本研究通過選取QT數據庫中20例共3 569個心拍的心電數據, 對三種不單純依賴閾值的T波終點檢測算法(小波法、累積積分面積法、梯形面積法)的檢測性能進行對比分析, 評估出最適宜于臨床檢測的T波終點檢測算法。首先, 基于小波變換的多尺度分析方法定位QRS波群及T波; 然后, 將T波區分為四種形態(正向、反向、雙向:＋-/-＋), 分別采用三種算法用于T波終點的檢測; 最后, 文中提出一種基于T波形態的自適應選擇T波終點檢測算法, 并對其進行實驗驗證。結果表明:該自適應選擇方法相比單一的T波終點檢測算法, 有著更好的檢測性能, 其靈敏度、陽性預測度和時間差分別為98.93%、99.11%和(-2.33±19.70)ms。因此, 根據T波形態自適應選擇T波終點的檢測算法有助于提高T波終點的檢測效率。
引用本文： 黎承濤, 張永亮, 何子軍, 葉駿, 胡福松, 馬祖長, 王敬志. 三種T波終點檢測算法的對比研究——小波變換法、累積積分面積法及梯形面積法. 生物醫學工程學雜志, 2015, 32(6): 1185-1190, 1195. doi: 10.7507/1001-5515.20150210 復制
0 引言
心電圖(electrocardiogram，ECG)是由體表電活動組成，反映著心肌收縮與時間之間的關系。ECG中的QT間期反映了心室除復極的全過程，QT間期的延長是臨床中評估室性心律失常的重要標志[1]。
目前，QT間期提取的主要難點是T波終點位置的準確定位。但由于T波終點附近信號低頻成分豐富，易混入噪聲，因此難以準確定位T波終點的位置。Hayden等[2]研究指出，當發生缺血類心肌病時一般會引起T波形態的變化，如T波倒置、雙向等，從而對T波終點的檢測造成影響。因此，T波終點的檢測方法不僅需要保證算法檢測的精度，而且在確保實時性的同時還要能適應T波形態的變化[3]。當前，T波終點的檢測算法主要包括依靠面積[4-5]、模板匹配[6]、小波變換[7-8]、曲率[9]、統計模式識別[10]以及神經網絡[11]等方法，這些方法都不單純依賴閾值進行處理。其中，依靠模板匹配、統計模式識別以及神經網絡等方法的計算量較大，不利于實時檢測；依靠曲率的方法抗干擾能力較差，難以保證檢測精度；而對于依靠面積和小波變換的檢測方法，當T波出現正向、倒置或雙向的形態時，算法能作出相應的處理，具有較強的波形適應能力。
本研究對小波變換法和兩種經典的依靠面積的方法——累積積分面積法和梯形面積法(the trapezium’s area, TRA)的檢測性能進行對比分析，以尋找最適宜于臨床實時檢測的T波終點檢測方法。檢測結果將與QT標準數據庫[12]中的專家注釋作對比，最后通過計算靈敏度(Se)、陽性預測度(P+)、時間差(指檢測結果與標準值之間的差異)、算法耗時等指標[13]評估各算法的性能。
1 實驗材料
本研究中我們采用CPU主頻為2.0 GHz、內存為2 GB的計算機，利用Matlab 7.0軟件對各算法進行還原實現，并選取QT數據庫中的ECG數據用于評估各算法的檢測性能。QT數據庫總共有105條記錄，每個記錄包括采樣率為250 Hz的兩條時長15 min的ECG數據。該數據庫還提供了心臟病學專家對每條記錄至少30個心拍的注釋，準確標記了QRS波群、P波、T波的峰值點、起點和終點的位置及T波形態。另外QT數據庫也包含了一些來自歐洲ST-T數據庫、MIT-BIH心律失常數據庫等標準數據庫中的ECG數據。
2 研究方法
圖 1展示了本次研究的特征點自動檢測系統算法流程。首先采用小波變換對原ECG信號進行預處理并定位QRS波群及T波，然后識別出T波形態，最后三種T波終點檢測算法分別被用于T波終點檢測。
圖1
特征點自動檢測系統算法流程圖
Figure1.
