心电信号ST段形态识别算法

心电信号ST段形态识别算法 心电信号ST段形态识别算法 第31卷第1O期 2011年10月 计算机应用 JournalofComputerApplications Vo1.31No.10 Oct.201l 文章编号:1001—9081(2011)10—2811—03doi:10.3724/SP.J.1087.2011.02811 心电信号ST段形态识别算法 汪振兴,张思杰,曾孝平 (重庆大学通信工程学院,重庆400044) (hitthetarget@126.corn) 摘要:针对目前心电图sT段诊断准确度不高,容易受到噪声干扰的情况,提出了一种基于最小二-乘多项式拟 合的sT段形态识别算法.首先利用二次样条小波经过Mallat算法检测出心电信号中的QRS波群,然后检测出T波, QRS波群起点,J点,T波起点等特征点,依此判断sT段偏移方向,并将sT段分为直线型和曲线形,最后通过多项式拟 合算法来确定直线型sT段的斜率和曲线型sT段的凹凸方向.通过MIT—BIH心电数据库的数据文件的仿真实验验 证了该算法用于sT段形态识别的准确度在90%以上,实验表明,该算法减少了sT段特征点检测过程中噪声的干扰, 提高了ST段形态识剐的准确度. 关键词:QRS波群;ST段;小波;特征参数提取;最小二乘多项式拟合 中图分类号:TP18文献标志码:A ShaperecognitionalgorithmforST-segmentofECGsignal WANGZhen—xing,ZHANGSi-jie,ZENGXiao-ping (CollegeofCommunicationEngineering,ChongqingUniversity,Chongqing400044,China) Abstract:ConcerningthelowaccuracyandeasilybeinginterferedbynoiseofECGdiagnosisofST-segment,aST- segmentdetectionalgorithmbasedonleast— squarepolynomialfittingwasproposed.FirstlyQRScomplexwasdetectedby dyadicsplinewaveletthroughMallatalgorithm,thenthecharacteristicpointssuchasTwave,onsetofQRScomplex,Jpoint, onsetofTwaveweredetected.ThesecharacteristicpointswereusedtOjudgethedirectionofST—segment,andthentheST— segmentwasclassifiedintolinetypeandcurvetype,finallytheslopeoflinetypeSTsegmentandconeavo—convexdirectionof curvetypeST— segmentweredeterminedthroughusingpolynomialfittingalgorithm.Thisalgorithmwasceaifiedbythe simulationexperimentonthesignalsofMIT—BIHdatabase,andtheaccuracyofST— segmentshaperecognitionwasmorethan 90%.TheexperimentalresultsshowthatthealgorithmreducesthenoiseinterferenceofcharacteristicdetectionofST— segment,andimprovestheaccuracyofST-segmentdetection. Keywords:QRScomplex;ST--segment;wavelet;Characteristicparameterextraction;least?-squarepolynomialfitting 0引言 心电(electrocardiogram,ECG)信号中的sT段是从QRS 波群终点到T波起点的子段,是心室除极后至复极前一段持 续时间较长的一段过程,随后的T波是心室复极的过程…. 当心肌发生病变时,sT段会出现抬高,压低,形态变化,持续 时间延长或缩短等情况.因此,准确地识别心电sT段,对于 心肌缺血,心肌梗塞,冠心病等诊断具有很重要的意义.