獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法
【專利摘要】本發(fā)明公開了獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，將心源性猝死數(shù)據(jù)庫和MIT?BIH正常竇性心律數(shù)據(jù)庫構(gòu)建成訓練數(shù)據(jù)樣本和交叉驗證樣本，先隨機設置人工神經(jīng)網(wǎng)絡各層的權(quán)重值，輸入訓練數(shù)據(jù)樣本反復迭代修正各層權(quán)重值直到訓練誤差小于某指定值，找到可以預測猝死風險的權(quán)重值矩陣，然后利用權(quán)重值矩陣，將權(quán)重值矩陣加入原人工神經(jīng)網(wǎng)絡構(gòu)建新的人工神經(jīng)網(wǎng)絡，再以采集到的目標人體心電信號作為數(shù)據(jù)，對人體心電信號處理，獲得目標人體特征向量X，根據(jù)目標人體特征向量X和新的人工神經(jīng)網(wǎng)絡，進行預測運算，最終獲得預測值。
【專利說明】
獲取婷死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法
技術領域
[0001] 本發(fā)明設及巧死風險預測，尤其設及獲取巧死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣 的方法。
【背景技術】
[0002] 屯、源性巧死(sudden cardiac death,SCD)是指急性癥狀發(fā)作后1小時內(nèi)發(fā)生的W 意識突然喪失為特征的、由屯、臟原因引起的自然死亡。根據(jù)統(tǒng)計，全球每年約有700萬SCD患 者，占所有死亡人數(shù)的1/4,嚴重威脅著人們的生命，目前全世界的搶救成功率平均低于1%。
[0003] 屯、源性巧死的患者往往平時健康巧0%的屯、臟驟停發(fā)生于無已知屯、臟病的個體)或 病情穩(wěn)定，巧死前可有屯、臟病的表現(xiàn)，但相當多的屯、臟病患者可能會W巧死作為屯、臟病首 發(fā)表現(xiàn)。屯、源性巧死具有發(fā)病突然、進展迅速，一旦發(fā)生存活機會甚低的=大特點。如不及 時救治，3~5分鐘后就將死亡，是威脅生命的一大殺手。據(jù)統(tǒng)計，40歲W上者是高發(fā)人群，中 老年人屯、源性巧死的幾率高達80 %~90%，其中，搶救成活者一年內(nèi)再次復發(fā)率達30%~ 40%。
[0004] 近年來我國隨著屯、血管病發(fā)生率的增高，屯、源性巧死的發(fā)病率也呈明顯上升趨 勢，約占屯、血管死亡率30 %~40 %。2013年SCD直接導致我國54.4萬人死亡，并呈現(xiàn)年輕化 的明顯趨勢。
[0005] 流行病學的分析認為年齡的增加是屯、源性巧死的危險因素:在中老年中屯、源性巧 死占所有突然自然死亡的80 %~90 % W上；男性較女性發(fā)生率高（約4:1);在45至64歲間男 女發(fā)生率的差異更大幾乎達7:1，但在65歲之后，運一發(fā)生率在性別上的差異明顯減少（約 2:1)。
[0006] 盡管SCD直接危及到患者的人身安全，具有非常大的危害和比較嚴重的后果，但是 在臨床醫(yī)學上SCD的早期識別技術主要在于分層的長期風險管理和預測，對SCD發(fā)生之前的 短時預測技術，明顯滯后于現(xiàn)代治療技術處于探索之中，運種SCD短時預測的主要難點和關 鍵在于如何及時、準確的識別處于巧死高危狀態(tài)的人群，并采取干預措施減少巧死發(fā)生。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明旨在獲取巧死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，屯、源性巧死數(shù)據(jù) 庫、MIT-BIH正常竇性屯、律數(shù)據(jù)庫作為訓練樣本，利用人工神經(jīng)網(wǎng)絡學習訓練，逐漸獲取權(quán) 重值矩陣，可W利用該權(quán)重值矩陣對目標人體進行檢測，檢測其屯、電信號是否有存在巧死 風險，因此，必須利用上述方法獲取權(quán)重值矩陣至關重要。
[0008] 針對目前SCD短時預測缺乏及時、準確的識別處于巧死高危狀態(tài)的人群的難點，本 發(fā)明描述一種在微型動態(tài)屯、電監(jiān)測設備上進行實時巧死風險預測的方法，通過實時、持續(xù) 的屯、電信號監(jiān)測和人工智能機器學習算法，巧死風險做出預測和判斷，為及時的醫(yī)療干預 創(chuàng)造條件，并可能挽救患者的生命。