Flow chart of the feature points automatic detection system
2.1 R波、T波的檢測
本研究采用小波變換對ECG信號進行預處理，用于定位ECG各波段并識別T波形態。信號f(x)的小波變換定義為：
| ${W_s}f\left(x \right)=f\left(x \right) * \varphi \left(x \right)=\frac{1}{s}\int\limits_{-\infty }^{ + \infty } {f\left(t \right)\varphi \left({\frac{{x-t}}{s}{\text{d}}t} \right)} $ |
上式中s是伸縮因子，基小波函數Ψ(x)的二進制小波變換為：ψs(x)=1/s*ψ(x/s)，其中s=2j(j∈Z)。數字信號f(x)的二進制小波變換采用Mallat算法計算得到：
| ${S_{{2^j}}}f\left(n \right)=\sum\limits_{k \in Z} {{h_k}{S_{{2^{j-1}}}}f\left({n-{2^{j-1}}k} \right)} $ |
| ${W_{{2^j}}}f\left(n \right)=\sum\limits_{k \in Z} {{g_k}{S_{{2^{j-1}}}}f\left({n-{2^{j-1}}k} \right)} $ |
上式中S2j是一個平滑算子，S2jf(n)是原始信號的低頻系數，反映整體信息；W2jf(n)是原始信號的高頻系數，反映細節信息；hk和gk分別是低通濾波器系數和高通濾波器系數。
文獻[7]中，詳細分析了二進小波變換的模極值組與信號奇異點之間的對應關系，并結合多分辨率分析原理，指出在尺度3和尺度4下可分別對R波和T波進行檢測。該方法應用于多個標準數據庫，并取得很高的檢測率[7-8]，因而本研究采用該方法作為R波、T波的定位方法。
2.2 T波形態識別
臨床中T波形態的分類，歸納起來主要有：正向波、反向波、雙向波(正負雙向和負正雙向)。文獻[8]中詳細敘述了ECG信號在尺度4下，T波形態與二進小波變換模極值組之間的對應關系，如圖 2所示：對于單向T波，對應著正負(+/-)或負正(-/+)模極值組；對于雙向T波，對應著正負正(+/-/+)或負正負(-/+/-)模極值組。
圖2
不同形態T波對應的模極值組
(a)當模極值組為+/-對時，表示反向T波；(b)當模極值組為-/+對時，表示正向T波；(c)當模極值組為+/-/+或-/+/-時，表示雙向T波
Figure2. Modulus maximum pairs corresponding to different T wave morphologies(a) +/-modulus maximum pair represents negative T wave; (b)-/+ modulus maximum pair represents positive T wave; (c) +/-/+ or-/+/-modulus maximum pair represents biphasic T wave
2.3 T波終點的檢測方法
2.3.1 小波變換法
小波變換法利用T波對應的最后一個模極值檢測T波終點位置，本研究采用小波變換法檢測R波及T波，從而易獲取T波對應的模極值位置。與采用其他T波終點檢測算法相比，本研究利用小波變換法檢測T波終點具有更高的檢測效率。
小波變換法檢測T波終點的步驟如下：根據文獻[8]所述方法，首先將原ECG信號經二進小波變換后，在尺度4下，利用模極值組過零點的方法計算出T波峰值點；然后，將最后一個模極值的位置記為nlast，取閾值ξTend=0.4W24x[nlast]；當T波為雙向型時，則將T波對應的第三個模極值的位置記為nlast；最后，當W24x[n]＞ξTend時，該點即為T波終點。
2.3.2 累積積分面積法
累積積分面積法是由Zhang等[4]于2005年提出的一種新型的T波終點檢測算法。該方法首先確定包含T波的信號段W[n]，然后計算每個序列k代表的窗口面積Ak：
| ${\bar s_k}=\frac{1}{{2p + 1}}\sum\limits_{j=k-p}^{k + p} {W\left[j \right]} $ |
| ${A_k}=\sum\limits_{j=k-w + 1}^k {\left({W\left[j \right]-{{\bar s}_k}} \right)} $ |
其中w為滑動窗寬度，p為平滑窗寬度。最后根據W[n]窗口內Ak分別達到最大、最小值的點k1和k2，通過公式(6)確定T波終點的位置：
| $\frac{1}{\lambda }{\text{ < }}\frac{{\left| {{A_{{k_1}}}} \right|}}{{\left| {{A_{{k_2}}}} \right|}}{\text{ < }}\lambda $ |
上式中λ(λ＞1)為給定閾值，當滿足公式(6)的情況下，T波終點位置為k1和k2中的較大值，即Tend=max(k1, k2)，否則T波終點的位置為在{k1, k2}范圍內使得Ak達到最大值的點，即。
2.3.3 TRA算法
TRA算法是由Vázquez-seisdedos等[5]于2010年提出。該方法需要三個固定點及一個可變點構建直角梯形，當梯形面積達到最大時，當前可變點的位置即為T波終點的位置。步驟如下。
對于單向型T波，首先在一個包含T波終點的時間區域內，取T波波峰后任一點為第一個固定點(xm, ym)，在T-P等電位段中取第二個固定點(xr, yr)，根據前兩個點得到第三個固定點(xr, ym)；然后，在[xm, xr]區間內尋找可變點(xi, yi)，并根據該四個點構建一個直角梯形；最后，當梯形面積達到最大值時，此時的xi即為當前T波終點的位置，如圖 3所示。
圖3
TRA算法檢測單向和雙向型T波終點的示意圖
Figure3.
