文摘

心房颤动(房颤)是最常见的心律失常。它自然会成为慢性疾病,和慢性房颤导致死亡的风险增加。心电图信号的研究,特别是血流速度图的系列,是一个通常的和有效的方法探讨心房纤颤和单个事件的开始和结束的时候检测。这项工作提出了一种新的统计方法处理房颤事件的识别,基于订单的识别的RR时间序列ARIMA模型用于描述描述房颤的不同阶段(前、期间和post-AF)。进行仿真研究是为了评估该方法的性能。此外,应用程序的真实数据有关房颤患者的影响提出和讨论。自该方法考察结构变化RR时间序列ARIMA模型拟合的房颤事件对pre -和post-AF阶段,它能够识别房颤的起点和终点事件即使AF遵循或之前不规则心跳时段。

1。介绍

在过去的20年里,已经有了广泛的研究兴趣变化beat-to-beat时机的心,被称为心率变异性(HRV) [1,2]。这是由于不同的原因。HRV被报道为心血管死亡率的重要因素,它是一种最受欢迎的参数来评估自主基调(见[3)和引用其中详细讨论)。此外,它代表了一种非侵入性的方式来评估手术后的风险(见,例如,4])或调查和优化黄金标准实践(5]。然而,随着中突出显示(6),HRV的潜力被广泛应用于临床实践还有待建立。正常窦性心律时,血流速度图系列(即。一系列的RR间隔;参见图1(一))提出了自发beat-to-beat振荡自主神经系统相关监管措施(7]。另一方面,在心律失常,自发的RR可变性是摄动和光谱模式变化根据心律失常的生成机制(见[8,9])。心房颤动(房颤)是最常见的心律失常,和涉及到的两个心房(心房)的心10]。在房颤,正常的窦房结产生的电脉冲被杂乱无章的电脉冲,起源于心房及肺静脉,导致不规则的心室冲动传导产生心跳。结果是一个不规则的心跳(见图1 (b)),这可能发生在经历持续从几分钟到几周,也可能发生多年。房颤的自然趋势是成为慢性疾病,和慢性房颤导致死亡的风险增加。

为了调查使用的主要设备的心跳是心电图(ECG) [11]。这个诊断工具测量和记录心脏的电活动在细节。这些细节的解释允许范围广泛的诊断心脏疾病和房颤等。心电图的程式化的形状是描绘在图2。一般来说,心房收缩表现为P波;心室收缩被确定为一系列的三波,Q, R和S, QRS波群。第三波心电图T波。它反映心室充电时产生的电活动在接下来的收缩,名叫复极化(见[12]对心电图的更多细节)。

关于房颤事件的心电图检测,特征发现P波的缺失与无组织的电活动在他们的位置和不规则的RR间隔由于不规则的心室传导冲动。虽然P波的分析非常复杂,RR间隔更简单的研究。因此,它可能是一个有效的方法,调查房颤和单个事件的开始和结束的时候检测。文学中存在几个例子(参见[13- - - - - -16]),专注于特殊的方差RR间隔在房颤的过程,这期间差异远远大于一个生理的心跳。

无论如何,在许多情况下,一个房颤事件并不遵循生理时间槽但之后其他类型的心律失常。与此同时,在许多情况下,不规则的心跳不事件结束时消失。根据这些问题,它可能会看一个不规则的心跳即使房颤事件本身尚未启动或已经完成。所以,基于检测的方法的方差的变化过程可能会导致不准确的结果,可以失败如前所述。因此,方法不是基于方差分析的过程是必要的,以确定合适的数量以不同阶段的特征,说“pre - AF,”“AF,”和“后房颤。”这一目标,工作的重点通常是changepoint检测的频谱或的意思是时间序列(见[17- - - - - -20.]等)。在这些情况下,血流速度图是一个时间序列(见[21,22]),模型的顺序是固定的,也就是说,订单,,的自回归(AR)、集成(I),和滑动平均(MA)组件,分别是先前建立,重点是估计模型参数的进化。

在这项工作中,我们假定血流速度图,房颤事件期间,特点是一个特定的过程。因此我们建议一种不同的方法:我们描述房颤的阶段通过ARIMA模型的特点是不同的订单,,。主要问题变得那么指出适当的统计方法对秩序的变化检测模型。为了实现这一目标,我们首先进行仿真研究来测试新的统计方法提出,然后我们的分析数据患者房颤的影响。特别是我们对每个病人的血流速度图前两小时,两个小时后房颤的一个事件。尽管有很多阅读关于时间序列的变化点检测,缺乏文学如果我们刚刚提到的方法被认为是。