图1 是一个典型的心电信号波形图. 图1典型心电信号波形 在以往的研究中,一般仅仅对T波进行定位,具体涉 及到sT段的分类识别的工作比较少.目前常用的sT段检测 算法有多项式逼近sT段算法以及神经网络算法,这些 算法虽然在识别的准确度上有所提高,但是存在着计算量过 大,容易受噪声干扰以及实际操作难度较大的问. 为了进一步提高sT段识别的准确度,减少计算量,并且 简化sT段形态识别的流程.本文提出了基于最小二乘多项 式拟合sT段识别算法,在小波变换检测出心电波群的基础 上,将偏移电平,曲线类型,斜率和凹凸度这4个特征作为sT 段识别的. 1最小二乘多项式拟合原理 对于原始曲线上的一组数据(,Y),需要求得一个m次 多项式: Y()=a0+a1+…+amx 使得原始曲线上的点到这段多项式曲线的距离平方和最 小,亦即使得下式取得最小值: ?=E(y一】,())=r(a.,.:,…,an) 要使上式在各个变量处取得最小值,需要F(a.,u,…, u)在每个变量处的偏导数为0,对应的方程如下: OF =一2(y一)=0 收稿日期:2011—04—22;修回日期:2011—06—13.基金项目:国家自然科学基金资 助项目(60971016). 作者简介:汪振兴(1988,),男,湖北仙桃人,硕士研究生,主要研究方向:人工智能,模 式识别;张思杰(1967一),男,重庆人,副教授,博 士,主要研究方向:生物医学图像处理,生物医学信号检测与处理;曾孝平(1956一), 男,四川广安人,教授,博士生导师,主要研究方向:宽带无 线通信,信号与信息处理. 2812计算机应用第3l卷 整理得到如下方程组: fn..+o?+…+.?=?Y I''' {n.?辑+.,?+…+.?=?yl'i=1'' 【n.?+..?"+….?2=~_ Yix 通过解上述方程组得到该多项式的系数o.,.一,o.在 本文中,主要用到直线拟合和二次多项式拟合,对于直线拟 合,可以取m=1,即得到拟合直线的方程;对于二次多项式 拟合,取m=2,得到拟合曲线的方程.直线拟合为多项式拟 合的特殊情况. 2ST段检测算法 正常的心电sT段与等电位线基本持平,间或有轻度的偏 移.sT段自动检测一般包含两个方面的检测内容:sT段偏 移电平,一般采用sT段信号平均幅值与QRS波群起点之间 的电平差值作为偏移电平;ST段曲线类型,一般可以简单地 分为直线型和二次曲线型. sT段按照偏移电平的大小可以分为正常sT段,压低型 sT段和抬高型sT段.压低型sT段是心肌缺血最常见的 心电图特征,当压低型sT段持续超过一定时间,就可以为病 情诊断提供准确的依据.结合sT段形态,可以将压低型sT 段初步分为水平型压低,下垂型压低,下陷型压低,上斜型压 低.图2是这4种形态sT段的示意图. (a)水平压低(b)下垂压低(c)下陷压低(d)上斜压低 图2ST段压低的心电波形 抬高型sT段一般可以分为水平抬高,上斜抬高,弓背向 下抬高和弓背向上抬高,对应的4种形态ST段示意图如图3 所示. 儿(a)水平抬高(b)上斜抬高(c)弓背向下抬高(d)弓背向上抬高 图3ST段抬高的心电波形 2.1T波起点和J点的检测 T波起点是在T波左端第一个斜率突变点,T波通常采 用差分法或者测斜率的方法来检测,但是这些方法容易受到 高频噪声的干扰.本文采用局部变换的方法来检测T波 起点,局部变换的基本思想是将检测区域的起始点和终止点 连接成一条直线,然后计算区域中每个点的函数值与直线上 该点对应的幅值的差值,差值的极值点为检测区域中斜率突 变处. 具体的检测算法如下: 1)在用二次样条小波分解ECG信号,并且检测出QRS 波群和T波的基础上,取QRS波群中的S波峰值点和T 波峰值点之间区域作为sT段检测区域. 2)在s波峰值点和T波峰值点之间作一条直线,并求出 直线的方程为: D(n)=I(n)一Y(n)I 其中:(n)为检测区域横坐标为n的点对应的心电信号电 幅值,S和分别对应S波峰值点和T波峰值点的横坐 标. 4)求出D(n)的极值,取靠近S波峰的极值点,作为j 点,即QRS波群的终点;取靠近T波峰的极值点,作为T波起 点. 2.2QRS波群起点检测 QRs波群的起点对应于Q波峰左端第一个斜率突变点, 采用与检测T波起点和J点相同的局部变换算法来检测QRS 波群的起点,但是检测区域有所不同,检测区域需要根据心率 来做调整,一般取Q波峰值左端50ms区域作为检测区域. 图5是对MIT—BIH心电数据库102号文件,取Q波峰值 点左端50ms区域作为检测区域,从左到右依次检测到QRS 波群起点,R波峰值点,J点,T波起点和T波峰值点的结果 图. 