在心肺復蘇期間, 由于胸外按壓對心電(ECG)信號產生了機械干擾, 無法可靠地辨識心電節律。而中斷胸外按壓會減小復蘇成功的可能性, 所以本文研究開發了一個新的濾波算法——增強最小均方(eLMS)算法, 可以在無需硬件參考信號支持的情況下, 成功濾除胸外按壓干擾, 達到在不間斷胸外按壓的情況下正確辨識室顫(VF)節律和正常竇性(SR)節律。該濾波算法僅用受按壓干擾的心電(cECG)信號實現濾波, 無需其它參考信號。通過在不同信噪比的情況下混合ECG信號和按壓干擾信號來驗證該算法, 并且與其它已經成熟的算法比較。驗證結果表明在不同信噪比情況下, eLMS方法的辨識結果均優于其他方法。進一步研究表明, 僅用cECG信號就可以很好地辨識心電節律。本算法的成功研發降低了體外除顫儀的研發成本, 提高了心電節律辨識的準確性以及復蘇成功的可能性。
引用本文： 王丹, 張廣, 萬宗明, 陳鋒, 宋振興, 王海濤, 顧彪, 余明, 吳太虎. 一種可在胸外按壓期間進行室顫節律辨識的新算法. 生物醫學工程學雜志, 2016, 33(4): 747-754, 761. doi: 10.7507/1001-5515.20160122 復制
引言
大量研究表明，近40%的心臟驟停患者會誘發室顫(ventricular fibrillation，VF)[1-2]。室顫心臟驟停患者急需進行心肺復蘇(cardiopulmonary resuscitation，CPR)和及時的電除顫來恢復自主循環[3-4]。然而，因為胸外按壓(chest compression，CC)和呼吸通氣會對心電(electrocardiograma，ECG)信號產生極大的干擾，從而影響自動體外除顫儀(automated external defibrillator，AED)對心電節律的分析，降低了分析結果的準確性[5]。為了提高節律辨識的準確性，需要中斷CC大約15 s[6-7]。但是中斷CC的同時會降低復蘇成功的可能性，甚至會破壞自主循環[8-9]。有研究表明每中斷20 s，復蘇成功的可能性會降低50%[10]。如果可以進行連續CC，復蘇成功的可能性會有明顯提高[11]。因此，為了在不間斷CC的情況下得到可靠的心電節律辨識結果，有效降低CC中斷時間，就要抑制CC干擾信號，從帶有混疊的干擾信號中提取原始心電(original ECG，oECG)信號。
目前已有大量在連續CC情況下辨識心電節律的相關研究。大部分研究中提到的抑制CC干擾信號的方法均需要用到與CC干擾信號相關的其它參考信號，這就需要對除顫儀添加額外硬件以獲取相關參考信號[12-15]。在眾多的自適應濾波算法中，由Eilevstjnn等[15]提出的多通道遞歸匹配自適應(the multichannel recursive adaptive matching pursuit，MC-RAMP)濾波算法已經投入到實際應用中。該濾波算法用到了4個參考信號，即ECG信號、呼吸阻抗信號、按壓深度信號和按壓加速度信號。然而，此法所需參考信號較多，需做大量的工作去獲取相關參考信號，且參考信號有時與ECG信號的相關程度較低，這些參考信號可能會對CC干擾信號的重建產生無效甚至有害的影響。最新研究表明，由Irusta等[16]提出的最小均方(leastmean-square，LMS)濾波算法可以解決這一問題，該方法僅需要按壓頻率作為參考信號。通過驗證實驗表明，使用LMS濾波算法計算得出的CC干擾信號模型較為可靠，濾波效果較好。然而，無論是按壓頻率作為參考信號，還是其他CC相關信號作為參考信號，上述兩種方法都需要添加額外硬件來獲取參考信號。分別由Aramendi等[17]和DE等[18]最新提出的自適應濾波(adaptive filter，adap-filter)算法-卡爾曼自適應濾波算法，只需利用受干擾的心電(corrupted electrocardiograma，cECG)信號即可直接濾除CC干擾信號，無需其他參考信號，但是該方法的濾波效果要劣于上述兩個方法。Li等[19]提出了形態一致性評估(morphology consistency，Morp.Cons)算法，該算法通過對cECG信號進行時頻域分析，提取規則心電節律的特征值，來實現對心電節律的辨識。雖然該算法具有較好的辨識效果，但需要高速計算能力支持，因此Morp.Cons算法在臨床上尚未得到廣泛的應用。
目前，本文提出了一種新的濾波方法，僅用cECG信號即可實現CC干擾分量的濾除，從而保證在連續CC情況下，實現對心電節律的準確辨識。相對于其他方法而言，該算法僅需軟件的修改來提取按壓頻率信號，并結合LMS濾波算法建立CC干擾信號模型，最終實現濾波，無需任何額外硬件的支持。課題組在不同信噪比(signal-to-noise ratio，SNR)的情況下混合ECG信號和CC干擾信號得到cECG信號，然后用cECG信號進行實驗，驗證該算法的實用性和可靠性，結果表明本算法性能較佳，有效降低了體外除顫儀的研制成本，可準確辨識心電節律，大大提高了心肺復蘇成功的可能性。
1 算法
本文所述增強最小均方(Enhanced leastmean-square，eLMS)算法流程圖如圖 1所示，本文所需oECG信號數據是通過在Creighton大學室性快速性心律失常數據庫(Creighton University ventricular tachyarrhythmia database，CUDB)和MIT-BIH惡性室性心律失常數據庫(malignant ventricular arrhythmia database，MVFDB)獲得[21-22]，這些數據通過截止頻率為70 Hz，采樣頻率為250 Hz，采樣精度為12位的一個有源二階貝塞爾低通濾波器進行預處理，并最終疊加CC干擾信號得到cECG信號數據(詳情請見2.1.2節)。想要準確可靠地辨識心電節律，首先要濾除CC干擾分量，重建無干擾的oECG信號。在CC過程中，CC干擾信號近似為周期信號，因此可以根據信號特征設計帶通濾波器進行初步濾波，以便獲取按壓頻率信號，然后使用LMS濾波算法根據按壓頻率信號重建CC干擾信號。oECG信號可以通過cECG信號減去重建的CC干擾信號得到。最后，我們設計了相空間重構(phase space reconstruction，PSR)算法來進行心電節律辨識，辨別出室顫節律和正常竇性(normal sinus rhythm，SR)節律。整個心電節律辨識算法僅使用了cECG信號，無需其他參考信號。
圖1
心電節律辨識算法流程圖
Figure1.
