李凡闖

(東北農(nóng)業(yè)大學(xué) 文理學(xué)院，哈爾濱 150030)

心血管疾病通常通過分析心電信號(hào)[1]來診斷，自主神經(jīng)活動(dòng)與多種心血管疾病有關(guān)[2-3]。1996年提出的心率變異性(Heart rate variability，HRV)[4]是指逐次心跳周期差異的變化情況，是種無創(chuàng)性的方法，是心臟自主神經(jīng)功能的定量分析方法，具有較高的應(yīng)用價(jià)值，基于HRV分析的心血管疾病診斷是心電自動(dòng)分析系統(tǒng)重要的組成部分。HRV的時(shí)域分析法和頻域分析法方法已廣泛應(yīng)用于部分臨床疾病的輔助診斷分析中[5-7]。然而，由于實(shí)際的生理信號(hào)是非線性信號(hào)，而HRV的時(shí)域分析法和頻域分析法屬于線性分析方法，還不能全面揭示HRV蘊(yùn)含的生理病理信息，因此HRV的非線性分析方法是具有應(yīng)用前景的研究方向。常見HRV的非線性分析方法包括熵分析、Lorenz散點(diǎn)圖、李雅普諾夫指數(shù)等，其中熵分析作為度量信號(hào)復(fù)雜性的有力工具，非常適合對(duì)復(fù)雜的心電信號(hào)進(jìn)行心率變異性分析。在進(jìn)行大量的文獻(xiàn)調(diào)研后，針對(duì)心電信號(hào)特征識(shí)別和心率變異性熵分析方法開展分析。前期工作已經(jīng)完成了應(yīng)用多尺度Teager能量算子檢測(cè)R波[8]，所以本研究簡(jiǎn)要介紹R波檢測(cè)過程，主要介紹心率變異性分析過程，以期為臨床提供準(zhǔn)確、可靠的輔助診斷信息。

1 基于多尺度Teager能量算子的R波檢測(cè)

1.1 多尺度Teager能量算子

對(duì)于離散信號(hào)x(n)，其多尺度Teager能量算子(Multi-resolution Teager Energy Operator, MTEO)ψm定義如下：

ψm[x(n)]=x2(n)-x(n-m)x(n+m)

式中，m為多尺度參數(shù)。

1.2 基于多尺度Teager能量算子的R波檢測(cè)過程

基于多尺度Teager能量算子的R波檢測(cè)算法主要分為兩部分，即心電信號(hào)預(yù)處理和R波檢測(cè)階段。檢測(cè)R波的流程如圖1所示。

圖1 R波檢測(cè)流程圖Fig.1 Flow chart of R-wave detection

1.3 基于多尺度Teager能量算子識(shí)別R波的數(shù)值實(shí)驗(yàn)

從MIT-BIH心律失常數(shù)據(jù)庫(kù)[9]中選取1類典型的T波高尖心電信號(hào)展示。

MIT-BIH心律失常數(shù)據(jù)庫(kù)中的113號(hào)心電信號(hào)記錄的是典型的T波高尖的心電信號(hào)?；诒狙芯刻岢龅腞波檢測(cè)算法，R波檢測(cè)過程如圖2所示。從圖2(a)可以看出，記錄113號(hào)心電信號(hào)中的T波異常高聳和尖銳，這種情況很有可能會(huì)出現(xiàn)心電信號(hào)R波誤檢。但是，原始心電信號(hào)經(jīng)過預(yù)處理方法之后，圖2(b)和2(c)表明，尖銳和高大的T波已經(jīng)被削弱很多。對(duì)R波的特征進(jìn)行增強(qiáng)處理后，圖2(e)顯示，此時(shí)的心電信號(hào)的R波特征很明顯，幾乎沒有其他干擾波的干擾。從圖2(f)可以看出，R波檢測(cè)算法能夠準(zhǔn)確檢測(cè)出這類信號(hào)的R波位置。

圖2 R波檢測(cè)過程(113號(hào)記錄)Fig.2 R-wave detection process (113 records)

2 基于改進(jìn)的CEEMDAN多尺度樣本熵算法的HRV分析

2.1 改進(jìn)的CEEMDAN

改進(jìn)的CEEMDAN算法不同于傳統(tǒng)的CEEMDAN算法，該算法利用EMD算法對(duì)添加的白噪聲分解后，將分解后的白噪聲添加到原始信號(hào)中，再對(duì)復(fù)雜信號(hào)進(jìn)行EMD算法分解處理，先求取每個(gè)信號(hào)的模態(tài)分量的平均值，得到剩余量，再求取模態(tài)分量，直到剩余量滿足停止條件，此時(shí)分解過程結(jié)束?；诟倪M(jìn)的CEEMDAN算法分解信號(hào)x(t)過程如下：

向信號(hào)x(t)中加入i次噪聲，得到噪聲信號(hào)x(i)(t)，則x(i)(t)可表示為：

x(i)(t)=x(t)+β0E1(wi(t))

