(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111328370.4 (22)申请日 2021.11.10 (71)申请人 浙江好络维医疗技 术有限公司 地址 310012 浙江省杭州市西湖区西斗门 路3号天堂软件园E幢5层B座 (72)发明人 李攀攀　符灵建　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 代理人 陈琦　陈继亮 (51)Int.Cl. A61B 5/318(2021.01) A61B 5/363(2021.01) A61B 5/361(2021.01) A61B 5/352(2021.01) A61B 5/00(2006.01)G06N 20/00(2019.01) (54)发明名称 一种基于统计特 征的房颤识别方法 (57)摘要 一种基于统计特征的房颤识别方法， 包括以 下步骤： （1） 输入心电数据， 对心电数据进行滤波 处理； （2） 根据所述的标注后的心搏数据， 计算心 电RR间期数值特征； （3） 根据所述的滑动 窗口信 息， 获得一系列包含RR 间期数据的滑动窗口； （4） 根据上述一系列滑动窗口， 从其中选取 RR间期个 数排名前三的滑动窗口， 分别计算其中的一系列 区间特征； （5） 根据上述RR间期的数值特征以及 区间特征， 使用LightGBM算法训练房颤识别模 型； （6） 根据上述的房颤识别模型， 选择性能优异 的作为最终的分类模型。 本发明能够准确快速的 分析心电信号是否出现房颤症状， 对于频发早 搏、 房性心动过速、 房性早搏二联律等异常心搏 可以做出准确的特 征区分。 权利要求书2页 说明书7页 附图2页 CN 113940682 A 2022.01.18 CN 113940682 A 1.一种基于统计特 征的房颤识别方法， 其特 征在于： 所述方法包括以下步骤： (1)输入心电数据， 对心电数据进行滤波处理， 然后进行心搏定位检测并根据心搏定位 计算RR间期， 然后 设定RR间期阈值范围， 根据心电数据中RR间期的分布状况对所述心搏数 据进行干扰波识别， 根据干扰波识别结果以及心搏数据对所述数据进行 标注； (2)根据所述的标注后的心搏数据， 计算心电RR间期数值特征， 并根据这些统计数值设 定滑动扫描窗口 的信息； (3)根据所述的滑动窗口信息， 对按照时间顺序排列好的RR间期进行从滑动窗口起点 (RR间期最小值)开始滑动扫描， 直至滑动窗口终点(RR间期最大值)， 然后获得一系列包含 RR间期数据的滑动窗口； (4)根据上述一系列滑动窗口， 从其中选取RR间期个数排名前三的滑动窗口(三个区间 内RR间期互不相交)， 然后根据所述的三个区间， 分别计算 其中的一系列区间特 征； (5)根据上述R R间期的数值特 征以及区间特 征， 使用L ightGBM算法训练房颤识别模型； (6)根据上述的房 颤识别模型， 将其应用于验证集的数据上， 使用特异性和F1值评估模 型的性能， 选择性能优异的作为 最终的分类模型。 2.根据权利要求1所述的基于统计特征的房颤识别方法， 其特征在于： 所述步骤(1)中 对心电数据进行 滤波以及计算R R间期， 并对心电数据进行 标注， 具体包括： (1)对所述的心电数据滤波后首先进行R波定位检测， 然后计算相应的RR间期， 按照时 间顺序对R R间期进行编号； (2)设定RR间期阈值为300ms ‑1800ms， 首先去除不符合阈值范围的RR间期， 若有超过全 部RR间期个数的1/10， 对 所述心电数据进 行干扰波识别， 若识别结果为干扰波， 去除所述干 扰波数据。 3.根据权利要求1所述的基于统计特征的房颤识别方法， 其特征在于： 所述步骤(2)中 心搏数据计算数值特 征并确定滑动扫描窗口 的信息， 具体包括： (1)根据所述心搏数据得到R R间期， 计算所有R R间期的平均值， 标准差等数值特 征； (2)根据所述的RR间期数据， 把所有RR间期中的最小RR间期值定为滑动扫描窗口的起 点， 所有RR间期中最大RR间期值定位滑动扫描窗口的终点， RR间期的平均值的1/10作为滑 动扫描窗口的宽度， 扫描步长设为1， 然后对所有的RR间期进行滑动扫描， 得到每个滑动扫 描窗口中的R R间期数据。 4.根据权利要求1所述的基于统计特征的房颤识别方法， 其特征在于： 所述步骤(4)根 据每个扫描区间的R R间期数据选出R R间期个数 前三的滑动窗口， 具体包括： (1)根据所述的每个窗口的RR间期数据， 首先选取RR间期个数最多的窗口作为 Window1， 然后从剩余的滑动扫描窗口内选取RR间期个数最多的区间作为Window2， 并且保 证Window2与Window1内的RR间期序号 不存在交集， 依此 方法选取 出Window3； (2)对于Window1、 Window2或Window3， 如 果有多个相同个数的窗口存在， 那么选取其中 RR间期最为集中的一个窗口作为对应的Window1、 Window2或Window3(扫描窗口内的RR间期 标准差最小)。 5.根据权利要求4所述的基于统计特征的房颤识别方法， 其特征在于： 所述Window1、 Window2、 Window3之间通过计算得 出区间特 征具体在于： (1)Window1、 Window2、 Window3内对应的R R间期的个数；权　利　要　求　书 1/2 页 2 CN 113940682 A 2(2)Window1、 Window2、 Window3中RR间期序号连续的个数； (3)Window1、 Window2、 Window3中RR间期序号间隔一个数的个数； (4)Window1、 Window2、 Window3中RR间期序号间隔两个数的个数； (5)Window1、 Window2、 Window3中RR间期序号间隔三个数的个数； (6)Window1、 Window2、 Window3中RR间期序号连续的个数总和以及它的占比； (7)Window1、 Window2、 Window3中RR间期序号间隔一个数的个数总和以及它的占比； (8)Window1、 Window2、 Window3中RR间期序号间隔两个数的个数总和以及它的占比； (9)Window1、 Window2、 Window3中RR间期序号间隔三个数的个数总和以及它的占比。 6.根据权利要求1所述基于统计特征的房颤识别方法， 其特征在于： 所述步骤(6)中使 用测试集的数据对得到的模型进行测试， 得到性能有意的模型最为最终的房颤识别模型， 具体在于： (A)模型的特异性(SP)大于等于0.93并且F1值大于等于0.9， 说明模型性能良好， 可以 作为最终的模型； (B)模型的特异性(SP)小于0.93或者F1值小于0.9， 说明模型性能欠佳， 重新到步骤8调 整参数进行训练。权　利　要　求　书 2/2 页 3 CN 113940682 A 3