一种房颤检测方法、装置及设备制造方法及图纸

本发明专利技术涉及一种房颤检测方法，包括获取心电信号，利用带通滤波器对心电信号去噪，根据去噪后心电信号中R峰的位置生成RR间期长度序列图并输入到预先训练好的U

【技术实现步骤摘要】
一种房颤检测方法、装置及设备


[0001]本专利技术涉及人工智能领域及信号处理
，尤其是指一种房颤检测方法、装置及设备。

技术介绍

[0002]心房颤动，简称房颤，是一种不规则的室上心律失常，可引起血栓栓塞、高血压、心力衰竭、糖尿病等严重并发症，同时会带来死亡率和患病率的剧增，因此，早期识别房颤对心血管疾病的治疗起着至关重要的作用。且每种心率异常都有自己的心电图信号特征，房颤信号表现为RR间期不规则，而且p波消失，可根据这个异常来检测房颤。RR间期是计算得到的值，每两个心拍能得到一个RR间期的值，所有RR间期的值组合而成的序列就是RR间期序列，也称之为RR间期波。在临床实践中，心脏病学家通常建议可能患有房颤的患者佩戴长期装置记录心电图信号，但是，对于心内科医生来说，在如此长的心电图记录中人为的分析房颤节律非常耗时。因此，自动对焦检测器是特别必要的。
[0003]现有的自动对焦检测算法有非深度学习算法、基于心拍的深度学习算法和基于分段的深度学习算法。非深度学习算法是从RR间期提取房颤的高级特征，其缺点是高级特征的提取过程复杂，耗时长；基于心拍的深度学习方法，得到的结果具有高水平细粒度分类，但是必须在检测之前进行分离心跳的预处理，降低了实际应用过程中的效率；基于分段的深度学习方法，虽然无需进行心跳分类预处理，具有高效率，但是无法获得逐拍的细粒度结果。综上所述，现有的检测方法存在高级特征提取过程复杂、不进行心跳分离预处理无法获取细粒度结果的问题。

