一種新的房顫心電融合特征提取方法

韋杰英，王 迪，孫亞楠，張 瑞

(西北大學(xué) 醫(yī)學(xué)大數(shù)據(jù)研究中心, 陜西 西安 710127)

心房顫動(dòng)(atrial fibrillation, AF),簡(jiǎn)稱(chēng)房顫,是臨床上最常見(jiàn)的心律失常之一[4]。房顫發(fā)作時(shí),心房肌喪失正常有規(guī)律的舒縮活動(dòng),代之以快速、不協(xié)調(diào)的微弱蠕動(dòng)的房顫波(即心房產(chǎn)生每分鐘350～600次不規(guī)則的沖動(dòng)),致使心房失去正常的有效收縮。其臨床表現(xiàn)為心慌氣喘、眩暈和心絞痛,嚴(yán)重時(shí)會(huì)引發(fā)昏厥、心力衰竭、休克等癥狀。隨著世界人口的日益老齡化,我國(guó)近70%的房顫發(fā)生在65～80歲的人群中,80歲以上人群的房顫發(fā)病率高達(dá)5%～15%[4]。

心電圖 (electrocardiogram, ECG)記錄了心臟活動(dòng)時(shí)心肌細(xì)胞激動(dòng)產(chǎn)生的生物電信號(hào)(即心電信號(hào)),其中蘊(yùn)含大量的生理病理信息,對(duì)房顫的診斷和治療具有重要價(jià)值。圖1顯示了一個(gè)正常的心跳周期,其中P波表示心房的除極化過(guò)程,QRS波群表示心室的除極化過(guò)程,T波表示心室的復(fù)極化過(guò)程。房顫在心電圖上的表征主要為:①P波缺失,代之以連續(xù)、快速、大小不等、形態(tài)不一的房顫波(f波),其頻率為350～600次/分;②RR間期絕對(duì)不規(guī)則(見(jiàn)圖2)。

圖1 一個(gè)正常心動(dòng)周期的心電圖波形Fig.1 A normal cycle of ECG

按照發(fā)作持續(xù)時(shí)間可以將房顫分為陣發(fā)性房顫、持續(xù)性房顫和永久性房顫。其中,陣發(fā)性房顫的發(fā)作具有突發(fā)性、反復(fù)性且發(fā)作時(shí)間短等特點(diǎn),因而臨床上往往難以及時(shí)捕捉到房顫心電而造成誤診漏診等現(xiàn)象。如果陣發(fā)性房顫不能及時(shí)得到診斷與治療,則會(huì)進(jìn)一步發(fā)展成為持續(xù)性房顫或永久性房顫,甚至誘使腦卒中等高危性疾病,嚴(yán)重危害人們的身體健康[5]。傳統(tǒng)的陣發(fā)性房顫?rùn)z測(cè)往往需要專(zhuān)業(yè)醫(yī)師對(duì)長(zhǎng)時(shí)程連續(xù)心電進(jìn)行視覺(jué)上的判讀,這一過(guò)程不僅耗時(shí),也極度依賴(lài)于個(gè)人經(jīng)驗(yàn)。此外,有限數(shù)量的專(zhuān)業(yè)醫(yī)師也是臨床上難以實(shí)現(xiàn)及時(shí)監(jiān)測(cè)與診斷的一個(gè)重要因素。因此,展開(kāi)陣發(fā)性房顫自動(dòng)檢測(cè)的研究具有十分重要的臨床意義,其中有效的房顫心電特征提取則是實(shí)現(xiàn)自動(dòng)檢測(cè)的關(guān)鍵步驟。

