一种基于心血管系统电-机械活动信息的房颤分级方法技术方案

本发明专利技术涉及一种基于心血管系统电‑机械活动信息的房颤分级方法。本发明专利技术通过结合多路生理信号，并从中提取能够反映心房电活动以及心血管系统血流动力学变化的特征，从而实现对房颤等级的分类。具体流程包括：对多路生理信号进行降噪；对降噪后的生理信号进行特征点提取；根据特征点或者信号片段进行特征提取；利用机器学习算法构建房颤分级模型实现房颤的分级。本发明专利技术方法适用于基于心电、脉搏波、心冲击图等生理信号反映心血管系统电活动和机械活动的房颤分级方法，在信号处理研究领域和临床医学上均具有一定的应用价值。本发明专利技术方法的应用范围可推广至所有的单路或多路反映心血管系统电‑机械活动的信号分析研究。

【技术实现步骤摘要】
一种基于心血管系统电-机械活动信息的房颤分级方法
本专利技术涉及生理信号的分析，具体涉及一种基于心血管系统电-机械活动信息的房颤分级方法。
技术介绍
生理信号是一维的时序信号，用于获取人体各种生理参数，在健康检测和疾病诊断中扮演着重要角色。生理信号有多种类型，例如，心电信号能够反映正常和病理情况下心脏的电生理特性，可用于检测心律失常以及心肌缺血、心肌梗死等多种疾病；脉搏波信号能够表征心血管系统的血流动力学变化情况，为血压、血氧饱和度、心率等生理参数的测量提供了一种便捷的方法。心房颤动(简称房颤)是21世纪全球心血管疾病领域面临的严峻挑战之一。在我国，房颤是因心律失常而住院的最常见原因。房颤同时也会导致许多其他并发症，如卒中、心力衰竭，严重时甚至会导致死亡。房颤的病理生理机制复杂，其临床评估和管理一直是心律失常研究领域的重点和难点。房颤的临床评估方法十分繁杂，常借助影像学检查的方法，如CT，MRI和X线胸片等，这些方法无疑会对患者造成极大的负担，临床操作也十分不便。因此，建立一种对房颤患者的疾病进程进行客观便捷评估的方法极其必要。可穿戴技术以及机器学习方法在近年来得到了飞速的发展，通过可穿戴设备采集生理信号并结合信号处理和机器学习算法对疾病进行检测或预测已成为研究热点。然而关于房颤分级或者分类的研究却少有研究人员涉及。目前该领域大多基于单导联的心电信号，但心电信号无法反应心血管系统内血流动力学的变化情况。当房颤发作时，由于心动周期长短不一导致心室舒张期明显不同，进而使得不同心拍的心搏量明显差异。此外，房颤常伴随快速心室率，而这同样也会影响到心搏量。而心搏量的改变则会造成各级血管网内血流动力学参数的改变，如血压的变化。因此，在通过心电信号分析心脏电活动的基础上，结合能够反映心脏机械活动(血流动力学)信息的生理信号对房颤的进程进行全面综合的分级具有重要的科学研究和临床应用价值。
技术实现思路
本专利技术的目的在于提供一种基于心血管系统电-机械活动信息的房颤分级方法。本专利技术方法通过结合多路生理信号解决了仅通过心脏电活动对房颤分级带来的不足，同时充分利用了多源特征融合和拥有优异分类性能的机器学习方法。本专利技术方法通过同时采集可以反映心脏电活动和机械活动的生理信号，然后针对生理信号提取特征点进行数据层的特征融合得到一组特征向量。通过进一步对特征向量进行特征层的特征融合，最后利用机器学习方法实现对房颤进程的分级。本专利技术提出了一种基于心血管系统电-机械活动信息的房颤分级方法，其具体步骤如下：(1)对采集到的反映生物个体心血管系统电-机械活动的多路生理信号进行预处理，即对采集到的多路生理信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声等的干扰，得到多路信号的一维信号片段；(2)对于步骤(1)得到的多路信号的一维信号片段，根据每一路信号片段的生理意义提取相应的特征点，特征点通常反映了心血管系统的重要信息；(3)对于每一路信号片段，根据步骤(2)中提取的特征点采用数学运算进行数据层的特征融合，得到每个片段对应的一组特征向量；(4)对步骤(3)得到的特征向量使用特征降维技术进行特征层的特征融合，实现对原有特征向量的降维，为提高后续分类器的性能打下基础；(5)经过步骤(4)后，特征向量的维度得到降低，将每一路信号片段对应的降维后的特征向量组成数据集，并划分为训练集与测试集；(6)利用机器学习的方法建立房颤分级模型，实现对房颤的分级：将步骤(5)中获得的训练集输入到机器学习算法建立的初始模型中进行训练，并优化模型参数，得到房颤分级模型；将测试集数据输入房颤分级模型进行测试，检验该模型的准确率。本专利技术中，步骤(1)中采集能够反映心血管系统电-机械活动的生理信号，所述生理信号为心电信号、脉搏波信号或心冲击信号中任一种。本专利技术中，步骤(3)中对于多路生理信号特征点的特征提取和数据层的特征融合，所述方法包含如下三种：a.针对每一路信号，选取该片段内所有特征点的幅值序列，然后计算幅值序列的统计量；b.针对每一路信号，选取该片段内所有特征点与前一个特征点的时间差序列，然后计算序列的统计量；c.对多路信号在同一心拍内的特征点进行数学运算获得时间序列，计算该时间序列的统计量。本专利技术中，步骤(3)中的特征层的特征融合，所采用的方法包括主成分分析(PCA)、典型相关分析(CCA)、交替方向乘子法(ADMM)或线性特征依赖模型(LFDM)中任一种。本专利技术中，步骤(6)中使用机器学习的方法对特征向量进行分类：其数据集由多路生理信号经过不同层次的特征融合后得到，然后将数据集划分为训练集与测试集。训练集用于训练机器学习算法建立的初始模型以获得房颤分级模型，测试集用于房颤分级模型在未知数据集上的房颤分级性能。本专利技术具有以下有益效果：1.本专利技术方法可无创便携地实现房颤进程的分级，有利于临床的可操作性；2.本专利技术通过采集多路生理信号，实现房颤情况下的心脏电-机械活动的综合评估。相比于仅使用单路心电信号，可以进行更细致更准确地实现房颤的分级；3.本专利技术通过对预处理后的多路生理信号进行数据层和特征层的特征融合，有效提高了分类器的性能；4.本专利技术方法的应用范围可推广至所有基于心脏电-机械活动信号的房颤分级研究，以及其他心血管疾病的研究，在信号处理研究领域和临床医学上均具有一定的应用价值。附图说明图1是基于心电(ECG)与脉搏波(PPG)信号的房颤分级方法的总体流程图。图2是实施例1采用的数据集划分方法以及样本分布的示意图。图3是实施例1中两个类别对应的10s信号片段的示意图。其中第一列(a)为等级1对应的10sECG和PPG片段，第二列(b)为等级2对应的10sECG和PPG片段，第三列(c)为等级3对应的10sECG和PPG片段。图4是实施例1中基于阈值方法以及PanTompkins算法提取的PPG和ECG信号的特征点(用圆圈表示)示意图，以及数据层中用于特征融合的特征示意图。图5是实施例1中房颤分级模型在测试集数据上的混淆矩阵。具体实施方式下面结合附图和实施例对本专利技术方法及其应用做进一步详细说明。实施例仅用于对本专利技术进行说明，而非限定条件。在本专利技术技术方案的基础上，凡根据本专利技术原理对该实施例的各种变形或修正，均不应排除在本专利技术的保护范围之外。实施例1：将本专利技术的心血管系统电-机械活动信息的房颤分级方法应用于同步采集的心电(ECG)和脉搏波(PPG)信号的分析。本实施例的数据是来自公开的MIMIC数据库和QueenslandVitalSignsDataset。工作流程如下：(1)选择MIMIC数据库中的6个受试者数据和Queenslanddataset中的1个受试者数据。根据24小时的心电数据将受试者的房颤程度划分为三个等级，等级1为正常的窦性心律，等级2为该受试者的心电节律在2本文档来自技高网...

