文獻(xiàn)標(biāo)識(shí)碼： A
DOI：10.16157/j.issn.0258-7998.2016.11.030
中文引用格式： 李燈熬，白雁飛，趙菊敏. 基于隱馬爾科夫模型的J波自動(dòng)識(shí)別檢測(cè)[J].電子技術(shù)應(yīng)用，2016，42(11)：112-115，118.
英文引用格式： Li Dengao，Bai Yanfei，Zhao Jumin. A method for automated J wave detection based on hidden Markov model[J].Application of Electronic Technique，2016，42(11)：112-115，118.
0 引言
J波是一種低幅、高頻的變異波形，往往出現(xiàn)在早期復(fù)極化綜合征和Brugada綜合征病人的心電圖中，容易導(dǎo)致心率失常和猝死。在最近幾年中，針對(duì)J波的意義進(jìn)行了大量研究，J波研究在醫(yī)電信號(hào)領(lǐng)域展現(xiàn)出了新的熱點(diǎn)。J波是出現(xiàn)在心電圖中QRS波群下降支終點(diǎn)的一個(gè)凹口或頓挫[1]。在心電圖中QRS波群和ST段之間的連接處稱為J點(diǎn)，J點(diǎn)抬高就會(huì)觸發(fā)J波。標(biāo)準(zhǔn)定義為：當(dāng)J點(diǎn)和/或ST段從基線抬高至少0.1 mV，持續(xù)時(shí)間達(dá)到20 ms形成的尖峰、駝峰、圓頂形態(tài)的波形稱為J波[2]。
J波與J波綜合征有著緊密的聯(lián)系，J波綜合征包括早期復(fù)極綜合征、特發(fā)性室顫和Brugada綜合征，這3種綜合征有許多共同心電圖特征[3]。每年心血管疾病在世界范圍內(nèi)引起非常高的死亡率，這些死亡率中有很大一部分是由J波綜合征引起的。所以，識(shí)別J波是預(yù)測(cè)患者病變結(jié)果的一個(gè)重要的方向[4]。換言之，J波的自動(dòng)識(shí)別檢測(cè)對(duì)J波綜合征的病人提供了一種非創(chuàng)性的診斷方法。
為了達(dá)到自動(dòng)檢測(cè)的目的，本文定義并提取了5個(gè)特征向量，其中包括3個(gè)時(shí)域特征向量和兩個(gè)基于小波的特征向量，從不同的角度描述了J波的特性，使用這些提取出的、降維的特征向量來訓(xùn)練隱馬爾可夫分類器，從而達(dá)到自動(dòng)檢測(cè)J波的目標(biāo)。
1 數(shù)據(jù)準(zhǔn)備
本文構(gòu)造了一個(gè)心電數(shù)據(jù)庫評(píng)估提出的方法，這個(gè)數(shù)據(jù)庫由2 000個(gè)心電信號(hào)模式組成，如圖1所示，模擬了兩個(gè)基本的II導(dǎo)聯(lián)J波陽性模式信號(hào)。
其中，訓(xùn)練集包括800個(gè)心電信號(hào)模式，400個(gè)為J波陽性心電模式，另外400個(gè)為J波陰性心電模式。測(cè)試集包含600 個(gè)J波陽性心電信號(hào)模式和600個(gè)J波陰性心電信號(hào)模式。
2 方法
本研究提出的J波自動(dòng)檢測(cè)方法，主要是尋找合適的特征增加J波相對(duì)于其他心電圖成分的區(qū)分度。圖2為所提出的分類識(shí)別J波陽性模式和J波陰性模式的系統(tǒng)框圖。
2.1 預(yù)處理
預(yù)處理的目的是定位ECG信號(hào)的特征點(diǎn)和去噪。主要定位了QRS波群的起點(diǎn)和終點(diǎn)，為下一階段的特征提取作準(zhǔn)備。預(yù)處理過程分成3個(gè)步驟：
(1)檢測(cè)QRS波群起點(diǎn)和R波[5]。
(2)利用多拍平均技術(shù)提高信噪比。
(3)定位QRS波群終點(diǎn)。
2.2 特征提取階段
2.2.1 時(shí)域特征向量I
