【作者】張愛華，師文韜

1 蘭州理工大學電氣工程與信息工程學院，蘭州市，730050 2 甘肅省工業(yè)過程先進控制重點實驗室，蘭州市，730050 3 蘭州理工大學電氣與控制工程國家級實驗教學示范中心，蘭州市，730050

基于心電信號循環(huán)平穩(wěn)特征的心臟性猝死識別研究

【作者】張愛華1,2,3，師文韜1,2,3

1 蘭州理工大學電氣工程與信息工程學院，蘭州市，730050 2 甘肅省工業(yè)過程先進控制重點實驗室，蘭州市，730050 3 蘭州理工大學電氣與控制工程國家級實驗教學示范中心，蘭州市，730050

針對心臟性猝死疾病識別準確率不高的問題，提出了基于心電信號循環(huán)平穩(wěn)特征的識別方法。利用小波變換對心電信號去噪，依據(jù)心電信號的循環(huán)平穩(wěn)特性，采用循環(huán)譜估計的方法在循環(huán)頻率域提取循環(huán)平穩(wěn)特征，通過支持向量機對心臟性猝死進行識別。實驗結(jié)果表明，循環(huán)頻率均值最能反映心電信號的循環(huán)平穩(wěn)特征，利用循環(huán)頻率均值能夠?qū)π呐K性猝死疾病進行有效識別，猝死心電信號的識別準確率最高可達97.50%。

心電信號；心臟性猝死；小波去噪；循環(huán)平穩(wěn)特征；支持向量機

0 引言

心臟性猝死是一種嚴重危害人類健康的疾病，中國心臟性猝死的發(fā)病率逐年增加，大多數(shù)學者將猝死的時間限定在發(fā)病1 h之內(nèi)，如果能在發(fā)病前對心臟性猝死疾病進行預警，就可以在心臟性猝死疾病發(fā)生前挽救患者的生命。傳統(tǒng)的心血管疾病識別是把心電信號作為平穩(wěn)信號進行分析[1-2]，例如：通過時域分析得到均值、方差等特征值；通過頻域分析得到頻譜、功率譜等特征值或者采用小波分解、小波包等分析工具獲得相關時頻特征值。但心電信號是非平穩(wěn)的，采用平穩(wěn)信號分析的方法準確率并不高。郭來喜等[3]發(fā)現(xiàn)QT離散度增大能有效預測冠心病猝死，但QT測量的標準是入院后做12導聯(lián)心電圖，得到12導聯(lián)的QT間期，過程較為繁瑣。蔡志鴻等[4]通過微伏T波交替檢測實驗結(jié)果表明：T波交替在通過無創(chuàng)檢測來預測心源性猝死方面有很大前景。常規(guī)的T波交替檢測方法有譜分析法和復合解調(diào)法，譜分析法是假定時間窗內(nèi)的交替是穩(wěn)定發(fā)生的，因此對非平穩(wěn)T波交替信號無能為力，復合解調(diào)法的精度較差并且計算量大，給臨床應用帶來一定的困難。湯麗平等[5]提出了基于近似熵的心肌猝死識別方法，這種方法具有數(shù)據(jù)點少、抗噪能力強等優(yōu)點，但其準確率不高。還有學者對心源性猝死相關的基因進行了研究[6]，但基因提取過程較為復雜，不能對心臟性猝死進行及時地預警。有學者將循環(huán)平穩(wěn)算法應用于脈搏信號，并取得一定的研究成果[7]。有研究表明心電信號具有循環(huán)平穩(wěn)特性[8]，當人體內(nèi)發(fā)生心臟性猝死疾病時，自身的循環(huán)平穩(wěn)特征也會發(fā)生改變。于是，本文提出一種基于心電信號循環(huán)平穩(wěn)特征的心臟性猝死識別方法，通過估計心電信號的循環(huán)譜提取心電信號的循環(huán)平穩(wěn)特征，采用支持向量機（Support Vector Machine,SVM）對心臟性猝死疾病進行識別。

