本發(fā)明涉及智能醫(yī)療，尤其是一種基于多傳感器融合的心律失常診斷系統(tǒng)。

背景技術(shù)：

1、心臟病是對(duì)人類健康威脅極大的疾病，心電圖作為記錄心臟電活動(dòng)的檢查手段，可以反映心臟的完整過程；臨床上多采用12導(dǎo)聯(lián)體系，但是傳統(tǒng)12導(dǎo)聯(lián)設(shè)備存在便攜性問題；進(jìn)而可穿戴心電圖設(shè)備成為研究熱點(diǎn)，隨著可穿戴計(jì)算技術(shù)的快速發(fā)展，對(duì)健康和醫(yī)療領(lǐng)域產(chǎn)生了重大的影響，可穿戴設(shè)備小巧輕便，適合日常長(zhǎng)期監(jiān)測(cè)；然而，可穿戴設(shè)備在精度和可靠性方面仍有待優(yōu)化，需要改進(jìn)傳感器技術(shù)，以滿足更廣泛的應(yīng)用需求；本發(fā)明結(jié)合電子信息技術(shù)、通信技術(shù)以及生物醫(yī)學(xué)等技術(shù)理論，公開用于心律失常診斷的動(dòng)態(tài)心電監(jiān)測(cè)終端，采用三種不同的傳感器模塊，心電信號(hào)傳感器、脈搏波傳感器和加速度傳感器，對(duì)受試者的進(jìn)行動(dòng)態(tài)心電監(jiān)測(cè)。

2、目前，針對(duì)心電信號(hào)濾波算法的研究取得了一定成果；然而，可穿戴式心電監(jiān)測(cè)設(shè)備在使用過程中，常因人體活動(dòng)產(chǎn)生基線漂移和運(yùn)動(dòng)偽跡干擾，特別是運(yùn)動(dòng)中的心電信號(hào)頻率與干擾頻率相似，難以分離；傳統(tǒng)的自適應(yīng)濾波方法在處理非平穩(wěn)噪聲和快速變化信號(hào)時(shí)表現(xiàn)不佳，需要改進(jìn)信號(hào)處理算法；本發(fā)明公開了一種優(yōu)化濾波算法，將采集到的信息進(jìn)行數(shù)據(jù)處理，有效去除心電信號(hào)中的肌電信號(hào)和運(yùn)動(dòng)偽影，得到較為干凈的心電信號(hào)，提高了在復(fù)雜噪聲環(huán)境中的魯棒性和適應(yīng)性。

3、傳統(tǒng)的心電圖分析依賴專家手動(dòng)標(biāo)注，耗時(shí)費(fèi)力且易受主觀因素影響；近年來(lái)，基于深度學(xué)習(xí)的方法可自動(dòng)提取心電特征，實(shí)現(xiàn)高效、準(zhǔn)確的心律失常分類，但模型復(fù)雜度增加也帶來(lái)了計(jì)算資源的挑戰(zhàn)；為此，本發(fā)明公開了一種心律失常分類模型，引入動(dòng)態(tài)卷積和多尺度特征融合策略，以降低模型復(fù)雜度；保持高效分類心律失常，減少計(jì)算資源需求，用戶可實(shí)時(shí)診斷，數(shù)據(jù)同步至移動(dòng)終端，便于專業(yè)醫(yī)護(hù)人員與家屬進(jìn)行遠(yuǎn)程監(jiān)控，為預(yù)防心臟健康風(fēng)險(xiǎn)提供便捷、低成本、舒適的技術(shù)方案。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的缺陷，結(jié)合實(shí)際應(yīng)用的需求，本發(fā)明提供一種基于多傳感器融合的心律失常診斷系統(tǒng)，所述系統(tǒng)包括：心電信號(hào)模塊，所述心電信號(hào)模塊包括心電信號(hào)傳感器，用于采集受試者的心電信號(hào)；脈搏波信號(hào)模塊，所述脈搏波信號(hào)模塊包括脈搏波傳感器，用于采集所述受試者的脈搏波信號(hào)；三軸加速度模塊，所述三軸加速度模塊包括加速度傳感器，用于采集所述受試者的加速度信號(hào)；主控芯片模塊，所述主控芯片模塊作為系統(tǒng)的數(shù)據(jù)處理模塊，用于數(shù)據(jù)接收和數(shù)據(jù)分析，從而得到心律失常診斷結(jié)果；藍(lán)牙模塊，所述藍(lán)牙模塊作為所述系統(tǒng)的通信模塊，用于將所述心電信號(hào)、所述脈搏波信號(hào)、所述加速度信號(hào)和所述心律失常診斷結(jié)果傳輸至移動(dòng)終端；電源管理模塊，所述電源管理模塊包括充電、供電和開關(guān)電路，用于為所述系統(tǒng)提供電源供應(yīng)。本發(fā)明通過集成心電信號(hào)傳感器、脈搏波傳感器和三軸加速度傳感器，實(shí)現(xiàn)多源生理信號(hào)同步采集與融合分析，顯著提升了心律失常診斷的準(zhǔn)確性，主控芯片模塊對(duì)復(fù)合信號(hào)進(jìn)行智能處理，有效濾除干擾，使診斷結(jié)果更可靠，藍(lán)牙模塊支持實(shí)時(shí)數(shù)據(jù)傳輸至移動(dòng)終端，便于用戶及醫(yī)生遠(yuǎn)程監(jiān)控心臟健康狀態(tài)，實(shí)現(xiàn)全天候連續(xù)監(jiān)護(hù)，電源管理模塊優(yōu)化能耗，確保系統(tǒng)長(zhǎng)期有效運(yùn)行，兼顧便攜性與舒適性，為心臟疾病預(yù)防和日常管理提供高效便捷的解決方案。

