文摘

背景。的T波代表心电图复极化的需要检测心肌缺血期间,第一个重要的ECG信号的变化被观察到在ST段改变等波紧随其后P波和QRS波群。在临床诊断提供指导、决策和日常移动心电监护,T波需要首先发现。最近,滑动成立方法受到越来越多的关注由于其鲁棒性和较低的计算负担。然而,参数设置的搜索窗口的边界在这个方法不适应。因此,在这项研究中,我们提出了一种改进的滑动窗口区域方法有更多的自适应参数设置T波检测。方法。首先,k——集群使用带注释的麻省理工学院QT数据库生成三分段函数描述之间的关系RR间隔的间隔R峰的T波发作,RR间间隔的间隔R峰的T波偏移量。然后,网格搜索技术结合5倍交叉验证选择合适参数的组合用于滑动窗口区域的方法。结果。对发病检测在QT数据库中,F1从54.70%提高到70.46%和54.05%到72.94%的第一次和第二次心电图(ECG)通道,分别。为抵消检测,F1也改善了在这两个渠道就像在欧洲ST-T数据库。结论。F1的结果改进算法版本都高于传统方法,说明该方法的潜在有用的应用程序心电图监测。

1。介绍

如今,增加患心脏病的人数已经见过。通过等波形特征P波、QRS波群T波,心电图(ECG)成为最直观的和基本的工具来诊断心脏疾病临床应用可为临床诊断提供必要的生理/病理信息和决策(1),包括重要的发病时间间隔之间的信息和抵消的波2]。除此之外,近年来出现了许多嵌入式监控设备,这使得它可以监测心电图信号与一个人的日常生活。与此同时,大量的心电图数据生成日报,这对医生是不可能手动查看/诊断每个ECG信号(3]。因此,开发准确的心电信号自动分析算法是至关重要的,特别是对移动心电监护4]。此外,QRS波群已被广泛研究,因为它最高幅度在过去几十年。到目前为止,有许多经典的方法来检测QRS波群和大部分的方法已被列入5),和经典的广泛使用的方法是抛物线拟合6),神经元网络方法(7),和卷积神经网络8]。此外,这些方法检测QRS波群的高灵敏度与积极predictivity (> 99%) MIT-BIH心律失常数据库(9),可以为其它波的检测提供有力的支持。

的三个主要的心电图,T波代表心电图复极化,其缺失或不寻常的形状可能表示在复极化干扰或另一个段的心跳10]。此外,T波异常与一些心脏疾病,如倒相关联T波中发现的其他领导(除了V1 V4线索),这是有关增加心脏死亡,和一个高或宽QRS波群直立T波进一步暗示后梗死。此外,心肌缺血期间,第一个重要ECG信号的变化被观察到在st段改变等波紧随其后P波和心电信号的QRS波群。因此,检测的T波是重要的在临床应用11]。

然而,准确/健壮T波检测仍然提出了挑战由于其低振幅(通常是0.1到0.3 mV)以及巨大的变化T波的形态(12),像积极的T波、负T波,两相的T波。除此之外,大部分的缺血情况下遭受STEMI早些时候(ST段抬高心肌梗死)有一个著名的圣消除或抑郁,大大影响的检测T发作。如今,各种方法基于不同的技术已经被提出了T波检测和典型技术的小波(13,14,数学模型15),支持向量机(SVM) [16),人工神经网络(ANN) [17- - - - - -19),低通分化(LPD) [20.隐马尔可夫模型(HMM) [],21,22),部分倒塌的吉布斯抽样和贝叶斯(pcg) [23),“翅膀”功能(24),导数曲线(25),自适应技术(26),计算梯形的面积(27[],你复杂的分析28)、相关分析(29日),k最近的邻居(30.),和滑动窗口区域(SWA) [31日]。在这些提到的方法中,小波方法是健壮的波形形态变化但对噪声十分敏感13,14]。数学模型方法需要构建健壮的心电图模板,但当波形变化很大,构建通用模板会变得困难(15]。基于svm的方法是有效的但构造有效的特征是艰难的16),和ANN-based方法面临计算复杂度高的缺点17]。作为比较,SWA方法具有较低的计算复杂度也强大的噪音和波形形态变化(31日]。