1 方法

本文提出的心電信號循環(huán)平穩(wěn)特征提取及分析過程如圖1所示。首先，采用小波變換對心電信號進行濾波，去除基線漂移、肌電干擾和工頻干擾的影響；其次，對濾除噪聲后的的心電信號進行循環(huán)譜估計并提取循環(huán)平穩(wěn)特征；最后，采用SVM對心臟性猝死疾病進行識別。

圖1 循環(huán)平穩(wěn)特征提取及分析過程Fig.1 Cyclostationary characteristics extraction and analysis process

1.1 小波變換去噪

小波變換在時頻平面不同位置具有不同的分辨率，適合ECG等非平穩(wěn)信號的分析。心電信號是一種非平穩(wěn)信號，其中常見的噪聲主要有：頻率較低的基線漂移、50 Hz的工頻干擾及頻率范圍較廣的肌電干擾。為了消除心電信號的噪聲干擾，采用小波變換的方法在小波域?qū)π盘柡驮肼曔M行區(qū)分，以達到去噪的目的[9]。

首先選擇小波基函數(shù)對心電信號進行尺度分解，信號和噪聲形態(tài)在小波變換下呈現(xiàn)明顯不同的性質(zhì)，利用閾值的方法去除高頻干擾，假定一個含噪聲的一維信號模型可以表示為：

式中：S[n]為真實信號，G[n]為加性高斯白噪聲。用W(.)和W-1(.)分別表示離散小波變換和離散逆小波變換，用D(. , l)表示對小波系數(shù)作閾值為l的去噪處理，則在含噪信號X[n]中恢復真實信號S[n]的估計信號的過程可以表示為以下3步：

其次對心電信號進行第二次尺度分解，經(jīng)過尺度分解后，得到的低頻分量保留了基線漂移的信息，因為基線漂移在小波分解中顯現(xiàn)于較大尺度下，所以在重構(gòu)過程中將較大尺度下的分量置零，即可去除基線漂移[10]。

1.2 心電信號的循環(huán)譜

心電信號的每個周期不完全一樣，不是嚴格的周期信號，屬于非平穩(wěn)信號，但卻呈現(xiàn)出一定的周期平穩(wěn)性，即心電信號具有循環(huán)平穩(wěn)特性[8]。對于受到噪聲污染的心電信號，通過小波變換濾波后需要估計心電信號的循環(huán)譜，心電信號為循環(huán)平穩(wěn)信號，記x(t)為心電信號，它的周期為T，根據(jù)循環(huán)平穩(wěn)理論[11]，其自相關函數(shù)可以表示為：

如果Rx(t, t)以T為周期，可以用Fourier級數(shù)表示，其Fourier系數(shù)t, t)可以表示為：

1.3 心電信號循環(huán)譜估計

對于實際的心電信號，循環(huán)頻率a是未知的，所以循環(huán)譜Sax( f )也是未知的，為了提取心電信號的循環(huán)平穩(wěn)特征，需要對心電信號循環(huán)譜( f )進行估計。采用非參數(shù)化時域平滑方法FFT累積算法（FAM）[12]得到估計值。算法結(jié)構(gòu)如圖2所示。

圖 2 FAM算法流程圖Fig.2 FAM algorithm fl ow chart

首先對輸入序列進行抽樣，以每組N'個數(shù)據(jù)進行N'點FFT，接著將濾波器輸出結(jié)果頻移到基帶獲得抽樣后的基帶復包絡信號，然后將復包絡乘積序列進行M點FFT。圖2中，M=N/L，N為采樣數(shù)據(jù)長度，M表示抽取后的數(shù)據(jù)長度，L為抽取因子，N'可視為窄帶濾波器數(shù)，XT為譜分量。FAM算法輸出為[12]：

其中，q是循環(huán)頻率分辨率的倍數(shù)；輸出循環(huán)譜估計的譜頻率為：f0=fj=(fk+fi)/2；且譜分辨率為：a0=ai+q△a且循環(huán)頻率的分辨率為：△a=fs/N；gc(n-r)是M×L階的矩形平滑窗；N'是由頻率分辨率和系統(tǒng)采樣頻率決定，即：N'=fs/△f；時頻分辨率之積為以q為變量的一個函數(shù)：

