基于多特征融合的陣發性房顫自動檢測算法的研究*

劉學森，張俊仕

(1.河南省駐馬店市中心醫院心內科，河南駐馬店 463000；2.新疆醫科大學，新疆烏魯木齊 830011)

1 引 言

心房顫動簡稱為房顫[1],是一種常見的心血管疾病，主要特征為快速性心律失常。房顫容易誘發腦中風、血栓、心力衰竭等疾病，情況嚴重者會危及生命。現今，我國房顫患者高達1 000多萬，隨著居民生活質量的不斷提升，房顫患者出現了明顯的年輕化趨勢，引起醫學領域的極大關注[2]。

依據房顫發作持續時間，可以將其劃分為三個階段，分別為陣發性房顫、持續性房顫與永久性房顫。由于陣發性房顫具有發作持續時間短、復發率高、心電圖難捕捉等特點，隨著患者病程的延長，會逐步演化成持續性房顫或永久性房顫，威脅患者的生命[3]。故如何檢測陣發性房顫被稱為醫學領域重點研究課題之一。心電圖是常用的心血管疾病檢測手段，主要是記錄患者心臟活動發生電位變化曲線，以此來反映患者心臟情況。由于現有陣發性房顫自動檢測算法提取心電特征過于單一，無法滿足患者的醫學檢測需求，故本研究提出基于多特征融合的陣發性房顫自動檢測算法研究。

2 陣發性房顫自動檢測算法設計

2.1 心電信號降噪方法設計

心電信號采集過程中，由于受多種背景噪聲的影響難以檢測較微弱的心電信號，且嚴重的噪聲環境會掩蓋大量有效的疾病信息。心電信號中噪聲通常包含工頻干擾、肌電尾跡、電級接觸噪聲、內部噪聲與隨機噪聲等[4]。為了更加精確地檢測陣發性房顫，基于小波包分解算法對心電信號進行降噪處理[5]，步驟如下：

(1)

ρi表示的是能量比率，由子帶信號經過計算而得。

步驟三：更新全部子帶信號相應小波包系數，公式為：

(2)

(3)

α表示的是調節參數；λ表示的是固定閾值。

步驟四：以步驟三更新小波包系數為基礎，重構心電信號，獲得降噪后心電信號S。

2.2 R峰自動檢測

以降噪后心電信號為基礎，基于小波變換技術自動檢測R波波峰，為下述心電信號特征提取做準備[6]。

利用寬度為T秒的滑動窗對降噪后心電信號S進行分段，心電片段記為S=(S1,S2,…,SN)，N表示的是片段總數量。基于小波變換對心電片段Si進行離散化處理，將其分解為K個子帶信號，記為Si(CK)。

依據心電信號QRS波群的頻率分布范圍，選取適當的子帶信號作為QRS占優子帶[7]，記為Si(CK*)，以此為基礎，檢測并確定候選R峰位置[8]。首先，定義Si(CK*)上轉折點集合為TURi，動態閾值為THRi，在集合TURi中篩選出全部大于動態閾值的點，表達式為：

(4)

將式(4)結果在QRS占優子帶Si(CK*)上相應的位置序列記為ri，即為候選R峰位置序列。

利用小波變換[9]將候選R峰位置序列ri映射到心電片段上，獲取心電片段上的候選R峰位置序列，記為Ri。由于Ri存在著一定的誤差，利用半徑為v的加窗微調心電片段候選R峰位置序列，并仍將其記為Ri。

觀察心電信號RR間期局部變化趨勢，依據RR間期序列的左、右鄰平均值篩查R峰，降低個體差異，避免誤檢情況發生，并能夠避免房顫心電片段中的R峰被去除，提升陣發性房顫自動檢測的精度[10]。其中，RR間期序列的左、右鄰平均值計算公式為：

(5)

Mleft(p)與Mright(p)分別表示的是RR間期序列的左、右鄰平均值；RRi(j)表示的是RR間期序列。

2.3 心電信號特征提取

基于上述R峰自動檢測結果，依據熵理念，分別在P波缺失與RR間期不規則兩個角度提取心電信號特征，為下述陣發性房顫自動檢測提供可靠的、多樣的數據支撐。

2.3.1基于P波的特征提取 正常心電信號中，每個心動周期內均包含一個圓鈍并平滑的P波[11]。但若是人體出現房顫，正常竇性P波缺失，取而代之的為f波，其具備大小不一、間隔不均、快速振蕩等特性。故本研究通過能量變化指數來描述P波與f波之間的不同。

根據已有研究可知，P波頻率分布范圍約為0～20 Hz，故該頻率范圍內的子帶信號對陣發性房顫檢測更加有效。將0～20 Hz頻率范圍內的子帶信號稱為P波占優子帶，記為Si(Cj)。以此為基礎，通過短時傅里葉變換獲取心電片段在子帶信號Si(Cj)的頻譜圖，見圖1。

