获取房颤识别人工神经网络权重值矩阵的方法技术

本发明专利技术公开了获取房颤识别人工神经网络权重值矩阵的方法，本发明专利技术利用先调用MIT‑BIH心律失常数据库、MIT‑BIH正常窦性心律数据库、长时房颤数据库作为训练样本，引入人工神经网络进行学习训练，先随机设置人工神经网络各层的权重值，输入训练数据样本反复迭代修正各层权重值直到训练误差小于某指定值，通过这种方式可以找到可以判断房颤发生的权重值矩阵，然后利用权重值矩阵，将权重值矩阵加入原人工神经网络构建新的人工神经网络，再以采集到的目标人体心电信号作为数据，对人体心电信号处理，获得目标人体特征向量X，根据目标人体特征向量X和新的人工神经网络，进行预测运算。

【技术实现步骤摘要】

本专利技术涉及心房颤动检测，尤其涉及获取房颤识别人工神经网络权重值矩阵的方法。
技术介绍
心房颤动（简称房颤， Auricular Fibrillation，AF）是最常见的持续性心律失常。随着年龄增长房颤的发生率不断增加，75岁以上人群可达10%。房颤时心房激动的频率达300～600次/分，心跳频率往往快而且不规则，有时候可达100～160次/分，不仅比正常人心跳快得多，而且绝对不整齐。房颤发生时，心房失去有效的收缩功能，血液容易在心房内淤滞而形成血栓，血栓脱落后可随着血液至全身各处，导致脑栓塞（脑卒中）、肢体动脉栓塞（严重者甚至需要截肢）等。同时，由于心房血液淤滞将导致人体供血（包括心脏自身的供血量）下降，进而容易引发心力衰竭（heart failure，简称心衰）的发生。房颤对人体健康的巨大危害主要表现为：1.降低心功能：心率快和节律不齐可使病人感到心慌，体力活动受到限制，生活质量下降；心跳频率过快，易诱发心功能减退，同时也影响心脏正常排血功能，降低身体各器官的血液供应，最终导致慢性心功能不全。其主要原因在于：由于失去心房辅助泵血功能，致使心脏每次搏动排出血量降低了25%-30%。2.增加致残率：心房收缩紊乱，容易在心房壁产生“附壁血栓”，即血凝块。新鲜的血栓粘附不牢，易脱落。血栓随血流而移动，可堵塞血管，导致脑、肾、脾、肠、肢体的缺血，并引起坏死。房颤引起脑中风偏瘫的发生率较正常人高5-15倍，极大的增加了致残率。3.增加病死率：心房收缩功能丧失和长期心率加快可导致心力衰竭，增加病死率。心房颤动患者病死率较无房颤患者增加2-4倍。4.增加猝死率：预激综合征合并心房颤动是极为危险的，如果患者快速心房激动经旁路下传心室可能导致心室颤动，从而导致猝死。实际上，房颤患者的症状多变且无特异性，因此从症状无法确定是否存在房颤发作，必须依赖心电学检测证实。而且，房颤发作具有很大的随机性且每次发作的持续时间具有很大的不稳定性，因此心电检测的时间窗口对于真实房颤发生的检测尤其重要。目前临床医学的检测手段上，主要依靠心电图机和24小时动态心电仪。但他们对房颤的检测具有明显的缺点，主要的原因为：1.心电图机的缺点：心电图机（静态心电）在检查时需要被检查者处于静卧状态，导联多且操作复杂，通常只持续几十秒到2分钟的检查时间窗口。而房颤的发生具有时间上的不规律性和间隙性，导致静息心电图测试很难准确检测到AF的发生，因此临床医学普遍认为心电图机对房颤的检出受到很大的限制，需要专业人员操作且检出率低，具有非常大的局限性；2.动态心电图机的缺点：心电图机的明显缺点使得医学上引入了动态心电图（Holter），以实现24小时甚至72小时的长时间检测窗口，从而提高了房颤的检出率。但Holter通常用于数据记录直到测试结束以后返回医院，由医生读取出数据再进行分析，因此具有明显的时间滞后性——检测的时间越长，滞后效应越严重。由于房颤容易形成血栓导致脑卒中，或导致心脏供血不足引发心力衰竭，这种滞后效应显然是比较致命的，很可能因为缺乏及时的诊断和治疗措施而形成严重的后果。3.P波检测困难：传统的心电图分析，无论是心电图机还是动态心电图，其原理主要是依靠心房波（P波）的检测来判定是否发生房颤。由于体表的心电测试点不易靠近心房，故在体表测试中P波的幅度远远小于QRS波幅度且相对位置不固定（尤其是动态心电图测试受患者运动干扰较大），因此P波极易被淹没在QRS波、T波或干扰信号噪声之中无法识别（同样道理，形态与振幅均变化不定的f波则更难识别），因此造成诊断上的困难。这是目前传统心电图分析的技术难点和限制所在，因此传统心电分析技术对房颤的检测准确性一直有待提高。
