一种基于卷积神经网络融合多通道生理信号的心律失常警报模型

本发明属于生物医学信号处理领域，具体涉及一种基于卷积神经网络融合多通道生理信号的心律失常警报模型。

背景技术：

1、心律失常(arrhythmia)是由于窦房结激动异常或激动产生于窦房结以外，激动的传导缓慢、阻滞或经异常通道传导，即心脏活动的起源和(或)传导障碍导致心脏搏动的频率和(或)节律异常。心律失常并不是一种疾病，而是心脏病中常见的一大类疾病，包括很多情况，其中五种可能威胁生命的心律失常事件：心脏停搏(asystole，asy)：心脏停止搏动长达4秒及以上。极端心动过缓(extreme bradycardia，ebr)：心率低于40bpm(beatsperminute)，连续6秒内的心跳次数小于5次。极端心动过速(extreme tachycardia，etc)：心率高于140bpm，连续6.85秒内的心跳次数不低于17次。室性心动过速(ventriculartachycardia，vta)：心室搏动速率高于100bpm，2.4秒内心室连续搏动次数达到5次及以上。心室颤动或者心室扑动(ventricular fibrillation or flutter，vfb)：心脏表现出至少持续4秒钟的快速颤动，扑动或振荡波形。

2、心电图(electrocardiography，ecg)是一种重要的心脏电活动记录方法，ecg信号可以有效的体现受试者心脏健康情况。光电容积信号(photoplethysmography，ppg)通过监测皮层下血液的体积变化，可以从侧面得到血压的变化情况。因此，ppg信号中也隐藏着心律信息。动脉血压信号(arterial blood pressure，abp)是临床护理中重要的生理信号。呼吸率信号(respiratory rate，resp)主要反应病人的呼吸速率。正常的呼吸周期伴随着自主神经系统的变化，而自主神经系统的慢性失衡是心血管疾病从而调节心律，导致窦性心律不齐；心动过速，心室异位增加或心搏停止等心律失常可能导致呼吸暂停；压力、充血性心力衰竭和慢性肺部疾病可能导致呼吸急促和快速性心律失常。因此，在临床上同时观察心电图和呼吸循环是有用的。随着科学技术以及信息技术的发展，重症监护室(intensivecare unit，icu)中的监护设备逐渐增多。为保障病人的安全，大多数设备采用高灵敏度设计，常因个别指标异常即触发报警。目前监护设备对于心率失常的大多数警报是基于单一参数阈值的，即某一监测生理指标超出正常范围即引发的警报。然而绝大多数单一参数阈值警报对危重病人的护理没有真正的临床意义。由于icu环境复杂，监护信号常含有伪迹、噪声等干扰，导致信号中出现异常片段，仅适用单一信号判断场景下容易引发误报警事件。在单一阈值警报的基础之上，目前也有少数使用多通道信号联合判断分析警报的方案，多模态信号可以提供信息的相互补充；不同生理信号反映的生理机制有所区别，对于识别不同类型的心律失常能提供多角度的信息，相比单一信号阈值的判断方法更为精准。

3、且目前相应技术还需要手动提取特征。例如使用ecg信号进行心跳分类的传统方法主要依赖于使用信号处理技术手动制作或手动提取的特征，大多依赖大量信号处理算法提取特征，而特征算法的效能往往会限制模型的性能表现，例如基于数字滤波器的方法、基于阈值的方法、傅里叶变换和小波变换，这些传统方法的缺点是特征提取部分和模式分类部分的分离。此外，这些方法需要有关输入数据和所选特征的专业知识，手动提取特征的过程需要大量的人力财力，且得到的特征很可能包含一些噪声数据。对于上述所描述的几种信号来说，都是一维的时间序列，为了突破手动提取信号特征的局限性，若通过神经网络自动化的从原始时间序列中提取特征并完成最终分类，可以避免手动提取信号特征的一些局限性。

4、针对以上问题，本发明提出了一种基于卷积神经网络融合多通道生理信号的心律失常警报模型，直接将原始时域信号映射为预测结果，无需手动提取信号特征，以多通道生理信号作为输入，利用不同信号相互验证来提高预测准确度，并且根据不同信号特征来设计卷积神经网络的具体参数，以此来解决上述问题。

