一种面向低测量负荷心电数据的异常预警方法及系统

1.本发明涉及心电监测技术领域，更具体的，涉及一种面向低测量负荷心电数据的异常预警方法及系统。


背景技术：

2.长时程心电监测作为一种能及时在心血管疾病早期发现的重要手段受到高度重视，特别是对在相关信号的瞬时变化可能表明严重病理疾病的情况下，长时程监测尤其重要，如holter（动态心电图）监测。临床经验表明，心电监测时间越长，心律失常、房颤等心电异常事件的检出率和准确率也越高，但对于一过性、偶发性心律失常，因其发作时间短、发作不频繁，所以24/48小时holter很难捕捉到异常心电图片段。然而，受制于监测负荷，临床上大多数患者很难配合完成超过48小时的心电监测，给心血管疾病的早期发现带来挑战。穿戴式设备因其低测量负荷而具有长时程监测能力而被认为可以在监测预警中发挥重要作用。
3.近年来，以穿戴式手表为代表的低负荷心电监测设备，因具备自然生活场景下对患者长时程监测而受到高度关注，现有研究表明其可以对房颤事件进行检测。尽管穿戴式健康监测设备可以取得与临床“金标准”指标相关的结果，但用于长时程连续生命监测、特别是在非实验室环境下，穿戴式健康监测数据的准确性仍面临着诸多挑战，如运动噪声、汗水、温度、皮肤阻抗等干扰数据质量的因素。因此，如何从穿戴式手表这类低负荷长时程心电监测数据中充分挖掘出隐形、潜在的心律异常特征，建立早期心律异常预警模型，是有效应对重大心血管疾病亟需解决的问题之一。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种面向低测量负荷心电数据的异常预警方法及系统。
5.本发明第一方面提供了一种面向低测量负荷心电数据的异常预警方法，包括：获取低负荷心电监测数据，对所述低负荷心电监测数据进行预处理，基于经验模式分解的方法提取异常征兆特征；根据异常征兆特征构建心律异常航迹指纹图谱，通过所述心律异常航迹指纹图谱表征心律异常整体动态特征的模式；利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型；获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息。
6.本方案中，基于经验模态分解的方法提取异常征兆特征，具体为：获取低负荷心电监测数据进行预处理，对预处理后的低负荷心电监测数据进行加
窗处理，根据大数据方法获取历史经验数据，通过所述历史经验数据进行仿真评估获取窗口长度；对窗口内非平稳的心电监测数据进行平稳化处理，并进行经验模式分解，获得预设个数的本征模式函数，确保分解出来的各个本征模式函数分量均包含原始信号不同时间尺度上的局部特征信息；对各个不同模态做时频变换，得到相应的频谱图；基于心电信号由正常到异常的变化过程中具有丰富的频率信息的特点，将每个本征模式对应的频谱图中幅值最大的多个频率点挑选出来作为疑似异常征兆特征，形成异常征兆特征平面矩阵。
7.本方案中，根据异常征兆特征构建心律异常航迹指纹图谱，具体为：获取异常征兆特征平面矩阵，将所述异常征兆特征平面矩阵进行向后差分，得到心律异常征兆特征残差特征图，获取窗口下的疑似异常征兆特征；预设大尺度时间窗，在所述大尺度时间窗口下将所有疑似异常征兆残差特征图按时间方向组合成一个包含心律异常航迹特征的“航迹跑道”体，在所述“航迹跑道”体中每条航迹表示大尺度时间窗内某个本征模态对应的频率变化轨迹，即心律异常残差航迹向量；对每个本征模式对应的频率点在时间轴方向累加，形成该尺度时间窗内的心律异常残差航迹累计向量，对各心律异常残差航迹累计向量归一化到灰度图像值域范围；预设灰度阈值，根据所述灰度阈值进行二值化处理，构造大尺度时间窗内的包含心律异常残差航迹信息的指纹图谱。