式中：wi(t)-添加第i次的零均值的高斯白噪聲；β0-加入噪聲的幅度系數(shù)；E(·)-信號(hào)經(jīng)過EMD算法分解得到的第一個(gè)IMF分量。

對(duì)噪聲信號(hào)x(i)(t)進(jìn)行EMD分解，可以得到剩余量r1(t)如下：

r1(t)=〈M(x(i)(t)〉

式中：〈·〉-計(jì)算信號(hào)的整體平均值；M(·)-計(jì)算信號(hào)的局部均值。

根據(jù)剩余量可以得到第一個(gè)IMF分量IMF1(t)，如下所示：

IMF1(t)=x(t)-r1(t)

求取第k個(gè)剩余量rk(t)(k=2,3,…,N)，結(jié)果如下：

rk(t)=〈M(rk-1(t)+βk-1Ek(wi(t)〉

式中：βk-1-第k次EMD分解加入噪聲的幅度系數(shù)，通常設(shè)為0.1～0.3；Ek(·)-EMD分解產(chǎn)生的第k個(gè)IMF分量。

第k個(gè)IMF分量計(jì)算結(jié)果如下：

IMFk(t)=rk-1(t)-rk(t)

重復(fù)上述步驟，直到剩余量滿足終止條件，停止分解。若原始信號(hào)x(t)經(jīng)改進(jìn)的CEEMDAN分解后，得到N個(gè)IMF分量，則原始信號(hào)x(t)可表示為：

改進(jìn)的CEEMDAN算法可彌補(bǔ)樣本熵單一尺度的不足，因此，基于改進(jìn)的CEEMDAN的多尺度樣本熵算法對(duì)心電信號(hào)經(jīng)過改進(jìn)的CEEMDAN算法分解后，得到了有限個(gè)固有模態(tài)函數(shù)，每個(gè)固有模態(tài)函數(shù)包含信息獨(dú)立，計(jì)算每個(gè)分量樣本熵，從而實(shí)現(xiàn)對(duì)信號(hào)多尺度熵的分析。

2.2 多尺度樣本熵算法的HRV分析

實(shí)驗(yàn)在MIT-BIH心律失常數(shù)據(jù)庫(kù)中選擇11名心律失常患者心電信號(hào)作為心律失常組，選取11名心律正常者作為健康對(duì)照2組。實(shí)驗(yàn)數(shù)據(jù)選取每個(gè)人RR間期序列的前1 000個(gè)數(shù)據(jù)點(diǎn)作為實(shí)驗(yàn)對(duì)象進(jìn)行演示實(shí)驗(yàn)結(jié)果，基于不同方法得到的組間熵值對(duì)比情況如圖3所示。

圖3 基于不同方法得到的組間熵值對(duì)比情況Fig.3 Comparison of entropy values between groups based on different methods

以上是基于3種方法得到的組間熵值對(duì)比圖，為了準(zhǔn)確刻畫出組間差異性，對(duì)3種方法得到的熵值進(jìn)行正態(tài)性檢驗(yàn)，3組數(shù)據(jù)均滿足正態(tài)分布，因此選擇獨(dú)立樣本t檢驗(yàn)[10]，進(jìn)行不同方法下得到的組間熵值的差異性檢驗(yàn)?；跈z驗(yàn)方法得到的3種方法下組間熵值差異性檢驗(yàn)結(jié)果如表1所示。

表1 3種方法下組間熵值差異性檢驗(yàn)結(jié)果Tab.1 Test results of entropy difference between groups under three methods

統(tǒng)計(jì)分析結(jié)果表明，基于EMD-樣本熵方法相對(duì)樣本熵來說，雖有一些進(jìn)步，但是兩種方法的結(jié)果相差不大。本研究提出的基于改進(jìn)的CEEMDAN-樣本熵得到的心律失常組和健康對(duì)照組熵值具有顯著性差異，說明該方法可以很好地區(qū)分出心律失常組和心律正常組。

3 結(jié)語(yǔ)

準(zhǔn)確識(shí)別心電信號(hào)的R波是進(jìn)行心率變異性分析的前提，由此提出了基于多尺度Teager能量算子識(shí)別心電信號(hào)R波。在基于經(jīng)驗(yàn)?zāi)B(tài)分解-樣本熵進(jìn)行心率變異分析時(shí)，針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解的不足，提出了基于改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解的多尺度化方法的多尺度樣本熵的心率變異分析方法，選擇開源數(shù)據(jù)庫(kù)數(shù)據(jù)驗(yàn)證算法的有效性。結(jié)果表明，基于3種熵分析方法得到的組間熵值均具有顯著性差異，其中基于改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解的多尺度樣本熵算法得到的組間熵值的差異水平最大，可以更好地區(qū)分疾病組和健康組，希望能夠?yàn)榕R床研究提供準(zhǔn)確、可靠的輔助診斷信息。