[发明专利]一种基于机器学习技术的室颤识别方法

摘要

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。

主权项

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。