2、可選地，所述主控芯片模塊，包括：心電信號(hào)濾波模塊，所述心電信號(hào)作為輸入信號(hào)，所述心電信號(hào)濾波模塊用于對(duì)所述輸入信號(hào)進(jìn)行預(yù)處理；心律失常診斷模塊，所述心律失常診斷模塊用于依據(jù)所述輸入信號(hào)對(duì)所述受試者進(jìn)行心律失常診斷得到所述心律失常診斷結(jié)果。本發(fā)明通過心電信號(hào)濾波模塊對(duì)原始心電信號(hào)進(jìn)行預(yù)處理，有效濾除運(yùn)動(dòng)偽影、肌電干擾等噪聲，顯著提升信號(hào)信噪比，為精確診斷奠定基礎(chǔ)，心律失常診斷模塊則采用算法模型對(duì)心電信號(hào)進(jìn)行智能分析，通過深度學(xué)習(xí)模型自動(dòng)提取特征并識(shí)別異常心律，大幅提高診斷準(zhǔn)確率；既保證實(shí)時(shí)處理效率，又提升診斷可靠性，使系統(tǒng)在復(fù)雜環(huán)境下仍能穩(wěn)定輸出專業(yè)級(jí)診斷結(jié)果，為心臟健康監(jiān)測(cè)提供高效、精準(zhǔn)的技術(shù)支持。

3、可選地，所述心電信號(hào)濾波模塊，包括：濾波算法單元，所述濾波算法單元用于根據(jù)自適應(yīng)混合步長(zhǎng)因子和噪聲功率估計(jì)機(jī)制構(gòu)建優(yōu)化濾波算法；算法實(shí)驗(yàn)單元，所述算法實(shí)驗(yàn)單元用于依據(jù)所述優(yōu)化濾波算法對(duì)所述輸入信號(hào)進(jìn)行濾波。本發(fā)明通過濾波算法單元引入自適應(yīng)混合步長(zhǎng)因子與噪聲功率估計(jì)機(jī)制，使濾波算法能動(dòng)態(tài)匹配信號(hào)特征，在復(fù)雜噪聲環(huán)境中表現(xiàn)出更強(qiáng)的適應(yīng)性和魯棒性；算法實(shí)驗(yàn)單元通過反復(fù)驗(yàn)證優(yōu)化濾波算法，有效濾除運(yùn)動(dòng)偽影、肌電干擾等噪聲，顯著提升心電信號(hào)信噪比；兩單元協(xié)同作用，既保證濾波過程的實(shí)時(shí)性，又大幅提升信號(hào)質(zhì)量，為后續(xù)心律失常診斷提供高保真數(shù)據(jù)基礎(chǔ)，使系統(tǒng)在復(fù)雜場(chǎng)景下保證濾波的穩(wěn)定性，顯著增強(qiáng)診斷可靠性。

4、可選地，所述根據(jù)自適應(yīng)混合步長(zhǎng)因子和噪聲功率估計(jì)機(jī)制構(gòu)建優(yōu)化濾波算法，包括：基于所述自適應(yīng)混合步長(zhǎng)因子，根據(jù)誤差信號(hào)和所述輸入信號(hào)構(gòu)建動(dòng)態(tài)步長(zhǎng)因子；依據(jù)所述噪聲功率估計(jì)機(jī)制對(duì)所述動(dòng)態(tài)步長(zhǎng)因子進(jìn)行動(dòng)態(tài)調(diào)整，并結(jié)合混合策略構(gòu)建所述優(yōu)化濾波算法。本發(fā)明通過動(dòng)態(tài)步長(zhǎng)因子構(gòu)建優(yōu)化濾波算法，依據(jù)誤差信號(hào)與輸入信號(hào)實(shí)時(shí)調(diào)整參數(shù)，顯著增強(qiáng)了算法對(duì)信號(hào)變化的適應(yīng)性，噪聲功率估計(jì)機(jī)制對(duì)步長(zhǎng)因子進(jìn)行動(dòng)態(tài)優(yōu)化，根據(jù)實(shí)時(shí)噪聲水平精細(xì)調(diào)整濾波強(qiáng)度，使算法在復(fù)雜噪聲環(huán)境中保持高效去噪能力，結(jié)合混合策略，既保證濾波信號(hào)的保真度，又提升處理效率，使濾波過程兼具靈活性與精準(zhǔn)性，有效應(yīng)對(duì)多樣化干擾，為后續(xù)診斷提供高質(zhì)量心電信號(hào)，大幅提升心律失常檢測(cè)的準(zhǔn)確性和系統(tǒng)穩(wěn)定性。

