[发明专利]基于滑动窗编码的房颤发生起止点的检测方法

说明书

本发明涉及一种基于滑动窗编码的房颤发生起止点的检测方法。所述方法包括：首先基于含房颤标签数据采用机器学习方法提取特征，得到可以输出若干个RR间期内房颤发生概率的模型；将待检测心电信号进行预处理后，检测R波位置并计算RR间期；以若干个RR间期为窗长、固定的RR间期数为步长作滑动窗，利用模型得到每个窗房颤发生的概率；将每个窗以及每个RR间期的判断结果进行符号化编码，通过邻近窗房颤发生的概率和每个RR间期数次加窗后的判断结果，得到可代表每个RR间期内房颤是否发生的编码序列，最终根据编码序列的突变位置确定房颤发生的起止点。本发明可推广至时序信号中待检测事件发生起止点的实时检测，具有广泛的应用价值。

技术领域

本发明涉及一种基于滑动窗编码的房颤发生起止点的检测方法。

背景技术

目前时序信号中待检测事件发生的起止点的检测方法概括地说主要有两种。第一种方法是直接逐点遍历信号，若信号中某点符合待检测事件发生的起止点条件，则判断该点为待检测事件发生的起止点。第二种方法是将信号加窗截断为多个短时信号片段，若某短时信号片段符合待检测事件发生的起止点条件，则判断待检测事件发生的起止点处于该短时信号片段内。

基于直接逐点遍历信号来检测信号中待检测事件发生的起止点的方法是应用最为广泛的传统方法。这种方法极易受到噪声的干扰，不仅检测的准确率较低，而且只能应用于根据信号中逐点来区分待检测事件是否发生的检测场景，对于基于信号片段来区分待检测事件是否发生的检测场景则无能为力。

基于将信号加窗截断为多个短时信号片段来检测信号中待检测事件发生的起止点的方法近年来在语音、肌电等信号中得到了应用。这种检测方法虽然可根据信号片段来区分待检测事件是否发生，但是该方法只能确定待检测事件发生的起止点所在的信号片段，不能确定信号中待检测事件发生的精确起止点，而且检测的准确率难以提高。

对于心电信号中房颤发生的起止点的检测，若采用上述第一种方法，则需要逐心拍考察P波的形态特征，然而考察P波的形态特征在技术上存在难度高和准确率低的问题；若采用上述第二种方法，则需将心电信号截断为多个由一定数目的连续RR间期构成的信号片段，然后分析每个信号片段的RR间期分布规则程度，这种方法无法确定房颤发生的具体心拍位置。

上述两种方法都是围绕具体类型的信号中待检测事件发生前后的信号特征变化展开的，缺乏对起止点检测整体流程的研究。

发明内容

针对上述传统的时序信号中待检测事件发生起止点的检测方法的局限，本发明的目的在于提出一种基于滑动窗编码的房颤发生起止点的检测方法。本发明将每个窗的判断结果和每个RR间期的判断结果进行符号化编码，通过邻近窗房颤发生的概率和每个RR间期数次加窗后的判断结果，得到可代表每个RR间期内房颤是否发生的编码序列，最终根据编码序列的突变位置确定房颤发生的起止点。

本发明提出的一种基于滑动窗编码的房颤发生起止点的检测方法，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；这里的M为奇数，一般可取经验值7或者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(NM)的RR间期序列；

(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，这里的步长也可以是2个或2个以上RR间期；