[发明专利]用于确定心律失常类型的系统和方法

说明书

提供了用于确定心律失常类型的系统和方法。一种方法可以包括：获取心电信号(510)，获取心电信号的特征向量(520)，获取训练后的预测模型(530)，以及基于训练后的预测模型和特征向量来确定心电信号的心律失常类型(540)。特征向量包括过阈值采样(TCSC)百分比特征、L‑Z复杂度特征、经验模态分解(MED)复数特征、样本熵特征和小波变换能量特征集。

技术领域

本申请涉及医疗设备，特别地，涉及用于确定心电图的心律失常类型的系统和方法。

背景技术

心室颤动(VF)、室性心动过速(VT)、室性扑动(VFL)和室上性心动过速(SVT)是心律失常的四种类型。VF是一种由于心室的电活动混乱导致的心律问题。心室肌肉随机抽搐，因此心室无法将血液泵送到身体周围。心室颤动是心源性猝死的常见原因之一。室性心动过速是一种心律失常，其特征是QRS复合波的广泛畸形连续三次或更多次，频率超过100次/分钟。VFL是室性心动过速和VF之间的过渡性心率。VFL通常会持续很短的时间。大多数患者会在几分钟内发展为室颤，有些室颤患者可能会发生室速。SVT被定义为异常快的心跳。室上性心动过速的P波可能难以识别，QRS波群与窦性者的波群相同。SVT的频率为每分钟150到240次，并且节奏均匀。

在某些情况下，如果患者患有室性心动过速，应立即就医；否则，很有可能发展成心室颤动。心室颤动的检测越快，挽救患者的成功率就越高。现有的对不同类型的心律失常(例如室性心动过速、心室颤动、室上性心动过速、室性扑动)进行分类的方法是从心律失常心电图仪(ECG)信号中提取某些特征，例如P波、QRS波、T波、RR期(在两个QRS波群中的两个R波之间的时间段)、ST段(从QRS波群的末端到T波开始的一条平线的周期)等，并根据这些特征对心律失常的类型进行分类。但是，心律失常心电图仪(ECG)的某些波形发生变形，很难对心律失常类型进行分类。因此，期望提供用于快速且准确地检测和分类不同类型的心律失常的系统和方法。

发明内容

根据本申请的一方面，一种用于确定心律失常类型的系统，该系统包括：至少一个存储装置，该至少一个存储装置包括用于确定心律失常类型的一组指令集；以及至少一个与该存储装置通信的处理器，其中，当执行所述指令集时，所述至少一个处理器可以用于：获取心电信号；以及获取所述心电信号的特征向量；获取训练后的预测模型，并基于训练后的预测模型和特征向量，确定心电信号的心律失常类型。

在一些实施例中，特征向量可以包括过阈值采样(TCSC)百分比特征、L-Z复杂度特征、经验模态分解(EMD)复数特征、样本熵特征以及一组小波变换能量特征。

在一些实施例中，为了获取训练后的预测模型，至少一个处理器还用于：获取训练样本，所述训练样本包括至少两个心律失常类型的历史心电信号；以及获取训练样本的特征向量；获取初步预测模型，所述初步预测模型包括分类器模型；以训练样本和训练样本的特征向量作为分类器模型的输入，训练初步预测模型以获取训练后的预测模型。

在一些实施例中，分类器模型可以包括以下至少之一：随机森林模型、BP神经网络模型、支持向量机(SVM)模型或小波神经网络模型。

在一些实施例中，为了训练初步预测模型以获取训练后的预测模型，至少一个处理器还用于：使用训练样本和训练样本的特征向量作为分类器模型的输入，训练初步预测模型以获取中间预测模型。获取测试样本，所述测试样本包括至少两个心律失常类型的历史心电信号；获取测试样本的特征向量；根据测试样本和测试样本的特征向量，确定中间预测模型的准确率，其中，测试样本和测试样本的特征向量是中间预测模型的输入；确定准确率是否大于准确率阈值；当所述准确率大于所述准确率阈值时，指定所述中间预测模型。

在一些实施例中，为了训练初步预测模型以获取训练后的预测模型，至少一个处理器还用于：当准确率不大于准确率阈值时，对中间预测模型进行重新训练。

在一些实施方案中，心律失常类型包括以下中的至少一种：室颤、室性心动过速、室性扑动、或室上性心动过速。