文摘
联合时频分析方法代表了信号在时域和频域。因此,它提供了更多的信息比其他维的方法。最近一些研究人员使用时频方法,如小波变换、短时傅里叶变换,经验模态分解各电生理研究和报道令人印象深刻的结果。目前的审查提供了全面的知识不同的时频方法和他们的应用程序在各种ECG-based分析。典型应用包括心电信号去噪,心律失常检测、睡眠呼吸暂停检测、生物识别、情感检测和司机睡意检测。本文还讨论了这些方法的局限性。评审将形成未来研究者参考愿意从事同一领域的研究。
1。介绍
心电图(ECG)信号一直是人类健康的一个指标。的图形表示心脏的电活动的肌肉发生由于他们的收缩和放松1]。一个心动周期的标签是使用不同的波:P, Q, R, S和t .这些波的位置和振幅是主要用于心电图分析在医疗实践。它有助于预测心血管疾病的发生,不规则心律,压力水平,人类情感等等。标准化的ECG信号通过十二个领导表示,每个计算一组肢体和胸部线索。常规,心电图波被专家直观地观察和分析。评估包括检测时间序列中的任何微妙的变化信息,在形态学细节如RR间隔,QT, ST段,QRS波群等2),他们的统计差异。不幸的是,它并不总是可能跟踪分钟形态参数的变化(间隔,山峰,和波)的心电图信号。
心电信号的非平稳;即。,the statistical properties of the signal, such as mean, variance, and higher-order moments, change with time. A nonstationary time series of data contains systematic noise (trends, jumps, and datum shifts) that may change its statistical values. Hence, the time series data analysis is not enough for a meaningful interpretation. Also, the employment of traditional signal processing methods based on stationary assumptions is insufficient. Therefore, the decomposition of the time-series data into another domain, frequency or time-frequency, is used for easy analysis [3]。傅里叶变换(FT)是使用最广泛的频率分析的方法。这种技术使用正弦基函数来表示一个时间序列信号在频域。测量了在不同频率正弦信号的振幅谱。转换的方法之一是改变了世界的信号处理和多样化的特征提取中的应用,去噪,等等。然而,英国《金融时报》没有任何信息在时域。
联合时频分析是一种有价值的方法,表达一个信号的时频分布(4]。它有助于揭示组成频率分量的信号及其时变性质。提出了几种时频分析方法来分析心电图信号在不同的应用领域。这些方法包括但不限于短时傅里叶变换(STFT),连续小波变换(CWT),离散小波变换(DWT),经验模态分解(EMD)和能量分布(项)5,6),等等。这些方法帮助提取至关重要的组件(如信号扭曲,噪音,和隐藏的心电图波模式和被广泛用于各种应用程序。同时,这些方法形成几个先进的联合时频技术的基础。典型的例子是心律失常的检测、心脏病诊断、峰值检测、信号去噪、和情感检测(7- - - - - -9]。
尽管联合时频分析的应用程序更具包容性,不幸的是,没有专门的审核发现在文献中讨论了心电图应用不同的时频方法。时频方法的原因可能是一个巨大的各种可能的应用领域。因此,将大量的信息在一个单一的审查并不容易。然而,根据我们的知识有限,我们试图广泛回顾一些选定的时频方法及其在各种ECG信号处理应用程序使用在本文中(图1)。当前的纸被组织成四个不同的部分。部分2提供背景信息的时频方法。这些时频方法的有用性在各种心电图应用中讨论部分3。部分4研讨的局限性,挑战,和未来的范围,其次是部分5,总结研究。表1包含本文中使用缩写的列表。
2。时频分析方法的背景信息
时域分析给出了最好的时间分辨率,但没有频率信息。因此,频域分析提供了最佳的频率分辨率与时间相关的细节。适当的时频技术可以克服的缺点一维分析和提供信号在时间和频率域的信息。一些最常用的时频分析方法已经在这一节中讨论。
2.1。短时傅里叶变换