1.4 心電信號循環(huán)平穩(wěn)特征提取

由于心電信號具有循環(huán)平穩(wěn)特性，本文以循環(huán)頻率作為心電信號的循環(huán)平穩(wěn)特征，循環(huán)頻率a是信號循環(huán)平穩(wěn)特性的基本描述。在循環(huán)頻率軸上，信號循環(huán)頻率所在位置，循環(huán)功率譜密度函數(shù)會出現(xiàn)局部最大值，因此對f )積分消除譜頻率f 得到積分循環(huán)功率譜密度函數(shù)，在Mx(a)中每個局部最大值對應一個循環(huán)頻率a，其積分循環(huán)功率譜密度函數(shù)Mx(a)可表示為[8]：

1.5 支持向量機

根據(jù)提取的心電信號循環(huán)平穩(wěn)特征，采用SVM對心臟性猝死疾病進行識別。SVM通常被用于兩類問題的分類上，對于多類型的分類，它的分類結(jié)果并不是很好。本文采用心電信號循環(huán)平穩(wěn)特征對健康人和心臟性猝死病人進行分類，屬于二分類問題，具體的步驟為：① 將心電信號循環(huán)平穩(wěn)特征作為輸入特征向量，得到訓練集；② 選取適當核函數(shù)；③ 根據(jù)最優(yōu)解，得到分類超平面；④ 構(gòu)造決策函數(shù)，進行分類；⑤ 分類結(jié)果顯示；⑥ 根據(jù)分類結(jié)果選擇最優(yōu)循環(huán)平穩(wěn)特征。

2 實驗結(jié)果與分析

2.1 小波變換去噪

在PhysioNet網(wǎng)站數(shù)據(jù)庫中選取一段心電信號，首先通過式（1）與（2）對心電信號進行小波分解，本文中選取db5小波對心電信號進行7尺度分解，得到的低頻分量a7保留了基線漂移的信息，在重構(gòu)過程中將低頻系數(shù)置零即可去除基線漂移。其次選取db5小波對心電信號進行3尺度分解，確定各層閾值然后重建信號即可去除高頻干擾。由圖3可見心電信號中的噪聲被有效去除。

2.2 心電信號循環(huán)平穩(wěn)特征提取

在PhysioNet網(wǎng)站數(shù)據(jù)庫中選取一例心臟性猝死病人的心電數(shù)據(jù)和兩例健康人的心電數(shù)據(jù)，采用小波變換進行濾波，利用FFT累積算法對濾波后的心電信號進行循環(huán)譜估計，得到估計值，通過式（7）分別得到猝死病人和健康人的心電信號積分循環(huán)功率譜密度函數(shù)，提取循環(huán)頻率即可得到心電信號的循環(huán)平穩(wěn)特征，如圖4(a)，(b)，(c)所示。Mx(a)在循環(huán)頻率域是離散的，說明自相關函數(shù)在時域具有準周期性[13]。通過對比可以看出三種積分循環(huán)功率譜密度存在差異，對心臟性猝死病人來說，它的循環(huán)基頻相比正常人來說要小，這主要是因為對心臟性猝死病人來說心跳變緩，心動周期加長，循環(huán)頻率就會降低。

圖3 小波變換去噪結(jié)果Fig.3 Wavelet transform denoising results

2.3 心臟性猝死疾病識別

選用PhysioNet網(wǎng)站數(shù)據(jù)庫提供的數(shù)據(jù)[14]，其中，PhysioNet/TWA Challenge Database數(shù)據(jù)庫提供心臟性猝死病人數(shù)據(jù)庫，PhysioNet/fantasia數(shù)據(jù)庫提供包括年輕人和老年人的健康人群數(shù)據(jù)，選取40例心臟性猝死病人數(shù)據(jù)和40例健康人群數(shù)據(jù)分別組成學習組和驗證組。其中，學習組包括20例心臟性猝死病人數(shù)據(jù)和20例健康人群數(shù)據(jù)；剩余數(shù)據(jù)組成驗證組，隨機選擇學習組和驗證組的數(shù)據(jù)。