8.本方案中，利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，具体为：获取心律异常航迹指纹图谱，所述心律异常航迹指纹图谱为大时间窗口内异常征兆特征不同本征模式下的集合，图谱中各像素值表征大尺度时间窗内、该本征模式异常航迹的变化总和，不同的像素分布组成不同的异常模式；通过脉冲神经网络将心律异常航迹指纹图谱进行编码，所述脉冲神经网络由输入层、抑制层和输出层构成；输入层包含的神经元个数为心律异常航迹指纹图谱的矩阵点数，输入神经元用于将像素编码到时间窗口，编码策略采用脉冲速率编码；输出层由数量可变的兴奋神经元组成，执行模式分类任务，抑制层的抑制神经元数量与输出层相同；模型中的输入和输出层之间的突触连接具有正权重的全连接，而输出层与抑制层之间存在前向突触和后向突触两种单向连接；对所述脉冲神经网络进行训练，学习规则采用脉冲时间依赖可塑性，突触的权重随着前神经元发射的前脉冲和后神经元发射的后脉冲之间的时间差大小而做相应变化，进行模式识别。
9.本方案中，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型，具体为：根据心律正常与异常演化规律下的航迹指纹图谱，建立具有记忆功能和可编程功能的忆阻器模型；
在所述忆阻器模型中设置正负权重并能够预防漏电流的忆阻器突触模块，并利用所述突触模块生成突触阵列，构建脉冲神经网络；将所述航迹指纹图谱的每一个像素转化为电压输入，并作为输入传入脉冲神经网络，基于心律正常航迹指纹图谱对脉冲神经网络输出层权重参数离线训练，使得输出层输出的电流大小能区分正常与异常的航迹指纹图谱；在训练过程中，通过开关管开关控制时序，控制突触阵列的字线和位线，对忆阻器模型进行清零或写权重操作，将脉冲神经网络训练完成后的权重参数编程至忆阻器模型，生成心律异常预警模型。
10.本方案中，获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息，具体为：获取当前低负荷心电监测数据，构建心律异常航迹指纹图谱，将每一个像素转化至同等范围的电压信号，输入心律预警模型的输入层，经过输出层和抑制层后，通过输出电流的大小进行模式辨别，实现模式分类；根据模式分类结果判定受当前低负荷心电监测数据对应心律是否正常，若心律异常则生成预警信息，并将所述预警信息按照预设方法进行发送显示。
11.本发明第二方面还提供了一种面向低测量负荷心电数据的异常预警系统，该系统包括：存储器、处理器，所述存储器中包括面向低测量负荷心电数据的异常预警方法程序，所述面向低测量负荷心电数据的异常预警方法程序被所述处理器执行时实现如下步骤：获取低负荷心电监测数据，对所述低负荷心电监测数据进行预处理，基于经验模式分解的方法提取异常征兆特征；根据异常征兆特征构建心律异常航迹指纹图谱，通过所述心律异常航迹指纹图谱表征心律异常整体动态特征的模式；利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型；获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息。
12.本发明解决背景技术中技术问题的同时具备以下有益效果：由于低测量负荷下心律异常场景的采集负荷、数据特征、算法模型均改变，导致传统的信号处理方法在低测量负荷场景下存在虚警率高的问题，本技术借鉴飞行员夜晚依赖灯光识别跑道的原理，提出了一种基于航迹关联的整体动态趋势预警的新思维，解决低测量负荷心电预警虚警率高的问题；本技术根据早期心电异常信号具有丰富的时变信息使之区别于正常心律的机理以及异常征兆在时间上时隐时现、在幅值上不显著的特性，区别于传统从原始信号提取异常特征的方法，考虑到异常时变特性容易从相邻时间窗残差中提取，提出了从相邻时间窗心电信号残差中估计异常征兆的新方法，降低算法复杂度，提高异常征兆检测能力；本技术将心律异常预警问题转化为基于心律异常航迹指纹图谱的分类问题，提出了基于脉冲神经网络和忆阻器硬件实现心律异常预警模式分类的新手段，从算法和电路两个维度综合降低穿戴式心律异常分类算法的能耗。
附图说明
