一种基于融合特征的心肌梗死心电自动判读方法

薛渊元,李朵,宋江玲,张瑞

(西北大学医学大数据研究中心,陕西 西安 710127)

1 引言

心肌梗死(Myocardial Infarction,MI),简称心梗,是由冠状动脉急性或持续性缺血缺氧引起的一种常见的心律失常疾病[1].临床表现为持续性胸痛、呼吸急促、大汗、乏力和发热等,严重者可伴有心力衰竭、昏厥和休克等症状.心肌梗死发作后,如果未能在90分钟内得到及时有效的治疗,患者心脏的冠状动脉出现血栓堵死现象,心肌细胞将会因缺血发生大面积坏死,从而引发不可逆性的损伤,严重者可能会导致心室颤动、房室传导阻滞、心室游离壁破裂和心源性休克等并发症,甚至死亡.因此,对于心肌梗死的及时、准确诊断是至关重要的.

心电图(Electrocardiogram,ECG)是反映人体心脏电信号变化的连续曲线,可以表征人体心脏的综合状态,是临床上诊断心肌梗死的首要筛查手段[2].心肌梗死在心电图上(MI-ECG)的特异性表现主要有:①ST-T改变,即ST段异常抬高或压低;②出现T波高尖、低平、双相变化和倒置等异常T波;③出现病理性Q波,Q波表现为“宽而深”,即Q波时限大于等于0.04s,Q波幅值大于同导联R波的1/4(如图1(b)所示)[3-4].鉴于心电图采集便捷、操作简单、具有可连续监测等特点,以MI-ECG为数据源,采用机器学习方法挖掘MI-ECG中的特异性特征并据此实现MI-ECG的自动判读,显然对于心肌梗死的及时确诊具有重要的临床意义和现实价值.

图1 心电信号示例

关于MI-ECG自动判读的研究主要聚焦于如何刻画心肌梗死发作时在心电信号中的特异性表现.在时域分析方面,文献[5]针对心肌梗死心电信号中ST段特异性变化,提取了ST-T段偏斜度对心肌梗死心电进行识别.文献[6]提取了T波时限、T波偏斜度等刻画T波异常的特征,并结合SVM算法实现心肌梗死和正常心电信号的分类.文献[7]通过提取QRS波群的面积、偏斜度等特征用以描述心肌梗死发作时Q波的异常表现.此外,文献[8]利用多项式拟合法对心电信号进行拟合,并以拟合曲线的多项式系数作为特征,结合J48决策树、随机森林、Kstar和朴素贝叶斯等分类算法区分正常和心肌梗死心电信号.在信号复杂度分析方面,文献[9]利用平稳小波变换对II、III和avF导联心电信号进行分解,并提取了样本熵、对数能量熵和归一化子带能量等刻画信号复杂度的特征,用于实现心肌梗死心电的自动判读.文献[10]提取了信号能量、Shannon熵和Renyi熵等特征,结合统计学离群点剔除法提出两级SVM分类算法,对心肌梗死心电信号进行有效判读.

由于心肌梗死发作时在心电信号中的异常表现复杂多样且具有明显的个体异质性,因此设计一种多特征融合方法,显然是提高MI-ECG自动判读准确率的有效途径.基于此,本文提出一种新的基于融合特征的心肌梗死心电自动判读方法.首先,对原始MI-ECG信号进行去噪预处理;其次,对去噪后的心电信号进行QRS波群和T波的特征波定位;在此基础上,进一步针对心肌梗死发作时MI-ECG信号的三种异常表现,分别提取特征并进行特征级融合;最后,结合轻量梯度提升算法完成MI-ECG的自动判读,并在PTB数据库上验证所提方法的有效性.

2 方法

2.1 心电去噪

心电信号在采集过程中易受到噪声干扰,主要包括基线漂移、工频干扰和肌电干扰[11].其中基线漂移是人体呼吸、电极片移动等所引起的低频噪声,频率小于1Hz;工频干扰是由电力系统引起的一种干扰,频率为50/60Hz;肌电干扰是由于人体肌肉颤动所引起的噪声,频率为5-2000Hz.

本文采用小波变换和软阈值法对原始心电信号进行去噪[12],选取coif5函数为基小波,并设置分解层数为9.图2展示了一条时长为8s的心电信号片段去噪前后对比.

图2 心电信号去噪效果

2.2 特征波定位算法

QRS波群是心电图中最主要的波群之一,其中病理性Q波的出现、ST-T段和T波异常是心肌梗死发作时典型表现.而Q波和S波的定位依赖于R波的定位,因此,本小节聚焦于QRS波群、T波及其起止点的准确定位算法.