Flowchart of the ECG rhythm identification algorithm
1.1 估算按壓頻率
有研究對cECG信號的頻譜結構進行分析后，發現CC干擾信號分布在低頻帶上，而oECG則分布在高頻區域[17]。基于這一發現，將cECG信號在低頻帶上的主頻分量近似為CC干擾信號的基頻。本研究的第一步是設計一個帶通濾波器對cECG信號進行初步濾波(并非濾除CC干擾信號)，以便獲取按壓頻率信號，經過Aramendi等[17]研究發現濾波帶寬一般選取為1~3 Hz，所以本研究的濾波帶寬為1~3 Hz。該帶通濾波器為有限長單位沖激響應(finite impulse response，Fir)濾波器，具體實現公式如下：
| $y\left( n \right) = \sum\limits_{r = 1}^m {h\left( r \right) * x\left( {n - r} \right)} $ |
其中，r是Fir濾波器的抽頭數；m是濾波器的階數，此處為200；x(n-r)是延時，r個抽頭的輸入信號；h(r)是第r級抽頭數(單位脈沖響應)；y(n)表示濾波器的輸出序列。我們可以根據初步濾波后的ECG信號y(n)求出按壓最大值點，即極小值點(如圖 2所示“+”標記)，每個“+”標記之間的時間間隔可以表示為一個CC時間間期(即每次按壓周期)，從而計算得出按壓頻率信號和相位。
圖2
帶通濾波前后對比圖
Figure2.
Comparison of figures between those before and after the bandpass filter
1.2 計算原始心電信號
根據上面得到的按壓瞬時點可以計算出瞬時按壓頻率和相位，計算公式如下：
| ${f_1} = \frac{{{f_s}}}{{{n_{i + 1}} - {n_i}}} = \frac{{{f_s}}}{{\Delta {n_i}}}\;\;\;{n_i} \leqslant n \leqslant {n_{i + 1}}$ |
| $\varphi \left( n \right) = \frac{{2\pi }}{{\Delta {n_i}}}\left( {n - {n_i}} \right) + 2\pi i\;\;\;{n_i} \leqslant n \leqslant {n_{i + 1}}$ |
其中，fs是采樣頻率，i表示第i個按壓瞬時點，ni就表示第i個按壓瞬間的時間，fi是第i個CC周期的瞬時按壓頻率，φ(n)表示瞬時相位。而在CC期間，重建的CC干擾信號模型是通過傅里葉級數來表示，如式(4)、(5)所示：
| ${S_{cpr}}\left( n \right) = \sum\limits_{k = 1}^N {{c_k}\left( n \right)\cos \left[ {k\varphi \left( n \right) + {\varphi _k}\left( n \right)} \right]} $ |
| $ = \sum\limits_{k = 1}^N {\left( n \right){a_k}\left( n \right)\cos \left[ {k\varphi \left( n \right)} \right] + {b_k}\left( n \right)\sin \left[ {k\varphi \left( n \right)} \right]} $ |
表示為具有k個諧波的正弦函數，其中ck(n)表示振幅，φk(n)表示的是第k次諧波的相位，它們都是實時變化的。而式(5)同樣代表CC干擾信號模型，其中ak(n)和bk(n)分別表示同相和正交分量，它們是濾波器的系數，用LMS濾波算法來遞歸更新這兩個系數[16]。
如圖 3所示，為eLMS濾波算法流程示意圖，其中Sin(n)是輸入的cECG信號，Scpr(n)表示重建的CC干擾信號，Secg(n)即為輸出的oECG信號，它是通過cECG信號減去重建的CC干擾信號獲得。其中，CC干擾信號是通過它的同相和正交分量ak(n)和bk(n)進行重建，其中ak(n)和bk(n)還表示濾波器系數，并且它們在LMS算法中是實時更新的。我們把濾波器系數按時間點n排成兩個列向量，a(n)為同相系數，b(n)為正交系數，表述如式(6)、(7)：
圖3
eLMS濾波算法流程圖
Figure3.
Flowchart of the eLMS filtering algorithm
| $a\left( n \right) = {\left[ {{a_1}\left( n \right), \cdots ,{a_N}\left( n \right)} \right]^T}$ |
| $b\left( n \right) = {\left[ {{b_1}\left( n \right), \cdots ,{b_N}\left( n \right)} \right]^T}$ |
其中，N表示重建CC干擾信號模型中包含的諧波個數。CC干擾信號模型中N個諧波的同相和正交參考信號則用兩個行向量進行表示，如式(8)、(9)：
| ${S_I}\left( n \right) = \left\{ {\cos \left[ {\varphi \left( n \right)} \right], \cdots ,\cos \left[ {k\varphi \left( n \right)} \right]} \right\}$ |
| ${S_Q}\left( n \right) = \left\{ {\sin \left[ {\varphi \left( n \right)} \right], \cdots ,\sin \left[ {k\varphi \left( n \right)} \right]} \right\}$ |
而重建的CC干擾信號模型和oECG信號可以用下式表示：
| ${S_{cpr}}\left( n \right) = {S_1}\left( n \right)a\left( n \right) + {S_Q}\left( n \right)b\left( n \right)$ |
| ${S_{ecg}}\left( n \right) = {S_{in}}\left( n \right) - {S_{cpr}}\left( n \right)$ |
a(n)和b(n)通過LMS算法進行實時更新，遞歸方程如下：
| $a\left( {n + 1} \right) = a\left( n \right) + 2{S_{ecg}}\left( n \right)MS_I^T\left( n \right)$ |
| $b\left( {n + 1} \right) = b\left( n \right) + 2{S_{ecg}}\left( n \right)MS_Q^T\left( n \right)$ |
a(n)和b(n)的初始值設為0，矩陣M是由每個諧波分量的步長μk組成的對角矩陣，如式(14)、(15)所示：
| $M = diag\left( {{\mu _1}, \cdots ,{\mu _N}} \right)$ |
| ${\mu _k} = \frac{1}{k}{\mu _0}\;\;\;\;k = 1, \cdots ,N$ |
經過實驗對比分析，發現在N=5，μ0=0.034 2時濾波效果最好，敏感性和特異性最高。
1.3 心電節律辨識
獲取oECG之后，便要進行心電節律的辨識，我們采用了一個延時算法-PSR算法來辨識心電節律[20]。相對于其他的心電節律辨識算法，該算法計算時間較短，并且可以獲得較高的敏感性和特異性[20-21]。它是將一個二維相空間圖分成一個40×40的網格圖，其中x軸用x(t)表示，y軸用x(t+τ)(τ表示延時時間常數)表示，以此來辨識ECG信號的動態變化規律。而室顫信號和正常ECG信號在[x(t)，x(t+τ)]相空間結構分布是不同的，這個40×40的網格圖包含有該ECG信號的最大值到最小值，我們可以根據ECG信號的網格分布來辨識室顫/正常竇性節律。ECG信號的相空間結構示意圖如圖 4所示，其中上面兩幅圖分別為同一SR信號濾波前后對比圖[左圖示為受按壓干擾的正常竇性節律(corrupted normal sinus rhythm，cSR)信號，其所占柵格數為348，右圖示為重建的原始正常竇性節律(original normal sinus rhythm，oSR)信號，所占柵格數為90]；下面兩幅圖分別為同一VF信號濾波前后對比圖[左圖示為受按壓干擾的室顫(corrupted ventricular fibrillation，cVF)信號，其所占柵格數為412，右圖示為重建的原始室顫(original ventricular fibrillation，oVF)信號，所占柵格數為237]。其中延時常數τ=0.5。
圖4
心電信號相空間結構示意圖
Figure4.
