文摘

心房颤动(房颤)是临床实践中最常见的心律失常。通常开始于无症状和短片段,很难检测没有自动监控工具的帮助。绝大多数的方法提出了这个目的是基于量化不规则心室反应(即。在心律失常,RR系列)。然而,尽管AF完全改变了心房活动(AA)反映心电图(ECG),取代稳定纵波的混乱和时变fibrillatory波,这些信息仍未探讨房颤的自动筛选。因此,开创性的AF探测器基于量化的变化随着时间的推移,AA形态模式在这里提出。两个公共参考数据库的结果证明,该方法优于当前最先进的算法,报告精度高于90%。较低的误判率的其他心律失常与房颤也注意到不同。最后,该算法与经典的结合分析RR系列的变化也产生了一种很有前途的对焦精度和检测延迟之间的权衡。事实上,这种组合提供精度比RR-based方法相似,但明显短延迟10次。

1。介绍

心房颤动(房颤)是现在最常见的心脏节律障碍(1]。其患病率与年龄密切相关,因此,尤其是中老年人(上升2]。而0.12 -0.16%的人口在49岁患有这种心律失常,这个比例增加到10 - 17%对于那些80岁或以上的老人(3]。牢记的老年人口将快速增长,从8.41亿年的2013到2050年超过20亿(4],可以视为一种急性房颤和新兴的公共卫生问题。的确,而这种疾病目前影响880万成年人(55岁以上)在欧盟,这人口将在2060年大约两倍5]。同样,在2010年520万美国人提出了房颤,但是预计到2030年病例数量将超过1200万(6]。

虽然这心律失常本身就是没有生命危险,但引起血流动力学改变诱发心房内血栓的形成(7),最终,可以传送到大脑,从而增加尤其是触发一个关键中风的可能性。事实上,房颤患者目前的5倍患中风的风险和双重的死亡风险比同龄的健康人(8]。此外,20%的中风患者大约发生在这种心律失常3]。然而,病理生理机制引起和维持房颤仍然没有被完全了解(9]。这一事实使其诊断和治疗极具挑战性,往往缺乏有效的(10]。事实上,房颤占大约三分之一的住院治疗心脏节律障碍(11),因此需要一个医疗预算的重要组成部分12]。

在这种背景下,更多的研究在房颤预防最近被认为是一个优先级,因此,及早发现心律失常可能提供有趣的临床益处13]。更准确地说,房颤通常始于集几个节拍长度短,但通常他们的频率和持续时间增加一段时间后(14]。事实上,最近的研究指出,在18 - 25%的患者发展永久性房颤在不到5年(3]。目前,临床上也承认房颤导致心房电生理改变组织支持其维护(9]。因此,尽早发现房颤信号是至关重要的,使成功的预防治疗和,因此,减轻其负担(15]。然而,大约90%的初始无节奏的情节显示是无症状(16),因此,常规体格检查只能提供后期诊断证据(3]。为了克服这个问题,房颤的自动识别连续监测心电图(ECG)提出了17]。类似的线,使用自动算法来检测早期缺血性中风后出现房颤最近也被建议作为一项关键措施减少额外的攻击(18]。事实上,尽管短暂的存在房颤发作的风险并没有增加植入心律转复除颤器心脏起搏器患者和临床事件(19),这是一个公认的标志复发性中风的风险(18]。考虑到这些方面,许多作者已经确定了个人监控设备,大规模开发的最后几年里,作为过早的极其有用的工具识别沉默AF (18,20.]。

多种算法来检测自动对焦可以在文献中找到。他们绝大多数依赖于量化的两个重要变化引起的心律失常心电图。短暂,而窦性节律(SR),心房的收缩来响应一个重复和同步电冲动来自窦房结,房颤时心房收缩是由快速激活和紊乱的冲动在多个位置生成9]。这种紊乱激活导致无效的心房收缩,这样共同的p波在SR取而代之的是不规则fibrillatory (在房颤(-)波21]。此外,房室(AV)节点同时传输期间心律失常冲动更不规则心室和快于SR (22]。因为心室收缩反映在心电图QRS复合物,这一系列颞R-peaks之间的距离是那么具有快速房颤期间和不规则。