[0009] 本發(fā)明通過下述技術方案實現(xiàn):獲取巧死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方 法，包括W下步驟： 構(gòu)建=層人工神經(jīng)網(wǎng)絡:采用一個輸入層、一個隱藏層和一個輸出層搭建一個=層人 工神經(jīng)網(wǎng)絡. =層人工神經(jīng)網(wǎng)絡訓練:采用屯、源性巧死數(shù)據(jù)庫作為第一訓練數(shù)據(jù)樣本，獲得第一訓 練數(shù)據(jù)樣本的QRS波，第一訓練數(shù)據(jù)樣本的QRS波進行分析和處理，提取出第一訓練數(shù)據(jù)樣 本的RR間期，將第一訓練數(shù)據(jù)樣本的RR間期分割為Ml個N分鐘的片段，對Ml個片段進行皿V 特征分析，計算Ml個片段的特征向量X作為Ml個巧死特征向量X，元組。卒死特征向量X，11) 的集合構(gòu)成第一訓練樣本集，其中tl=l， 采用MIT-BIH正常竇性屯、律數(shù)據(jù)庫作為第二訓練數(shù)據(jù)樣本，第二訓練數(shù)據(jù)樣本的QRS 波，第二訓練數(shù)據(jù)樣本的QRS波進行分析和處理，提取出第二訓練數(shù)據(jù)樣本的RR間期，將第 二訓練數(shù)據(jù)樣本的RR間期分割為M2個N分鐘的片段，對M2個片段進行HRV特征分析，計算M2 個片段的特征向量X作為M2個正常特征向量X，元組(正常特征向量X，t2)的集合構(gòu)成第二 訓練樣本集，其中t2=0， 隨機初始化輸入層、隱藏層、輸出層的權(quán)重值，將Ml個巧死特征向量X作為輸入層的輸 入向量，根據(jù)輸出層的神經(jīng)網(wǎng)絡函數(shù)f (X)獲得Ml個輸出層的值y 1，將M2個正常特征向量X作 為輸入層的輸入向量，根據(jù)輸出層的神經(jīng)網(wǎng)絡函數(shù)f (X)獲得M2個輸出層的值y2,根據(jù)第一 訓練樣本集及其神經(jīng)網(wǎng)絡輸出值計算Ml個平方誤差之和El=( tl-yli)2+( tl-yl2)2+……+ (tl-ylMi)2,根據(jù)第二訓練樣本集及其神經(jīng)網(wǎng)絡輸出值計算M2個平方誤差之和E2=( t2- y2i)2+( t2-y22)2+……Wt2-y2M2)2，其中tl、t2為預期的正確輸出，tl=l，t2=0，y I、y 2為 實際輸出；平方誤差為(預期的正確輸出-實際輸出）2。根據(jù)輸出層的神經(jīng)網(wǎng)絡函數(shù)f (X)獲 得Ml個輸出層的值yl，其中神經(jīng)網(wǎng)絡函數(shù)f (X)根據(jù)實際情況設定，本領域人員可W自行獲 取相關信息設定。
[0010] 舉例說明：設Ml為3,3個yl分別y Ii=Uy l2=0.9、y 13=0.8。則61=(1-1)2+(1-0.9)2 叫1-0.8)2，最終61=0.05。設12為3,3個71分別7 21=0、7 22=0.1、7 23=0.2。則61=(0-0)2+(0- 0.1 )2^0-0.2)2，最終 E2=0.05。
[0011] 反復迭代修正輸入層、隱藏層、輸出層的權(quán)重值，直到誤差E1、E2之和達到極小值， 記錄此時輸入層、隱藏層、輸出層的權(quán)重值，取得最終的權(quán)重值矩陣。
[0012] 我們要應用權(quán)重值矩陣用于判定該目標人體是否有存在巧死風險時，其方法是： 第一步:根據(jù)訓練獲得的權(quán)重值矩陣重新構(gòu)建=層人工神經(jīng)網(wǎng)絡，獲得新=層人工神 經(jīng)網(wǎng)絡， 第二步：采用導聯(lián)采集目標人體屯、電信號，獲得目標人體的QRS波，對目標人體的QRS 波實時的分析和處理，提取出RR間期，將RR間期分割為N分鐘的片段，對片段進行HRV特征分 析，計算片段的特征向量X作為目標人體特征向量X; 第=步:將目標人體特征向量X作為新=層人工神經(jīng)網(wǎng)絡的輸入層的輸入向量，獲得神 經(jīng)網(wǎng)絡的輸出值F，F(xiàn)是在0和1之間的實數(shù)，當F值高時，貝順測巧死風險高，當F值低時，則預 測巧死風險低。
[0013] 本發(fā)明的設計原理為：長期W來，臨床醫(yī)學上總結(jié)屯、源性巧死患者的屯、電圖表現(xiàn) 為：急性期多部位廣泛ST段抬高或壓低伴有T波交替、延長、QRS延長、QTc間期延長者，屯、肌 梗死后屯、率變異性明顯降低，或屯、肌梗死后持續(xù)QRS波群低電壓，屯、肌梗死存活者伴有屯、室 晚電位陽性，屯、梗后左屯、功能不全者，有寬大崎形的低振幅室性早搏或頻發(fā)多源性室性早 搏，并致力于從波形分析的角度去進行預測與管理。但由于運種基于屯、電波形的分析需要 醫(yī)學專業(yè)知識和醫(yī)學上的專業(yè)設備，只適合醫(yī)院而且很難做到短期性和普遍性的SCD預 測一一尤其是在日常生活中，實際上仍然缺乏一種SCD風險的短時預測方法能夠進行及時 的風險預測與預警。