2006年,张等人首次提出SWA方法检测T波偏移和确认其效率在QT数据库(31日]。随后,歌等人改进这种方法检测T波发作(32]。之后,我们的团队结合发作补偿检测ST段的形态学分类(33]。2017年,我们的团队分析了其效率在QT数据库不同的评价指标(F1测量),我们发现仍然有一些空间以来进一步改善过渡SWA的参数设置方法不适应34),参数由Zhang et al。31日和歌曲等。32是经验值,没有包括优化步骤。

因此,在这项研究中,一种改进SWA发病和偏移量的检测方法T波提出了自适应参数设置。的性能改进方法与传统方法相比,两种方法被验证在两个常见的心电图数据库:(1)QT数据库(培训和测试)和(2)的另一个独立的欧洲ST-T数据库(只测试)。

2。方法

2.1。数据

记录从两个数据集。第一个是QT的数据库,其中包含105个15分钟的双通道心电图记录250 Hz的采样率,我们选择它作为训练集和测试集,因为多个类型从不同的数据库是包含在这个数据库记录。除此之外,完全43录音有人工注释T波发作103录音人工注释T波偏移。与选择注释所有的记录,每个记录,0.05 -45 Hz零相位滤波器是进口到我们之前申请了去噪算法。此外,通常有30至100典型地手动标注离散胜在每个记录标注。因此,RR间隔调整之前还需要使用这些记录,因为我们使用了人工注释R峰的位置。表1显示了总结QT的注释信息数据库。更详细的信息关于这个数据库的注释可以在拉古纳的研究等。35]。

表1
QT的少有的总结信息和欧洲ST-T数据库。

第二个数据库是欧洲ST-T数据库,由90年2小时双通道心电图记录采样在250赫兹,和这个数据库的记录只是用来测试我们的改进方法的鲁棒性。欧洲ST-T数据库选择,因为它的广泛使用于圣分析和评价算法T波的变化(36,37]。在这项研究中,23个录音(只有第一个5分钟在每个记录)被选择和人工注释T波发作抵消由训练有素的工作人员,因为亏损T波国际注释。表1也显示了这个数据库的详细的注释信息。除此之外,在选择记录,如果有严重的信号质量问题在第一个5分钟一集,使用以下5分钟一集和0.05 -45 Hz的带通滤波器是申请去噪前为每一个记录我们选择进口到算法中。因为我们不实现RR间隔调整R山峰被检测到jqrs方法(21]。

验证两个数据库之间的一致性的注释,我们分析了信息之间的时间间隔T波发作/抵消和相应的R两个数据库的峰值位置。图1显示的时间间隔的概率密度分布来自两个数据库的信息。如图1,我们发现我们的手工注释的开始/抵消的T波在欧洲ST-T数据库有相似的概率密度分布与QT的注释数据库,这说明我们的注释的有效性。

(一)
(一)
(b)
(b)
图1
概率密度分布之间的时间间隔的信息T波/抵消R波的峰值通过分析两个数据库的注释:(a) QT数据库和(b)欧洲ST-T数据库。
2.2。滑动窗口区域(SWA)方法
2.2.1。SWA方法

SWA是一种检测算法T波发作和偏移量(T在和T结束)通过分析心电图的波形区域在一个滑动窗口(31日]。检测到发作/抵消当滑动窗口的面积达到其最大前缀搜索范围。然后,我们给一个例子来解释数据的方法2和3。