高免疫力R-peaks噪音,后者一般心电图特征已经被大多数房颤探测器提出日期。事实上,RR间隔系列变化已广泛的量化时间,频率,和复杂性领域。因此,一些entropy-based指数,依靠RR时间序列,报道的最高能力辨别房颤从其他节奏(或)[20.]。然而,这些指标必须计算时间间隔至少几十的节拍,因此引入延迟在房颤的识别和埋葬短片段的检测23]。记住短暂的发生无症状的发作往往符合典型的出现房颤(14),这一事实已经与血栓形成的风险升高密切相关(24和缺血性中风复发18),这种限制是一个严重的缺点在RR时间序列的方法。

准确地说,最近的作品将特别强调减轻这个问题(23,25- - - - - -30.]。事实上,一些作者提出的使用信息从RR间隔系列不规则结合特性从心房活动(AA),获得P -或波(23,28,29日]。这种方式,集尽可能简短几个节拍长度已经成功地检测到(23,30.]。类似的结果也被报道通过一些算法的唯一使用AA形态信息(25- - - - - -27]。由于较低的信噪比(信噪比)的P -在心电图波,对QRS波群,这样的一种分析没有得到太多的关注。然而,这些波的特征通过固定小波熵(斯文)提供了非常有用的信息来识别房颤,即使在心律失常并不存在一个不规则的心室反应(25- - - - - -27]。尽管如此有前途的结果,内的信息进行变异性的大小,形状,和时间波(21)还没有完全利用检测房颤。因此,本研究的主要目的是分析是否的形态学变化波反射的心电图可以改善房颤和事件之间的歧视。因此,一个算法通常用于估计RR间隔系列规律已经适应课程可变性的P -和评估时间通过斯文波的特征。

手稿其余部分组织如下。部分2描述了心电图记录用于验证该算法。接下来,节3概述了应用于这些信号的预处理以及P -和f波为特征及其变化计算。分类结果与房颤或集然后介绍部分4和讨论的部分5。最后,部分6提出了本研究的结论。

2。材料

两个免费的数据库在生理网(31日)被用于这项研究。根据之前的作品(32,33),MIT-BIH AF数据库(非洲开发银行)最初认为训练算法。这个数据集包含大量的房颤或事件,因此,健壮和稳定的调优参数。此外,非洲开发银行已被广泛用于评估之前AF探测器(20.),从而使一个简单的和公平的比较方法。简而言之,23心电图记录收集10个小时长度的阵发性房颤患者。他们获得的采样率为250 Hz和12位分辨率的范围±10 mV。同时,注意,超过一百万零一几十万次手工注释分为四个不同的节奏,包括心房颤动、心房扑动,联接的节奏,或。

另一方面,MIT-BIH心律失常数据库(ARRDB)被用来测试算法。录音来自这个群体有时考虑验证一些AF探测器(20.),因为他们包含各种各样的其他比AF心律失常。准确地说,这个数据库是由48个短期(30 minute-length)心电图记录分为两组。100系列包括23个学科没有房颤,而200系列包含房颤发作和其他节奏,如心房和心室二联,心室三联,心房扑动,室性和室上性心动过速。尽管最初记录的信号采样率为360 Hz,他们在这里downsampled 250 Hz。

3所示。方法

该算法来分辨房颤或情节生动地总结在图1。可以看到,首先预处理和心电图,然后,可变性的形态的P -或模式波和RR间隔分开计算。最后,获得的信息从路径相结合通过线性判别分析(LDA)分配一个潜在的类来的信号。关于每一步提供的更多细节。

3.1。数据预处理

两个领导在所有的心电图记录,但是显示最高的P -和波只是分析。这导致被目视检查手动选择,因为没有获得的信息从每个记录包含的数据库。注意,虽然该算法可以成功地从任何铅,其性能会更好的信噪比分析P和波高(26,27]。