圖2 竇性心律與房顫心電圖示例Fig.2 ECG example of sinus rhythm and atrial fibrillation

在已有的房顫心電特征提取研究中,最具代表性的一類(lèi)方法是基于RR間期的不規(guī)則性來(lái)提取房顫心電特征。文獻(xiàn)[17]刻畫(huà)了RR間期的龐加萊散點(diǎn)圖,并指出竇性心律的散點(diǎn)主要集中在直線y=x上,而房顫心電的散點(diǎn)則分布散亂。Moody和Mark在文獻(xiàn) [18]中構(gòu)建了一個(gè)RR間期序列的隱馬爾可夫模型,并使用轉(zhuǎn)移概率作為特征來(lái)檢測(cè)房顫。辛怡等人將RR間期進(jìn)行符號(hào)序列編碼,并通過(guò)計(jì)算其信息熵來(lái)刻畫(huà)心臟活動(dòng)的復(fù)雜程度[12]。B.T.Logan等人提取了RR間期序列的統(tǒng)計(jì)特征——RR間期方差,并以此來(lái)刻畫(huà)RR間期變化的程度[9]。另一類(lèi)方法是依賴(lài)于P波缺失這一表現(xiàn)來(lái)提取房顫心電特征。文獻(xiàn)[19]提出將P波的寬度和數(shù)量作為刻畫(huà)P波信息的參數(shù)。Juan Rodenas等人將P波提取出來(lái),并利用其小波熵來(lái)描述心房活動(dòng)的復(fù)雜程度[15]。Andrikopouls G.K.等人提出P波變異性特征來(lái)反映心房傳導(dǎo)的變異程度[6]。由于房顫發(fā)作時(shí)心電圖上的兩個(gè)表現(xiàn)缺一不可,因此學(xué)者們又相繼提出了RR間期與P波相結(jié)合的特征提取方法。Ricardo Couceir等人提出P波模板匹配法檢測(cè)P波,并將KL散度與RR間期轉(zhuǎn)移熵結(jié)合進(jìn)行房顫?rùn)z測(cè)[20]。在文獻(xiàn)[7]中,Kai JIANG等人提出將RR間期分布差曲線的峰值作為刻畫(huà)RR間期分布規(guī)則程度的特征,將PR間期的有效個(gè)數(shù)作為刻畫(huà)P波缺失的特征,最后將兩者結(jié)合作為融合特征。Saeed Babaeizadeh等人提出Philips算法[8],即通過(guò)概率轉(zhuǎn)移矩陣中的概率來(lái)表示兩個(gè)RR間期序列的相似程度,并結(jié)合PR間期的時(shí)間偏差作為房顫心電的特征。

本文將提出一種新的融合RR間期不規(guī)則性與P波缺失的房顫心電特征提取方法。首先,在QRS波群所在頻帶的重構(gòu)信號(hào)上檢測(cè)R峰,并提取RR間期變異系數(shù)與子串長(zhǎng)度概率分布熵來(lái)刻畫(huà)其規(guī)則程度;其次,對(duì)P波所在頻帶的小波系數(shù)繪制T-lag散點(diǎn)圖,并定義置信散度距離和與置信散度指數(shù)來(lái)反映房顫心電在P波頻帶上的異常表現(xiàn)。將上述兩類(lèi)特征融合作為最終所提取的房顫心電特征,再結(jié)合超限學(xué)習(xí)機(jī)(ELM)[2-3]完成陣發(fā)性房顫的自動(dòng)檢測(cè),并在MIT-BIH心房顫動(dòng)數(shù)據(jù)集上驗(yàn)證所提方法的有效性與可行性。

1 方 法

1.1 心電去噪

心電信號(hào)在采集過(guò)程中會(huì)受到各種噪聲的影響,主要包括基線漂移、肌電干擾和工頻干擾。其中基線漂移是由電極移動(dòng)、人體呼吸等低頻干擾所引起,頻率在1Hz以下;肌電干擾是由人體各種肌肉收縮引起的干擾,頻率范圍較廣;工頻干擾是由電力系統(tǒng)引起的一種干擾,頻率為50Hz左右。

首先對(duì)原始心電信號(hào)進(jìn)行離散小波變換去除基線漂移,本文選用sym8函數(shù)為基小波,并設(shè)置分解層數(shù)為7層。其次,采用小波軟閾值去噪算法進(jìn)一步去除工頻干擾和肌電干擾。本文選用db5函數(shù)為基小波,分解層數(shù)為3層。圖3顯示了一個(gè)時(shí)長(zhǎng)為10s的心電信號(hào)片段去噪前后的效果。

圖3 心電信號(hào)去噪效果Fig.3 The performance of ECG denoising

1.2 房顫心電特征提取

1.2.1 基于RR間期不規(guī)則的特征提取方法 時(shí)間序列可以轉(zhuǎn)換為符號(hào)序列,當(dāng)符號(hào)序列中不同長(zhǎng)度子串的發(fā)生概率顯著不一致時(shí),則說(shuō)明該時(shí)間序列出現(xiàn)紊亂。由于熵可以描述一個(gè)系統(tǒng)內(nèi)在的復(fù)雜程度,故可采用子串長(zhǎng)度概率分布熵來(lái)刻畫(huà)時(shí)間序列的規(guī)則程度。變異系數(shù)是衡量時(shí)間序列差異程度的統(tǒng)計(jì)量,可以用來(lái)刻畫(huà)時(shí)間序列的有序程度?；诖?本小節(jié)采用變異系數(shù)與子串長(zhǎng)度概率分布熵來(lái)描述RR間期的規(guī)則程度[10-14,21]。具體過(guò)程可總結(jié)為如下算法I。

算法I(基于RR間期不規(guī)則的特征提取方法):給定去噪后心電信號(hào)S={s(1),s(2),…,s(N)},其中N為樣本點(diǎn)數(shù)。

