基于CNN-LSTM混合模型的不间断心肺复苏可除颤节律识别算法研究

Continuous chest compression during resuscitation in patients with out-of-hospital cardiac arrest can cause continuous artifact of ECG signals. Chest compressions are mandated to be interrupted in the current automatic external defibrillator (AED) to ensure the accuracy of shockable rhythm detection, which will delay the timing of defibrillation and seriously affects the prognosis of patients. This project intends to deal with the above problems with deep learning algorithm. On the one hand, the convolution neural network (CNN) is used to automatically identify the intrinsic features of artifact corrupted ECG, which overcomes the problem that the features selected manually in traditional detection algorithms are susceptible to interference. On the other hand, the LSTM is used to capture the change information of rhythm state, so that the real-time detection of defibrillation rhythm can be achieved during the uninterrupted chest compression process. Firstly, the project intends to construct a deep learning network through three aspects: the phase space reconstruction model of source signal, the structure design of CNN network and the research of CNN and LSTM hybrid mode. Then, it constructs a large sample simulation data set by using the compressionartifact model, and completes the optimization and parameter migration of the deep network under the method of k-fold cross-validation. Finally, an algorithm is designed to accurately identify shockable rhythm during continuous CPR, which can provide technical support for AED to improve the resuscitation success rate out-of-hospital cardiac arrest patients.

院外心脏骤停患者复苏过程中的连续胸外按压会导致心电信号受到持续干扰，因此目前的自动体外除颤仪在进行节律检测时需中断胸外按压以保证准确率，但这会延误除颤时机而严重影响患者预后。针对上述问题，本项目拟采用深度学习算法，一方面通过卷积神经网络（CNN）的特征搜索能力提取受干扰信号的本质特征，克服传统检测算法中人工筛选的特征易受干扰影响的问题，另一方面结合长短时记忆网络（LSTM）的时序记忆能力捕捉节律状态的变化，实现不间断按压过程的前提下可除颤节律的实时检测。项目拟首先从源信号的空间重构模型、CNN网络结构及CNN与LSTM混合模型三个方面入手，构建深度学习网络，再利用按压干扰模型构造大样本模拟数据集，并在k折交叉验证的方法下完成深度网络的优化和参数迁移。可望设计一套能够在心肺复苏连续按压过程中对可除颤节律进行准确识别的算法，为自动体外除颤仪在提高院外心脏骤停患者的复苏成功率提供技术支持。

对心脏骤停患者进行心肺复苏时，连续的胸外按压会导致心电信号受到持续干扰，因此目前的自动体外除颤仪在进行节律检测时需中断胸外按压以保证准确率，但这会延误除颤时机而严重影响患者预后。本项目拟采构建深度学习神经网络，通过按压干扰模型构造大样本模拟数据集进行预训练和参数迁移,实现心肺复苏连续按压过程中可除颤节律准确识别的算法设计。项目的主要研究内容包括：设计胸外按压干扰数学模型，建立模拟心电数据库；设计深度神经网络构架，实现胸外按压干扰下的可除颤节律识别；利用模拟数据对网络进行预训练，并采用心脏骤停患者心电数据进行网络参数的迁移学习；通过独立的心脏骤停患者心电数据测试集对深度学习算法效果进行评估。.研究结果表明：（1）胸外按压干扰模型与真实干扰之间具有高度的一致性，可用于随机模拟生成大样本胸外按压干扰，通过与心电信号进行融合，构建大样本心肺复苏心电数据集，用于深度神经网络的预训练。（2）该项目设计的深度UNet网络自监督模型，能够实现胸外按压过程中有效的信号恢复，信号信噪比可从-5.3 dB提高至1.9 dB。（3）联合UNet心电修复神经网络以及ResNet心律识别网络构建的数学模型，能够在不需要额外参考信号的前提下，提供修复后的心电信号共施救者观测，还能同时给出是否需要进行电击除颤的准确决策。心电节律的识别准确率均达到90%以上。.研究结果的科学意义：（1）胸外按压干扰具有显著的规律性，通过数学模型模拟的胸外按压干扰能够有效实现深度学习数据增强；（2）UNet自监督模型能够用于干扰状态下心电信号的复原，而预训练-迁移学习策略的应用可以有效解决生物医学数据量过小的问题；（3）基于ResNet深度网络的心电节律检测准确率与输入信号的信噪比之间存在显著关系，提高信号信噪比能够有效提高节律检测准确率，对进一步提高算法性能具有指导意义。