13.图1示出了本发明一种面向低测量负荷心电数据的异常预警方法的技术线路图；图2示出了本发明一种面向低测量负荷心电数据的异常预警方法的流程图；图3示出了本发明构建心律异常航迹指纹图谱的方法流程图；图4示出了本发明构建心律异常预警模型的方法流程图；图5示出了本发明一种面向低测量负荷心电数据的异常预警系统的框图。
具体实施方式
14.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
15.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
16.图1、2示出了本发明一种面向低测量负荷心电数据的异常预警方法的技术路线图及流程图。
17.如图1、2所示，本发明第一方面提供了一种面向低测量负荷心电数据的异常预警方法，包括：s202，获取低负荷心电监测数据，对所述低负荷心电监测数据进行预处理，基于经验模式分解的方法提取异常征兆特征；s204，根据异常征兆特征构建心律异常航迹指纹图谱，通过所述心律异常航迹指纹图谱表征心律异常整体动态特征的模式；s206，利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型；s208，获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息。
18.需要说明的是，心律异常的早期阶段，异常特征的幅值小，随着时间的演变而被平缓，直至常被淹没在噪声中。而低负荷心电监测获得的信号往往伴随大量的噪声和干扰，加之室性心律不齐早期发病持续时间具有一过性特点，且使得被传感器捕捉到的心律异常信号很容易被认为是噪声而漏检，基于经验模式分解的方法提取异常征兆特征，具体为：获取低负荷心电监测数据进行预处理，对预处理后的低负荷心电监测数据进行加窗处理，根据大数据方法获取历史经验数据，通过所述历史经验数据进行仿真评估获取窗口长度；对窗口内非平稳的心电监测数据进行平稳化处理，并进行经验模式分解，获得预设个数的本征模式函数，确保分解出来的各个本征模式函数分量均包含原始信号不同时间尺度上的局部特征信息；对各个不同模态做时频变换，得到相应的频谱图；基于心电信号由正常到异常的变化过程中具有丰富的频率信息的特点，将每个本征模式对应的频谱图中幅值最大的多个频率点挑选出来作为疑似异常征兆特征，形成异常征兆特征平面矩阵（行为不同本征模式，列为每个本征模式对应的主要频率值）。
19.图3示出了本发明中构建心律异常航迹指纹图谱的方法流程图。
20.根据本发明实施例，根据异常征兆特征构建心律异常航迹指纹图谱，具体为：s302，获取异常征兆特征平面矩阵，将所述异常征兆特征平面矩阵进行向后差分，得到心律异常征兆特征残差特征图，获取窗口下的疑似异常征兆特征；s304，预设大尺度时间窗，在所述大尺度时间窗口下将所有疑似异常征兆残差特征图按时间方向组合成一个包含心律异常航迹特征的“航迹跑道”体，在所述“航迹跑道”体中每条航迹表示大尺度时间窗内某个本征模态对应的频率变化轨迹，即心律异常残差航迹向量；s306，对每个本征模式对应的频率点在时间轴方向累加，形成该尺度时间窗内的心律异常残差航迹累计向量，对各心律异常残差航迹累计向量归一化到灰度图像值域范围；s308，预设灰度阈值，根据所述灰度阈值进行二值化处理，构造大尺度时间窗内的包含心律异常残差航迹信息的指纹图谱。
21.需要说明的是，经验模态分解获得的仍然是某个小尺度时间窗口的局部特征，如果以该指标作为早期预警的依据，很容易导致虚警率居高不下。因此，提高预警准确率的关键，需要在一个较大尺度时间窗上构建一个具有刻画心律异常整体动态特征的模式。在本发明实施例中利用个体纵向时间轴方向整体动态变化趋势来预警的思路,基于早期异常特征的时隐时现和相邻时间窗的信号具有强相关的特性，借鉴飞行员夜晚着陆时依靠跑道灯光来辨别跑道的原理实现心律异常预警。所述心律异常征兆特征残差特征图类似于机场跑道的散点灯光，预设大尺度时间窗口下类似于机场跑道长度，由于每条心律异常残差航迹向量表征该时间窗内因心律异常引起的变化量，因此可以利用该指标来评估该时间窗内心律异常的程度。