5、可選地，所述基于所述自適應(yīng)混合步長(zhǎng)因子，根據(jù)誤差信號(hào)和所述輸入信號(hào)構(gòu)建動(dòng)態(tài)步長(zhǎng)因子，包括：

6、

7、其中，為動(dòng)態(tài)步長(zhǎng)因子，為初始步長(zhǎng)因子，為誤差信號(hào)的能量，為輸入信號(hào)的能量，為噪聲功率估計(jì)，為小正數(shù)。本發(fā)明通過動(dòng)態(tài)步長(zhǎng)因子，使濾波算法能實(shí)時(shí)響應(yīng)信號(hào)與噪聲的變化，使算法在噪聲較高時(shí)自動(dòng)減小步長(zhǎng)以避免過調(diào)，噪聲較低時(shí)增大步長(zhǎng)以加速收斂，顯著提升了濾波的穩(wěn)定性和精度；有效平衡了噪聲抑制與信號(hào)保真，使算法在復(fù)雜生理信號(hào)環(huán)境中表現(xiàn)出更強(qiáng)的自適應(yīng)能力。

8、可選地，所述依據(jù)所述優(yōu)化濾波算法對(duì)所述輸入信號(hào)進(jìn)行濾波，包括：獲取所述受試者在慢跑狀態(tài)下的所述心電信號(hào)、所述脈搏波信號(hào)和所述加速度信號(hào)，所述脈搏波信號(hào)和所述加速度信號(hào)作為參考輸入信號(hào)；將所述參考輸入信號(hào)經(jīng)過相擾相消系統(tǒng)，并基于自適應(yīng)算法建立權(quán)值系數(shù)迭代表達(dá)式，以調(diào)節(jié)所述參考輸入信號(hào)的權(quán)值系數(shù)；利用所述優(yōu)化濾波算法，基于所述權(quán)值系數(shù)迭代表達(dá)式對(duì)所述輸入信號(hào)進(jìn)行循環(huán)迭代，以實(shí)現(xiàn)對(duì)所述輸入信號(hào)的濾波。本發(fā)明通過采集慢跑狀態(tài)下的多源生理信號(hào)，并將脈搏波與加速度信號(hào)作為參考輸入，利用相擾相消系統(tǒng)結(jié)合自適應(yīng)算法，動(dòng)態(tài)調(diào)節(jié)信號(hào)權(quán)值系數(shù)，有效消除運(yùn)動(dòng)干擾；優(yōu)化濾波算法基于權(quán)值系數(shù)進(jìn)行循環(huán)迭代，進(jìn)一步提純心電信號(hào)，顯著提升信噪比，不僅保留心電信號(hào)的關(guān)鍵特征，還能在復(fù)雜運(yùn)動(dòng)場(chǎng)景下穩(wěn)定輸出高質(zhì)量信號(hào)，為后續(xù)心律失常診斷提供可靠依據(jù)，使監(jiān)測(cè)系統(tǒng)在實(shí)際應(yīng)用中更具魯棒性和實(shí)用性。

9、可選地，所述將所述參考輸入信號(hào)經(jīng)過相擾相消系統(tǒng)，并基于自適應(yīng)算法建立權(quán)值系數(shù)迭代表達(dá)式，包括：

10、

11、其中，為第次迭代時(shí)的權(quán)值系數(shù)，為第次迭代時(shí)的權(quán)值系數(shù)，為動(dòng)態(tài)步長(zhǎng)因子，為第次迭代時(shí)的輸入信號(hào)，為第次迭代時(shí)的誤差信號(hào)，為輸入信號(hào)的能量，為小正數(shù)。本發(fā)明通過對(duì)權(quán)值系數(shù)的動(dòng)態(tài)調(diào)整，使濾波算法能實(shí)時(shí)響應(yīng)信號(hào)與誤差的變化，使算法在誤差增大時(shí)自動(dòng)調(diào)整權(quán)值以加強(qiáng)濾波，信號(hào)穩(wěn)定時(shí)保持權(quán)值以保留細(xì)節(jié)，顯著提升了自適應(yīng)濾波的精度和穩(wěn)定性，有效平衡了噪聲抑制與信號(hào)保真，使算法在復(fù)雜運(yùn)動(dòng)場(chǎng)景下表現(xiàn)出更強(qiáng)的抗干擾能力，提高了系統(tǒng)的整體性能。