技术实现思路

1、发明目的

2、本发明的目的在于提供一种基于卷积神经网络融合多通道生理信号的心律失常警报模型。

3、技术方案

4、本发明的目的是这样实现的：

5、首先，选择分组卷积神经网络来作为本发明的神经网络。考虑到ecg信号、abp信号、ppg信号以及resp信号等不同生理信号的底层机理和时间尺度上的差异，我们使用分组卷积策略去提取不同模态信号隐含的特征。不同通道的输入序列在不同的分组中被处理，提取到不同通道的特征不会相互干扰，这是通过对不同分组使用不同的卷积核实现的，也就是分组卷积。本模型采用了五模块处理结构。其中一至四个模块有基本一致的卷积结构，每个分组卷积块从上到下依次包含一个分组卷积层、批归一化层、一个leaky relu激活函数以及一个最大池化层。经过分组卷积之后，为了防止梯度消失、统一批内数据分布、加快模型收敛，模型在分组卷积之后，紧接着添加批归一化运算。将经过批归一化的数据经过leaky relu激活函数，得到输出。最后，分组卷积块将leaky relu激活函数的输出作为最大池化层的输入，得到分组卷积块最后输出的特征。模型的第5个模块是决策层。决策层包含一个卷积层、指数线性单元(elu)激活函数、全连接(fc)层和softmax层。其中dgcn模型最后的全连接层通过与输入序列等长的卷积核实现。模型的决策层首先最重要的是融合经过前面4个分组卷积块得到的不同模态信号的特征。dropout是一种正则化策略，它的存在可以有效缓解模型出现过拟合的情况。在决策层的最后，使用softmax层利用logistic损失作为损失函数将fc层输出的结果向量转换为决策概率。

6、接下来，根据生理信号时间尺度作为参考来设计网络中的卷积核和池化核大小。在信号的原始数据f(单位hz)采样率下，信号中第i个(i可取1，2，3，4)模块的时间常数记为ti，输入的时间序列长度记为t5，设置第i个模块中卷积层的卷积核大小为ki(i≤5)，以及池化层核大小为pi(i≤4)。其中(代表向上取整)。其中t1＝0.04s，t2＝0.16s，0.12s≤t3≤0.20s，t4＝0.44s，t5＝10.0s。本文根据生理信号特点设定了感受野的最终范围，再根据需要调整网络中的卷积核和池化核的大小。之后再采用经过大量实验找到的较优参数组合对上述设置进行微调。

技术特征：

1.一种基于卷积神经网络融合多通道生理信号的心律失常警报模型，其特征在于：模型引入分组卷积策略实现多模态生理信号的同步处理。

2.如权利要求1所述的一种基于卷积神经网络融合多通道生理信号的心律失常警报模型，其特征在于：模型采用五模块组合结构，其中第一至第四个模块，每个模块依次包含一个分组卷积层、批归一化层、一个leaky relu激活函数以及一个最大池化层。第5个模块是决策模块，包含一个卷积层、指数线性单元(elu)激活函数、全连接(fc)层和softmax层。

3.如权利要求1所述的通过引入分组卷积策略实现多模态生理信号的同步处理，其特征在于：在分组卷积中根据生理信号的特点来进行网络超参数选择。

4.如权利要求3所述的在分组卷积中根据多通道生理信号的特点来进行网络的参数选择，其特征在于：在信号的原始数据f(单位hz)采样率下，信号中第i个(i可取1，2，3，4)模块的时间常数记为ti，输入的时间序列长度记为t5，设置第i个模块中卷积层的卷积核大小为ki(i≤5)，以及池化层核大小为pi(i≤4)。其中

5.如权利要求4所述的参数ti，其特征在于：t1＝0.04s，t2＝0.16s，0.12s≤t3≤0.20s，t4＝0.44s，t5＝10.0s。

技术总结本发明提出一种基于卷积神经网络融合多通道生理信号的心律失常警报模型，摆脱了传统手动提取信号特征的束缚，实现了端到端映射，即直接将原始时域信号映射为二分类标签；分类模型通过引入分组卷积策略实现了多模态生理信号的同步处理，从而充分利用了多种不同源生理信号中的信息；本文将卷积神经网络参数的设计与生理信号的特点关联起来，特别是根据生理信号的时间尺度特性来设计卷积核尺寸，有效地降低了心律失常误警报的概率。技术研发人员：黄晓林,张涛,余强,葛云,陈颖受保护的技术使用者：南京大学技术研发日：技术公布日：2024/6/5