[0014] 另一方面，神經(jīng)學科近20年的研究發(fā)現(xiàn)人體的自主神經(jīng)系統(tǒng)對人的重要器官（例 如屯、臟、肺、肝臟、膜臟、腸道等)具有重要的控制和協(xié)調(diào)作用：自主神經(jīng)系統(tǒng)的兩個組成部 分交感神經(jīng)與副交感神經(jīng)交替的控制人體重要器官進行各種生理活動，且不受人體意識的 控制。一旦人體發(fā)生疾病等情況，自主神經(jīng)系統(tǒng)都能夠產(chǎn)生前兆信號并進行自我調(diào)節(jié)。進一 步的研究指出，基于自主神經(jīng)系統(tǒng)對屯、臟，尤其是對竇房結(jié)具有非常重要的控制作用。而屯、 臟的每一次跳動都源于竇房結(jié)的電極化起源，因此屯、臟跳動節(jié)奏變化產(chǎn)生的屯、律變異性 (Head Rate Variation,皿V)是衡量自主神經(jīng)系統(tǒng)的敏感性指標。屯、率變異性化RV)是指 逐次屯、跳周期差異的變化情況，它含有神經(jīng)體液因素對屯、血管系統(tǒng)調(diào)節(jié)的信息。屯、率變異 性的大小實質(zhì)上是反映神經(jīng)體液因素對竇房結(jié)的調(diào)節(jié)作用，也就是反映自主神經(jīng)系統(tǒng)交感 神經(jīng)活性與迷走神經(jīng)活性及其平衡協(xié)調(diào)的關系。近年來，國際上嘗試利用24小時HRV分析結(jié) 果對各種疾病進行預后并取得一定的成績，普遍接受24小時HRV長程統(tǒng)計指標是長期巧死 預測的敏感性指標。
[0015] 在基于24小時HRV長程統(tǒng)計指標對巧死進行長期預測的基礎上，本發(fā)明方法實現(xiàn) 了獲取巧死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，能夠通過對HRV短程指標進行持續(xù)、 長時間的檢測和分析，并利用神經(jīng)網(wǎng)絡機器學習算法分析短程HRV指標特征的異常，從而克 服現(xiàn)有屯、電波形檢測和分析技術的限制，進行短時巧死風險的預測與預警，提醒患者采取 及時的措施W避免重大危險。
[0016] 本發(fā)明的設計為:本發(fā)明利用先調(diào)用屯、源性巧死數(shù)據(jù)庫（屯、源性巧死數(shù)據(jù)庫簡稱 S(Mt)，來源ht1:p://physionet.o;rg/physiobank/da1:abase/s(Hb/)和MIT-BIH 正常竇性屯、 律數(shù)據(jù)庫（MIT-BIH正常竇性屯、律數(shù)據(jù)庫簡稱nsrdb，來源http://physionet.org/ 地ysiobank/database/nsr化/)，W屯、源性巧死數(shù)據(jù)庫和MIT-BIH正常竇性屯、律數(shù)據(jù)庫作 為對照組，引入人工神經(jīng)網(wǎng)絡進行學習訓練，將屯、源性巧死數(shù)據(jù)庫和MIT-BIH正常竇性屯、 律數(shù)據(jù)庫構(gòu)建成訓練數(shù)據(jù)樣本和交叉驗證樣本，先隨機設置人工神經(jīng)網(wǎng)絡各層的權(quán)重值， 輸入訓練數(shù)據(jù)樣本反復迭代修正各層權(quán)重值直到訓練誤差小于某指定值，通過運種方式可 W找到可W預測巧死風險的權(quán)重值矩陣，然后利用權(quán)重值矩陣，將權(quán)重值矩陣加入原人工 神經(jīng)網(wǎng)絡構(gòu)建新的人工神經(jīng)網(wǎng)絡，再W采集到的目標人體屯、電信號作為數(shù)據(jù)，對人體屯、電 信號處理，獲得目標人體特征向量X，根據(jù)目標人體特征向量X和新的人工神經(jīng)網(wǎng)絡，進行預 測運算，最終獲得預測值，通過預測值我們可W判斷目標人體的巧死風險。為了縮短預測時 間，我們將RR間期被分割成一系列長度為N分鐘的片段，每生成一個片段，便計算該片段的 特征向量X，然后利用獲得該片段的特征向量X和前期學習訓練獲得的權(quán)重值矩陣W及人工 神經(jīng)網(wǎng)絡組成預測系統(tǒng)，利用運一套預測系統(tǒng)可W預測出發(fā)生巧死風險的值，一般的，巧死 風險值F靠近1表示有巧死風險，巧死風險值F靠近0表示巧死風險低。由于采用了屯、源性巧 死數(shù)據(jù)庫(巧死人體屯、電信號)和MIT-BIH正常竇性屯、律數(shù)據(jù)庫(正常人體屯、電信號)作為2 個對照參數(shù)組，通過學習訓練可W找到準確可靠的權(quán)重值矩陣，利用運個權(quán)重值矩陣加入 到人工神經(jīng)網(wǎng)絡中，使得新的人工神經(jīng)網(wǎng)絡可W準確的預測判斷目標人體屯、電信號的狀態(tài) 是屬于巧死人體屯、電信號還是屬于正常人體屯、電信號，由此可W預測目標人體的屯、電信號 狀態(tài)。為降低錯誤預測的幾率，可W用多個(至少2個)預測值F的移動平均值作為最終預測 值。
