[发明专利]一种微型动态心电监测设备上房颤自动识别的实现方法

摘要

本发明公开了一种微型动态心电监测设备上房颤自动识别的实现方法，本发明利用先调用MIT‑BIH心律失常数据库、MIT‑BIH正常窦性心律数据库、长时房颤数据库作为训练样本，引入人工神经网络进行学习训练，先随机设置人工神经网络各层的权重值，输入训练数据样本反复迭代修正各层权重值直到训练误差小于某指定值，通过这种方式可以找到可以判断房颤发生的权重值矩阵，然后利用权重值矩阵，将权重值矩阵加入原人工神经网络构建新的人工神经网络，再以采集到的目标人体心电信号作为数据，对人体心电信号处理，获得目标人体特征向量X，根据目标人体特征向量X和新的人工神经网络，进行预测运算。

主权项

一种微型动态心电监测设备上房颤自动识别的实现方法，其特征在于，包括以下步骤：构建多层人工神经网络：采用一个输入层、至少一个隐藏层和一个输出层搭建一个多层人工神经网络；多层人工神经网络训练：采用MIT‑BIH心律失常数据库作为第一训练数据样本，获得第一训练数据样本的QRS波，第一训练数据样本的QRS波进行分析和处理，提取出第一训练数据样本的RR间期，将第一训练数据样本的RR间期分割为M1个N分钟的片段，对M1个片段进行HRV特征分析，计算M1个片段的特征向量X作为M1个房颤特征向量X，元组(房颤特征向量X， t1)的集合构成第一训练样本集，其中有房颤发生的片段t1=1，无房颤发生的片段t1=0，采用MIT‑BIH正常窦性心律数据库作为第二训练数据样本，第二训练数据样本的QRS波，第二训练数据样本的QRS波进行分析和处理，提取出第二训练数据样本的RR间期，将第二训练数据样本的RR间期分割为M2个N分钟的片段，对M2个片段进行HRV特征分析，计算M2个片段的特征向量X作为M2个正常特征向量X，元组(正常特征向量X， t2)的集合构成第二训练样本集，其中t2=0，采用长时房颤数据库作为第三训练数据样本，获得第三训练数据样本的QRS波，第三训练数据样本的QRS波进行分析和处理，提取出第三训练数据样本的RR间期，将第三训练数据样本的RR间期分割为M3个N分钟的片段，对M3个片段进行HRV特征分析，计算M3个片段的特征向量X作为M3个长时房颤特征向量X，元组(长时房颤特征向量X， t3)的集合构成第一训练样本集，其中有房颤发生的片段t3=1，无房颤发生的片段t3=0，随机初始化输入层、隐藏层、输出层的权重值；将M1个房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M1个输出层的值y1；将M2个正常特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M2个输出层的值y2；将M3个长时房颤特征向量X作为输入层的输入向量，根据输出层的神经网络函数f(X)获得M3个输出层的值y3；根据第一训练样本集及其神经网络输出值计算M1个平方误差之和E1=（ t1₁‑y1₁）²+（ t1₂‑y1₂）²+……+（t1_M1‑y1_M1）²，根据第二训练样本集及其神经网络输出值计算M2个平方误差之和E2=（t2‑y2₁）²+（t2‑y2₂）²+……+（t2‑y2_M2）²，根据第三训练样本集及其神经网络输出值计算M3个平方误差之和E3=（t3₁‑y3₁）²+（t3₂‑y3₂）²+……+（t3_M3‑y3_M3）²，其中t1、t2、t3为预期的正确输出，y 1、y 2、y 3为实际输出；反复迭代修正输入层、隐藏层、输出层的权重值，直到误差E1、E2、E3之和达到极小值，记录此时输入层、隐藏层、输出层的权重值，取得最终的权重值矩阵；根据训练获得的权重值矩阵重新构建多层人工神经网络，获得新多层人工神经网络，采用导联采集目标人体心电信号，获得目标人体的QRS波，对目标人体的QRS波实时的分析和处理，提取出RR间期，将RR间期分割为N分钟的片段，对片段进行HRV特征分析，计算片段的特征向量X作为目标人体特征向量X；将目标人体特征向量X作为新多层人工神经网络的输入层的输入向量，获得神经网络的输出值F，F是在0和1之间的实数，当F值高时，则判定该片段内有房颤发生，否则判定没有房颤发生。