一種基于融合特征的心肌梗死心電自動判讀方法

薛淵元,李朵,宋江玲,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)

1 引言

心肌梗死(Myocardial Infarction,MI),簡稱心梗,是由冠狀動脈急性或持續(xù)性缺血缺氧引起的一種常見的心律失常疾病[1].臨床表現(xiàn)為持續(xù)性胸痛、呼吸急促、大汗、乏力和發(fā)熱等,嚴重者可伴有心力衰竭、昏厥和休克等癥狀.心肌梗死發(fā)作后,如果未能在90分鐘內(nèi)得到及時有效的治療,患者心臟的冠狀動脈出現(xiàn)血栓堵死現(xiàn)象,心肌細胞將會因缺血發(fā)生大面積壞死,從而引發(fā)不可逆性的損傷,嚴重者可能會導(dǎo)致心室顫動、房室傳導(dǎo)阻滯、心室游離壁破裂和心源性休克等并發(fā)癥,甚至死亡.因此,對于心肌梗死的及時、準確診斷是至關(guān)重要的.

心電圖(Electrocardiogram,ECG)是反映人體心臟電信號變化的連續(xù)曲線,可以表征人體心臟的綜合狀態(tài),是臨床上診斷心肌梗死的首要篩查手段[2].心肌梗死在心電圖上(MI-ECG)的特異性表現(xiàn)主要有:①ST-T改變,即ST段異常抬高或壓低;②出現(xiàn)T波高尖、低平、雙相變化和倒置等異常T波;③出現(xiàn)病理性Q波,Q波表現(xiàn)為“寬而深”,即Q波時限大于等于0.04s,Q波幅值大于同導(dǎo)聯(lián)R波的1/4(如圖1(b)所示)[3-4].鑒于心電圖采集便捷、操作簡單、具有可連續(xù)監(jiān)測等特點,以MI-ECG為數(shù)據(jù)源,采用機器學(xué)習(xí)方法挖掘MI-ECG中的特異性特征并據(jù)此實現(xiàn)MI-ECG的自動判讀,顯然對于心肌梗死的及時確診具有重要的臨床意義和現(xiàn)實價值.

圖1 心電信號示例

關(guān)于MI-ECG自動判讀的研究主要聚焦于如何刻畫心肌梗死發(fā)作時在心電信號中的特異性表現(xiàn).在時域分析方面,文獻[5]針對心肌梗死心電信號中ST段特異性變化,提取了ST-T段偏斜度對心肌梗死心電進行識別.文獻[6]提取了T波時限、T波偏斜度等刻畫T波異常的特征,并結(jié)合SVM算法實現(xiàn)心肌梗死和正常心電信號的分類.文獻[7]通過提取QRS波群的面積、偏斜度等特征用以描述心肌梗死發(fā)作時Q波的異常表現(xiàn).此外,文獻[8]利用多項式擬合法對心電信號進行擬合,并以擬合曲線的多項式系數(shù)作為特征,結(jié)合J48決策樹、隨機森林、Kstar和樸素貝葉斯等分類算法區(qū)分正常和心肌梗死心電信號.在信號復(fù)雜度分析方面,文獻[9]利用平穩(wěn)小波變換對II、III和avF導(dǎo)聯(lián)心電信號進行分解,并提取了樣本熵、對數(shù)能量熵和歸一化子帶能量等刻畫信號復(fù)雜度的特征,用于實現(xiàn)心肌梗死心電的自動判讀.文獻[10]提取了信號能量、Shannon熵和Renyi熵等特征,結(jié)合統(tǒng)計學(xué)離群點剔除法提出兩級SVM分類算法,對心肌梗死心電信號進行有效判讀.

