CN109846476A - 一种基于机器学习技术的室颤识别方法 - Google Patents
一种基于机器学习技术的室颤识别方法 Download PDFInfo
- Publication number
- CN109846476A CN109846476A CN201910208962.9A CN201910208962A CN109846476A CN 109846476 A CN109846476 A CN 109846476A CN 201910208962 A CN201910208962 A CN 201910208962A CN 109846476 A CN109846476 A CN 109846476A
- Authority
- CN
- China
- Prior art keywords
- ventricular fibrillation
- electrocardiogram
- feature
- ecg
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000003663 ventricular fibrillation Diseases 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 238000002790 cross-validation Methods 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于机器学习技术的室颤识别方法，包括以下步骤：对原始心电信号进行处理，以提取室颤特征；利用已标记心电数据库训练用于判断各心电图信号是否为室颤的逻辑回归模型；利用训练好的模型求得各心电图信号为室颤的概率。本发明从现有技术提出的各种特征中选取最有效的组合，有效提高了室颤检测算法的性能。同时，本发明将心率特征应用到室颤检测中。为了解决室颤发生时QRS检测困难、心率可能严重不准确的问题，本发明使用信号的质量信息使模型能准确判断在何种情况下应忽略心率信息、何种情况下可以通过心率排除明显非室颤的心电图。
Description
技术领域
本发明涉及医疗技术领域，尤其涉及一种基于机器学习技术的室颤识别方法。
背景技术
现有技术中，相对于基于规则的室颤检测方法，基于机器学习技术的方法被证明性能更好、鲁棒性更优。基于机器学习技术的室颤检测算法的关键一步是特征参数的选取。为提取特征，现有技术应用了各种基于频域或时域的分析方法，如复杂度分析，室颤滤波分析，频谱分析，时间延迟算法，带通滤波分析，协方差分析，Kurtosis等。
由于室颤发生时QRS检测困难，现有技术在检测室颤时往往排除了心率特征，这导致现有技术有时会将通过心率可显然判断出非室颤的心电图判断为室颤。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于机器学习技术的室颤识别方法。
本发明采用的技术方案是：
一种基于机器学习技术的室颤识别方法，其特征在于，包括以下步骤：
(1)预处理心电图信号，用以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率；
(2)对除噪和重采样后的心电图信号进行带通滤波分析，计算特征1，具体方法为：假设带通滤波的输出为FS，对每一秒窗口，计算FS绝对值的最大值和平均值，分别记为MAX_ABS_FS和MEAN_ABS_FS；用于检测室颤的第1个特征即定义为心电图中滤波输出绝对值处于MEAN_ABS_FS和MAX_ABS_FS之间的样本的数目占心电图所有样本数目的比例；
(3)对除噪和重采样后的心电图信号进行室颤滤波分析，计算题在2，具体方法为：室颤滤波的含义解释如下：由于室颤心电图类似正弦曲线，其能量会主要分布于平均频率附近，因而通过一个中心频率为心电图信号平均频率的带阻滤波器后余量会比非室颤心电图的余量小的多；为计算心电图信号的平均频率，估算信号的平均周期T为如下，其中Vi为信号值，m是心电图样本数目：
通过该带阻滤波器后的心电图信号的余量可由下列公式计算，这作为第2个特征：
(4)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；
(5)计算心电图平均心率，作为第3个特征；
(6)计算心电图各QRS波为真实QRS波的概率的平均值，作为第4个特征；
(7)选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒；
(8)对各个10秒心电图片段按步骤(1)-步骤(6)进行处理，获得一个判别室颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)-步骤(6)中获得的室颤特征参数的数目；对各心电图片段，与专家标记进行比对，判断其是否为室颤；
(9)将步骤(8)获得的特征参数矩阵和是否为室颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为非室颤，阈值以上，认为是室颤；
(10)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(6)的方法进行处理，获得该心电图的室颤特征参数组合；采用步骤(9)中训练获得的模型进行分类，获得其室颤的概率，再利用,步骤(9)中确定的概率阈值最终决定该心电图是否为室颤。
所述的一种基于机器学习技术的室颤识别方法，其特征在于，所述步骤(2)中的带通滤波器的中心频率为14.6Hz，使用整系数数字滤波器实现。
本发明的原理是：
1.本发明首先通过系统性的测试，利用留一验证的训练方法，从十多种特征中选取了两种特征参数，这两种特征分别通过带通滤波分析和室颤滤波分析获得，这两类特征的计算方式见步骤(1)至步骤(4)。
2.如步骤(5)与步骤(6)所述，本发明使用了心电图平均心率作为第3个特征，使用了心电图各QRS波为真实QRS波的概率的平均值为第4个特征，因而有效防止将通过心率可显然判断出非室颤的心电图判断为室颤。
本发明的优点是：
本发明从现有技术提出的各种特征中选取最有效的组合，有效提高了室颤检测算法的性能。同时，本发明将心率特征应用到室颤检测中。为了解决室颤发生时QRS检测困难、心率可能严重不准确的问题，本发明使用信号的质量信息使模型能准确判断在何种情况下应忽略心率信息、何种情况下可以通过心率排除明显非室颤的心电图。
附图说明
图1为对原始心电信号进行处理，以提取室颤特征的流程图。
图2为利用已标记心电数据库训练用于判断各心电图信号是否为室颤的逻辑回归模型的流程图。
图3为利用训练好的模型求得各心电图信号为室颤的概率的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例。
