The invention discloses a method for identifying ventricular fibrillation based on machine learning technology, which includes the following steps: processing the original ECG signal to extract the characteristics of ventricular fibrillation; using the marked ECG database to train the logistic regression model for judging whether each ECG signal is ventricular fibrillation; and using the trained model to obtain the probability that each ECG signal is ventricular fibrillation. The invention chooses the most effective combination from various features proposed by the prior art, and effectively improves the performance of the ventricular fibrillation detection algorithm. At the same time, the invention applies the heart rate characteristics to the detection of ventricular fibrillation. In order to solve the problems of difficult QRS detection and possibly serious inaccuracy of heart rate when ventricular fibrillation occurs, the present invention uses the quality information of signal to enable the model to accurately determine under what circumstances the heart rate information should be neglected and under what circumstances the obvious non-ventricular fibrillation ECG can be excluded by heart rate.
【技术实现步骤摘要】
一种基于机器学习技术的室颤识别方法
本专利技术涉及医疗
,尤其涉及一种基于机器学习技术的室颤识别方法。
技术介绍
现有技术中,相对于基于规则的室颤检测方法,基于机器学习技术的方法被证明性能更好、鲁棒性更优。基于机器学习技术的室颤检测算法的关键一步是特征参数的选取。为提取特征,现有技术应用了各种基于频域或时域的分析方法,如复杂度分析,室颤滤波分析,频谱分析,时间延迟算法,带通滤波分析,协方差分析,Kurtosis等。由于室颤发生时QRS检测困难,现有技术在检测室颤时往往排除了心率特征,这导致现有技术有时会将通过心率可显然判断出非室颤的心电图判断为室颤。
技术实现思路
基于
技术介绍
存在的技术问题,本专利技术提出了一种基于机器学习技术的室颤识别方法。本专利技术采用的技术方案是:一种基于机器学习技术的室颤识别方法,其特征在于,包括以下步骤:(1)预处理心电图信号,用以滤除基线漂移、工频干扰等噪音,将除噪后的心电信号重采样至某一固定采样率;(2)对除噪和重采样后的心电图信号进行带通滤波分析,计算特征1,具体方法为:假设带通滤波的输出为FS,对每一秒窗口,计算FS绝对值的最大值和平均值,分别记为MAX_ABS_FS和MEAN_ABS_FS;用于检测室颤的第1个特征即定义为心电图中滤波输出绝对值处于MEAN_ABS_FS和MAX_ABS_FS之间的样本的数目占心电图所有样本数目的比例;(3)对除噪和重采样后的心电图信号进行室颤滤波分析,计算题在2,具体方法为:室颤滤波的含义解释如下:由于室颤心电图类似正弦曲线,其能量会主要分布于平均频率附近,因而通过一个中心频率为心电 ...
【技术保护点】
1.一种基于机器学习技术的室颤识别方法,其特征在于,包括以下步骤:(1)预处理心电图信号,进行除噪,将除噪后的心电信号重采样至某一固定采样率;(2)对除噪和重采样后的心电图信号进行带通滤波分析,计算特征1,具体方法为:假设带通滤波的输出为FS,对每一秒窗口,计算FS绝对值的最大值和平均值,分别记为MAX_ABS_FS和MEAN_ABS_FS;用于检测室颤的第1个特征即定义为心电图中滤波输出绝对值处于MEAN_ABS_FS和MAX_ABS_FS之间的样本的数目占心电图所有样本数目的比例;(3)对除噪和重采样后的心电图信号进行室颤滤波分析,计算特征2,具体方法为:室颤滤波的含义解释如下:由于室颤心电图类似正弦曲线,其能量会主要分布于平均频率附近,因而通过一个中心频率为心电图信号平均频率的带阻滤波器后余量会比非室颤心电图的余量小的多;为计算心电图信号的平均频率,估算信号的平均周期T为如下,其中Vi为信号值,m是心电图样本数目:
【技术特征摘要】
1.一种基于机器学习技术的室颤识别方法,其特征在于,包括以下步骤:(1)预处理心电图信号,进行除噪,将除噪后的心电信号重采样至某一固定采样率;(2)对除噪和重采样后的心电图信号进行带通滤波分析,计算特征1,具体方法为:假设带通滤波的输出为FS,对每一秒窗口,计算FS绝对值的最大值和平均值,分别记为MAX_ABS_FS和MEAN_ABS_FS;用于检测室颤的第1个特征即定义为心电图中滤波输出绝对值处于MEAN_ABS_FS和MAX_ABS_FS之间的样本的数目占心电图所有样本数目的比例;(3)对除噪和重采样后的心电图信号进行室颤滤波分析,计算特征2,具体方法为:室颤滤波的含义解释如下:由于室颤心电图类似正弦曲线,其能量会主要分布于平均频率附近,因而通过一个中心频率为心电图信号平均频率的带阻滤波器后余量会比非室颤心电图的余量小的多;为计算心电图信号的平均频率,估算信号的平均周期T为如下,其中Vi为信号值,m是心电图样本数目:通过该带阻滤波器后的心电图信号的余量可由下列公式计算,这作为第2个特征:(4)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点,具体方法为:综合多种波形特征,利用机器学习算法自动从海量数据中学习获得各特征权值,判别疑似QRS波是否真实;同时,对每一个疑似QRS波给出一个是真实QRS波的概率,当信号质量较差时,该概率值普遍较低,因此这些值可以用于衡量心电信号的质量;(5)计算心电...
【专利技术属性】
技术研发人员:夏鹤年,张雷刚,时海西,周星,何红,刘伍,毕光涛,陈元凤,纪迎兵,朱健,
申请(专利权)人:苏州哈特智能医疗科技有限公司,
类型:发明
国别省市:江苏,32
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。