本文组织如下。节2,我们介绍一些元素的时间序列ARIMA模型用于建模过程理论相关的RR间隔时间序列。我们现在开发的统计方法识别房颤事件(部分2。3),基于多个测试分析值的改进Bonferroni调整,我们测试它在仿真环境(部分2。4),为了评估该方法的性能。然后在节3,我们目前获得的结果我们的方法应用到实际数据(血流速度图的房颤患者的影响)。部分4包含了讨论和结论。

所有的模拟和实际数据的分析进行了使用R统计软件(23]。

2。材料和方法

在本节中,我们引入ARIMA模型(24)作为建模工具RR时间序列动态。然后,我们现在开发的统计技术来识别房颤事件的开始和结束。此外,模拟研究进行了测试我们提出新方法的性能,和模拟的结果进行了讨论。

2.1。自回归整合移动平均(ARIMA)模型

许多实证研究的时间序列没有不变的意思。即便如此,他们表现出一种同质性的,一个合适的仿射变换可以不变的意思。模型描述这样的齐次非平稳的行为可以通过假设一些合适的差异的过程是静止的。指的框架和理论治疗(24),我们专注于重要的属性类的模型th差异()是一个平稳ARMA过程。然后,让我们考虑模型 在哪里向后移位操作符, 与,和,合适的参数估计。通常这些执行通过ML估计方法(24]。过程(1)是一个自回归移动平均(ARIMA)过程集成。如果自回归算子在(1)是订单和移动平均算子的订单,然后(1)是一个ARIMA的过程。

2.2。模型的诊断检查

假设适合模型(1)获得ML估计()感兴趣的参数。我们将参考量 残差。随着观测的数量增加,变得更接近白噪声。现在假设,,是正确的选择,我们知道真正的参数值和。然后,估计自相关过程的将分布式大约通常与零均值(见[25])。现在,在实践中,参数,,是未知的,只有估计()可用于计算。然后,自相关的缺乏合适的能产生有价值的证据。一个有趣的方式来分析模型的拟合优度然后考虑作为一个整体。让我们假设我们有第一次自我()从任何ARIMA ()的过程。然后,它可以显示(见[26),如果拟合模型是合适的,统计 大约是分布式的,在那里,等于观测的数量。因此,一个近似的假设模型的测试充分性可能执行。统计被称为Ljung-Box统计。

2.3。一个方法来检测结构时间序列的变化

现在我们考虑一个现象,根据一个ARIMA的过程发展。我们希望分析时间序列,发现当这种现象开始和/或结束。如果这个特定现象的特征是高(或低)变化对当前形势下,还有大量的方法有效地检测这些变化在变化。例子是控制图(见[27])和基于图形分析方法等(见[15])。然而,有很多情况下,这一现象并不以修改的可变性,但通过一些改变在生成的过程中观察。在这些情况下,这些前面提到的方法是无用的和其他方法必须被考虑。例如,在文献中,有一个巨大的数量的方法处理结构性变化在时间序列变化的意思或ARIMA模型的参数值(见[19,20.),在其中的引用)。尽管如此,我们可能有兴趣处理不同的情况。例如,我们可能会考虑一个问题的存在或缺乏现象的特点是不改变模型的参数值,但在修改的过程本身。我们希望在座的一个方法来处理这种情况。

正如我们前面所提到的,我们的主要目标是识别一个特定现象的开始和结束的ARIMA建模过程。这意味着首先确定模型参数下的现象研究的价值,,。我们曾提出,在静止的情况下模型中,很快就会接近零自相关和偏自相关函数。知道估计的自相关函数倾向于遵循的行为理论自相关函数,这个估计函数快速接近零的失败可能逻辑表明,我们应该把底层的非平稳的随机过程,但这可能是静止的。一旦识别一个或多个可能的值,我们的选择和。这样做可能是考虑到特定行为的自相关和偏自相关函数和相应的截止滞后(见[24)的详细信息)。

确定的起始和结束时间感兴趣的现象,我们提出以下过程。首先考虑的观察(更小的数字的观察),适合在这个子样品识别模型。然后,Ljung-Box测试值(选择一个值)是记录。这些操作必须重复业者从第二个观察。一旦达到最后的观察,过程产生的“时间序列”结束值,这可以用来检测感兴趣的开始和结束的现象。