Determination of the T-wave end (for a monophasic or biphasic wave) by the TRA
對于雙向型T波，首先計算T波的第二峰值并確定T波終點的檢測區間，然后在該區間內采用上述步驟定位T波終點。
上述累積積分面積法和TRA算法都屬于依靠面積的檢測方法，相比神經網絡、統計模式識別等方法，依靠面積的方法原理簡單，易于實現，在保證檢測精度的同時還具有很好的實時性；此外，依靠面積的檢測方法針對單向或雙向形態的T波都有相應的處理方式，從而提高了檢測算法的波形適應能力。
2.3.4 算法評估
本研究中我們通過計算靈敏度Se=TP/(TP+FN)和陽性預測度P+=TP/(TP+FP)對T波終點檢測算法的性能作定性評估[13]，并以20 ms作為T波終點檢測的允許誤差。其中TP表示真陽性結果數量，FN表示假陰性結果數量，FP表示假陽性結果數量。此外，本研究還采用時間差[8]和算法耗時對算法性能作定量評估。其中時間差用均值(mean)±標準差(SD)形式表示，均值表示算法自動檢測結果與專家注釋結果之間的平均時間差異，標準差表示檢測結果與專家注釋之間的偏離程度。算法耗時表示從R波檢測結束到T波終點檢測結束之間的算法運行時間。
3 實驗結果
本研究選取QT數據庫中20例共3 569個心拍的ECG信號數據，分別采用三種不依賴固定閾值的算法(小波變換法、累積積分面積法、TRA算法)對其進行T波終點檢測，檢測結果采用QT數據庫中的專家注釋進行對比驗證。圖 4為三種算法分別對同例單向和雙向T波終點檢測的效果圖。
圖4
三種T波終點檢測算法分別對單、雙向T波終點的檢測效果圖
Figure4.
Detection renderings of three kinds of T-wave end point detection algorithm for monophase and biphasic T-wave, respectively
從圖 4中我們可以看到，對于不同形態的T波，三種方法均能準確定位T波終點的位置。通過表 1所示的檢測結果表明，從定性的角度分析，三種算法對于T波終點檢測的靈敏度均達到了97%以上，陽性預測度也超過了88%，表現了很高的檢測性能，其中累積積分面積法檢測性能最好，靈敏度和陽性預測度分別為98.70%和92.24%。從定量的角度分析，小波變換法對正向和反向型T波的檢測結果與專家注釋結果之間的平均差異最小，分別為3.58 ms和1.16 ms；對于雙向型T波，累積積分面積法和TRA算法檢測結果與專家注釋結果之間的平均差異最小，分別為-5.93 ms和-5.02 ms。從算法復雜度來看，通過對20例數據共3 569個心拍分析處理表明，小波變換法的算法復雜度最小，耗時7.18 s，累積積分面積法的算法復雜度最大，耗時40.03 s。
表1
小波變換法、累積積分面積法、TRA算法對各形態T波終點的檢測結果
Table1.