1946年,d .伽柏(10匈牙利科学家),提出了短时傅里叶变换(STFT)。在STFT,傅里叶变换(FT)申请有限的持续时间。原始信号的过程遵循分段分析是第一分成小段长度“L”使用一个窗口。每个段的傅里叶变换(FT)然后计算。换句话说,每一部分的STFT提供了光谱信息的信号。对于一个连续时间信号x(t),STFT系数可以表示数学使用以下: 在哪里 英国《金融时报》,是窗口函数,表示时间和频率轴。
原始信号”x(t使用逆STFT)”可以检索。使用下面的方程来表示:
计算STFT的离散时间信号,可以使用离散傅里叶变换(DFT)在英国《金融时报》,在数学上,它是使用以下方程:
在这里,米是本地化DFT的起点,kDFT指数,l窗口或线段的长度。X(米;k)是依赖于时间的傅里叶系数(n)和频率 。
STFT复值函数的两个变量,需要4 d的时间,频率,幅度,和相位进行适当的解释,这几乎是不可能的。因此,相位信息不被认为是在策划STFT声谱图。换句话说,时间、频率和幅度值代表一个STFT声谱图。此外,大小的彩色编码方法应用范围,有一个深点的颜色代表一个较小的大小值,反之亦然。重要的是要注意,窗口显示的大小对频率分辨率产生深远的影响。更广泛的窗口部分提供了一些时间,导致较低的精确时间,但高频决议。另一方面,一个狭窄的时间窗口给出了高时间分辨率但低频决议。自从STFT的窗口长度是固定的方法,时间和频率分辨率是固定的整个长度的信号。图2是一个样本表示的心电图段持续时间1秒。(采样频率360赫兹)及其STFT在不同窗口长度(l= 2,9岁和18)。很明显从图2,在窗口长度的增加,时域值的变化不太明显。相反,频域变化越来越深刻。
2.2。连续小波变换
小波变换(WT)是一种处理工具,已广泛应用于信号和图像处理和语言分析。1984年,两位法国科学家Grossmann Morlet,首先创造了这个词“小波”,并将其描述为一个波结构(11]。小波有一个开始和结束的振幅为零。小波的振幅积分为零。提出了一种小波的详细历史背景在12,13]。有几种小波函数具有不同的形状和特征。一些常见的小波包括哈雾,Daubechies Coiflet, Symlet。WT方法解决解决问题与英国《金融时报》通过提供一个合适的分辨率在时间和频率。它是通过采用一个变量窗口函数,其中多次窗口函数缩小和扩大。连续小波变换(CWT)给定信号分解成不同的系数。在此,一个叫母小波基函数是扩张和翻译。数学上,CWT使用表示 在哪里 和∗代表了共轭函数。
在方程(4),“ ”母亲规范化使用小波(Ψ)。转换后的信号采用CWT后生成取决于比例因子(年代)和翻译的因素 。比例因子显示与频率成反比。一个较低的价值年代导致快速小波变化和用于检测更高频率的信号,捕获fast-varying细节。相反,一个更高的价值年代帮助感知较低的频率成分和捕获的缓慢变化细节信号。
可获得的重建原始信号
量图的绝对值是连续小波变换(CWT)作为时间的函数和频率。量图与谱图相比,提供了更多的信息,因为它给出了信号在不同的尺度特性。图3代表一个样本ECG信号及其量图。如前所述,从图很明显认为频带越来越窄,规模的增加。心电图量图图像是最好使用深度学习模型和显示潜在的各种生物医学应用,包括心律失常检测、呼吸暂停检测和检测。CWT的缺点是它是高度冗余的,显示了明显的重叠之间的小波在每个规模和规模(14]。此外,它与较高的计算复杂度。
2.3。离散小波变换
Stromberg [15),瑞典数学家提出的数学基础离散小波变换(DWT)在1980年[16]。类的一个重要缺点是,比例因子(年代)和翻译的因素价值变化迅速,因此,计算所有可能的尺度的小波系数。因此,该方法产量多新的信息(17),这是很难的过程。相反,DWT解决上述问题由代表在离散时间信号的连续小波变换和小波系数作为一组。在DWT,信号通过一个低通滤波器(LPF)和高通滤波器(高通滤波器)将信号分为一半的原始频率范围(18,19]。低通滤波器的输出是近似的组分(A),和高通滤波器输出详细的组件(D)。近似组件进一步分解形成另一组近似和详细的组件在每个后续的水平。图4代表小波滤波器带为DWT,x(n)是原始信号,和D熊他们平常的意义。
可以两种类型的基于DWT每个滤波器的输出是否down-sampled由两个。如果滤波器的输出是down-sampled在分解过程中,它被称为DWT伤筋动骨。抽取DWT,也称为固定小波变换(SWT),不包含采样下来的方法操作在滤波器的输出。因此,在SWT的情况下,近似的长度和详细的系数是相同的原始信号。通常,DWT一词代表了摧毁方法默认情况下,最常用的是由于其计算复杂度低于抽取方法。
对于一个时间序列信号,x(n)样品的数量米,也就是说,n范围从0到米−1。扩展功能 和小波函数 提出的小波变换可以表示使用以下方程:
然后,信号x(n)可以表示(方程(8使用缩放和小波函数)。
方程(8)也被称为一个逆离散小波变换。图5代表一个样本的代表一个心电图信号及其DWT系数后3理查德·道金斯使用db2母小波的分解层级上。
(一)
(b)
(c)
(d)
2.4。小波包分解(WPD)
小波包分解(WPD)扩展了DWT系数近似和详细分解在随后的水平。因此,WPD提供了一个更好的时间和频率分辨率与DWT相比。图6代表的小波滤波器带WPD,x(n)和D熊通常的意义,如部分所述2.3。类似于DWT, WPD可以有两种类型:摧毁和抽取。一般来说,WPD遵循摧毁的方法。一个样例心电图信号及其后的小波系数2nd水平使用db2母小波分解图表示7。
(一)
(b)
(c)
(d)
(e)
2.5。能量(项)
维格纳(20.),一位匈牙利物理学家在1932年,提出了能量的基础(项)的功能。项是信号能量在时频域的定量表示。这种方法使用的自相关函数的计算功率谱。自相关函数(ACF)比较信号(x(t)为所有可能的时间变化本身使用以下公式表示:
ACF,信号是集成在一段时间内,只有一个函数依赖 。然而,项使用ACF的变化称为瞬时自相关函数(IACF)保持时间参数,并使用下面的方程来表示:
项功能比较信号信息与自己的在不同的时间和频率。它可以被视为IACF的英国《金融时报》。
在数学上,它是使用以下定义方程(11):
相比STFT,项给更好的光谱分辨率,因为它不遭受泄漏。然而,当一个信号有几个频率成分,这可能是交叉项的影响(21]。出现交叉项当输入信号中存在多个部分,类似在时间和频率跳动。可以尽量降低交叉项的调节项函数通过应用滑动平均的窗口在时频平面上。它被认为是pseudo-WVD (PWVD) [22比项)和更广泛的应用。然而,它在某种程度上减少了交叉项的影响,但并不能消除。
数学上,PWVD表示使用下列方程(12):
图8代表一个心电图信号的PWVD (360 Hz,持续时间1秒)。项情节中的每个数据点代表三个变量:信号幅值、时间和频率。
2.6。经验模态分解
经验模态分解(EMD)是一个本地和数据驱动的自适应方法,主要应用于非线性和非平稳信号。EMD将信号分为许多nanocomponent函数称为固有模式函数(货币)23]。国际货币基金组织拥有相位和频率之间的关系。国际货币基金组织必须满足两个条件:(1)对于一个给定的信号,零交叉和极值的数量必须等于零;如果不是这样,它必须不同。(2)创建信封的意思是由于局部极大值(一波的峰值)和局部最小值(谷)是零。换句话说,国际货币基金组织代表只有简单的振荡模式出现在一个信号。然而,它并不确保一个完美的瞬时频率在所有条件。在[24],彭et al。(2005)提出了一个算法来提取imf的一个信号。
在分解过程中,原始信号的特点是首先提取和残留的结合 。在数学上,它可以使用以下方程(13):
图9代表一个样本提取心电信号和一组货币基金和残留(图8(b))。图中还显示了瞬时频率(图9 (c))。从图可以观察到较低的货币基金捕捉快速振荡模式。相反,高阶首先捕捉缓慢振荡模式。传统的EMD方法的局限性模式混合的情况下用密集的频率信号(25]。
(一)
(b)
(c)
2.7。希尔伯特黄变换
希尔伯特黄变换(HHT) EMD的延伸。它的应用希尔伯特变换(HT)提取的货币。从原始信号,发现所有的货币后,HT应用来获取从每个在数学上,它是使用以下方程(代表14): 在哪里是分析信号的希尔伯特变换获得使用货币。
替换与在方程(14)和忽视的价值 ,它的收益率 在哪里 。
输出,遗传性出血性毛细血管扩张症为每个国际货币基金组织(IMF)生成一对正交的相移的90°。除了一对正交,国际货币基金组织计算瞬时变化的大小和频率。因此,遗传性出血性毛细血管扩张症可能是一个有用的方法在分析非线性和非平稳的时间序列数据。
2.8。一些修改的联合时频方法
上述联合时频方法许多先进的基础方法,近年来已被提出。这些先进的方法试图消除与原技术相关的限制。因此,这些先进的方法获得了太多的关注在很多信号处理应用程序。最初,这是一个综合考虑傅里叶变换光谱分析的方法只适用于平稳信号。然而,最近修改的傅里叶变换方法为非线性和非平稳的信号应用程序开发。调用此方法(FDM)和傅里叶分解方法被采用作为时频分析工具(26]。几个修正小波分析方法,包括最小二乘小波分析(LSWA)和最小二乘交叉小波分析(LSCWA),也被提出(27]。无数的小波变换方法已报告最近的变化。这包括可调Q-wavelet变换(TQWT) [28),固定小波变换(SWT) [29日小波变换)、经验(易)30.],dual-tree复小波变换(DTCWT) [31日]。TQWT的优点是,它不需要调整小波基函数,可以很容易地根据信号调整32]。SWT显示信号的局部时频特性和多分辨率分析能力(33]。易的方法是一种自适应小波方法,使用小波细分计划。段信号频谱的方法,完全可以输入信号(34]。相对于DWT DTCWT展示了几个优势。这些包括近似shift-invariance、方向选择性和完美重建原始信号(34]。同时,与其他数值方法相比,DTCWT是更快和更有效的。
