張瑞, 王繼斌

(西北大學醫(yī)學大數(shù)據(jù)研究中心, 710127, 西安)

心房顫動(簡稱房顫)是一種較為常見的心律失常疾病[1],按照發(fā)作時長可以分為陣發(fā)性、持續(xù)性、和永久性房顫。由于陣發(fā)性房顫的發(fā)作具有偶發(fā)性及持續(xù)時間短等特點,因此臨床上經(jīng)常會出現(xiàn)難以捕捉到發(fā)作信號而造成漏診的現(xiàn)象,進而威脅患者的健康與生命?；诖?實現(xiàn)陣發(fā)性房顫發(fā)作的及時檢測與識別,具有極為重要的臨床意義和現(xiàn)實意義[2]。心電圖(ECG)是臨床最常用的檢查工具之一,主要用于記錄人體心臟的放電行為。房顫發(fā)作時心電圖通常表現(xiàn)出兩大特征:RR間期絕對不規(guī)則;P波缺失,而代之以連續(xù)、快速、不規(guī)則的房顫波(也稱f波)。傳統(tǒng)的房顫診斷主要由專業(yè)醫(yī)師通過視覺觀察心電圖來完成,但是通過對長時程心電圖的視覺檢測來發(fā)現(xiàn)房顫波是一個非常耗時的過程,而且非常依賴于醫(yī)師的個人經(jīng)驗。因此,開展陣發(fā)性房顫自動檢測的研究已成為近年來的熱點問題[3]。

目前,對陣發(fā)性房顫自動檢測的研究主要是從刻畫心電圖的RR間期絕對不規(guī)則和P波缺失兩方面出發(fā)?；赗R間期的陣發(fā)性房顫檢測算法主要涉及小波變換、統(tǒng)計模型、龐加萊散點圖等方法[4-5];基于P波缺失的陣發(fā)性房顫檢測算法主要有P波變異分析法、TQ間隔法、小波包分析等[6-8]。本文提出一種基于灰度信息度量的陣發(fā)性房顫自動檢測方法。將所提取的融合特征結合超限學習機[9],最終完成陣發(fā)性房顫的自動檢測。

1 方 法

圖1 心電信號小波分解系數(shù)的一階差分散點圖

圖2 心電信號小波分解系數(shù)的灰度直方圖

由于差分圖中的散點呈現(xiàn)出不同程度的重合分布,重合的點越多,亮度越深,單位像素的灰度值越小。在此基礎上,本文采用方差、變異系數(shù)、香農熵來刻畫灰度直方圖的分布情況,分別定義為

(1)

(2)

(3)

圖3 基于灰度信息度量的陣發(fā)性房顫自動檢測算法流程

2 數(shù)值實驗結果與分析

2.1 心電數(shù)據(jù)

本文實驗采用MIT-BIH心房顫動數(shù)據(jù)庫[17]的數(shù)值,該數(shù)據(jù)庫由美國麻省理工學院(MIT)與波士頓貝絲以色列醫(yī)院(BIH)合作建立,是世界上樣本量最大的心電數(shù)據(jù)庫,包含心房顫動、心律失常、ST段改變、噪聲測試等不同數(shù)據(jù)集。本文采用心房顫動數(shù)據(jù)集進行數(shù)值實驗,該數(shù)據(jù)集包含23個陣發(fā)性房顫心電片段,每個片段時長為10 h,采樣頻率為250 Hz,采樣帶寬為0.1～40 Hz,采樣精度為12 bit?！坝涗?4043”中兩段時長5 s的正常心電片段和房顫心電片段如圖4所示。本文所有數(shù)值實驗均在i73.9 GHz CPU和12 GB RAM,以及MATLAB 8.1.0的環(huán)境下運行。

(a)竇性心律

(b)房顫圖4 “記錄04043”心電片段

2.2 實驗結果與分析

由于P波(或f波)所處的信號頻帶范圍均在2～12 Hz內,因而結合采樣率,DWT中的分解層數(shù)設置為4,母小波為db4函數(shù)。圖4中所示兩個心電片段所對應的小波分解系數(shù)和所對應的一階差分散點圖與灰度直方圖如圖5～7所示。由圖6可知,正常竇性心律的散點分布比較集中,而房顫發(fā)作時散點分布相對比較分散。這是由于房顫發(fā)作時,心房失去規(guī)律的伸縮功能,心房活動變得紊亂,心電圖表現(xiàn)出一系列連續(xù)、快速、不規(guī)則的心房顫動波。由圖7可知,正常竇性心律的灰度值變化范圍為0～30,主要集中于20之前;當房顫發(fā)作時,灰度值變化范圍擴展為0～50,且大多都集中于30之前。由此可知,患者在房顫發(fā)作時,灰度級的變化范圍要比未發(fā)作時大一些,這從另一個層面反映出患者心房電活動的無序性。