22.将心律异常预警问题转化为异常指纹图谱的模式识别问题。心律异常航迹指纹图谱由于在纵向时间上包含了多个相邻时间窗内异常残差特征信息、在空间横截面包含了各本征模式及对应的频率信息的空间特征信息，因此具有非常好的特征鲁棒性。前者充分利用了时间方向的关联约束特性提高了对局部异常特征的容错空间，即尽管某个时间窗提取的异常特征错误，但由于前后时间窗信息的关联约束可以剔除该错误（飞行员识别跑道时，不只是依赖某一盏灯而是整个灯构成的一条线）。后者重复挖掘了特征空间的相关性，即不同尺度下的本征模态和对应的频率变化信息，即尽管某个空间位置提取的异常特征错误，但由于本征模态的关联约束可以剔除该错误（飞行员识别跑时，基于跑道灯光在空间上有特定约束的先验知识，可以排出跑道其他灯光的干扰）。
23.需要说明的是，心律异常航迹指纹图谱是一个较大尺度时间窗口内异常特征不同本征模式下的集合，指纹图谱各“像素值”表征该尺度时间窗内、该本征模式异常航迹的变化总和，不同的“像素”分布组成不同的异常模式。因此，决策时需要结合大数据关联性思想并根据异常特征在纵向时间轴上的持续性和空间横截面分布的均匀性构建相应的模式识别策略，实现心律异常的早期预警。
24.利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，具体为：通过脉冲神经网络将心律异常航迹指纹图谱进行编码，所述脉冲神经网络由输入层、抑制层和输出层构成；输入层包含的神经元个数为心律异常航
迹指纹图谱的矩阵点数，输入神经元用于将像素编码到时间窗口，编码策略采用脉冲速率编码；输出层由数量可变的兴奋神经元组成，执行模式分类任务，抑制层的抑制神经元数量与输出层相同，网络利用抑制神经元促进兴奋层实现赢者通吃算法。模型中的输入和输出层之间的突触连接具有正权重的全连接，而输出层与抑制层之间存在前向突触和后向突触两种单向连接；对所述脉冲神经网络进行训练，学习规则采用脉冲时间依赖可塑性，突触的权重随着前神经元发射的前脉冲和后神经元发射的后脉冲之间的时间差大小而做相应变化，进行模式识别。
25.图4示出了本发明构建心律异常预警模型的方法流程图。
26.根据本发明实施例，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型，具体为：s402，根据心律正常与异常演化规律下的航迹指纹图谱，建立具有记忆功能和可编程功能的忆阻器模型；s404，在所述忆阻器模型中设置正负权重并能够预防漏电流的忆阻器突触模块，并利用所述突触模块生成突触阵列，构建脉冲神经网络；s406，将所述航迹指纹图谱的每一个像素转化为电压输入，并作为输入传入脉冲神经网络，基于心律正常航迹指纹图谱对脉冲神经网络输出层权重参数离线训练，使得输出层输出的电流大小能区分正常与异常的航迹指纹图谱；s408，在训练过程中，通过开关管开关控制时序，控制突触阵列的字线和位线，对忆阻器模型进行清零或写权重操作，将脉冲神经网络训练完成后的权重参数编程至忆阻器模型，生成心律异常预警模型。
27.需要说明的是，忆阻器作为一种可编程、低功耗记忆元件，可以模拟生物突触。脉冲神经网络训练过程，需要不断更新网络权重，可以很好的将忆阻器与脉冲神经网络融合，算法模型和硬件两个层面优化系统能效。将指纹图谱的各“像素”组成的脉冲序列，通过该类脑计算电路的突触感知转化为突触后电流，并利用忆阻神经网络实现模式分类。具体实现过程如下：将异常指纹图谱的每一个像素“1”或“0”转化至同等范围的电压信号，输入脉冲神经网络的输入层，经过脉冲神经网络的输出层和抑制层后输出可以辨识的模式，实现模式分类，即通过判断神经网络输出电流的大小，判定受检测者心律正常与否。