改善选择信号的进一步分析,预处理被认为是第一步。因此,基线漂移被利用的IIR高通滤波截止频率的0.5赫兹(34]。此外,高频噪声和电力线干扰减少通过IIR低通滤波截止频率的50赫兹(35]。两个过滤器的设计利用切比雪夫窗口相对的旁瓣衰减的40 dB和应用向前/向后的方式。目的是检测有效的R-peaks产生的信号,用相量transform-based方法(36]。方法被广泛验证几个数据库专家手工注释,从而提供值的敏感性和积极predictivity大于99.65%和99.70%,分别。也能够正常地处理和异位跳动时,这是一个有趣的房颤的上下文中的能力。的确,众所周知,阵发性房颤的发作往往是之前心房和心室过早复合物37]。

3.2。形态特征的P和波

应用非线性指标表面心电图在房颤提供了重要的见解在过去年38,39]。因此,目标是P -的形态模式和特征f波,每个TQ间隔检测,然后分解到小波域,如在以前的作品(26,27]。鉴于难以准确检测房颤期间让抵消(40),TQ间隔被选为不同大小的窗口。短暂,因为每拍一个参考点放置50毫秒R-peak之前,发现了TQ间隔前面的部分。因为它的长度是高度可变的心率(41),这是自适应选为四分之一的意味着过去五胜[RR间隔27]。此外,增加的典型低信噪比纵波和画的一个明显的区别连续波,TQ间隔平均。因此,对于每一个节拍,TQ区间中值前 垮掉的一代。注意,如果TQ间隔只包含明确的纵波,他们的平均将强调这种波形27]。相反,当TQ间隔波,平均信号将导致noisy-like模式,从而引发更严重的形态随时间的变化(27]。因此,除了降噪,连续的平均TQ间隔还允许的重点或变量P -的性质和稳定波,分别26,27]。为了量化的影响这对形态学的变化显示平均P和波,值的2、5、10、15、20、30、40、50胜被认为是。

接下来,斯文是用来描述中位数TQ间隔每打败,从而获得时间序列 ,长度相同的RR间隔系列,称为 。这entropy-based指标量化形态复杂性由波形分解成不同的时频尺度,然后,从他们的相对能量分布计算夏侬熵26]。同时低价值获得了极有组织的信号,如p波、高与紊乱相关的波形,如波(26]。注意,这个指数计算使用4分解水平和sixth-order Daubechies小波函数。此外,该指数归一化报告值在0和1之间。

3.3。TQ间隔系列的可变性

单一的时间序列值最近报道的能力95%左右分辨无噪声的房颤和SR跳动26];然而,它的变化仍未分析。目标,相似的样本熵算法的系数(COSEn)已经适应工作时间序列 。COSEn定义了湖和摩尔人估计短期RR间隔系列的变化,因此,要辨别房颤或集心电图段(12次32]。这个指数是基于样本熵(SEn),估计不规则的重复计算的时间序列相似的模式。更准确地说,鉴于时间序列的数据点 森,第一步计算形式 向量的大小样品,这样 ,因为 。接下来,每一对之间的最大绝对距离向量的估计 如果这样,他们被认为是相似低于是宽容吗 。然后,相似向量的个数 ,也就是说, ,通过排除self-matches和平均分享所有向量的长度可以被估计为 向量长度的重复这个过程 ,森可以计算为42]

森一个常见的问题处理的选择获得可靠熵估计(43]。虽然平卡斯(提出的建议44)已经广泛应用于以前的作品,湖(45SEn)引入了一个修改,叫做二次森(QSEn),它允许我们获得可比熵估计不管 。这主要是基于添加项森和包括一个关键方面来获得可靠的森估计短时间序列(32]。在这种背景下,需要的数量逐渐增加,直到相似值两个足够大来获取自信和 。考虑到这方面,在这里获得的每个区间自适应吗样品通过从一个初始值直到和增加了5%高于一个特定的阈值 。根据湖和摩尔人(32),这个截止实验分析获得的值的集合 。同样的,也被考虑的价值观从步骤1 - 10%的1%。