给定去噪后的心电信号为X={X(1),X(2),···,X(N)},其中 N 为样本点数,采样率为fs.

2.2.1 QRS波群定位

利用文献 [13]的波形检测方法对 QRS波群峰值点进行检测,得到 R峰序列 R={R(1),R(2),···,R(m)},S 峰序列 S={S(1),S(2),···,S(m)},以及 Q 峰序列 Q={Q(1),Q(2),···,Q(m)}.

计算RR间期序列,记为

其中RR(i)=R(i+1)-R(i).

2.2.2 T波定位

T波异常变化是诊断心肌梗死发作最显著的指征,而刻画T波异常的特征分类性能好坏在一定程度上依赖于T峰和T波终点的定位是否准确.基于此,本小节提出一种新的T峰和T波起点/终点的准确定位算法,具体过程可总结为如下算法(T波定位算法):

步骤1:T波峰值点定位

首先,以R峰为基点,向后进行搜索区间为WT=[Rv+0.15×fs,Rv+0.15×fs+50]的加窗搜索,其中Rv为R峰位置点,fs为采样率,以此获得预选T波段序列.

其次,计算预选T波段的黎曼和分别为ST0i:

其中,k为所述心电片段中划分的子区间数,这里取样本点个数,ΔXTj为预选T波段对应的心电片段序列第j个子区间的长度,FTj为其对应的幅值.若ST0i＞0,则T波为正向波;若ST0i＜0,则T波为倒置波.

最后,以R峰为起点,向后进行窗宽为v1的加窗处理,通过极大(小)值法,得到T峰的位置,其中v1=2/3*RR,得到的正向T峰序列记为

倒置 T 峰序列记为 T2={T2(1),T2(2),···,T2(m)}.

步骤2:T波起点/终点定位

首先,以 T峰为起始点,向心电信号采样方向相同的方向 (向后)进行窗宽为 v2的加窗处理,在每一个窗内通过求导法,得到候选的 T波终点,其中 v2=150ms,得到的候选正向 T波终点序列记作 T1e0={T1e0(i)}和候选倒置 T波终点记作 T2e0={T2e0(i)},其中 i=1,2,···,m.

其次,判断候选T波终点是否存在误检,并对误检T波终点进行修正.计算候选T波终点与T峰之间的水平距离,记作d={di|di=Te0(i)-T(i)},其中i=1,2,···,m.

若di＜THR,其中THR为误检的阈值,根据T波时长特点得到,单位为位置点数,则说明候选T波终点存在误检.那么以T(i)为起始点,向后进行二次加窗处理,在每一个窗内通过求导法检测拐点,记作kij,j=1,2,···,K,K 为检测到的拐点个数,并计算其对应的幅值.计算二次加窗得到的拐点与T峰之间的水平距离为dij=kij-T(i),其中j=1,2,···,K,如果T波为正向波(倒置波),则将窗内dij＞THR,且幅值最小(大)的拐点作为第i个T波终点修正后的位置点.

若di≥THR,则以候选T波终点为最终的T波终点.

最后,重复执行上述步骤,直至得到最终的T波终点序列,记作

其中 i=1,2,···,m.

利用上述方法,向心电信号采样方向相反的方向进行加窗,准确定位T波起点位置.

2.3 MI-ECG的自动判读方法

在临床中,心肌梗死发作时在心电图上主要表现为Q波、ST-T段和T波异常.基于此,本小节从非线性和时域角度提取5个特征并将其融合,以此更全面地刻画心肌梗死发作时的3个典型异常表现.

大斑病、小斑病是玉米种植中最为常见的两种病害，主要病害部位是叶鞘和苞叶，在病情严重的时候，果穗也会被波及，最初病斑呈现水浸状，之后会逐渐变成青灰色，接着会呈现褐色，直至玉米植株枯死。针对这种病害，可以选择抗病性强的玉米品种，及时消除越冬病菌，减少发病几率。

2.3.1 特征提取

心率变异性(heart rate variability,HRV)是指窦性心律周期性改变现象,是评价心脏自主神经功能的一种定量指标[14].计算RR间期的标准差作为刻画心肌梗死心电信号心率变异性的特征:

其中,RR={RR(i),i=1,2,···,m-1},RR(i)=R(i+1)-R(i).

T波高耸或低平通常出现在 MI-ECG中,当 T波幅值小于同导联 R波幅值的1/10,称之为T波低平;当以R波为主的肢体导联T波幅值大于0.6mV,胸导联大于1.0 mV时,称之为T波高耸.因此,提取TR幅值比用于刻画T波幅值异常,其表达式为:

其中,i=1,2,···,m,fT和fR分别是T波幅值和R波的幅值.