技术实现思路

[0004]为此，本专利技术所要解决的技术问题在于克服现有技术中特征提取复杂、在不做心拍分离处理时无法获得细粒度结果的问题。
[0005]为解决上述技术问题，本专利技术提供了一种房颤检测方法，包括：
[0006]获取待检测的心电信号；
[0007]利用带通滤波器对所述待检测的心电信号去噪，根据去噪后心电信号中R峰的位置生成RR间期长度序列图；
[0008]将所述RR间期长度序列图输入到预先训练好的U
‑
Net网络中进行预测，输出RR间期波标签图。
[0009]在本专利技术的一个实施例中，所述带通滤波器的带宽范围为1HZ
‑
40HZ。
[0010]在本专利技术的一个实施例中，所述U
‑
Net网络的结构包括：编码器、解码器与CBAM模块；
[0011]所述编码器沿正传播方向依次包括：
[0012]输入层，包括多个卷积单元；
[0013]多个编码模块，包括沿正传播方向依次连接的一个下采样单元与多个卷积单元；
[0014]所述解码器沿正传播方向依次包括：
[0015]多个解码模块，包括沿正传播方向依次连接的Concatenate单元、多个卷积单元与一个上采样单元；
[0016]输出层，包括沿正传播方向依次连接Concatenate单元、卷积单元，输出卷积块与输出通道激活函数；
[0017]所述编码模块与所述解码模块的个数相同。
[0018]在本专利技术的一个实施例中，所述多个卷积单元均包括沿正传播方向依次连接的1D卷积、批归一化层与LReLU激活层；所述1D卷积的过滤器大小为24，卷积核大小为3；所述LReLU激活层函数的负斜率均为0.3。
[0019]在本专利技术的一个实施例中，所述将所述RR间期长度序列图输入到预先训练好的U
‑
Net网络中进行预测，输出RR间期波标签图包括：
[0020]将RR间期长度序列图从所述输入层输入，经过所述卷积单元卷积后输入到所述编码模块，经过两个所述编码模块处理后输出第一特征图像；
[0021]所述第一特征图像经过所述CBAM模块处理输入到所述解码模块；
[0022]经过两个所述解码模块的处理后，输入至所述输出层的Concatenate单元，经过所述卷积单元与所述输出卷积块卷积，通过所述输出通道激活函数输出，得到RR间期波标签图。
[0023]在本专利技术的一个实施例中，所述下采样单元采用最大池化法，所述上采样单元采用双线性插值法。
[0024]在本专利技术的一个实施例中，所述U
‑
Net网络的训练方法为：
[0025]利用ADAM优化器与骰子损失函数进行训练，将训练集输入到U
‑
Net网络中进行训练，直至骰子损失函数收敛，停止训练，得到训练好的U
‑
Net网络；
[0026]所述骰子损失函数为其中，p
i
为待检测心电信号的预测结果，t
i
为待检测心电信号的正确结果，δ为防止分母为0的一个值。
[0027]本专利技术还提供了一种房颤检测装置，包括：
[0028]通讯模块：用于获取心电信号；
[0029]预处理模块：用于通过带通滤波器对心电信号去噪，生成RR间期长度序列图；
[0030]U
‑
Net网络预测模块：用于将所述RR间期长度序列图输入预先训练好的U
‑
Net网络中进行检测，输出RR间期波标签图。
[0031]在本专利技术的一个实施例中，还包括U
‑
Net网络训练模块，用于将训练集输入U
‑
Net网络中进行训练，利用ADAM优化器训练，直至骰子损失函数收敛，得到训练好的U
‑
Net网络。
[0032]本专利技术还提供了一种房颤检测设备，包括：
[0033]采集装置，用于采集患者的心电信号；
[0034]如上述所述的房颤检测装置，与所述采集装置通讯连接，用于对所述心电信号进行预处理生成RR间期长度序列图，经U
‑
Net网络进行预测，输出RR间期波标签图；
[0035]显示装置，与所述检测装置通讯连接，用于显示所述RR间期波标签图；
[0036]供电装置，用于为所述采集装置、所述检测装置与所述显示装置供电。
[0037]本专利技术的上述技术方案相比现有技术具有以下优点：
[0038]本专利技术所述的房颤检测方法利用U
‑
Net网络，对RR间期长度序列图进行预测，判断是否发生房颤。预测前只需对心电信号去噪，获取RR间期长度序列图，不需要提取更高级的特征，预处理过程简便；U
‑
Net网络是端到端的卷积神经网络，通过U
‑
Net网络处理输入的RR间期长度序列图，实现在不需要做心拍分离的情况下将每个心跳的检测结果映射到原始的心电信号中，从而实现高细粒度分类水平的房颤检测，有效提高自动房颤检测的效率与准确性。
附图说明
[0039]为了使本专利技术的内容更容易被清楚的理解，下面根据本专利技术的具体实施例并结合附图，对本专利技术作进一步详细的说明，其中
[0040]图1是本专利技术实施例所提供的房颤检测方法的步骤流程示意图；
[0041]图2的(a)为本专利技术实施例所提供的的心电信号示意图；
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种房颤检测方法，其特征在于，包括：获取待检测的心电信号；利用带通滤波器对所述待检测的心电信号去噪，根据去噪后心电信号中R峰的位置生成RR间期长度序列图；将所述RR间期长度序列图输入到预先训练好的U
‑
Net网络中进行预测，输出RR间期波标签图。2.根据权利要求1所述的房颤检测方法，其特征在于，所述带通滤波器的带宽范围为1HZ
‑
40HZ。3.根据权利要求1所述的房颤检测方法，其特征在于，所述U
‑
Net网络的结构包括：编码器、解码器与CBAM模块；所述编码器沿正传播方向依次包括：输入层，包括多个卷积单元；多个编码模块，包括沿正传播方向依次连接的一个下采样单元与多个卷积单元；所述解码器沿正传播方向依次包括：多个解码模块，包括沿正传播方向依次连接的Concatenate单元、多个卷积单元与一个上采样单元；输出层，包括沿正传播方向依次连接Concatenate单元、卷积单元，输出卷积块与输出通道激活函数；所述编码模块与所述解码模块的个数相同。4.根据权利要求3所述的房颤检测方法，其特征在于，所述多个卷积单元均包括沿正传播方向依次连接的1D卷积、批归一化层与LReLU激活层；所述1D卷积的过滤器大小为24，卷积核大小为3；所述LReLU激活层函数的负斜率均为0.3。5.根据权利要求3所述的房颤检测方法，其特征在于，所述将所述RR间期长度序列图输入到预先训练好的U
‑
Net网络中进行预测，输出RR间期波标签图包括：将RR间期长度序列图从所述输入层输入，经过所述卷积单元卷积后输入到所述编码模块，经过两个所述编码模块处理后输出第一特征图像；所述第一特征图像经过所述CBAM模块处理输入到所述解码模块；经过两个所述解码模块的处理后，输入至所述输出层的Concatenate单元，经过所述卷积单元与所述输出卷积块卷积，通过所述输...

【专利技术属性】
技术研发人员：王丽荣，刘星宇，朱文亮，鲁思思，刘江旭，
申请(专利权)人：苏州大学，
类型：发明
国别省市：