(一)
(一)
(b)
(b)
图2
SWA方法的演示T波开始检测。
(一)
(一)
(b)
(b)
图3
SWA的演示方法检测的补偿T波。

图2说明了检测T在。首先,的位置R峰,左和右边界(t1和t2分别)的搜索窗口确定基于当前RR间隔建议在歌曲等的研究。32]: 在哪里 是 RR间隔和 是 的位置R高峰。

波形区域(发病面积表示为: )在固定的滑动窗口 使用以下公式计算: 在哪里 (默认),窗口宽度,t从t1来t2, 波形振幅的吗jth样本点, 是当地的平均振幅(使用一个平滑的窗口 定义默认情况下),这是根据以下方程:

如图2,当t=T在, 达到最大值。

图3说明了T结束检测。首先,的位置R峰,左和右边界(t3和t4分别)搜索窗口的确定基于当前RR间隔建议在研究张et al。31日]:

结束的波形区域(区域表示为: )在固定的滑动窗口 然后按照下列公式计算: 在哪里 (默认情况下),t是来自t3来t4, 和 在方程(定义2)。如图3,当t=T结束, 达到最大值。至于数据之间的差异2和3是计算的方向滑动区。

此外,算法1显示了传统SWA的描述算法和算法证明的更多细节可以参考(31日]。

输入:心电图信号 ,R峰位置,R数字峰值N,滑动窗口宽度 ,平滑系数p,形态学预定义的因素r
输出:T波出现的位置
计算:
(1) 计算t1和t2并构造滑动窗口
窗口=
(2) 平稳信号,计算每个点滑动区我内(t1,t2]
(3) T波形态分类
如果
计算
如果
如果
计算
如果
(4) 得到k
输出:T波发作=R峰+k。
算法1
传统SWA算法(T波检测)。
2.2.2。SWA改善方法

关于SWA方法的一个关键问题是准确地确定搜索范围,但搜索边界RR间隔是密切相关的。如数据所示2和3,如果间隔搜索窗口的边界设置太小这意味着两个边界点附近的电流R的最大峰值滑动区域不能被发现或发现发作/抵消T波正在靠近R高峰。这些问题影响检测的准确性,从而导致检测错误,反之亦然。

在传统SWA方法中,有两个分段函数预定义的参数设置。为了更准确的模型RR间隔之间的关系和边界搜索在这项研究中,我们进行了k——RR间隔和之间的聚类分析 ( 表示之间的时间间隔R高峰,T波发作)以及RR间隔和之间的关系 ( 之间的时间间隔R高峰,T波抵消),它是通过实现的k——在Matlab函数。最优的散点图k——集群(k= 3)如图4(38),而k是由结合聚类的结果和计算复杂度的参数的设置以及算法的适应能力。然后,两个关系(RR之间的间隔和 ,和RR之间的间隔 )获得使用以下方程:

(一)
(一)
(b)
(b)
图4
聚类结果T波特征点:(一)集群信息T波发作;(b)集群信息T波偏移。

因此,三个分段函数来确定搜索范围T波发作和偏移量与表中给出的参数检测得到2:

表2
当检测参数信息T波。

然后,网格搜索被用来确定最佳组合参数方程(7)和(8),它实现了for循环。在一个循环中,我们改变一个参数的值,保持其他参数不变,应用该算法在QT数据库以及使用5倍交叉验证。然后,我们存储的F1的一个循环,开始另一个循环。通过所有的循环,我们遍历所有的组合参数表2。比较结果后,最高的组合参数F1测量被选出。的最佳参数的组合T波发作列出:ald = 0.4,铝合金= 0.2,ard = 0.4,阿鲁= 0.4,amd = 0.3, 12 = 0.0T波结束列出:ald = 0.2,铝合金= 0.1,ard = 0.2, ard = 0.1,阿鲁= 0.0,amd = 0.0, 12 = 0.1。改进SWA方法可以概括为一个框图如图5。


