文摘

我们提出一种新的算法来预测直流电动的结果(DCE)为心房纤颤(房颤)患者复律法。房颤是最常见的心律失常和DCE房颤复律法是一种非侵入性治疗结束并返回患者窦性心律(SR)。不幸的是,有一个高持续性房颤患者房颤复发的风险;因此临床上重要的是预测DCE结果为了避免手术的副作用。本研究开发了特征提取和分类框架来预测房颤复发患者心房活动(AA)的底层结构。一个多分辨率信号分解技术,基于匹配追踪(MP),用于项目小波的AA /一本字典。七小说特性来自分解,并在二次就业歧视分析分类预测的成功post-DCE在40持续性房颤患者复律法。该算法实现了敏感性100%,特异性95%,表明该计算方法捕获底层AA和详细的结构信息可以为房颤的有效管理提供可靠的信息。

1。介绍

心房纤颤(房颤)是最常见的心律异常,与重要的相关发病率和死亡率,增加心力衰竭和中风的风险1]。房颤是心房电活动紊乱传播的阻碍组织收缩。因此,心房去极化波阵面,p波,测量在窦性心律(SR)陷入一系列fibrillatory波表面心电图(ECG)。房颤是进步在自然2,3]。这种疾病会恶化随着时间的推移和抵抗治疗增加。阵发性房颤被定义为自终止房颤发作,持续不超过七天。持续性房颤被定义为房颤发作持续时间超过7天,通常需要医疗干预终止。最后,如果房颤持续一年多了,所有试图消除房颤失败,房颤被定义为永久性房颤。鉴于房颤的渐进性质和不同房颤治疗的潜在风险,关键是确定如果一个给定的治疗是有效的。这可能为房颤的有效管理提供宝贵的信息。

有各种各样的治疗房颤的选择,包括药物和电击以及手术方法。直流电气(DCE)房颤复律法是一种非侵入性治疗,经胸廓的电击同步控制适用于病人的非线性波(1)为了终止房颤和返回老病人DCE复律法治疗可能会立即失败或有房颤复发在随后的几个月里,这意味着使用DCE复律法治疗房颤不能终止。据报道,这个过程是成功的在80 - 100%的患者;然而,只有20 - 40%保持老治疗后一年内(4]。因此,一个可靠的测试,可以准确预测的可能性SR维护后DCE复律法是很重要的,为了权衡收益和潜在风险如postshock心动过缓、恶性室性心律失常,心房血栓栓塞(5]。因此,目前的工作的目标是开发一种新型的计算方法来分析房颤患者的心电图在DCE复律法的应用和预测治疗的成功。这样的预测可以提供一个重要的计算机辅助临床决策支持系统治疗房颤病人的管理。

在过去的十年中,一些研究试图临床和电生理参数来预测SR维护后DCE房颤复律法[6- - - - - -11]。房颤治疗管理的核心概念是不规则fibrillatory波信号反映了一个人的疾病的严重程度。因此,一些研究测量心房组织活动(AA)从表面心电图的测量SR维护。这些算法包括fibrillatory率(6,12,13),谐波衰减(6),和熵14,15]。然而,没有一个现有的方法被用于常规临床房颤治疗管理(16]。在目前的研究中,我们调查房颤组织超出迄今为止表现在文学。我们的方法研究的形态和频率fibrillatory波在房颤,试图提供一个强大而有意义的预测后窦性心律维持电复律法。我们应用信号分解技术检查AA的结构在不同分解层次为目的的预测的结果DCE在持续性房颤复律法。

预处理技术应用于提取心电图的AA。匹配的追求(MP)技术(17)用于AA信号分解成多分辨率时频分解(TF)。MP分解由小波原子的结合两种小波类型(即。,Coiflet1 Symlet2)和6级(来)。我们调查的类型和规模小波类型和尺度,最为准确捕获相关的结构性变化SR维护和议员提出七个新特性。使用二次判别分析(QDA)分类技术和分析交叉验证,我们评估发达议员特性数据库包含从持久病人心电图DCE复律法。节中概述的算法的细节2;验证的特性还提供了对临床数据和讨论部分3。本文的结论部分4。

