一种基于深度学习的心率变异性特征分析方法技术

一种基于深度学习的心率变异性特征分析方法涉及计算机领域，能够有效提取心率变异性中包含的信息。本发明专利技术包括以下步骤：通过传感器获取心电图数据，并传输至上位机；应用插值和滤波对ECG信号进行预处理；采用滑动窗口对接收到的ECG数据进行截取，并进行实时更新和傅里叶变换以获取频谱特征图；利用深度卷积神经网络解析频谱图并提取有用信息，包括基于Resnet18的残差学习方法的频域特征提取、以及基于注意力机制的时频域特征融合、使用多层感知机对特征信息进行分类并输出。知机对特征信息进行分类并输出。知机对特征信息进行分类并输出。

【技术实现步骤摘要】
一种基于深度学习的心率变异性特征分析方法


[0001]本专利技术属于电子信息领域，是一种基于深度学习与神经网络的心率变异性特征分析方法。

技术介绍

[0002]心率变异性(HRV)是衡量心脏节律的指标，通过分析HRV可以评价神经系统的活动情况。
[0003]已有主流HRV分析方法分为目视分析法与基于统计学的分析方法，目前基于深度学习与神经网络的HRV分析技术及应用尚处于起步阶段。
[0004]近年来，深度学习算法在图像识别、自然语言处理等领域取得显著成果。在图像识别方面，深度学习算法通过使用卷积神经网络等技术，可以对图像中的特征进行更加准确的提取和分析。因此，深度学习算法为HRV分析提供了新思路，应用它可以提高HRV分析的准确率。
[0005]本专利技术结合Resnet、注意力机制和多层感知机等技术构造神经网络，以传感器获得的心电(ECG)信号为输入，进行实时心率变异性特征分析。

