穿戴式心电信号伪差识别算法的研究及应用

上官卫华， 李烨， 吴敏

(1.中国科学技术大学 软件学院，安徽，合肥 230026 ； 2.中国科学院 深圳先进技术研究院 生物医学信息技术研究中心，广东，深圳 518055)

随着人们健康意识的增强及关联技术的发展，关于穿戴式心电的创新层出不穷[1]，目的均为尽可能无感地、精准地提供心电健康服务，但脱离了医院特有的静止检测、专业医生操作、定期设备维护、医生介入生成报告等背景，穿戴式移动应用均面临着一个不可避免却又严峻的问题[2]，即日常监测带来的干扰，除了常见的肌电干扰、工频干扰、基线漂移外，影响最大的是身体活动及设备原因带来的波形干扰，如爬楼梯、提重物甚至睡眠时挤压到贴片电极、采集设备低电量等，均会引起心电描迹线的起伏，严重情况甚至可以湮没正常的心电信号，造成心电自动分析失败，失去心电监测的价值，甚至带来受检者对健康担忧等负面影响.

基线漂移、工频干扰及部分肌电干扰因其频率特征可通过滤波算法进行滤除[3-5]，对应的研究很多，而运动干扰、设备干扰引起伪差具有无规律可循、频谱范围与心电频谱重叠、且形态易与异常心电波混淆等特点，设备依懒性高，去除难度较大，对应研究相对较少. 田学隆等[6]提出了基于小波变换和似然无偏估计的运动伪差消除法，但主要是消除肌电干扰和基线漂移；卞玉萍等[7]提出了一种基于最小二乘法原理的运动伪差识别算法，通过设定伪差波形与正常波形之间残差能量的阈值系数，识别出运动伪差波形，但阈值设置依赖性强，设置不当会严重影响分析结果的准确度；涂岳文等[8]提出了基于心搏聚类的Holter运动伪差快速识别算法，其识别是在QRS复合波识别完成后进行的，且算法运行复杂度较高. 关联文献中伪差去除算法均是基于QRS识别基础上的，伪差严重的数据直接进行QRS波识别运算量大，且分析结果准确度极低，而穿戴式设备采集的心电伪差严重的情况比较高发，需要设计可行的伪差处理算法.

由于运动或者设备原因引起的伪差持续时间长短不一，如运动或者电极脱落等可能持续长达数小时，触碰电极可能仅发生数秒；穿戴式心电监测设备可能为贴片式，也可能是手持式，采集的数据质量良莠不齐，信号增益大小不一、采样频率高低不一，数据时长也差异巨大[9]，本文旨在设计一种运行高效、普适性强的伪差识别算法，可应用于众多型号的心电设备采集的心电信号，通过伪差识别算法提升心电自动分析的效率及准确度. 为达到运行高效、普适性强的效果，本文创新性地提出将伪差识别融合到心电自动分析3个关键环节中、并且判断阈值多采用比值，以降低对硬件采集设备及被采集对象的依懒性.

1 伪差组合算法设计

心电自动分析算法包括3个必备环节：心电预处理、心电特征提取、心电波形分类及异常判断. 心电预处理一般实现心电数据的滤波，滤除工频干扰、基线漂移及肌电干扰[8]，本文提出将伪差识别前置到心电预处理环节，通过幅度突变度和突变分布连通性识别明显存在的伪差数据段，避免伪差数据过多耗费运算资源；在心电特征提取阶段，提出根据极大极小值对凌乱度识别伪差数据段，伪差识别精细度可大幅提高；在心电波形分类基础上，提出依照异常波常识进行伪差的判断，并回溯修正心电特征提取及波形分类结果.

为提升运行效率，心电预处理环节伪差识别采用从粗到细的思路，优先识别出持续时间长的伪差信号段，再识别短暂发生的伪差信号段，既兼顾了运行效率，又尽可能地保留了有用的心电信号. 本文创新性地提出3个不同阶段4种伪差识别模块组合的伪差识别方案：预处理阶段的长时间间期及短时间间期的伪差判断、心电特征提取阶段QRS检波中的伪差判断、异常波分类后的伪差判断，流程框图如图1所示. 其中，长时间间期的伪差判断主要目的为提升算法的运行效率，其他3个模块主要目的为提升算法的运算精度.

图1 伪差判断流程图Fig.1 Flow chart for judgment of artifact

1.1 长、短间期伪差判断

在开始长间期伪差判断之前，需先对心电数据进行滤波处理，滤除基线漂移及工频干扰，同时实现心电基线归零化. 针对250 Hz的心电采样频率，设计简单整系数梳妆滤波器，并明确传递函数如下：

(1)

该滤波算法适用于采样频率为50整倍数的心电信号，如若心电设备的采样频率不满足该条件，可以先通过插样法调整心电信号的采样频率，然后再设计滤波函数. 该滤波方案实现简单、可同时滤除基线漂移和工频干扰且几乎不带来波形失真.

