基于12 导联的心电特征可视化分析

王佳琪， 袁永峰

（1 东北林业大学 信息与计算机工程学院， 哈尔滨150040； 2 哈尔滨工业大学 计算机科学与技术学院， 哈尔滨150001）

0 引 言

随着社会的不断发展，人口老龄化及城镇化进程加速，我国心脑血管疾病率及死亡率加速增长，心脑血管病现患病人数2.9 亿，2016 年心脑血管死亡率仍居首位，高于肿瘤及其他疾病，因此心电检测尤为重要。 现代检测心电的手段通常采用12 导联技术，12 导联的电极位置分布在四肢、前胸和腋下周围，帮助诊断心脏周围异常部位。 同时由于12 导联技术的发展，心电图可视化技术也随之出现，传统的可视化技术是采用面绘制的方法对体表电位进行可视 化， Liberos A 等［4］通 过 体 表 电 位 仿 真 技 术（BSPM）研究房性心律失常的信号传播活动，同时也出现了针对心脏三维建模的可视化技术，Ramanathan 等［5］通过ECGI 对正常成人的心脏进行了电生理研究，利用ECGI 技术对健康成年人心脏心外膜电位、电图及等时线进行无创重建，可显示正常心室激动特征，尤其可以反应心脏整体的复级特点，更加直观的观察心脏的电活动。 近年的心电散点图、瀑布图技术可以直观的反映心脏的节律变化及心电特征的改变［6-7］，从而快速识别早搏、房颤、冠心病、心绞痛等。

而本文直接对不同疾病的心电特征进行可视化研究。 首先选择PhysioBank 开源生理数据库中5种疾病类型的数据，其次将心电特征从GQRS-极值法处理后的心电信号提取出来，分析不同疾病的特征值分布，最后，通过信息增益的方法比较不同疾病下的特征差异程度，如图1 所示。 心电特征的差异反映了心脏不同位置的病理，当出现异常疾病类型时，本文的可视化研究可以快速诊断心脏部位的病变。

1 资 料

为研究12 导联心电图的特征，从PhysioBank数据库中选择了共289 440 个样本。 其中，所有数据库的数据采集均为2 min，室上性心律失常（SA）和正常窦性心律（normal）数据库采样频率（fs）为128 Hz，各30 720 个样本。 恶性室性心律失常（MVE）、BIDMIC 充血性心力衰竭（BIDMIC）和房颤（AF）数据库采样频率为250 Hz，各为60 000 个样本，部分癫痫发作后心率震荡（PIHRO）数据库采样频率为200 Hz、共48 000 个样本。 所有这些数据都是从波士顿贝思医院收集的，该医院是心电图信号的最大数据收集之一，并为人类受益人的工作进行记录［9］。

图1 心电特征可视化研究Fig. 1 Visualization study of ECG characteristics

2 方 法

在得到不受任何干扰的心电信号、提取到大量准确的特征信息，首先对原始心电信号进行预处理。原始的ECG 信号通常含有基线漂移、肌电、工频干扰的噪声信息，因此利用离散小波变换方法对心电信号进行去噪处理，小波变换分为小波分解和重构，离散小波分解是将噪声的信号进行多尺度的分解，选择小波函数的低通滤波和高通滤波将信号分解为低频和高频部分，小波重构是小波分解的逆过程，将细节信号和过滤后的最终逼近信号进行重组。 本实验根据心电信号的特点，采用db5 小波基函数，分解层数为5 层，最终得到去噪后的心电信号。

在一个正常的心动周期中，窦房结形成起搏后，迅速将冲动通过传导系统传至心脏各部形成心肌整体的电活动，心肌进而形成机械性收缩，心肌激动的电流传导至体表，从而出现心电图中的各个特征波形。 一个典型窦性心律正常的ECG 波形（图2）包括以下特征波：一个P 波，一个QRS 波群（Q 波，R波，S 波），一个T 波，以及在50%～75%的ECG 中可能见到的U 波。

图2 心电信号波形图Fig. 2 ECG signal waveform

因此，想要得到心电特征，需要进一步识别心电信号的各个波峰，采用GQRS-极值法。 由于QRS波群具有明显的特征，通常先提取ECG 信号中的R波作为波形的划分依据，因此采用GQRS 算法识别，GQRS 算法为PhysioBank 提供的WFDB（波形数据库）软件包中检测R 波的算法，对信号进一步去噪并进行低通滤波，之后用滤波信号卷积QRS 匹配滤波器，使用计算出的信号长度运行学习阶段，学习检测QRS 和与主检测阶段相同的非QRS 峰，不保存QRS 位置，并记录QRS 阈值，运行检测时比较RR间隔与QRS 间隔从而判断R 峰位置，Q 峰的位置在R 峰前三分之一周期（fs）样本内的第一个极值拐点，对应的S 峰位置在R 峰后三分之一周期内的第一个极值拐点，T 峰在该周期与下一周期的RR 间隔内前三分之二的样本内检测，位置在该周期S 峰位置后的第一个极值拐点。 同时，判断是否出现倒置情况，因此在识别时分别求出极大值和极小值，判断极大值与极小值距离基准电压0 V 的幅值大小筛选T 波是否倒置，确定T 波位置。

