一种基于双阶段的动态心电信号房颤检测方法、装置制造方法及图纸

本发明专利技术涉及一种基于双阶段的动态心电信号房颤检测方法、装置。本发明专利技术所提供的动态心电信号房颤检测包括以下步骤：对动态心电信号和QRS波位置序列进行第一采样频率的下采样，使用滑动窗口法对长程动态心电信号进行截取，通过模型RDAF

【技术实现步骤摘要】
一种基于双阶段的动态心电信号房颤检测方法、装置


[0001]本专利技术涉及房颤检测领域，尤其是指一种基于双阶段的动态心电信号房颤检测方法、装置。

技术介绍

[0002]房颤是一种常见的心律失常，特点为心房收缩不规则、频率快且无序，导致心室收缩的不规则和失去正常的收缩力度。房颤会增加中风、心力衰竭和其他并发症的风险，出于其重要性和常见性的考虑，往往将房颤作为心律失常中一个独立的研究要点。在临床实践中，动态心电是揭示房颤发生、持续和终止的有力工具。
[0003]目前传统的房颤检测方法的可分为基于心房活动分析方法和基于心室活动分析方法两种。房颤的发生与心房活动紊乱有关，从心电信号上的变化来看，房颤发生时，在原来的P波位置出现一系列不规则的低振幅高频的f波，表明心房活动有明显的特征性变化。基于心房活动分析的方法主要就是通过检测P波与f波之间的差异，并设计对应特征进行房颤检测或分类。快速不协调的心房活动也会引起心电信号中不规则的心室节律，表现在波形中即为RR间期不匀齐，基于心室活动分析的方法主要是基于RR间期的各种统计学参数展开研究。
[0004]基于心房活动分析方法可以解决房颤时心率变异性相对较低或心率由药物控制的情况。但由于心电图中P波和f波的能量较低，容易受到噪声干扰，导致误检。相比之下，基于心室活动分析方法的抗噪声能力更强，但由于RR间期蕴含的信息有限，因此在处理复杂节律时，其准确率仍有不小的提升空间。同时，使用RR间期进行房颤检测往往需要较长的心电信号，难以很好地实现短时阵发性房颤的检测任务，对短时、阵发性房颤则容易发生漏检与误检。
[0005]因此，许多方法将深度学习应用到基于心电信号的房颤检测与分类任务中来。与传统的方法相比，深度学习方法在房颤检测上通常具有更好的准确性和泛化能力，但是面对动态心电信号时仍然面临多种挑战：动态心电信号的质量不稳定，容易受到肌电干扰、电极位移等噪声因素干扰，影响房颤检测算法的性能；房颤可能表现出多种形式，例如不同的持续时间、不同的心拍节律和不同形态的房颤波等。此外，其它一些非房颤节律也具有类似房颤的特征，这可能会混淆识别算法并降低性能。甚至部分方案忽视了算法效率和检测准确性之间的平衡，尤其是对于部分阵发性房颤心电信号，由于其偶尔发作且持续时间短，使用高精度的大模型对全程进行检测浪费计算资源，也不利于数据集规模较大的情况，缺乏必要性。