另一个关键方面达到准确、自信QSEn估计是合适的选择 。事实上,类似的模式可以更容易地发现当减少(42]。在较早的作品(32,43)的值 和进行了分析。此外,由于这个参数密切相关的数据长度,不同的价值观 节拍也进行了研究。

作为最后一步,因为的平均值此前透露一个有前途的能力来识别AF (26),这些信息之间的互补性和时间序列的规律性,通过LDA QSEn估计,探讨了。结果表明,这两个参数是独立的AF探测器,从而提供一个判别模型,提出了非常相似的系数大小和符号。后湖和摩尔人的哲学32),一个简单的新索引TQEn定义为 注意,LDA系数被丢弃的简化模型。如预期的一样(32),这种简化没有显著改变分类结果。

3.4。RR间隔系列的可变性

作为参考提出指数TQEn COSEn也获得的时间序列 。因此,这个指标是计算(32] 与 , 女士, 作为计算参数(32]。对于分析数据窗口,的值= 5、12、15和30胜被认为与TQEn更彻底、更公平的比较。最后,通过提供补充信息TQEn COSEn也研究了LDA的手段,比如在之前的分析。

3.5。性能的措施

房颤和事件之间的判别能力TQEn, COSEn, LDA-based组合评估的灵敏度(Se)和特异性(Sp)。虽然第一个参数被称为房颤的比率比正确分类,第二个被认为是正确的百分比或跳动。培训非洲开发银行,这些指标计算通过接受者操作特征(ROC)曲线。中华民国是一个图形表示的敏感性和特异性几个截止点,这样最优阈值(Th)被选为最大化总比正确分类的比例,也就是说,诊断准确性(Acc)。以这种方式获得的截止点被用于验证ARRDB三个性能指标。

另一方面,鉴于之前检测的重要性,简要描述房颤发作,方法的延迟引入检测两种不同的节奏之间的过渡也进行了研究。的话,在训练阶段获得的最优阈值是使用后评估从非洲开发银行和ARRDB这个参数。

4所示。结果

4.1。培训与非洲开发银行

如之前所述,计算TQEn完全取决于几个参数相互关联。因此,因为同时为他们的联合优化实验是不可能的,每个参数是分别调谐和典型值被认为是剩余的。这方面,数字2(一个)显示诊断的准确性TQEn的函数为 , , 垮掉的一代, 垮掉的一代。可以看到,只有微小的差异被注意到,尽管最好的区分房颤和或事件被报道 。因此,这个值被选为剩下的分析。对于阈值 ,图2(b)显示TQEn的判别能力 , , 垮掉的一代, 垮掉的一代。再一次,除了 ,没有观察到显著差异。因此,为了减少计算负担TQEn尽可能 被选中。作为最后一步,获得可靠的QSEn估计,也是优化。为每个值 ,没有模板匹配模式的比率(例如, )和所有匹配(例如, )是显示在图2(c),连同QSEn的平均值和TQEn的诊断准确性。根据湖和摩尔人(32的最优值必须采取的分界点QSEn大约0.5,平均比率在哪里和是相似的。的值 被选中,如图2(c)与灰色阴影乐队。

关于平均节拍的数量获得TQ区间中值图2(d)显示TQEn的诊断准确性 节拍,以及它的两个组成部分,也就是说, 和 。可以看到,这两个指标提出了一个非常相似的行为 垮掉的一代,但相反的趋势更大的值 。因此,而QSEn的准确性明显下降 节拍,之一显示略有增加。这些变化也反映在TQEn的行为,提出了最佳分类结果 垮掉的一代。尽管诊断准确性低于2%的差异仅仅是观察值之间 和 节拍,检测延迟增长特别是从9到14次。无论如何,这两个值被认为是研究变化的形态学差异P -然后呢波的函数 。

