基于CEP的ECG 實時監(jiān)測分析系統(tǒng)的研究與設(shè)計

戴震宇，陳 梅，李 暉

（1.貴州大學(xué) 計算機科學(xué)與信息學(xué)院，貴州 貴陽550025；2.貴州大學(xué) 貴州省先進計算與醫(yī)療信息服務(wù)工程實驗室，貴州 貴陽550025）

0 引 言

心動電流圖 （electrocardiograms，ECG）是心臟在每個心動周期中心臟跳動時伴隨的生物電變化，通過心電描記器從體表引出多種形式的電位變化的圖形，它給出了每個人心臟的功能細(xì)節(jié)并能幫助分析出ECG 信號中的異常心跳。心電圖中可觀察到周期性的P，QRS 和T 波序列，在這個序列中，QRS波群是具有最大振幅的，對其的探測有助于計算出其周圍的P，T 波和心跳的其他特征的。目前我國針對ECG 的臨床應(yīng)用主要存在檢測時間短、無長期心電數(shù)據(jù)數(shù)字存儲且無法進行實時心電分析、多以手工或半手工方式對心電圖進行分析。心電檢測的主要場所還是在醫(yī)院，普通人日常生活時難以對自己的心率進行記錄及分析等問題。針對上述問題，本文設(shè)計的系統(tǒng)將會進行一定程度的解決，并驗證系統(tǒng)的可行性。

ECG 信號是實時產(chǎn)生的數(shù)據(jù)流，且信息量巨大，如果是要檢測多個目標(biāo)的ECG 就會帶來更大的挑戰(zhàn)。復(fù)雜事件處理 （complex event processing，CEP）是一種重要的對實時數(shù)據(jù)進行分析處理的技術(shù)，可以很好的滿足對一個甚至多個ECG 信號的實時分析處理的需求。本文提出了利用CEP技術(shù)來對心電圖進行分析，由此設(shè)計了一套基于CEP技術(shù)的實時的心電監(jiān)測分析的系統(tǒng)，該系統(tǒng)可以保存病人的歷史心跳數(shù)據(jù)指標(biāo)，能夠?qū)崟r監(jiān)測和分析異常心跳，結(jié)合病人病歷進行日常保健級別的預(yù)診斷，對于病人的心臟健康提供有力的保證。

1 系統(tǒng)設(shè)計

實時心電分析系統(tǒng)需要從各種心電設(shè)備中獲取ECG 信號，對于這些信號CEP技術(shù)是無法直接進行處理獲取信息的，而且可能信號源還有噪音等影響判斷質(zhì)量的因素，所以第一步就是需要對ECG 信號進行一系列的預(yù)處理使得信號的質(zhì)量符合算法檢測的要求。接下來才能夠通過ECG 檢測算法提取出心電的信號特征以供CEP系統(tǒng)分析。CEP系統(tǒng)對送來的心電數(shù)據(jù)分析后找出異常心跳，對嚴(yán)重的異常心跳進行報警。并將異常心跳的表現(xiàn)與病人的病歷與病人過去的心跳歷史數(shù)據(jù)進行比對，給出針對每個病人的輔助預(yù)診斷，幫助醫(yī)生更好的掌握病人的情況［1］。

針對以上的分析，基于CEP 的ECG 實時監(jiān)測分析系統(tǒng)可以有效的對ECG 信號進行處理，識別出非正常心跳的事件，與病人的病歷等信息進行比對并給出預(yù)診斷信息。對于幫助普通的病人了解自己的身體狀況并及時作出就醫(yī)的決定提供支持。圖1描述了基于CEP的ECG 實時監(jiān)測分析系統(tǒng)的系統(tǒng)框架。

圖1 基于CEP的ECG 實時監(jiān)測分析系統(tǒng)的系統(tǒng)框架

該系統(tǒng)由ECG 信號獲取模塊，信號處理識別模塊，ECG 基本事件生成模塊，模式識別模塊，歷史數(shù)據(jù)比對模塊，異常心跳報警和預(yù)診斷模塊。下面將分別對系統(tǒng)的主要功能模塊及相關(guān)技術(shù)進行介紹。

