基于語義挖掘的室性心動過速及心室纖顫檢測

胡峻峰，曹 軍

(東北林業大學機電工程學院，哈爾濱 150040)

1 概述

如果將正常竇性心律或者室性心動過速(Ventricular Tachycardia,VT)[1]誤診為心室纖顫[2](Ventricular Fibrillation,VF)，病人的心臟將會受到不必要的損傷。相反，如果將VF誤診為VT，結果可能是致命的，這使得VF和VT的正確檢測是非常重要的。

目前許多采用不同檢測方法的VF自動檢測系統，包括時域分析[3]、頻域分析[4]、神經網絡[5]、小波分析[6]和非線性分析[7]，大多研究者選擇時域分析方法，因為該方法相對簡單。時域分析包含自相關函數(Auto Correlation Function,ACF)[3]、越限區間(Threshold-crossing Interval,TCI)[3]、時延方法[3]和越限樣本計數(Threshold-crossing Sample Count,TCSC)[3]，通常采用功率譜分析，通過觀察VF信號的功率譜將VF信號特征化，頻譜據范圍為4 Hz～7 Hz。其他采用頻域分析的方法包括改進振幅分布分析(Mended Amplitude Distribution Analysis,MADA)[8]和多重分形頻譜分析(Multifractal Spectrum Analysis,MSA)[9]。隨著神經計算領域的迅速發展，學者將人工神經網絡應用到VF信號檢測中，該技術可解決類與類之間的非線性區分問題[10]。小波轉換[11]和非線性分析[12]也已應用到檢測和區分VF信號中。雖然這些方法中一部分很有前景，特別在它們的敏感度和專業性方面仍有很大的提升空間，但它們僅可以區分正常竇性節律和VF，而不能很好地區分VT[13-14]。

綜上所述，必須合理地分類與識別VF和VT才能避免不必要的損害，因此，本文提出了一種語義挖掘(Semantic Mining,SM)方法，通過提取頻率、衰減系數和輸入信號等信息來特征化VT和VF。

2 基于巴特沃斯通帶濾波器的語義挖掘方法

2.1 ECG濾波器和二進制脈沖

原始心電圖(Electrocardiogram,ECG)[15]信號通常含有噪聲，會影響某些ECG識別系統識別ECG信號模式的能力。ECG噪聲包括肌肉噪聲、電極運動引起的人造噪聲、電源線干擾噪聲和基線漂移。另外擁有與量子共振檢測儀(Quantum Resonance Spectrometer,QRS)[6]復體相同的高頻特征T波可能也影響ECG識別系統的性能。因此，需要一個濾波處理來克服這些問題。本文將文獻[4]中的濾波處理稍加改進，首先選擇通頻帶為1 Hz～30 Hz的巴特沃斯帶通濾波器對ECG信號進行濾波[4]，并將濾波過的ECG信號分割為4-s ECG，接著將分割的4-s ECG正則化為段中的最大絕對值，最后將正則化ECG信號轉化為二進制脈沖0-1。

2.2 語義挖掘

語義挖掘通過模擬語義概念的表現模式來描述一個系統的振蕩行為，相反，模擬由語義概念產生的系統輸出不僅決定語義的概念值，還決定精確的參數值，該參數值決定了它們的表現性能，式(1)展示了它們的關聯性：

其中，ω是自然頻率；ζ是阻尼系數；u是心臟振動系統的輸入參數；x是由式(2)中的ECG二進制分解獲得的二進制脈沖。ω,ζ,u這3個參數可能是常數、變量或者可能動態變化。文獻[7]通過消除這3個參數(ω,ζ,u)為模式識別結構，提出了3種單獨的算法組成一個語義挖掘算法。所提方法采用第3種算法，因為當提取的參數是變量且系統擁有二階動態特征時，它能更好地預測ω和u。

采用第3種算法，時刻1到時刻4衍生了一個單點，分別表示為x',x'',x''',x''''，給出二階系統：

采用這些提取的參數(由式(6)～式(8)獲得)，每個參數的平均振幅可計算出。分析這些平均振幅可以確定N,VT,VF發作之間的顯著區別，圖1顯示了包括采用語義挖掘算法特征化N,VT,VF的處理流程。

