[发明专利]一种基于心血管系统电-机械活动信息的房颤分级方法

说明书

本发明涉及一种基于心血管系统电‑机械活动信息的房颤分级方法。本发明通过结合多路生理信号，并从中提取能够反映心房电活动以及心血管系统血流动力学变化的特征，从而实现对房颤等级的分类。具体流程包括：对多路生理信号进行降噪；对降噪后的生理信号进行特征点提取；根据特征点或者信号片段进行特征提取；利用机器学习算法构建房颤分级模型实现房颤的分级。本发明方法适用于基于心电、脉搏波、心冲击图等生理信号反映心血管系统电活动和机械活动的房颤分级方法，在信号处理研究领域和临床医学上均具有一定的应用价值。本发明方法的应用范围可推广至所有的单路或多路反映心血管系统电‑机械活动的信号分析研究。

技术领域

本发明涉及生理信号的分析，具体涉及一种基于心血管系统电-机械活动信息的房颤分级方法。

背景技术

生理信号是一维的时序信号，用于获取人体各种生理参数，在健康检测和疾病诊断中扮演着重要角色。生理信号有多种类型，例如，心电信号能够反映正常和病理情况下心脏的电生理特性，可用于检测心律失常以及心肌缺血、心肌梗死等多种疾病；脉搏波信号能够表征心血管系统的血流动力学变化情况，为血压、血氧饱和度、心率等生理参数的测量提供了一种便捷的方法。

心房颤动(简称房颤)是21世纪全球心血管疾病领域面临的严峻挑战之一。在我国，房颤是因心律失常而住院的最常见原因。房颤同时也会导致许多其他并发症，如卒中、心力衰竭，严重时甚至会导致死亡。房颤的病理生理机制复杂，其临床评估和管理一直是心律失常研究领域的重点和难点。房颤的临床评估方法十分繁杂，常借助影像学检查的方法，如CT，MRI和X线胸片等，这些方法无疑会对患者造成极大的负担，临床操作也十分不便。因此，建立一种对房颤患者的疾病进程进行客观便捷评估的方法极其必要。

可穿戴技术以及机器学习方法在近年来得到了飞速的发展，通过可穿戴设备采集生理信号并结合信号处理和机器学习算法对疾病进行检测或预测已成为研究热点。然而关于房颤分级或者分类的研究却少有研究人员涉及。目前该领域大多基于单导联的心电信号，但心电信号无法反应心血管系统内血流动力学的变化情况。当房颤发作时，由于心动周期长短不一导致心室舒张期明显不同，进而使得不同心拍的心搏量明显差异。此外，房颤常伴随快速心室率，而这同样也会影响到心搏量。而心搏量的改变则会造成各级血管网内血流动力学参数的改变，如血压的变化。因此，在通过心电信号分析心脏电活动的基础上，结合能够反映心脏机械活动(血流动力学)信息的生理信号对房颤的进程进行全面综合的分级具有重要的科学研究和临床应用价值。

发明内容

本发明的目的在于提供一种基于心血管系统电-机械活动信息的房颤分级方法。本发明方法通过结合多路生理信号解决了仅通过心脏电活动对房颤分级带来的不足，同时充分利用了多源特征融合和拥有优异分类性能的机器学习方法。本发明方法通过同时采集可以反映心脏电活动和机械活动的生理信号，然后针对生理信号提取特征点进行数据层的特征融合得到一组特征向量。通过进一步对特征向量进行特征层的特征融合，最后利用机器学习方法实现对房颤进程的分级。

本发明提出了一种基于心血管系统电-机械活动信息的房颤分级方法，其具体步骤如下：

(1)对采集到的反映生物个体心血管系统电-机械活动的多路生理信号进行预处理，即对采集到的多路生理信号先进行裁剪片段、重采样和归一化操作，接着采用滤波或其他方法去除基线漂移、工频、呼吸、运动伪迹和肌电噪声等的干扰，得到多路信号的一维信号片段；

(2)对于步骤(1)得到的多路信号的一维信号片段，根据每一路信号片段的生理意义提取相应的特征点，特征点通常反映了心血管系统的重要信息；

(3)对于每一路信号片段，根据步骤(2)中提取的特征点采用数学运算进行数据层的特征融合，得到每个片段对应的一组特征向量；

(4)对步骤(3)得到的特征向量使用特征降维技术进行特征层的特征融合，实现对原有特征向量的降维，为提高后续分类器的性能打下基础；