[0017] 人工神經(jīng)網(wǎng)絡（a;rtificial neural network,縮寫ANN)，簡稱神經(jīng)網(wǎng)絡，是一種模 仿生物神經(jīng)網(wǎng)絡(動物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學模型或計算模 型。神經(jīng)網(wǎng)絡由大量的人工神經(jīng)元聯(lián)結(jié)進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡能在外界信 息的基礎上改變內(nèi)部結(jié)構(gòu)，是一種自適應系統(tǒng)?，F(xiàn)代神經(jīng)網(wǎng)絡是一種非線性統(tǒng)計性數(shù)據(jù)建 模工具，常用來對輸入和輸出間復雜的關系進行建模，或用來探索數(shù)據(jù)的模式。
[0018] 本發(fā)明采用=層神經(jīng)網(wǎng)絡結(jié)構(gòu)，即一個輸入層，一個隱藏層和一個輸出層，各層的 節(jié)點數(shù)分別為幾十個輸入層，多個隱藏層和1個輸出層。
[0019] 本發(fā)明的方法應用到微型動態(tài)屯、電監(jiān)測設備上時，在設備上實現(xiàn)特征向量計算函 數(shù)，微型動態(tài)屯、電監(jiān)測設備獲取目標人體的屯、電信號，通過獲得屯、電信號的QRS波進行分析 和處理，提取出RR間期，將RR間期分割為多個片段，對片段進行HRV特征分析，計算片段的特 征向量X，一般W輸入為5分鐘連續(xù)的R-R間期序列，對其HRV特征分析輸出特征向量X。
[0020] 根據(jù)人工神經(jīng)網(wǎng)絡學習過程的輸出權(quán)重值矩陣構(gòu)建神經(jīng)網(wǎng)絡函數(shù)列'。，并在設備 上實現(xiàn)。特征向量計算函數(shù)和神經(jīng)網(wǎng)絡函數(shù)隸韓:只設及到浮點數(shù)四則運算、開方和幕指函 數(shù)計算，計算復雜度并不高。在具有浮點運算單元的ARM Codex-M4F處理器上完成一次計 算的時間低于1ms。權(quán)重值矩陣為常數(shù)，可存儲于設備ROM中。設備運行時ROM直接映射到內(nèi) 存地址空間，CPU可W直接訪問，因此神經(jīng)網(wǎng)絡的計算效率得到極大的提高。
[0021] 所述特征向量X包括根據(jù)HRV特征分析獲得的時域特征向量、頻域特征向量、非線 性與時頻域特征向量。HRV特征選用上述各個特性向量，其計算過程已為較為成熟的現(xiàn)有技 術，本發(fā)明不在寶述。
[0022] 優(yōu)選的，所述時域特征向量包括RR間期的平均值、RR間期的標準差、相鄰RR間期差 值的均方根、相鄰間期之差巧Oms的個數(shù)占總竇性屯、搏個數(shù)的百分比。
[0023] 優(yōu)選的，RR間期的平均值為 其中服i表示片段內(nèi)第i個RR間朋， n表示片段內(nèi)RR間期數(shù)量。
[0024] 優(yōu)選的，RR間期的標準差為：

其中服1表示片段內(nèi)第i個RR間期， n表示片段內(nèi)RR間期數(shù)量。
[0025] 優(yōu)選的，相鄰RR間期差值的均方根呆 其中服1表示片段內(nèi)第i個RR間期， n表示片段內(nèi)RR間期數(shù)量。
[0026] 優(yōu)選的，頻域特征向量包括VLF極低頻段功率、LF低頻段功率、HF高頻段功率、LF/ HF低頻段與高頻段功率比值。
[0027] 優(yōu)選的，非線性與時頻域特征向量包括:根據(jù)龐加萊屯、電散點圖獲得的龐加萊屯、 電散點圖標準差、樣本賭、近似賭、去趨勢波動分析。
[0028] 本發(fā)明與現(xiàn)有技術相比，具有如下的優(yōu)點和有益效果:發(fā)明實現(xiàn)了短時的巧死預 ，能夠在持續(xù)測量和實時分析處理的基礎上，實現(xiàn)短時的巧死預測。
[0029] 本發(fā)明的QRS波定位具有非常高的精度，能夠滿足皿V短程指標分析的要求。經(jīng)過 國家藥監(jiān)部口依據(jù)相關國家標準的檢測，其QRS準確性指標如下:QRS波檢測精確性:靈敏度 Se : 99.8%，陽性預測值P+: 99.9%。本發(fā)明的短時巧死預測能夠提前至少半小時左右進行預 ，并具有非常高的精度。經(jīng)過國家藥監(jiān)部口依據(jù)相關行業(yè)標準的檢測，其性能指標達到優(yōu) 異水平:巧死預測精確性:99.12%，巧死預測靈敏度:97.11%，巧死預測特異性:99.74%，巧死 預測陽性預測:99.13%，巧死預測陰性預測:99.12%。
【附圖說明】
[0030] 此處所說明的附圖用來提供對本發(fā)明實施例的進一步理解，構(gòu)成本申請的一部 分，并不構(gòu)成對本發(fā)明實施例的限定。在附圖中： 圖1是神經(jīng)網(wǎng)絡結(jié)構(gòu)的示意圖。
[0031] 圖2是龐加萊屯、電散點圖。
[0032] 圖3是頻域分析圖。
【具體實施方式】
[0033] 為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚明白，下面結(jié)合實施例和附圖，對本 發(fā)明作進一步的詳細說明，本發(fā)明的示意性實施方式及其說明僅用于解釋本發(fā)明，并不作 為對本發(fā)明的限定。