28.根据本发明实施例，获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息，具体为：获取当前低负荷心电监测数据，构建心律异常航迹指纹图谱，将每一个像素转化至同等范围的电压信号，输入心律预警模型的输入层，经过输出层和抑制层后，通过输出电流的大小进行模式辨别，实现模式分类；根据模式分类结果判定受当前低负荷心电监测数据对应心律是否正常，若心律异常则生成预警信息，并将所述预警信息按照预设方法进行发送显示。
29.图5示出了本发明一种面向低测量负荷心电数据的异常预警系统的框图。
30.本发明第二方面还提供了一种面向低测量负荷心电数据的异常预警系统5，该系统包括：存储器51、处理器52，所述存储器中包括面向低测量负荷心电数据的异常预警方法程序，所述面向低测量负荷心电数据的异常预警方法程序被所述处理器执行时实现如下步骤：
获取低负荷心电监测数据，对所述低负荷心电监测数据进行预处理，基于经验模式分解的方法提取异常征兆特征；根据异常征兆特征构建心律异常航迹指纹图谱，通过所述心律异常航迹指纹图谱表征心律异常整体动态特征的模式；利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型；获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息。
31.本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括面向低测量负荷心电数据的异常预警方法程序，所述面向低测量负荷心电数据的异常预警方法程序被处理器执行时，实现如上述任一项所述的面向低测量负荷心电数据的异常预警方法的步骤。
32.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
33.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
34.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
35.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
36.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
37.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵
盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种面向低测量负荷心电数据的异常预警方法，其特征在于，包括以下步骤：获取低负荷心电监测数据，对所述低负荷心电监测数据进行预处理，基于经验模式分解的方法提取异常征兆特征；根据异常征兆特征构建心律异常航迹指纹图谱，通过所述心律异常航迹指纹图谱表征心律异常整体动态特征的模式；利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型；获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息。2.根据权利要求1所述的一种面向低测量负荷心电数据的异常预警方法，其特征在于，基于经验模态分解的方法提取异常征兆特征，具体为：获取低负荷心电监测数据进行预处理，对预处理后的低负荷心电监测数据进行加窗处理，根据大数据方法获取历史经验数据，通过所述历史经验数据进行仿真评估获取窗口长度；对窗口内非平稳的心电监测数据进行平稳化处理，并进行经验模式分解，获得预设个数的本征模式函数，确保分解出来的各个本征模式函数分量均包含原始信号不同时间尺度上的局部特征信息；对各个不同模态做时频变换，得到相应的频谱图；基于心电信号由正常到异常的变化过程中具有丰富的频率信息的特点，将每个本征模式对应的频谱图中幅值最大的多个频率点挑选出来作为疑似异常征兆特征，形成异常征兆特征平面矩阵。3.