[發明專利]用于心律失常分類的深度模型、利用該模型的方法及裝置

有效

• 申請號: 202110556223.6
• 申請日: 2021-05-21
• 公開（公告）號: CN113095302B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 張政波;麻琛彬;蘭珂;曹德森;晏沐陽;顏偉
• 申請（專利權）人: 中國人民解放軍總醫院
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06N3/0455;G06N3/0464;G06N3/08;A61B5/318;A61B5/332;A61B5/346;A61B5/352;A61B5/363
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 齊曉靜

本申請提出一種用于心律失常分類的深度模型、利用該模型的方法及裝置，其中，該深度模型包括：表征學習部分和序列學習部分；表征學習部分用于接收由原始心電信號解析的等長序列；表征學習部分基于MSCNN結構進行構建，由兩個不同尺度堆疊的卷積塊支路構成；支路一卷積核尺度較大，用以捕獲心電信號的低頻信息，以多尺度特征輸出；支路二卷積核尺度較小，用以捕獲心電信號的高頻信息，以多尺度特征輸出；支路一輸出的多尺度特征和支路二輸出的多尺度特征進行拼接，形成多尺度深度特征，用于輸入到序列學習部分；序列學習部分基于以LSTM為基本單元的Seq?Seq網絡進行構建，所述Seq?Seq網絡在其編碼器和解碼器之間設置有注意力機制層；其輸出為時序深度特征。

技術領域

本發明涉及心律失常檢測技術，尤其涉及一種無需濾波降噪、異常值檢測、人工特征提取的心律失常自動檢測方法。

背景技術

據統計，急性心臟病死亡占心血管疾病死亡總數的近一半，全世界近31％的死亡與心血管疾病有關，突發性心源性猝死的主要原因是心律失常。心電圖是標準的記錄心臟活動的非侵入性工具，是目前應用最廣泛的最可信的心律失常檢測手段。而心搏信號的心律失常分類對于心臟病專家來說，不僅會花費大量的時間，也增加了工作負擔，仍是較為挑戰的任務。這就需要一種輕量級的自動心律失常檢測算法，為醫生提供輔助決策支持，能極大改善甚至提高診斷效率，同時也可支持社區群體人群利用可穿戴設備實時高精度地自我監測(或自我診斷)心臟狀況。

心電圖按照監測時間長短可分為短時靜態心電圖、傳統動態心電圖和長程連續動態心電監測。臨床健康篩查通常使用具有多導聯靜態心電圖，但其受限于應用場景及醫療資源，往往穿戴不便且監測時間較短，許多陣發性心律失常如房顫、室性早搏等很難在短時內捕捉到異常。而傳統動態心電圖能夠彌補監測時間短的不足，但其也同樣穿戴不方便、監測時間較短、信號質量很難保證，且現有的計算機輔助診斷系統的效果差，導致浪費較大的人力資源。

針對上述心電監測手段的諸多不足，我們采用了經過國家食品藥品監督管理局認證的貼片式單導聯長程連續動態生理參數監測設備(SensEcho^TM)。其穿戴方便、信號質量較高、可長程連續動態監測心電和呼吸信號。目前也存在大量針對長程記錄的單導聯心電信號自動分析算法，主要包括基于模板匹配的算法、基于規則和基于傳統機器學習技術的算法。基于模板匹配的算法旨在利用醫生手動標注的若干異常心博去自動匹配其它相似度較高的心博，其存在如下缺陷：由于過于簡單的匹配操作導致算法對噪聲特別敏感；純模板匹配方式不能給醫生一個完整的初步結果，醫生的工作量極大。基于規則的算法旨在利用心電相關醫學知識對心博進行自動分析，其存在如下缺陷：規則本身由人為制定的，人類對于某種設備產生的心電圖的知識本身可能是不全面的；另一方面心電圖自身的不確定性導致規則中各參數普適性不強。基于傳統機器學習技術的算法旨在利用人工提取特征、極端梯度提升樹等分類器對心博進行分析。這些算法大多遵循三個主要步驟，包括：1)信號預處理，包括噪聲濾波、數據增強等；2)人工提取特征；3)構造線性或非線性分類器。然而，數據清洗等信號預處理的方法將不可避免地損失生理信號中的有用信息，而且心電波形的個體差異導致依賴經驗設計的特征往往會使得模型的魯棒性和性能較低。

申請號為201910038442.8的專利公開了一種基于深度學習技術的心搏異常識別算法，其通過去基線漂移、低通濾波、提取心搏間期等信號處理算法，使用CNN-RNN的基本結構，以用于信號質量差、干擾大的長程動態心電信號。

申請號為201910095804.7的專利公開了一種基于BiLSTM-Attention深度神經網絡的心搏分類算法，其采用雙正交小波變換去除高頻噪聲和基線漂移，并通過二進樣條小波變換檢測R波峰值，進而計算RR間期及對QRS波群數據進行人工特征提取，在PhysioNetMIT-BIH(Massachusetts?institute?of?Technology?and?the?Boston?Hospital)心律失常公開數據集上獲得了較好的分類結果。