[0034] 實施例1: 獲取巧死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，包括W下步驟： 如圖1所示， 構(gòu)建=層人工神經(jīng)網(wǎng)絡:采用一個輸入層、一個隱藏層和一個輸出層搭建一個=層人 工神經(jīng)網(wǎng)絡. =層人工神經(jīng)網(wǎng)絡訓練:采用屯、源性巧死數(shù)據(jù)庫作為第一訓練數(shù)據(jù)樣本，獲得第一訓 練數(shù)據(jù)樣本的QRS波，第一訓練數(shù)據(jù)樣本的QRS波進行分析和處理，提取出第一訓練數(shù)據(jù)樣 本的RR間期，將第一訓練數(shù)據(jù)樣本的RR間期分割為Ml個N分鐘的片段，對Ml個片段進行皿V 特征分析，計算Ml個片段的特征向量X作為Ml個巧死特征向量X，元組。卒死特征向量X，11) 的集合構(gòu)成第一訓練樣本集，其中tl=l， 采用MIT-BIH正常竇性屯、律數(shù)據(jù)庫作為第二訓練數(shù)據(jù)樣本，第二訓練數(shù)據(jù)樣本的QRS 波，第二訓練數(shù)據(jù)樣本的QRS波進行分析和處理，提取出第二訓練數(shù)據(jù)樣本的RR間期，將第 二訓練數(shù)據(jù)樣本的RR間期分割為M2個N分鐘的片段，對M2個片段進行HRV特征分析，計算M2 個片段的特征向量X作為M2個正常特征向量X，元組(正常特征向量X，t2)的集合構(gòu)成第二 訓練樣本集，其中t2=0， 隨機初始化輸入層、隱藏層、輸出層的權(quán)重值，將Ml個巧死特征向量X作為輸入層的輸 入向量，根據(jù)輸出層的神經(jīng)網(wǎng)絡函數(shù)f (X)獲得Ml個輸出層的值y I，將M2個正常特征向量X作 為輸入層的輸入向量，根據(jù)輸出層的神經(jīng)網(wǎng)絡函數(shù)f (X)獲得M2個輸出層的值y2,根據(jù)第一 訓練樣本集及其神經(jīng)網(wǎng)絡輸出值計算Ml個平方誤差之和El=( tl-yli)2+( tl-yl2)2+……+ (tl-ylMi)2,根據(jù)第二訓練樣本集及其神經(jīng)網(wǎng)絡輸出值計算M2個平方誤差之和E2=( t2- y2i)2+( t2-y22)2+……Wt2-y2M2)2，其中tl、t2為預期的正確輸出，tl=l，t2=0，y I、y 2為 實際輸出； 舉例說明：設 Ml 為3,3個yl 分別 1、0.9、0.8。則61=(1-1)2+(1-0.9)2+(1-0.8)2，最終61二 0.05。設12為3,3個71分別0、0.1、0.2。則61=(0-0)2+(0-0.1)2叫0-0.2)2，最終62=0.05。
[0035] 反復迭代修正輸入層、隱藏層、輸出層的權(quán)重值，直到誤差E1、E2之和達到極小值， 記錄此時輸入層、隱藏層、輸出層的權(quán)重值，取得最終的權(quán)重值矩陣； 根據(jù)訓練獲得的權(quán)重值矩陣重新構(gòu)建=層人工神經(jīng)網(wǎng)絡，獲得新=層人工神經(jīng)網(wǎng)絡， 采用導聯(lián)采集目標人體屯、電信號，獲得目標人體的QRS波，對目標人體的QRS波實時的 分析和處理，提取出RR間期，將RR間期分割為N分鐘的片段，對片段進行皿V特征分析，計算 片段的特征向量X作為目標人體特征向量X; 將目標人體特征向量X作為新=層人工神經(jīng)網(wǎng)絡的輸入層的輸入向量，獲得神經(jīng)網(wǎng)絡 的輸出值F，F(xiàn)是在0和1之間的實數(shù)，當F值高時，貝順測巧死風險高，當F值低時，貝順測巧死 風險低。舉例說明，一般的當F值大于或等于0.5時，則預測巧死風險高，當F值小于或等于 0.5時，則預測巧死風險低。
[0036] 本發(fā)明的設計原理為：長期W來，臨床醫(yī)學上總結(jié)屯、源性巧死患者的屯、電圖表現(xiàn) 為：急性期多部位廣泛ST段抬高或壓低伴有T波交替、延長、QRS延長、QTc間期延長者，屯、肌 梗死后屯、率變異性明顯降低，或屯、肌梗死后持續(xù)QRS波群低電壓，屯、肌梗死存活者伴有屯、室 晚電位陽性，屯、梗后左屯、功能不全者，有寬大崎形的低振幅室性早搏或頻發(fā)多源性室性早 搏，并致力于從波形分析的角度去進行預測與管理。但由于運種基于屯、電波形的分析需要 醫(yī)學專業(yè)知識和醫(yī)學上的專業(yè)設備，只適合醫(yī)院而且很難做到短期性和普遍性的SCD預 測一一尤其是在日常生活中，實際上仍然缺乏一種SCD風險的短時預測方法能夠進行及時 的風險預測與預警。
