基于语义挖掘的室性心动过速及心室纤颤检测

胡峻峰，曹 军

(东北林业大学机电工程学院，哈尔滨 150040)

1 概述

如果将正常窦性心律或者室性心动过速(Ventricular Tachycardia,VT)[1]误诊为心室纤颤[2](Ventricular Fibrillation,VF)，病人的心脏将会受到不必要的损伤。相反，如果将VF误诊为VT，结果可能是致命的，这使得VF和VT的正确检测是非常重要的。

目前许多采用不同检测方法的VF自动检测系统，包括时域分析[3]、频域分析[4]、神经网络[5]、小波分析[6]和非线性分析[7]，大多研究者选择时域分析方法，因为该方法相对简单。时域分析包含自相关函数(Auto Correlation Function,ACF)[3]、越限区间(Threshold-crossing Interval,TCI)[3]、时延方法[3]和越限样本计数(Threshold-crossing Sample Count,TCSC)[3]，通常采用功率谱分析，通过观察VF信号的功率谱将VF信号特征化，频谱据范围为4 Hz～7 Hz。其他采用频域分析的方法包括改进振幅分布分析(Mended Amplitude Distribution Analysis,MADA)[8]和多重分形频谱分析(Multifractal Spectrum Analysis,MSA)[9]。随着神经计算领域的迅速发展，学者将人工神经网络应用到VF信号检测中，该技术可解决类与类之间的非线性区分问题[10]。小波转换[11]和非线性分析[12]也已应用到检测和区分VF信号中。虽然这些方法中一部分很有前景，特别在它们的敏感度和专业性方面仍有很大的提升空间，但它们仅可以区分正常窦性节律和VF，而不能很好地区分VT[13-14]。

综上所述，必须合理地分类与识别VF和VT才能避免不必要的损害，因此，本文提出了一种语义挖掘(Semantic Mining,SM)方法，通过提取频率、衰减系数和输入信号等信息来特征化VT和VF。

2 基于巴特沃斯通带滤波器的语义挖掘方法

2.1 ECG滤波器和二进制脉冲

原始心电图(Electrocardiogram,ECG)[15]信号通常含有噪声，会影响某些ECG识别系统识别ECG信号模式的能力。ECG噪声包括肌肉噪声、电极运动引起的人造噪声、电源线干扰噪声和基线漂移。另外拥有与量子共振检测仪(Quantum Resonance Spectrometer,QRS)[6]复体相同的高频特征T波可能也影响ECG识别系统的性能。因此，需要一个滤波处理来克服这些问题。本文将文献[4]中的滤波处理稍加改进，首先选择通频带为1 Hz～30 Hz的巴特沃斯带通滤波器对ECG信号进行滤波[4]，并将滤波过的ECG信号分割为4-s ECG，接着将分割的4-s ECG正则化为段中的最大绝对值，最后将正则化ECG信号转化为二进制脉冲0-1。

2.2 语义挖掘

语义挖掘通过模拟语义概念的表现模式来描述一个系统的振荡行为，相反，模拟由语义概念产生的系统输出不仅决定语义的概念值，还决定精确的参数值，该参数值决定了它们的表现性能，式(1)展示了它们的关联性：

其中，ω是自然频率；ζ是阻尼系数；u是心脏振动系统的输入参数；x是由式(2)中的ECG二进制分解获得的二进制脉冲。ω,ζ,u这3个参数可能是常数、变量或者可能动态变化。文献[7]通过消除这3个参数(ω,ζ,u)为模式识别结构，提出了3种单独的算法组成一个语义挖掘算法。所提方法采用第3种算法，因为当提取的参数是变量且系统拥有二阶动态特征时，它能更好地预测ω和u。

采用第3种算法，时刻1到时刻4衍生了一个单点，分别表示为x',x'',x''',x''''，给出二阶系统：

采用这些提取的参数(由式(6)～式(8)获得)，每个参数的平均振幅可计算出。分析这些平均振幅可以确定N,VT,VF发作之间的显著区别，图1显示了包括采用语义挖掘算法特征化N,VT,VF的处理流程。

图1 检测算法处理流程

2.3 数据分析

正常窦性节律的ECG信号、VT和VF由MIT cudb(克瑞顿大学室性心律失常数据库)[9]获得，该数据库是大型的通用在线识别数据库。本文研究使用100例正常窦性节律(N)发作，100例室性心动过速信号(VT)和100例心室纤颤从该数据库选出。N发作从每个ECG记录中选出，该记录包含VT或VF发作。这些发作病例是由数据库提供的一个合格心脏病学家的注释进行选择，每次发作时间为4 s。

图2为ECG信号的实例。正常窦性节律的ECG由相同的P波、QRS复体和T波组成，同时带有规则的节奏(图2(a))，但是在室性心动过速ECG中，没有发现P波，QRS复体是广泛且不规则的(图2(b))，同时节奏有时是规则的，有时是不规则的，心室纤颤ECG没有P波和QRS复体，节奏是混乱的(图2(c))。

