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.