本文旨在分析單次室性早搏后竇性心率RR間期的變化趨勢,與震蕩起始(TO)和震蕩斜率(TS)參數對照。在采集竇性心律震蕩的樣本后,采用一種分段線性化的方法來提取其線性特征,進而通過云模型用自然語言來表示震蕩形態;在采集樣本的過程中,本文采用指數平滑法預測QRS波出現位置來輔助QRS波的檢測,利用新的輪廓限圍方法判斷竇性心律。利用Matlab仿真工具,選擇MIT-BIH心率失常數據庫中信號進行驗證,能正確檢測出單次室性早搏后竇性心率的變化趨勢。該算法能實現竇性心律震蕩(HRT)的實時檢測,并且實現簡單,是一種有效的輔助檢測方法。
引用本文： 尹文楓, 趙捷, 陳甜甜, 張軍建, 張春游, 李大鵬, 安佰京. 基于云模型的竇性心率震蕩形態表示. 生物醫學工程學雜志, 2014, 31(2): 279-282. doi: 10.7507/1001-5515.20140052 復制
引言
竇性心率震蕩(heart rate turbulence,HRT)是指一次伴有代償間歇的室性期前收縮后出現竇性心率先加速，隨后減速的現象，能反映心臟的自主神經功能，目前已成為心電生理研究的新熱點。
盡管HRT在預測心肌梗死后高危患者中具有很大價值,且研究范圍涉及其它心血管疾病及非心血管疾病,但是HRT的影響因素眾多,測量方法尚未標準化,并且測量參數正常參考值存在爭議，所以這項無創性監測手段仍存在一定局限,需與其他預測指標聯合以提高其敏感度、特異度、預測陽性正確值。本文直接分析室性早搏后竇性心率RR間期的變化趨勢，輔助HRT檢測的基本指標，從而提高診斷的正確度。
1 HRT檢測的基本指標
臨床應用最廣泛的HRT測量指標為震蕩起始(turbulence onset ,TO)和震蕩斜率(turbulence slope ,TS)。
(1) TO： 代表室性早搏后的竇性心率出現先加速現象。計算公式為
| $TO=\frac{(R{{R}_{1}}+R{{R}_{2}})-(R{{R}_{-1}}+R{{R}_{-2}})}{R{{R}_{-1}}+R{{R}_{-2}}},$ |
式中RR1、RR2分別為室性早搏后前兩個竇性RR間期，RR-1、RR-2為室性早搏前的兩個竇性RR間期。TO的中性值為0，TO＜0，表示室性早搏后初始竇性心率加速；TO≥0，則表示室性早搏后初始心率減速。
(2) TS： 定量分析室性早搏后是否存在竇性心率減速現象，首先測定室性早搏后前20個竇性RR間期值，依次以任意連續5個竇性心律的RR間期值計算并作出回歸線，其中正向最大斜率即為TS的結果。TS的中性值為2.5 ms/RRI，TS值＞2.5 ms/RRI，表示竇性心律加速后存在減速現象；TS值≤2.5 ms/RRI，則表示竇性心律不存在減速現象[1]。
2 HRT的樣本采集和形態表示
2.1 信號預處理
根據便攜式心電監護系統的統一要求，通過插值抽取將從美國麻省理工學院的MIT-BIH數據庫中應用的ECG信號采樣頻率，由360 Hz統一轉換到200 Hz。對于ECG信號中含有的基線漂移、工頻基波及其諧波干擾、肌電干擾等，本文采用bior2.2小波進行三層分解重構結合改進的閾值算法來消除[2]。繼而采用如圖 1所示流程從ECG信號中提取HRT樣本。
圖1
樣本采集流程圖
Figure1.