图2 采用ECG信号的实例

图3表明了针对每种类型的ECG发作的语义挖掘算法的步骤，首先对原始ECG信号应用滤波器处理来消除噪声，去除噪声后，将ECG标准化为段中长达4 s且值为最大的小段，接着采用式(2)将标准化的ECG信号转化为二进制脉冲(0-1)，最后在这些来自ECG信号的二进制脉冲上实施语义挖掘，采用式(6)～式(8)提取出3个参数(ω,ζ,u)。将每个参数的平均振幅计算出，对其分析从而识别出N,VT和VF发作之间的显著区别。

图3 N发作分析的语义挖掘算法

3 实验结果与分析

3.1 可行性

本文采用单因素模型的方差分析(Analysis of Variance,ANOVA)表进行统计分析，以确定由N,VT,VF提取的每个参数(ω,ζ,u)的概率分布，ANOVA显示自然频率(ω)、输入参数(μ)的平均振幅和标准偏差，ω和u分别表明当F2299=690.47,P ＜0.001和F2299=1795.11,P＜0.001时，N,VT,VF之间的显著差别。

实验仅考虑T测试分析中的ω和u，因为ζ没有显示出不同ECG发作间的明显区别，ECG发作的正常频率(ω)参数平均振幅设置固体水平线的2个阈值：高(t1=0.34)、低(t2=0.175)。ECG发作输入参数(u)平均振幅设置固体水平线的2个阈值：高(t3=0.335)、低(t4=0.20)。其中，300例ECG发作中每种类型的ECG信号：N,VT和VF各100例。

分析ECG发作的输入参数(ω)的平均振幅可知，参数ω的平均样本明显不同于N和VT发作(P＜0.001)，N发作(0.11±0.003)的平均振幅明显低于VT发作(0.40±0.005)的。平均振幅的不同是明显的(P＜0.001)，其中，VF 发作(0.30±0.008)的平均振幅明显低于N发作(0.11±0.008)。VT和VF发作间的显著区别发现(P＜0.001)，VT 发作(0.40±0.005)的平均振幅稍微高于VF发作(0.30±0.008)的平均振幅。

分析ECG发作的输入参数(u)的平均振幅可知，通过设定2个阈值 t3=0.335和t4=0.20，任何平均振幅低于t4的ECG发作将会分类为N；一个平均振幅在t3和t4之间的ECG发作将会归类为VT，该归类通过统计分析采用T测试验证(表1)，其中，数据的形式是均值±标准差。平均ω值的显著区别在N和VT发作(P＜0.001)、N和VF发作(P＜0.001)和VT和VF发作(P＜0.001)之间发现，VT发作(0.37±0.004)的平均振幅在3种ECG中是最高的，接着是VF发作(0.30±0.004)和N 发作(0.08±0.003)。

表1 不同类型ECG信号的平均振幅分布

3.2 算法性能

用来对ECG发作(N,VT,VF)进行分类的所提算法的性能由灵敏度(Se)和专一性(Sp)来衡量，定义如下：

其中，TP是真阳性的；TN是真阴性；FN是假阴性；FP是假阳性。如如果集中计算正常节奏的Se和Sp，将TP定义为非正常节奏，它可正确地特征化为非正常节奏，将TN定义为正常节奏，它可正确地特征化为正常节奏，将FN定义为非正常节奏，它可错误地特征化为正常节奏，将FP定义为正常节奏，它可错误地特征化为非正常节奏。这些参数对于VT到非VT和VF到非VF都很适用。

实验采用300个ECG发作用来进行训练、验证和测试以评估语义挖掘(SM)检测技术。将这300个 ECG发作中 的180个分配到训练阶段(58个N发作，62个VT发作和60个VF发作)，另外60个发作分配到验证阶段(20个N发作，21个VT发作和19个VF发作)，剩下的60个发作分配到测试阶段(22个N发作，17个VT发作和21个VF发作)。图4显示了混淆矩阵，总结了SM算法的结果。

图4 语义挖掘算法的混淆矩阵

从图4(a)的训练混淆矩阵可以看出，58个发作都特征化为N，产生了100%的灵敏度。

从图4(b)的验证混淆矩阵可以看出，VT中的2个发作错误的特征化为VF，4个VF发作错误的分类为VT，产生了96.8%(60/62正确的识别为VT)的灵敏度。

从图4(c)的测试混淆矩阵可以看出，没有发现错误的N类型ECG发作的检测，对于N发作，产生了100%的灵敏度，对于VT发作，产生了94.1%(16/17正确识别为VT)的灵敏度，对于VF发作，产生了95.2%(20/21正确识别为VF)的灵敏度。

因此，本文算法可以完全区分开N发作和VT,VF发作而没有任何错误检测，同时可以区分VF和非VF发作(N和VT)，灵敏度和专一性分别为95.2%(20/21正确识别为VF)和97.4%(38/39正确识别为非VF)。