童 墨心 采样时间/ms 图g正常心电信号特征点检测 采样时】/ms 图5双R波峰信号特征点检测 2.3ST段偏移电平检测 sT段偏移电平检测一般采用传统的J+x法,R+x法 和T波起点法.J+x法是将J点之后X处的点作为sT 段的检测点,R+x法是将R波峰之后处的点作为sT段检 测点,T波起点法是直接将T波起点作为sT段检测点,提取 出sT段检测点之后再与QRS波起点电压幅值比较,得到sT 段的偏移电平值.上述3种方法,都是用sT段中某一个具有 代表性的点作为检测点,计算偏移电平,这些方法的稳定性不 好,抗噪声干扰能力不高,对于sT段的各种形态的适应性也 不强. 本文采用平均幅值的办法来确定sT段的偏移电,sT 段为QRS波群终点J点到T波起点之间的子段,设ECG信 sT段平均幅值为,在QRS波群起点处的ECG信号幅值 为(),则偏移电平为: DsT=X一(n0) 根据D的值来确定ST段的偏移方向:如果D>d,则 sT段抬高,一般d1取0.2mV;如果d2<DsT<d1,则ST段正 常;如果D鲫<d2,则判定sT段压低,一般d2取区间 [一0.2mV,一0.1mV]内的某个值,如心绞痛发作时sT段降 g,覃)I颦妲'审 第l0期汪振兴等:心电信号sT段形态识别算法2813 低超过0.1mV,心肌缺血时sT段降低超过0.2mV. 2.4ST段分类算法 2.4.1ST段曲线类型确定 sT段曲线类型的确定是sT段形态识别的关键.通常, 在sT段抬高的情况下,将J点到T波峰值点之间的区域作为 sT段的分析区间;其他情况下,则将J点到T波起点之间的 区域作为sT段的分析区间. 具体的检测步骤为: 1)设sT段分析区间的起始点为n与n:,相应的ECG信 号幅值为(n)与(n:),连接sT分析区间起始点的直线方 程为: y(n):(n)+(n—n)兰)_ I"na~+..?+.:?=?Y l' {..?.+.?+.:?=? I''' 【..?+..?+.:?=?Y 3)根据求得的a.,a,a来确定该二次方程曲线的凹凸 情况:如果a:<0,则ST段曲线弓背向上;如果a>0,则ST 段曲线弓背向下. 3实验结果 取MIT—BIH心电数据库中的108号数据文件进行ST段 分析,得到如图6所示的结果. 2)计算起点和终点之间的所有点到该直线的距离,并求 取距离的平均值,作为sT段曲线类型判定的依据.在以采样 时间为横坐标,心电信号幅值为纵坐标的心电图中,横坐标为 n的点,距离该直线的距离为:u d(n) I[x(n2)一x(n1)]?n一(一n1)?(n)+n2?(n1)一nl?(n2)l与 ~/[x(n2)一x(n1)]+(一n1) 3)设求得的距离平均值为d(n),如果d(n)<d,则可以 判定为直线型的sT段;否则,视为曲线型sT段. 经过多次实验验证,该阈值d随着心率的不同存在差异, 具体数值可以通过实验数据统计获得.以MIT—BIH心电数 据库数据为例:105号数据文件阈值d取0.04;108号数据文 件阈值d取0.02,此时可以正确地区分sT段曲线类型. 2.4.2ST段形态识别 在sT段曲线类型确定之后,需要进一步地确定sT段的 形态,如果是直线型sT段,则多项式拟合次数为1,并且求出 sT段的斜率;如果是曲线型的sT段,则多项式拟合次数为2, 则需要判断sT段的凹凸方向. 对于直线型的sT段,设sT段拟合直线方程为Y()= ao+口1,具体的步骤如下: 1)设ST段的点为(,Y1),分别求得?,?2,?Y, ?Y的值,其中n为ST段包含的心电信号点数. 2)根据下面的二元一次方程组求得a.和a的值: [na.+.?=?Y {' 【00?x,i+n?=?Y 3)得到sT段的拟合直线方程为: Y()=a0+al 其中a为sT段拟合直线的斜率. 对于曲线型的sT段,需要用二次曲线来进行拟合,设该 二次曲线方程为: y(x)=a0+al+口2 具体步骤如下: 1)设sT段所有点(,Y),求得 ??Y.,?Y,?Yl的值.i=1i=1i=1i=1 ?Xi,?2,?i=li=1i=l 2)求得下面的三元一次方程组的解: 采样时间/ms 图6ST段的检测 按照上述算法,将图6从左到右6个sT段编号为1,2,3, 4,5,6号sT段,具体的形态识别情况如下 表1ST段的分类识别 取MIT—BIH心电数据库中的100号,102号,103号,105 号,108号,113号数据文件中的240个心拍进行sT段识别, 以手动标记的sT段形态作为检测标准,得到的检测情况如 表2所示. 