圖1 檢測算法處理流程

2.3 數據分析

正常竇性節律的ECG信號、VT和VF由MIT cudb(克瑞頓大學室性心律失常數據庫)[9]獲得，該數據庫是大型的通用在線識別數據庫。本文研究使用100例正常竇性節律(N)發作，100例室性心動過速信號(VT)和100例心室纖顫從該數據庫選出。N發作從每個ECG記錄中選出，該記錄包含VT或VF發作。這些發作病例是由數據庫提供的一個合格心臟病學家的注釋進行選擇，每次發作時間為4 s。

圖2為ECG信號的實例。正常竇性節律的ECG由相同的P波、QRS復體和T波組成，同時帶有規則的節奏(圖2(a))，但是在室性心動過速ECG中，沒有發現P波，QRS復體是廣泛且不規則的(圖2(b))，同時節奏有時是規則的，有時是不規則的，心室纖顫ECG沒有P波和QRS復體，節奏是混亂的(圖2(c))。

圖2 采用ECG信號的實例

圖3表明了針對每種類型的ECG發作的語義挖掘算法的步驟，首先對原始ECG信號應用濾波器處理來消除噪聲，去除噪聲后，將ECG標準化為段中長達4 s且值為最大的小段，接著采用式(2)將標準化的ECG信號轉化為二進制脈沖(0-1)，最后在這些來自ECG信號的二進制脈沖上實施語義挖掘，采用式(6)～式(8)提取出3個參數(ω,ζ,u)。將每個參數的平均振幅計算出，對其分析從而識別出N,VT和VF發作之間的顯著區別。

圖3 N發作分析的語義挖掘算法

3 實驗結果與分析

3.1 可行性

本文采用單因素模型的方差分析(Analysis of Variance,ANOVA)表進行統計分析，以確定由N,VT,VF提取的每個參數(ω,ζ,u)的概率分布，ANOVA顯示自然頻率(ω)、輸入參數(μ)的平均振幅和標準偏差，ω和u分別表明當F2299=690.47,P ＜0.001和F2299=1795.11,P＜0.001時，N,VT,VF之間的顯著差別。

實驗僅考慮T測試分析中的ω和u，因為ζ沒有顯示出不同ECG發作間的明顯區別，ECG發作的正常頻率(ω)參數平均振幅設置固體水平線的2個閾值：高(t1=0.34)、低(t2=0.175)。ECG發作輸入參數(u)平均振幅設置固體水平線的2個閾值：高(t3=0.335)、低(t4=0.20)。其中，300例ECG發作中每種類型的ECG信號：N,VT和VF各100例。

分析ECG發作的輸入參數(ω)的平均振幅可知，參數ω的平均樣本明顯不同于N和VT發作(P＜0.001)，N發作(0.11±0.003)的平均振幅明顯低于VT發作(0.40±0.005)的。平均振幅的不同是明顯的(P＜0.001)，其中，VF 發作(0.30±0.008)的平均振幅明顯低于N發作(0.11±0.008)。VT和VF發作間的顯著區別發現(P＜0.001)，VT 發作(0.40±0.005)的平均振幅稍微高于VF發作(0.30±0.008)的平均振幅。

分析ECG發作的輸入參數(u)的平均振幅可知，通過設定2個閾值 t3=0.335和t4=0.20，任何平均振幅低于t4的ECG發作將會分類為N；一個平均振幅在t3和t4之間的ECG發作將會歸類為VT，該歸類通過統計分析采用T測試驗證(表1)，其中，數據的形式是均值±標準差。平均ω值的顯著區別在N和VT發作(P＜0.001)、N和VF發作(P＜0.001)和VT和VF發作(P＜0.001)之間發現，VT發作(0.37±0.004)的平均振幅在3種ECG中是最高的，接著是VF發作(0.30±0.004)和N 發作(0.08±0.003)。

表1 不同類型ECG信號的平均振幅分布

3.2 算法性能

用來對ECG發作(N,VT,VF)進行分類的所提算法的性能由靈敏度(Se)和專一性(Sp)來衡量，定義如下：

其中，TP是真陽性的；TN是真陰性；FN是假陰性；FP是假陽性。如如果集中計算正常節奏的Se和Sp，將TP定義為非正常節奏，它可正確地特征化為非正常節奏，將TN定義為正常節奏，它可正確地特征化為正常節奏，將FN定義為非正常節奏，它可錯誤地特征化為正常節奏，將FP定義為正常節奏，它可錯誤地特征化為非正常節奏。這些參數對于VT到非VT和VF到非VF都很適用。