Diagram of ECG signal phase space structure
1.4 心電節律辨識閾值選取
為了準確地辨識心電節律，需要確定一個辨識閾值，當計算的PSR值大于閾值則為VF節律，否則為SR。因此課題組使用SNR為0 dB時的cECG數據集作為訓練數據集(training dataset)來確定最佳閾值(信號混疊方法將在后文2.1.2具體介紹)。我們分別將PSR值0~400作為分類閾值，計算其敏感性和特異性，然后在同一坐標系中畫出敏感性和特異性曲線，兩個曲線的交叉點則為最佳閾值點。我們利用該方法得到的最佳閾值為193，此時的敏感性為98.6%，特異性為98.9%，具體情況如圖 5所示。
圖5
最佳閾值示意圖
Figure5.
Diagram of the optimal threshold value
2 實驗與結果
2.1 實驗數據和仿真
2.1.1 重建受按壓干擾心電信號
為了得到實驗所需ECG信號數據，我們將從原始數據庫中得到的oECG信號SECG(n)(包括室顫信號和正常ECG信號)與CC干擾信號SCC(n)在不同SNR的情況下進行疊加，得到cECG信號Scor(n)[12, 14-15, 17-18, 23-24]。疊加公式如下：
| $\begin{gathered} {S_{cor}} = {S_{ECG}}\left( t \right) + std\left[ {{S_{ECG}}\left( t \right)} \right] \times {10^{ - SNR\left( {dB} \right)/20}} \times \hfill \\ \frac{{{S_{CC}}\left( t \right)}}{{std\left[ {{S_{CC}}\left( t \right)} \right]}} \hfill \\ \end{gathered} $ |
其中，std[N]為求得的N的標準差。而SNR分別取值為0、-3、-6、-9和-12 dB，表示不同的干擾強度。oECG信號和CC干擾信號的數據長度均為10 s，混合后的cECG信號數據長度也為10 s。
2.1.2 數據集
本文PSR閾值的確定和算法驗證所需oECG信號數據是通過CUDB和MVFDB獲得[21-22]。這些ECG信號數據首先經過一個有源二階貝塞爾低通濾波器進行預處理，該濾波器的截止頻率為70 Hz，采樣頻率為250 Hz，采樣精度為12位。在本研究中，每個ECG信號片段我們都取用10 s的數據長度，并有5 s的數據重疊。而每個ECG信號片段心電節律辨識的金標準為3名來自武警后勤學院附屬醫院的心內科專家統一確認的結果。我們總共提取了1 040個心電片段，其中包括384個室顫信號片段，656個正常ECG信號片段，并且我們利用邁瑞(BeneHeart D3, Mindary)自動體外除顫儀從12頭心搏停止的實驗豬身上獲取CC干擾信號，而此時CC頻率為100次/min。最終獲得104個數據長度為10 s的CC干擾信號，在進行實驗研究時將它們平均分配到1 040個ECG信號中，即每10個ECG信號疊加同一個CC干擾信號。本研究使用SNR=0 dB時疊加的cECG信號作為訓練數據集進行心電節律辨識最佳閾值的選取。而在SNR=-3、-6、-9、-12 dB的情況下進行混合得到的cECG信號則作為算法的驗證集。
2.2 對比分析
為了更好地驗證本文所提算法性能的可靠性，我們引用了另外兩個已有算法進行對比驗證。第一個對比算法是由Li等[19]提出來的Morp. Cons算法，該算法主要是基于連續小波變換(continuous wavelet transform，CWT)技術，第二個則是由Aramendi等[17]提出的adap-filter算法。這兩個算法的相同之處在于都只需要cECG信號就可以準確辨識心電節律，無需其他參考信號，并且根據已有研究發現這兩種對比算法的性能較好。除了上述算法之外，我們還將cECG信號在不經過濾波以及其他預處理手段的情況下直接進行心電節律辨識的直接PSR辨識算法(PSR-only method，oPSR)作為一個對照組。
2.2.1 形態一致性評估算法
該算法主要是基于連續小波變換技術，最終判斷cECG信號中的QRS波群是否規則，從而判斷出室顫節律/正常竇性節律。首先對cECG信號進行小波變換，然后利用小波變換系數來檢測信號的模峰值[如式(17)所示]以提取特征信號，并定義特征信號為以局部模峰值為中心的持續0.4 s的信號波形。
| $\frac{{{\text{d}}{{\left| {W\left( {a,b} \right)} \right|}^2}}}{{{\text{d}}b}} = 0$ |
其中，W(a, b)為小波變換系數，總共選取4個包含有QRS波的特征信號。然后，利用這4個特征信號構建動態模板，計算模板信號的自相關函數以及該模板與這4個特征信號的互相關函數，公式如下：
| ${\varphi _{xx}}\left( t \right) = \int\limits_{ - \infty }^{ + \infty } {x\left( {t + \tau } \right)x\left( \tau \right){\text{d}}\tau } $ |
| ${\varphi _{xy}}\left( t \right) = \int\limits_{ - \infty }^{ + \infty } {x\left( {t + \tau } \right)y\left( \tau \right){\text{d}}\tau } $ |
最后，為了對形態一致性有一個量化的區分指標，需要分別比較互相關函數與4個自相關函數的差異性，計算出4個殘差值，如式(20)所示：
| $Residual = \sum\limits_{i = 1}^n {\left| {{\varphi _{xy}}\left( i \right) - {\varphi _{xx}}\left( i \right)} \right|} $ |