经验模态分解(EMD)方法也收到了一些改进在过去十年里,形成了基地的分解方法(35),包括变量模式分解(VMD) [36),复杂的变量模式分解(CVMD) [37),地方平均分解(LMD) [38),集成经验模态分解(EEMD) [39],多维EEMD [40),复杂的EMD (CEMD) [41),完成EEMD自适应噪声(CEEMDAN) [42),和多元经验模态分解(MEMD) [43]。VMD是一种自适应EMD方法的信号分解成许多带限货币基金。VMD对EMD的主要优势是,它可以消除mode-mixing在分解过程的影响(44]。LMD方法生成一组后产品功能分解的过程。在这里,可以得到原始信号的时频分布的瞬时振幅和频率的产品功能45]。还EEMD和CEEMDAN方法消除EMD方法的混合模式问题进行分解在一个高斯白噪声的信号(46]。
修改的能量分布函数导致pseudo-Wigner-Ville (PWVD) [47)和平滑pseudo-Wigner-Ville分布(SPWVD) [48]。遗传性出血性毛细血管扩张症,正如上面提到的,也是一种先进的EMD方法,希尔伯特谱分析是用于每个货币基金。以下部分报告应用上述的时频方法在各种ECG信号处理研究。
3所示。在心电图信号分析中的应用
心电图信号处理方法的发展多元化应用,生物和非生物。包括心电图的各种联合时频方法处理使得该流程的效率在很大程度上。生物应用程序可能包括,但不限于,检测异常心脏节律,癫痫的发作,睡眠呼吸暂停,等等。另一方面,情感的非生物应用程序可能包含检测、生物特征识别、毒品和酒精检测,消除噪声的ECG信号,等等。本节包含了一些最引人注目的应用联合时频方法在心电图分析。
3.1。噪声去除
临床心电图信号是一种非侵入性的收购过程,涉及使用高增益放大器放大生物电势信号获得与电极表面的皮肤。导电胶也应用之间的皮肤和电极表面,减少皮肤接触阻抗和维护适当的电导率。在ECG信号的采集,信号可能会含有不同的声音。ECG信号的主要噪声源是电源线干扰,电极表面的不稳定由于不当的依从性皮肤表面电极,和肌肉活动。这些噪音与原始信号与类似的时间分布。然而,他们通过不同强度级别。噪声信号具有不同的频段,低,中,和高频乐队意味着基线漂移(BW),电力线路干扰,分别和突变噪声。
3.1.1。基线游荡
BW噪音是突出在ECG信号小于1赫兹。几个因素可能导致这种噪音,包括electrode-skin极化电压的变化、呼吸、运动工件和电极和电缆的运动。峰值幅度和持续时间可能会有所不同根据电极特性,皮肤接触阻抗,电解质使用,电极运动。这种噪声导致的转变等电行记录期间,因此,BW的名称。基线漂移通常出现在一个浅心电图记录0.014赫兹的频率。
3.1.2。电力线噪声
电源线噪声主要是设备的电缆传讯。这些电缆是容易受到电磁干扰在50 Hz或60赫兹。两个联合机制,帮助电力线是电容和电感耦合干扰。然而,在心电图的情况下,电感耦合是更重要的。
3.1.3。肌电图噪声
心电图数据是使用表面电极放置在人类皮肤。重要的是要注意,各种肌肉存在潜在的人类皮肤组织。这些肌肉的收缩和放松导致腐败的ECG信号与EMG信号从底层肌肉组织。中定义的EMG噪音更differentlyabled人的情况下,孩子,人与地震的问题。
3.1.4。电极接触噪音
正如上面提到的,导电胶通常是用于皮肤表面电极位置之前,充当两个电极之间的电介质,确保良好的电导率(皮肤表面和测量电极)。电极接触噪声的变化时就会发生位置的电极皮肤接触。放松的电极接触也可能导致噪音。此外,可怜的电导电极与皮肤表面增加振幅和减少干扰的概率通过减少信噪比(信噪比)。保持皮肤接触阻抗尽可能低为宜,以确保更好的导电性在皮肤表面和测量电极。