12、可選地，所述心律失常診斷模塊，包括：模型構(gòu)建單元，所述模型構(gòu)建單元基于動(dòng)態(tài)卷積和多尺度特征融合策略構(gòu)建心律失常分類模型；模型應(yīng)用單元，所述模型應(yīng)用單元用于根據(jù)整體樣本數(shù)據(jù)對(duì)所述心律失常分類模型進(jìn)行訓(xùn)練，并得到心律失常分類結(jié)果。本發(fā)明的模型構(gòu)建單元采用動(dòng)態(tài)卷積與多尺度特征融合策略，使分類模型能自適應(yīng)調(diào)整卷積核參數(shù)，精準(zhǔn)捕捉心電信號(hào)中的瞬態(tài)特征，同時(shí)融合不同尺度生理信息，顯著提升心律失常分類的準(zhǔn)確性；模型應(yīng)用單元通過整體樣本數(shù)據(jù)訓(xùn)練，確保模型覆蓋廣泛生理場(chǎng)景，增強(qiáng)泛化能力。使診斷系統(tǒng)既能識(shí)別復(fù)雜心律失常模式，又適應(yīng)個(gè)體差異，在多樣化臨床數(shù)據(jù)中保持高性能，為心臟疾病篩查提供高效且精準(zhǔn)的智能輔助。

13、可選地，所述基于動(dòng)態(tài)卷積和多尺度特征融合策略構(gòu)建心律失常分類模型，包括：將一維卷積層替換為動(dòng)態(tài)一維卷積層，根據(jù)所述輸入信號(hào)，結(jié)合所述動(dòng)態(tài)一維卷積層對(duì)卷積核進(jìn)行動(dòng)態(tài)調(diào)整；在卷積神經(jīng)網(wǎng)絡(luò)中引入多尺度卷積層，基于不同尺寸的所述卷積核，依據(jù)所述多尺度卷積層提取多尺度特征；基于所述多尺度特征融合策略對(duì)所述多尺度特征進(jìn)行特征融合，以構(gòu)建融合特征；將所述融合特征作為轉(zhuǎn)換器模塊的特征輸入，以構(gòu)建所述心律失常分類模型。本發(fā)明通過采用動(dòng)態(tài)一維卷積層，依據(jù)輸入信號(hào)特性實(shí)時(shí)調(diào)整卷積核參數(shù)，顯著增強(qiáng)了模型對(duì)信號(hào)變化的適應(yīng)能力，多尺度卷積層的設(shè)計(jì)則使模型能同時(shí)捕捉局部細(xì)節(jié)與全局特征，通過不同尺寸卷積核提取多尺度信息，提升特征表達(dá)的豐富性，特征融合策略進(jìn)一步整合多尺度信息，形成更具表征性的融合特征，使模型在復(fù)雜心律失常模式識(shí)別中表現(xiàn)出更高的分類精度。

14、可選地，所述根據(jù)整體樣本數(shù)據(jù)對(duì)所述心律失常分類模型進(jìn)行訓(xùn)練，并得到心律失常分類結(jié)果，包括：將所述整體樣本數(shù)據(jù)進(jìn)行劃分以構(gòu)建訓(xùn)練集和測(cè)試集，對(duì)所述心律失常模型進(jìn)行訓(xùn)練；根據(jù)訓(xùn)練后的所述心律失常分類模型得到所述心律失常分類結(jié)果，作為所述心律失常診斷結(jié)果。本發(fā)明通過劃分整體樣本數(shù)據(jù)為訓(xùn)練集和測(cè)試集，有效避免了過擬合風(fēng)險(xiǎn)，確保模型在多樣化數(shù)據(jù)中具備良好的泛化能力，利用訓(xùn)練集對(duì)心律失常分類模型進(jìn)行充分優(yōu)化，使模型參數(shù)更貼合實(shí)際數(shù)據(jù)分布，顯著提升分類精度，基于測(cè)試集的獨(dú)立驗(yàn)證，客觀評(píng)估模型性能，確保診斷結(jié)果的可靠性，提高了模型對(duì)不同心律失常類型的識(shí)別能力，增強(qiáng)了系統(tǒng)在臨床應(yīng)用中的實(shí)用性，為心律診斷提供了高效、精準(zhǔn)的技術(shù)支持。