[发明专利]基于滑动窗编码的房颤发生起止点的检测方法

权利要求书

1.一种基于滑动窗编码的房颤发生起止点的检测方法，其特征在于具体步骤如下：

(1)根据心电信号中房颤发生后RR间期会变得绝对不规则的特点，训练机器学习模型，所述机器学习模型基于含房颤标签的数据库采用随机森林、逻辑回归和支持向量机而建立，该机器学习模型的输入为表征M个RR间期内RR间期分布规则程度的特征，输出为M个RR间期内房颤发生的概率，M为奇数，取经验值7或9；

(2)用心电采集设备采集待检测心电信号，去除噪声后，得到预处理后的心电信号；

(3)检测步骤(2)得到的预处理后的心电信号中的R波位置，计算RR间期，得到长度为N的RR间期序列，其中：NM；

(4)采用固定步长移动固定窗长的滑动窗方法，对步骤(3)得到的长度为N的RR间期序列，以M个RR间期为窗长，1个RR间期为步长作滑动窗，逐窗提取表征窗内RR间期序列中RR间期分布规则程度的特征，可得到N-M+1个窗的特征；根据实际应用场景，步长是2个或2个以上RR间期；

(5)对步骤(4)得到的N-M+1个窗的特征，逐个输入步骤(1)的机器学习模型，得到每个窗房颤发生的概率；记第i个窗房颤发生的概率为P_i，i＝1,2,…,N-M+1，并将每个窗是否发生房颤符号化，1表示房颤发生、0表示房颤没有发生，则第i个窗的判断结果X_i为：

当|P′_i-P_i}-0.5≠0时，

当|P′_i-P_i}-0.5＝0时，

其中，j＝1,2,…,(M-1)/2，P′_i为第i个窗前后邻近的M-1个窗推测第i个窗房颤发生的概率，定义如下：

(6)对步骤(5)的判断结果进行修正：若出现连续5个窗的判断结果为11011，则修正为11111；若出现连续5个窗的判断结果为00100，则修正为00000；连续窗的个数取经验值3或者7；

(7)对步骤(6)修正后的N-M+1个窗的判断结果进行整理，统计每个RR间期被加M次窗的判断结果X₁ X₂…,X_M，若X₁ X₂…,X_M中1的个数大于0的个数，则该RR间期的判断结果Y_k为房颤发生，即Y_k＝1；反之，则Y_k＝0；得到长度为N的编码序列Y；

(8)若长度为N个RR间期的心电信号中，房颤发生定义为房颤发生的时长不小于连续的5个RR间期，考察步骤(7)得到的编码序列Y：若Y中出现连续的1的个数小于5的情况，则将RR间期判断结果的对应位由1修正为0，这样便得到修正后的编码序列Y’；

(9)考察步骤(8)修正后的编码序列Y’，寻找编码序列中发生突变的位置，若发生从0到1的突变，则发生突变的两个RR间期的交界处的R波位置就是房颤发生的起始点；若发生从1到0的突变，则发生突变的两个RR间期的交界处的R波位置就是房颤发生的终止点。

2.根据权利要求1所述的检测方法，其特征在于步骤(1)训练输出为M个RR间期内房颤发生概率的机器学习模型，并且该模型在步骤(5)输出每个窗房颤发生的概率。

3.根据权利要求1所述的检测方法，其特征在于步骤(5)对每个窗房颤发生的概率根据其邻近窗房颤发生的概率对其进行修正的方法。

4.根据权利要求1所述的检测方法，其特征在于步骤(6)对每个窗的判断结果根据邻近窗的判断结果进行修正。

5.根据权利要求1所述的检测方法，其特征在于步骤(7)统计每个RR间期被数次加窗的数次判断结果，并据此判断每个RR间期内房颤是否发生。

6.根据权利要求1所述的检测方法，其特征在于步骤(5)和步骤(7)分别将每个窗的判断结果和每个RR间期的判断结果符号化编码。

7.根据权利要求1所述的检测方法，其特征在于步骤(9)考察代表每个RR间期房颤是否发生的编码序列，若编码序列在某个位置发生突变，则突变位置即为房颤发生的起止点。