取TR幅值比的均值作为特征,记作MDTR.

T波倒置是心肌梗死最典型的特征之一,可通过计算R波和T波的幅值的乘积得到,记为

若FT＜0,则表示T波方向与R波方向相反,即存在T波倒置,将其记为1;反之,记为0.

进而,不受心率变异影响的QT间期离散度可表示为

其中,QTcd(i)=QTcmax(i)-QTcmin(i),QTcmax为校正QT间期最大值,QTcmin为校正QT间期最小值.

取QT间期离散度的均值作为特征,记作MDQT.样本熵是由文献[6]提出的一种反映时间序列复杂度的方法[16].

对于给定的样本点数为N的时间序列x,其样本熵计算方法如下:

从给定的时间序列中提取N-m个长度为m的子序列,记作

综合上述特征,称

为本文所提取的MI-ECG融合特征.

2.3.2 MI-ECG 自动判读方法

对于预处理后的MI-ECG数据,基于上述所提出的方法进行特征提取,并结合轻量梯度提升算法(Light Gradient Boosting Machine,LingtGBM)[17]完成MI-ECG的自动判读.具体流程如图3所示.

图3 MI-ECG自动判读算法流程图

3 数值实验结果分析

3.1 实验数据

本文使用的心电信号均来源于德国国家计量研究所PTB诊断数据库[18],该数据库共包含来自290位受试者的549条记录,每条记录包含常规12导联和3个Frank导联,采样率为1000Hz,分辨率为16bit.其中心肌梗死患者148例(368条记录),健康受试者52例(80条记录).本小节选取80条健康受试者心电记录和160条心肌梗死心电记录进行数值实验,所有实验通过Matlab 2020b和Python 3.7进行实现.

数值实验中,随机选取70%的数据作为训练集,其余30%作为测试集.为了降低随机划分所导致的训练集和测试集中不同类数据点的不均衡,实验执行10次,并取10次实验的平均结果作为最终分类性能的度量.

3.2 实验结果与分析

3.2.1 T波定位结果分析

在T波检测过程中,以R峰为起点,向后进行窗宽为v1=*RR,检测窗内极大(小)值点,并将其作为T波峰的位置点,结果如图4所示,分别展示了正常和T波倒置、低平、高耸等不同异常T波的检测结果.在T波终点修正过程中,结合T波时长特点[19],设置窗宽v2=150(即0.15s),阈值THR=80(即0.08s).修正后T波终点位置如图4中宝蓝色星形所示.

图4 T波检测结果

3.2.2 MI-ECG 融合特征的性能分析

图5展示了本文所提取的心率变异性指标 SDNN、TR幅值比、T波倒置指标、QT间期离散度、样本熵以及融合所有特征的ROC曲线,从图中可以看出,融合特征在MI-ECG的自动判读中性能表现更为良好,优于从单一角度考虑的特征.

图5 不同特征的ROC曲线

3.2.3 MI-ECG 自动判读的结果分析

本文采用准确率Acc、敏感性Sen和特异性Spe作为评估算法性能的度量指标,分别表示如下:

其中,TP(true positive)为真阳性,表示实际为心肌梗死心电且被正确检测为心肌梗死心电;TN(true negative)为真阴性,表示实际为正常心电且被正确检测为正常心电;FP(false positive)为假阳性,表示实际为正常心电但被错误检测为心肌梗死心电;FN(false negative)为假阴性,表示实际为心肌梗死心电但被错误检测为正常心电.

表1展示了本文方法与已有方法在PTB诊断数据库中实现MI-ECG自动判读的性能比较.从表中可以看出,本文所提方法平均准确率、敏感性和特异性优于其他已有方法,分别为97.74%,98.32%和96.40%.

表1 本文方法与已有方法性能对比

4 总结

本文提出了一种新的基于融合特征的 MI-ECG自动判读方法.首先,利用小波变换和软阈值法对原始心电信号进行去噪处理;其次,对去噪后的信号进行QRS波群和T波的定位,进而计算RR间期、R波幅值和 T波幅值;然后,提取心率变异性指标SDNN、TR幅值比、QT间期离散度、T波倒置指标和样本熵等特征并将其融合;最后,结合 PTB诊断数据库中心肌梗死心电数据,利用轻量梯度提升算法实现MI-ECG的自动判读.数值实验结果表明,本文所提方法在MI-ECG自动判读中具有可行性且性能表现良好,能够为辅助医生快速完成心肌梗死临床诊断提供有效指导,从而提高心肌梗死的诊断效率和准确率.