图5
该方法的框图描述T波发作/抵消。
2.3。评价方法

检测为真,假阳性(分别TP和FP)和假阴性(FN)确定阈值为100 ms。在这项研究中,像敏感指数(Se),正面的精度(P+),F1测量被选为评价指标(39,40使用以下定义: , ,和 。F1测量精度以外的选择F1测量精度和召回的加权平均满足我们的不对称数据集,假阳性和假阴性的价值观是不一样的。

3所示。结果

图6显示了该方法的检测实例,与传统方法相比,张的方法T波抵消检测(31日)和歌曲的方法T波开始检测(32]。图6(一)显示了倒T波检测,图6 (b)显示了两相的T波检测,图6 (c)显示的是正常的T波检测。从图6,T比波抵消检测得到更好的结果T波检测。显然,我们的方法得到了更好的结果应用于时T波发作检测。

(一)
(一)
(b)
(b)
(c)
(c)
图6
T波检测的例子。固体点标记()R山峰;固体点标记(和)是我们的方法的结果;空心圆圈标记(和)是传统方法的结果;是公认的阴影区域 用例。(一)e0107;(b) e0111;(c) e0118。
3.1。QT的结果数据库

我们首先测试了性能的改善SWA方法QT数据库。传统的SWA方法(歌曲的方法32和张的方法31日)被用作比较器。

表3显示了发病的结果和抵消QT的检测数据库。两个通道的信号(第一和第二通道)进行了测试。从表3,我们发现改善SWA方法显著提高检测精度发病和抵消检测。开始检测, 从54.70%提高到70.46%和54.05%到72.94%两个心电图渠道,分别。为抵消检测, 从87.83%提高到93.73%和86.73%到94.75%两个心电图渠道,分别。此外,检测误差也进行了分析。正如所料,改进SWA方法检测错误表示小于传统的方法除了偏移量略有增加检测从第二通道(传统0.027±31.85女士和改善2.45±33.98 ms)。然而,值得注意的是,所有的,P+,F1∼86%∼94%指数增加。

表3
的结果T波检测在QT数据库。
3.2。结果从欧洲ST-T数据库

表4显示了发病和偏移量检测的结果在欧洲ST-T数据库。使用改进后的改进方法在执行更重要T波开始检测。 从41.02%提高到84.13%和44.33%到87.62%两个心电图渠道,分别。平均检测错误明显女士女士从19.52下降到7.04和36.27为两个心电图频道6.35女士,女士。性能改进的偏移检测小但令人信服 从98.83%提高到99.57%和91.76%到98.29%两个心电图渠道,分别。然而,平均检测错误T波抵消检测略有增加(不重要)在执行改进的方法。

表4
的结果T在欧洲ST-T波检测数据库。

4所示。讨论

从表中看到3和4,两个T波发作和偏移量检测的新方法更好的性能(报道F1)比传统的测量方法,表明应用集群技术在SWA决定边界搜索方法有助于提高检测精度。此外,聚类是一种statistical-based技术,可用于确定独立的一部分人口属于不同群体通过比较定量多个特性(38]。此外,我们注意到,T波抵消检测,无论是传统SWA还是改进版本更好的性能比的检测报告T波发作。一个可能的解释是,张最初提出这个方法来检测T波偏移量不T波发作并证明其数学理性T波偏移。另一个可能的解释是,聚类方法来确定搜索边界statistical-based技术。因此,聚类结果的准确性与数据量有关。然而,注释T波发作在QT数据库远小于注释T波抵消(1371和3452)。因此,RR间隔之间的关系发现的聚类分析 不是强(图4(一))相比,RR间隔和之间的关系 (图4 (b))。此外,改善之间的显著差异和传统swa表明改进的版本可以更广泛和自适应确定搜索窗口的边界通过使用k——基于QT的数据库集群和网格搜索策略。然而,传统的SWA只使用预定义的参数并没有给出详细的解释。