长间期伪差判断是通过固定时长心电信号幅度突变度来识别伪差，并通过突变分布连通性来批量识别伪差，具体分析流程如下.

① 将滤波后心电数据按照固定的时间间隔等分为N段，固定的时间间隔为伪差判断的最小时间单位，根据发生电极脱落或接触不良并快速调整恢复的最短时间，本文设定长时间间期为5 s.

② 一次对5 s数据DATA计算其均值M(i)及均方差EQ(i)，其中i为数据段的标号，从0～N-1. 使用N段间期的均值M(i)及均方差EQ(i)，求取全部数据的平均均值M_ALL及平均均方差EQ_ALL.

③ 本文设定阈值k=5，若M(i)>kM(i-1)或者M(i)<1/kM(i-1)或者EQ(i)>kEQ(i-1)或者EQ(i)<1/kEQ(i-1)，则将相应的突变信息J(i)设置为1，否则J(i)设置为0.

④ 每隔5 min(即60个数据段)对信号的突变信息进行统计，即将J(i)值进行加和，其加和值大小体现了心电信号的变化程度，若大于特定阈值M，本文经数据测试设定M为10，则说明此段数据波幅起伏很大，波形混乱，则将其对应的5 min数据段全部判断为伪差。

通过本流程可通过突变连通性一次性识别5 min的伪差数据，也可以根据幅度突变最小精度识别5 s的伪差数据，且算法中所有参数均不依赖于任何特定的采集设备，流程图如图2所示.

图2 长间期伪差判断流程图Fig.2 Flow chart for judgment of long interval artifact

针对短时间内心电采集质量差，且长间期伪差识别算法识别不到的情况，短间期心电伪差识别可精细化地识别出1 s或其倍数时长的差心电信号.

1.2 QRS检波中的伪差判断

QRS心电波特征提取过程中，不论采用何种分析方法，基本思想都是对心电波形进行变换后通过正负极大值对来确定QRS复合波主波位置，频率较高的噪声表现为变换后波形快速正负向变化，正常心电波的主波被淹没其中，容易造成检波错误，此阶段可利用正负极大极小值对数进行伪差判断，具体流程如下.

① 对原始心电数据进行变换，如二阶差分或小波多层分解，本文采用数学形态学变化[10]，变换后的QRS波斜率得到进一步增强，T波及P波被削弱，更容易识别QRS复合波；

② 对变换后的心电数据每隔5 s求取一次最大最小值(MAX,MIN)，并更新一次阈值. 设定正负向阈值系数分别为k1、k2，本文设定k1=k2=0.25，变换后的数据中如果大于k1·MAX，则正向标识Po加1；如果小于k2·MIN，则负向标识Ne加1；

③ 固定时长极大极小值对凌乱度若超出特定阈值，则判定此时间段是伪差数据，予以剔除，可在检波过程中不增加运算复杂度地进行伪差判断. 因一对极大极小值高于阈值的持续时间不超过0.02 s，故确定凌乱度阈值为0.1.

极大极小值对凌乱度Mu=(Po+Ne)/fs/T,其中Po为正向标识，Ne为负向标识，fs为采样频率，T为固定时长(本文中T=5 s).若Mu>0.1，判定该时间段数据是伪差数据.

1.3 异常波分类后的伪差判断

心电检波后提取QRS波主波位置及波宽作为特征信息，基于此特征信息进行波形分类及异常识别，通过RR间期杂乱度以及心拍模板相似度进行伪差判断，具体判断流程如下.

① 对标识为房早、室早或插入性室早的心电波形进行伪差判定，在此波形前后各选取满足特定条件(此心电波及此后的一个心电波均为正常波)特定个数(本文选择为6个)的心电波，并记录其RR间期；

② 对上一步的RR间期序列进行分析，如果相邻两个RR间期的比值超过特定范围(本文设定为1.3)，则记录为一个突变；

③ 如果突变的个数超过某个具体值(本文设定为2)，则表明此异常波周围的心电波位置信息可能存在错误，若异常波为室早或插入性室早，则判定此心搏为伪差；若异常波为房早，则将该心搏与附近4个正常的QRS复合波的平均值进行相似度比对，相似度差异过大，则判定此心搏为伪差；

④ 剔除标识为伪差的心电波，重新统计QRS波序列并重新进行异常波形分类及识别，即通过回溯的方式完成识别结果的矫正.