信号中的噪声组件导致其错误的解释,错误的观察,和低效的特征提取。因此,把污染物从信号进一步处理之前是至关重要的。最初,移动平均滤波器被用于这个目的,但是他们失去了很多的信息由于平均(49]。各种数字和自适应滤波器被报道为去除基线漂移和运动工件(50]。然而,确定正确的过滤器参数是一项艰巨的任务。再一次,这些方法主要关注一个噪声源。时频方法成为受欢迎的,因为他们可以帮助同时删除多个噪声。各种时频方法,包括小波变换(51],EMD [52],WPD [53),及其变体,已经在文献中用于降噪。传统的去噪步骤包括信号分解,确定分解信号的噪音是内容,过滤这些声音和重建原始信号。图10代表参与心电图去噪的基本步骤。表2包含一个全面的发表论文列表采用time-frequency-based近年来降噪ECG信号的方法。
3.2。心律失常的检测
心血管疾病(CVD)是人类死亡的主要原因之一。根据报告,在2016年贡献了全球31%的死亡。其中,85%是由于心脏病发作。及时、早期发现疾病的发作可以帮助减少这些统计数据。心律失常是一种常见的心血管疾病称为心律紊乱的表现。当有一个异常心脏的电传导模式。虽然有几种形式的心律失常,即窦房结心律失常,心房心律失常,交界心律失常、房室传导阻滞77年),心房纤维性颤动/心律失常是最常见的。通常,不规则的心跳不会显示任何有害症状直到它达到一个更高的状态,导致中风、充血性心力衰竭、长期或短期瘫痪,有时甚至死亡。因此,早期发现房颤的发展是至关重要的。诊断心血管疾病的传统方法是通过病人的病史和临床测试。然而,这种方法需要高度异构数据和医学专家对准确预测和解释,使过程效率低下。同时,问题更重要的地方在于缺乏适当的医疗设施。因此,几十年来,研究人员一直在选择使用生理信号的基于机器的自动化系统(ECG)监测和诊断。大多数这些诊断过程遵循一个标准的方法,包括心电图信号采集、分解,特征提取,分类为心律失常。当前部分地址不同time-frequency-based在心律失常的检测方法及其现状。尽管几种时频方法已经用于心律失常检测、小波方法近年来被广泛研究。 The discrete wavelet transform (DWT) is most prevalent due to its easy implementation. Figure11代表的框图DWT-based打分类方法,其次是Rizwan et al。(2022)78年]。除了DWT,其他方法,比如WPD CWT,也被使用。CWT方法不被广泛使用作为逆CWT不可用在许多标准工具箱(MATLAB, Python等)由于其高计算成本(79年]。然而,在很多研究中,DWT和CWT相结合来提高分类精度。WPD,另一方面,导致一个更大的特性集相比DWT方法和显示潜力分类心律失常。然而,它与较高的计算复杂度。一些其他时频方法及其变体,最近也一直在探索包括EMD,遗传性出血性毛细血管扩张症,项,STFT。STFT已经结合等深层神经网络递归神经网络(RNN)和卷积神经网络(CNN)获得有效的结果。表3列出最近发表的一些文章和讨论了时频方法,计算的特性,分类方法随访心律失常自动检测。
3.3。睡眠呼吸暂停检测
一个好的睡眠质量对领导一个健康的生活是至关重要的。睡眠呼吸暂停症是最常见的病理状态,影响睡眠质量118年]。由于重复,产生气流阻塞,引起睡眠时呼吸干扰时间(119年]。根据最近的一份报告中,全球约有10亿人受到睡眠呼吸暂停(120年]。九百亿零三千六百万人年龄在30岁至69岁之间的轻微到严重阻塞性睡眠呼吸暂停(OSA),而4.25亿人严重阻塞性睡眠呼吸暂停综合症。据报道,睡眠呼吸暂停引起心脏疾病风险的三次,七次的事故率,通过四次和中风。阻塞性睡眠呼吸暂停综合症的后期可引起严重的心血管和神经认知问题如果不及时治疗。因此,疾病的早期和及时的检测是至关重要的。测量睡眠呼吸暂停的传统方法是通过执行多导睡眠图,要求病人的睡眠后附加几个电极和传感器测量。测试是在一个被控制的环境中执行。然而,过程是非常不舒服的病人,可能会降低睡眠质量。此外,需要一个专门的人谁可以持续监测与大脑活动相关的各种生理信号,眼球运动,肌肉活动等。这个过程是费时和昂贵的(121年]。因此,需要一个简单、低成本、和自动检测方法。
近年来,研究人员已经实现的各种生理信号检测阻塞性睡眠呼吸暂停综合症。然而,心电图信号是使用最广泛的生理信号表示的目的。这是因为心电图信号只需要一个单一铅的收购记录,使测量过程比其他方法简单。图12描述参与睡眠呼吸暂停检测的基本步骤。当前节讨论不同的时频分析方法应用到心电信号检测阻塞性睡眠呼吸暂停综合症。哈桑et al。(2015)使用一个单一铅ECG信号对阻塞性睡眠呼吸暂停综合症的研究进行分类。他们使用EMD,高阶统计特性,和一个极端学习机(ELM)分类的目的。作者报道,最大精度为83.77%。在[123年),作者使用了一个8级小波包分析方法在短期(5 s)心电图信号区分中央睡眠呼吸暂停(CSA)和阻塞性睡眠呼吸暂停(OSA)。CSA时大脑是不能发出正确的信号与呼吸有关的肌肉。它不同于阻塞性睡眠呼吸暂停综合症,正常呼吸受阻是由于上呼吸道阻塞。在类似的研究124年),作者利用小波心电图特征区分CSA和阻塞性睡眠呼吸暂停综合症使用自回归神经网络分类器。他们取得了78.3%的分类精度。其他几种时频方法,包括DWT,遗传性出血性毛细血管扩张症,也被用于分类睡眠呼吸暂停。表4总结了一些最近发表文章在现场使用时频方法在心电图处理。