步驟1對(duì)信號(hào)S作不重疊等長(zhǎng)分段處理,記Si={si(1),si(2),…,si(n)}為第i個(gè)心電片段(i=1,…,Γ,Γ=[n|N])。

步驟4計(jì)算RR間期序列的變異系數(shù)

(1)

并記

F1=[CV1,CV2,…,CVΓ]T。

步驟5計(jì)算RR間期序列的子串長(zhǎng)度概率分布熵。

首先，計(jì)算RRi的一階差分序列:

ΔRRi={ΔRi(j)|Ri(j+1)-Ri(j),

j=1,…,J-1}。

(2)

其次，計(jì)算ΔRRi的符號(hào)時(shí)間序列:

其中

Thr=mean(ΔRRi)。

(3)

最后，計(jì)算符號(hào)時(shí)間序列DsRRi的子串長(zhǎng)度概率分布熵:

PEi=

(4)

Pi(l)=nl/Ki,

(5)

dRi(j)(1-dRi(j+1))],

(6)

其中nl為長(zhǎng)度為l的子串在DsRRi序列中出現(xiàn)的次數(shù),Ki為DsRRi序列中的子串總數(shù)(規(guī)定log0=0)。記

F2=[PE1,PE2,…,PEΓ]T。

1.2.2 基于P波缺失的特征提取方法 龐加萊散點(diǎn)圖[11]是信號(hào)在相空間上的幾何表示,能夠揭示信號(hào)的非線性特征。心電信號(hào)中P波代表了心房活動(dòng),竇性心律時(shí)P波正常,房顫發(fā)作時(shí)P波缺失代之以房顫波。為了刻畫(huà)房顫心電在P波上的異常表現(xiàn),本小節(jié)首先采用小波分析提取P波所在頻帶范圍內(nèi)的小波系數(shù),然后通過(guò)定量描述龐加萊散點(diǎn)圖的特征來(lái)揭示房顫心電的動(dòng)力學(xué)特性。圖4分別展現(xiàn)的是竇性心律心電和房顫心電的散點(diǎn)圖。從圖中可以看出,竇性心律上的散點(diǎn)分布較集中,且向坐標(biāo)軸趨近;而房顫心電上的散點(diǎn)則以原點(diǎn)為中心向四周擴(kuò)散,且分布較之竇性心律更為分散。基于此,本小節(jié)提出兩個(gè)度量指標(biāo),置信散度距離和置信散度指數(shù),并將其作為基于P波缺失的房顫心電特征。具體過(guò)程可總結(jié)為如下算法II。

圖4 P波所在頻帶的小波系數(shù)散點(diǎn)圖Fig.4 The corresponding scatter diagram of wavelet coefficients of sinus rhythm and atrial fibrillation

算法II(基于P波缺失的特征提取方法):給定去噪后心電信號(hào)S={s(1),s(2),…,s(N)},其中N為樣本點(diǎn)數(shù)。

步驟1對(duì)信號(hào)S做不重疊等長(zhǎng)分段處理,記Si={si(1),si(2),…,si(n)}為第i個(gè)心電片段(i=1,…,Γ,Γ=[n|N])。

步驟3繪制Wi的T-lag散點(diǎn)圖。

步驟4在T-lag散點(diǎn)圖上構(gòu)建η%置信圓,并以直線y=x和y=-x為分割線在該圓上劃分A，B，C，D四個(gè)區(qū)域,如圖5所示。

步驟5在η%置信圓內(nèi),分別計(jì)算散點(diǎn)的置信散度距離和ψi1與置信散度指數(shù)ψi2:

其中nA，nB，nC，nD分別為區(qū)域A，B，C，D內(nèi)的散點(diǎn)總數(shù);dA(·)，dC(·)分別為區(qū)域A，C內(nèi)的散點(diǎn)到y(tǒng)軸的距離;dB(·)，dD(·)分別為區(qū)域B，D內(nèi)的散點(diǎn)到x軸的距離。記

F3=[ψ11,ψ21,…,ψΓ1]T,

F4=[ψ12,ψ22,…,ψΓ2]T。

綜合算法I和算法II,稱(chēng)

為本文所提取的房顫心電融合特征。

2 數(shù)值實(shí)驗(yàn)及結(jié)果分析

2.1 心電數(shù)據(jù)

本文使用的心電信號(hào)均來(lái)自于MIT-BIH心房顫動(dòng)數(shù)據(jù)集[1],共包含25個(gè)持續(xù)時(shí)長(zhǎng)為1h的雙導(dǎo)聯(lián)心電記錄,采樣率為250Hz,分辨率為12bit。本小節(jié)選取了6個(gè)陣發(fā)性房顫心電記錄進(jìn)行數(shù)值實(shí)驗(yàn),所有實(shí)驗(yàn)均在Matlab R2015b中運(yùn)行。

