文摘
自动检测和分类的危及生命的心律失常中扮演一个重要的部分在处理各种心脏疾病。在这篇文章中,各种类型的心律失常分类的新方法使用形态学和动态特性。离散小波变换(DWT)是应用在每个心跳获取形态学特征。它提供了更好的时间和频率分辨率的心电图(ECG)信号,这有助于解码重要信息的准周期的心电图使用可变窗口大小。RR区间信息作为动态特性。RR间隔的非线性动态捕获使用Teager能源运营商,可以改善心律失常分类。此外,去除冗余,DWT部分波段使用独立分量分析进行降维,总共十二个系数与形态特征选择。这些混合特性相结合,提供给神经网络对心律失常进行分类。该算法一直在测试使用13724次MIT-BIH心律失常数据库和MIT-BIH室上性心律失常数据库使用22151次。拟议的方法导致了一种改进的平均精度和对于类和面向主题的方案,分别使用三倍交叉验证。
1。介绍
心律失常是一种不规则的心跳心律过快(心动过速)或太慢(心动过缓)。心电图(ECG)的一个小改变形态或动力学可能导致严重心律失常的攻击,这可以减少心脏的泵血能力,导致卖空上气不接下气,胸部疼痛、疲劳、和失去意识。有几种类型的心律失常,其中一些是危险的,可能会导致心脏骤停而猝死如果不及时发现和监控(1]。还有其他类型的心律失常不危及生命,但仍然需要适当的分析,以避免未来的临床问题。几类很少出现心律失常的心电图信号,因此需要长时间的心电图记录才能被检测到。手动分析长心电图记录需要时间和努力。这些心律失常的自动检测和分类提供了大量援助,医生(2,3]。此外,早期诊断心律失常将有助于适当的治疗和支持持续的生活。因此,一些技术已经提出了自动检测和分类的各种类型的心律失常4- - - - - -10]。
16个类型的心律失常的分类方法提出了基于心电图形态和动力学(11]。形态学特征提取使用离散小波变换(DWT)和独立分量分析(ICA),而心电图动态特性提取通过计算RR区间。这些特性与平均然后使用支持向量机分类的准确性 。五种心跳,即正常,过早心室收缩(PVC),心房过早收缩(APC),左束支阻滞(更多)和右束支块(RBBB)是公认的在4]。平稳小波变换(SWT)应用在每个ECG信号噪声免费。ECG信号的高阶统计信息和三个时间间隔被视为特性,然后喂蜜蜂混合算法训练径向基函数和导致平均精度 。
依赖基准的一些技术特性,时间和动态特性,直接取决于心电图特征,例如,波爆发点,山峰(最大值/最小值),和抵消5]。Nonfiducial特性直接来源于基准特性或通过分段ECG信号分成几个部分也被使用(6]。这些特性是没有找到足够好的独立使用时心电图心律失常的准确分类。两者的结合基准和nonfiducial功能是用于定义一个生物标记的人识别(7,12]。
提取的特征通常是在时域或频域分析。一些最重要的时域特性,包括RR间隔,ST段和T高度,需要识别信号内的关键时间点(13]。心跳的方法分类与动态拒绝阈值使用QRS形态,提出了频率信息,交流电源QRS细节系数,代表心电节拍和RR间隔功能(8]。使用支持向量机(SVM)分类提高精度拒绝和最小的成本。时间和频率信息的组合也被用于(9,11,14- - - - - -16),提供更好的提取信息从一个准周期的心电图信号利用小波变换,它提供了一个良好的时间和频率分辨率。五个重要的心律失常类型,即nonectopic、心室异位,室上异位,不可归类的节拍,贝塔和融合,进行了分析和检测9]。特征提取利用DWT,只有重要的系数选择通过应用独立分量分析,结合神经网络的精度 。
上面所讨论的所有方法有以下缺点:(1)表演的大多数方法的测试只能在较小的数据集,有一个需要验证他们的表现更大的数据库(2)选择类心律失常的评估,需要测试所有心律失常类(3)很少发生心律失常类的分类精度不好
摘要小说技术提出了心律失常心电图击败分类考虑的混合增强形态和动态特性来克服这些缺点。形态学特征得到利用DWT在每个心跳。产生的功能包含的DWT近似系数和细节系数在4级。应用独立分量分析在两个独立逼近和细节系数中提取重要系数。此外,四种类型的RR间隔特性计算代表心电图心跳的动态特性。此外,提高心电图的动态特性心跳的高斯噪声,Teager能量算子(TEO) [17使用)。这些特性结合起来,提供给神经网络(NN)心跳的自动分类到不同的心律失常类型根据class-oriented方案(18类)和面向主题的方案(5类)。
剩下的纸是组织如下。首先,该方法是在部分详细解释2。提出了系统的类和面向主题的评价提出了部分3,紧随其后的是结论部分4。
2。方法
拟议的方法呈现在图1包括四个主要阶段,即预处理,心跳分割、特征提取和特征分类。这些阶段的细节下面。
2.1。心电信号预处理