1.1 ECG 探測模塊

ECG 信號獲取由心電監(jiān)護儀、便攜式心電儀等完成，這些信號通過藍(lán)牙傳輸?shù)绞謾C或pc，在手機端或pc端進行ECG 的探測，為了節(jié)省帶寬并不會將360HZ的心電信號實時傳輸?shù)椒?wù)器端，而是由手機端或pc端的程序探測出每個心跳的特征信息后并壓縮后，以每分鐘或更長一個周期上傳一次這個周期的ECG 特征信號到服務(wù)器端進行處理；如果在終端的探測中發(fā)現(xiàn)非正常心跳則立刻傳輸現(xiàn)有的這個周期內(nèi)的ECG 壓縮數(shù)據(jù)到服務(wù)器端進行分析。

ECG 探測模塊主要由以下3步驟構(gòu)成：

1.1.1 信號預(yù)處理

對于ECG 信號的識別率有著重要影響的是ECG 錄制的質(zhì)量，通常實際得到的心電信號是有著各種各樣的干擾和漂移的，所以對于信號進行預(yù)處理是很有必要的行為。ECG 信號有兩個重要的干擾源，一個是50Hz／60Hz及其諧波的工頻干擾；另一個是小于1Hz的些基線漂移。首先使用小波變換來去除工頻干擾并針對基線漂移問題，選用多項式擬合 （polynomial fitting）來調(diào)整基線。

1.1.2 信號QRS波群檢測

由于是對實時數(shù)據(jù)進行分析，所以無法對完整的心率記錄的特征進行提取，故使用一種動態(tài)閥值檢測方法，對實時傳輸過來的數(shù)據(jù)進行逐點方差、逐點平方，信號幅度逐點平方等操作，是的輸出后的數(shù)據(jù)都有為正，且非線性的放大了微分輸出的信號，吐出來新高的高頻部分，更加突出了R 峰，并減少了T 波引起的假陽性；在有R 峰做移動窗口的積分，抽取出R 波的其他信息，如斜率、寬度、以及提高QRS綜合波檢測的準(zhǔn)確率［2］。

1.1.3 P、T 波檢測

通過對QRS 波群的檢測，以及RR 間隔的計算，可以很容易的大致計算出一個完整心跳的窗口期，并分析出這個窗口期中，QRS波群前，后的信號從中試圖找到這個心跳對應(yīng)的P，T 波位置和其他信息；但并非所有的P，T 信號都可以被用這樣的方式識別出來，諸如心動過速，震顫，以及其他的P、T 波與其他波重疊的情況就難以被加以識別了，但是通常，P、T 波無法識別也能成為一種信號，也可以用來對異常心電做判斷。

此模塊是系統(tǒng)對心跳類型分析準(zhǔn)確性的基石，起著至關(guān)重要的作用。

1.2 心跳識別模塊

ECG 基本事件生成模塊將心跳的基本信息制成基本事件發(fā)往CEP，并將心電數(shù)據(jù)壓縮存入歷史數(shù)據(jù)庫以備以后查找；CEP在接收到傳來的心跳事件以后將進行模式匹配，將每一個心跳的所有基本事件作為歷史數(shù)據(jù)存入數(shù)據(jù)庫，如果符合異常心跳的特征將會把異常心跳的特征存入異常特征數(shù)據(jù)庫以備稍后預(yù)診斷模塊進行調(diào)用。

心跳事件構(gòu)成：從心電監(jiān)護儀等中所讀取出的數(shù)據(jù)在進行預(yù)處理和識別后，QRS波群及T 波的詳細(xì)信息作為基本事件，基本事件僅僅是能夠反映實時探測到的當(dāng)前心跳的一些參數(shù)，盡管它也能提供許多相關(guān)的細(xì)節(jié)信息，但是這些信息與要自動探測到心跳異常的目標(biāo)還有很大的距離，無法表達(dá)一個完整的含義。因此需要將基本事件聚合成一個個具備實際醫(yī)學(xué)含義的復(fù)雜事件。下面是對事件的基本描述［3］。