[0037] 另一方面，神經(jīng)學科近20年的研究發(fā)現(xiàn)人體的自主神經(jīng)系統(tǒng)對人的重要器官（例 如屯、臟、肺、肝臟、膜臟、腸道等)具有重要的控制和協(xié)調(diào)作用：自主神經(jīng)系統(tǒng)的兩個組成部 分交感神經(jīng)與副交感神經(jīng)交替的控制人體重要器官進行各種生理活動，且不受人體意識的 控制。一旦人體發(fā)生疾病等情況，自主神經(jīng)系統(tǒng)都能夠產(chǎn)生前兆信號并進行自我調(diào)節(jié)。進一 步的研究指出，基于自主神經(jīng)系統(tǒng)對屯、臟，尤其是對竇房結(jié)具有非常重要的控制作用。而屯、 臟的每一次跳動都源于竇房結(jié)的電極化起源，因此屯、臟跳動節(jié)奏變化產(chǎn)生的屯、律變異性 (Head Rate Variation,皿V)是衡量自主神經(jīng)系統(tǒng)的敏感性指標。屯、率變異性化RV)是指 逐次屯、跳周期差異的變化情況，它含有神經(jīng)體液因素對屯、血管系統(tǒng)調(diào)節(jié)的信息。屯、率變異 性的大小實質(zhì)上是反映神經(jīng)體液因素對竇房結(jié)的調(diào)節(jié)作用，也就是反映自主神經(jīng)系統(tǒng)交感 神經(jīng)活性與迷走神經(jīng)活性及其平衡協(xié)調(diào)的關系。近年來，國際上嘗試利用24小時HRV分析結(jié) 果對各種疾病進行預后并取得一定的成績，普遍接受24小時HRV長程統(tǒng)計指標是長期巧死 預測的敏感性指標。
[0038] 在基于24小時HRV長程統(tǒng)計指標對巧死進行長期預測的基礎上，本發(fā)明方法實現(xiàn) 了獲取巧死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，能夠通過對HRV短程指標進行持續(xù)、 長時間的檢測和分析，并利用神經(jīng)網(wǎng)絡機器學習算法分析短程HRV指標特征的異常，從而克 服現(xiàn)有屯、電波形檢測和分析技術的限制，進行短時巧死風險的預測與預警，提醒患者采取 及時的措施W避免重大危險。
[0039] 本發(fā)明的設計為:本發(fā)明利用先調(diào)用屯、源性巧死數(shù)據(jù)庫（屯、源性巧死數(shù)據(jù)庫簡稱 ScMb，來源ht1:p://physionet.o;rg/physiobank/da1:abase/s(Hb/)和MIT-BIH 正常竇性屯、 律數(shù)據(jù)庫（MIT-BIH正常竇性屯、律數(shù)據(jù)庫簡稱nsrdb，來源http://physionet.org/ 地ysiobank/database/nsr化/)，W屯、源性巧死數(shù)據(jù)庫和MIT-BIH正常竇性屯、律數(shù)據(jù)庫作 為對照組，引入人工神經(jīng)網(wǎng)絡進行學習訓練，將屯、源性巧死數(shù)據(jù)庫和MIT-BIH正常竇性屯、 律數(shù)據(jù)庫構(gòu)建成訓練數(shù)據(jù)樣本和交叉驗證樣本，先隨機設置人工神經(jīng)網(wǎng)絡各層的權(quán)重值， 輸入訓練數(shù)據(jù)樣本反復迭代修正各層權(quán)重值直到訓練誤差小于某指定值，通過運種方式可 W找到可W預測巧死風險的權(quán)重值矩陣，然后利用權(quán)重值矩陣，將權(quán)重值矩陣加入原人工 神經(jīng)網(wǎng)絡構(gòu)建新的人工神經(jīng)網(wǎng)絡，再W采集到的目標人體屯、電信號作為數(shù)據(jù)，對人體屯、電 信號處理，獲得目標人體特征向量X，根據(jù)目標人體特征向量X和新的人工神經(jīng)網(wǎng)絡，進行預 測運算，最終獲得預測值，通過預測值我們可W判斷目標人體的巧死風險。為了縮短預測時 間，我們將RR間期被分割成一系列長度為N分鐘的片段，每生成一個片段，便計算該片段的 特征向量X，然后利用獲得該片段的特征向量X和前期學習訓練獲得的權(quán)重值矩陣W及人工 神經(jīng)網(wǎng)絡組成預測系統(tǒng)，利用運一套預測系統(tǒng)可W預測出發(fā)生巧死風險的值，一般的，巧死 風險值F靠近1表示有巧死風險，巧死風險值F靠近0表示巧死風險低。由于采用了屯、源性巧 死數(shù)據(jù)庫(巧死人體屯、電信號)和MIT-BIH正常竇性屯、律數(shù)據(jù)庫(正常人體屯、電信號)作為2 個對照參數(shù)組，通過學習訓練可W找到準確可靠的權(quán)重值矩陣，利用運個權(quán)重值矩陣加入 到人工神經(jīng)網(wǎng)絡中，使得新的人工神經(jīng)網(wǎng)絡可W準確的預測判斷目標人體屯、電信號的狀態(tài) 是屬于巧死人體屯、電信號還是屬于正常人體屯、電信號，由此可W預測目標人體的屯、電信號 狀態(tài)。為降低錯誤預測的幾率，可W用多個(至少2個)預測值F的移動平均值作為最終預測 值。
[0040] 如圖1所示，人工神經(jīng)網(wǎng)絡(a;rtificial neural network,縮寫ANN)，簡稱神經(jīng)網(wǎng) 絡，是一種模仿生物神經(jīng)網(wǎng)絡(動物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學模 型或計算模型。神經(jīng)網(wǎng)絡由大量的人工神經(jīng)元聯(lián)結(jié)進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡 能在外界信息的基礎上改變內(nèi)部結(jié)構(gòu)，是一種自適應系統(tǒng)?，F(xiàn)代神經(jīng)網(wǎng)絡是一種非線性統(tǒng) 計性數(shù)據(jù)建模工具，常用來對輸入和輸出間復雜的關系進行建模，或用來探索數(shù)據(jù)的模式。
