一种基于机器学习技术的室颤识别方法技术

本发明专利技术公开了一种基于机器学习技术的室颤识别方法，包括以下步骤：对原始心电信号进行处理，以提取室颤特征；利用已标记心电数据库训练用于判断各心电图信号是否为室颤的逻辑回归模型；利用训练好的模型求得各心电图信号为室颤的概率。本发明专利技术从现有技术提出的各种特征中选取最有效的组合，有效提高了室颤检测算法的性能。同时，本发明专利技术将心率特征应用到室颤检测中。为了解决室颤发生时QRS检测困难、心率可能严重不准确的问题，本发明专利技术使用信号的质量信息使模型能准确判断在何种情况下应忽略心率信息、何种情况下可以通过心率排除明显非室颤的心电图。

A Method of Ventricular Fibrillation Recognition Based on Machine Learning Technology

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)计算心电图平均心率，作为第3个特征；(6)计算心电图各QRS波为真实QRS波的概率的平均值，作为第4个特征；(7)选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒；(8)对各个10秒心电图片段按步骤(1)-步骤(6)进行处理，获得一个判别室颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)-步骤(6)中获得的室颤特征参数的数目；对各心电图片段，与专家标记进行比对，判断其是否为室颤；(9)将步骤(8)获得的特征参数矩阵和是否为室颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为非室颤，阈值以上，认为是室颤；(10)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(6)的方法进行处理，获得该心电图的室颤特征参数组合；采用步骤(9)中训练获得的模型进行分类，获得其室颤的概率，再利用,步骤(9)中确定的概率阈值最终决定该心电图是否为室颤。所述的一种基于机器学习技术的室颤识别方法，其特征在于，所述步骤(2)中的带通滤波器的中心频率为14.6Hz，使用整系数数字滤波器实现。本专利技术的原理是：1.本专利技术首先通过系统性的测试，利用留一验证的训练方法，从十多种特征中选取了两种特征参数，这两种特征分别通过带通滤波分析和室颤滤波分析获得，这两类特征的计算方式见步骤(1)至步骤(4)。2.如步骤(5)与步骤(6)所述，本专利技术使用了心电图平均心率作为第3个特征，使用了心电图各QRS波为真实QRS波的概率的平均值为第4个特征，因而有效防止将通过心率可显然判断出非室颤的心电图判断为室颤。本专利技术的优点是：本专利技术从现有技术提出的各种特征中选取最有效的组合，有效提高了室颤检测算法的性能。同时，本专利技术将心率特征应用到室颤检测中。为了解决室颤发生时QRS检测困难、心率可能严重不准确的问题，本专利技术使用信号的质量信息使模型能准确判断在何种情况下应忽略心率信息、何种情况下可以通过心率排除明显非室颤的心电图。附图说明图1为对原始心电信号进行处理，以提取室颤特征的流程图。图2为利用已标记心电数据库训练用于判断各心电图信号是否为室颤的逻辑回归模型的流程图。图3为利用训练好的模型求得各心电图信号为室颤的概率的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。实施例。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，带通滤波器的中心频率为14.6Hz，使用整系数数字滤波器实现；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)计算心电图平均心率，作为第3个特征；(6)计算心电图各QRS波为真实QRS波的概率的平均值，作为第4个特征；(7)选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒；(8)对各个10秒心电图片段按步骤(1)-步骤(6)进行处理，获得一个判别室颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)-步骤(6)中获得的室颤特征参数的数目；对各心电图片段，与专家标记进行比对，判断其是否为室颤；(9)将步骤(8)获得的特征参数矩本文档来自技高网...

【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