目的是测试现象存在的零假设与备择假设,这种现象是缺席。这可能是正式如下: 在哪里,,参数的顺序指示ARIMA正在研究过程相关的现象。为了构建的关键区域测试(5),第一个值,说,可以考虑,拒绝域可以通过构造多个测试程序,在多重性的调整是基于西梅斯提出的修正。这样做,等于的近似水平测试(见[28详细的工作)。决策标准是这样的。后 从最小值已被命令(说)到最大(说),如果至少一个零假设被拒绝从1到不平等是满足如下: 它可以证明这个过程提供了一个近似等于水平。而且比测试的测试结果不太保守使用古典Bonferroni调整,实现特别是在这种情况下,单一的测试是高度相关的。

检测的方法开始和/或结束的一个特定的现象遵循这些步骤:(1)实现的测试(5)- (6)在第一个 值,th观察,输出设置为0如果有统计证据拒绝零假设,虽然设定在1否则;(2)重复步骤(1)转变后的观察直到到达最后一个。

在程序结束后,输出为0^”年代和1^”s是可用的。此外,1表示现象的存在,0。开始和结束点可以通过这最后然后发现0/1的时间序列。

2.4。模拟研究

为了验证该方法,不同的情况下已经被测试和分析。主要的目标是以下:(我)指出设置我们的方法执行在最好的情况下,(2)评估方法的鲁棒性不同和,(3)在参数灵敏度分析Ljung-Box的统计数据。

本文给出的方法是一种技术来检测潜在修改过程中观察到的现象。我们选择ARIMA(0, 1, 1)作为参考过程(RP),考虑一系列7000实现的一个过程,说,然后40000实现的参考模型,最后从另一个不同的过程,7000年实现说。所有的模拟的价值固定等于100。在这种特殊情况下,测试(5)。 我们测试了它在不同的情况下;在第一、第二和第三个模拟,和非常不同于RP,而在第四个他们非常相似。特别是我们设置 ,我们认为是ARIMA (4、1、2), ARIMA (5、1, 3), ARIMA (2 2 0), ARIMA(1, 1, 1),分别。

这些模拟的参数值是随机选择,约束下的模型是容许的。它们的值在表1。数据3(一个),3 (b),3 (c),得到了修复,,显示,我们的方法很好第一个3设置,真正开始点和结束点之间的对应关系(红线)和0/1序列是可见的。第四仿真,该方法难以捕捉的现象研究中,如图3 (d)。

在下面,我们关注与图有关3 (b),生成过程是一个ARIMA(0, 1, 1),预期,紧随其后的是一个观察的过程生成的ARIMA (5、1, 3)。例(3)和(3 c)给类似的结果。我们分析的力量如何测试(7)的影响和。对于这一分析,我们考虑。如果是真正的i型错误的概率,权力会增加吗生长。我们没有真正的错误的概率,但只有上层估计。然而,我们会观察到增长的力量增加。另一个参数影响的力量测试。再一次,大是,Ljung-Box测试的力量就越大。所以,还应该提高全球的力量测试。在图4,不同的输出方法(沿行)(沿列)。可以推断,方法的行为是一致的,由于错误的数量之前和之后的现象减少和增加我们的预期。

我们认为,对于不同的值和,实证i型错误概率和经验能力超过40岁的模拟计算。表2表明这个测试是保守的,但经验i型误差概率不是迄今为止的名义水平测试。此外,表中给出的结果3表明,一旦是固定的,可以增加测试调优的力量在一个合适的方式。然后,人们可以认为制定一个非常高的价值为了获得一个令人满意的权力。然而,这并非没有代价。事实上,价值越高延迟越大在开始和结束点检测。

因此,参数的选择由权衡所需的监管权力的延迟的测试和检测的现象。最后的模拟分析,我们想推断出参数Ljung-Box统计数据,以了解如果方法影响修改它的值。让考虑前后的情况观察现象生成的ARIMA(5、1, 3),并修复和。在图5的输出为不同值的方法(等于5、10、15、20、职责)。尽管输出是不同的,没有依赖的模式出现了。

3所示。结果与讨论

现在让我们考虑一个应用程序的方法提出了真实的数据。具体分析了RR间隔8在心房颤动(房颤)患者。

数据已经被卢卡·曼拉德教授负责提供给作者系的生物医学信号处理实验室的生物工程,米兰理工大学。在病人接受一个消融干预之前,七天的霍尔特跟踪记录使用一个频道德尔雷诺兹霍尔特记录器,采样频率等于128 Hz。这种数据收集协议符合赫尔辛基宣言为研究人类。数据可用这类病人的RR间隔两个小时到两个小时后房颤的一个事件。这一现象的持续时间是不同病人和显示在表中4。