一种基于机器学习技术的室颤识别方法，其特征在于，包括以下步骤：
(1)预处理心电图信号，用以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率；
(2)对除噪和重采样后的心电图信号进行带通滤波分析，计算特征1，带通滤波器的中心频率为14.6Hz，使用整系数数字滤波器实现；具体方法为：假设带通滤波的输出为FS，对每一秒窗口，计算FS绝对值的最大值和平均值，分别记为MAX_ABS_FS和MEAN_ABS_FS；用于检测室颤的第1个特征即定义为心电图中滤波输出绝对值处于MEAN_ABS_FS和MAX_ABS_FS之间的样本的数目占心电图所有样本数目的比例；
(3)对除噪和重采样后的心电图信号进行室颤滤波分析，计算特征2，具体方法为：室颤滤波的含义解释如下：由于室颤心电图类似正弦曲线，其能量会主要分布于平均频率附近，因而通过一个中心频率为心电图信号平均频率的带阻滤波器后余量会比非室颤心电图的余量小的多；为计算心电图信号的平均频率，估算信号的平均周期T为如下，其中Vi为信号值，m是心电图样本数目：
通过该带阻滤波器后的心电图信号的余量可由下列公式计算，这作为第2个特征：
(4)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；
(5)计算心电图平均心率，作为第3个特征；
(6)计算心电图各QRS波为真实QRS波的概率的平均值，作为第4个特征；
(7)选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒；
(8)对各个10秒心电图片段按步骤(1)-步骤(6)进行处理，获得一个判别室颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)-步骤(6)中获得的室颤特征参数的数目；对各心电图片段，与专家标记进行比对，判断其是否为室颤；
(9)将步骤(8)获得的特征参数矩阵和是否为室颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为非室颤，阈值以上，认为是室颤；
(10)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(6)的方法进行处理，获得该心电图的室颤特征参数组合；采用步骤(9)中训练获得的模型进行分类，获得其室颤的概率，再利用,步骤(9)中确定的概率阈值最终决定该心电图是否为室颤。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种基于机器学习技术的室颤识别方法，其特征在于，包括以下步骤：
(1)预处理心电图信号，进行除噪，将除噪后的心电信号重采样至某一固定采样率；
(2)对除噪和重采样后的心电图信号进行带通滤波分析，计算特征1，具体方法为：假设带通滤波的输出为FS，对每一秒窗口，计算FS绝对值的最大值和平均值，分别记为MAX_ABS_FS和MEAN_ABS_FS；用于检测室颤的第1个特征即定义为心电图中滤波输出绝对值处于MEAN_ABS_FS和MAX_ABS_FS之间的样本的数目占心电图所有样本数目的比例；
(3)对除噪和重采样后的心电图信号进行室颤滤波分析，计算特征2，具体方法为：室颤滤波的含义解释如下：由于室颤心电图类似正弦曲线，其能量会主要分布于平均频率附近，因而通过一个中心频率为心电图信号平均频率的带阻滤波器后余量会比非室颤心电图的余量小的多；为计算心电图信号的平均频率，估算信号的平均周期T为如下，其中Vi为信号值，m是心电图样本数目：
通过该带阻滤波器后的心电图信号的余量可由下列公式计算，这作为第2个特征：
(4)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；
(5)计算心电图平均心率，作为第3个特征；
(6)计算心电图各QRS波为真实QRS波的概率的平均值，作为第4个特征；
(7)选取经心电专家标记的心电数据库，将各个心电记录划分成多个心电图片段，每个心电图片段10秒；
(8)对各个10秒心电图片段按步骤(1)-步骤(6)进行处理，获得一个判别室颤的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)-步骤(6)中获得的室颤特征参数的数目；对各心电图片段，与专家标记进行比对，判断其是否为室颤；
(9)将步骤(8)获得的特征参数矩阵和是否为室颤的信息输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K-1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为非室颤，阈值以上，认为是室颤；
(10)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(6)的方法进行处理，获得该心电图的室颤特征参数组合；采用步骤(9)中训练获得的模型进行分类，获得其室颤的概率，再利用,步骤(9)中确定的概率阈值最终决定该心电图是否为室颤。
2.根据权利要求1所述的一种基于机器学习技术的室颤识别方法，其特征在于，所述步骤(2)中的带通滤波器的中心频率为14.6Hz，使用整系数数字滤波器实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910208962.9A CN109846476A (zh) | 2019-03-19 | 2019-03-19 | 一种基于机器学习技术的室颤识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910208962.9A CN109846476A (zh) | 2019-03-19 | 2019-03-19 | 一种基于机器学习技术的室颤识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109846476A true CN109846476A (zh) | 2019-06-07 |
Family
ID=66901216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910208962.9A Pending CN109846476A (zh) | 2019-03-19 | 2019-03-19 | 一种基于机器学习技术的室颤识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109846476A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6865329B1 (ja) * | 2019-07-29 | 2021-04-28 | 株式会社カルディオインテリジェンス | 表示装置、表示方法及びプログラム |