Sample flow chart
2.2 一次指數平滑法預測RR間期
本文取自學習過程內RR間期的平均值作為預測的初始值RR1(0) 。對自學習過程之后的30 s數據采用一次離散指數平滑法預測R峰位置PR，即,PR(i+1)-PR(i)+RR1(i+1)，RR1(i+1)=RR1(i)+α(RR-RR1(i)),0 ＜α＜1，式中的α為平滑系數，RR1為RR間期的預測值。當α在0.6～0.8之間選值時，預測模型靈敏度高。本文選取α=0.8，以適應發生室性早搏時RR間期的迅速變化。隨后在預測位置附近檢測QRS波。
2.3 QRS波的檢測
每次在預測R峰位置左右200 ms范圍內搜索｜d3(i)｜的最大值cmax，重新確定可變高度閾值
| $thqrs=\left\{ \begin{array}{*{35}{l}} 0.39*mean\_\max & cmax>2*mean\_\max \\ 0.32*mean\_\max & cmax＜0.4*mean\_\max \\ 0.3*mean\_\max +0.24*cmax & else \\ \end{array} \right\},$ |
｜d3(i)｜是小波分解第三層的絕對值，mean_max是10個R峰的幅度均值; 重新搜索此段數據，當檢測到大于thqrs的點時，便可得到QRS波群的位置Pqrs(i)，再依據R峰對應小波分解第三層上模極大值對的過零點，確定R峰位置PR，進而標定QRS波；計算RR間期，RR(i)=PR(i)-PR(i-1)。確定第i個QRS波起點和終點Eqrs(i)后，計算其寬度Dqrs(i)=Eqrs(i)-Sqrs(i)。
2.4 正常心拍模板的建立
自學習程序取每個QRS波的R峰前20點和后30點的數據作為一個正常心拍序列，然后將此10 s數據中所有竇性心拍序列的均值作為一個正常的心拍模板。將正常心拍模板作為“輪廓限圍”的基準波形[3]，有此基準波形可以構造一個波形輪廓的上限與下限，組成波形檢測的輪廓窗口。若波形落入輪廓窗口內，其與基準波形的均方誤差值小于輪廓波形與基準波形的均方誤差值。由此計算此10 s數據中所有竇性心拍與心拍模板的均方誤差wch(i),取wch最大值的倍為模板閾值thbeat，即thbeat=。
2.5 HRT的檢測
對檢測到的每一個QRS波首先判斷其是否為期前收縮，條件為RR(i)＜RR_Threshold，RR_threshold為RR間隔閥值，RR_Threshold=4/5mean(RR(i)),i=1,2…7，如果條件成立,進而判斷其是否是室性波，如果李氏指數和波群寬度滿足Liqrs(i)=1且80 ms＜Dqrs(i)＜120 ms或者滿足Liqrs(i)=0且Dqrs(i)≥120 ms,則為室性波[4]，即當前心博為室性早搏，否則為其他類型期前收縮；若非期前收縮，則提取出當前心拍vc_val(i)，計算其與正常心拍normal_beat的均方誤差van，若van＜thbeat，則為竇性心搏。
若檢測到室性早搏并且之前三個心搏均為竇性心搏，則將聯律間期和之前兩個竇性間期存入RR_hrt向量。若之后出現非竇性心搏，則RR_hrt清零，否則繼續將RR間期存入RR_hrt，直到LR=24，隨即開始計算TO、TS參數。
2.6 分段線性化
經過以上處理后采集到的所有樣本逐點求平均，得到RR間期平均值序列RR_mean，將RR_mean向量中室早后20個竇性RR間期作為一個新的序列，尋找分段點的過程如下：
(1) 初始分段點： 通過4次多項式曲線擬合的方法序列可近似表示為，其中pi為擬合得到的多項式系數，x為室早后RR間期的序號。將函數fx的極值點、起始點、終點作為初始分段點。
(2) 更新分段點： 當點到直線的垂直距離[5]達到最大時，對應的三角形的面積也達到最大，所以本文采用計算三角形面積的方式來尋找分段點。
依據海倫公式p=(a+b+c)/2,，計算分段內每點與兩端點構成的三角形的三條邊長a、b、c和面積S(i)。取面積閾值為段內各點的S的平均值，即ths=mean(S(i))。對段內各點依據S排序，選取滿足S(i)＞ths的S最大值點作為新的分段點。此過程迭代進行，直至結果一致。
(3) 融合相鄰分段：由于室早后RR間期的波動可能很劇烈且頻繁，本文意在提取隱藏在波動中的線性特征，所以將SEEP方法[6]改進后作為融合手段。若左右相鄰分段點位于分段點異側則直接融合這兩個分段，位于同側則按SEEP方法判斷是否要融合。
更新分段點后將每個分段的線性回歸斜率存入slope向量。如果相鄰分段斜率變化率｜slope(i)-slope(i+1)｜≤2.5 ms/RRI或slope(i)*slope(i+1)＞0，則融合這兩個分段，隨后執行步驟4。
(4) 計算線性回歸斜率： 按分段計算線性回歸斜率，再次重復步驟3，直到沒有相鄰分段需要融合。
經過以上處理得到的分段點即為目標分段點，按此分段計算得到的斜率slope(i)再轉換為傾斜角度angle(i)，angle就是要提取的線性特征。
2.7 基于云模型的形態表示
首先建立圖 2所示形態概念樹，隨后依據angle(i)在形態概念樹上選取概念集，每個概念集包含3個由正態云模型[7]表示的基本概念。將第i個直線段的傾斜角度angle(i)依次代入相應概念集中3個概念的正態云模型方程Ai,得到angle(i)屬于此概念的隸屬程度。選擇最大隸屬程度的概念作為結果,如果對兩個概念的隸屬程度相同,則隨機選取一概念。如此便可以將連續的傾斜角度轉換為有限的自然語言概念集來表示。
圖2
形態概念樹
Figure2.
