本发明专利技术公开了一种微型动态心电监测设备上猝死风险预测的实现方法，将心源性猝死数据库和MIT‑BIH 正常窦性心律数据库构建成训练数据样本和交叉验证样本，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，找到可以预测猝死风险的权重值矩阵，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，最终获得预测值。
【技术实现步骤摘要】
本专利技术涉及猝死风险预测，尤其涉及一种微型动态心电监测设备上猝死风险预测的实现方法。
技术介绍
心源性猝死(sudden cardiac death，SCD)是指急性症状发作后1小时内发生的以意识突然丧失为特征的、由心脏原因引起的自然死亡。根据统计，全球每年约有700万SCD患者，占所有死亡人数的1/4，严重威胁着人们的生命，目前全世界的抢救成功率平均低于1%。心源性猝死的患者往往平时健康（50%的心脏骤停发生于无已知心脏病的个体）或病情稳定，猝死前可有心脏病的表现，但相当多的心脏病患者可能会以猝死作为心脏病首发表现。心源性猝死具有发病突然、进展迅速，一旦发生存活机会甚低的三大特点。如不及时救治，3～5分钟后就将死亡，是威胁生命的一大杀手。据统计，40岁以上者是高发人群，中老年人心源性猝死的几率高达80％～90％，其中，抢救成活者一年内再次复发率达30％～40％。近年来我国随着心血管病发生率的增高，心源性猝死的发病率也呈明显上升趋势，约占心血管死亡率30％～40％。2013年SCD直接导致我国54.4万人死亡，并呈现年轻化的明显趋势。流行病学的分析认为年龄的增加是心源性猝死的危险因素：在中老年中心源性猝死占所有突然自然死亡的80％～90％以上；男性较女性发生率高（约4:1）；在45至64岁间男女发生率的差异更大几乎达7:1，但在65岁之后，这一发生率在性别上的差异明显减少（约2:1）。尽管SCD直接危及到患者的人身安全，具有非常大的危害和比较严重的后果，但是在临床医学上SCD的早期识别技术主要在于分层的长期风险管理和预测，对SCD发生之前的短时预测技术，明显滞后于现代治疗技术处于探索之中，这种SCD短时预测的主要难点和关键在于如何及时、准确的识别处于猝死高危状态的人群，并采取干预措施减少猝死发生。
技术实现思路
本专利技术针对目前SCD短时预测缺乏及时、准确的识别处于猝死高危状态的人群的难点，本专利技术描述一种在微型动态心电监测设备上进行实时猝死风险预测的方法，通过实时、持续的心电信号监测和人工智能机器学习算法，猝死风险做出预测和判断，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：一种微型动态心电监测设备上猝死风险预测的实现方法，包括以下步骤：构建三层人工神经网络：采用一个输入层、一个隐藏层和一个输出层搭建一个三层人工神经网络；三层人工神经网络训练：采用心源性猝死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个猝死特征向量X，元组(猝死特征向量X， t1)的集合构成第一训练样本集，其中t1=1，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，随机初始化输入层、隐藏层、输出层的权重值，将M1个猝死特征向量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，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=（ t1-y11）2+（ t1-y12）2+……+（t1-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，其中t1、t2为预期的正确输出，t1=1，t2=0， y 1、y 2为实际输出；平方误差为（预期的正确输出-实际输出）2。根据输出层的神经网络函数f(X)获得M1个输出层的值y1，其中神经网络函数f(X)根据实际情况设定，本领域人员可以自行获取相关信息设定。举例说明：设M1为3，3个y1分别y 11=1、y 12=0.9、y 13=0.8。则E1=（1-1）2+（1-0.9）2+（1-0.8）2，最终E1=0.05。设M2为3，3个y1分别y 21=0、y 22=0.1、y 23=0.2。则E1=（0-0）2+（0-0.1）2+（0-0.2）2，最终E2=0.05。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；根据训练获得的权重值矩阵重新构建三层人工神经网络，获得新三层人工神经网络，采用导联采集目标人体心电信号，获得目标人体的QRS波，对目标人体的QRS波实时的分析和处理，提取出RR间期，将RR间期分割为N分钟的片段，对片段进行HRV特征分析，计算片段的特征向量X作为目标人体特征向量X；将目标人体特征向量X作为新三层人工神经网络的输入层的输入向量，获得神经网络的输出值F，F是在0和1之间的实数，当F值高时，则预测猝死风险高，当F值低时，则预测猝死风险低。