技术实现思路

[0006]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通过分析RR间期来检测房颤发作，对短时、阵发性房颤则容易发生漏检与误检的问题；忽视算法效率和检测准确性之间的平衡，尤其是对于部分阵发性房颤心电信号，由于其偶尔发作且持续时间短，使用高精
度的大模型对全程进行检测浪费计算资源，也不利于数据集规模较大的情况，缺乏必要性的问题。
[0007]为解决上述技术问题，本专利技术提供了一种基于双阶段的动态心电信号房颤检测方法，其特征在于，包括以下步骤：
[0008]步骤1：对动态心电信号进行第一采样频率的下采样，将采样后的信号通过第一滑动窗口处理，获得第一固定长度的短心电信号片段作为第一输入支路；设置第一固定长度的QRS波位置序列作为第二输入支路；将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF
‑
net中，通过RDAF
‑
net模型的特征提取模块，得到第一特征和第二特征，将所述第一特征与第二特征进行拼接，拼接后的新特征通过卷积核减小通道数，最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段；设置第一判别阈值，在输入的短心电信号片段中，房颤发作的时长大于第一判别阈值，就将该片段标记为疑似房颤片段；
[0009]步骤2：将步骤1检测到的疑似房颤片段集合还原至动态心电信号的采样频率，即第二采样频率进行采样；将还原后的疑似房颤片段集合通过第二滑动窗口处理，以第二步长移动，获得第二固定长度的心电信号片段；将该心电信号片段输入到ConvTransAF
‑
net模型中；输入的心电信号片段首先通过特征提取模块，将提取到的特征输入编码模块进行编码，将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类；设置第二判别阈值，在输入的短心电信号片段中，房颤发作的时长大于第二判别阈值，就将该片段标记为房颤片段；
[0010]步骤3：在所述步骤2中第二滑动窗口以第二步长对心电信号进行检测时，会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率，设置预测概率判别阈值，对所述步骤2产生的预测概率进行判断；将预测概率中小于所述阈值的部分设置为0，将预测概率中大于等于所述阈值的部分设置为1；用中值滤波对预测结果进行进一步处理，滤波后的结果为动态心电信号的目标房颤检测结果。
[0011]在本专利技术的一个实施例中，所述步骤1中第一采样频率为50Hz，第一滑动窗口窗长为30s，第一步长为15s；第一固定长度为30s，第一判别阈值为5s；所述步骤2中，第二采样频率为250Hz，第二滑动窗口窗长为5s，第二步长为1s；第二固定长度为5s，第二判别阈值为2.5s。
[0012]在本专利技术的一个实施例中，所述步骤1中，RDAF
‑
net模型的特征提取模块包括常规卷积模块和分组卷积模块；其中，常规卷积模块的卷积核尺寸为1
×
15，分组卷积模块Group＝4且卷积核尺寸为1
×
11；在常规卷积模块和分组卷积模块中，卷积层后均连接BN层和激活函数ReLU，再通过AvgPool1D池化层对特征图进行10倍下采样，最后用激活函数Disout来提高网络泛化能力。
[0013]在本专利技术的一个实施例中，所述步骤1中，第一特征和第二特征进行拼接后利用卷积核尺寸为1
×
1的卷积模块缩小通道数；最后通过两个密集连接层和Sigmod激活函数来判断输入的心电信号片段内是否可能存在房颤，找出疑似房颤片段。
[0014]在本专利技术的一个实施例中，在所述RDAF
‑
net模型训练过程中，设计带权重的交叉熵损失函数，设置错检与漏检的损失惩罚比例为1:2对RDAF
‑
net模型进行约束；设置房颤判断阈值为0.5，当模型的输出概率大于0.5时判定为疑似房颤片段，输出概率小于0.5则认为
是非房颤片段；模型RDAF
‑
net的预测输出为One
‑
Hot编码，训练优化器为Adams算法。
[0015]在本专利技术的一个实施例中，所述步骤2中，ConvTransAF
‑
net模型的特征提取模块包括一个多尺度卷积模块和两个分组卷积模块；其中多尺度卷积模块的卷积核尺寸分别为1
×
3、1
×
9、1
×
15，在卷积层后依次通过BN层和激活函数ReLU；将所述多尺度卷积模块输出的三个通道串联，使用轻量化通道注意力EAC对特征映射的不同通道本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双阶段的动态心电信号房颤检测方法，其特征在于，包括以下步骤：步骤1：对动态心电信号进行第一采样频率的下采样，将采样后的信号通过第一滑动窗口处理，获得第一固定长度的短心电信号片段作为第一输入支路；设置第一固定长度的QRS波位置序列作为第二输入支路；将第一输入支路与第二输入支路分别输入轻量化卷积模型RDAF
‑
net中，通过RDAF
‑
net模型的特征提取模块，得到第一特征和第二特征，将所述第一特征与第二特征进行拼接，拼接后的新特征通过卷积核减小通道数，最后利用密集连接和激活函数判断输入的短心电信号片段是否存在疑似房颤片段；设置第一判别阈值，在输入的短心电信号片段中，房颤发作的时长大于第一判别阈值，就将该片段标记为疑似房颤片段；步骤2：将步骤1检测到的疑似房颤片段集合还原至动态心电信号的采样频率，即第二采样频率进行采样；将还原后的疑似房颤片段集合通过第二滑动窗口处理，以第二步长移动，获得第二固定长度的心电信号片段；将该心电信号片段输入到ConvTransAF
‑
net模型中；输入的心电信号片段首先通过特征提取模块，将提取到的特征输入编码模块进行编码，将编码后的心电信号片段通过密集连接层和激活函数完成对于房颤片段与非房颤片段的二次分类；设置第二判别阈值，在输入的短心电信号片段中，房颤发作的时长大于第二判别阈值，就将该片段标记为房颤片段；步骤3：在所述步骤2中第二滑动窗口以第二步长对心电信号进行检测时，会生成第二滑动窗口内第二固定长度心电信号片段的房颤的预测概率，设置预测概率判别阈值，对所述步骤2产生的预测概率进行判断；将预测概率中小于所述阈值的部分设置为0，将预测概率中大于等于所述阈值的部分设置为1；用中值滤波对预测结果进行进一步处理，滤波后的结果为动态心电信号的目标房颤检测结果。2.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法，其特征在于：所述步骤1中第一采样频率为50Hz，第一滑动窗口窗长为30s，第一步长为15s；第一固定长度为30s，第一判别阈值为5s；所述步骤2中，第二采样频率为250Hz，第二滑动窗口窗长为5s，第二步长为1s；第二固定长度为5s，第二判别阈值为2.5s。3.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法，其特征在于：所述步骤1中，RDAF
‑
net模型的特征提取模块包括常规卷积模块和分组卷积模块；其中，常规卷积模块的卷积核尺寸为1
×
15，分组卷积模块Group＝4且卷积核尺寸为1
×
11；在常规卷积模块和分组卷积模块中，卷积层后均连接BN层和激活函数ReLU，再通过AvgPool1D池化层对特征图进行10倍下采样，最后用激活函数Disout来提高网络泛化能力。4.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法，其特征在于：所述步骤1中，第一特征和第二特征进行拼接后利用卷积核尺寸为1
×
1的卷积模块缩小通道数；最后通过两个密集连接层和Sigmod激活函数来判断输入的心电信号片段内是否可能存在房颤，找出疑似房颤片段。5.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法，其特征在于：在所述RDAF
‑
net模型训练过程中，设计带权重的交叉熵损失函数，设置错检与漏检的损失惩罚比例为1:2对RDAF
‑
net模型进行约束；设置房颤判断阈值为0.5，当模型的输出概率大于0.5时判定为疑似房颤片段，输出概率小于0.5则认为是非房颤片段；模型RDAF
‑
net的预测输出为One
‑
Hot编码，训练优化器为Adams算法。6.根据权利要求1所述的一种基于双阶段的动态心电信号房颤检测方法，其特征在于：
所述步...

【专利技术属性】
技术研发人员：王丽荣，邱励燊，张淼，王朵朵，鲍瑞，刘星宇，
申请(专利权)人：苏州大学，
类型：发明
国别省市：