文摘
心血管疾病是全世界死亡的第一原因。在实现快速而准确的诊断,自动心电图(ECG)分析算法中扮演一个重要的角色,其第一步是QRS检测。QRS波群检测的阈值算法高速计算和最小化内存存储而闻名。在这个移动时代,阈值算法可以很容易地运输到便携、可穿戴、心电图和无线系统。然而,阈值算法的检出率仍然需要改进。一种改进的自适应阈值算法对QRS检测报告。该算法的主要步骤是预处理,发现,峰值和自适应阈值检测QRS。检出率是99.41%,(Se)的敏感性是99.72%,特异性99.69% (Sp) MIT-BIH心律失常数据库。比较也用其他两个算法,来证明我们的优势。可疑异常区域显示的算法和RR-Lorenz情节吸引医生和心脏病专家作为援助的诊断。
1。介绍
心血管疾病已经成为最大的威胁人类生活了几十年,和数以百万计的人死于延误治疗。今天,医生和心脏病专家诊断心血管疾病主要通过心电图(ECG),准确的是可用的。然而,快速增长的数据,如何更好地实现自动心电图分析已成为关键。作为最重要的信息的心电图QRS波群,需要更精确地确定更好的自动心电图分析。
美国物理学家,1947年,诺曼·j·霍尔特博士发明了一种连续生物电记录技术。自那时以来,动态心电图回放系统(动态心电图)和霍尔特已创建。
霍尔特系统可以长期的心电图记录信息,借助电脑,心电图自动分析与诊断变得可用。
QRS波群检测心电图分析的最重要的第一步。后心电图QRS波群的检测和分析,心脏科医生可以诊断心血管疾病。
QRS波群检测算法研究了几十年来,两个主要的研究方法是硬件和软件方法分类的方式实现,其中硬件方法,根据文献,更灵活和方便,所以软件方法正在讨论中。
有各种各样的软件方法,如基于数学模型的方法,基于模式识别方法,基于图像识别方法,基于小波变换的方法,并基于神经网络的方法。
Engelse和Zeelenberg1)提出了一个过滤算法阈值过滤和放大的基础上,引入了噪声检测的概念,和Ligtenberg Kunt [2)改善去噪效果通过FIR带通滤波器和低通微分相位滤波器的信号。1985年,锅和汤普金斯(3)提出了一个简单但实用的双阈值检测算法和实现实时检测,使其最经典论文。
在那之后,Trahanias et al。4)提出了一个基于数学形态学的方法的应用程序是有限的,因为它需要很高的预处理,其次是Ruha et al。(5实用的匹配滤波器,15 - 40 Hz带通滤波器,来检测QRS波限幅比例更佳。然而,模式识别的方法在实际应用中很少使用,由于噪声的敏感。近年来,基于小波变换的方法提高了其良好的时频定位公共利益。在检测,其性能好。李娜和郑洁(6)小波变换应用于QRS波群的检测,和马丁内斯et al。7)也使用R波的小波变换方法定位和检测QRS区域。他们都表现良好的去噪,达到了较高的检测率。然而,这是不适合在便携式心电图系统由于其巨大的计算复杂度。之后,机器学习的普及和大数据,神经网络算法再次进入公众的视野。雪et al。8]提出的神经网络自适应匹配滤波器方法,和赛等。9然而算法)用于检测QRS并于2013年取得了精度高。但是由于大量的计算和大型占领空间,它并没有被广泛接受。
阈值检测的方法已广泛应用于动态QRS检测由于其明确的想法,高速度、小占领的RAM。他们中的大多数可以实现实时检测,轻便,耐磨,心电图和无线系统,这是一个非常合适的算法,但检测的准确性仍需进一步改善(10]。
因此,本文介绍了一种改进的自适应阈值算法精度高,这是我们工作的重点。这个算法的检出率是增强的,它的速度还快。最后但不是最少,它也可以显示可疑异常区和画出RR-Lorenz情节的算法,它可以帮助医生和心脏病专家诊断。
2。算法的概述
中间步骤的示意图表示的自适应阈值算法实现绘制在图1。总的来说,整个检测过程可分为四个阶段:(1)预处理,(2)发现,峰值(3)自适应阈值检测QRS,和(4)显示异常区和绘画RR-Lorenz阴谋。QRS检测的任务是执行和描述如下。
