個(一般數百個)連續RR間期的片段。對每一個片段內的 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、電波形參數作為人工神經網絡 的輸入； 之后根據神經網絡的輸出值判斷片段內是否有房顫發生。
[0070] 房顫自動識別的實現： 在設備上實現特征向量計算函數，其輸入為數十個到上百個連續的RR間期序列，輸出 為特征向量。根據學習過程的輸出權重值矩陣構建神經網絡函數禹摟I，并在設備上實現。特 征向量函數和神經網絡函數由可穿戴設備上的處理器進行計算和處理。權重值矩陣為常 數，可存儲于設備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.可穿戴動態屯、電圖儀持續采集屯、電圖信號，并實時對QRS波形定位和波形參數提取； Vi.在QRS波形定位后實時提取出R波進行分析，并產生RR間期序列，持續計算出特征向 量Xi， vii. 將特征向量Xi，W及之前提取的屯、電波形參數作為神經網絡的輸入； viii. 將特征向量Xi輸入神經網絡函數燈巧得到輸出值F。通過F值的大小判定該片段 內有房顫發生。
[0072] 本發明的技術特點為基于QRS波形的精確定位來實現實時的R-R間期參數的分析， 并采用神經網絡和機器學習實現的房顫檢測，比傳統的基于屯、電波形分析的算法準確率更 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;本發明將房顫檢 測的屯、電信號采集點降低到最小(一個導聯），簡化了患者在日常檢測時的信號采集連接復 雜的問題，降低操作的專業度要求，便于在日常生活中使用;本發明實現了房顫檢測設備的 可穿戴式，降低了功耗和體積，并實現了長時間的持續檢測窗口，能夠實時、高精度對房顫 進行檢測并及時發出分析結果和告警，能最大程度的降低房顫帶來的潛在危害和風險;本 發明實現的房顫檢測方法，經過國家藥監部口采用驗證達到W下的優異精確性:屯、律失常 (M口-BIH arrh^hmia數據庫）：靈敏度:99.8%，陽性預測值:99.9%。
[0073] 房顫檢測:_
[0074] 本發明所采用的實時房顫檢測方法具有自學習的特性，可W對具體患者的屯、電圖 信號進行持續的學習，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測 精度，達到個性化和精準檢測的目的； 本發明實現的便攜式設備便于攜帶和使用，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，能夠緩解日益尖銳的醫患矛盾和提高醫療資源的有效利 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】，對本發明的目的、技術方案和有益效果進行了進一步 詳細說明，所應理解的是，W上所述僅為本發明的【具體實施方式】而已，并不用于限定本發明 的保護范圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含 在本發明的保護范圍之內。
【主權項】
1. 獲取房顫識別人工神經網絡權重值矩陣的方法，其特征在于，包括以下步驟： 構建多層人工神經網絡: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 層人工神經網絡； 多層人工神經網絡訓練： 采用MIT-BIH心律失常數據庫作為第一訓練數據樣本，獲得第一訓練數據樣本的QRS 波，第一訓練數據樣本的QRS波進行分析和處理，提取出第一訓練數據樣本的RR間期，將第 一訓練數據樣本的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)的集合構成第一 訓練樣本集，其中有房顫發生的片段tl=l，無房顫發生的片段tl=0， 采用MIT-BIH正常竇性心律數據庫作為第二訓練數據樣本，第二訓練數據樣本的QRS 波，第二訓練數據樣本的QRS波進行分析和處理，提取出第二訓練數據樣本的RR間期，將第 二訓練數據樣本的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)的集合構成第二 訓練樣本集，其中t2=0， 采用長時房顫數據庫作為第三訓練數據樣本，獲得第三訓練數據樣本的QRS波，第三訓 練數據樣本的QRS波進行分析和處理，提取出第三訓練數據樣本的RR間期，將第三訓練數據 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)的集合構成第一訓 練樣本集，其中有房顫發生的片段t3=l，無房顫發生的片段t3=0， 隨機初始化輸入層、隱藏層、輸出層的權重值;將Ml個房顫特征向量X作為輸入層的輸 入向量，根據輸出層的神經網絡函數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，根據輸出層的神經網絡函數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，根據輸出層的神經網絡函數f(X)獲得M3個輸出 層的值y3;根據第一訓練樣本集及其神經網絡輸出值計算Ml個平方誤差之和El=( th-yh )2+( tl2-yl2)2+......+(?1μιι1μι)2,根據第二訓練樣本集及其神經網絡輸出值計算M2個平 方誤差之和……+(t2_y2M2)2,根據第三訓練樣本集及其神經網絡 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 為預期的正確輸出，y l、y 2、y 3為實際輸出； 反復迭代修正輸入層、隱藏層、輸出層的權重值，直到誤差E1、E2、E3之和達到極小值， 記錄此時輸入層、隱藏層、輸出層的權重值，取得最終的權重值矩陣。2. 根據權利要求1所述的獲取房顫識別人工神經網絡權重值矩陣的方法，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. 根據權利要求1所述的獲取房顫識別人工神經網絡權重值矩陣的方法，其特征在于， 所述特征向量X包括RR間期的統計參數。4. 根據權利要求3所述的獲取房顫識別人工神經網絡權重值矩陣的方法，其特征在于， 所述統計參數包括歸一化標準差評(RR)/盈。5. 根據權利要求1所述的獲取房顫識別人工神經網絡權重值矩陣的方法，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. 根據權利要求5所述的獲取房顫識別人工神經網絡權重值矩陣的方法，其特征在于， 所述離散僅其中4；表示片段內第i個RR間期，/3表示片段內RR間期數量。7. 根據權利要求1所述的獲取房顫識別人工神經網絡權重值矩陣的方法，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. 根據權利要求7所述的獲取房顫識別人工神經網絡權重值矩陣的方法，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RR間期數量。9. 根據權利要求1所述的獲取房顫識別人工神經網絡權重值矩陣的方法，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. 根據權利要求1所述的獲取房顫識別人工神經網絡權重值矩陣的方法，其特征在 于，所述特征向量X包括心電波形參數。
【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
【發明人】勾壯, 劉毅
【申請人】成都信匯聚源科技有限公司