一种基于心率变异性的心力衰竭分级方法技术

本发明专利技术公开了一种基于心率变异性的心力衰竭分级方法，研究了基于心率变异性的心力衰竭分级方法，首先对收集到的心电信号进行预处理，包括去噪、去基线漂移等，接着利用Pan‑Tompkins算法定位出心电信号中R峰的位置，通过定位出的R峰位置可以提取出病人的心率变异性数据，再将数据进行分组，尽量使每组数据中不同类别的数据保持平衡，最后将数据输入进神经网络训练模型，以达到辅助医生对心衰分级的目的，为临床的诊断和治疗提供了一种新的有效的方法。

A heart failure classification method based on heart rate variability

【技术实现步骤摘要】
一种基于心率变异性的心力衰竭分级方法
本专利技术一种基于心率变异性的心力衰竭分级方法，属于心力衰竭分级方法

技术介绍
心力衰竭（HeartFailure）是一种复杂的临床综合征，具有很高的发病率和致死率，大约3%-5%的住院患者都与心衰有关。据欧洲心脏病学会（ESC）报道，现在大约有2600万成年人被确诊为心衰，同时每年大约有360万人被诊断出心衰。心衰患者中有17%-45%的病人在确诊心衰的第一年死亡，剩下的患者可能会在5年内死亡。与心衰有关的费用约占所有医疗保健支出的1%-2%，其中大部分与经常性住院治疗有关。心衰在发展的不同阶段表现出不同的特征，目前国际上流行的心衰分类标准有纽约心脏病协会（NYHA）的心衰分级标准，它按照患者的运动能力和疾病的症状状态将心衰分为I，II，III，IV四级，还有美国心脏学会（AHA）及美国心脏病学会（ACC）共同制定的心衰分期标准，它按照心衰的发展程度将心衰分为A，B，C，D四期。对于心衰，不同的阶段有不同的治疗方法。对心衰的准确诊断和正确分期有助于医生采取相应的治疗手段，增加病人的存活率，减少病人的治疗费用和痛苦。目前，在医院可以通过心电图，心脏彩超，临床检查等对心衰进行诊断和分级。心电图作为一种无创性检查，具有价格低，检查快，效果好等优点，在检查心衰并对心衰进行分级中起着重要的作用。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，通过分析病人的心率变异性信号，可以对心衰起到预测和诊断的作用。通常，心率变异性可以通过心电信号得到。深度学习属于人工神经网络领域，从1980年以后兴起。从2006年开始，深度学习在各个领域引发极大的兴趣，并取得很大突破。深度学习的出现，使得利用计算机辅助诊断系统协助医生对心衰进行分级有着重要的意义。
技术实现思路
为克服现有技术的不足，本专利技术提供了一种基于心率变异性的心力衰竭分级方法，为临床心力衰竭的诊断和治疗提供了一种有效的方法。本专利技术通过以下技术方案实现：一种基于心率变异性的心力衰竭分级方法，包括以下步骤：步骤一、对采集到的心电信号进行预处理，去除噪声和基线漂移，得到心率变异性数据；步骤二、将收集到的心率变异性信号进行裁剪分组，使每组数据中不同类别的数据保持平衡；步骤三、将处理好的心率变异性信号放入神经网络中训练，采用十折交叉验证（10-foldcrossvalidation）的方法训练出最好的模型；步骤四、利用步骤三训练好的模型对待评级的心率变异性数据做预测，只需要将未评级的心率变异性数据输入进步骤三训练好的最佳模型中，模型可以自动评级。输出的结果为心衰I级、心衰II级、心衰III级、心衰IV级。优选的，所述步骤一中预处理的具体方法如下：1）使用0.1-100Hz的带通滤波器进行滤波处理去除噪声；2）使用零相移滤波器去除基线漂移；3）使用Pan-Tompkins算法定位出心电信号中R峰的位置，通过定位出的R峰位置，提取出病人的心率变异性数据，得到带有标记的心率变异性数据。优选的，所述步骤二中心率变异性信号进行裁剪分组的过程，选择的采样点数量为512个。所述步骤二中裁剪的方法是在原始心率变异性数据上通过滑窗按照固定长度无重叠地裁剪。裁剪的长度是根据实验效果得出的最优长度，这个裁剪长度既不会因为长度过长而造成多余的计算量，也不会因为长度过短使模型学习到的信息少从而得到的效果。优选的，步骤三中所述神经网络为一维卷积神经网络。优选的，所述一维卷积神经网络包括9个卷积层和2个循环层，并在训练过程中增加残差块。优选的，所述9个卷积层中第一个卷积层的卷积核长度为8，卷起核通道数为64，步长为1；其余所有卷积层的卷积核长度为8，卷积核通道数为64、128、192、256，每一个残差块后增加1次，残差块中第一个卷积层的步长为1，第二个卷积层的步长为2。优选的，所述步骤三中神经网络的训练方法为：首先将分段后的心率变异性数据随机打乱收集在一起，接着采用十折交叉验证的方法，将收集齐的数据平均分成十等份，取第一份为验证集，其余九份为训练集，将训练集的数据放入搭好的神经网络中进行训练，并在验证集上验证模型的性能，接着取第二份为验证集，其余九份为训练集重复上述过程；重复十次后，取性能最好的模型为最佳模型。优选的，所述步骤四中，使用训练好的模型对待评级的心率变异性数据做预测，具体包括以下步骤：1）输入数据；2）残差连接过程中接卷积层和最大池化层，池化层中的步长为2；3）在每个卷积前使用批正则化处理，同时使用ReLU激活函数，当输入x大于0时，输出为x，当输入小于0时，输出为0，用公式表示为：；4）激活函数之后接Dropout层，在所有的卷积层后，接入两个循环层，提取到与时间相关的特征；5）最后接入一个全连接层，用Softmax函数将结果输出为4类结果，分别为：心衰I级、心衰II级、心衰III级、心衰IV级。与现有技术相比，本专利技术具有如下有益效果：本专利技术研究了基于心率变异性的心力衰竭分级方法，首先对收集到的心电信号进行预处理，包括去噪、去基线漂移等，接着利用Pan-Tompkins算法定位出心电信号中R峰的位置，通过定位出的R峰位置可以提取出病人的心率变异性数据，再将数据进行分组，尽量使每组数据中不同类别的数据保持平衡，最后将数据输入进神经网络训练模型，以达到辅助医生对心衰分级的目的，为临床的诊断和治疗提供了一种新的有效的方法。本专利技术裁剪分组方法既不会因为采样点过少而造成漏诊和误诊，同时也不会因为心率变异性数据过长而增加计算量。采用一维卷积核时，这种结构更适合于处理一维的数据，如语音信号，心电信号等，并且由于它结构较简单，计算代价通常也会小很多在神经网络中加入残差块之后，加快深度网络的收敛速度，提高分类性能。附图说明图1为本专利技术采用Pan-Tompkins算法处理过的心电信号图；图2为本专利技术不同NYHA分级的心衰患者的心率变异性信号图；图3为本专利技术残差块的结构图；图4为本专利技术神经网络的具体结构图。图5为采用本专利技术方法对心衰分级的步骤流程图。具体实施方式下面结合具体实施例对本专利技术做进一步的详细说明，但是本专利技术的保护范围并不限于这些实施例，凡是不背离本专利技术构思的改变或等同替代均包括在本专利技术的保护范围之内。一种基于心率变异性的心力衰竭分级方法，包括以下步骤：步骤一、对采集到的心电信号进行预处理，去除噪声和基线漂移，得到心率变异性数据；通常采集到的心电信号一般包含很多噪声，这些噪声的存在，会对提取心电信号中的关键信息产生一定的影响，并且噪声中不包含有用的信息，对神经网络的训练没有帮助。预处理的具体方法如下：1）使用0.1-100Hz的带通滤波器进行滤波处理去除噪声；2）使用零相移滤波器去除基线本文档来自技高网...