阈值算法的原则QRS检测QRS波群是最特色的乐队在心电图和高斜率和明显的波峰。集中这些信息之后,使用一个阈值来检测QRS波群变得可行。然而,在实际的过程中,第一个问题是,霍尔特的心电图数据收集装置是吵闹,干扰检测很多。有三个主要类型的噪音:频率干扰、基线漂移、肌电图噪声。因此,数据的预处理步骤是必要的为了消除噪声而聚焦和放大的信号。
预处理是这个算法基础和必不可少的。大多数上述噪声可以通过使用一个带通滤波器过滤掉因为QRS的主要能源在5 - 15赫兹的范围。然后,数据是有区别的斜率的亮点。然而,T波也有一个斜坡。将T和QRS波,功能是放大的平方,然后这个收集的信息窗口集成。在那之后,预处理步骤是完成。
集成后的信号预处理步骤,以便检测简化,和关键的一步来了:找到峰值。在该算法中,山峰被视为QRS波群的候选人。附近的山峰被发现时,检查样品选择最大的信号。
后发现所有的候选人,改进的自适应阈值算法来检测QRS波群。首先,设置一个初始阈值,使用的最大信号样本的第一部分。阈值将自动调整根据候选人的值的峰值检测的过程中,有一个缓冲区来记录RR间隔,用于自适应阈值。因为心跳是连续为生的人,当算法不找到一个QRS波群很长一段时间,它将大幅调整。
当检测完成后,它将显示可疑危险的心律失常位置和画RR-Lorenz图来帮助医生和心脏病专家诊断和提供建议。
在本文中,我们提出一种改进的自适应阈值算法。在该算法中,我们提出了一个peak-finding一步选择候选人。而不是使用几乎当地最大作为候选人,一个特殊的方法。这个步骤有助于更精确地找到候选人的QRS波和QRS检测做出了很多贡献。和阈值方法从而提高,可以调整过程中自适应地选择候选人。然而,阈值调整大规模如果它被认为是在特殊条件。RR的平均时间间隔也改善,结合时间间隔的条件判断。最后,它将显示可疑危险的心律失常的位置,画出RR-Lorenz图来帮助医生和心脏病专家诊断和提供建议。
3所示。方法
在本节中,该算法对QRS波群的检测。
3.1。预处理
首先,为了减弱噪声,信号经过数字带通滤波器级联高通和低通滤波器组成。理想的滤波器通在5 - 12赫兹的范围。以下过程分化。平方过程加剧频率响应曲线的斜率的导数。移动窗口积分器产生一个信号,包括信息的斜率和QRS波群的宽度(3]。
图2显示了预处理的过程。预处理后,所需的能量集中和放大。
下面的段落描述的细节实现和预处理的步骤的原则。
3.1.1。低通滤波器
滤波器的差分方程
其延迟6个采样点。
3.1.2。高通滤波器
差分方程是
延迟15抽样点。
3.1.3。分化
差分方程是
3.1.4。平方
平方过程放大频率响应的斜率。
差分方程是
3.1.5。集成
值是总结通过移动窗口的宽度24分(66.7 ms)。
差分方程是
3.2。峰值检测
这是一个非常关键的一步。当预处理完成后,接下来的步骤是确定可能的山峰QRS波群的候选人。读输入和记录最近遇到的最大价值。当当前值降至去年最大价值的一半,它记录峰值的最大值;如果不能找到一个在300年达到峰值记录点,局部极大值被选中。检查最后,峰值和最大的价值就会保持,如果峰值采样点距离小于80(222毫秒)。
图3显示了该算法的峰值检测,红线显示自己的地位,这些山峰QRS波群的候选人的立场。
3.3。阈值检测
首先,初始化阈值。第一个采样点的马克斯。它定义了两种类型的山峰:信号峰和噪声峰。 在输入信号预处理后,M_VAL马克斯的前300个采样点,SPK的估计信号的峰值,氮磷钾噪声峰值,阈值应用阈值。
那山峰,QRS波群的候选人,是遍历。如果一个峰值大于阈值,我们纪念QRS波群,然后刷新SPK的价值。否则,我们判断它作为噪声峰值和氮磷钾值被刷新。
同时,最新的十QRS波群存储在缓冲区,然后平均RR间隔计算。RR间隔用来判断病人的状态,因为当RR间隔太大或太紧,它表明调整策略是必要的。
如果QRS波群不是在很长一段时间,发现阈值调整立即因为心率是连续的。如果不能找到一个在400年达到峰值采样点(1111毫秒)或1.5倍RR间隔,它减少了SPK价值:
然后刷新阈值,最后检测QRS波群。在遍历所有的山峰,这一步是完成了。