根据权利要求1所述的一种面向低测量负荷心电数据的异常预警方法，其特征在于，根据异常征兆特征构建心律异常航迹指纹图谱，具体为：获取异常征兆特征平面矩阵，将所述异常征兆特征平面矩阵进行向后差分，得到心律异常征兆特征残差特征图，获取窗口下的疑似异常征兆特征；预设大尺度时间窗，在所述大尺度时间窗口下将所有疑似异常征兆残差特征图按时间方向组合成一个包含心律异常航迹特征的“航迹跑道”体，在所述“航迹跑道”体中每条航迹表示大尺度时间窗内某个本征模态对应的频率变化轨迹，即心律异常残差航迹向量；对每个本征模式对应的频率点在时间轴方向累加，形成该尺度时间窗内的心律异常残差航迹累计向量，对各心律异常残差航迹累计向量归一化到灰度图像值域范围；预设灰度阈值，根据所述灰度阈值进行二值化处理，构造大尺度时间窗内的包含心律异常残差航迹信息的指纹图谱。4.根据权利要求1所述的一种面向低测量负荷心电数据的异常预警方法，其特征在于，利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，具体为：获取心律异常航迹指纹图谱，所述心律异常航迹指纹图谱为大时间窗口内异常征兆特征不同本征模式下的集合，图谱中各像素值表征大尺度时间窗内本征模式异常航迹的变化总和，不同的像素分布组成不同的异常模式；
通过脉冲神经网络将心律异常航迹指纹图谱进行编码，所述脉冲神经网络由输入层、抑制层和输出层构成；输入层包含的神经元个数为心律异常航迹指纹图谱的矩阵点数，输入神经元用于将像素编码到时间窗口，编码策略采用脉冲速率编码；输出层由数量可变的兴奋神经元组成，执行模式分类任务，抑制层的抑制神经元数量与输出层相同；模型中的输入和输出层之间的突触连接具有正权重的全连接，而输出层与抑制层之间存在前向突触和后向突触两种单向连接；对所述脉冲神经网络进行训练，学习规则采用脉冲时间依赖可塑性，突触的权重随着前神经元发射的前脉冲和后神经元发射的后脉冲之间的时间差大小而做相应变化，进行模式识别。5.根据权利要求1所述的一种面向低测量负荷心电数据的异常预警方法，其特征在于，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型，具体为：根据心律正常与异常演化规律下的航迹指纹图谱，建立具有记忆功能和可编程功能的忆阻器模型；在所述忆阻器模型中设置正负权重并能够预防漏电流的忆阻器突触模块，并利用所述突触模块生成突触阵列，构建脉冲神经网络；将所述航迹指纹图谱的每一个像素转化为电压输入，并作为输入传入脉冲神经网络，基于心律正常航迹指纹图谱对脉冲神经网络输出层权重参数离线训练，使得输出层输出的电流大小能区分正常与异常的航迹指纹图谱；在训练过程中，通过开关管开关控制时序，控制突触阵列的字线和位线，对忆阻器模型进行清零或写权重操作，将脉冲神经网络训练完成后的权重参数编程至忆阻器模型，生成心律异常预警模型。6.根据权利要求1所述的一种面向低测量负荷心电数据的异常预警方法，其特征在于，获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息，具体为：获取当前低负荷心电监测数据，构建心律异常航迹指纹图谱，将每一个像素转化至同等范围的电压信号，输入心律预警模型的输入层，经过输出层和抑制层后，通过输出电流的大小进行模式辨别，实现模式分类；根据模式分类结果判定受当前低负荷心电监测数据对应心律是否正常，若心律异常则生成预警信息，并将所述预警信息按照预设方法进行发送显示。7.一种面向低测量负荷心电数据的异常预警系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括面向低测量负荷心电数据的异常预警方法程序，所述面向低测量负荷心电数据的异常预警方法程序被所述处理器执行时实现如下步骤：获取低负荷心电监测数据，对所述低负荷心电监测数据进行预处理，基于经验模式分解的方法提取异常征兆特征；根据异常征兆特征构建心律异常航迹指纹图谱，通过所述心律异常航迹指纹图谱表征心律异常整体动态特征的模式；