如果殘差大于給定閾值(經過實驗驗證，最佳閾值為33)，則認為選取的特征信號的QRS波群不規則，規定4個殘差值中至少有3個小于閾值，該cECG信號被認為有組織節律，即正常竇性節律，反之，則被認為無組織節律，即室顫節律。
2.2.2 自適應阻帶濾波算法
根據cECG信號的頻譜結構分布，發現CC干擾信號與室顫信號/正常ECG信號在頻帶上的分布是不同的，基于這一點設計一個自適應阻帶濾波器，可以成功地從cECG信號中提取出oECG信號，該濾波器的中心頻率是變化的。最終，設計的自適應阻帶濾波器(4-tap，巴特沃斯逼近，零相位和2.2 Hz的帶寬)窗口寬度4.8 s，而中心頻率f0則為CC干擾信號的基頻，即cECG信號在1~3 Hz頻帶內求得的主頻率。根據f0的變化調整濾波器，最終輸出oECG信號，并使用PSR算法辨識心電節律。其中濾波器相關參數和PSR閾值都是經過數據訓練后求得的最佳值。
2.3 統計方法
為了驗證前面提到的4個算法(oPSR算法、adap-filter算法、Morp. Cons算法以及eLMS算法)的性能，本文采用了敏感性、特異性以及準確率來作為評判指標。敏感性定義為能夠準確辨識室顫節律的能力，特異性為能夠準確辨識正常竇性節律的能力，準確率則為對ECG信號準確辨識的能力。
2.4 結果
經過對實驗數據的全面分析，得出4種算法的性能驗證結果，如表 1所示：
表1
性能驗證對比結果
Table1.
Performance verification results
隨著CC干擾信號強度的增加，這4種算法辨識結果的敏感性沒有明顯變化，而它們的特異性和準確率卻明顯下降。當CC干擾信號較強時，對于oPSR算法和adap-filter算法而言，它們辨識結果的特異性和準確率都較低。在SNR從-3 dB增加到-12 dB的情況下，這兩種算法計算得到的特異性分別減少了53.76%和46.55%，準確率分別減少了35.96%和31.18%。上述結果表明，這兩種算法對CC干擾信號較為敏感。
如表 1所示，Morp. Cons算法的辨識結果明顯優于前兩種算法，但是，當CC干擾信號強度較大(即SNR=-9、-12 dB)時，計算的特異性和準確率依然較低。相比較之下，eLMS算法辨識結果最佳，即使在CC干擾信號最強(即SNR=-12 dB)時，得到的敏感性和特異性依然較高(敏感性97.61%，特異性為84.26%，準確率為89.16%)，相較于oPSR算法，它的特異性和準確率分別提高了57.89%和36.88%，敏感性則沒有明顯變化。
eLMS算法濾波前后的波形示意圖如圖 6所示，cECG信號是在SNR=-9 dB情況下得到，諧波次數(K)和步長μ0分別定為5和0.034 2，圖中分別顯示了正常ECG信號和室顫信號的濾波前后對比波形，以及oECG信號和CC干擾信號波形。左側圖形給出了正常ECG信號的相關波形，自上而下總共列出四個信號波形，分別為cSR信號、重建的按壓干擾(estimated chest compression，eCC)信號、oSR信號以及重建的正常竇性節律(estimated normal sinus rhythm，eSR)信號；右側圖形則描述了室顫信號的相關波形，同樣給出了cVF信號、eCC信號、oVF信號以及重建的原始室顫(estimated ventricular fibrillation，eVF)信號。對eSR信號進行節律辨識，得出PSR值為164＜193(PSR閾值)為正常竇性節律，辨識結果正確；辨識eVF節律得出PSR值為232＞193為室顫節律，辨識結果正確。
圖6
濾波前后對比圖
Figure6.
Comparison of figures between those before and after filtering
3 討論
本文介紹了一種新的心電辨識算法——eLMS算法。該算法可以僅利用cECG信號實現心電節律辨識，無需其他參考信號。相較于adap-filter算法和Morp. Cons算法，該算法可以更加準確地辨識心電節律，特異性和準確率有明顯提高。最新研究發現，還有一些其他相關算法也可以濾除CC干擾信號，但是需要一些其他參考信號來輔助實現，并且這些算法的性能已經通過相關仿真實驗或者臨床試驗得到驗證[12-15]。但是本文無法將eLMS算法直接與這些算法進行比較，因為本文所用數據庫只記錄了cECG信號，沒有記錄其他相關參考信號。本文對比驗證的4個心電辨識算法都是在不同SNR(SNR=-3、-6、-9和-12 dB)的情況下進行驗證。結果表明，SNR值越低，這些算法辨識結果的敏感性、特異性和準確率越低。但eLMS算法的辨識結果在任何SNR情況下都要優于oPSR算法、adap-filter算法以及Morp. Cons算法，相較于特異性和準確率的大幅下降，敏感性則無明顯變化。尤其對于oPSR算法和adap-filter算法變化尤為明顯。對于在CC期間辨識心電節律，很多算法都存在一個問題，即特異性較差，例如像多通道遞歸匹配自適應濾波算法、四階卡爾曼濾波算法和LMS濾波算法都存在這一問題[15-19]。主要是因為cSR信號的頻譜結構相較于cVF信號的頻譜結構有更多的重疊部分，想要重建oSR信號要難于重建oVF信號。并且CC干擾信號的高次諧波分量分布在室顫信號3~10 Hz的頻帶內，而這些算法重建的oSR信號無法重建這些高次諧波則會被誤認為室顫信號，得出錯誤的辨識結果。而本文的eLMS算法可以完全重建CC干擾信號，包括高次諧波分量，因此辨識結果的特異性和準確率有明顯提高。
為了提高在胸外按壓期間辨識心電節律的準確性，我們直接使用了在SNR=0 dB時的cECG信號數據集來估算PSR閾值，而未用oECG信號數據集進行訓練。在實際應用中，該算法先要分析目標信號的頻譜結構，判斷是否存在CC干擾。本文通過cECG信號的功率譜密度預估CC干擾信號的相對能量(P%)，如果P%超過了給定閾值(通過上述算法驗證所用cECG信號數據集計算得到)，則判斷為存在CC干擾信號；否則，仍然使用通過oECG信號數據集計算得到的閾值，利用傳統心電節律辨識方法進行辨識。