由于心肌梗死發(fā)作時在心電信號中的異常表現(xiàn)復(fù)雜多樣且具有明顯的個體異質(zhì)性,因此設(shè)計一種多特征融合方法,顯然是提高MI-ECG自動判讀準確率的有效途徑.基于此,本文提出一種新的基于融合特征的心肌梗死心電自動判讀方法.首先,對原始MI-ECG信號進行去噪預(yù)處理;其次,對去噪后的心電信號進行QRS波群和T波的特征波定位;在此基礎(chǔ)上,進一步針對心肌梗死發(fā)作時MI-ECG信號的三種異常表現(xiàn),分別提取特征并進行特征級融合;最后,結(jié)合輕量梯度提升算法完成MI-ECG的自動判讀,并在PTB數(shù)據(jù)庫上驗證所提方法的有效性.

2 方法

2.1 心電去噪

心電信號在采集過程中易受到噪聲干擾,主要包括基線漂移、工頻干擾和肌電干擾[11].其中基線漂移是人體呼吸、電極片移動等所引起的低頻噪聲,頻率小于1Hz;工頻干擾是由電力系統(tǒng)引起的一種干擾,頻率為50/60Hz;肌電干擾是由于人體肌肉顫動所引起的噪聲,頻率為5-2000Hz.

本文采用小波變換和軟閾值法對原始心電信號進行去噪[12],選取coif5函數(shù)為基小波,并設(shè)置分解層數(shù)為9.圖2展示了一條時長為8s的心電信號片段去噪前后對比.

圖2 心電信號去噪效果

2.2 特征波定位算法

QRS波群是心電圖中最主要的波群之一,其中病理性Q波的出現(xiàn)、ST-T段和T波異常是心肌梗死發(fā)作時典型表現(xiàn).而Q波和S波的定位依賴于R波的定位,因此,本小節(jié)聚焦于QRS波群、T波及其起止點的準確定位算法.

給定去噪后的心電信號為X={X(1),X(2),···,X(N)},其中 N 為樣本點數(shù),采樣率為fs.

2.2.1 QRS波群定位

利用文獻 [13]的波形檢測方法對 QRS波群峰值點進行檢測,得到 R峰序列 R={R(1),R(2),···,R(m)},S 峰序列 S={S(1),S(2),···,S(m)},以及 Q 峰序列 Q={Q(1),Q(2),···,Q(m)}.

計算RR間期序列,記為

其中RR(i)=R(i+1)-R(i).

2.2.2 T波定位

T波異常變化是診斷心肌梗死發(fā)作最顯著的指征,而刻畫T波異常的特征分類性能好壞在一定程度上依賴于T峰和T波終點的定位是否準確.基于此,本小節(jié)提出一種新的T峰和T波起點/終點的準確定位算法,具體過程可總結(jié)為如下算法(T波定位算法):

步驟1:T波峰值點定位

首先,以R峰為基點,向后進行搜索區(qū)間為WT=[Rv+0.15×fs,Rv+0.15×fs+50]的加窗搜索,其中Rv為R峰位置點,fs為采樣率,以此獲得預(yù)選T波段序列.

其次,計算預(yù)選T波段的黎曼和分別為ST0i:

其中,k為所述心電片段中劃分的子區(qū)間數(shù),這里取樣本點個數(shù),ΔXTj為預(yù)選T波段對應(yīng)的心電片段序列第j個子區(qū)間的長度,FTj為其對應(yīng)的幅值.若ST0i＞0,則T波為正向波;若ST0i＜0,則T波為倒置波.

最后,以R峰為起點,向后進行窗寬為v1的加窗處理,通過極大(小)值法,得到T峰的位置,其中v1=2/3*RR,得到的正向T峰序列記為

倒置 T 峰序列記為 T2={T2(1),T2(2),···,T2(m)}.

步驟2:T波起點/終點定位

首先,以 T峰為起始點,向心電信號采樣方向相同的方向 (向后)進行窗寬為 v2的加窗處理,在每一個窗內(nèi)通過求導(dǎo)法,得到候選的 T波終點,其中 v2=150ms,得到的候選正向 T波終點序列記作 T1e0={T1e0(i)}和候選倒置 T波終點記作 T2e0={T2e0(i)},其中 i=1,2,···,m.

其次,判斷候選T波終點是否存在誤檢,并對誤檢T波終點進行修正.計算候選T波終點與T峰之間的水平距離,記作d={di|di=Te0(i)-T(i)},其中i=1,2,···,m.