J波往往出現(xiàn)在QRS波的下降支，所以選擇QRS波群起點(diǎn)后100 ms作為特征向量的提取區(qū)域，為了提高檢測(cè)方法的魯棒性，同時(shí)也考慮了R波前60 ms。這樣，提取的時(shí)域特征向量覆蓋了整個(gè)QRS波群下降支部分，可以在這160 ms里面反映了ECG信號(hào)的動(dòng)態(tài)變化。由于采樣率為500 Hz，選擇80個(gè)采樣點(diǎn)，其中29個(gè)在R波之前，50個(gè)在R波之后，這樣就形成了一個(gè)80維的特征向量I，它反映了QRS波下降支的形態(tài)學(xué)狀態(tài)。
2.2.2 時(shí)域特征向量II
基于預(yù)處理階段，QRS波群的終點(diǎn)位置已經(jīng)確定?？紤]到J點(diǎn)（連接S波和ST段的連接點(diǎn)）抬高同樣會(huì)引起J波，所以選擇J點(diǎn)后的40 ms作為“監(jiān)控”對(duì)象，同樣，考慮到檢測(cè)方法的魯棒性，J點(diǎn)前的8 ms也納入“監(jiān)控”范圍，這樣就形成了一個(gè)24個(gè)采樣點(diǎn)組成的時(shí)域特征向量II，其中4個(gè)點(diǎn)在J點(diǎn)之前，20個(gè)點(diǎn)在J點(diǎn)之后。
2.2.3 時(shí)域特征向量III
時(shí)域特征向量I和II能從整個(gè)形態(tài)學(xué)上檢測(cè)ECG的變異。為了能更精細(xì)地檢測(cè)J點(diǎn)之后的形態(tài)變化，定義了第3種時(shí)域特征向量，把J點(diǎn)前后的48 ms分成4 ms的間隔，求這些間隔的平均值和標(biāo)準(zhǔn)差，這樣就形成了一個(gè)24維的特征向量。
2.2.4 基于離散小波的特征向量
Daubechies6（Db6）小波和心電圖的形狀比較相似，而且在細(xì)節(jié)上能更準(zhǔn)確地反映ECG信號(hào)[6]。因此，選擇Db6作為分解ECG的小波。研究已經(jīng)發(fā)現(xiàn)，心電信號(hào)的能量主要集中在0.5～40 Hz的頻率范圍[7]。應(yīng)用5級(jí)小波分解后，這個(gè)頻率范圍相當(dāng)于4級(jí)細(xì)節(jié)系數(shù)（即D4）和5級(jí)細(xì)節(jié)系數(shù)（即D5）以及5級(jí)近似系數(shù)（即A5）[8]。
由于J波頻率范圍相對(duì)集中在4級(jí)細(xì)節(jié)系數(shù)(即D4)，本文計(jì)算4級(jí)細(xì)節(jié)系數(shù)（即D4）幅值統(tǒng)計(jì)，從而比較J波陽性模式和J波陰性模式的振幅分布。如圖3，從幅值直方圖和幅度累積可以看出，兩種信號(hào)模式的振幅統(tǒng)計(jì)有明顯的不同，它們可以作為區(qū)分兩個(gè)信號(hào)模式的特征。這些系數(shù)的幅值統(tǒng)計(jì)能夠很充分地表達(dá)出給定信號(hào)模式的頻率特性。這樣形成了一個(gè)30維的基于離散小波變換的特征向量，反映了4級(jí)細(xì)節(jié)系數(shù)（即D4）的狀態(tài)。當(dāng)J波出現(xiàn)時(shí)，D4的幅度分布變化，從這個(gè)角度基于離散小波變換的特征向量可以檢測(cè)有無J波。
2.2.5 基于連續(xù)小波變換的特征向量
以上幾個(gè)特征向量已經(jīng)能從時(shí)域和頻域?qū)波發(fā)生區(qū)域進(jìn)行檢測(cè)，但是只是單獨(dú)地進(jìn)行時(shí)域或者頻域檢測(cè)，容易被ST段其他抬高的病變影響判斷。所以，提取一種能反映能量分布以及時(shí)頻域特征的尺度圖(scalogram)組成的特征向量，對(duì)于J波的檢測(cè)是必要的。信號(hào)尺度圖的定義如下：
對(duì)QRS波群終點(diǎn)處前8 ms到后40 ms，這48 ms的區(qū)域使用連續(xù)小波變換。選擇尺度范圍1～32，母小波選擇Morlet小波。為了細(xì)化信號(hào)的特征，把時(shí)間軸劃分成9個(gè)子區(qū)域，把尺度軸劃分成12個(gè)子區(qū)域，這樣時(shí)間尺度平面被劃分成108個(gè)區(qū)域。計(jì)算每個(gè)區(qū)域的小波系數(shù)的平方CWT2(τ，a)，這樣就形成了一個(gè)108維的特征向量，這個(gè)特征向量反映了J波發(fā)生區(qū)域的能量分布。