本研究還存在兩個局限性，首先本文所提eLMS算法的關鍵因素，例如，按壓頻率、CC干擾信號和相對能量(P%)都對cECG信號波形的檢測較為敏感。例如，胸腔變化、肌肉收縮和電極運動都可能影響cECG信號的頻譜結構，從而影響CC干擾信號的重建。所以要盡可能地減少這些干擾，以免影響eLMS算法的準確性。此外，本研究所用cECG信號是通過在不同SNR的情況下混合CC干擾信號和oECG信號所得，并非真實臨床受按壓干擾數據。該線性混合模型是由Aase等[12]提出，并在很多其他相關研究中已經使用[14-15, 17-18, 23-24]，但是，為了貼近臨床實際，提高算法性能，今后仍需要使用真正的臨床數據進行進一步性能驗證。
4 結論
本文介紹了一種新的心電辨識算法——eLMS算法，它成功實現了在僅用cECG信號的情況下濾除CC干擾信號，準確辨識心電節律。從而無需對傳統除顫儀添加任何硬件，有望到臨床實踐中得到廣泛應用。
引言
大量研究表明，近40%的心臟驟停患者會誘發室顫(ventricular fibrillation，VF)[1-2]。室顫心臟驟停患者急需進行心肺復蘇(cardiopulmonary resuscitation，CPR)和及時的電除顫來恢復自主循環[3-4]。然而，因為胸外按壓(chest compression，CC)和呼吸通氣會對心電(electrocardiograma，ECG)信號產生極大的干擾，從而影響自動體外除顫儀(automated external defibrillator，AED)對心電節律的分析，降低了分析結果的準確性[5]。為了提高節律辨識的準確性，需要中斷CC大約15 s[6-7]。但是中斷CC的同時會降低復蘇成功的可能性，甚至會破壞自主循環[8-9]。有研究表明每中斷20 s，復蘇成功的可能性會降低50%[10]。如果可以進行連續CC，復蘇成功的可能性會有明顯提高[11]。因此，為了在不間斷CC的情況下得到可靠的心電節律辨識結果，有效降低CC中斷時間，就要抑制CC干擾信號，從帶有混疊的干擾信號中提取原始心電(original ECG，oECG)信號。
目前已有大量在連續CC情況下辨識心電節律的相關研究。大部分研究中提到的抑制CC干擾信號的方法均需要用到與CC干擾信號相關的其它參考信號，這就需要對除顫儀添加額外硬件以獲取相關參考信號[12-15]。在眾多的自適應濾波算法中，由Eilevstjnn等[15]提出的多通道遞歸匹配自適應(the multichannel recursive adaptive matching pursuit，MC-RAMP)濾波算法已經投入到實際應用中。該濾波算法用到了4個參考信號，即ECG信號、呼吸阻抗信號、按壓深度信號和按壓加速度信號。然而，此法所需參考信號較多，需做大量的工作去獲取相關參考信號，且參考信號有時與ECG信號的相關程度較低，這些參考信號可能會對CC干擾信號的重建產生無效甚至有害的影響。最新研究表明，由Irusta等[16]提出的最小均方(leastmean-square，LMS)濾波算法可以解決這一問題，該方法僅需要按壓頻率作為參考信號。通過驗證實驗表明，使用LMS濾波算法計算得出的CC干擾信號模型較為可靠，濾波效果較好。然而，無論是按壓頻率作為參考信號，還是其他CC相關信號作為參考信號，上述兩種方法都需要添加額外硬件來獲取參考信號。分別由Aramendi等[17]和DE等[18]最新提出的自適應濾波(adaptive filter，adap-filter)算法-卡爾曼自適應濾波算法，只需利用受干擾的心電(corrupted electrocardiograma，cECG)信號即可直接濾除CC干擾信號，無需其他參考信號，但是該方法的濾波效果要劣于上述兩個方法。Li等[19]提出了形態一致性評估(morphology consistency，Morp.Cons)算法，該算法通過對cECG信號進行時頻域分析，提取規則心電節律的特征值，來實現對心電節律的辨識。雖然該算法具有較好的辨識效果，但需要高速計算能力支持，因此Morp.Cons算法在臨床上尚未得到廣泛的應用。
目前，本文提出了一種新的濾波方法，僅用cECG信號即可實現CC干擾分量的濾除，從而保證在連續CC情況下，實現對心電節律的準確辨識。相對于其他方法而言，該算法僅需軟件的修改來提取按壓頻率信號，并結合LMS濾波算法建立CC干擾信號模型，最終實現濾波，無需任何額外硬件的支持。課題組在不同信噪比(signal-to-noise ratio，SNR)的情況下混合ECG信號和CC干擾信號得到cECG信號，然后用cECG信號進行實驗，驗證該算法的實用性和可靠性，結果表明本算法性能較佳，有效降低了體外除顫儀的研制成本，可準確辨識心電節律，大大提高了心肺復蘇成功的可能性。
1 算法
本文所述增強最小均方(Enhanced leastmean-square，eLMS)算法流程圖如圖 1所示，本文所需oECG信號數據是通過在Creighton大學室性快速性心律失常數據庫(Creighton University ventricular tachyarrhythmia database，CUDB)和MIT-BIH惡性室性心律失常數據庫(malignant ventricular arrhythmia database，MVFDB)獲得[21-22]，這些數據通過截止頻率為70 Hz，采樣頻率為250 Hz，采樣精度為12位的一個有源二階貝塞爾低通濾波器進行預處理，并最終疊加CC干擾信號得到cECG信號數據(詳情請見2.1.2節)。想要準確可靠地辨識心電節律，首先要濾除CC干擾分量，重建無干擾的oECG信號。在CC過程中，CC干擾信號近似為周期信號，因此可以根據信號特征設計帶通濾波器進行初步濾波，以便獲取按壓頻率信號，然后使用LMS濾波算法根據按壓頻率信號重建CC干擾信號。oECG信號可以通過cECG信號減去重建的CC干擾信號得到。最后，我們設計了相空間重構(phase space reconstruction，PSR)算法來進行心電節律辨識，辨別出室顫節律和正常竇性(normal sinus rhythm，SR)節律。整個心電節律辨識算法僅使用了cECG信號，無需其他參考信號。
圖1
心電節律辨識算法流程圖
Figure1.