技术实现思路
本专利技术旨在获取房颤识别人工神经网络权重值矩阵的方法，利用MIT-BIH心律失常数据库、MIT-BIH正常窦性心律数据库、长时房颤数据库作为训练样本，利用人工神经网络学习训练，逐渐获取权重值矩阵，可以利用该权重值矩阵对目标人体进行检测，检测其心电信号是否有房颤发生，因此，必须利用上述方法获取权重值矩阵至关重要。针对动态心电图设备和技术在房颤检测中存在的时间滞后效应严重、技术限制检测精确度不高的缺点，本专利技术利用获取的权重值矩阵可以实现长时间的持续检测、并能实时、高精度对房颤进行自动检测，及时为房颤患者的诊断和治疗提供参考依据，以降低因为房颤引发脑卒中、心力衰竭等高度危险事件的发生可能，通过实时、持续的心电信号监测和人工神经网络，对房颤做出预测和判断，为及时的医疗干预创造条件，并可能挽救患者的生命。本专利技术通过下述技术方案实现：获取房颤识别人工神经网络权重值矩阵的方法，包括以下步骤：构建多层人工神经网络：采用一个输入层、至少一个隐藏层和一个输出层搭建一个多层人工神经网络；多层人工神经网络训练：采用MIT-BIH心律失常数据库作为第一训练数据样本，获得第一训练数据样本的QRS波，第一训练数据样本的QRS波进行分析和处理，提取出第一训练数据样本的RR间期，将第一训练数据样本的RR间期分割为M1个N分钟的片段，对M1个片段进行HRV特征分析，计算M1个片段的特征向量X作为M1个房颤特征向量X，元组(房颤特征向量X， t1)的集合构成第一训练样本集，其中有房颤发生的片段t1=1，无房颤发生的片段t1=0，采用MIT-BIH正常窦性心律数据库作为第二训练数据样本，第二训练数据样本的QRS波，第二训练数据样本的QRS波进行分析和处理，提取出第二训练数据样本的RR间期，将第二训练数据样本的RR间期分割为M2个N分钟的片段，对M2个片段进行HRV特征分析，计算M2个片段的特征向量X作为M2个正常特征向量X，元组(正常特征向量X， t2)的集合构成第二训练样本集，其中t2=0，采用长时房颤数据库作为第三训练数据样本，获得第三训练数据样本的QRS波，第三训练数据样本的QRS波进行分析和处理，提取出第三训练数据样本的RR间期，将第三训练数据样本的RR间期分割为M3个N分钟的片段，对M3个片段进行HRV特征分析，计算M3个片段的特征向量X作为M3个长时房颤特征向量X，元组(长时房颤特征向量X， t3)的集合构成第一训练样本集，其中有房颤发生的片段t3=1，无房颤发生的片段t3=0，随机初始化输入层、隐藏层、输出层的权重值；将M1个房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M1个输出层的值y1；将M2个正常特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M2个输出层的值y2；将M3个长时房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M3个输出层的值y3；根据第一训练样本集及其神经网络输出值计算M1个平方误差之和E1=（ t11-y11）2+（ t12-y12）2+……+（t1M1-y1M1）2，根据第二训练样本集及其神经网络输出值计算M2个平方误差之和E2=（t2-y21）2+（t2-y22）2+……+（t2-y2M2）2，根据第三训练样本集及其神经网络输出值计算M3个平方误差之和E3=（t31-y31）2+（t32-y32）2+……+（t3M3-y3M3）2，其中t1、t2、t3为预期的正确输出，y 1、y 2、y 3为实本文档来自技高网...