这最后的尊重,图2(e)显示了如何判别TQEn增加的两个值的能力(5和15胜)当长数据窗口进行了分析。正如所料,增加延迟检测房颤或事件的函数也注意到。有这个结果,一个合理的准确性和时间之间的权衡 垮掉的一代。实际上,长时间的值 ,增加有限的观察诊断准确性低于1.5%,不管 。尽管如此,TQEn全面比较和COSEn表1显示了两个指标的分类结果与不同值的计算和 。正如所料,准确性增加更大的值在较长的检测延迟的成本。此外,COSEn稍微更好的分类效果提供了更短的检测延迟的值相同 。

旨在研究TQEn的分布和COSEn分布在培训数据库中,人物3显示了AF和/或他们的代表。可以观察到,非常减少差异不同的值的分布与TQEn有关和被注意到。相反,尤其是高之间的不同分布的COSEn房颤或集可以被视为增加。

最后,表2介绍了分类结果获得LDA-based TQEn和COSEn。相比之下,每一个指数报告的诊断准确性,判别模型显示改进在3%和0.5之间,完全平衡值的敏感性和特异性。也显著的延迟分类器总是TQEn和COSEn之间的值。

4.2。验证在ARRDB

利用最优决策阈值与非洲发展银行获得,并给出了分类结果计算ARRDB表3。概括地说,TQEn和COSEn报道的判别能力低于训练数据集。更准确地说,不管和 ,诊断准确性下降约5%为COSEn TQEn和超过15%。这一发现同意特别是高分布之间的重叠房颤或集COSEn比TQEn,可以观察到图等4。

同样的,表4表明该LDA-based TQEn和COSEn也提供了较低的判别能力比非洲开发银行验证阶段。事实上,减少5至10%可以注意到的不同的值和 。此外,提高诊断的准确性与TQEn相比只有达到1%左右。

5。讨论

我们所知,这工作首次引入了量化的想法TQ间隔的变化形态房颤的自动筛选。以这种方式获得的信息提供了一个稍微比以前更好的判别能力研究斯文的平均值26,27),每次的数量平均TQ间隔低于30(参见图吗2(d))。此外,根据更多变的形态大小,形状,和时间了波比纵波(21),报道了高可变性TQEn AF比或集(见图3和4)。注意,尽管众所周知的形态波可能随着时间的推移而演变[54),这一发现仍然对于大多数房颤发作不管他们的持续时间。相反,的值超过30节拍,中位数TQ区间趋于零信号在房颤和,然后,它的可变性未能对病人信息的节奏。不管怎么说,有趣的是评论的组合QSEn和斯文TQEn总是改善他们的单约5%(参见图判别能力2(d))。因此,这部小说指数已经能够达到的精度值高于93 85%,训练和测试数据库,分别(见表1和3)。

这些分类结果房颤或事件已经超过之前所报道的所有提议AF探测器基于估计的存在纵波(25- - - - - -27,55]。事实上,尽管Ladavich Ghoraani提出了一个算法和灵敏度高约98%,其特异性更减少了(约91%),因此引入重大误报率(25]。此外,该方法也提出了一个严重的限制与拟议中的TQEn相比。更准确地说,它需要一个初始的长期培训(约35分钟)为每一个记录在研究之前能够识别房颤发作(25]。因此,由于缺少足够的SR间隔,算法并不适用于长期或永久性房颤患者,以及其他心脏疾病中存在的所有记录。相反,TQEn可以应用没有额外的培训,任何类型的病人和记录。的确,一旦算法训练与非洲发展银行,获得最优阈值可以用来辨别任何房颤和盲目或从任何数据库事件。