本专利技术的设计原理为：长期以来，临床医学上总结心源性猝死患者的心电图表现为：急性期多部位广泛ST段抬高或压低伴有T波交替、延长、QRS延长、QTc间期延长者，心肌梗死后心率变异性明显降低，或心肌梗死后持续QRS波群低电压，心肌梗死存活者伴有心室晚电位阳性，心梗后左心功能不全者，有宽大畸形的低振幅室性早搏或频发多源性室性早搏，并致力于从波形分析的角度去进行预测与管理。但由于这种基于心电波形的分析需要医学专业知识和医学上的专业设备，只适合医院而且很难做到短期性和普遍性的SCD预测——尤其是在日常生活中，实际上仍然缺乏一种SCD风险的短时预测方法能够进行及时的风险预测与预警。另一方面，神经学科近20年的研究发现人体的自主神经系统对人的重要器官（例如心脏、肺、肝脏、胰脏、肠道等）具有重要的控制和协调作用：自主神经系统的两个组成部分交感神经与副交感神经交替的控制人体重要器官进行各种生理活动，且不受人体意识的控制。一旦人体发生疾病等情况，自主神经系统都能够产生前兆信号并进行自我调节。进一步的研究指出，基于自主神经系统对心脏，尤其是对窦房结具有非常重要的控制作用。而心脏的每一次跳动都源于窦房结的电极化起源，因此心脏跳动节奏变化产生的心律变异性（Heart Rate Variation，HRV）是衡量自主神经系统的敏感性指标。心率变异性(HRV)是指逐次心跳周期差异的变化情况，它含有神经体液因素对心血管系统调节的信息。心率变异性的大小实质上是反映神经体液因素对窦房结的调节作用，也就是反映自主神经系统交感神经活性与迷走神经活性及其平衡协调的关系。近年来，国际上尝试利用24小时HRV分析结果对各种疾病进行预后并取得一定的成绩，普遍接受24小时 HRV长程统计指标是长期猝死预测的敏感性指标。在基于24小时 HRV长程统计指标对猝死进行长期预测的基础上，本专利技术方法实现了一种微型动态心电本文档来自技高网...
【技术保护点】
一种微型动态心电监测设备上猝死风险预测的实现方法，其特征在于，包括以下步骤：构建三层人工神经网络：采用一个输入层、一个隐藏层和一个输出层搭建一个三层人工神经网络；三层人工神经网络训练：采用心源性猝死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个猝死特征向量X，元组(猝死特征向量X， t1)的集合构成第一训练样本集，其中t1=1，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，随机初始化输入层、隐藏层、输出层的权重值，将M1个猝死特征向量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，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=（ t1‑y11）2+（ t1‑y12）2+……+（t1‑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，其中t1、t2为预期的正确输出，t1=1，t2=0， y 1、y 2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；根据训练获得的权重值矩阵重新构建三层人工神经网络，获得新三层人工神经网络，采用导联采集目标人体心电信号，获得目标人体的QRS波，对目标人体的QRS波实时的分析和处理，提取出RR间期，将RR间期分割为N分钟的片段，对片段进行HRV特征分析，计算片段的特征向量X作为目标人体特征向量X；将目标人体特征向量X作为新三层人工神经网络的输入层的输入向量，获得神经网络的输出值F，F是在0和1之间的实数，当F值高时，则预测猝死风险高，当F值低时，则预测猝死风险低。...
【技术特征摘要】
1.一种微型动态心电监测设备上猝死风险预测的实现方法，其特征在于，包括以下步骤：构建三层人工神经网络：采用一个输入层、一个隐藏层和一个输出层搭建一个三层人工神经网络；三层人工神经网络训练：采用心源性猝死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个猝死特征向量X，元组(猝死特征向量X， t1)的集合构成第一训练样本集，其中t1=1，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，随机初始化输入层、隐藏层、输出层的权重值，将M1个猝死特征向量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，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=（ t1-y11）2+（ t1-y12）2+……+（t1-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，其中t1、t2为预期的正确输出，t1=1，t2=0， y 1、y 2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；根据训练获得的权重值矩阵重新构建三层人工神经网络，获得新三层人工...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。