實驗采用300個ECG發作用來進行訓練、驗證和測試以評估語義挖掘(SM)檢測技術。將這300個 ECG發作中 的180個分配到訓練階段(58個N發作，62個VT發作和60個VF發作)，另外60個發作分配到驗證階段(20個N發作，21個VT發作和19個VF發作)，剩下的60個發作分配到測試階段(22個N發作，17個VT發作和21個VF發作)。圖4顯示了混淆矩陣，總結了SM算法的結果。

圖4 語義挖掘算法的混淆矩陣

從圖4(a)的訓練混淆矩陣可以看出，58個發作都特征化為N，產生了100%的靈敏度。

從圖4(b)的驗證混淆矩陣可以看出，VT中的2個發作錯誤的特征化為VF，4個VF發作錯誤的分類為VT，產生了96.8%(60/62正確的識別為VT)的靈敏度。

從圖4(c)的測試混淆矩陣可以看出，沒有發現錯誤的N類型ECG發作的檢測，對于N發作，產生了100%的靈敏度，對于VT發作，產生了94.1%(16/17正確識別為VT)的靈敏度，對于VF發作，產生了95.2%(20/21正確識別為VF)的靈敏度。

因此，本文算法可以完全區分開N發作和VT,VF發作而沒有任何錯誤檢測，同時可以區分VF和非VF發作(N和VT)，靈敏度和專一性分別為95.2%(20/21正確識別為VF)和97.4%(38/39正確識別為非VF)。

3.3 方法的比較及分析

為了更好地評估算法的性能，將本文的SM技術與以前的算法比較，包括相空間重構(Phase Space Reconstruction,PSR)[3]，越限樣本計數(Threshold-crossing Sample Count,TCSC)[4]，K近鄰規則[11]和多重分形奇異譜(Multifractal Singularity Spectrum,MSS)[6]，選擇這4種技術是因為它們有較高的靈敏度和專一性值。選擇靈敏度和專一性作為比較特征是因為靈敏度說明了該技術在對ECG正確分類上有好的表現(N發作正確地檢測為N，VT發作正確地分類為VT，VF發作正確地特征化為VF)，同時專一性揭示了該技術在檢測一個信號的特征出現的性能。也就是說，該技術可以描述一個VF發作是否可以分類為既不是N又不是VT，反之亦然。

表2比較了提出SM技術的VF和非VF分類和通過其他方法獲得的靈敏度和專一性。MSS技術相對于其他4種方法產生了最高的專一性和靈敏度(99%)，接著就是提出的SM和K近鄰技術，它產生了稍低的專一性和靈敏度值。雖然MSS的專一性和靈敏度是最高的，但是MSS相對于SM使用了較長的ECG發作進行分析(5 s與4 s)。相同的結果在K近鄰技術中發現，它們使用了更長的持續8 s的ECG發作。一個持續更長時間的分析可能提高檢測精度，但是因為VF是可致命的，它必須快速檢測，較長的信號可能不合理，該分析必須在來自短時間數據下高效地運行。表2表明，采用語義挖掘的提出方法不僅有高靈敏度和專一性，同時相對于其他4種分析的方法需要更短的發作持續時間。

表2 語義挖掘方法和其他方法的對比

4 結束語

針對現有的診斷系統較難準確區分室性心動過速(VT)和心室纖顫(VF)的問題，本文提出了一種檢測室性心動過速和心室纖顫的語義挖掘方法，通過采用語義挖掘來提取ECG信號的顯著特征，并利用提取的特征將ECG信號分為N,VT和VF 3類。實驗結果表明，本文提出的語義挖掘方法具有識別ECG模式的能力，可以準確區分N,VT和VF。此外，與其他已有的方法相比，本文所提方法計算高效，非常適用于實時完成任務。下一步將本文所提的語義挖掘方法用于其他領域，通過改變初始參數的設置，進一步提高檢測效率。

[1]周賢惠,何 莉,湯寶鵬,等.三維電解剖指導右心室流出道特發性室性心動過速的導管消融[J].中國介入心臟病學雜志,2011,19(1):15-21.

[2]謝佳興,王 俊.基于多重分形去趨勢漲落的心室纖顫和心動過速分析[J].北京生物醫學工程,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]劉亞楠,吳 飛,莊越挺.基于多模態子空間相關性傳遞的視頻語義挖掘[J].計算機研究與發展,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]劉婷婷,林 琿,代漢青.利用SVM相關反饋和語義挖掘的遙感影像檢索[J].武漢大學學報:信息科學版,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]楊 偉,朱燦焰.基于混沌系統的心電圖信號分類檢測方法[J].通信技術,2011,44(2):125-128.