(a)竇性心律

(b)房顫圖5 “記錄04043”心電片段的第4層小波分解系數(shù)

(a)竇性心律

(b)房顫圖6 “記錄04043”心電片段的一階差分散點圖

(a)竇性心律

(b)房顫圖7 “記錄04043”心電片段的灰度直方圖

本文采用超限學習機完成最后的分類,通過交叉驗證法確定其最優(yōu)隱節(jié)點個數(shù)為15。文中采用準確率A、敏感度S以及特異度P作為性能評價指標,它們的計算公式為

(4)

(5)

(6)

式中:TP為真陽性,表示房顫心電被正確檢測為房顫心電;FN為假陰性,表示房顫心電被誤檢測為正常心電;TN為真陰性,表示正常心電被正確檢測為正常心電;FP為假陽性,表示正常心電被誤檢測為房顫心電。

數(shù)值實驗中,首先從23個心電記錄中隨機選取7個時長為2 h的心電記錄,其次將這些心電信號進行無重疊分段處理,每個心電片段長度為8 s(2 000個采樣點),所有數(shù)據(jù)被隨機均分為訓練集和測試集。為了降低隨機均分所導致的訓練集和測試集中不同類數(shù)據(jù)點的不均衡,本文將這種隨機均分的實驗執(zhí)行50次,并取50次實驗的平均結果作為最終分類性能的度量。

表1、表2分別展示了采用本文所提方法對7條心電記錄實現(xiàn)陣發(fā)性房顫自動檢測的性能,表1是個人獨立檢驗的實驗結果,表2是6倍交叉檢驗的實驗結果。由表1可知,個人獨立檢驗的各項性能指標均取得較好的實驗結果,從而驗證了本文所提算法的有效性。由表2可知,本文所提算法在交叉檢驗中也具有良好的檢測效果,進一步說明本文算法能夠在臨床應用中有效實現(xiàn)陣發(fā)性房顫的自動檢測。對比表1、表2的實驗結果發(fā)現(xiàn),交叉檢驗的實驗結果略低于個人獨立檢驗的實驗結果,這主要是由不同患者間的個體差異所造成。

表1 基于灰度信息度量的陣發(fā)性房顫自動

表2 基于灰度信息度量的陣發(fā)性房顫自動

3 結 論

本文提出了一種基于灰度信息度量的陣發(fā)性房顫自動檢測方法。首先,利用離散小波變換對原始心電信號進行分解;其次,選擇恰當頻率子帶信號并對其小波系數(shù)進行差分運算,進而得到一階中心差分散點圖以及對應的灰度直方圖;然后,分別計算灰度方差、灰度變異系數(shù)以及香農熵,作為房顫心電的融合特征;最后,將所提取的融合特征結合超限學習機,完成陣發(fā)性房顫的自動檢測。采用MIT-BIH心房顫動數(shù)據(jù)集驗證本文所提方法的可行性與有效性。數(shù)值實驗結果表明,本文所提出的基于灰度信息度量的陣發(fā)性房顫自動檢測方法具有較高的性能,能較好地完成陣發(fā)性房顫的自動檢測,其準確率、敏感度、特異度分別平均可達94.0%、94.6%、93.7%。

參考文獻:

[1] ZHOU Z, HU D. An epidemiological study on the prevalence of atrial fibrillation in the Chinese population of mainland China [J]. Journal of Epidemiology, 2008, 18(5): 209-216.

[2] 王志敬. 心房顫動的復律探析 [J]. 中華現(xiàn)代內科學雜志, 2008, 5(5): 419-421.

WANG Zhijing. The cardioversion of atrial fibrillation [J]. Chinese Journal of Internal Medicine, 2008, 5(5): 419-421.

[3] 陳灝珠. 心房顫動診斷與治療的進展和展望 [J]. 中國實用內科雜志, 2006, 26(2): 82-85.