Detection results of various forms of T-wave end by wavelet method, cumulative points area method and TRA
基于以上實驗結果，本研究提出一種多算法融合的方法。首先采用小波變換法定位T波波段并識別T波形態，然后針對不同形態的T波采用相應的T波終點檢測算法，最后檢測出T波終點的位置。對于雙向T波，為避免正負和負正雙向T波的影響，我們采用檢測性能較穩定的累積積分法定位T波終點；對于單向T波，為防止正向或反向T波終點檢測出現嚴重偏差，采用小波變換法定位T波終點。通過對原20例共3 569個心拍的ECG數據對該方法進行實驗驗證，結果顯示該方法對T波終點具有較好的檢測性能，靈敏度、陽性預測度、時間差以及算法耗時分別為98.93%、99.11%、(-2.33±19.70) ms和8.49 s。
4 討論及結論
本文通過對三種不單純依賴閾值的T波終點檢測算法(小波變換法、TRA算法、累積積分面積法)作對比分析，以評估出最適用于臨床實時檢測的T波終點檢測算法。通過上述研究我們發現，三種方法都表現出很高且相近的檢測性能。然而，對于單向型T波，三種方法對正向型和反向型T波的檢測結果存在明顯差異，具體表現為：三種方法對正向型T波的檢測結果大于專家注釋的結果，而累積積分面積法與TRA算法對反向型T波的檢測結果小于專家注釋的結果。可能的原因是：由心肌缺血引發的T波反向，會導致T波終點處發生病理性改變或偏移[2]，從而影響了T波終點的檢測；其次，累積積分法與TRA算法都屬于依靠面積的檢測方法，T波與T-P段的連接點可使得檢測面積達到最大，因而被檢測為T波終點，但當T波反向時，該點一般仍處于T波上升沿處，從而導致T波的檢測結果與專家注釋結果相比偏低。綜上所述，T波形態對T波終點的檢測具有重要影響，因此單純依靠某一種檢測算法難以對所有類型的T波都取得理想的檢測效果。
基于上述分析，為解決單一的T波終點檢測算法難以既保證實時性又具有高檢測率的問題，本研究提出了一種基于T波形態自適應選擇T波終點檢測算法的方法。通過實驗驗證結果可知，該算法不僅提高了靈敏度和陽性預測度，而且與累積積分法相比，有效減少了算法耗時，保證了算法的實時性；與TRA算法和小波法相比，自適應選擇算法降低了檢測結果的標準差。相比單一的T波終點檢測算法，自適應選擇算法提高了T波終點的整體檢測性能。
本研究對三種T波終點檢測算法的性能進行了比較，結果表明：
(1) 三種不依賴閾值的檢測算法均有著較高的檢測率，僅依靠單一的T波終點檢測算法的情況下，累積積分法有著最好的檢測率，但算法耗時較長，不利于實時檢測分析。
(2) 自適應選擇T波終點檢測方法較單一的T波終點檢測算法不僅具有更好的檢測精度，并且能適用于各種T波形態變化的情況，為臨床精確定位T波終點提供了新的途徑。
0 引言
心電圖(electrocardiogram，ECG)是由體表電活動組成，反映著心肌收縮與時間之間的關系。ECG中的QT間期反映了心室除復極的全過程，QT間期的延長是臨床中評估室性心律失常的重要標志[1]。
目前，QT間期提取的主要難點是T波終點位置的準確定位。但由于T波終點附近信號低頻成分豐富，易混入噪聲，因此難以準確定位T波終點的位置。Hayden等[2]研究指出，當發生缺血類心肌病時一般會引起T波形態的變化，如T波倒置、雙向等，從而對T波終點的檢測造成影響。因此，T波終點的檢測方法不僅需要保證算法檢測的精度，而且在確保實時性的同時還要能適應T波形態的變化[3]。當前，T波終點的檢測算法主要包括依靠面積[4-5]、模板匹配[6]、小波變換[7-8]、曲率[9]、統計模式識別[10]以及神經網絡[11]等方法，這些方法都不單純依賴閾值進行處理。其中，依靠模板匹配、統計模式識別以及神經網絡等方法的計算量較大，不利于實時檢測；依靠曲率的方法抗干擾能力較差，難以保證檢測精度；而對于依靠面積和小波變換的檢測方法，當T波出現正向、倒置或雙向的形態時，算法能作出相應的處理，具有較強的波形適應能力。
本研究對小波變換法和兩種經典的依靠面積的方法——累積積分面積法和梯形面積法(the trapezium’s area, TRA)的檢測性能進行對比分析，以尋找最適宜于臨床實時檢測的T波終點檢測方法。檢測結果將與QT標準數據庫[12]中的專家注釋作對比，最后通過計算靈敏度(Se)、陽性預測度(P+)、時間差(指檢測結果與標準值之間的差異)、算法耗時等指標[13]評估各算法的性能。