Concept tree
3 結果及分析
本文選用MIT/BIH心律失常數據庫數據作為研究的主要數據來源和算法檢驗評估標準，對所有信號進行了檢測。在此僅以215號信號和114號信號為例，采集到的HRT樣本如圖 3所示，計算出其TO、TS，部分結果列入表 1；然后將每個信號的所有樣本逐點求平均，得到RR間期平均值序列，再次計算TO、TS，并且按本文的方法進行形態表示，結果列入表 2。在進行定量計算前根據德國的生物信號分析工作小組提倡的RR間期篩選標準[8]，來過濾RR間期。為避免丟失數據，本文將不滿足條件的RR間期值置為參照間期值。
圖3
ECG信號的HRT樣本
Figure3.
HRT sample of ECG signals
表1
HRT檢測部分結果
Table1.
Some results of HRT test
圖 4中星號*表示分段點，直線表示線性回歸線。由圖 4(b)可以看出，雖然TO＞0，但竇性心率初始存在加速的趨勢。由圖 4(a)可看出，竇性心率初始存在減速的趨勢，正如指標TO＞0指示的一樣。顯然僅憑室早后前兩個竇性RR間期與室早前兩個竇性RR間期的比較，無法準確的判斷室性早搏后初始竇性心率的變化。室早后竇性心率可能出現多次震蕩，表 2中對于信號的形態表示完整的表述了其震蕩過程，如215信號就經歷了兩次先緩慢減速后緩慢加速的過程。
圖4
RR間期平均值序列
(a)215信號；(b)114信號
Figure4. Average sequence of RR intervals(a)N.215 signal； (b)N.114 signal
表2
RR間期平均值序列形態表示
Table2.
Average sequence of RR intervals shape representation
由此可見，本文提出的方法對單次室早后竇性心率的變化趨勢的檢測有較好的準確度，實現簡單，適合實時處理，可作為TO/TS檢測的輔助手段，進行算法優化后可嵌入到心電檢測儀器中實現應用。
引言
竇性心率震蕩(heart rate turbulence,HRT)是指一次伴有代償間歇的室性期前收縮后出現竇性心率先加速，隨后減速的現象，能反映心臟的自主神經功能，目前已成為心電生理研究的新熱點。
盡管HRT在預測心肌梗死后高危患者中具有很大價值,且研究范圍涉及其它心血管疾病及非心血管疾病,但是HRT的影響因素眾多,測量方法尚未標準化,并且測量參數正常參考值存在爭議，所以這項無創性監測手段仍存在一定局限,需與其他預測指標聯合以提高其敏感度、特異度、預測陽性正確值。本文直接分析室性早搏后竇性心率RR間期的變化趨勢，輔助HRT檢測的基本指標，從而提高診斷的正確度。
1 HRT檢測的基本指標
臨床應用最廣泛的HRT測量指標為震蕩起始(turbulence onset ,TO)和震蕩斜率(turbulence slope ,TS)。
(1) TO： 代表室性早搏后的竇性心率出現先加速現象。計算公式為
| $TO=\frac{(R{{R}_{1}}+R{{R}_{2}})-(R{{R}_{-1}}+R{{R}_{-2}})}{R{{R}_{-1}}+R{{R}_{-2}}},$ |
式中RR1、RR2分別為室性早搏后前兩個竇性RR間期，RR-1、RR-2為室性早搏前的兩個竇性RR間期。TO的中性值為0，TO＜0，表示室性早搏后初始竇性心率加速；TO≥0，則表示室性早搏后初始心率減速。
(2) TS： 定量分析室性早搏后是否存在竇性心率減速現象，首先測定室性早搏后前20個竇性RR間期值，依次以任意連續5個竇性心律的RR間期值計算并作出回歸線，其中正向最大斜率即為TS的結果。TS的中性值為2.5 ms/RRI，TS值＞2.5 ms/RRI，表示竇性心律加速后存在減速現象；TS值≤2.5 ms/RRI，則表示竇性心律不存在減速現象[1]。
2 HRT的樣本采集和形態表示
2.1 信號預處理
根據便攜式心電監護系統的統一要求，通過插值抽取將從美國麻省理工學院的MIT-BIH數據庫中應用的ECG信號采樣頻率，由360 Hz統一轉換到200 Hz。對于ECG信號中含有的基線漂移、工頻基波及其諧波干擾、肌電干擾等，本文采用bior2.2小波進行三層分解重構結合改進的閾值算法來消除[2]。繼而采用如圖 1所示流程從ECG信號中提取HRT樣本。
圖1
樣本采集流程圖
Figure1.