Flowchart of the ECG rhythm identification algorithm
1.1 估算按壓頻率
有研究對cECG信號的頻譜結構進行分析后，發現CC干擾信號分布在低頻帶上，而oECG則分布在高頻區域[17]。基于這一發現，將cECG信號在低頻帶上的主頻分量近似為CC干擾信號的基頻。本研究的第一步是設計一個帶通濾波器對cECG信號進行初步濾波(并非濾除CC干擾信號)，以便獲取按壓頻率信號，經過Aramendi等[17]研究發現濾波帶寬一般選取為1~3 Hz，所以本研究的濾波帶寬為1~3 Hz。該帶通濾波器為有限長單位沖激響應(finite impulse response，Fir)濾波器，具體實現公式如下：
| $y\left( n \right) = \sum\limits_{r = 1}^m {h\left( r \right) * x\left( {n - r} \right)} $ |
其中，r是Fir濾波器的抽頭數；m是濾波器的階數，此處為200；x(n-r)是延時，r個抽頭的輸入信號；h(r)是第r級抽頭數(單位脈沖響應)；y(n)表示濾波器的輸出序列。我們可以根據初步濾波后的ECG信號y(n)求出按壓最大值點，即極小值點(如圖 2所示“+”標記)，每個“+”標記之間的時間間隔可以表示為一個CC時間間期(即每次按壓周期)，從而計算得出按壓頻率信號和相位。
圖2
帶通濾波前后對比圖
Figure2.
Comparison of figures between those before and after the bandpass filter
1.2 計算原始心電信號
根據上面得到的按壓瞬時點可以計算出瞬時按壓頻率和相位，計算公式如下：
| ${f_1} = \frac{{{f_s}}}{{{n_{i + 1}} - {n_i}}} = \frac{{{f_s}}}{{\Delta {n_i}}}\;\;\;{n_i} \leqslant n \leqslant {n_{i + 1}}$ |
| $\varphi \left( n \right) = \frac{{2\pi }}{{\Delta {n_i}}}\left( {n - {n_i}} \right) + 2\pi i\;\;\;{n_i} \leqslant n \leqslant {n_{i + 1}}$ |
其中，fs是采樣頻率，i表示第i個按壓瞬時點，ni就表示第i個按壓瞬間的時間，fi是第i個CC周期的瞬時按壓頻率，φ(n)表示瞬時相位。而在CC期間，重建的CC干擾信號模型是通過傅里葉級數來表示，如式(4)、(5)所示：
| ${S_{cpr}}\left( n \right) = \sum\limits_{k = 1}^N {{c_k}\left( n \right)\cos \left[ {k\varphi \left( n \right) + {\varphi _k}\left( n \right)} \right]} $ |
| $ = \sum\limits_{k = 1}^N {\left( n \right){a_k}\left( n \right)\cos \left[ {k\varphi \left( n \right)} \right] + {b_k}\left( n \right)\sin \left[ {k\varphi \left( n \right)} \right]} $ |
表示為具有k個諧波的正弦函數，其中ck(n)表示振幅，φk(n)表示的是第k次諧波的相位，它們都是實時變化的。而式(5)同樣代表CC干擾信號模型，其中ak(n)和bk(n)分別表示同相和正交分量，它們是濾波器的系數，用LMS濾波算法來遞歸更新這兩個系數[16]。
如圖 3所示，為eLMS濾波算法流程示意圖，其中Sin(n)是輸入的cECG信號，Scpr(n)表示重建的CC干擾信號，Secg(n)即為輸出的oECG信號，它是通過cECG信號減去重建的CC干擾信號獲得。其中，CC干擾信號是通過它的同相和正交分量ak(n)和bk(n)進行重建，其中ak(n)和bk(n)還表示濾波器系數，并且它們在LMS算法中是實時更新的。我們把濾波器系數按時間點n排成兩個列向量，a(n)為同相系數，b(n)為正交系數，表述如式(6)、(7)：
圖3
eLMS濾波算法流程圖
Figure3.
Flowchart of the eLMS filtering algorithm
| $a\left( n \right) = {\left[ {{a_1}\left( n \right), \cdots ,{a_N}\left( n \right)} \right]^T}$ |
| $b\left( n \right) = {\left[ {{b_1}\left( n \right), \cdots ,{b_N}\left( n \right)} \right]^T}$ |
其中，N表示重建CC干擾信號模型中包含的諧波個數。CC干擾信號模型中N個諧波的同相和正交參考信號則用兩個行向量進行表示，如式(8)、(9)：
| ${S_I}\left( n \right) = \left\{ {\cos \left[ {\varphi \left( n \right)} \right], \cdots ,\cos \left[ {k\varphi \left( n \right)} \right]} \right\}$ |
| ${S_Q}\left( n \right) = \left\{ {\sin \left[ {\varphi \left( n \right)} \right], \cdots ,\sin \left[ {k\varphi \left( n \right)} \right]} \right\}$ |
而重建的CC干擾信號模型和oECG信號可以用下式表示：
| ${S_{cpr}}\left( n \right) = {S_1}\left( n \right)a\left( n \right) + {S_Q}\left( n \right)b\left( n \right)$ |
| ${S_{ecg}}\left( n \right) = {S_{in}}\left( n \right) - {S_{cpr}}\left( n \right)$ |
a(n)和b(n)通過LMS算法進行實時更新，遞歸方程如下：
| $a\left( {n + 1} \right) = a\left( n \right) + 2{S_{ecg}}\left( n \right)MS_I^T\left( n \right)$ |
| $b\left( {n + 1} \right) = b\left( n \right) + 2{S_{ecg}}\left( n \right)MS_Q^T\left( n \right)$ |
a(n)和b(n)的初始值設為0，矩陣M是由每個諧波分量的步長μk組成的對角矩陣，如式(14)、(15)所示：
| $M = diag\left( {{\mu _1}, \cdots ,{\mu _N}} \right)$ |
| ${\mu _k} = \frac{1}{k}{\mu _0}\;\;\;\;k = 1, \cdots ,N$ |
經過實驗對比分析，發現在N=5，μ0=0.034 2時濾波效果最好，敏感性和特異性最高。
1.3 心電節律辨識
獲取oECG之后，便要進行心電節律的辨識，我們采用了一個延時算法-PSR算法來辨識心電節律[20]。相對于其他的心電節律辨識算法，該算法計算時間較短，并且可以獲得較高的敏感性和特異性[20-21]。它是將一個二維相空間圖分成一個40×40的網格圖，其中x軸用x(t)表示，y軸用x(t+τ)(τ表示延時時間常數)表示，以此來辨識ECG信號的動態變化規律。而室顫信號和正常ECG信號在[x(t)，x(t+τ)]相空間結構分布是不同的，這個40×40的網格圖包含有該ECG信號的最大值到最小值，我們可以根據ECG信號的網格分布來辨識室顫/正常竇性節律。ECG信號的相空間結構示意圖如圖 4所示，其中上面兩幅圖分別為同一SR信號濾波前后對比圖[左圖示為受按壓干擾的正常竇性節律(corrupted normal sinus rhythm，cSR)信號，其所占柵格數為348，右圖示為重建的原始正常竇性節律(original normal sinus rhythm，oSR)信號，所占柵格數為90]；下面兩幅圖分別為同一VF信號濾波前后對比圖[左圖示為受按壓干擾的室顫(corrupted ventricular fibrillation，cVF)信號，其所占柵格數為412，右圖示為重建的原始室顫(original ventricular fibrillation，oVF)信號，所占柵格數為237]。其中延時常數τ=0.5。
圖4
心電信號相空間結構示意圖
Figure4.