3.3 方法的比较及分析

为了更好地评估算法的性能，将本文的SM技术与以前的算法比较，包括相空间重构(Phase Space Reconstruction,PSR)[3]，越限样本计数(Threshold-crossing Sample Count,TCSC)[4]，K近邻规则[11]和多重分形奇异谱(Multifractal Singularity Spectrum,MSS)[6]，选择这4种技术是因为它们有较高的灵敏度和专一性值。选择灵敏度和专一性作为比较特征是因为灵敏度说明了该技术在对ECG正确分类上有好的表现(N发作正确地检测为N，VT发作正确地分类为VT，VF发作正确地特征化为VF)，同时专一性揭示了该技术在检测一个信号的特征出现的性能。也就是说，该技术可以描述一个VF发作是否可以分类为既不是N又不是VT，反之亦然。

表2比较了提出SM技术的VF和非VF分类和通过其他方法获得的灵敏度和专一性。MSS技术相对于其他4种方法产生了最高的专一性和灵敏度(99%)，接着就是提出的SM和K近邻技术，它产生了稍低的专一性和灵敏度值。虽然MSS的专一性和灵敏度是最高的，但是MSS相对于SM使用了较长的ECG发作进行分析(5 s与4 s)。相同的结果在K近邻技术中发现，它们使用了更长的持续8 s的ECG发作。一个持续更长时间的分析可能提高检测精度，但是因为VF是可致命的，它必须快速检测，较长的信号可能不合理，该分析必须在来自短时间数据下高效地运行。表2表明，采用语义挖掘的提出方法不仅有高灵敏度和专一性，同时相对于其他4种分析的方法需要更短的发作持续时间。

表2 语义挖掘方法和其他方法的对比

4 结束语

针对现有的诊断系统较难准确区分室性心动过速(VT)和心室纤颤(VF)的问题，本文提出了一种检测室性心动过速和心室纤颤的语义挖掘方法，通过采用语义挖掘来提取ECG信号的显著特征，并利用提取的特征将ECG信号分为N,VT和VF 3类。实验结果表明，本文提出的语义挖掘方法具有识别ECG模式的能力，可以准确区分N,VT和VF。此外，与其他已有的方法相比，本文所提方法计算高效，非常适用于实时完成任务。下一步将本文所提的语义挖掘方法用于其他领域，通过改变初始参数的设置，进一步提高检测效率。

[1]周贤惠,何 莉,汤宝鹏,等.三维电解剖指导右心室流出道特发性室性心动过速的导管消融[J].中国介入心脏病学杂志,2011,19(1):15-21.

[2]谢佳兴,王 俊.基于多重分形去趋势涨落的心室纤颤和心动过速分析[J].北京生物医学工程,2011,30(5):490-496.

[3]Amann A,Tratnig R,Unterkofler K.Detecting Ventricular Fibrillation by Time-delay Methods[J].IEEE Transactions on Biomedical Engineering,2009,54(2):174-177.

[4]Arafat M A,Chowdhury A W,Hasan M K.A Simple Time Domain Algorithm for Detection of Ventricular Fibrillation in Electrocardiogram[J].Signal Image&Video Processing,2009,23(3):221-228.

[5]Fokkenrood S,Leijdekkers P,Gay V.Ventricular Tachycardia/Fibrillation Detection Algorithm for 24/7 Personal Wireless Heart Monitoring[C]//Proceedings of the 5th International Conference on Smart Homes and Health Telematics.[S.1.]:IEEE Press,2010:110-120.

[6]Wang Gang,Huang Hai,Xie Hongbo.Multifractal Analysis of Ventricular Fibrillation and Ventricular Tachycardia[J].Medical Engineering&Physics,2009,29(2):375-379.

[7]Abbas R,Aziz W,Arif M.Prediction of Ventricular Tachyarrhythmiain ECG Using Neuro-wavelet Approach[J].Emerging Technologies,2012,34(5):82-87.

[8]刘亚楠,吴 飞,庄越挺.基于多模态子空间相关性传递的视频语义挖掘[J].计算机研究与发展,2009,46(1):1-8.

[9]Jekova I,Dushanova J,Popivanov D.Method for Ventricular Fibrillation in the External Electrocardiogram Using Nonlinear Prediction,Institute of Physics Publishing[J].Physiological Measurement,2012,33(2):337-345.

[10]Sun Y,Chan K L,Krishnan S M.Life-threatening Ventricular Arrhythmia Recognition by Nonlinear Descriptor[J].Biomedical Engineering Online,2010,29(2):503-511.

[11]刘婷婷,林 珲,代汉青.利用SVM相关反馈和语义挖掘的遥感影像检索[J].武汉大学学报:信息科学版,2012,37(4):203-210.

[12]Arafat M A,Sieed J,Hasan M K.Detection of Ventricular Fibrillation Using Empirical Mode Decomposition and Bayes Decision Theory[J].Computers in Biology and Medicine,2009,39(2):1051-1057.

[13]Othman M A,Safri N M.Characterization of Ventricular Arrhythmias in Electrocardiogram Signal Using Semantic Mining Algorithm[J].Analytical Modelling and Computer Simulation,2010,31(3):307-311.

[14]Othman M A,Safri N M.Characterization of Ventricular Arrhythmias Using Semantic Mining Algorithm[J].Journal of Mechanics in Medicine and Biology,2012,12(1):1-11.

[15]杨 伟,朱灿焰.基于混沌系统的心电图信号分类检测方法[J].通信技术,2011,44(2):125-128.