Sample flow chart
2.2 一次指數平滑法預測RR間期
本文取自學習過程內RR間期的平均值作為預測的初始值RR1(0) 。對自學習過程之后的30 s數據采用一次離散指數平滑法預測R峰位置PR，即,PR(i+1)-PR(i)+RR1(i+1)，RR1(i+1)=RR1(i)+α(RR-RR1(i)),0 ＜α＜1，式中的α為平滑系數，RR1為RR間期的預測值。當α在0.6～0.8之間選值時，預測模型靈敏度高。本文選取α=0.8，以適應發生室性早搏時RR間期的迅速變化。隨后在預測位置附近檢測QRS波。
2.3 QRS波的檢測
每次在預測R峰位置左右200 ms范圍內搜索｜d3(i)｜的最大值cmax，重新確定可變高度閾值
| $thqrs=\left\{ \begin{array}{*{35}{l}} 0.39*mean\_\max & cmax>2*mean\_\max \\ 0.32*mean\_\max & cmax＜0.4*mean\_\max \\ 0.3*mean\_\max +0.24*cmax & else \\ \end{array} \right\},$ |
｜d3(i)｜是小波分解第三層的絕對值，mean_max是10個R峰的幅度均值; 重新搜索此段數據，當檢測到大于thqrs的點時，便可得到QRS波群的位置Pqrs(i)，再依據R峰對應小波分解第三層上模極大值對的過零點，確定R峰位置PR，進而標定QRS波；計算RR間期，RR(i)=PR(i)-PR(i-1)。確定第i個QRS波起點和終點Eqrs(i)后，計算其寬度Dqrs(i)=Eqrs(i)-Sqrs(i)。
2.4 正常心拍模板的建立
自學習程序取每個QRS波的R峰前20點和后30點的數據作為一個正常心拍序列，然后將此10 s數據中所有竇性心拍序列的均值作為一個正常的心拍模板。將正常心拍模板作為“輪廓限圍”的基準波形[3]，有此基準波形可以構造一個波形輪廓的上限與下限，組成波形檢測的輪廓窗口。若波形落入輪廓窗口內，其與基準波形的均方誤差值小于輪廓波形與基準波形的均方誤差值。由此計算此10 s數據中所有竇性心拍與心拍模板的均方誤差wch(i),取wch最大值的倍為模板閾值thbeat，即thbeat=。
2.5 HRT的檢測
對檢測到的每一個QRS波首先判斷其是否為期前收縮，條件為RR(i)＜RR_Threshold，RR_threshold為RR間隔閥值，RR_Threshold=4/5mean(RR(i)),i=1,2…7，如果條件成立,進而判斷其是否是室性波，如果李氏指數和波群寬度滿足Liqrs(i)=1且80 ms＜Dqrs(i)＜120 ms或者滿足Liqrs(i)=0且Dqrs(i)≥120 ms,則為室性波[4]，即當前心博為室性早搏，否則為其他類型期前收縮；若非期前收縮，則提取出當前心拍vc_val(i)，計算其與正常心拍normal_beat的均方誤差van，若van＜thbeat，則為竇性心搏。
若檢測到室性早搏并且之前三個心搏均為竇性心搏，則將聯律間期和之前兩個竇性間期存入RR_hrt向量。若之后出現非竇性心搏，則RR_hrt清零，否則繼續將RR間期存入RR_hrt，直到LR=24，隨即開始計算TO、TS參數。
2.6 分段線性化
經過以上處理后采集到的所有樣本逐點求平均，得到RR間期平均值序列RR_mean，將RR_mean向量中室早后20個竇性RR間期作為一個新的序列，尋找分段點的過程如下：
(1) 初始分段點： 通過4次多項式曲線擬合的方法序列可近似表示為，其中pi為擬合得到的多項式系數，x為室早后RR間期的序號。將函數fx的極值點、起始點、終點作為初始分段點。
(2) 更新分段點： 當點到直線的垂直距離[5]達到最大時，對應的三角形的面積也達到最大，所以本文采用計算三角形面積的方式來尋找分段點。