Diagram of ECG signal phase space structure
1.4 心電節律辨識閾值選取
為了準確地辨識心電節律，需要確定一個辨識閾值，當計算的PSR值大于閾值則為VF節律，否則為SR。因此課題組使用SNR為0 dB時的cECG數據集作為訓練數據集(training dataset)來確定最佳閾值(信號混疊方法將在后文2.1.2具體介紹)。我們分別將PSR值0~400作為分類閾值，計算其敏感性和特異性，然后在同一坐標系中畫出敏感性和特異性曲線，兩個曲線的交叉點則為最佳閾值點。我們利用該方法得到的最佳閾值為193，此時的敏感性為98.6%，特異性為98.9%，具體情況如圖 5所示。
圖5
最佳閾值示意圖
Figure5.
Diagram of the optimal threshold value
2 實驗與結果
2.1 實驗數據和仿真
2.1.1 重建受按壓干擾心電信號
為了得到實驗所需ECG信號數據，我們將從原始數據庫中得到的oECG信號SECG(n)(包括室顫信號和正常ECG信號)與CC干擾信號SCC(n)在不同SNR的情況下進行疊加，得到cECG信號Scor(n)[12, 14-15, 17-18, 23-24]。疊加公式如下：
| $\begin{gathered} {S_{cor}} = {S_{ECG}}\left( t \right) + std\left[ {{S_{ECG}}\left( t \right)} \right] \times {10^{ - SNR\left( {dB} \right)/20}} \times \hfill \\ \frac{{{S_{CC}}\left( t \right)}}{{std\left[ {{S_{CC}}\left( t \right)} \right]}} \hfill \\ \end{gathered} $ |
其中，std[N]為求得的N的標準差。而SNR分別取值為0、-3、-6、-9和-12 dB，表示不同的干擾強度。oECG信號和CC干擾信號的數據長度均為10 s，混合后的cECG信號數據長度也為10 s。
2.1.2 數據集
本文PSR閾值的確定和算法驗證所需oECG信號數據是通過CUDB和MVFDB獲得[21-22]。這些ECG信號數據首先經過一個有源二階貝塞爾低通濾波器進行預處理，該濾波器的截止頻率為70 Hz，采樣頻率為250 Hz，采樣精度為12位。在本研究中，每個ECG信號片段我們都取用10 s的數據長度，并有5 s的數據重疊。而每個ECG信號片段心電節律辨識的金標準為3名來自武警后勤學院附屬醫院的心內科專家統一確認的結果。我們總共提取了1 040個心電片段，其中包括384個室顫信號片段，656個正常ECG信號片段，并且我們利用邁瑞(BeneHeart D3, Mindary)自動體外除顫儀從12頭心搏停止的實驗豬身上獲取CC干擾信號，而此時CC頻率為100次/min。最終獲得104個數據長度為10 s的CC干擾信號，在進行實驗研究時將它們平均分配到1 040個ECG信號中，即每10個ECG信號疊加同一個CC干擾信號。本研究使用SNR=0 dB時疊加的cECG信號作為訓練數據集進行心電節律辨識最佳閾值的選取。而在SNR=-3、-6、-9、-12 dB的情況下進行混合得到的cECG信號則作為算法的驗證集。
2.2 對比分析
為了更好地驗證本文所提算法性能的可靠性，我們引用了另外兩個已有算法進行對比驗證。第一個對比算法是由Li等[19]提出來的Morp. Cons算法，該算法主要是基于連續小波變換(continuous wavelet transform，CWT)技術，第二個則是由Aramendi等[17]提出的adap-filter算法。這兩個算法的相同之處在于都只需要cECG信號就可以準確辨識心電節律，無需其他參考信號，并且根據已有研究發現這兩種對比算法的性能較好。除了上述算法之外，我們還將cECG信號在不經過濾波以及其他預處理手段的情況下直接進行心電節律辨識的直接PSR辨識算法(PSR-only method，oPSR)作為一個對照組。
2.2.1 形態一致性評估算法
該算法主要是基于連續小波變換技術，最終判斷cECG信號中的QRS波群是否規則，從而判斷出室顫節律/正常竇性節律。首先對cECG信號進行小波變換，然后利用小波變換系數來檢測信號的模峰值[如式(17)所示]以提取特征信號，并定義特征信號為以局部模峰值為中心的持續0.4 s的信號波形。
| $\frac{{{\text{d}}{{\left| {W\left( {a,b} \right)} \right|}^2}}}{{{\text{d}}b}} = 0$ |
其中，W(a, b)為小波變換系數，總共選取4個包含有QRS波的特征信號。然后，利用這4個特征信號構建動態模板，計算模板信號的自相關函數以及該模板與這4個特征信號的互相關函數，公式如下：
| ${\varphi _{xx}}\left( t \right) = \int\limits_{ - \infty }^{ + \infty } {x\left( {t + \tau } \right)x\left( \tau \right){\text{d}}\tau } $ |
| ${\varphi _{xy}}\left( t \right) = \int\limits_{ - \infty }^{ + \infty } {x\left( {t + \tau } \right)y\left( \tau \right){\text{d}}\tau } $ |
最后，為了對形態一致性有一個量化的區分指標，需要分別比較互相關函數與4個自相關函數的差異性，計算出4個殘差值，如式(20)所示：