基本事件 （base events）

Base name

on source＿list

schema attribute list

每一個基本事件都有一個唯一可用的名字，這里由病人Uid＋BeatPart＋BeatID 組成。來源列表表明ECG 信號源來自于移動設(shè)備還是心電監(jiān)護儀，以及設(shè)備號；還有病歷數(shù)據(jù)庫名表明病歷存儲的位置。屬性列表包括：ecg＿id是表明是哪一條導(dǎo)聯(lián)的信息；Beat＿ID 用于標(biāo)記是哪一個心跳的屬性事件；strat＿time and end＿time表示事件的開始時間和結(jié)束事件，如果事件沒有持續(xù)的時間end＿time可以為空。

以下是一個基本事件的舉例：表示用戶001 的35032個心跳QRS波群情況 （人的心跳按每分鐘200次連續(xù)跳24小時計算，每日心跳總數(shù)不會超過30 萬次，所以每日24點后將BeatID 清零，以日期加以區(qū)分），ECG 來源是移動端Mob004的心電監(jiān)控。病人有病歷和歷史數(shù)據(jù)在His1；QRS波群的波峰是1.54V，跨度是0.11秒，與前波距離為0.82秒，日期為13年7月9日。

Base 001＿QRS＿35032 on Mob：004，DB：His1 schema Peak：1.54，Interval：0.11，RR：0.82，D：13.7.9

復(fù)雜事件 （Complex Events）

Complex name

on source＿list

schema attribute list

subevent event expression

where constraint list

與基本事件相比多了subevent子事件和constraint list約束條件，復(fù)雜事件是有多個子事件和其約束關(guān)系構(gòu)成的。復(fù)雜事件主要用來表示一些特有的非正常心率事件，如VT室性心動過速、室性二聯(lián)律、室性三聯(lián)律等。

1.3 預(yù)診斷模塊

當(dāng)心跳識別模塊識別出非正常心率之后，會啟動混合查詢，同時對歷史ECG 數(shù)據(jù)、異常心率模式庫、病歷查詢并與實時ECG情況比對。［4］當(dāng)對比找到病人的病歷中與之相關(guān)的部分，且有高危險等級時向報警模塊傳輸異常心跳警報和預(yù)診斷信息，報警模塊會對病人病歷設(shè)定的醫(yī)師和病人家屬發(fā)送警報或求救信息，待他人收到信息進行救治［1］。

2 ECG 探測算法

針對CEP系統(tǒng)需要將心跳的基本信息細(xì)節(jié)從幾百個樣本點的電壓值壓縮成對每個心跳的基本數(shù)據(jù)信息，ECG 探測算法的主要描述如下［5］。

（1）整個實時監(jiān)測的算法都建立在一個大小為1000個樣本點的窗口中，隨著新的信號輸入，老的樣本點移出窗口。

（2）將預(yù)處理過的信號進行滑動平均值處理，11個樣本點的滑動窗口取平均

（3）動態(tài)閥值THR1等于滑動窗口中樣本點的平均值與樣本均值的和來過濾掉低于閥值的信號部分［6］（4）動態(tài)閥值THR2等于滑動窗口中樣本點的平均值與樣本均值的之差來過濾掉高于閥值的信號部分

（5）對比第 （3）步與第 （4）步中產(chǎn)生的非零區(qū)間的間隔，當(dāng)間隔非零區(qū)間小于50個樣本點時，將相鄰的后面一個非零區(qū)間置零，并將 （3）步與 （4）步中的結(jié)果合并。

（6）第 （5）步處理之后的部分都是在QRS 波群內(nèi)，找到波峰中最值點作為R 峰的點。

（7）在第 （4）步處理后，如果非零區(qū)間在滑動窗口邊緣沒有回落，則視作QRS波群可能沒有達(dá)到最高點，既第（6）步所找到的最新一個R 峰值可能存在誤差，將第 （7）步所分析出的最新一個R 峰值標(biāo)記。

（8）若第 （4）步處理后的非零區(qū)間在窗口邊緣已經(jīng)回落，則再執(zhí)行一次第 （6）步將新的結(jié)果對比滑動窗口中已經(jīng)找到的R 峰位置從而確定最新的一個R 峰的位置。