[0041] 本發(fā)明采用=層神經(jīng)網(wǎng)絡結(jié)構(gòu)，即一個輸入層，一個隱藏層和一個輸出層，各層的 節(jié)點數(shù)分別為幾十個輸入層，多個隱藏層和1個輸出層。
[0042] 本發(fā)明的方法應用到微型動態(tài)屯、電監(jiān)測設備上時，在設備上實現(xiàn)特征向量計算函 數(shù)，微型動態(tài)屯、電監(jiān)測設備獲取目標人體的屯、電信號，通過獲得屯、電信號的QRS波進行分析 和處理，提取出RR間期，將RR間期分割為多個片段，對片段進行HRV特征分析，計算片段的特 征向量X，一般W輸入為5分鐘連續(xù)的R-R間期序列，對其HRV特征分析輸出特征向量X。
[0043] 根據(jù)人工神經(jīng)網(wǎng)絡學習過程的輸出權(quán)重值矩陣構(gòu)建神經(jīng)網(wǎng)絡函數(shù)種。，并在設備 上實現(xiàn)。特征向量計算函數(shù)和神經(jīng)網(wǎng)絡函數(shù)rt到只設及到浮點數(shù)四則運算、開方和幕指函 數(shù)計算，計算復雜度并不高。在具有浮點運算單元的ARM Codex-M4F處理器上完成一次計 算的時間低于1ms。權(quán)重值矩陣為常數(shù)，可存儲于設備ROM中。設備運行時ROM直接映射到內(nèi) 存地址空間，CPU可W直接訪問，因此神經(jīng)網(wǎng)絡的計算效率得到極大的提高。
[0044] 所述特征向量X包括根據(jù)HRV特征分析獲得的時域特征向量、頻域特征向量、非線 性與時頻域特征向量。HRV特征選用上述各個特性向量，其計算過程已為較為成熟的現(xiàn)有技 術，本發(fā)明不在寶述。
[0045] 優(yōu)選的，所述時域特征向量包括RR間期的平均值、RR間期的標準差、相鄰RR間期差 值的均方根、相鄰間期之差巧Oms的個數(shù)占總竇性屯、搏個數(shù)的百分比。
[0046] 優(yōu)選的，RR間期的平均值為： 其中服i表示片段內(nèi)第i個RR間期，
n表示片段內(nèi)RR間期數(shù)量。
[0047] 優(yōu)選的，RR間期的標準差為

其中服1表示片段內(nèi)第i個RR間期， n表示片段內(nèi)RR間期數(shù)量。
[004引優(yōu)選的，相鄰RR間期差值的均方根為 其中服1表示片段內(nèi)第i個RR間期， n表示片段內(nèi)RR間期數(shù)量。
[0049] 如圖3所示，圖3中A圖的時間域圖，B圖表示由A圖經(jīng)過傅里葉變換獲得的頻域圖， 圖3中A圖中的VLF表示極低頻段功率、LF表示低頻段功率、HF表示高頻段功率，圖A的橫坐標 表示時間，總坐標表示RR間期。
[0050] 優(yōu)選的，頻域特征向量包括VLF極低頻段功率、LF低頻段功率、HF高頻段功率、LF/ HF低頻段與高頻段功率比值。
[0051] 如圖2所示，圖2表示龐加萊屯、電散點圖，其圖2的橫坐標為RR間期，縱坐標表示下 一個RR間期，獲得龐加萊屯、電散點圖標準差，優(yōu)選的，非線性與時頻域特征向量包括:根據(jù) 龐加萊屯、電散點圖獲得的龐加萊屯、電散點圖標準差、樣本賭、近似賭、去趨勢波動分析。
[0052] 本發(fā)明與現(xiàn)有技術相比，具有如下的優(yōu)點和有益效果:發(fā)明實現(xiàn)了短時的巧死預 ，能夠在持續(xù)測量和實時分析處理的基礎上，實現(xiàn)短時的巧死預測。
[0053] 本發(fā)明的QRS波定位具有非常高的精度，能夠滿足皿V短程指標分析的要求。經(jīng)過 國家藥監(jiān)部口依據(jù)相關國家標準的檢測，其QRS準確性指標如下:QRS波檢測精確性:靈敏度 Se : 99.8%，陽性預測值P+: 99.9%。本發(fā)明的短時巧死預測能夠提前至少半小時左右進行預 ，并具有非常高的精度。經(jīng)過國家藥監(jiān)部口依據(jù)相關行業(yè)標準的檢測，其性能指標達到優(yōu) 異水平:巧死預測精確性:99.12%，巧死預測靈敏度:97.11%，巧死預測特異性:99.74%，巧死 預測陽性預測:99.13%，巧死預測陰性預測:99.12%。
[0054] W上所述的【具體實施方式】，對本發(fā)明的目的、技術方案和有益效果進行了進一步 詳細說明，所應理解的是，W上所述僅為本發(fā)明的【具體實施方式】而已，并不用于限定本發(fā)明 的保護范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應包含
【主權(quán)項】