| CN113100779A (zh) * | 2020-01-10 | 2021-07-13 | 深圳市理邦精密仪器股份有限公司 | 心室纤颤的检测方法、装置及监测设备 |
| CN113425272A (zh) * | 2021-08-02 | 2021-09-24 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
| JP7032747B1 (ja) | 2021-03-24 | 2022-03-09 | アステラス製薬株式会社 | 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム |
-
2019
- 2019-03-19 CN CN201910208962.9A patent/CN109846476A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6865329B1 (ja) * | 2019-07-29 | 2021-04-28 | 株式会社カルディオインテリジェンス | 表示装置、表示方法及びプログラム |
| CN113100779A (zh) * | 2020-01-10 | 2021-07-13 | 深圳市理邦精密仪器股份有限公司 | 心室纤颤的检测方法、装置及监测设备 |
| JP7032747B1 (ja) | 2021-03-24 | 2022-03-09 | アステラス製薬株式会社 | 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム |
| WO2022202942A1 (ja) * | 2021-03-24 | 2022-09-29 | アステラス製薬株式会社 | 心電図解析支援装置、プログラム、心電図解析支援方法、心電図解析支援システム、ピーク推定モデル生成方法、及び区間推定モデル生成方法 |
| JP2022148631A (ja) * | 2021-03-24 | 2022-10-06 | アステラス製薬株式会社 | 心電図解析支援装置、プログラム、心電図解析支援方法、及び心電図解析支援システム |
| CN113425272A (zh) * | 2021-08-02 | 2021-09-24 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
| CN113425272B (zh) * | 2021-08-02 | 2024-02-20 | 北京雪扬科技有限公司 | 一种通过穿戴设备采集数据分析房颤、室颤的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hwang et al. | Deep ECGNet: An optimal deep learning framework for monitoring mental stress using ultra short-term ECG signals | |
| CN109846476A (zh) | 一种基于机器学习技术的室颤识别方法 | |
| US20200367800A1 (en) | Method for identifying driving fatigue based on cnn-lstm deep learning model | |
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| CN109171708B (zh) | 一种可除颤心律识别装置 | |
| CN108186011A (zh) | 房颤检测方法、装置及可读存储介质 | |
| CN104274191B (zh) | 一种心理测评方法及其系统 | |
| CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
| CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
| CN104887222A (zh) | 可逆化脑电信号分析方法 | |
| CN109864739A (zh) | 一种从10秒心电图中识别二度房室传导阻滞的方法 | |
| CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
| KR101578167B1 (ko) | 심전도 생체정보를 이용한 실시간 개인 인증방법 | |
| CN116269355A (zh) | 一种基于人物姿态识别的安全监测系统 | |
| KR100750662B1 (ko) | 심전도를 이용한 생체인식 시스템 및 방법 | |
| CN118098581A (zh) | 情绪状态的监测方法及系统 | |
| CN114897304B (zh) | 一种消防员训练效能评估方法及系统 | |
| CN104899436A (zh) | 基于多尺度径向基函数和改进粒子群优化算法的脑电信号时频分析方法 | |
| CN109297928B (zh) | 一种检测酱油品质的方法及系统 | |
| Dehzangi et al. | Driver distraction detection using MEL cepstrum representation of galvanic skin responses and convolutional neural networks | |
| CN113143294A (zh) | 一种基于卷积神经网络的脑电信号识别方法 | |
| CN109846473A (zh) | 一种检测单导联10秒心电图噪音干扰程度的方法 | |
| CN117151721A (zh) | 多模态防欺诈的身份识别方法、装置、设备及存储介质 | |
| Nikolaev et al. | Structural architectural solutions for an intelligence system of cardiological screening of diabetes patients | |
| CN114366123A (zh) | 面向脑卒中患者的跨被试康复训练方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |
|
| RJ01 | Rejection of invention patent application after publication |