（9）計算第5步處理后不為零的區(qū)間邊緣的兩個大小為20樣本區(qū)間內(nèi)找出二階導(dǎo)數(shù)的正負(fù)號改變的樣本點作為R 波的區(qū)間。

（10）通過前后兩個RR 區(qū)間的算出中間這個完整心跳的區(qū)間，并對QRS波群前后的窗口進行分析，找出滿足次閥值THR3的區(qū)間來作為P，T 波的區(qū)間進行分析。

（11）將每個心跳區(qū)間內(nèi)的QRS波群、P波、T 波 （如果P波、T 波可探測）的詳細(xì)數(shù)據(jù)，如間隔時間，峰值，起始結(jié)束的樣本點位置信息保存并發(fā)給識別模塊。

本算法針對MIT－BIH 心電數(shù)據(jù)集的識別情況見表1。

3 系統(tǒng)驗證

3.1 驗證環(huán)境

PC機個數(shù)為1臺，配置如下：

Core 2E7500 2.93，8GB 內(nèi)存，320GB 硬盤，所使用的操作系統(tǒng)為：WINDOWS 7 64bit。

使用軟件，MATLAB、NEsper、Mysql。

數(shù)據(jù)集采用的是MIT－BIH 的48組心率記錄。

表1 MIT 數(shù)據(jù)庫QRS波群檢測結(jié)果

3.2 驗證方法及結(jié)果

3.2.1 心動過速種類分析

在醫(yī)學(xué)上，心動過速的概念為成人每分鐘心率超過100次以上者統(tǒng)稱為心動過速，但是實際心動過速的原因有多種，如竇性心動過速、房性心動過速、交界區(qū)心動過速、室性心動過速 （ventricular tachycardia，VT）等，各種心動過速的成因和治療應(yīng)對方式是不同的，利用CEP技術(shù)可以實現(xiàn)實時或準(zhǔn)實時分析并區(qū)分不正常心率，如心動過速的種類在臨床上對救治病人是十分有益的［7］。

例如竇性心動過速主要為正常人運動和情緒激動引起，病理性引起為低血壓，出血，病痛等；房性心動過速分為MAT 和PAT 兩類，正常人可能是由于過度飲用咖啡因或興奮劑，大麻等導(dǎo)致以及原發(fā)性原發(fā)性心臟病，心肌梗死，心肌病，先天性心臟病，wpw 綜合征和心臟瓣膜病等；交界區(qū)心動過速主要常見的是地高辛中毒原因；室性心動過速 （ventricular tachycardia，VT）主要是由于心急的應(yīng)激性增加所致，其他，心肌缺血，心肌梗死，冠心病，瓣膜性心臟病，心力衰竭，心肌病，電解質(zhì)紊亂，低鉀血癥，臨床意義，由于其不可預(yù)知性和潛在的致命性作用，室性心動過速的臨床意義重大。當(dāng)這種心率失常出現(xiàn)時，心室充盈時間減少，心搏量銳減，病人可能很快惡化為心室顫動和完全性血管性虛脫［8］。

以室性心動過速的識別為例，如圖2 所示，用事件探測樹來表示非正常心跳的復(fù)雜事件。矩形表示基本事件，既P波，QRS波群及T 波的特征值。若P波、T 波與其他波／波群重疊則不可測，則無此基本事件；橢圓形代表一個復(fù)雜事件，同時復(fù)雜事件和基本事件可以再構(gòu)成更高層次的復(fù)雜事件，3個或3個以上的連續(xù)心跳的RR 期間算得的瞬時心率范圍100～250／min、QRS 波群期間＞0.12s、T波與QRS波群方向相反以及連續(xù)3個或3個以上室性早搏事件構(gòu)成室性心動過速事件［9］。

通過對心動過速類型的識別，可以及時的在病人發(fā)生這類心臟異常心跳時，實時的在歷史數(shù)據(jù)中進行數(shù)據(jù)比對，找到病人上次發(fā)生此類異常心跳時的病因及醫(yī)生處理方案，進行報警并將上次的處理方案一并告知醫(yī)護人員。