【技术保护点】
1.一种基于心率变异性的心力衰竭分级方法，其特征在于，包括以下步骤：/n步骤一、对采集到的心电信号进行预处理，去除噪声和基线漂移，得到心率变异性数据；/n步骤二、将收集到的心率变异性信号进行裁剪分组，使每组数据中不同类别的数据保持平衡；/n步骤三、将处理好的心率变异性信号放入神经网络中训练，采用十折交叉验证的方法训练出最好的模型；/n步骤四、利用步骤三训练好的模型对待评级的心率变异性数据做预测，输出的结果为心衰I级、心衰II级、心衰III级、心衰IV级。/n

【技术特征摘要】
1.一种基于心率变异性的心力衰竭分级方法，其特征在于，包括以下步骤：
步骤一、对采集到的心电信号进行预处理，去除噪声和基线漂移，得到心率变异性数据；
步骤二、将收集到的心率变异性信号进行裁剪分组，使每组数据中不同类别的数据保持平衡；
步骤三、将处理好的心率变异性信号放入神经网络中训练，采用十折交叉验证的方法训练出最好的模型；
步骤四、利用步骤三训练好的模型对待评级的心率变异性数据做预测，输出的结果为心衰I级、心衰II级、心衰III级、心衰IV级。


2.根据权利要求1所述的一种基于心率变异性的心力衰竭分级方法，其特征在于，所述步骤一中预处理的具体方法如下：
1）使用0.1-100Hz的带通滤波器进行滤波处理去除噪声；
2）使用零相移滤波器去除基线漂移；
3）使用Pan-Tompkins算法定位出心电信号中R峰的位置，通过定位出的R峰位置，提取出病人的心率变异性数据，得到带有标记的心率变异性数据。


3.根据...

【专利技术属性】
技术研发人员：李灯熬，赵菊敏，陶冶，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14