CHEN Haozhu. Diagnosis and treatment of atrial fibrillation progress and prospects [J]. Chinese Journal of Practical Internal Medicine, 2006, 26(2): 8-85.

[4] DASH S, CHON K H, LU S, et al. Automatic real time detection of atrial fibrillation [J]. Annals of Biomedical Engineering, 2009, 37(9): 1701-1709.

[5] PARK J, LEE S, JEON M. Atrial fibrillation detection by heart rate variability in Poincare plot [J]. Biomedical Engineering Online, 2009, 8(1): 38.

[6] ANDRIKOPOULOS G K, DILAVERI-S P E, RICHTRE D J, et al. Increased variance of P wave duration on the electrocardiogram distinguishes patients with idiopathic paroxysmal atrial fibrillation [J]. Pacing & Clinical Electrophysiology Pace, 2000, 23(7): 1127-1132.

[7] DU X, RAO N, QIAN M, et al. A novel method for real-time atrial fibrillation detection in electrocardiograms using multiple parameters [J]. Annals of Noninvasive Electrocardiology, 2014, 19(3): 217-225.

[8] 白鵬飛, 王利, 易子川, 等. 一種心電圖P波提取算法 [J]. 中國醫(yī)學物理學雜志, 2013, 30(2): 4032-4035.

BAI Pengfei, WANG Li, YI Zichuan, et al. A kind of P wave extraction algorithm of electrocardiogram [J]. Chinese Journal of Medical Physics, 2013, 30(2): 4032-4035.

[9] HUANG G B, ZHU Q Y, SIEW C K. Extreme le-arning machine: theory and applications [J]. Neurocomputing, 2006, 70(1): 489-501.

[10] 陳彬強, 張周鎖, 郭婷, 等. 雙樹復小波時頻構造在齒輪系裝配間隙檢測的應用 [J]. 西安交通大學學報, 2013, 47(3): 7-12.

CHEN Binqiang, ZHANG Zhousuo, GUO Ting, et al. Application of double-tree complex wavelet time-frequency structure in the gap detection of gear train assembly [J]. Journal of Xi’an Jiaotong University, 2013, 47(3): 7-12.

[11] 冉啟文. 小波變換與分數(shù)傅里葉變換理論及應用 [M]. 哈爾濱: 哈爾濱工業(yè)大學出版社, 2001.

[12] 劉新顏, 柳稼航, 延軍平. 一種基于直方圖變換的光學遙感影像自動增強方法 [J]. 西北大學學報(自然科學版), 2016, 46(3): 448-452.

LIU Xinyan, LLU Jiahang, YAN Junping, et al. A method of optical remote sensing image automatic enhancement based on histogram transformation [J]. Journal of Northwest University(Natural Science Edition), 2016, 46(3): 448-452.

[13] 晏春莉, 耿國華, 周明全. 圖像數(shù)據(jù)庫中基于顏色的特征提取和度量算法 [J]. 西北大學學報(自然科學版), 2000, 30(3): 189-192.

YAN Chunli, GENG Guohua, ZHOU Mingquan. Color-based feature extraction and metrics algorithm in image database [J]. Journal of Northwest University(Natural Science Edition), 2000, 30(3): 189-192.

[14] 張恒博, 歐宗瑛. 一種基于色彩和灰度直方圖的圖像檢索方法 [J]. 計算機工程, 2004, 30(10): 20-22.

ZHANG Hengbo, OU Zongying. An image retrieval method based on histogram and color histogram [J]. Computer Engineering, 2004, 30(10): 20-22.

[15] 王文森. 變異系數(shù): 一個衡量離散程度簡單而有用的統(tǒng)計指標 [J]. 中國統(tǒng)計, 2007, 2007(6): 41-42.

WANG Wensen. Coefficient of variation: a simple and useful statistical indicator to measure dispersion [J]. Chinese Statistics, 2007, 2007(6): 41-42.

[16] 顏若愚, 鄭慶華. 使用交叉熵檢測和分類網(wǎng)絡異常流量 [J]. 西安交通大學學報, 2010, 44(6): 10-15.

YAN Ruoyu, ZHENG Qinghua. Using cross-entropy to detect and classify network abnormal traffic [J]. Journal of Xi’an Jiaotong University, 2010, 44(6): 10-15.

[17] GOLDBERGER A, ARAI L A N. Physio bank, physio toolkit and physio net: components of a new research for complex physiologic signals [J]. Circulation, 2000, 101(23): 215-220.