圖2 室性心動過速事件構(gòu)成

3.2.2 對室性異常心率的識別驗證

實驗將監(jiān)測分析MIT 心跳中出現(xiàn)的室性異常心率。

圖2所示的室性心動過速；圖3 所示的連續(xù)3 次或3次以上的在一個正常心率后發(fā)生一次室性早搏，被稱為室性二聯(lián)律；同理，室性三聯(lián)律是連續(xù)3次或3次以上的在兩次正常心跳后發(fā)生一次室性早搏。

圖3 室性二聯(lián)律

3.2.3 實驗結(jié)果

為了驗證CEP 技術(shù)在心跳監(jiān)測分析中的作用，針對MIT－BIH 的心跳記錄進行實驗后得到以下實驗結(jié)果，對記錄號為200，208，223的記錄分別統(tǒng)計了異常室性心跳的發(fā)生次數(shù)，見表2。從表2中可以看出，200號心率記錄中存在有室性早搏826次，系統(tǒng)識別為719 次，其中二聯(lián)律發(fā)生的次數(shù)71 次，實際識別63 次，室性心動過速7 次，實際識別6 次。3 組記錄的平均識別率都分別高于85%，實驗結(jié)果很好的說明了CEP技術(shù)的適用性。

表2 室性異常心率識別統(tǒng)計

4 結(jié)束語

本系統(tǒng)主要是利用了CEP 技術(shù)將其應(yīng)用到ECG 監(jiān)測分析當(dāng)中，很好的解決ECG 實時檢測和實時分析沒有辦法共同完成的臨床應(yīng)用問題。本系統(tǒng)即可以應(yīng)用在醫(yī)院系統(tǒng)幫助醫(yī)生更好的掌握病人的狀況，也可適用于想了解并監(jiān)控自己心電情況的個人用戶。本系統(tǒng)現(xiàn)可以對多種室性和房性的早搏、心動過速等情況進行有效檢測。系統(tǒng)的識別準(zhǔn)確率直接取決于ECG 檢測算法的精確度，對于起搏器與正常心跳融合的心跳，以及不正常心跳中P，T 波的檢測還不夠完善，是需要改進的部分；今后的工作將重點放在實時數(shù)據(jù)與歷史數(shù)據(jù)的混合連續(xù)分析部分，使得系統(tǒng)能夠最終完善。

［1］Nihal Dindar，Peter M Fischer.Effciently correlating complex events over live and archived data streams［C］／／International Conference on Distributed Event－Based System，2011.

［2］Mohamed Elgendi，Sivaram Mahalingam.Robust QRS complex detection algorithm using dynamic thresholds ［C］／／Proceedings of the International Symposium on Computer Science and its Applications，2008：153－158.

［3］Mert Akdere.Plan－based complex event detection across distributed sources［J］.Proceedings of the VLDB Endowment，2008（1）：66－77.

［4］Magdalena Balazinska，YongChul Kwon.Moirae：History－enhanced monitoring ［C］／／Third Biennial Conference on Innovative Data Systems Research，2007.

［5］Gari D Clifford.Advanced methods and tools for ECG data analysis［M］.London：Artech House，2006.

［6］Peng Qiu，Ray Liu K J.A robust method for QRS detection based on modified P－spectrum ［C］／／IEEE International Conference on Acoustics，Speech and Signal Processing，2008：501－504.

［7］Mohammed Omar Ahmed Omar.Application of the empirical mode decomposition th ECG and HRV signals for congestive heart failure classification ［C］／／ Middle East Conference on Biomedical Engineering，2011：392－395.

［8］John R Hampton.The ECG made easy ［M］.Churchill Livingstone，2008：67－77.

［9］Rodrigo V Andreao.ECG signal analysis through hidden markov［J］.Biomedical Engineering，2006，53 （8）：1541－1549.

［10］Mo Liu，Ming Li.Sequence pattern query processing over out－oforder event streams［C］／／IEEE 25th International Conference on Data Engineering，2009：784－795.