依據海倫公式p=(a+b+c)/2,，計算分段內每點與兩端點構成的三角形的三條邊長a、b、c和面積S(i)。取面積閾值為段內各點的S的平均值，即ths=mean(S(i))。對段內各點依據S排序，選取滿足S(i)＞ths的S最大值點作為新的分段點。此過程迭代進行，直至結果一致。
(3) 融合相鄰分段：由于室早后RR間期的波動可能很劇烈且頻繁，本文意在提取隱藏在波動中的線性特征，所以將SEEP方法[6]改進后作為融合手段。若左右相鄰分段點位于分段點異側則直接融合這兩個分段，位于同側則按SEEP方法判斷是否要融合。
更新分段點后將每個分段的線性回歸斜率存入slope向量。如果相鄰分段斜率變化率｜slope(i)-slope(i+1)｜≤2.5 ms/RRI或slope(i)*slope(i+1)＞0，則融合這兩個分段，隨后執行步驟4。
(4) 計算線性回歸斜率： 按分段計算線性回歸斜率，再次重復步驟3，直到沒有相鄰分段需要融合。
經過以上處理得到的分段點即為目標分段點，按此分段計算得到的斜率slope(i)再轉換為傾斜角度angle(i)，angle就是要提取的線性特征。
2.7 基于云模型的形態表示
首先建立圖 2所示形態概念樹，隨后依據angle(i)在形態概念樹上選取概念集，每個概念集包含3個由正態云模型[7]表示的基本概念。將第i個直線段的傾斜角度angle(i)依次代入相應概念集中3個概念的正態云模型方程Ai,得到angle(i)屬于此概念的隸屬程度。選擇最大隸屬程度的概念作為結果,如果對兩個概念的隸屬程度相同,則隨機選取一概念。如此便可以將連續的傾斜角度轉換為有限的自然語言概念集來表示。
圖2
形態概念樹
Figure2.
Concept tree
3 結果及分析
本文選用MIT/BIH心律失常數據庫數據作為研究的主要數據來源和算法檢驗評估標準，對所有信號進行了檢測。在此僅以215號信號和114號信號為例，采集到的HRT樣本如圖 3所示，計算出其TO、TS，部分結果列入表 1；然后將每個信號的所有樣本逐點求平均，得到RR間期平均值序列，再次計算TO、TS，并且按本文的方法進行形態表示，結果列入表 2。在進行定量計算前根據德國的生物信號分析工作小組提倡的RR間期篩選標準[8]，來過濾RR間期。為避免丟失數據，本文將不滿足條件的RR間期值置為參照間期值。
圖3
ECG信號的HRT樣本
Figure3.
HRT sample of ECG signals
表1
HRT檢測部分結果
Table1.
Some results of HRT test
圖 4中星號*表示分段點，直線表示線性回歸線。由圖 4(b)可以看出，雖然TO＞0，但竇性心率初始存在加速的趨勢。由圖 4(a)可看出，竇性心率初始存在減速的趨勢，正如指標TO＞0指示的一樣。顯然僅憑室早后前兩個竇性RR間期與室早前兩個竇性RR間期的比較，無法準確的判斷室性早搏后初始竇性心率的變化。室早后竇性心率可能出現多次震蕩，表 2中對于信號的形態表示完整的表述了其震蕩過程，如215信號就經歷了兩次先緩慢減速后緩慢加速的過程。
圖4
RR間期平均值序列
(a)215信號；(b)114信號
Figure4. Average sequence of RR intervals(a)N.215 signal； (b)N.114 signal
表2
RR間期平均值序列形態表示
Table2.
Average sequence of RR intervals shape representation
由此可見，本文提出的方法對單次室早后竇性心率的變化趨勢的檢測有較好的準確度，實現簡單，適合實時處理，可作為TO/TS檢測的輔助手段，進行算法優化后可嵌入到心電檢測儀器中實現應用。