表2心电信号sT段识别结果 4结话 本文创新点在于用二次样条小波变换检测到QRS波终 点,T波起点并确定ST段的区域之后,改进了判断sT段曲线 类型的标准,将sT段所有点到sT段起始点之间直线的距离 平均值作为检测的标准,降低了噪声对检测的影响;在判定 sT段类型之后,采用基于最小二乘多项式拟合的方法来确定 sT段的斜率或者凹凸情况.本文算法根据拟合得到的多项 (下转第28l7页) 第1O期周钰婷等:模拟退火免疫粒子群算法在皮肤电信号情感识别中的应用 2817 (Anger),高兴(Joy),悲伤(Grief),恐惧(Fear),惊奇(Surprise) 和厌恶(Disgust)时,基于SA.IPSO算法进行特征选择得到GSR 信号情感识别效果都很好.其中恐惧(Fear)的识别效果最好, 然后分别是惊奇(Surprise),厌恶(Disgust),愤怒(Anger),高兴 (Joy)悲伤(Grief).用新的数据集,对基于SA—IPSO算法选出 最优特征组合后训练出来的分类系统进行推广性验证,结果如 图3中验证数据集ROC平面所示.分析图中6个坐标点的位 置以及同对角线的距离可以看到,其识别结果仍然较好.验证 结果表明,通过SA—IPSO算法选出的最优特征组合对情感识别 是有效的. 谎报率(FPR) (a)测试数据集Roc平面 谎报率(FPR) (b)验证数据集R0c平面 图3基于SA—IPSO算法的GSR信号情感识别ROC平面图 5结语 本文用GSR信号对高兴,惊奇,厌恶,悲伤,愤怒,恐惧6 种情感进行识别,针对GSR信号的特点,用Hamming窗函数和 Batterworth低通滤波器进行平滑和降噪之后提取出30个统计 特征,将模拟退火思想,生物免疫机制引入粒子群算法进行特 征选择.实验仿真结果说明能从GSR信号中找出与情感相联 系的特征组合,在特征选择过程中将模拟退火机制引入到免疫 粒子群算法中,降低了最优特征组合的维数,取得了较好的识 别效果. 参考文献: [1]AGRAWALP,LIUC,SARKARN.Interactionbetweenhumanand robot:Anaffect—inspiredapproach[J】.InteractionStudies,2008,9 (2):230—257. [21KULICD,CROFTEA.Affectivestateestimationforhuman—robot interaction[J】.IEEETransactionsODRobotics,2007,23(5):991— 1000. [3】ZENGZH,PANTICM,ROISMANGI,eta1.Asurveyofaffect recognitionmethods:audio,visual,andspontaneousexpressions [J].IEEETransactionsonPatternAnalysisandMachineIntelli- gence,2009,31(1):39—58. [4】PICARDRW,VYZASE,HEALEYJ.Towardmachineemotional intelligence:Analysisofaffectivephysiologicalstate[J].IEEE TransactionsonPatternAnalysisandMachineIntelligence,2001,23 (10):1175—1191. [5】KIMJ,ANDREE.Emotionrecognitionbasedonphysiologicalchan? gesinmusiclistening[J].IEEETransactionsonPatternAnalysisand MachineIntelligence,2008,30(12):2067—2083. [6]KIMKH,BANGSW,KIMSR.Emotionrecognitionsystemusing short—termmonitoringofphysiologicalsignals[J】.MedicalandBio— logicalEngineeringandComputing,2004,42(3):419—427. 