分別選取循環(huán)基頻（積分循環(huán)功率譜密度函數(shù)第一個峰值）、循環(huán)頻率均值、循環(huán)頻率方差作為循環(huán)平穩(wěn)特征。對這三類特征進行t檢驗，其差異性顯著。

圖4 不同人群典型的積分循環(huán)功率譜密度Fig.4 Different groups of typical integral cycle power spectral density

將所選的特征組成特征向量，采用支持向量機對心臟性猝死病人和健康人進行分類，每個特征含有80個樣本，將特征進行組合作為分類算法的特征向量。特征組合順序如表1所示，3個特征不同組合，共形成6種特征向量。

表1 不同組合的特征向量Tab.1 Different combination of feature vector

采用SVM分別對不同組合的特征向量進行分類，某次運行結(jié)果如圖5所示。由圖5分析可知，特征組合3和4組成的特征向量分類正確率最高。特征組合3代表將該特征向量包含所有的特征，即所有特征組合的特征向量分類準確率最高，特征組合4代表該特征向量包含的特征為循環(huán)頻率均值，即循環(huán)頻率均值最能夠反映循環(huán)平穩(wěn)特征的變化。

圖5 SVM對健康人和心臟性猝死病人分類結(jié)果Fig.5 The SVM classif i cation results for health and sudden cardiac death patients

3 討論

3.1 三種線性分類方法分析

為了說明本文方法的準確性和實時性，選取循環(huán)頻率均值這一個特征值，分析不同線性分類方法對結(jié)果的影響，實驗數(shù)據(jù)與文獻[5]一致，分別采用準確率和訓練耗時（軟件：Matlab R2013a，計算機配置：AMD A8-6500處理器，主頻3.5 GHz，內(nèi)存4.0 GB）對三種方法的性能進行評價。三種方法識別正確率結(jié)果見表2。

表 2 三種方法識別正確率比較Tab.2 Recognition accuracy of three methods

從表2可以看出，對兩類線性可分問題，SVM的準確率高訓練時間短。所以選擇SVM對心臟性猝死疾病進行識別，可以減少運算數(shù)據(jù)量，提高心臟性猝死疾病識別的時間。

3.2 與同類方法對比

將基于心電信號循環(huán)頻率均值和SVM分析方法用于心臟性猝死疾病識別，取得較好的效果。與文獻[5]提出的心臟性猝死識別方法進行對比，結(jié)果見表3。方法a采用文獻[5]的方法，通過EMD和非線性分析結(jié)合的算法提取心電信號近似熵特征，使用SVM進行分類；方法b將循環(huán)頻率均值作為心電信號的循環(huán)平穩(wěn)特征，最后使用SVM進行分類。

表3 兩種方法識別正確率比較Tab.3 Recognition accuacy of two methods

從表3的分類正確率對比可知，心電信號循環(huán)平穩(wěn)特征提取的方法比傳統(tǒng)方法更加有效，因此能夠獲得更高的識別率。由于只有一個特征，使用SVM進行分類縮短了訓練時間。綜上所述，將心電信號循環(huán)平穩(wěn)特征的方法與SVM相結(jié)合，不僅減少了處理時間，而且提高了分類的準確率。

3.3 結(jié)論

針對現(xiàn)有研究中心臟性猝死疾病識別準確率和實時性不高的問題，提出了基于心電信號循環(huán)平穩(wěn)特征的心臟性猝死疾病識別方法。首先采用小波變換對心電信號進行去噪，通過循環(huán)平穩(wěn)算法對去噪后的心電信號提取循環(huán)平穩(wěn)特征，利用SVM對心臟性猝死疾病進行識別。實驗結(jié)果表明，本文方法在準確性和實時性上有明顯的優(yōu)勢，能夠?qū)π呐K性猝死疾病進行快速準確的識別，在臨床應用上有重要的參考價值。

[1] Novak P, Li Z, Novak V, et al. Time-frequency mapping of the QRS complex in normal subjects and in postmyocardial infarction patients[J]. J Electrocardiol, 1994, 27(1): 49-60.

