基于多特征融合的阵发性房颤自动检测算法的研究*

刘学森，张俊仕

(1.河南省驻马店市中心医院心内科，河南驻马店 463000；2.新疆医科大学，新疆乌鲁木齐 830011)

1 引 言

心房颤动简称为房颤[1],是一种常见的心血管疾病，主要特征为快速性心律失常。房颤容易诱发脑中风、血栓、心力衰竭等疾病，情况严重者会危及生命。现今，我国房颤患者高达1 000多万，随着居民生活质量的不断提升，房颤患者出现了明显的年轻化趋势，引起医学领域的极大关注[2]。

依据房颤发作持续时间，可以将其划分为三个阶段，分别为阵发性房颤、持续性房颤与永久性房颤。由于阵发性房颤具有发作持续时间短、复发率高、心电图难捕捉等特点，随着患者病程的延长，会逐步演化成持续性房颤或永久性房颤，威胁患者的生命[3]。故如何检测阵发性房颤被称为医学领域重点研究课题之一。心电图是常用的心血管疾病检测手段，主要是记录患者心脏活动发生电位变化曲线，以此来反映患者心脏情况。由于现有阵发性房颤自动检测算法提取心电特征过于单一，无法满足患者的医学检测需求，故本研究提出基于多特征融合的阵发性房颤自动检测算法研究。

2 阵发性房颤自动检测算法设计

2.1 心电信号降噪方法设计

心电信号采集过程中，由于受多种背景噪声的影响难以检测较微弱的心电信号，且严重的噪声环境会掩盖大量有效的疾病信息。心电信号中噪声通常包含工频干扰、肌电尾迹、电级接触噪声、内部噪声与随机噪声等[4]。为了更加精确地检测阵发性房颤，基于小波包分解算法对心电信号进行降噪处理[5]，步骤如下：

(1)

ρi表示的是能量比率，由子带信号经过计算而得。

步骤三：更新全部子带信号相应小波包系数，公式为：

(2)

(3)

α表示的是调节参数；λ表示的是固定阈值。

步骤四：以步骤三更新小波包系数为基础，重构心电信号，获得降噪后心电信号S。

2.2 R峰自动检测

以降噪后心电信号为基础，基于小波变换技术自动检测R波波峰，为下述心电信号特征提取做准备[6]。

利用宽度为T秒的滑动窗对降噪后心电信号S进行分段，心电片段记为S=(S1,S2,…,SN)，N表示的是片段总数量。基于小波变换对心电片段Si进行离散化处理，将其分解为K个子带信号，记为Si(CK)。

依据心电信号QRS波群的频率分布范围，选取适当的子带信号作为QRS占优子带[7]，记为Si(CK*)，以此为基础，检测并确定候选R峰位置[8]。首先，定义Si(CK*)上转折点集合为TURi，动态阈值为THRi，在集合TURi中筛选出全部大于动态阈值的点，表达式为：

(4)

将式(4)结果在QRS占优子带Si(CK*)上相应的位置序列记为ri，即为候选R峰位置序列。

利用小波变换[9]将候选R峰位置序列ri映射到心电片段上，获取心电片段上的候选R峰位置序列，记为Ri。由于Ri存在着一定的误差，利用半径为v的加窗微调心电片段候选R峰位置序列，并仍将其记为Ri。

观察心电信号RR间期局部变化趋势，依据RR间期序列的左、右邻平均值筛查R峰，降低个体差异，避免误检情况发生，并能够避免房颤心电片段中的R峰被去除，提升阵发性房颤自动检测的精度[10]。其中，RR间期序列的左、右邻平均值计算公式为：

(5)

Mleft(p)与Mright(p)分别表示的是RR间期序列的左、右邻平均值；RRi(j)表示的是RR间期序列。

2.3 心电信号特征提取

基于上述R峰自动检测结果，依据熵理念，分别在P波缺失与RR间期不规则两个角度提取心电信号特征，为下述阵发性房颤自动检测提供可靠的、多样的数据支撑。

2.3.1基于P波的特征提取 正常心电信号中，每个心动周期内均包含一个圆钝并平滑的P波[11]。但若是人体出现房颤，正常窦性P波缺失，取而代之的为f波，其具备大小不一、间隔不均、快速振荡等特性。故本研究通过能量变化指数来描述P波与f波之间的不同。

根据已有研究可知，P波频率分布范围约为0～20 Hz，故该频率范围内的子带信号对阵发性房颤检测更加有效。将0～20 Hz频率范围内的子带信号称为P波占优子带，记为Si(Cj)。以此为基础，通过短时傅里叶变换获取心电片段在子带信号Si(Cj)的频谱图，见图1。