由圖1可知，陣發性房顫心電功率譜在大部分頻率范圍內高于正常心電功率譜。當時間t固定時，陣發性房顫心電功率譜值隨著頻率變化產生明顯改變，而正常心電功率譜值無明顯變化，并保持基本穩定[12]。

圖1 心電片段頻譜圖

將頻譜圖按照時間軸方向切割為多個薄片，記為“SP切片”。則Si(Cj)能量變化指數計算公式為：

(6)

則對于K*個可用子帶信號來說，心電信號相應P波特征為Fp={EVINK*}N×K*。

2.3.2基于RR間期的特征提取 通常心房率與心室率保持一致，約為60～100次/min，RR間期規則劃一；當人體發生陣發性房顫時，心房率與心室率發生變化，心房率可以達到心室率的2～3倍，約為350～600次/min，RR間期呈現出絕對不規則的特征[13]。故本研究通過RR間期振蕩指數來描述正常心電與陣發性房顫心電之間的不同。

圖2 心電片段RR間期分布圖

正常心電信號中RR間期長度幾乎保持一致，而陣發性房顫心電信號中RR間期分布較為散亂，長度變化區間較大[15]。

心電信號RR間期振蕩指數計算公式為：

(7)

2.4 陣發性房顫自動檢測

為了提升陣發性房顫自動檢測精度，利用決策級融合算法將上節提取的心電信號特征進行融合，通過支撐向量機自動檢測陣發性房顫[16]。

利用決策級融合算法獲得陣發性房顫心電融合特征：

F={Fp,FRR}N×(K*+4)*

(8)

支撐向量機實質上是一個二分類模型，可以總結為特征空間上的最大間隔超平面，利用數學方法對特定問題進行求解。支撐向量機最關鍵部分為分類決策函數，表達式為：

(9)

sign(·)表示的是分類決策函數；b*表示的是分類決策函數參量。

通過上述過程實現的陣發性房顫自動檢測，不僅為陣發性房顫患者提供更加有效的診斷手段，也為患者爭取到較多的治療時間，防止病情惡化為持續性房顫或永久性房顫。

3 數值實驗與結果分析

3.1 實驗數據庫選取

為驗證本研究算法性能，選取MIT-BIH數據庫作為實驗數據庫。本研究采用MIT-BIH數據庫中房顫數據集合，該集合中包含25條心電片段，需要注意的是，其中23條為陣發性房顫心電片段，另外兩條心電片段標記未完全。陣發性房顫數據參數見表1。

表1 陣發性房顫數據參數表

在房顫數據集合中，選取04015、04043、04126、04908、04936、07910、08378等記錄中的30 min心電片段作為實驗數據集。

由于篇幅的限制，本研究只展示記錄04043的心電片段，見圖3。

3.2 實驗評價指標選取

為了直觀顯示本研究算法的檢測性能，選取敏感度、特異度與準確率作為算法檢測性能實驗評價指標，計算公式為：

(10)

圖3 記錄04043心電片段圖

sensitivity、specificity與accuracy分別表示的是敏感度、特異度與準確率；TP表示的是真陽性，指的是陣發性房顫心電被正確檢測；FN表示的是假陰性，指的是陣發性房顫心電被誤檢；TN表示的是真陰性，指的是正常心電被正確檢測；FP表示的是假陽性，指的是正常心電被誤檢。

3.3 實驗結果分析

依據選取的實驗數據進行數值實驗，通過六次不重復實驗并計算平均數值作為實驗結果。通過個人獨立檢驗與交叉檢驗兩種方式驗證該算法的檢測性能。通過個人獨立檢驗得到實驗評價指標數據見表2。

表2 個人獨立檢驗實驗評價指標數據表

依據表2數據進行交叉檢驗，則得到實驗評價指標數據見表3。

由表2可知，個人獨立檢驗實驗評價指標數據較好，表明本研究算法具備有效性。由表3可知交叉檢驗中，檢測效果也優良，并具備普適性，說明本研究算法在臨床應用中具備較高的輔助作用。兩種檢驗方式結果存在一定的差距，主要由患者間個體差異性造成，并且該影響因素無法避免。

上述數值實驗結果顯示，本研究算法敏感度為94.6%，特異度為93.7%，準確率為94.0%，滿足現今陣發性房顫的檢測需求，具有可行性。

4 結束語

本研究基于多特征融合技術設計了陣發性房顫自動檢測算法，極大地提升了算法的敏感度、特異度與準確率，為陣發性房顫臨床檢測提供了更加有效的手段，為陣發性房顫醫學研究提供一定的參考。