1 實驗材料
本研究中我們采用CPU主頻為2.0 GHz、內存為2 GB的計算機，利用Matlab 7.0軟件對各算法進行還原實現，并選取QT數據庫中的ECG數據用于評估各算法的檢測性能。QT數據庫總共有105條記錄，每個記錄包括采樣率為250 Hz的兩條時長15 min的ECG數據。該數據庫還提供了心臟病學專家對每條記錄至少30個心拍的注釋，準確標記了QRS波群、P波、T波的峰值點、起點和終點的位置及T波形態。另外QT數據庫也包含了一些來自歐洲ST-T數據庫、MIT-BIH心律失常數據庫等標準數據庫中的ECG數據。
2 研究方法
圖 1展示了本次研究的特征點自動檢測系統算法流程。首先采用小波變換對原ECG信號進行預處理并定位QRS波群及T波，然后識別出T波形態，最后三種T波終點檢測算法分別被用于T波終點檢測。
圖1
特征點自動檢測系統算法流程圖
Figure1.
Flow chart of the feature points automatic detection system
2.1 R波、T波的檢測
本研究采用小波變換對ECG信號進行預處理，用于定位ECG各波段并識別T波形態。信號f(x)的小波變換定義為：
| ${W_s}f\left(x \right)=f\left(x \right) * \varphi \left(x \right)=\frac{1}{s}\int\limits_{-\infty }^{ + \infty } {f\left(t \right)\varphi \left({\frac{{x-t}}{s}{\text{d}}t} \right)} $ |
上式中s是伸縮因子，基小波函數Ψ(x)的二進制小波變換為：ψs(x)=1/s*ψ(x/s)，其中s=2j(j∈Z)。數字信號f(x)的二進制小波變換采用Mallat算法計算得到：
| ${S_{{2^j}}}f\left(n \right)=\sum\limits_{k \in Z} {{h_k}{S_{{2^{j-1}}}}f\left({n-{2^{j-1}}k} \right)} $ |
| ${W_{{2^j}}}f\left(n \right)=\sum\limits_{k \in Z} {{g_k}{S_{{2^{j-1}}}}f\left({n-{2^{j-1}}k} \right)} $ |
上式中S2j是一個平滑算子，S2jf(n)是原始信號的低頻系數，反映整體信息；W2jf(n)是原始信號的高頻系數，反映細節信息；hk和gk分別是低通濾波器系數和高通濾波器系數。
文獻[7]中，詳細分析了二進小波變換的模極值組與信號奇異點之間的對應關系，并結合多分辨率分析原理，指出在尺度3和尺度4下可分別對R波和T波進行檢測。該方法應用于多個標準數據庫，并取得很高的檢測率[7-8]，因而本研究采用該方法作為R波、T波的定位方法。
2.2 T波形態識別
臨床中T波形態的分類，歸納起來主要有：正向波、反向波、雙向波(正負雙向和負正雙向)。文獻[8]中詳細敘述了ECG信號在尺度4下，T波形態與二進小波變換模極值組之間的對應關系，如圖 2所示：對于單向T波，對應著正負(+/-)或負正(-/+)模極值組；對于雙向T波，對應著正負正(+/-/+)或負正負(-/+/-)模極值組。
圖2
不同形態T波對應的模極值組
(a)當模極值組為+/-對時，表示反向T波；(b)當模極值組為-/+對時，表示正向T波；(c)當模極值組為+/-/+或-/+/-時，表示雙向T波
Figure2. Modulus maximum pairs corresponding to different T wave morphologies(a) +/-modulus maximum pair represents negative T wave; (b)-/+ modulus maximum pair represents positive T wave; (c) +/-/+ or-/+/-modulus maximum pair represents biphasic T wave
2.3 T波終點的檢測方法
2.3.1 小波變換法