由图1可知，阵发性房颤心电功率谱在大部分频率范围内高于正常心电功率谱。当时间t固定时，阵发性房颤心电功率谱值随着频率变化产生明显改变，而正常心电功率谱值无明显变化，并保持基本稳定[12]。

图1 心电片段频谱图

将频谱图按照时间轴方向切割为多个薄片，记为“SP切片”。则Si(Cj)能量变化指数计算公式为：

(6)

则对于K*个可用子带信号来说，心电信号相应P波特征为Fp={EVINK*}N×K*。

2.3.2基于RR间期的特征提取 通常心房率与心室率保持一致，约为60～100次/min，RR间期规则划一；当人体发生阵发性房颤时，心房率与心室率发生变化，心房率可以达到心室率的2～3倍，约为350～600次/min，RR间期呈现出绝对不规则的特征[13]。故本研究通过RR间期振荡指数来描述正常心电与阵发性房颤心电之间的不同。

图2 心电片段RR间期分布图

正常心电信号中RR间期长度几乎保持一致，而阵发性房颤心电信号中RR间期分布较为散乱，长度变化区间较大[15]。

心电信号RR间期振荡指数计算公式为：

(7)

2.4 阵发性房颤自动检测

为了提升阵发性房颤自动检测精度，利用决策级融合算法将上节提取的心电信号特征进行融合，通过支撑向量机自动检测阵发性房颤[16]。

利用决策级融合算法获得阵发性房颤心电融合特征：

F={Fp,FRR}N×(K*+4)*

(8)

支撑向量机实质上是一个二分类模型，可以总结为特征空间上的最大间隔超平面，利用数学方法对特定问题进行求解。支撑向量机最关键部分为分类决策函数，表达式为：

(9)

sign(·)表示的是分类决策函数；b*表示的是分类决策函数参量。

通过上述过程实现的阵发性房颤自动检测，不仅为阵发性房颤患者提供更加有效的诊断手段，也为患者争取到较多的治疗时间，防止病情恶化为持续性房颤或永久性房颤。

3 数值实验与结果分析

3.1 实验数据库选取

为验证本研究算法性能，选取MIT-BIH数据库作为实验数据库。本研究采用MIT-BIH数据库中房颤数据集合，该集合中包含25条心电片段，需要注意的是，其中23条为阵发性房颤心电片段，另外两条心电片段标记未完全。阵发性房颤数据参数见表1。

表1 阵发性房颤数据参数表

在房颤数据集合中，选取04015、04043、04126、04908、04936、07910、08378等记录中的30 min心电片段作为实验数据集。

由于篇幅的限制，本研究只展示记录04043的心电片段，见图3。

3.2 实验评价指标选取

为了直观显示本研究算法的检测性能，选取敏感度、特异度与准确率作为算法检测性能实验评价指标，计算公式为：

(10)

图3 记录04043心电片段图

sensitivity、specificity与accuracy分别表示的是敏感度、特异度与准确率；TP表示的是真阳性，指的是阵发性房颤心电被正确检测；FN表示的是假阴性，指的是阵发性房颤心电被误检；TN表示的是真阴性，指的是正常心电被正确检测；FP表示的是假阳性，指的是正常心电被误检。

3.3 实验结果分析

依据选取的实验数据进行数值实验，通过六次不重复实验并计算平均数值作为实验结果。通过个人独立检验与交叉检验两种方式验证该算法的检测性能。通过个人独立检验得到实验评价指标数据见表2。

表2 个人独立检验实验评价指标数据表

依据表2数据进行交叉检验，则得到实验评价指标数据见表3。

由表2可知，个人独立检验实验评价指标数据较好，表明本研究算法具备有效性。由表3可知交叉检验中，检测效果也优良，并具备普适性，说明本研究算法在临床应用中具备较高的辅助作用。两种检验方式结果存在一定的差距，主要由患者间个体差异性造成，并且该影响因素无法避免。

上述数值实验结果显示，本研究算法敏感度为94.6%，特异度为93.7%，准确率为94.0%，满足现今阵发性房颤的检测需求，具有可行性。

4 结束语

本研究基于多特征融合技术设计了阵发性房颤自动检测算法，极大地提升了算法的敏感度、特异度与准确率，为阵发性房颤临床检测提供了更加有效的手段，为阵发性房颤医学研究提供一定的参考。