确定心电图的波峰位置后，选择RR 间期（RR_time）、Q-T 间隔（QT_time）、Q-T 幅值（QT_value）、S-T 间隔（ST_time）、S-T 幅值（ST_value）、R-T 幅值（RT_value）、T-T 间隔（TT_time）、QRS 间期（QRS_time）、心率（Heart_rate），这些心电特征有利于患者的临床诊断、可以大幅度检测出不同疾病下的差异，其中的心率为脉搏或心脏听诊1min 心跳的次数，计算方法为：

最后将以上得到的9 个特征对应的数据值进行统计，如图3 所示。

图3 各特征值分布Fig. 3 Distribution of eigenvalues

根据不同特征值的分布特点，可以计算出不同疾病针对同一特征的差异程度。 在此之前，传统的差异性分析方法为相关系数、协方差矩阵、回归分析法等， Mingjing Y［17］也运用相关熵判断R 峰与RR区间的相关性。 熵表示信息在动态系统中的混乱程度，当各特征之间不能通过单纯的数字进行差异性比较时，则需要利用信息增益的方法。 信息增益即为在一定条件下，信息不确定性减少的程度。 本研究采用信息增益的方法判断各特征之间的差异性，比较各特征的差异性大小。 收集的Physionet 生理数据库中各类型不同特征组成的特征向量为：

式中，type 为疾病类型，xi为该类型第i 个特征值组成的特征值向量。

首先将每个特征值向量进行线性归一化处理：

其中， x′ 为特征值向量中归一化处理后的值，归一化后的特征值向量均为标量形式。 类型值type的熵定义式为：

其中，pi为第i 种疾病类别在特征向量中对应的概率。 得到的熵值越大，随机变量type 的不确定性越大。 信息增益表示得知特征Xi的信息使得类别Y的信息不确定性减少程度，信息增益为数据集合Dk的经验熵与特征xi给定条件下Dk的条件熵之差：

其中，｜Dk｜为第k 个疾病特征向量与正常窦性心律（normal） 特征向量组成的特征向量矩阵。 特征xi对数据集的条件熵为：

其中，｜Di｜为样本容量，根据心电特征xi的取值将Dk划分为c 个子集，记子集Dt中属于第u 类别的样本集合为Dtu。 将各疾病类型的所有特征进行信息增益计算，得到的可视化可以比较不同疾病特征差异（图4）。 同时在单一疾病条件下，各特征差异程度不同，对疾病的影响程度也不同（图5）。

图5 不同疾病下各差异值分布Fig. 5 Distribution of differences in different diseases

3 方法的性能

特征提取的前提是对波峰的正确检测，波峰识别算法准确率的高低直接影响特征值提取的正确性。 判断波峰的准确性通常检测灵敏度和准确率指标。 表1 中定义的参数如下。

∗真阳性（TP）：正确检测到的正确信号数；

∗假阴性（FN）：没有检测到的信号数；

∗假阳性（FP）：误报信号数；

∗真阴性（TN）：正确检测到错误的信号数；

∗灵敏度：Sensitivity ＝TP／（TP + FN） ；

∗准确率：Accuracy ＝（TP + TN）／（TP + TN +FP + FN）。

表1 各算法指标比较Tab. 1 Comparison of various algorithm indicators %

由表1 可看出，本文采用的GQRS 算法灵敏度比Linear prediction 算法高，准确率在96%以上，识别到的心电波峰准确率较高，为特征可视化奠定了基础。

4 结束语

本文针对不同疾病的12 导联心电图进行心电特征的可视化分析。 提取到的心电特征可视化统计图2.2，可以清楚的看到不同疾病下各特征的分布特点，特征数值在某一区间内越集中，特征值波形越高耸，不同疾病下特征值的区间存在差异。 之后通过信息增益的方法进一步分析各特征之间的差异程度，雷达可视化分析图2.4 可以看出室上性心律失常的心电特征较其他疾病类型不明显，TT 段与ST段与其他特征相比差异较大；部分癫痫发作后心率震荡的差异程度最高，其中QT 段、ST 段、RT 段的幅值与QRS 波群差异最大，异常情况较其他疾病更为明显，ST 段的差异可以证明该疾病大幅导致心肌梗死，QT 波的差异证明心率的波动对该疾病有很大影响，更加直观的观察到不同特征对哪种疾病的影响最大，同时统计图2.5 对比了同一疾病不同特征对疾病的影响程度。 对于异常心脏疾病类型情况，本文的心电特征可视化分析可以直观快速地观察到不同心电特征的影响，进而根据特征差异判断出心脏不同部位的病变程度。