张的另一个区别31日)和我们的结果观察使用QT数据库进行验证时,张的研究选择了更好的结果输出的两个心电图频道(31日]。为了比较我们的结果与张,我们还计算出小错误结果的两个心电图频道。总结了可比的结果表5。意思是检测错误张的和我们的结果之间是相似的。我们还指出,检测误差的标准差为25.82女士为我们的方法和传统SWA 21.19毫秒。他们两个都小于可接受阈值(30.6)女士提出的共同标准心电描记法工作组(41]。

表5
类似的检测结果T波抵消QT数据库中。

表5也从其他研究总结了类似的结果。小波方法报道平均误差为1.6(女士13,14];低通differentiation-based方法给一个相对大的平均误差为13.5(女士20.),而隐马尔科夫模型方法报道5的平均误差(女士21,22]。此外,部分倒塌的吉布斯抽样报告4.3毫秒(23),k最近的neighbor-based方法报道2.8毫秒(20.]。你复杂的分析了最小检测平均误差为0.8 ms但不包括相应的Se和P+结果(28]。此外,提出的方法Mahsa线性和非线性阶段观察检测基准分也列为比较方法(42),两个部分的QT数据库包括正常窦性心律和心律失常数据库使用在评估提取基准分和非线性观测有更多的小偏差23女士第一数据库和19女士第二数据库。

以上研究中存在的潜在问题包含两个要点:(1)宽容的时间确定真阳性检测还不清楚和(2)培训和测试都是在QT数据库中执行,但我们使用欧洲ST-T数据库作为独立的测试数据集。

此外,深度学习技术的进步,越来越多的方法提出了基于这种技术来检测心电图特征点;例如,一个最近提议的方法使用神经网络和固定大小的最小二乘支持向量机来检测T波最终报告的最低检测平均误差−3女士在QT数据库;QRS波群检测通过使用二级卷积神经网络(8MIT-BIH]报道的敏感性99.77%基于“增大化现实”技术的数据库。当使用深度学习的技术,需要大量的数据,T波检测、注释T波结束是有限的但有意义的策略提出了(19),使用不同的策略来选择不同的训练集,如随机选择和k则。但是,我们只是提出一个想法,就是使用一个独立的数据库(数据集QT)作为训练集和测试集和另一个独立的数据库(从欧洲ST-T数据库记录注释由受过训练的人员)作为测试集。

为了说明错误和之间的区别F1测量,我们做了统计分析的误差。,图7给出了误差累积折线图(表示CLCE)T波抵消QT数据库中的正确肯定比这解释了我们的方法比传统方法在时间宽容。的CLCET波的QT数据库和CLCE发作T波在欧洲ST-T数据库也有相同的分布规律一样T波抵消QT数据库中。


图7
错误的累积折线图(T补偿的QT数据库)。TR结果代表了传统SWA方法结果,IM结果代表了改善SWA方法的结果。

此外,我们的研究的局限性在于,欧洲ST-T数据库的注释只由一个训练有素的工作人员可能会导致nonauthoritative注释。此外,我们只把数据统计和数据挖掘技术来改变传统SWA方法的参数。在我们工作后,更多的记录与权威的注释将被用来测试的组合参数的鲁棒性,我们在这项研究中获得的。

5。结论

在本文中,一种改进的滑动窗口区域检测方法T提出了波发作和偏移量。的主要贡献/新奇的数据统计和数据挖掘技术的应用:(1)k - means聚类设置搜索边界和(2)网格搜索策略优化参数。实验中执行QT数据库和欧洲ST-T数据库演示了改进方法的更好的性能。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有利益冲突有关的出版工作。

确认

这项工作是由中国国家自然科学基金支持下批准号81871444,山东省重点研究和发展计划批准号2018 gsf118133,江苏省主要研究和发展计划批准号BE2017735。作者感谢支持Southeast-Lenovo耐磨Heart-Sleep-Emotion智能监控实验室。