一种新的房颤心电融合特征提取方法

韦杰英，王 迪，孙亚楠，张 瑞

(西北大学 医学大数据研究中心, 陕西 西安 710127)

心房颤动(atrial fibrillation, AF),简称房颤,是临床上最常见的心律失常之一[4]。房颤发作时,心房肌丧失正常有规律的舒缩活动,代之以快速、不协调的微弱蠕动的房颤波(即心房产生每分钟350～600次不规则的冲动),致使心房失去正常的有效收缩。其临床表现为心慌气喘、眩晕和心绞痛,严重时会引发昏厥、心力衰竭、休克等症状。随着世界人口的日益老龄化,我国近70%的房颤发生在65～80岁的人群中,80岁以上人群的房颤发病率高达5%～15%[4]。

心电图 (electrocardiogram, ECG)记录了心脏活动时心肌细胞激动产生的生物电信号(即心电信号),其中蕴含大量的生理病理信息,对房颤的诊断和治疗具有重要价值。图1显示了一个正常的心跳周期,其中P波表示心房的除极化过程,QRS波群表示心室的除极化过程,T波表示心室的复极化过程。房颤在心电图上的表征主要为:①P波缺失,代之以连续、快速、大小不等、形态不一的房颤波(f波),其频率为350～600次/分;②RR间期绝对不规则(见图2)。

图1 一个正常心动周期的心电图波形Fig.1 A normal cycle of ECG

按照发作持续时间可以将房颤分为阵发性房颤、持续性房颤和永久性房颤。其中,阵发性房颤的发作具有突发性、反复性且发作时间短等特点,因而临床上往往难以及时捕捉到房颤心电而造成误诊漏诊等现象。如果阵发性房颤不能及时得到诊断与治疗,则会进一步发展成为持续性房颤或永久性房颤,甚至诱使脑卒中等高危性疾病,严重危害人们的身体健康[5]。传统的阵发性房颤检测往往需要专业医师对长时程连续心电进行视觉上的判读,这一过程不仅耗时,也极度依赖于个人经验。此外,有限数量的专业医师也是临床上难以实现及时监测与诊断的一个重要因素。因此,展开阵发性房颤自动检测的研究具有十分重要的临床意义,其中有效的房颤心电特征提取则是实现自动检测的关键步骤。

图2 窦性心律与房颤心电图示例Fig.2 ECG example of sinus rhythm and atrial fibrillation

在已有的房颤心电特征提取研究中,最具代表性的一类方法是基于RR间期的不规则性来提取房颤心电特征。文献[17]刻画了RR间期的庞加莱散点图,并指出窦性心律的散点主要集中在直线y=x上,而房颤心电的散点则分布散乱。Moody和Mark在文献 [18]中构建了一个RR间期序列的隐马尔可夫模型,并使用转移概率作为特征来检测房颤。辛怡等人将RR间期进行符号序列编码,并通过计算其信息熵来刻画心脏活动的复杂程度[12]。B.T.Logan等人提取了RR间期序列的统计特征——RR间期方差,并以此来刻画RR间期变化的程度[9]。另一类方法是依赖于P波缺失这一表现来提取房颤心电特征。文献[19]提出将P波的宽度和数量作为刻画P波信息的参数。Juan Rodenas等人将P波提取出来,并利用其小波熵来描述心房活动的复杂程度[15]。Andrikopouls G.K.等人提出P波变异性特征来反映心房传导的变异程度[6]。由于房颤发作时心电图上的两个表现缺一不可,因此学者们又相继提出了RR间期与P波相结合的特征提取方法。Ricardo Couceir等人提出P波模板匹配法检测P波,并将KL散度与RR间期转移熵结合进行房颤检测[20]。在文献[7]中,Kai JIANG等人提出将RR间期分布差曲线的峰值作为刻画RR间期分布规则程度的特征,将PR间期的有效个数作为刻画P波缺失的特征,最后将两者结合作为融合特征。Saeed Babaeizadeh等人提出Philips算法[8],即通过概率转移矩阵中的概率来表示两个RR间期序列的相似程度,并结合PR间期的时间偏差作为房颤心电的特征。