3.4。生物识别
识别技术是至关重要的安全、安全性和信息保护(138年]。早期的方法,包括安全密钥、密码和证书,不再是安全的,极有可能是被盗或遗忘。因此,生物特征识别技术已经出现的效率,考虑到解剖和生理差异138年,139年]。典型的生物的例子包括指纹、虹膜和脸id (140年]。尽管这些方法已经用于大受欢迎,他们不够完美可以伪造的。最近,人们已经发现,心电图信号可以用作生物是普遍的,稳定的,和容易衡量141年]。再次,个人的心电图仅取决于体型,性别、年龄、情感和心脏的生理状态。它使心电图一个独特的信号。一般来说,视觉上区分两个人的ECG信号是非常具有挑战性的细微变化幅度和持续时间。因此,这种模式识别方法已经用于简单,快速,可靠的识别。用于生物认证的ECG信号是一个频道,双通道,三通道或12-channel。其中,单管线心电图是最常见的由于它的简单性。然而,目前尚不清楚简单会带来更好的性能;因此,在一些研究中,12导心电图数据也被使用。
心电生物识别过程遵循三个关键步骤:预处理、特征提取和分类。在[142年,143年),作者表明,心电图表现出一个独特的和歧视性的模式,可以根据使用的分类器进行分类。然而,至关重要的是要注意,分类器的性能依赖于特征提取方法(144年,145年),原始ECG信号用于提取信息特征。一般来说,生物识别的特征提取方法可以分为两大类:基准和nonfiducial144年]。基准方法使用心电图波的特征,如不同的山峰,波浪,和间隔,而nonfiducial方法不使用这些特征。
几种特征提取方法在过去一直在探索。尽管没有广义规则确定的重要边界波,有助于高效生物识别(146年),nonfiducial-based方法是可取的。的原因,在此方法中,不需要参考检测(147年]。使用最广泛的nonfiducial方法的一些例子包括自相关系数(148年),小波系数(149年),主成分(150年),和时频分解方法151年]。在本节中,应用时频分解方法在生物分析讨论。表5代表一个最近的出版物,不同的时频分解方法用于生物识别。从表中很明显,经验模态分解(EMD)和离散小波变换(DWT)最近两个最广泛使用的方法。一些研究人员也跟着混合方法,结合两种不同的时频特性或多个特性,包括nonfiducial和基准特征。时频方法使用的几种分类方法,如CNN,支持向量机,LDA, DT, CNN。然而,在大多数情况下,CNN模型显示良好的性能相比其他分类器。原因可以是最深度学习模型的生成在训练自己的代表特性。
3.5。其他应用程序
3.5.1。情感检测
情感是一致的和分离的响应内部或外部事件。人类的情绪状态可以定义使用八种基本情绪:快乐、悲伤、愤怒、喜悦、好奇、恐惧和惊讶。所有其他的情绪可以这些主要情绪状态的混合物。它已经在文献中报道,生理信号的影响主要是通过情感。因此,它可以用来检测和分类的情绪状态。几项研究已经使用心电图信号检测情绪变化(162年- - - - - -165年]。研究的艺术观et al。(2019)166年),作者使用了三个心电图ieee技术和EMD方法识别主要的人类情感:愤怒,快乐,悲伤和快乐。他们实现了6.8%的准确性获得比其他方法。另一项研究采用小波方法获得特性在不同时间尺度(167年]。该方法显示,检测精度88.8%的价态和90.2%检测觉醒状态,分别。Chettupuzhakkaran和信德(2018)进行了比较分析在不同的时频方法探测到快乐和悲伤的情绪。作者报告了更高的精度在DWT的情况下比其他方法(EMD,遗传性出血性毛细血管扩张症等)168年]。小波变换和二阶差分的阴谋被用于169年)来区分两种情绪状态:休息和恐惧,最大精度为80.24%使用支持向量机分类器。
3.5.2。癫痫发作检测