2.2 實(shí)驗(yàn)結(jié)果與分析

2.2.1 房顫心電融合特征的性能分析 在特征提取過(guò)程中,對(duì)去噪后的心電信號(hào)進(jìn)行無(wú)重疊等長(zhǎng)分段處理,每個(gè)心電片段長(zhǎng)度為30s。采用品質(zhì)因子為1、冗余度為3的8層可調(diào)品質(zhì)因子小波變換,選取中心頻帶為3.66 Hz，5.49 Hz，8.23 Hz和12.35 Hz的小波系數(shù)繪制10-lag散點(diǎn)圖(見(jiàn)圖4),并選取97%置信圓(見(jiàn)圖5)。此外,在RR間期序列的子串概率分布熵計(jì)算過(guò)程中,選取子串為長(zhǎng)度是1，2，3和4的全為1或全為0的子序列。

圖6展示的是4個(gè)單一特征(即變異系數(shù)、子串長(zhǎng)度概率分布熵、置信散度距離和置信散度指數(shù))以及融合特征的箱線圖。從圖中可以看出,房顫發(fā)作時(shí)4個(gè)單一特征值總體上均高于竇性心律的值;同時(shí),融合特征所表現(xiàn)的差異性最為明顯,這說(shuō)明本文所提取的融合特征性能良好。

2.2.2 融合特征在實(shí)現(xiàn)房顫自動(dòng)檢測(cè)中的性能分析 將上述融合特征作為超限學(xué)習(xí)機(jī)的輸入,最終實(shí)現(xiàn)陣發(fā)性房顫的自動(dòng)檢測(cè),算法流程如圖7所示。

圖5 散點(diǎn)圖的97%的置信圓Fig.5 The 97% confidence circle corresponding to the scatter graph

數(shù)值實(shí)驗(yàn)采用5倍交叉驗(yàn)證,并取100次實(shí)驗(yàn)的平均結(jié)果作為最終分類(lèi)性能的度量。表1列出了準(zhǔn)確率、敏感性以及特異性作為評(píng)估算法優(yōu)劣的度量指標(biāo)[1]。從表1可以看出,本文所提取的融合特征在實(shí)現(xiàn)陣發(fā)性房顫自動(dòng)檢測(cè)中具有良好的性能。表2列出了本文所提方法與已有方法在MIT-BIH房顫數(shù)據(jù)集上的性能比較?？梢钥闯?本文所提方法的檢測(cè)性能整體上優(yōu)于其他方法。

表1 陣發(fā)性房顫自動(dòng)檢測(cè)的性能Tab.1 Performances of the proposed automatic PAF detection method

圖6 提取特征的箱線圖Fig.6 The boxplot of features corresponding to sinus rhythm and atrial fibrillation

作 者特征提取敏感性/%特異性/% 本文RR間期不規(guī)則和P波缺失94.6498.15Couceiro et al[20]RR間期不規(guī)則和P波缺失93.8096.09 Babaeizadeh et al[8]RR間期不規(guī)則和P波缺失91.0096.00 Moody et al[18]RR間期不規(guī)則96.1086.80Logan et al[9]RR間期不規(guī)則96.0089.00 Rodenas et al[15]P波缺失96.4794.19

圖7 陣發(fā)性房顫自動(dòng)檢測(cè)算法流程圖Fig.7 The flow diagramof automatic PAF detection

3 結(jié) 論

本文提出了一種新的房顫心電融合特征提取方法。首先，利用小波變換對(duì)原始心信號(hào)做去噪處理,并進(jìn)行可調(diào)品質(zhì)因子小波變換;其次,對(duì)QRS波群頻帶的重構(gòu)信號(hào)進(jìn)行R峰的自動(dòng)檢測(cè),進(jìn)而計(jì)算RR間期變異系數(shù)與子串長(zhǎng)度概率分布熵;然后繪制P波頻帶范圍內(nèi)小波系數(shù)的T-lag散點(diǎn)圖,計(jì)算其置信散度距離和與置信散度指數(shù);最后，將這4個(gè)特征作為最終提取的房顫心電融合特征,并結(jié)合MIT-BIH心房顫動(dòng)數(shù)據(jù)集與超限學(xué)習(xí)機(jī)完成陣發(fā)性房顫的自動(dòng)檢測(cè)。數(shù)值實(shí)驗(yàn)表明本文所提方法能夠有效地完成房顫心電的識(shí)別,為臨床的監(jiān)測(cè)與診斷提供一定的輔助作用。