主要心电图信号基线漂移的影响或电源线接口(PLI)。介绍了不同的方法去除这些噪声的ECG信号(18]。实验表明,基线漂移显著影响心律失常的检测,使心电信号分析困难的专家(19]。照明灯具是一种噪音发生由于破碎的电极,电极补偿电压,运动的患者,呼吸错误,或电极电阻而记录心电图信号。这是一个低频噪声,通常存在于0 - 0.3赫兹的频率范围。为去除基线漂移、信号的期望值是减去从原始心电信号获取无噪声的ECG信号使用 在哪里去噪信号,代表原始ECG信号,μ的期望值是原始的脑电图信号。
2.2。心跳分割
心脏周期的三个基本成分是QRS波群,T波和P波,称为置信点。ECG信号的正确分割成心跳段涉及识别这些基准的边界和峰值位置点。R-peak位置信息的数据集被用来获取这些心跳段。一个心跳由200个样本包括R-peak和样品峰。这段大小包含最大信息的一个心跳和图所示2。
2.3。特征提取
在特征提取中,改进的功能基于DWT, RR间隔,选择Teager能量算子,能够代表形态和动态心电图信号的变化更有意义。
2.3.1。离散小波变换(DWT)
生物医学信号的统计特性通常随位置和时间变化。小波变换提供了信号在时间和频率域,这使得它能够像心电图分析准周期的信号。采用小波变换在处理心电信号的特征提取1,去噪11),和心跳识别(20.]。在拟议的方法中,DWT被用作特征提取技术。应用DWT后,心电图信号分解为低频近似分量和高频细节分量。
最常用的小波提供正交属性Daubechies, Coiflets, Symlets,离散迈耶(21]。每个心跳解体使用有限脉冲响应(杉木)近似离散mayer的小波变换。第四层近似部分波段的频率范围赫兹,第四个层次的细节子带的频率范围赫兹。共有200个系数提取小波的特性,使用ICA进行降维处理。六大ICA组件从每个两DWT部分波段选择,导致两次能带一共有十二个形态学特征。
2.3.2。RR间隔特性
R是一个点对应于心电图波形的最高峰,和RR连续QRS复合物之间的间隔时间。ECG信号的非线性动力学行为,在心律失常,非线性动态组件更重要的是比线性变化。RR间隔很简单,易于计算,而不易噪音。四种类型的RR间隔功能,即previous-RR, post-RR, average-RR, local-RR间隔,来自RR序列,描述的动态特性的心跳。这些特性的计算使用以下方程: 在哪里我显示当前R-peak和的位置 , , ,和代表前,post、局部和平均RR区间,分别。是当前R-peak,和分别代表前和后R-peaks和显示的总数RR间隔在一个心电图。
2.3.3。Teager能量算子(TEO)
独立自主的RR间隔不捕获分析的非线性性质RR间隔不一致。TEO是用来代表RR间隔的非线性行为,这是一个非线性算子对能源跟踪(17]。它测量瞬时频率、振幅包络和系统生成的能量信号。所需的能量源生成相同信号不同的频率和能量和振幅就会不同了。需要更多的能量来生成一个高频信号与低频信号。张志贤反映了源能量;因此,任何不稳定的传导路径和脉冲生成显示Teager能量函数。离散时间信号 ,Teager-Kaiser非线性能量(NE)和非线性平均能量(一)在时域中给出 在哪里N代表的样本总数在心电图的心跳。
2.4。神经网络(NN)分类器
一个人工神经网络由相互连接的神经元相互之间发送和接收消息。这些连接被分配权重,它表示一个网络状态和在学习过程中更新。与10个隐藏层前馈神经网络用于心律失常的分类。网络上实现MATLAB R2013a。隐层神经元的数量在每个仅限于50,使得训练该网络在core i5 CPU-based系统8 GB的RAM。激活函数基于修正线性单元(ReLU)是用于隐藏层,和一个s形的函数在输出层。与随机梯度反向传播衰减是用于更新网络权重。学习速率的优化值为0.63,使用网格搜索精度和避免过拟合。
3所示。实验结果
的细节和使用的数据集实验结果提出了下面。
3.1。数据集
MIT-BIH心律失常数据库(MITDB) [22)和MIT-BIH室上性心律失常数据库(SVDB) (23从生理网被用于评估算法的性能。MITDB包括48心电图记录的47个科目,而SVDB包含78个半小时心电图记录。SVDB中的数据记录在MITDB增加室上性心律失常的例子。数据库包含一个注释文件位置的“QRS”复杂,心跳为每一个记录类型。利用这些类注释心跳作为参考注释评价该模型的目的。
3.2。评估策略