若di＜THR,其中THR為誤檢的閾值,根據(jù)T波時長特點得到,單位為位置點數(shù),則說明候選T波終點存在誤檢.那么以T(i)為起始點,向后進行二次加窗處理,在每一個窗內(nèi)通過求導(dǎo)法檢測拐點,記作kij,j=1,2,···,K,K 為檢測到的拐點個數(shù),并計算其對應(yīng)的幅值.計算二次加窗得到的拐點與T峰之間的水平距離為dij=kij-T(i),其中j=1,2,···,K,如果T波為正向波(倒置波),則將窗內(nèi)dij＞THR,且幅值最小(大)的拐點作為第i個T波終點修正后的位置點.

若di≥THR,則以候選T波終點為最終的T波終點.

最后,重復(fù)執(zhí)行上述步驟,直至得到最終的T波終點序列,記作

其中 i=1,2,···,m.

利用上述方法,向心電信號采樣方向相反的方向進行加窗,準確定位T波起點位置.

2.3 MI-ECG的自動判讀方法

在臨床中,心肌梗死發(fā)作時在心電圖上主要表現(xiàn)為Q波、ST-T段和T波異常.基于此,本小節(jié)從非線性和時域角度提取5個特征并將其融合,以此更全面地刻畫心肌梗死發(fā)作時的3個典型異常表現(xiàn).

大斑病、小斑病是玉米種植中最為常見的兩種病害，主要病害部位是葉鞘和苞葉，在病情嚴重的時候，果穗也會被波及，最初病斑呈現(xiàn)水浸狀，之后會逐漸變成青灰色，接著會呈現(xiàn)褐色，直至玉米植株枯死。針對這種病害，可以選擇抗病性強的玉米品種，及時消除越冬病菌，減少發(fā)病幾率。

2.3.1 特征提取

心率變異性(heart rate variability,HRV)是指竇性心律周期性改變現(xiàn)象,是評價心臟自主神經(jīng)功能的一種定量指標[14].計算RR間期的標準差作為刻畫心肌梗死心電信號心率變異性的特征:

其中,RR={RR(i),i=1,2,···,m-1},RR(i)=R(i+1)-R(i).

T波高聳或低平通常出現(xiàn)在 MI-ECG中,當 T波幅值小于同導(dǎo)聯(lián) R波幅值的1/10,稱之為T波低平;當以R波為主的肢體導(dǎo)聯(lián)T波幅值大于0.6mV,胸導(dǎo)聯(lián)大于1.0 mV時,稱之為T波高聳.因此,提取TR幅值比用于刻畫T波幅值異常,其表達式為:

其中,i=1,2,···,m,fT和fR分別是T波幅值和R波的幅值.

取TR幅值比的均值作為特征,記作MDTR.

T波倒置是心肌梗死最典型的特征之一,可通過計算R波和T波的幅值的乘積得到,記為

若FT＜0,則表示T波方向與R波方向相反,即存在T波倒置,將其記為1;反之,記為0.

進而,不受心率變異影響的QT間期離散度可表示為

其中,QTcd(i)=QTcmax(i)-QTcmin(i),QTcmax為校正QT間期最大值,QTcmin為校正QT間期最小值.

取QT間期離散度的均值作為特征,記作MDQT.樣本熵是由文獻[6]提出的一種反映時間序列復(fù)雜度的方法[16].

對于給定的樣本點數(shù)為N的時間序列x,其樣本熵計算方法如下:

從給定的時間序列中提取N-m個長度為m的子序列,記作

綜合上述特征,稱

為本文所提取的MI-ECG融合特征.

2.3.2 MI-ECG 自動判讀方法

對于預(yù)處理后的MI-ECG數(shù)據(jù),基于上述所提出的方法進行特征提取,并結(jié)合輕量梯度提升算法(Light Gradient Boosting Machine,LingtGBM)[17]完成MI-ECG的自動判讀.具體流程如圖3所示.