【技术保护点】
1.基于心血管系统电-机械活动信息的房颤分级方法，其特征在于具体步骤如下：/n（1）对采集到的反映生物个体心血管系统电-机械活动的多路生理信号进行预处理，即对采集到的多路生理信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声的干扰，得到多路信号的一维信号片段；/n（2）对于步骤（1）得到的多路信号的一维信号片段，根据每一路信号片段的生理意义提取相应的特征点，特征点通常反映了心血管系统的重要信息；/n（3）对于每一路信号片段，根据步骤（2）中提取的特征点采用数学运算进行数据层的特征融合，得到每个片段对应的一组特征向量；/n（4）对步骤（3）得到的特征向量使用特征降维技术进行特征层的特征融合，实现对原有特征向量的降维，为提高后续分类器的性能打下基础；/n（5）经过步骤（4）后，特征向量的维度得到降低，将每一路信号片段对应的降维后的特征向量组成数据集，并划分为训练集与测试集；/n（6）利用机器学习的方法建立房颤分级模型，实现对房颤的分级：将步骤（5）中获得的训练集输入到机器学习算法建立的初始模型中进行训练，并优化模型参数，得到房颤分级模型；将测试集数据输入房颤分级模型进行测试，检验该模型的准确率。/n...

【技术特征摘要】
1.基于心血管系统电-机械活动信息的房颤分级方法，其特征在于具体步骤如下：
（1）对采集到的反映生物个体心血管系统电-机械活动的多路生理信号进行预处理，即对采集到的多路生理信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声的干扰，得到多路信号的一维信号片段；
（2）对于步骤（1）得到的多路信号的一维信号片段，根据每一路信号片段的生理意义提取相应的特征点，特征点通常反映了心血管系统的重要信息；
（3）对于每一路信号片段，根据步骤（2）中提取的特征点采用数学运算进行数据层的特征融合，得到每个片段对应的一组特征向量；
（4）对步骤（3）得到的特征向量使用特征降维技术进行特征层的特征融合，实现对原有特征向量的降维，为提高后续分类器的性能打下基础；
（5）经过步骤（4）后，特征向量的维度得到降低，将每一路信号片段对应的降维后的特征向量组成数据集，并划分为训练集与测试集；
（6）利用机器学习的方法建立房颤分级模型，实现对房颤的分级：将步骤（5）中获得的训练集输入到机器学习算法建立的初始模型中进行训练，并优化模型参数，得到房颤分级模型；将测试集数据输入房颤分级模型进行测试，检验该模型的准确率。

【专利技术属性】
技术研发人员：杨翠微，胡启晗，刘森，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31