本文将提出一种新的融合RR间期不规则性与P波缺失的房颤心电特征提取方法。首先,在QRS波群所在频带的重构信号上检测R峰,并提取RR间期变异系数与子串长度概率分布熵来刻画其规则程度;其次,对P波所在频带的小波系数绘制T-lag散点图,并定义置信散度距离和与置信散度指数来反映房颤心电在P波频带上的异常表现。将上述两类特征融合作为最终所提取的房颤心电特征,再结合超限学习机(ELM)[2-3]完成阵发性房颤的自动检测,并在MIT-BIH心房颤动数据集上验证所提方法的有效性与可行性。

1 方 法

1.1 心电去噪

心电信号在采集过程中会受到各种噪声的影响,主要包括基线漂移、肌电干扰和工频干扰。其中基线漂移是由电极移动、人体呼吸等低频干扰所引起,频率在1Hz以下;肌电干扰是由人体各种肌肉收缩引起的干扰,频率范围较广;工频干扰是由电力系统引起的一种干扰,频率为50Hz左右。

首先对原始心电信号进行离散小波变换去除基线漂移,本文选用sym8函数为基小波,并设置分解层数为7层。其次,采用小波软阈值去噪算法进一步去除工频干扰和肌电干扰。本文选用db5函数为基小波,分解层数为3层。图3显示了一个时长为10s的心电信号片段去噪前后的效果。

图3 心电信号去噪效果Fig.3 The performance of ECG denoising

1.2 房颤心电特征提取

1.2.1 基于RR间期不规则的特征提取方法 时间序列可以转换为符号序列,当符号序列中不同长度子串的发生概率显著不一致时,则说明该时间序列出现紊乱。由于熵可以描述一个系统内在的复杂程度,故可采用子串长度概率分布熵来刻画时间序列的规则程度。变异系数是衡量时间序列差异程度的统计量,可以用来刻画时间序列的有序程度。基于此,本小节采用变异系数与子串长度概率分布熵来描述RR间期的规则程度[10-14,21]。具体过程可总结为如下算法I。

算法I(基于RR间期不规则的特征提取方法):给定去噪后心电信号S={s(1),s(2),…,s(N)},其中N为样本点数。

步骤1对信号S作不重叠等长分段处理,记Si={si(1),si(2),…,si(n)}为第i个心电片段(i=1,…,Γ,Γ=[n|N])。

步骤4计算RR间期序列的变异系数

(1)

并记

F1=[CV1,CV2,…,CVΓ]T。

步骤5计算RR间期序列的子串长度概率分布熵。

首先，计算RRi的一阶差分序列:

ΔRRi={ΔRi(j)|Ri(j+1)-Ri(j),

j=1,…,J-1}。

(2)

其次，计算ΔRRi的符号时间序列:

其中

Thr=mean(ΔRRi)。

(3)

最后，计算符号时间序列DsRRi的子串长度概率分布熵:

PEi=

(4)

Pi(l)=nl/Ki,

(5)

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

(6)

其中nl为长度为l的子串在DsRRi序列中出现的次数,Ki为DsRRi序列中的子串总数(规定log0=0)。记

F2=[PE1,PE2,…,PEΓ]T。

1.2.2 基于P波缺失的特征提取方法 庞加莱散点图[11]是信号在相空间上的几何表示,能够揭示信号的非线性特征。心电信号中P波代表了心房活动,窦性心律时P波正常,房颤发作时P波缺失代之以房颤波。为了刻画房颤心电在P波上的异常表现,本小节首先采用小波分析提取P波所在频带范围内的小波系数,然后通过定量描述庞加莱散点图的特征来揭示房颤心电的动力学特性。图4分别展现的是窦性心律心电和房颤心电的散点图。从图中可以看出,窦性心律上的散点分布较集中,且向坐标轴趋近;而房颤心电上的散点则以原点为中心向四周扩散,且分布较之窦性心律更为分散。基于此,本小节提出两个度量指标,置信散度距离和置信散度指数,并将其作为基于P波缺失的房颤心电特征。具体过程可总结为如下算法II。

图4 P波所在频带的小波系数散点图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):给定去噪后心电信号S={s(1),s(2),…,s(N)},其中N为样本点数。