圖3 MI-ECG自動判讀算法流程圖

3 數(shù)值實驗結(jié)果分析

3.1 實驗數(shù)據(jù)

本文使用的心電信號均來源于德國國家計量研究所PTB診斷數(shù)據(jù)庫[18],該數(shù)據(jù)庫共包含來自290位受試者的549條記錄,每條記錄包含常規(guī)12導(dǎo)聯(lián)和3個Frank導(dǎo)聯(lián),采樣率為1000Hz,分辨率為16bit.其中心肌梗死患者148例(368條記錄),健康受試者52例(80條記錄).本小節(jié)選取80條健康受試者心電記錄和160條心肌梗死心電記錄進行數(shù)值實驗,所有實驗通過Matlab 2020b和Python 3.7進行實現(xiàn).

數(shù)值實驗中,隨機選取70%的數(shù)據(jù)作為訓(xùn)練集,其余30%作為測試集.為了降低隨機劃分所導(dǎo)致的訓(xùn)練集和測試集中不同類數(shù)據(jù)點的不均衡,實驗執(zhí)行10次,并取10次實驗的平均結(jié)果作為最終分類性能的度量.

3.2 實驗結(jié)果與分析

3.2.1 T波定位結(jié)果分析

在T波檢測過程中,以R峰為起點,向后進行窗寬為v1=*RR,檢測窗內(nèi)極大(小)值點,并將其作為T波峰的位置點,結(jié)果如圖4所示,分別展示了正常和T波倒置、低平、高聳等不同異常T波的檢測結(jié)果.在T波終點修正過程中,結(jié)合T波時長特點[19],設(shè)置窗寬v2=150(即0.15s),閾值THR=80(即0.08s).修正后T波終點位置如圖4中寶藍色星形所示.

圖4 T波檢測結(jié)果

3.2.2 MI-ECG 融合特征的性能分析

圖5展示了本文所提取的心率變異性指標 SDNN、TR幅值比、T波倒置指標、QT間期離散度、樣本熵以及融合所有特征的ROC曲線,從圖中可以看出,融合特征在MI-ECG的自動判讀中性能表現(xiàn)更為良好,優(yōu)于從單一角度考慮的特征.

圖5 不同特征的ROC曲線

3.2.3 MI-ECG 自動判讀的結(jié)果分析

本文采用準確率Acc、敏感性Sen和特異性Spe作為評估算法性能的度量指標,分別表示如下:

其中,TP(true positive)為真陽性,表示實際為心肌梗死心電且被正確檢測為心肌梗死心電;TN(true negative)為真陰性,表示實際為正常心電且被正確檢測為正常心電;FP(false positive)為假陽性,表示實際為正常心電但被錯誤檢測為心肌梗死心電;FN(false negative)為假陰性,表示實際為心肌梗死心電但被錯誤檢測為正常心電.

表1展示了本文方法與已有方法在PTB診斷數(shù)據(jù)庫中實現(xiàn)MI-ECG自動判讀的性能比較.從表中可以看出,本文所提方法平均準確率、敏感性和特異性優(yōu)于其他已有方法,分別為97.74%,98.32%和96.40%.

表1 本文方法與已有方法性能對比

4 總結(jié)

本文提出了一種新的基于融合特征的 MI-ECG自動判讀方法.首先,利用小波變換和軟閾值法對原始心電信號進行去噪處理;其次,對去噪后的信號進行QRS波群和T波的定位,進而計算RR間期、R波幅值和 T波幅值;然后,提取心率變異性指標SDNN、TR幅值比、QT間期離散度、T波倒置指標和樣本熵等特征并將其融合;最后,結(jié)合 PTB診斷數(shù)據(jù)庫中心肌梗死心電數(shù)據(jù),利用輕量梯度提升算法實現(xiàn)MI-ECG的自動判讀.數(shù)值實驗結(jié)果表明,本文所提方法在MI-ECG自動判讀中具有可行性且性能表現(xiàn)良好,能夠為輔助醫(yī)生快速完成心肌梗死臨床診斷提供有效指導(dǎo),從而提高心肌梗死的診斷效率和準確率.