1. 獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征在于，包括以下步驟： 構(gòu)建三層人工神經(jīng)網(wǎng)絡:采用一個輸入層、一個隱藏層和一個輸出層搭建一個三層人 工神經(jīng)網(wǎng)絡； 三層人工神經(jīng)網(wǎng)絡訓練:采用心源性猝死數(shù)據(jù)庫作為第一訓練數(shù)據(jù)樣本，獲得第一訓 練數(shù)據(jù)樣本的QRS波，第一訓練數(shù)據(jù)樣本的QRS波進行分析和處理，提取出第一訓練數(shù)據(jù)樣 本的RR間期，將第一訓練數(shù)據(jù)樣本的RR間期分割為Ml個N分鐘的片段，對Ml個片段進行HRV 特征分析，計算Ml個片段的特征向量X作為Ml個猝死特征向量X，元組(猝死特征向量X，11) 的集合構(gòu)成第一訓練樣本集，其中tl=l， 采用MIT-BIH正常竇性心律數(shù)據(jù)庫作為第二訓練數(shù)據(jù)樣本，第二訓練數(shù)據(jù)樣本的QRS 波，第二訓練數(shù)據(jù)樣本的QRS波進行分析和處理，提取出第二訓練數(shù)據(jù)樣本的RR間期，將第 二訓練數(shù)據(jù)樣本的RR間期分割為M2個N分鐘的片段，對M2個片段進行HRV特征分析，計算M2 個片段的特征向量X作為M2個正常特征向量X，元組(正常特征向量X，t2)的集合構(gòu)成第二 訓練樣本集，其中t2=0， 隨機初始化輸入層、隱藏層、輸出層的權(quán)重值，將Ml個猝死特征向量X作為輸入層的輸 入向量，根據(jù)輸出層的神經(jīng)網(wǎng)絡函數(shù)f (X)獲得Ml個輸出層的值y 1，將M2個正常特征向量X作 為輸入層的輸入向量，根據(jù)輸出層的神經(jīng)網(wǎng)絡函數(shù)f (X)獲得M2個輸出層的值y2,根據(jù)第一 訓練樣本集及其神經(jīng)網(wǎng)絡輸出值計算Ml個平方誤差之和El=( tl-yh)2+( tl-yl2)2+……+ (tl-ylMi)2,根據(jù)第二訓練樣本集及其神經(jīng)網(wǎng)絡輸出值計算M2個平方誤差之和ESzm-yS!) 2 +(t2-y22)2+……+(t2_y2M2)2,其中tl、t2為預期的正確輸出，tl=l，t2=0, y l、y 2為實際輸 出； 反復迭代修正輸入層、隱藏層、輸出層的權(quán)重值，直到誤差E1、E2之和達到極小值，記錄 此時輸入層、隱藏層、輸出層的權(quán)重值，取得最終的權(quán)重值矩陣。2. 根據(jù)權(quán)利要求1所述的獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征 在于，所述特征向量X包括根據(jù)HRV特征分析獲得的時域特征向量、頻域特征向量、非線性與 時頻域特征向量。3. 根據(jù)權(quán)利要求2所述的獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征 在于，所述時域特征向量包括RR間期的平均值、RR間期的標準差、相鄰RR間期差值的均方 根、相鄰NN間期之差>50ms的個數(shù)占總竇性心搏個數(shù)的百分比。4. 根據(jù)權(quán)利要求3所述的獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征 在于，RR間期的平均值，其中RRi表示片段內(nèi)第i個RR間期， /3表示片段內(nèi)RR間期數(shù)量。5. 根據(jù)權(quán)利要求3所述的獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征 在于，RR間期的標準差為：其中RRi表示片段內(nèi)第i個RR間期， /3表示片段內(nèi)RR間期數(shù)量。6. 根據(jù)權(quán)利要求3所述的獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征 在于，相鄰RR間期差值的均方根 其中RRi表示片段內(nèi)第i個RR間期，/3表示片段內(nèi)RR間期數(shù)量。7. 根據(jù)權(quán)利要求2所述的獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征 在于，頻域特征向量包括VLF極低頻段功率、LF低頻段功率、HF高頻段功率、LF/HF低頻段與 高頻段功率比值。8. 根據(jù)權(quán)利要求2所述的獲取猝死風險預測人工神經(jīng)網(wǎng)絡權(quán)重值矩陣的方法，其特征 在于，非線性與時頻域特征向量包括:根據(jù)龐加萊心電散點圖獲得的龐加萊心電散點圖標 準差、樣本熵、近似熵、去趨勢波動分析。
【文檔編號】G06N3/02GK106021941SQ201610359875
【公開日】2016年10月12日
【申請日】2016年5月27日
【發(fā)明人】勾壯, 劉毅
【申請人】成都信匯聚源科技有限公司