【7]KAPOORA,BURLESONW,PICARDRW.Automaticprediction offrustration[J].InternationalJournalofHuman-ComputerStudies, 2007,65(8):724—736. [8]BRADLEYMM,LANGPJ.Me~ufingemotion:behavior,feeling andphysiology【C】//CognitiveNeuroscienceofEmotion.NewYork: OxfordUniversityPress,2000:242—276. [9]LANGPJ.Emotionandmotivation:Attention,perception,andae— tion【J].JournalofSportandExercisePsychology,2000,22:S122 一 S140. 【10】HEALEYJ,PICARDRW.Digitalprocessingofaffectivesignals 【EB/OL].[2010—01—01].~conference—papers/ Intemational_ Conference/ICASSP%201998/pdf/author/ic982285.p [11]KENNEDYJ,EBERHARTR.Particleswarlnoptimization[C]// ProceedingsofIEEEInternationalConferenceonNeuralNetworks. Piscataway,NJ:IEEEPress,1995:1942—1948. [12】EBERHARTR,KENNEDYJ.Anewoptimizerusingparticleswail~ theory[C]//ProceedingsoftheSixthInternationalSymposiumonMi- croMachineandHumanScience.Piscataway,NJ:IEEEPress, 1995:39—43. [13]李丽,牛奔,粒子群优化算法[M].北京:冶金工业出版社,2009: 85—90. [14】WUGUANGHUA,LIUGUANGYUAN.Theanalysisofemotionrec— ognitionfromGSRbasedonPSO【C】//Proceedingsof2010Interna— tionalSymposiumonIntelligenceInformationProcessingandTrusted Computing(IPTC).Piscataway,NJ:IEEEPress,2010:28—29. (上接第2813页) 式系数来判断sT段的具体形态,经过MIT—BIH心电数据库 数据验证,检测的准确度普遍在90%以上. 参考文献: 【1]卢喜烈.动态心电图[M].天津:天津科学技术出版社,2004:80 — 85. 【2】师黎,杨岑玉,费敏锐等.基于小波变换的心电信号R波及sT 段的提取[J】.仪器仪表,2008,29(4):804—809. [3】JEONGGY,YUKH,KIMNG.Apolynomialapproximation印一 proachforanalyzingSTshapechange[C]//Proceedingofthe2005 IEEEEngineeringinMedicineandBiology27thAnnualConfer- ence.Piscataway,NJ:IEEEPress,2005:4034—4037. [4】刘海龙,唐奇伶.基于径向基函数神经网络的心电图sT段形态 识别【J].生物物理,2005,21(6):457-463. 【5]卢喜烈,李中建,石亚君.21世纪I临床心电图教学图谱【M].济 南:山东科学技术出版社,2003:67—72. [6]范晓东,朱泽煌.心电信号特征点定位算法[J].北京生物医学工 程,1996,15(1):15—17. [7]林宛华,汪家旺,杨涛,等.正交小波变换的快速算法在心电QRS 波检测中的应用[J】.中国医学物理学杂志,2008,25(6):903— 906. 【8】张和君,张跃.基于小波变换的心电信号综合检测算法研究【J】. 计算机工程与,2006,27(20):3831—3834. [9]俞向明,张跃.实时心电信号监控中sT段改变检测方法[J].计 算机工程,2009,35(18):252—256. [10】SAHAMBIJS,TANDONSN,BHATYRKP.WaveletbasedST— segmentanalysis[J】.Medical&BiologicalEngineering&Compu— ring,1998,36(5):568—572.