圖4是對(duì)J波陽性和陰性信號(hào)模式QRS波群的終點(diǎn)部分應(yīng)用連續(xù)小波變換，計(jì)算出兩種信號(hào)模式的尺度圖。如圖4所示，J波陽性和J波陰性模式的小波系數(shù)幅值明顯不同。整體上看，在圖4（b）幅值明顯大于圖4（a），而且它們的能量分布是不同的。如圖5，精細(xì)的三維俯視圖的研究表明，J波陽性模式和J波陰性模式在能量分布隨著時(shí)間和尺度的變化有著明顯的不同。J波陽性模式的能量集中在整個(gè)時(shí)間范圍內(nèi)的少數(shù)幾個(gè)尺度上，而J波陰性模式的能量分布相比陽性模式更為分散。因此，基于尺度圖特征提取是有效的，它可以作為一個(gè)可靠的工具來識(shí)別J波陽性和J波陰性。
2.3 識(shí)別分類
從數(shù)據(jù)集提取特征向量后，提取的5個(gè)特征向量整合成一個(gè)大特征向量，變成一個(gè)綜合時(shí)頻域特征的具有236維的綜合特征向量，作為隱馬爾科夫分類器的輸入。輸入向量的維數(shù)太大，導(dǎo)致數(shù)據(jù)冗長(zhǎng)，計(jì)算量大。因此，需要減少輸入向量的維數(shù)，而且保持那些對(duì)J波敏感的特點(diǎn)。本文選擇主成分分析技術(shù)進(jìn)行降維。PCA是一個(gè)利用正交線性變換降維的統(tǒng)計(jì)學(xué)技術(shù)[9]。PCA降維和特征篩選之后，利用隱馬爾可夫模型實(shí)現(xiàn)J波的自動(dòng)檢測(cè)，如圖6，其中虛線是隱馬爾可夫訓(xùn)練過程，實(shí)線是識(shí)別過程。
3 實(shí)驗(yàn)仿真
本文選擇了4個(gè)傳統(tǒng)的指標(biāo)：準(zhǔn)確性（ACC）、靈敏度（SE）、特異性（SP）和陽性預(yù)測(cè)值（PPV）評(píng)估J波檢測(cè)技術(shù)的性能。
從信號(hào)處理角度上去識(shí)別分類J波信號(hào)的研究還處于剛剛起步階段，現(xiàn)在階段只有兩個(gè)團(tuán)隊(duì)對(duì)J波識(shí)別進(jìn)行過研究。2014年，CLARK E N等學(xué)者提出了一個(gè)J波的檢測(cè)方法，該方法是設(shè)置了一個(gè)QRS波下降支的斷點(diǎn)，其數(shù)據(jù)庫是包含從100個(gè)平均年齡為24.8±3.2歲的成年男子獲得的靜息12導(dǎo)聯(lián)心電圖[10]。2015年，WANG Y G等學(xué)者提出了一個(gè)J波自動(dòng)檢測(cè)方法，該方法利用了信號(hào)處理結(jié)合功能函數(shù)分析技術(shù)，取得了89%的敏感性和86%的特異性[11]。這兩種方法的局限性都是數(shù)據(jù)庫范圍小，導(dǎo)致實(shí)驗(yàn)結(jié)果不具有普遍性。為了驗(yàn)證3種方法的有效性，本文驗(yàn)證了3種方法在本文中的構(gòu)建的大數(shù)據(jù)庫的實(shí)驗(yàn)效果，訓(xùn)練集和測(cè)試集的分配使用十倍交叉驗(yàn)證的方法。采用十倍交叉驗(yàn)證3種方法的準(zhǔn)確性、敏感性、特異性和陽性預(yù)測(cè)值4個(gè)指標(biāo)的性能如圖7～圖10所示。
表1給出了3種自動(dòng)檢測(cè)J波的方法的平均性能（準(zhǔn)確性、靈敏度、特異性和陽性預(yù)測(cè)值）。從表中可以得出，本文提出的方法較為理想，性能比較好，提供了93.8%的平均準(zhǔn)確率、94.2%的平均敏感性、93.3%平均特異性和93.4%的平均陽性預(yù)測(cè)值。圖11總結(jié)了這3種自動(dòng)檢測(cè)J波的方法的對(duì)比結(jié)果?？傊?，本文提出的方法在心電信號(hào)識(shí)別系統(tǒng)是有效的，而且具有廣闊的開發(fā)應(yīng)用前景。
結(jié)果表明，基于本文提出的5種特征向量的J波自動(dòng)檢測(cè)技術(shù)與其他方法相比，該方法具有較好的分類效果。
4 結(jié)論