技术实现思路

[0006]本专利技术针对基于传统统计学手段的HRV分析方法存在易受外界干扰影响、灵活性差等问题，结合Resnet、注意力机制和多层感知机技术构造HRV分析神经网络，实现心率变异性特征监测。
[0007]本专利技术涉及如下4方面：
[0008](1)由传感器获取被试的ECG数据，并通过低功耗蓝牙传输至上位机；
[0009](2)应用插值、滤波等手段对获得的ECG信号做预处理，提高信号的精度、消除干扰尖峰；
[0010](3)采用滑动窗口对接收到的ECG信号进行缓存，并按照先进先出原则对滑动窗口内的ECG数据进行实时更新；同时，针对滑动窗口内的ECG数据作傅里叶变换得到频谱特征图；
[0011](4)应用Resnet、注意力机制和多层感知机等技术构造深度卷积神经网络实时解析ECG数据，并尝试从中提取有用信息。
[0012]本专利技术核心算法：
[0013](1)基于三次样条插值和滤波器的心电信号预处理
[0014]通常从传感器采集到的ECG数据容易受到呼吸、运动等因素的影响，导致数据点缺失或产生噪声，从而影响后续ECG分析。
[0015]为了准确提取心率变异性的特征向量，本专利技术首先采用三次样条插值对原始离散的ECG数据进行升采样，以提高数据精度。
[0016]然后，对样本使用高通巴特沃斯滤波器减少信号中潜在的直流分量偏移和0.15～
0.3Hz的基线漂移。巴特沃斯滤波器又称最大平坦滤波器，由英国工程师、物理学家史蒂芬
·
巴特沃斯于1930年首先提出，具有通频带频率响应曲线平坦无纹波、而在阻频带则逐渐下降为零的特点，十分适用于心电信号中基线漂移的滤除。高通巴特沃斯滤波器的转移函数如式(1)所示：
[0017][0018]其中n为滤波器的阶数，D(u,v)表示频率中点到频率平面的距离，D0为截止频率。当D(u,v)大于D0时，对应的H(u,v)逐渐接近1，从而使得高频部分得以通过；而当D(u,v)小于D0时，H(u,v)逐渐趋近于0，实现低频部分过滤。
[0019]最后，采用Savitzky
‑
Golay滤波器对数据进行平滑，该滤波器是一种在时域内基于局域多项式最小二乘法拟合的滤波方法。这种滤波器最大的特点在于在滤除噪声的同时可以确保信号的形状、宽度不变，因此能够保持时间精度。
[0020](2)基于滑动窗口对ECG信号进行时域、频域特征动态分析
[0021]由于ECG数据是通过传感器源源不断地输入的连续的流数据，具有连续性、长期性等特点。传统的静态数据分析方法无法直接应用于此场景，因此，本专利技术使用滑动窗口技术对原始ECG数据进行预处理。
[0022]具体来说，就是将数据划分为5、10、20秒长度可调节的窗口，所谓“窗口”即原信号从某一时间点起、至某一时间点止的片段，如图2中的矩形框所示。之后对每个窗口内的数据独立进行波峰检测和特征分析，设置每个窗口对应的时间戳并保存其时域、频域特征分析结果。随着新数据的不断输入，将滑动窗口向前推进，按照先进先出原则对滑动窗口内的ECG数据及其时、频域特征进行实时更新。
[0023](3)基于FFT、PSD的信号功率谱特征提取
[0024]利用快速傅里叶变换FFT算法计算得到信号的频率特征，对于一段长度为N的离散数据点序列u
N
(n)，FFT算法的公式如式(2)所示：
[0025][0026]其中j为虚数单位，ω为频率，n为频点数，U
n
(ω)是对ECG信号做傅里叶变换得到的结果，是一个与输入序列等长的复数序列，包含实部即各个频率分量的振幅和虚部即各个频率分量的相位；再将(2)式取模平方，得到估计的功率谱密度PSD函数其中U
n
(ω)是(2)中得到的ECG信号傅里叶变换结果序列，N为序列长度，ω为频率，n为频点数：
[0027][0028]将功率谱密度曲线绘制出来，即得到了该滑动窗口内心跳间隔频域特征的三通道RGB图像；如图3所示，以便于后续神经网络的处理。
[0029](4)基于神经网络的心率变异性特征分析
[0030]本专利技术使用的神经网络架构如图4所示。
[0031]首先，步骤(3)中产生的RGB图像被输入到Resnet层中。Resnet层由多个卷积块和残差块组成，用于提取多个图像的频域特征；然后，融合层利用注意力机制将频域特征向量与时域特征向量拼接融合在一起；最后，使用全连接层(也称多层感知机)和softmax层来分类特征向量，并选择概率最大的类别作为推测结果输出。
[0032](5)基于ResNet18残差学习方法的频域特征提取
[0033]随着网络深度增加，神经网络会出现梯度消失的问题，导致网络检测的准确度下降。ResNet引入残差学习方法来消除神经网络深度增加导致的梯度消失问题。每个残差模块包含两条路径，如图5所示。其中一条路径是输入特征的直通路；另一条路径对该特征进行若干次卷积操作得到残差特征F(x)，并给两条路径分配权重。最终将两条路径的结果之和作为本层网络的输出和下一层网络的输入。残差模块的加入能够使模型的拟合能力提高，减轻网络层数增加带来的负面影响。
[0034]Resnet18结构如图6所示。输入层由一个卷积层和一个最大池化层组成。中间层包含4个含上述残差模块的卷积块，由虚线框表示。最后，特征值通过一个平均池化层输出。
[0035]将经过PSD变换以后生成的图像(分辨率为224*224的RGB三通道图像)作为上述网络的输入，先通过一个大小为7*7、步长为2的卷积核进行卷积运算，再用一个大小为3*3、步长为2核进行最大池化运算，经如上处理后，图像就会变成56*56的特征图。
[0036]中间卷积层共有四个卷积块，是ResNet18的核心组成部分，能够提取原始数据的特征，并保持图像的空间连续性。而且这些卷积核能够共享参数，可有效降低卷积层的参数量。
[0037]首个卷积层的卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的心率变异性特征分析方法，其特征在于：(1)由传感器获取受试者ECG数据，并通过低功耗蓝牙传输至上位机；(2)应用插值、滤波对获得的ECG信号做预处理，提高信号的精度、消除干扰尖峰；(3)采用滑动窗口对接收到的ECG信号进行缓存，并按照先进先出原则对滑动窗口内的ECG数据进行实时更新；同时，针对滑动窗口内的ECG数据作傅里叶变换得到频谱特征图；(4)应用Resnet、注意力机制和多层感知机构造深度卷积神经网络实时解析ECG数据，并从中提取有用信息。2.根据权利要求1所述的一种基于深度学习的心率变异性特征分析方法，其特征在于：(1)基于三次样条插值和滤波器的心电信号预处理首先采用三次样条插值对原始离散的ECG数据进行升采样，以提高数据精度；然后，对样本使用高通巴特沃斯滤波器减少信号中潜在的直流分量偏移和0.15～0.3Hz的基线漂移；高通巴特沃斯滤波器的转移函数如式(1)所示：其中n为滤波器的阶数，D(u,v)表示频率中点到频率平面的距离，D0为截止频率；当D(u,v)大于D0时，对应的H(u,v)逐渐接近1，从而使得高频部分得以通过；而当D(u,v)小于D0时，H(u,v)逐渐趋近于0，实现低频部分过滤，对数据进行平滑；(2)基于滑动窗口对ECG信号进行时域、频域特征动态分析将数据划分为5、10、20秒长度可调节的窗口，所谓“窗口”即原信号从某一时间点起、至某一时间点止的片段，之后对每个窗口内的数据独立进行波峰检测和特征分析，设置每个窗口对应的时间戳并保存其时域、频域特征分析结果；随着新数据的不断输入，将滑动窗口向前推进，按照先进先出原则对滑动窗口内的ECG数据及其时、频域特征进行实时更新；(3)基于FFT、PSD的信号功率谱特征提取利用快速傅里叶变换FFT算法计算得到信号的频率特征，对于一段长度为N的离散数据点序列u
N
(n)，FFT算法的公式如式(2)所示：其中j为虚数单位，ω为频率，n为频点数，U
n
(ω)是对ECG信号做傅里叶变换得到的结果，是一个与输入序列等长的复数序列，包含实部即各个频率分量的振幅和虚部即各个频率分量的相位；再将(2)式取模平方，得到估计的功率谱密度PSD函数其中U
n
(ω)是(2)中得到的ECG信号傅里叶变换结果序列，N为序列长度，ω为频率，n为频点数：将功率谱密度曲线绘制出来，即得到了该滑动窗口内心跳间隔频域特征的三通道RGB图像；(4)基于神经网络的心...

【专利技术属性】
技术研发人员：何坚，蒋胜圣，杨沁微，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：