我们要检测房颤时血流速度图系列的研究。在某些情况下,RR间隔期间AF很高的可变性对生理的心跳。然而,这种显著的变化现象的变化可能会缺席,高亮显示在图6。这是一个例子,基于检测的传统方法的改变过程的可变性是无效的在检测房颤的起点。

第一步在于模型的识别在房颤的RR间隔。我们使用了自相关和偏自相关函数来确定一个合适的模型。因为它是图所示7的自相关函数被截断后延迟1号,的是零延迟后两个。这种行为是典型的一种ARIMA(0, 1, 1)和(0 2 2)。然后,我们把RP≡ARIMA (0, 1, 1)。相同的分析做的RR时间序列和post-AF不会导致相同的结论。事实上自相关和偏自相关函数不强调这些特点。因此,假设在心房纤颤RR时间序列的随机过程产生不同模型的其他阶段似乎是合理的。然后,我们想分析检测方法的性能开始和结束的现象。

为了实现这一目标,让我们解决以下参数值:,,。因为在节2。4的参数一直在强调最重要影响该方法的性能,我们分析的输出各不相同。在图8的输出方法应用于患者1和5所示。我们这里现在只有输出两个病人,因为其他病人的结果非常相似。

一些因素可以推断观察图8。首先,我们可以指出行为的方法增加。可以看出,这种行为与模拟得出的结论一致。然后,我们可以分析延迟检测房颤的开始和结束和错误的数量。

处理延迟,因为每个观察R峰之间的时间是和下面的一个,我们可以评估时间延误事件的检测房颤和不仅观测的数量。因为它是表所示5,延迟检测现象是可以忽略的,如果与房颤持续时间相比,除了病人4很短的房颤事件影响。此外,在某些情况下,该方法能够检测房颤事件提前。

我们要关注的是另一个重要的点的数量由该方法错误。从第一个图的洞察力8,我们可以观察到的大部分错误似乎涉及到几个数量的连续观测。

然后,调整可以实现以减少错误的数量(在这种情况下,整个时间间隔检测到一个错误的方式被认为是一个错误)。我们介绍了一个人工时间延迟:在第一个即时输出开关从0到1(反之亦然),我们等待一个给定的时间宣布房颤事件开始(或结束);只有在这个时候该方法仍存在指示(或缺乏)的现象,我们可以发现它。这个校正的介绍及其持续时间问题驱动的。由于房颤风险病理未死,问题关于错误的数量比检测延迟更重要,所以我们选择插入的人工时间延迟3分钟。这样做,我们大大减少错误的数量,如表所示6。

4所示。结论

在本文中,我们提出了一个统计工具来识别一个事件的开始点和结束点AF(一种常见的心律失常,表现为心率不齐)从RR间隔系列的分析。我们提出了一个基于时间序列分析方法,我们进行了统计检验自动识别阶段”pre-AF”,“AF,”和“AF,”尤其是在那些情况下房颤事件并不遵循生理时间槽和/或不规则心跳事件结束时仍然存在。这个工作的新颖性在于看订单的结构变化(,,或)时间序列ARIMA模型拟合的RR房颤事件对“pre-AF”和“post-AF”阶段。我们测试了该方法在不同的模拟数据,参考AF ARIMA模型阶段,不同模型的“pre-AF”和“post-AF”阶段。

然后,我们应用真正的RR区间数据的方法。我们获得的结果证实该方法的美好,似乎能够识别一个事件的开始点和结束点AF即使AF遵循或之前不规则心跳时段。这是我们的方法的创新特征,因为各种各样的技术处理的检测房颤不考虑这种特殊情况。因为我们的方法分析结构变化的ARIMA模型,它可以检测房颤发作时也在这些特殊情况下房颤事件之前和/或之后心跳不遵循正常窦性心律,特点是低有意义的变化。这个事实证实,这种方法可能成为一个有用的工具的在线或离线检测房颤。特别是这个方法可能是有用的离线控制房颤事件,如动态心电图,心电图是一种长期的跟踪。以来的传统检测房颤通过P波的分析可能是一个长期和艰苦的过程,一般而言,它是简单的提取从霍尔特RR间隔,该方法可以代表一个自动诊断工具,简化了检测房颤事件。

确认

作者要感谢卢卡·曼拉德教授负责的部门的生物医学信号处理实验室的生物工程,米兰理工大学,瓦维泰利博士提供的数据和技术支持的统计分析。