小波變換法利用T波對應的最后一個模極值檢測T波終點位置，本研究采用小波變換法檢測R波及T波，從而易獲取T波對應的模極值位置。與采用其他T波終點檢測算法相比，本研究利用小波變換法檢測T波終點具有更高的檢測效率。
小波變換法檢測T波終點的步驟如下：根據文獻[8]所述方法，首先將原ECG信號經二進小波變換后，在尺度4下，利用模極值組過零點的方法計算出T波峰值點；然后，將最后一個模極值的位置記為nlast，取閾值ξTend=0.4W24x[nlast]；當T波為雙向型時，則將T波對應的第三個模極值的位置記為nlast；最后，當W24x[n]＞ξTend時，該點即為T波終點。
2.3.2 累積積分面積法
累積積分面積法是由Zhang等[4]于2005年提出的一種新型的T波終點檢測算法。該方法首先確定包含T波的信號段W[n]，然后計算每個序列k代表的窗口面積Ak：
| ${\bar s_k}=\frac{1}{{2p + 1}}\sum\limits_{j=k-p}^{k + p} {W\left[j \right]} $ |
| ${A_k}=\sum\limits_{j=k-w + 1}^k {\left({W\left[j \right]-{{\bar s}_k}} \right)} $ |
其中w為滑動窗寬度，p為平滑窗寬度。最后根據W[n]窗口內Ak分別達到最大、最小值的點k1和k2，通過公式(6)確定T波終點的位置：
| $\frac{1}{\lambda }{\text{ < }}\frac{{\left| {{A_{{k_1}}}} \right|}}{{\left| {{A_{{k_2}}}} \right|}}{\text{ < }}\lambda $ |
上式中λ(λ＞1)為給定閾值，當滿足公式(6)的情況下，T波終點位置為k1和k2中的較大值，即Tend=max(k1, k2)，否則T波終點的位置為在{k1, k2}范圍內使得Ak達到最大值的點，即。
2.3.3 TRA算法
TRA算法是由Vázquez-seisdedos等[5]于2010年提出。該方法需要三個固定點及一個可變點構建直角梯形，當梯形面積達到最大時，當前可變點的位置即為T波終點的位置。步驟如下。
對于單向型T波，首先在一個包含T波終點的時間區域內，取T波波峰后任一點為第一個固定點(xm, ym)，在T-P等電位段中取第二個固定點(xr, yr)，根據前兩個點得到第三個固定點(xr, ym)；然后，在[xm, xr]區間內尋找可變點(xi, yi)，并根據該四個點構建一個直角梯形；最后，當梯形面積達到最大值時，此時的xi即為當前T波終點的位置，如圖 3所示。
圖3
TRA算法檢測單向和雙向型T波終點的示意圖
Figure3.
Determination of the T-wave end (for a monophasic or biphasic wave) by the TRA
對于雙向型T波，首先計算T波的第二峰值并確定T波終點的檢測區間，然后在該區間內采用上述步驟定位T波終點。
上述累積積分面積法和TRA算法都屬于依靠面積的檢測方法，相比神經網絡、統計模式識別等方法，依靠面積的方法原理簡單，易于實現，在保證檢測精度的同時還具有很好的實時性；此外，依靠面積的檢測方法針對單向或雙向形態的T波都有相應的處理方式，從而提高了檢測算法的波形適應能力。
2.3.4 算法評估
本研究中我們通過計算靈敏度Se=TP/(TP+FN)和陽性預測度P+=TP/(TP+FP)對T波終點檢測算法的性能作定性評估[13]，并以20 ms作為T波終點檢測的允許誤差。其中TP表示真陽性結果數量，FN表示假陰性結果數量，FP表示假陽性結果數量。此外，本研究還采用時間差[8]和算法耗時對算法性能作定量評估。其中時間差用均值(mean)±標準差(SD)形式表示，均值表示算法自動檢測結果與專家注釋結果之間的平均時間差異，標準差表示檢測結果與專家注釋之間的偏離程度。算法耗時表示從R波檢測結束到T波終點檢測結束之間的算法運行時間。
3 實驗結果
本研究選取QT數據庫中20例共3 569個心拍的ECG信號數據，分別采用三種不依賴固定閾值的算法(小波變換法、累積積分面積法、TRA算法)對其進行T波終點檢測，檢測結果采用QT數據庫中的專家注釋進行對比驗證。圖 4為三種算法分別對同例單向和雙向T波終點檢測的效果圖。
圖4
三種T波終點檢測算法分別對單、雙向T波終點的檢測效果圖
Figure4.