癫痫发作可以表示成突然电气干扰大脑活动导致行为的变化,运动,和意识水平。此外,癫痫的发病影响自主神经系统活动。文献表明显著差异的生理信号,如心电图和脑电图在癫痫发作被观察到。EEG信号已经被使用作为发作的潜在生物标志物检测。然而,重要的心电图形态变化也被观察到在癫痫发作。QT间隔缩短,st段抬高,让反演是典型的心电图形态的变化170年,171年]。然而,一些研究发现文献中只使用癫痫检测心电信号。大多数报纸EEG信号的时频特征提取或心电图和脑电图信号(172年- - - - - -175年]。但是,在最近的一项研究[176年),杨等人发现心电图信号是更有效的比癫痫的脑电图信号检测。作者使用了一个短期ECG信号的光谱图像使用短时傅里叶变换(STFT)。图像被用作输入到CNN模型自动检测。然而,更多的研究需要基于ECG-based癫痫检测的特点。
3.5.3。司机分心检测
分心驾驶是一种严重的关心乘客和司机的安全。分散的三个主要原因是把眼睛从路上,方向盘的手,开车时不安的心灵。次要的原因可能包括谈话在电话里与一名乘客的对话和活跃。尽管社会意识和增强政府规则已经降低了事故率,步骤是不充分的。因此,需要实时检测司机分心。心电图信号显示在实时监控由于其潜在的应用属性:更高的信噪比,最小实现,容易磨损,和简单的录音技术。此外,它不显示任何延迟问题相比,基于成像检测系统。实时心电图监控最重要的一步是选择功能。几种时频分析方法在这方面已报告。在[177年),作者使用了心电图后部分波段使用WPD分解。选择一组WPD系数以及三个基本特征,即权力,意思是,和标准偏差,从每个系数提取。在这项研究中,使用PCA降维方法。最后的特性集被用来分类司机分心使用LDA和二次判别分析(QDA)分类器。在类似的研究178年),小波包变换检测到分散在一个电话或与乘客交谈。Dehzangi et al。(2018)采用熔融特性从心电信号中提取(179年]。它包括HRV参数、spectro-temporal参数和功率谱密度参数。STFT用于时空分析。选择最优的一组特性使用特征选择方法和各种分类器。司机分心的最大检测精度为99.8%。许多研究结合心电图信号和其他生理信号,如脑电图(180年),肌电图(181年),此次。
3.5.4。药物和酒精检测
早期和及时服药过量检测是至关重要的维持健康和避免重大的健康问题。根据报道,将近一半的急救病房情况下在美国是由于毒品过量。据报道,大多数药物影响心脏功能。药物过量后可能导致不良心血管事件在许多情况下。因此,心电图信号的变化可能是一个很好的指标超剂量药物,可用于检测。早期的研究表明,食用后心电图信号形态参数的变化各种药物(如苯二氮卓类,对乙酰氨基酚和阿片类药物)。在他们的研究中,Manini et al。(2017)评价急性药物过量对电生理参数的影响。一位著名的R峰值和QT离散检测药物过量后(182年]。在最近的一项研究[183年观察),QT间隔延长由于过量的羟氯喹COVID患者(183年]。类似的结果也被报道的其他药物。一些药物包括antidysrhythmic(心得怡),抗抑郁药(安非他酮酞,西酞普兰、曲唑酮等),抗精神病药(氟哌啶醇,喹硫平),钠通道阻滞剂(阿米替林、多虑平、丙咪嗪、苯海拉明和去甲替林,等等),和止吐剂5 -羟色胺拮抗剂联合(184年]。除了毒品,酒精对心脏也显示类似的影响(185年]。最近,一些研究者试图使用心电图信号自动药物检测。普拉丹和Pal(2020)报道,可以使用时域统计和entropy-based从心电信号中提取特征自动检测存在的精神药物,“咖啡因,”在体内186年]。在最近的一项研究[187年),作者采用三种不同的时频方法,EMD, DWT, WPD,自动检测ECG信号的含咖啡因的coffee-inducedshort-term效应。ECG信号的应用程序看到毒品和酒精的影响是新的,因此,有限的研究在文献中是可用的。joint-time频率方法的探索是不够的,可能在未来的研究被广泛研究。
4所示。限制、挑战和未来研究的建议
使用STFT方法的主要限制是它不会显示最佳的时频精度。STFT方法的另一个缺点是,它主要用于短期ECG信号处理。然而,短录音是首选的关键心脏手术期间发起调查长期持续心电信号的处理过程而不是[188年]。在这种情况下,STFT-based信号处理提出了明确的成功。同时,STFT方法与不同的谱泄漏是由于应用不同的窗函数。另一个关键参数而使用STFT的方法是选择正确的窗口大小。一个有限的时间窗口显示一个好的时间分辨率但频率分辨率降低。同样的,更广泛的windows提供低时间分辨率但良好的频率分辨率。因此,许多采用更合适的技术,如小波变换方法(CWT DWT, WPD,等等)。小波变换可以消除固定窗口大小的问题,通过使用一个不同的窗口长度,提高时频分辨率(189年]。然而,它不能充分捕捉信号的边缘。还存在一个权衡在WT的准确性和计算复杂度。选择一个合适的母小波WT至关重要的分类任务的准确性也受到母小波的选择。
