论文部分内容阅读
心源性猝死(Sudden Cardiac Death,SCD)是一种很严重的心脏疾病,近年来,随着生活方式节奏加快(如加班、熬夜、营养不均等),由心源性猝死引发的死亡人数急剧增多。据统计,全球每年约300万人死于心源性猝死,我国每年约54.4万人死于SCD,占全球之首。研究表明,心室纤颤(Ventricular Fibrillation,VF)、室性心动过速(Ventricular Tachycardia,VT)和室性扑动(Ventricular Fluter,VFL)是导致心源性猝死的主要节律。电除颤被认为是治疗VF/VT/VFL的最有效的方法,它们又统称为可除颤节律(Shockable Rhythm,SH)。除颤实施的时间至关重要,若在“黄金4分钟”内实施除颤治疗,挽救患者生命的概率很大,因此精准的可除颤节律检测方法具有临床诊断应用价值。目前,可除颤节律的检测方法有很多。从特征选择方式的不同,可分为基于人工选择特征的经典方法和卷积神经网络的检测方法。经典方法通过人为分析心电信号特点,借助时间序列分解工具,获取固定时间窗内信号的具体特征,再利用支持向量机等传统分类器完成可除颤节律分类。随着深度学习的火热,卷积神经网络逐渐应用于心律失常的研究,网络结构中的卷积层能自动学习输入数据,获取固定时间窗内信号的高维特征。池化层可筛选特征避免冗余信息,简化了可除颤节律检测步骤。在现有的可除颤节律检测方法基础上提出改进,使用自适应窗口代替固定窗口。定位R波是获取自适应窗口的关键步骤。本文提出波谷波峰法定位R波,先定位心电信号波谷,利用自适应幅度阈值以及回溯检测过程筛选波谷,在两个连续波谷之间寻找心电信号波峰,同样使用自适应幅度阈值和回溯检测过程筛选波峰,得到R波。通过人工选择自适应窗口内心电信号的能量、时间长度、样本熵特征,使用离散平稳小波对信号进行分解,选择小波分解系数D2至D5层的能量、样本熵、以及D2至D5层小波系数与原始信号的相关系数特征,混合以上特征输入到支持向量机、k-近邻、随机森林分类器中实现分类。采用灵敏度(Sensitivity,Se)、特异性(Specificity,Sp)、正预测值(Positive Predictive Value,PPV)、F1 分数(F1-Score,F1)和平衡错误率(Balance Error Rate,BER)作为算法性能评价指标,Se、Sp、PPV、F1最高分别为 98.39%、99.17%、98.58%、98.29%,BER最低为 1.35%。设计 8 层二维卷积神经网络,采用连续小波变换获得心电信号的灰度时频图和伪彩时频图,将灰度时频图和伪彩时频图分别输入卷积神经网络中实现分类,Se、Sp、PPV、F1 最高分别为 98.47%、98.66%、97.73%、98.10%,BER最低为 1.44%。同以往算法对比分析,验证了本文自适应窗口的可除颤节律检测方法的优势。