本文提出的基于5個(gè)特征向量的J波自動(dòng)識(shí)別技術(shù)可以綜合地反映J波的變異，相比其他方法，該方法具有顯著的優(yōu)勢(shì)。J波的變異充滿了不確定性，其定義有多種標(biāo)準(zhǔn)。這種模糊性使得它很難或不可能從一個(gè)角度進(jìn)行研究。因此，本文提出的J波自動(dòng)檢測(cè)方法，可以克服目前研究中診斷J波存在的不一致性，同時(shí)本文的自動(dòng)識(shí)別J 波方法對(duì)于臨床相關(guān)病人的診斷和治療具有十分重要的現(xiàn)實(shí)意義。
參考文獻(xiàn)
[1] 嚴(yán)干新.異常J波綜合征[J].臨床心電學(xué)雜志，2007，16(1)：3-9.
[2] MARUYAMA M，KOBAYASHI Y，KODANI E，et al.Osborn waves：history and significance[J].Indian Pacing and Electro-physiology Journal，2004，4(1)：33-39.
[3] 崔長(zhǎng)琮，嚴(yán)干新.急性缺血性J波和J波綜合征的研究現(xiàn)狀[J].中華心血管病雜志，2010，38(4)：299-300.
[4] JUNTTILA M J，SAGER S J，TIKKANEN J T.Clinical significance of variants of J-points and J-waves：early repolarization patterns and risk[J].European Heart Journal，2012，33(21)：2639-2645.
[5] CLIFFORD G D，AZUAJE F，MCSHARRY P E.Advanced methods and tools for ECG data analysis[M].Norwood，MA：Artech House，2006.
[6] MAHMOODABADI S Z，AHMADIAN A，ABOLHASANI M D.Feature extraction using daubechies wavelets[C].Proceedings of the Fifth IASTED International Conference on Visualization Imaging and Image Processing，2005：343-348.
[7] THAKOR N V，WEBSTER J G，TOMPKINS W J.Estimation of QRS complex power spectra for design of a QRS filter[J].IEEE Trans.Biomed.Eng.，1984，31(11)：702-706.
[8] YE C，KUMAR B V K V，COIMBRA M T.Heartbeat classification using morphological and dynamic features of ECG signals[J].Biomedical Engineering，IEEE Transactions on，2012，59(10)：2930-2941.
[9] ABDI H，WILLIAMS L J.Principal component analysis[J].Wiley Interdisciplinary Reviews：Computational Statistics，2010，2(4)：433-459.
[10] CLARK E N，KATIBI I，MACFARLANE P W.Automatic detection of end QRS notching or slurring[J].J Electro-cardiol，2014，47(2)：151-154.
[11] WANG Y G，WU H T，DAUBECHIES I，et al.Automated J wave detection from digital 12-lead electrocardiogram[J].Journal of Electrocardiology，2015，48(1)：21-28.