【技术保护点】
获取房颤识别人工神经网络权重值矩阵的方法，其特征在于，包括以下步骤：构建多层人工神经网络：采用一个输入层、至少一个隐藏层和一个输出层搭建一个多层人工神经网络；多层人工神经网络训练：采用MIT‑BIH心律失常数据库作为第一训练数据样本，获得第一训练数据样本的QRS波，第一训练数据样本的QRS波进行分析和处理，提取出第一训练数据样本的RR间期，将第一训练数据样本的RR间期分割为M1个N分钟的片段，对M1个片段进行HRV特征分析，计算M1个片段的特征向量X作为M1个房颤特征向量X，元组(房颤特征向量X， t1)的集合构成第一训练样本集，其中有房颤发生的片段t1=1，无房颤发生的片段t1=0，采用MIT‑BIH正常窦性心律数据库作为第二训练数据样本，第二训练数据样本的QRS波，第二训练数据样本的QRS波进行分析和处理，提取出第二训练数据样本的RR间期，将第二训练数据样本的RR间期分割为M2个N分钟的片段，对M2个片段进行HRV特征分析，计算M2个片段的特征向量X作为M2个正常特征向量X，元组(正常特征向量X， t2)的集合构成第二训练样本集，其中t2=0，采用长时房颤数据库作为第三训练数据样本，获得第三训练数据样本的QRS波，第三训练数据样本的QRS波进行分析和处理，提取出第三训练数据样本的RR间期，将第三训练数据样本的RR间期分割为M3个N分钟的片段，对M3个片段进行HRV特征分析，计算M3个片段的特征向量X作为M3个长时房颤特征向量X，元组(长时房颤特征向量X， t3)的集合构成第一训练样本集，其中有房颤发生的片段t3=1，无房颤发生的片段t3=0，随机初始化输入层、隐藏层、输出层的权重值；将M1个房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M1个输出层的值y1；将M2个正常特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M2个输出层的值y2；将M3个长时房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M3个输出层的值y3；根据第一训练样本集及其神经网络输出值计算M1个平方误差之和E1=（ t11‑y11）2+（ t12‑y12）2+……+（t1M1‑y1M1）2，根据第二训练样本集及其神经网络输出值计算M2个平方误差之和E2=（t2‑y21）2+（t2‑y22）2+……+（t2‑y2M2）2，根据第三训练样本集及其神经网络输出值计算M3个平方误差之和E3=（t31‑y31）2+（t32‑y32）2+……+（t3M3‑y3M3）2，其中t1、t2、t3为预期的正确输出，y 1、y 2、y 3为实际输出；反复迭代修正输入层、隐藏层、输出层的权重值，直到误差E1、E2、E3之和达到极小值，记录此时输入层、隐藏层、输出层的权重值，取得最终的权重值矩阵。...

【技术特征摘要】
1.获取房颤识别人工神经网络权重值矩阵的方法，其特征在于，包括以下步骤：构建多层人工神经网络：采用一个输入层、至少一个隐藏层和一个输出层搭建一个多层人工神经网络；多层人工神经网络训练：采用MIT-BIH心律失常数据库作为第一训练数据样本，获得第一训练数据样本的QRS波，第一训练数据样本的QRS波进行分析和处理，提取出第一训练数据样本的RR间期，将第一训练数据样本的RR间期分割为M1个N分钟的片段，对M1个片段进行HRV特征分析，计算M1个片段的特征向量X作为M1个房颤特征向量X，元组(房颤特征向量X， t1)的集合构成第一训练样本集，其中有房颤发生的片段t1=1，无房颤发生的片段t1=0，采用MIT-BIH正常窦性心律数据库作为第二训练数据样本，第二训练数据样本的QRS波，第二训练数据样本的QRS波进行分析和处理，提取出第二训练数据样本的RR间期，将第二训练数据样本的RR间期分割为M2个N分钟的片段，对M2个片段进行HRV特征分析，计算M2个片段的特征向量X作为M2个正常特征向量X，元组(正常特征向量X， t2)的集合构成第二训练样本集，其中t2=0，采用长时房颤数据库作为第三训练数据样本，获得第三训练数据样本的QRS波，第三训练数据样本的QRS波进行分析和处理，提取出第三训练数据样本的RR间期，将第三训练数据样本的RR间期分割为M3个N分钟的片段，对M3个片段进行HRV特征分析，计算M3个片段的特征向量X作为M3个长时房颤特征向量X，元组(长时房颤特征向量X， t3)的集合构成第一训练样本集，其中有房颤发生的片段t3=1，无房颤发生的片段t3=0，随机初始化输入层、隐藏层、输出层的权重值；将M1个房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M1个输出层的值y1；将M2个正常特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M2个输出层的值y2；将M3个长时房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M3个输出层的值y3；根据第一训练样本集及其神经网络输出值计算M1个平方误差之和E1=（ t11-y11...

【专利技术属性】
技术研发人员：勾壮，刘毅，
申请(专利权)人：成都信汇聚源科技有限公司，
类型：发明
国别省市：四川;51