2。方法

该方法包括三个阶段:(i)心电信号的预处理,特征提取(ii),和(3)分类和验证提取的特征对临床结果。图1描述了该方法的整体轮廓。

2.1。心电图数据库

心电图数据(18)是获得从40持续性房颤患者成功的外部DCE复律法治疗。这项研究是经当地伦理委员会批准招收的组织和符合《赫尔辛基宣言》。复律法之前,10分钟12导心电图(千赫)被记录为每个病人。二十患者保持SR (AF-Free) 2周后随访20房颤的复发(AF-Relapse)。患者的临床特征,包括药物和房颤的历史,在表1。提出的分析是基于一个领导。因此,我们选择铅V1,提供最好的心房信号(显示19]。该算法应用在十秒长心电图信号,这是选择从10分钟的心电图作为解释部分2.2。

2.2。预处理

预处理阶段执行三个步骤如下。

去除噪声和基线漂移。带通滤波器截止频率为0.01赫兹和50 Hz被用来消除噪声和基线波动的心电图(20.]。

段选择。基线删除步骤后,部分具有一致QRST形态识别。房颤,是很常见的心电图包含不止一个QRST形态,可以增加QRST残差在心房活动萃取步骤和稀释AA的质量进一步分析。因此在这一步我们识别心电图段,包括稳定QRST复合物。首先,非线性波最大绝对基准标记放置在点导数QRST复合物。我们构建一个QRST模板通过平均所有QRST复合物的心电图。然后我们计算QRST模板之间的相关性和每一个节拍和识别相关系数超过90%的部分。

心房活动提取。几个技术被用来取消QRST复合物和获得AA心电图(21,22]。在这项研究中,我们采用平均打败减法的方法(23)已广泛用于文学。使用QRST模板计算在前一个步骤,在每个基准标记,我们适应QRST模板心电图和获得估计QRST模板从心电图。然后,我们减去估计QRST模板心电图获得AA估计信号。我们通过计算评估QRST删除峰度作为衡量AA估计质量(24]。最后,为每一个记录我们选择一个10秒长峰态最低的摘录。图2说明所选部分的记录。

2.3。特征提取

MP分解应用于提取AA信号和议员特性从议员中提取膨胀系数。

匹配追踪分解。MP分解技术是一个迭代的信号,表示一个信号作为一个函数的线性组合选择overcomplete字典的基函数(特遣部队17]。该算法已经成功地创建生物医学信号的高分辨率TF表示[25- - - - - -27]。在这项研究中,我们应用MP算法获得AA信号的预处理步骤。考虑 在(1),代表AA信号和是小波类型、规模和时间位置定义的,,,分别。的膨胀系数是吗,是执行的迭代次数,的残渣后迭代。在(1),AA的信号投射到一个overcomplete字典TF函数结合不同的小波类型和尺度。在每个迭代中,TF最好的相关函数是选择从overcomplete字典找到当前的最大内积渣与字典中的每个原子()。在下一次迭代中残渣分解根据相同的规则。后迭代,AA的信号表达的形式(1)右边第一项代表了原始信号的分解,所选的TF函数,第二项是残留在迭代。为足够大,它可以观察到,残留在(1)变得极小。

有三种方法阻止议员的迭代过程。迭代可能继续直到残留的能量小于一个阈值,最近的膨胀系数的值小于一个阈值,或迭代的数量达到一个预先指定的最大值。在这项研究中,我们使用最后两个停止的组合方法和确定一个固定的迭代次数根据平均扩张系数所需的迭代次数达到小于5%的初始值。在此基础上分析,我们发现后= 1000次迭代,都有一个微不足道的膨胀系数的变化。因此,我们使用= 1000固定停止准则。阴谋的膨胀系数AF-Free AF-Relapse例子如图3(一个)。

议员字典。两个不同的小波类型在六个不同的尺度上(来)被用于这项研究:Coiflet1 (Coif1)和Symlet2 (Sym2)。我们建立一个国会议员由配对的两种小波字典(也就是,和)。然后MP分解项目每个AA信号在联合国会议员字典。我们描述一个例子AF-Free AF-Relapse信号与信号分解数据4(一)和4 (b),分别。故事情节左边显示重建信号通过结合Coif1对应的组件和右边的情节显示相关的重构信号的总和,,,。