利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型；获取当前低负荷心电监测数据，导入心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常，并根据判断结果生成预警信息。8.根据权利要求7所述的一种面向低测量负荷心电数据的异常预警系统，其特征在于，根据异常征兆特征构建心律异常航迹指纹图谱，具体为：获取异常征兆特征平面矩阵，将所述异常征兆特征平面矩阵进行向后差分，得到心律异常征兆特征残差特征图，获取窗口下的疑似异常征兆特征；预设大尺度时间窗，在所述大尺度时间窗口下将所有疑似异常征兆残差特征图按时间方向组合成一个包含心律异常航迹特征的“航迹跑道”体，在所述“航迹跑道”体中每条航迹表示大尺度时间窗内某个本征模态对应的频率变化轨迹，即心律异常残差航迹向量；对每个本征模式对应的频率点在时间轴方向累加，形成该尺度时间窗内的心律异常残差航迹累计向量，对各心律异常残差航迹累计向量归一化到灰度图像值域范围；预设灰度阈值，根据所述灰度阈值进行二值化处理，构造大尺度时间窗内的包含心律异常残差航迹信息的指纹图谱。9.根据权利要求7所述的一种面向低测量负荷心电数据的异常预警系统，其特征在于，利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将所述脉冲神经网络进行训练构建模式识别策略，具体为：获取心律异常航迹指纹图谱，所述心律异常航迹指纹图谱为大时间窗口内异常征兆特征不同本征模式下的集合，图谱中各像素值表征大尺度时间窗内本征模式异常航迹的变化总和，不同的像素分布组成不同的异常模式；通过脉冲神经网络将心律异常航迹指纹图谱进行编码，所述脉冲神经网络由输入层、抑制层和输出层构成；输入层包含的神经元个数为心律异常航迹指纹图谱的矩阵点数，输入神经元用于将像素编码到时间窗口，编码策略采用脉冲速率编码；输出层由数量可变的兴奋神经元组成，执行模式分类任务，抑制层的抑制神经元数量与输出层相同；模型中的输入和输出层之间的突触连接具有正权重的全连接，而输出层与抑制层之间存在前向突触和后向突触两种单向连接；对所述脉冲神经网络进行训练，学习规则采用脉冲时间依赖可塑性，突触的权重随着前神经元发射的前脉冲和后神经元发射的后脉冲之间的时间差大小而做相应变化，进行模式识别。10.根据权利要求7所述的一种面向低测量负荷心电数据的异常预警系统，其特征在于，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型，具体为：根据心律正常与异常演化规律下的航迹指纹图谱，建立具有记忆功能和可编程功能的忆阻器模型；在所述忆阻器模型中设置正负权重并能够预防漏电流的忆阻器突触模块，并利用所述
突触模块生成突触阵列，构建脉冲神经网络；将所述航迹指纹图谱的每一个像素转化为电压输入，并作为输入传入脉冲神经网络，基于心律正常航迹指纹图谱对脉冲神经网络输出层权重参数离线训练，使得输出层输出的电流大小能区分正常与异常的航迹指纹图谱；在训练过程中，通过开关管开关控制时序，控制突触阵列的字线和位线，对忆阻器模型进行清零或写权重操作，将脉冲神经网络训练完成后的权重参数编程至忆阻器模型，生成心律异常预警模型。

技术总结
本发明公开了一种面向低测量负荷心电数据的异常预警方法及系统，包括：获取低负荷心电监测数据，进行预处理，基于经验模式分解的方法提取异常征兆特征；根据异常征兆特征构建心律异常航迹指纹图谱，利用脉冲神经网络将心律异常航迹指纹图谱进行编码，将脉冲神经网络进行训练，建立忆阻器模型，将脉冲神经网络训练完成后的权重参数导入忆阻器模型，生成心律异常预警模型；利用心律异常预警模型，通过输出电流实现模式分类，判断心律是否正常。本方法提出从相邻时间窗心电信号残差中估计异常征兆的方法，降低算法复杂度，提高异常征兆检测能力，基于脉冲神经网络和忆阻器实现心律异常预警模式分类，降低了穿戴式心律异常分类算法的能耗。法的能耗。法的能耗。


技术研发人员：李亚 戴青云
受保护的技术使用者：广东技术师范大学
技术研发日：2023.06.26
技术公布日：2023/8/5