2 实验方案和结果分析

本文算法的设计及验证均使用MVS2015自行开发的可视化动态心电分析应用程序，该应用可完成心电数据的自动分析及波形绘制与标注，按分钟缩略展示长程心电图，并以不同颜色及符号标识异常心电波，可任意选择6 s的心电波形进行查看. 针对长程、短程及检波过程中识别出的伪差数据段，应用程序中将数据段描记为黄色；针对心电检波后被识别为伪差的心电波，将其用符号“W”来标识.

应用程序心电数据分析结果绘制页如图3所示，图中30 min的心电数据中约8 min数据(08:46—08:54)存在运动伪差，波形剧烈晃动，已识别不到正常的心电搏动，如第一幅图心电放大区所示；第二幅图心电放大区显示的为异常波分类后识别出来的伪差，波形明显异于周围波形，多为短暂运动干扰引起，不能将其判断为异常心电.

图3 动态心电分析应用程序关键功能及伪差分析结果标识图Fig.3 Key functions of dynamic ECG analysis application program and identification map of artifact analysis results

2.1 实验数据

为充分验证伪差识别算法性能，本文选择了4种心电数据来源进行算法验证，分别为：MIT-BIH心律失常数据库(采样频率360 Hz，采集时长30 min)、自行研发的微型动态心电仪在临床医院采集的心血管住院病人时长12 h的数据(分别设置的采样频率为150 Hz、250 Hz)、自行研发的手持式心电采集仪(采样频率250 Hz，采集时长2 min). 在运行伪差识别算法前，从4种数据源中分别选择10组样本心电数据进行人工伪差标定，伪差标定精细度为1 s，每10组数据中均包含重度(伪差时长占比超过30%)、轻度(伪差时长占比超过10%不超过30%)、未受伪差影响(伪差时长占比低于2%)的情况，通过算法自动识别后统计算法伪差识别准确率、QRS复合波识别率、算法运行时长.

2.2 实验结果

2.2.1伪差识别准确度

对样本数据伪差段漏误检的效果评估采用灵敏度(sensitivity,SE)α和阳性预测率(positive predictive value,PV)β2个参量来衡量，其定义分别为

(2)

式中：ηTP表示真阳性；ηFP表示假阳性；ηFN表示假阴性. 灵敏度反应出伪差段的正确识别率，阳性预测率反应了识别出来的正确伪差的比率. 算法对4种样本数据源的伪差识别结果如表1所示，可以看出针对不同采样频率不同采样时长的心电数据，在无需调整伪差识别算法参数前提下，本文提到的伪差识别算法灵敏度可以达到98.35%，阳性预测值可达到99.42%.

表1 伪差识别结果统计表

2.2.2伪差识别对QRS识别准确度的影响

本文分别统计了不使用伪差识别算法、使用前3种伪差识别模块、使用4种组合模块的QRS波检出准确率(即阳性预测率)，结果如表2所示. 为验证算法效果且便于与同类算法比较，MIT-BIH选用的为48组全样本数据. 结果表明，使用组合式伪差识别算法可大幅提升QRS波的检测准确率，将其平均准确率提升到99.20%，其中异常波分类后的伪差判断贡献突出，MIT-BIH数据库QRS波准确率为99.88%，高于关联文献中最好算法统计的准确率99.86%[11].

表2 伪差识别算法对QRS波正确率影响统计表

2.2.3.伪差识别算法对整体运算量的影响

实验将40组样本数据依照3类(重度、轻度、未受伪差影响)统计心电自动分析算法运行时间，统计结果如表3所示. 结果表明，针对重度伪差数据，使用伪差识别算法后运行时间大大降低；针对未受伪差影响数据，运行时间有所提升；但对于样本数据的算法平均运行时长下降了20.95%. 说明本伪差识别算法并未增加整体运算量，但却可以大大提升QRS复合波的检出正确率.

表3 伪差识别对心电分析算法运行时间的影响统计表

3 结论

针对穿戴式心电设备采集的信号存在的运动及设备伪差问题，本文提出了在心电自动分析关键环节嵌入4种伪差识别组合算法的解决方案，该方案在不增加甚至缩短心电自动分析算法运行时间的前提下，大幅提升QRS波识别正确率；且伪差识别算法中设定的参数并不依赖于采样频率、采样增益、采样时长等硬件设计参数，算法具有普适性.

本文提出的伪差识别算法已作为独立模块嵌入自行研发的心电健康云平台后台算法中，大大强化了分析算法的性能，服务众多类型的穿戴式心电终端设备，在穿戴式心电采集设备的数据分析中发挥了很大的应用价值.