被认为是两种不同类型的评价策略,即class-oriented [24和面向主题的9]。在class-oriented策略中,所有信号数据库分割使用已经注释QRS位置。由此产生的部分被分为18个不同类型的节拍,即正常打(或“N”),心房过早收缩(APC“A”),融合心室和正常打(FVN“F”),左束支阻滞(确诊“L”),不可归类的节拍(联合国“Q”),过早心室收缩(PVC“V”),右束支块击败(RBBB“R”),波心室颤动(VF“!”),心房逃脱击败(AE“e”),融合的节奏和正常击败红外系统“F”),节点(交界)过早搏动(NP“J”),孤立QRS-like工件(-),异常的心房过早搏动(美联社“A”)、心室逃脱击败(VE“e”),节点(交界)逃避击败(NE“J”), nonconducted纵波(阻塞APB " x "),节奏节拍(“/”)速度,和室上过早搏动(SP“S”)。
此外,面向主题的策略也被评估。所有126条记录的数据集被分成一个类似的培训和测试比class-oriented计划,但性能报告根据ANSI / AAMI EC57:1998标准(25]。心跳的原始18类分为五大类,即nonectopic胜(N),室性异位打(V),室上异位打(S),未知击败(Q),并融合击败(F)。从MITDB和SVDB类映射到ANSI / AAMI心跳类提出了表1。
心电图信号从MITDB SVDB数据集第一次去噪去除基线漂移。去噪信号分割成不同长度相同的心跳(每200个样本)在给定的注释使用R-peak位置信息。总共35875次形式两个数据库(13724年从MIT-BIH心律失常数据集和数据集从MIT-BIH室上性心律失常22151次)被认为是。冷杉mayer近似小波应用在每个心跳。ICA应用结果水平近似,独立层次的细节系数去除特性系数之间的冗余。此外,ECG信号的动态特性是由四种类型的RR间隔功能,和Teager能量算子被用来代表ECG信号的非线性动力学。
三倍交叉验证方法用于分类器的训练和测试。完整的数据集(节拍)子样品分为两组,一个拥有总样本和其他剩下的心跳的每一个类(数据被选为培训从心房逃脱击败(e),由于非常低的节拍)。的心跳是用于训练目的,其余的心跳被用于测试和评价分类器的性能。这个过程重复了三次不同的心跳用于训练和测试。三折叠计算平均的结果来评估该方法的一般性能。敏感性(Se)、特异性(Sp),阳性预测值(PPV)和准确性(Acc)计算分析性能。
3.2.1之上。Class-Oriented评价
在class-oriented评估计划,训练一个神经网络来预测测试心跳的类中18种不同类型的心律失常。PPV的特异性、敏感性和总结在表的每个类2,这表明该方法演示了一个合理的单个类的性能,显示出更大的特异性,灵敏度好,PPV和。此外,它有更好的结果等的类存在低“Q”“e”和“x。“绩效评估措施为所有三个折叠表所示2,最好的精度是实现 。此外,平均灵敏度,平均特异性,PPV平均,总体精度。混淆矩阵提出了表3显示了正确分类和分类错误的心律失常类。
比较该方法的分类精度和最先进的方法基于class-oriented策略提出了表4。精度的改善类数量的增加和降低特征维度观察。此外,其他性能参数如敏感性,特异性,PPV也表明改进。这些结果描述,该方法更广义为心律失常分类和计算效率。评估仅仅基于“class-oriented”计划不是一个忠实的心跳测量实时性能分析的分类系统。面向主题的方案的性能分析为实际评估。
3.2.2。面向主题的评价
面向主题的方案,结果报告根据ANSI / AAMI标准。PPV特异性、灵敏度和准确度的每个类ANSI / AAMI标准如表所示5。混合特性的方法证明合理的个人表演,显示更大的特异性,灵敏度好,积极的PPV,所有类和准确性。融合跳动显示PPV折叠第二低,这可以归因于较小的节拍数这门课。精度达到高峰与平均灵敏度,平均特异性,PPV的平均平均精度。表6显示了混淆矩阵描述一种改进的性能在所有课程平均精度 。提出了一种比较分析表7与最先进的技术为面向主题的分类。一个重要改进是观察到,当考虑到这一事实,18心律失常类分类。据比较方法使用MIT-BIH数据添加信任的结果。
4所示。结论
心跳在这篇文章中,一项新技术进行自动分类的所有类型的心律失常。心跳的一种改进的混合特性表示部分基于一组的混合使用派生形态学和动态特性。分类是使用十二ICA投影从DWT系数计算的特性,加上四个RR区间特征,Teager能源的价值。两种类型的评估方案、类和主题,分析系统实现的。的标准基准MIT-BIH心律失常数据库和MIT-BIH室上性心律失常数据库,平均精度峰值精确地在一个折叠的在class-oriented评价。的准确性在面向主题的评价。病人在未来,一个自动定制方案会考虑,让心跳分类方法能够适应个体生理特性使用可穿戴传感器。
数据可用性
在这项研究中使用的数据是可供下载的生理网MIT-BIH网站。
的利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
赛义德·默罕默德瓦尔和Maheen居尔贡献了同样的研究。