与COSEn相比,TQEn为非洲开发银行也公布了类似的判别能力。的确,对于类似的延误,TQEn只有提供值的诊断精度约1%低于COSEn(见表1)。然而,TQEn提出了一些额外的和有趣的优势。一方面,更不敏感的存在比COSEn异位搏动,大多数RR-based AF探测器。因此,而RR间隔系列完全改变的过早出现心室和心房跳动(23,47),这只异位活动略有修改中位数TQ区间。作为一个例子,图5(一个)显示了SR的摘录,无数心室异位呈现COSEn分类不准确,但他们不改变TQEn的成功表现。同意这个结果,之前的很多作品也指出失去有效性RR-based探测器的异位搏动(56]。因此,毫不奇怪,这些异常的跳动之前经常被量化的RR间隔系列规律(33,47]。另一方面,大多数RR-based算法,包括COSEn,未能检测房颤发作呈现正常心室反应(25]。这是房颤时经常伴随着AV块,以及心室和AV交界性心动过速25,52]。此外,房颤的发病率约50%患者的心室节奏2年以上(57]。消极的结果也获得了这些算法处理或节奏展示不规则RR间隔系列,如窦性心律不齐(52]。例如,图5 (b)显示了SR间隔的不规则的心室反应被错误地归类为房颤COSEn,但TQEn正确识别。

尽管如此,TQEn也带来了一些缺点关于RR-based方法。因此,它更严重的限制是对噪声的敏感性更高。而显著的强噪声需要面具R-peak心电图,TQ间隔可以更容易被软妨害信号,因为P和波在心电图显示最有限的信噪比(21]。更准确地说,波通常比纵波振幅低,但这方面并不意味着关心TQEn每当海浪不完全掩盖了噪音27]。尽管如此,为了减轻这个问题,形态分析的TQ区间中值计算从最近几次提出(26,27]。鉴于这种方法可以降低连续TQ间隔之间的形态变化,不同的价值观和进行了测试。然而,结果显示在图2(d)表明,平均数量有限的节拍不大幅缩减TQ间隔的变化形态,从而提高自动筛选AF的判别能力。然而,正如上面提到的,TQ区间时的情况下完全掩饰了噪音,这是无法察觉的存在P -或波(27]。这方面,数字5 (c)显示如何TQEn分类错误的老段当噪声完全掩盖了TQ操作区间。相反,因为R-peaks仍然可见,COSEn能够获得成功的结果。

另一方面,需要识别TQ操作间隔为TQEn也会导致一些问题。这方面,在房颤患者快速心室反应,TQ间隔长度可以非常有限。然而,由于正常的纵波资料有大约100毫秒的时间58],TQEn成功能够即使TQ间隔这么短的长度(27]。的确,而提供的算法精度约90%心率高于150 bpm,其性能是降低到77% 160 bpm。然而,在这最后的情况下,只有三集可用于分析数据库,从而表明减少次数,这种情况会发生。另一个限制相关TQ间隔检测是使用一个参考点R-peak前50微秒。虽然这个时间距离足够长的时间来排除的q波性TQ间隔的节奏,这不是理由束支块或心室患者。尽管如此,这个方面对TQEn只有有限的影响,当q波性的一部分包含在TQ间隔不明显改变其形态。事实上,参考点30 ms R-peak之前,减少诊断的准确性TQEn低于1%为非洲开发银行和ARRDB才注意到。此外,超过92%的节奏心室跳动ARRDB中也被正确分类的算法。

轴承的优缺点描述TQEn COSEn记住,这并不令人惊讶,他们LDA-based组合提供了最好的分类结果自动筛选AF。尽管如此,它是强制性的注意,提高诊断精度的判别模型对非洲发展银行明显高于ARRDB。TQEn失去功效,特别是COSEn过去数据库可以证明这个结果。即便如此,TQEn和COSEn提出了一个更好的权衡之间的判别能力和检测延迟比大多数房颤的以前公布的探测器,如表5所示。更准确地说,这个算法,使用延迟低于10胜,报告了最好的分类结果,对训练和测试数据库,与其他方法相比,类似的延迟。此外,它的性能比其他方法低只有1%呈现延误约100次,虽然该算法引入了一个最大延迟约20次。