议员的特性。我们每个AA的议员执行信号,得到的小波分解和鳞片,。十三议员特性提取为每个病人在这一节中解释。然而,只有七个这些特性包含一个重要的区分AF-Relapse和AF-Free数据和在最后的决策算法。

第一个议员特征是基于膨胀系数= 1000次迭代。我们可以看到在图3(一个),我们意识到AF-Free案件呈现出更快的衰变率相比AF-Relapse病例。等行为预期它可以假设AF-Free情况提出一个更有组织的AA和由议员小波分解的速度28]。AA信号从AF-Relapse数据包含更多的混乱和不连贯的结构和衰减速度较慢。因此,我们使用规范化的膨胀系数(即,)= 1000次迭代的议员代表分解衰变率特性。归一化系数的对数扩张采取进一步传播的数据点。我们执行一个探索性统计测试调查,如果膨胀系数小的迭代次数(即,,在那里)是一个更合适的选择的量化AA组织。使用Mann-Whitney测试中,我们计算了值的归一化系数扩张来= 1000。我们可以看到在图3 (b),随着迭代次数的增加价值减少。任何标准化的膨胀系数(),可以实现显著值< 0.005。

其他12 MP特征提取根据分解结果如下。我们建立两个矩阵为每个小波类型(和)在一个给定的字典:和。这些矩阵称为入住率矩阵构造如下: 在哪里代表小波类型与规模和时间的位置和分别天平的价值吗,对应于时间的位置。这个过程的图形表示数据所示5和6两个入住率矩阵的和AF-Free策划为例,AF-Relapse的一个例子,分别。故事情节的分析结果显示只有0.5秒的AA数据可视化的目的。前六行显示占用为Coif1小波尺度的概率来,接下来的六行Sym2小波显示此信息。在这个图中,每个黑色圆意味着在给定的时间分解的存在和规模。十二个特性提取每个字典通过总结如下: 在(3),我们获得的特性作为总存在一个给定的小波类型和规模的AA的信号。

MP特征选择。议员的特性提出了研究评估使用探索性统计分析。目的是确保任何后续学习技术应用到数据不会受到许多无关紧要的自由度。十三个议员为每个AA信号特征提取。我们选择的议员特性表现出显著相关性与电复律法的成功。每个国会议员的统计学意义决定使用Mann-Whitney特性测试,这是一种非参数方法,数据的概率分布的情况下是不正常的。在这项研究中,使用这个测试,因为议员不表现出高斯概率分布特性。的Mann-Whitney测试结果显示,只有7 MP特征的统计学意义。这些重要特性的值呈现在图7。的对数衰减议员功能被进一步传播的数据点。因为这个特性有不同的范围比其他六个特性,它是显示在一个单独的阴谋。总共七个议员特性,选择这里是用于分类阶段:,。

2.4。分类

一个标签“0”或“1”对应AF-Free AF-Relapse情况下,分别在每个特征向量来自所有的AA的信号。为本研究选择的学习算法采用二次判别分析(QDA)分离AF-Relapse和AF-Free二次曲面特征向量。评估的分类性能,我们使用分析交叉验证过程,一个病人的数据保留在每一个试验。因此,分类过程重复40试验中对应于每个病人和训练集的特征向量组成的整个数据库的异常单病人保留。特征向量的病人在研究测试数据。在每个试验中,忽略时的后验概率数据对应AF-Free和AF-Relapse类记录。最后一个接收机操作曲线(ROC)获得使用收集到的后验概率毕竟40试验完成。

3所示。结果

提出了特征提取和分类算法应用于部分中描述的数据集2.1。中华民国QDA和分析交叉验证图所示8。根据这一分析,曲线下面积(AUC)为0.97,略高于AUC的线性判别分析(LDA)的方法,它是0.94。最好的敏感性和特异性值是100%(20 20)和95%(19 20),分别。除了AF-Free类中的一个案例中,所有的数据是完全分类使用新颖的特性,本文提出了。