步骤1对信号S做不重叠等长分段处理,记Si={si(1),si(2),…,si(n)}为第i个心电片段(i=1,…,Γ,Γ=[n|N])。

步骤3绘制Wi的T-lag散点图。

步骤4在T-lag散点图上构建η%置信圆,并以直线y=x和y=-x为分割线在该圆上划分A，B，C，D四个区域,如图5所示。

步骤5在η%置信圆内,分别计算散点的置信散度距离和ψi1与置信散度指数ψi2:

其中nA，nB，nC，nD分别为区域A，B，C，D内的散点总数;dA(·)，dC(·)分别为区域A，C内的散点到y轴的距离;dB(·)，dD(·)分别为区域B，D内的散点到x轴的距离。记

F3=[ψ11,ψ21,…,ψΓ1]T,

F4=[ψ12,ψ22,…,ψΓ2]T。

综合算法I和算法II,称

为本文所提取的房颤心电融合特征。

2 数值实验及结果分析

2.1 心电数据

本文使用的心电信号均来自于MIT-BIH心房颤动数据集[1],共包含25个持续时长为1h的双导联心电记录,采样率为250Hz,分辨率为12bit。本小节选取了6个阵发性房颤心电记录进行数值实验,所有实验均在Matlab R2015b中运行。

2.2 实验结果与分析

2.2.1 房颤心电融合特征的性能分析 在特征提取过程中,对去噪后的心电信号进行无重叠等长分段处理,每个心电片段长度为30s。采用品质因子为1、冗余度为3的8层可调品质因子小波变换,选取中心频带为3.66 Hz，5.49 Hz，8.23 Hz和12.35 Hz的小波系数绘制10-lag散点图(见图4),并选取97%置信圆(见图5)。此外,在RR间期序列的子串概率分布熵计算过程中,选取子串为长度是1，2，3和4的全为1或全为0的子序列。

图6展示的是4个单一特征(即变异系数、子串长度概率分布熵、置信散度距离和置信散度指数)以及融合特征的箱线图。从图中可以看出,房颤发作时4个单一特征值总体上均高于窦性心律的值;同时,融合特征所表现的差异性最为明显,这说明本文所提取的融合特征性能良好。

2.2.2 融合特征在实现房颤自动检测中的性能分析 将上述融合特征作为超限学习机的输入,最终实现阵发性房颤的自动检测,算法流程如图7所示。

图5 散点图的97%的置信圆Fig.5 The 97% confidence circle corresponding to the scatter graph

数值实验采用5倍交叉验证,并取100次实验的平均结果作为最终分类性能的度量。表1列出了准确率、敏感性以及特异性作为评估算法优劣的度量指标[1]。从表1可以看出,本文所提取的融合特征在实现阵发性房颤自动检测中具有良好的性能。表2列出了本文所提方法与已有方法在MIT-BIH房颤数据集上的性能比较。可以看出,本文所提方法的检测性能整体上优于其他方法。

表1 阵发性房颤自动检测的性能Tab.1 Performances of the proposed automatic PAF detection method

图6 提取特征的箱线图Fig.6 The boxplot of features corresponding to sinus rhythm and atrial fibrillation

作 者特征提取敏感性/%特异性/% 本文RR间期不规则和P波缺失94.6498.15Couceiro et al[20]RR间期不规则和P波缺失93.8096.09 Babaeizadeh et al[8]RR间期不规则和P波缺失91.0096.00 Moody et al[18]RR间期不规则96.1086.80Logan et al[9]RR间期不规则96.0089.00 Rodenas et al[15]P波缺失96.4794.19

图7 阵发性房颤自动检测算法流程图Fig.7 The flow diagramof automatic PAF detection

3 结 论

本文提出了一种新的房颤心电融合特征提取方法。首先，利用小波变换对原始心信号做去噪处理,并进行可调品质因子小波变换;其次,对QRS波群频带的重构信号进行R峰的自动检测,进而计算RR间期变异系数与子串长度概率分布熵;然后绘制P波频带范围内小波系数的T-lag散点图,计算其置信散度距离和与置信散度指数;最后，将这4个特征作为最终提取的房颤心电融合特征,并结合MIT-BIH心房颤动数据集与超限学习机完成阵发性房颤的自动检测。数值实验表明本文所提方法能够有效地完成房颤心电的识别,为临床的监测与诊断提供一定的辅助作用。