有趣的是评论,检测延迟尽可能低AF探测器是至关重要的,因为集小于这个值不能被检测出来。显然,拖延的时间越长,越迟来的房颤的识别,从而减少其临床有效性。此外,当短暂的房颤发作大多未被发现,只能计算一个不精确的AF负担,这可能会进一步产生负面影响病人的管理(15]。获得的结果,这不是TQEn和COSEn提议。因此,而房颤负担从手工注释在非洲开发银行和ARRDB是44.73%和10.75%,分别,该算法估计的值为44.01%和9.98%。

尽管结果描述的承诺,一个点值得特别注意的显著差异之间TQEn报告的诊断准确性和COSEn训练和测试数据集(见表1和3)。在非洲发展银行的一个可能的解释继电器包含房颤和SR集主要,而ARRDB提出了相当数量的其他心房和心室比AF心律失常。这些疾病与不规则的心室反应相关联,而且他们的存在房颤的识别困难的挑战[23,47]。在这条线,最近的研究证明,二联抑制能够改善RR-based房颤的识别(23]。此外,相比之下,TQEn的分布和COSEn非洲开发银行显示在图3房颤之间,明显的重叠或集ARRDB图可以看到4。有趣的是,混叠是明显更长的时间比TQEn COSEn,同意更高的降低其判别能力(TQEn COSEn约17%和6%)。因此,TQEn似乎不如COSEn敏感的存在其他比AF心律失常。

其他作品处理ARRDB也提供明显的诊断精度值低于非洲开发银行,如表5所示。虽然大大减少低性能比COSEn可以注意到这些方法,他们用非常长的数据窗口。认为是合理的分析数据窗口越低,越高的影响每一个暂时的RR间隔系列的变更在房颤的识别。这方面,TQEn和COSEn还展示了一个正在崛起的判别能力增长的值和 ,如表3显示器。

不管怎样,考虑到上述研究数据库之间的差异,他们使用的验证任何房颤探测器是非常有趣的。事实上,非洲开发银行包含均衡数量的房颤或节拍,从而提供一个健壮的培训进一步分类其他蒙蔽的节奏。值得注意的是,如果一个不平衡的两种节奏被认为是训练算法,可以引入重大偏差对检测主要节奏。另一方面,ARRDB只提供了一个房颤负担约为11%,超过75%的事件比100次分选机,因此画一个真实的场景,每一个自动对焦探测器将不得不工作。事实上,这些算法将主要用于高风险的患者患有房颤,只能提供一些简短的房颤发作。因此,这个数据库允许一个健壮的和实际的测试环境对任何房颤探测器。因此,考虑到LDA-based TQEn和COSEn一直在验证超过一百万零二,从这些数据库和五万次,此外,诊断精度已达到等于或高于其他先前提出的方法,该算法充分一般提供类似的分类结果应用于任何其他数据集。

最后,提出限制TQEn和COSEn需要计算三个entropy-based指数对每个击败房颤或或进行分类。尽管QSEn高成本的计算,提出了一些方法来加速它的计算,特别是对短段(59,60]。此外,一些以前的工作也证明了小波变换,连同其他广泛的处理,可以在实时运行61年,62年),从而使TQEn及其与COSEn混合连续监视应用程序的患者房颤的风险。

6。结论

全新研究TQ间隔的形态变化,从表面获得心电图,引入了房颤的自动筛选。二次样本熵的应用生成的时间序列量化TQ间隔通过静止的形态小波变换已经被证明是一个更加自信AF过滤网比先前的方法,特别是在异位搏动的存在,以及其他心律失常。此外,该算法与传统的RR系列的组合可变性也报道了一个有趣的诊断准确性和检测延迟之间的权衡。事实上,分类结果与成熟的AF探测器与极低的优势获得检测延迟。这项工作打开新见解的具有挑战性的问题及时筛查无症状房颤发作,这是最常见的类型的房颤发作的早期阶段。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的西班牙经济和竞争力(项目tec2014 - 52250 r)。