经验模态分解(EMD)可以克服这些限制。EMD分解IMF信号分成几个独立的瞬时频率。方法提供了有价值的数据,当底层动态信息是可用的。然而,谨慎的应用技术,任何科学研究都是必需的,因为它缺乏一个合适的理论背景,也与混合模式(189年]。EMD方法的一些扩展(包括EEMD和VMD)是消除与EMD相关联的缺点。VMD更适合分析非平稳和非线性信号。该方法显示了一个高运营效率和避免信息丢失。
几项研究已经实施了先进的时频分析和处理的方法生物电势信号,如肌电图和脑电图。例如,可调Q-wavelet变换(TQWT),结合时频特性,使用EEG信号用于检测癫痫发作(190年]。最近的一项研究使用TQWT方法区分七手的动作使用surface-EMG信号[191年]。艾哈迈德et al。(2022)采用LSWA方法和计算每个脑电图的微分熵的特性。计算特征被用作输入在CNN模型来检测不同情绪状态(192年]。在最近的一项研究中,作者使用了易和深度学习的方法来检测冠状病毒病(COVID) [193年]。尽管他们多样的应用程序,这些先进的时频方法在ECG信号处理是有限的。因此,在未来,这些方法可以更有效地工作。
心电图实时实现的时频方法在不同的应用程序是另一个巨大的挑战。大部分可用的研究是基于离线分析,排除了噪声数据。许多最近的文章采用生理数据监测癫痫发作(194年),大脑中的动态变化(195年],警惕[196年,睡眠质量197年,疲劳198年),和不正常驾驶199年]。这些方法主要使用大脑或肌肉信号。因此,实时的实现afore-discussedtime-frequency心电图分析中的方法可能在未来探索。
当前的研究综述中提取心电图的各种时频分解方法的应用特点。这些特征被用于各种ECG-based应用程序,包括心律失常检测、睡眠呼吸暂停检测、生物特征识别、噪声消除,等等。应用特征提取方法的一个局限是,在这个过程中产生的新特性并不总是解释。又有一个巨大的数据集时,传统的机器学习模型不能很好地执行由于维度的诅咒,后来需要的特征选择方法。深度学习模型消除这些问题,因为他们可以有效地处理大型数据集。同时,这些模型创建各自的特点,确定相关的特性,然后结合促进快速学习,没有提供明确的指导。尽管许多研究采用深度学习与2 d-ecg数据模型(谱图,量图等等)或分解信号,要求广泛的分析。它可能是未来的探索。
5。结论
目前的研究提供了一个背景了解不同的时频方法及其生物医学应用心电图分析。研究还探讨了最近发表的文章,使用这些方法在各种心电图应用程序。尽管很难有这样一个广阔的区域在一篇文章中,本文强调了当前状态和最近发表文章在过去五年。以下的观察可以基于当前点评:DWT最近是最广泛使用的方法,不管它的应用程序。EMD和它的变体更合适的噪声消除方法。量图,2 d-image-based方法如谱图和频率的阴谋与深度学习最广泛使用的模型和心律失常的检测报告更高的分类精度。然而,它的使用在其他ECG-based应用程序仍然是有限的,需要更多的关注。此外,一些高级的应用时频方法综述中提到的需求更多的考虑在未来的研究。目前的审查将形成一个参考,并提供一个全面了解心电图信号分析应用时频方法。的一些典型应用包括检测心律失常和睡眠呼吸暂停。 Also, some nonbiological applications include biometric identification, drug and alcohol detection, driver distraction, emotion detection, and so on. The facts discussed in this review will provide information about the current status of the time-frequency methods. The study will help future researchers to fill in the gaps and overcome the challenges in the said field. The knowledge shared in this review will benefit society by bringing more advanced technologies for disease detection, diagnostic applications, and other nonbiological applications in the future.
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。