一种面向心震信号的心律失常检测方法与流程

本发明涉及一种人体监测，特别是涉及一种面向心震信号的心律失常检测方法。

背景技术：

1、心震图(scg)记录的是心脏机械运动产生的信号，是一种无创的心脏活动监测手段。scg信号可以获得各种心脏临床信息，例如左心室射血时间、舒张时间、收缩时间等。在实际应用中，可通过毫米波雷达采集scg信号，此过程不需要任何电极接触，其中，传感元件可以通过固定装置固定，无需直接接触暴露的皮肤，这可以防止刺激，从而允许更长的监测时间。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种面向心震信号的心律失常检测方法。

2、为了实现本发明的上述目的，本发明提供了一种面向心震信号的心律失常检测方法，包括以下步骤：

3、s1，获取心震信号scg，对获取的心震信号scg进行预处理；

4、s2，将步骤s1中预处理后的心震信号scg输入到训练后的信号重构模型处理；

5、s3，将步骤s2中信号重构模型处理后的数据输入到训练后的心律失常检测模型处理；

6、s4，展示结果。

7、在本发明的一种优选实施方式中，在步骤s4之后还包括步骤s5，发出警报。

8、在本发明的一种优选实施方式中，在步骤s1中，预处理包括重采样、噪声消除、标准化之一或者任意组合。

9、在本发明的一种优选实施方式中，标准化的计算方法为：

10、

11、其中，ri表示标准化后的第i个数据，1≤i≤d；

12、ri′表示标准化前的第i个数据，ri′∈r＝{r′1,r′2,r′3,…,r′d}，r表示原始数据集，d为数据个数；r′1表示标准化前的第1个数据，r′2表示标准化前的第2个数据，r′3表示标准化前的第3个数据，r′d表示标准化前的第d个数据；

13、min1≤j≤drj′表示原始数据集r中的最小值；

14、max1≤j≤drj′表示原始数据集r中的最大值。

15、在本发明的一种优选实施方式中，在步骤s2中采用一个10s的滑动窗口对数据集进行分割，划分分割后的信号段来训练信号重构模型，训练集、测试集和验证集的划分比例为6：2：2。

16、在本发明的一种优选实施方式中，信号重构模型基于自编码器模型实现，自编码器模型包括编码器和解码器；

17、其中，编码器采用多尺度特征融合网络，分别提取scg信号的全局特征和局部特征采用2层的lstm网络来提取scg信号的全局特征，得到全局特征，采用两层1维卷积神经网络和注意力机制来提取scg信号的局部特征，得到局部特征，之后进行特征融合得到编码器输出结果；

18、解码器采用带有注意力机制的2层循环神经网络gru来进行重构，得到重构后的信号，训练过程中采用relative squared error损失函数、adam优化器，学习率为0.001。

19、在本发明的一种优选实施方式中，心律失常检测模型基于时域卷积神经网络实现，心律失常检测模型以ecg信号为输入，输出是否存在心律失常以及心律失常类型；

20、其中，时域卷积神经网络模型由输入层、卷积层、残差块、堆叠层、池化层和输出层组成，训练过程中采用relative squared error损失函数、adam优化器，学习率为0.001。

21、在本发明的一种优选实施方式中，利用k折交叉验证来评估模型的性能，k＝5，在验证集上进行模型参数的调优。

22、在本发明的一种优选实施方式中，在步骤s1中，获取心震信号scg的方法包括以下步骤：

23、s11，获取毫米波雷达数据，将获取的毫米波雷达数据进行成像数据处理，得到t-r毫米波雷达图像i(t，r)；

24、s12，对步骤s11中的t-r毫米波雷达图像进行图像增强，增强后得到增强t-r毫米波雷达图像；

25、s13，对步骤s13得到的增强t-r毫米波雷达图像进行位置检测；

26、s14，获取人体振动信号；

27、s15，从步骤s14获取的人体振动信号中分离出呼吸信号和心震信号scg。

28、综上所述，由于采用了上述技术方案，本发明无需直接接触患者的皮肤，无需穿戴设备或保持固定位置，可以实现简便、长时间监测。

29、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种面向心震信号的心律失常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的面向心震信号的心律失常检测方法，其特征在于，在步骤s4之后还包括步骤s5，发出警报。

3.根据权利要求1所述的面向心震信号的心律失常检测方法，其特征在于，在步骤s1中，预处理包括重采样、噪声消除、标准化之一或者任意组合。

4.根据权利要求1所述的面向心震信号的心律失常检测方法，其特征在于，标准化的计算方法为：

5.根据权利要求1所述的面向心震信号的心律失常检测方法，其特征在于，在步骤s2中采用一个10s的滑动窗口对数据集进行分割，划分分割后的信号段来训练信号重构模型，训练集、测试集和验证集的划分比例为6：2：2。

6.根据权利要求1所述的面向心震信号的心律失常检测方法，其特征在于，信号重构模型基于自编码器模型实现，自编码器模型包括编码器和解码器；

7.根据权利要求1所述的面向心震信号的心律失常检测方法，其特征在于，心律失常检测模型基于时域卷积神经网络实现，心律失常检测模型以ecg信号为输入，输出是否存在心律失常以及心律失常类型；

8.根据权利要求7所述的面向心震信号的心律失常检测方法，其特征在于，利用k折交叉验证来评估训练后的信号重构模型处理或/和心律失常检测模型的性能，在验证集上进行模型参数的调优。

9.根据权利要求8所述的面向心震信号的心律失常检测方法，其特征在于，k＝5。

10.根据权利要求1所述的面向心震信号的心律失常检测方法，其特征在于，在步骤s1中，获取心震信号scg的方法包括以下步骤：

技术总结本发明提出了一种面向心震信号的心律失常检测方法，包括以下步骤：S1，获取心震信号SCG，对获取的心震信号SCG进行预处理；S2，将步骤S1中预处理后的心震信号SCG输入到训练后的信号重构模型处理；S3，将步骤S2中信号重构模型处理后的数据输入到训练后的心律失常检测模型处理；S4，展示结果。本发明无需直接接触患者的皮肤，无需穿戴设备或保持固定位置，可以实现简便、长时间监测。技术研发人员：石卓鑫受保护的技术使用者：重庆医药高等专科学校技术研发日：技术公布日：2024/6/11