3.1。噪音和QRST残留

AA的提取信号的预处理是基于段的平均击败减法与至少一个形态和QRST残差的选择进一步分析。常见的房颤患者,心电图信号包含不止一个QRST形态,这会导致大量估计AA QRST残渣的信号。另一个常见的问题是QRST由于呼吸的变化和不匹配的对齐QRST模板与每个QRST复杂。为了避免计算工件的AA信号,我们采用correlation-based分析只考虑数据与QRST微不足道的变化复杂。在我们的数据集,只由一个单一的形态(即4记录。,no beat with the correlation of less than 90% with the QRST template). The remaining records had(8.5%±7.6%)比显示的相关系数小于90% QRST模板。总的来说,心电图段(秒长)被选为AA提取。峰度计算每段,十秒长心电图显示每个记录的最小峰度值被选中。峰度值平均为选定的部分。我们重复了特征提取和分类算法在随机选择部分(即从每个记录。,没有约束QRST相关性和峰态)。算法的性能明显下降,这意味着选择噪音和artifact-free段对AA的成功分析信号至关重要。

3.2。小波的关系类型和复律法的结果

几个观测可以由执行的统计分析来选择重要议员特性。0(规模)2 (Coiflet1小波和规模(即)Symlet2小波模型。,decompose) the activations in the AF-Free signals. This behavior can be seen in Figure7显示了较高的活动吗和AF-Free数据相比AF-Relapse数据。它也可以观察到在图右边的阴谋4AF-Relapse信号包含更多的高架激活更高尺度(即,和)相比AF-Free信号。这也可以看到在图7AF-Relapse数据提供了一个更高的活动吗,,,。此外,比较数据5和6一个可以看到入住率AF-Free信号矩阵和分布更集中在较低的范围内,而AF-Relapse信号演示了一个更广泛的分布。因此,与文献[我们的观察是一致的2,35,36)支持,房颤与恶化更混乱心房表面心电图信号。我们的分析表明,升高激活AF-Relapse更高尺度小波的情况下可能被用作预测无序和AA信号干扰。

3.3。与其他相关研究房颤的进展

表2列出各种之前的研究结果提出了DCE复律法的成功的预测。值得一提的是,此表中的结果得到使用不同的数据集和使用的患者人群解释不同的研究之间的差异是很重要的。然而,一个可能得出结论,该方法提供了一个类似的如果不是更好的预测能力比其他算法。

我们评估心房频率的性能(误判率)在我们的数据集作为一种重要的表面在颤心电图数据获得。先前的研究,如13),表明,误判率与心内膜的测量周期的长度。此外,作为一个衡量AA的组织,误判率与治疗后复发的风险显著相关。误判率升高一般理解表明房颤的恶化,可能与疾病的进展通过电气改造(37]。我们误判率的方法应用于数据集,发现误判率升高在房颤的复发患者随访(),导致敏感性和特异性58%和75%。因此,我们的分析支持误判率的意义在预测成功的DCE复律法;然而,从这些结果很明显我们需要将误判率与一些附加功能提供一个成功的总得分。例如,在图4误判率没有发现AF-Free之间的显著差异和AF-Relapse信号计算误判率为6.5赫兹和6.4赫兹,分别;然而,拟议的multiresolution-based技术成功地分化两种情况。这个结果可以解释的结构两种方法之间的区别。拟议的技术提供了一个组织的分布在不同时间和频率尺度而误判率是有界的时间和频率分辨率的傅里叶变换,只能提供关于总体频率的信息内容在给定长度的信号。该算法的性能表明,小波类型和规模都是重要的预测成功postcardioversion病人。然而,一个更大的人口需要进一步评估的成功提出MP-based分析在未来的研究。

4所示。结论

在这项研究中,我们提出了一个新的分析心房活动的结构来预测成功的DCE房颤复律法治疗后1个月后治疗。从MP分解,我们开发了小说的特性进行统计评价,选择7重要议员特性。提取的议员功能被用于二次判别分析分类预测DCE复律法的结果在我们的数据库中。分析评估表明,我们的算法提供了一个有前途的非侵入性指标结果的敏感性和特异性为100%和95%,分别。考虑到重要的结果,它可能会得出结论,我们multiresolution-based信号分解技术收益率新颖见解心房组织激活,可以提高预测的成功postcardioversion病人。进一步研究更广泛的数据库可能会决定提出的可靠性计算方法作为一种新的计算机辅助临床决策支持系统可以成功地预测DCE复律法的结果和可能指导房颤患者的护理。

利益冲突

作者没有利益冲突声明。