Detection renderings of three kinds of T-wave end point detection algorithm for monophase and biphasic T-wave, respectively
從圖 4中我們可以看到，對于不同形態的T波，三種方法均能準確定位T波終點的位置。通過表 1所示的檢測結果表明，從定性的角度分析，三種算法對于T波終點檢測的靈敏度均達到了97%以上，陽性預測度也超過了88%，表現了很高的檢測性能，其中累積積分面積法檢測性能最好，靈敏度和陽性預測度分別為98.70%和92.24%。從定量的角度分析，小波變換法對正向和反向型T波的檢測結果與專家注釋結果之間的平均差異最小，分別為3.58 ms和1.16 ms；對于雙向型T波，累積積分面積法和TRA算法檢測結果與專家注釋結果之間的平均差異最小，分別為-5.93 ms和-5.02 ms。從算法復雜度來看，通過對20例數據共3 569個心拍分析處理表明，小波變換法的算法復雜度最小，耗時7.18 s，累積積分面積法的算法復雜度最大，耗時40.03 s。
表1
小波變換法、累積積分面積法、TRA算法對各形態T波終點的檢測結果
Table1.
Detection results of various forms of T-wave end by wavelet method, cumulative points area method and TRA
基于以上實驗結果，本研究提出一種多算法融合的方法。首先采用小波變換法定位T波波段并識別T波形態，然后針對不同形態的T波采用相應的T波終點檢測算法，最后檢測出T波終點的位置。對于雙向T波，為避免正負和負正雙向T波的影響，我們采用檢測性能較穩定的累積積分法定位T波終點；對于單向T波，為防止正向或反向T波終點檢測出現嚴重偏差，采用小波變換法定位T波終點。通過對原20例共3 569個心拍的ECG數據對該方法進行實驗驗證，結果顯示該方法對T波終點具有較好的檢測性能，靈敏度、陽性預測度、時間差以及算法耗時分別為98.93%、99.11%、(-2.33±19.70) ms和8.49 s。
4 討論及結論
本文通過對三種不單純依賴閾值的T波終點檢測算法(小波變換法、TRA算法、累積積分面積法)作對比分析，以評估出最適用于臨床實時檢測的T波終點檢測算法。通過上述研究我們發現，三種方法都表現出很高且相近的檢測性能。然而，對于單向型T波，三種方法對正向型和反向型T波的檢測結果存在明顯差異，具體表現為：三種方法對正向型T波的檢測結果大于專家注釋的結果，而累積積分面積法與TRA算法對反向型T波的檢測結果小于專家注釋的結果。可能的原因是：由心肌缺血引發的T波反向，會導致T波終點處發生病理性改變或偏移[2]，從而影響了T波終點的檢測；其次，累積積分法與TRA算法都屬于依靠面積的檢測方法，T波與T-P段的連接點可使得檢測面積達到最大，因而被檢測為T波終點，但當T波反向時，該點一般仍處于T波上升沿處，從而導致T波的檢測結果與專家注釋結果相比偏低。綜上所述，T波形態對T波終點的檢測具有重要影響，因此單純依靠某一種檢測算法難以對所有類型的T波都取得理想的檢測效果。
基于上述分析，為解決單一的T波終點檢測算法難以既保證實時性又具有高檢測率的問題，本研究提出了一種基于T波形態自適應選擇T波終點檢測算法的方法。通過實驗驗證結果可知，該算法不僅提高了靈敏度和陽性預測度，而且與累積積分法相比，有效減少了算法耗時，保證了算法的實時性；與TRA算法和小波法相比，自適應選擇算法降低了檢測結果的標準差。相比單一的T波終點檢測算法，自適應選擇算法提高了T波終點的整體檢測性能。
本研究對三種T波終點檢測算法的性能進行了比較，結果表明：
(1) 三種不依賴閾值的檢測算法均有著較高的檢測率，僅依靠單一的T波終點檢測算法的情況下，累積積分法有著最好的檢測率，但算法耗時較長，不利于實時檢測分析。
(2) 自適應選擇T波終點檢測方法較單一的T波終點檢測算法不僅具有更好的檢測精度，并且能適用于各種T波形態變化的情況，為臨床精確定位T波終點提供了新的途徑。