图4显示了检测QRS波群的变化阈值在每次检测到高峰。如果峰值大于阈值,它被标记为一个QRS波群,否则噪声峰值。和阈值自动调整。图5表明在该地区不稳定的心率、门槛大幅降低,最后发现QRS波群。
3.4。报告异常区域
当算法找不到1000 ms的QRS波群,RR间隔被认为是太大。这意味着心脏的功能可能是痛苦(11]。所以,显示该地区的医生或心脏病专家诊断。
数据6和7显示的例子显示的可疑异常区域。绿线指向该地区。上面的图片显示了算法的集成和打检测帮助医生分析,和下一个显示了原始信号和附近的QRS波群检测。
3.5。RR-Lorenz情节
检测后,RR-Lorenz情节。这是最常用的方法在临床实践中。它反映了RR的变化区间。RR-Lorenz情节艾滋病医生诊断(12]。
是目前除RR间隔;是下一个除RR区间。
图8MIT-BIH记录编号是100,和图吗9记录编号是108,我们可以发现RR-Lorenz情节反映了心脏的状况在全球观点。相对正常的记录数量比100年更为简洁记录编号为108。
4所示。评价
数据库用于检测算法是经典的MIT-BIH心律失常数据库,这是最常用的QRS波检测库。这个库包含48小时记录,总共24小时心电图数据(13]。每个数据是由两条路径,采样频率为360赫兹,和两个心脏病学家已经注释所有的节拍,它包含超过109000次。
该算法使用了MIT-BIH心律失常数据库来计算这个QRS检测算法。它使用MATLAB (R2015b)作为软件在OS X EI队长的Macbook Pro。CPU是2.7 GHz Intel Core i5 8 G 1876 MHz DDR3内存。
这里,检测是真阳性(TP),如果该算法无法识别QRS波群,它被称为假阴性(FN)。如果像QRS波群检测non-QRS复杂算法,它被认为是假阳性(FP)。
24小时MIT-BIH数据库总结1 - 109000次以上;表1显示了MIT-BIH心律失常的检出率算法的数据库。
如表1所示,实际109966次,成功109653次。它有337个FP和313 FN。Se = 99.72%的检出率是99.41%,和Sp = 99.69%。
另外,比较与其他两个实时算法。和我们的算法执行在检出率,特异性和灵敏度。数据如表所示2。
相比之下,我们比较我们的算法有两个实时算法。我们第一次使用知名汤普金斯算法(3]。预处理后,它使用一个dual-threshold QRS检测的方法。但这个算法并不表现良好在创纪录的108高P波和创纪录的222与基线漂移,而我们的算法更有效,特别是在处理基线漂移。陈等人。14小波去噪用于决策。然而,它未能发现PVC的,例如,在创纪录的208,但我们的算法检测他们中的大多数。然而我们的算法不能很好地执行大量的室上在232年记录异位搏动。
5。结论
QRS波群检测算法,提出了基于改进的自适应阈值方法和验证MIT-BIH心律失常数据库。此外,检测QRS位置正常的和异常的可能性QRS波群的影响多构件进行了研究。在这项工作中,我们致力于改进的自适应阈值算法。我们也显示异常区和画RR-Lorenz情节的医生或心脏病专家帮助诊断。该算法的性能给出了检测率达到99.41%,敏感性99.72%,特异性99.69% MIT-BIH心律失常数据库。算法执行更好的与高P波检测节拍和pvc与传统算法相比,改进的特异性和总体检出率。阈值法的优点的高速和小空间占领,这个算法可以很容易地移植到便携、可穿戴、电池和无线心电系统。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是国家重点支持的研究和发展项目批准号下的中国2017 yfb0202200;中国的国家自然科学基金批准号61572539;主要研究基金会的项目在广东省科技拨款2015 b010106007和2016号b010110003;计划项目研究基金会的科学和技术在广东省批准号2016 b050502006;和一个计划项目研究基金会的科技在广州市批准号2016201604030001。