[2] Sun P, Wu Q H, Weindling A M, et al. An improved morphological approach to background normalization of ECG signals[J]. IEEE Trans Biomed Eng, 2003, 50(1): 117-121.

[3] 郭來喜. QT離散度與冠心病猝死的關系[J]. 中國鄉(xiāng)村醫(yī)藥, 2003,10(10): 11-12.

[4] 蔡志鴻, 沈永林. T波交替—一項新的預測心源性猝死的無創(chuàng)傷性指標[J]. 北京生物醫(yī)學工程, 2002, 21(4): 308-312.

[5] 湯麗平, 劉劍. 基于近似熵的心肌猝死預警診斷[J]. 計算機工程,2012, 38(9): 202-204

[6] 婁婧婧, 陳偉民, 趙廣才. 心源性猝死相關基因研究進展[J]. 甘肅醫(yī)藥, 2015(8): 576-578.

[7] 張愛華, 胡文龍, 丑永新. 基于循環(huán)平穩(wěn)算法的脈搏信號質(zhì)量評估與濾波[J]. 中國醫(yī)療器械雜志, 2015, 39(2): 83-86.

[8] Zeng X P, Li S H, Li G J, et al. Fetal ECG extraction by combining single-channel SVD and cyclostationarity-based blind source separation[J]. Int J Sign Process Imag Process Pattern Recognit,2013, 6(4): 367-376.

[9] 呂振肅, 馬文. 自適應小波閾值算法在心電信號去噪中的應用[J]. 數(shù)據(jù)采集與處理, 2009, 24(3): 313-317.

[10] 任杰, 楊麗曉. 基于小波變換系數(shù)的心電信號基線漂移噪聲去除方法[J]. 醫(yī)療衛(wèi)生裝備, 2010, 31(11): 24-26.

[11] 保錚. 非平穩(wěn)信號分析與處理[M]. 北京: 國防工業(yè)出版社, 1998.

[12] Roberts R S, Brown W, Loomis H H. Computationally efficient algorithms for cyclic spectral analysis[J]. IEEE Sign Process Mag,1991, 8(2): 38-49.

[13] 李少華. 胎兒心電信號循環(huán)平穩(wěn)半盲提取研究[D]. 重慶：重慶大學, 2014.

[14] 龐興梅. PhysioNet信息資源解析及利用[J]. 醫(yī)學信息學雜志,2010, 31(7): 28-30.

Identify Sudden Cardiac Death Based on Cyclostationary Characteristics of ECG Signal

【W(wǎng)riters】ZHANG Aihua1,2,3, SHI Wentao1,2,3
1 College of Electrical and Information Engineering, Lanzhou University of Technology, Lanzhou, 730050 2 Key Laboratory of Gansu Advanced Control for Industrial Processes, Lanzhou. 730050 3 National Demonstration Center for Experimental and Control Engineering Education, Lanzhou University of Technology, Lanzhou, 730050

Aiming at sudden cardiac death diseases identi fi cation accuracy is not high, a new method is proposed to extract the cyclostationary characteristics of ECG signal. We denoise ECG signal through the wavelet transform. Based on the cyclostationary features of ECG signal, we adopt the method of cyclic spectrum estimation in cyclic frequencey domain to extract cyclostationary characteristics. Support vector machine is used to identify the sudden cardiac death. The results show that cyclic frequence average can especially re fl ect the cyclostationary characteristics of ECG signal and accurately identify the sudden cardiac death. Sudden death of ECG signal recognition accuracy up to reach 97.50%.

ECG signal, sudden cardiac death, wavelet denoising, cyclostationary characteristics, support vector machine

R541；TN911.7

A

10.3969/j.issn.1671-7104.2017.05.003

1671-7104(2017)05-0322-05

2017-01-11

國家自然科學基金（81360229）;甘肅省基礎研究創(chuàng)新群體項目 （1506RJIA031）

張愛華，教授，博士生導師，E-mail:zhangaihua@lut.cn