| $Residual = \sum\limits_{i = 1}^n {\left| {{\varphi _{xy}}\left( i \right) - {\varphi _{xx}}\left( i \right)} \right|} $ |
如果殘差大于給定閾值(經過實驗驗證，最佳閾值為33)，則認為選取的特征信號的QRS波群不規則，規定4個殘差值中至少有3個小于閾值，該cECG信號被認為有組織節律，即正常竇性節律，反之，則被認為無組織節律，即室顫節律。
2.2.2 自適應阻帶濾波算法
根據cECG信號的頻譜結構分布，發現CC干擾信號與室顫信號/正常ECG信號在頻帶上的分布是不同的，基于這一點設計一個自適應阻帶濾波器，可以成功地從cECG信號中提取出oECG信號，該濾波器的中心頻率是變化的。最終，設計的自適應阻帶濾波器(4-tap，巴特沃斯逼近，零相位和2.2 Hz的帶寬)窗口寬度4.8 s，而中心頻率f0則為CC干擾信號的基頻，即cECG信號在1~3 Hz頻帶內求得的主頻率。根據f0的變化調整濾波器，最終輸出oECG信號，并使用PSR算法辨識心電節律。其中濾波器相關參數和PSR閾值都是經過數據訓練后求得的最佳值。
2.3 統計方法
為了驗證前面提到的4個算法(oPSR算法、adap-filter算法、Morp. Cons算法以及eLMS算法)的性能，本文采用了敏感性、特異性以及準確率來作為評判指標。敏感性定義為能夠準確辨識室顫節律的能力，特異性為能夠準確辨識正常竇性節律的能力，準確率則為對ECG信號準確辨識的能力。
2.4 結果
經過對實驗數據的全面分析，得出4種算法的性能驗證結果，如表 1所示：
表1
性能驗證對比結果
Table1.
Performance verification results
隨著CC干擾信號強度的增加，這4種算法辨識結果的敏感性沒有明顯變化，而它們的特異性和準確率卻明顯下降。當CC干擾信號較強時，對于oPSR算法和adap-filter算法而言，它們辨識結果的特異性和準確率都較低。在SNR從-3 dB增加到-12 dB的情況下，這兩種算法計算得到的特異性分別減少了53.76%和46.55%，準確率分別減少了35.96%和31.18%。上述結果表明，這兩種算法對CC干擾信號較為敏感。
如表 1所示，Morp. Cons算法的辨識結果明顯優于前兩種算法，但是，當CC干擾信號強度較大(即SNR=-9、-12 dB)時，計算的特異性和準確率依然較低。相比較之下，eLMS算法辨識結果最佳，即使在CC干擾信號最強(即SNR=-12 dB)時，得到的敏感性和特異性依然較高(敏感性97.61%，特異性為84.26%，準確率為89.16%)，相較于oPSR算法，它的特異性和準確率分別提高了57.89%和36.88%，敏感性則沒有明顯變化。
eLMS算法濾波前后的波形示意圖如圖 6所示，cECG信號是在SNR=-9 dB情況下得到，諧波次數(K)和步長μ0分別定為5和0.034 2，圖中分別顯示了正常ECG信號和室顫信號的濾波前后對比波形，以及oECG信號和CC干擾信號波形。左側圖形給出了正常ECG信號的相關波形，自上而下總共列出四個信號波形，分別為cSR信號、重建的按壓干擾(estimated chest compression，eCC)信號、oSR信號以及重建的正常竇性節律(estimated normal sinus rhythm，eSR)信號；右側圖形則描述了室顫信號的相關波形，同樣給出了cVF信號、eCC信號、oVF信號以及重建的原始室顫(estimated ventricular fibrillation，eVF)信號。對eSR信號進行節律辨識，得出PSR值為164＜193(PSR閾值)為正常竇性節律，辨識結果正確；辨識eVF節律得出PSR值為232＞193為室顫節律，辨識結果正確。
圖6
濾波前后對比圖
Figure6.
Comparison of figures between those before and after filtering
3 討論
本文介紹了一種新的心電辨識算法——eLMS算法。該算法可以僅利用cECG信號實現心電節律辨識，無需其他參考信號。相較于adap-filter算法和Morp. Cons算法，該算法可以更加準確地辨識心電節律，特異性和準確率有明顯提高。最新研究發現，還有一些其他相關算法也可以濾除CC干擾信號，但是需要一些其他參考信號來輔助實現，并且這些算法的性能已經通過相關仿真實驗或者臨床試驗得到驗證[12-15]。但是本文無法將eLMS算法直接與這些算法進行比較，因為本文所用數據庫只記錄了cECG信號，沒有記錄其他相關參考信號。本文對比驗證的4個心電辨識算法都是在不同SNR(SNR=-3、-6、-9和-12 dB)的情況下進行驗證。結果表明，SNR值越低，這些算法辨識結果的敏感性、特異性和準確率越低。但eLMS算法的辨識結果在任何SNR情況下都要優于oPSR算法、adap-filter算法以及Morp. Cons算法，相較于特異性和準確率的大幅下降，敏感性則無明顯變化。尤其對于oPSR算法和adap-filter算法變化尤為明顯。對于在CC期間辨識心電節律，很多算法都存在一個問題，即特異性較差，例如像多通道遞歸匹配自適應濾波算法、四階卡爾曼濾波算法和LMS濾波算法都存在這一問題[15-19]。主要是因為cSR信號的頻譜結構相較于cVF信號的頻譜結構有更多的重疊部分，想要重建oSR信號要難于重建oVF信號。并且CC干擾信號的高次諧波分量分布在室顫信號3~10 Hz的頻帶內，而這些算法重建的oSR信號無法重建這些高次諧波則會被誤認為室顫信號，得出錯誤的辨識結果。而本文的eLMS算法可以完全重建CC干擾信號，包括高次諧波分量，因此辨識結果的特異性和準確率有明顯提高。
為了提高在胸外按壓期間辨識心電節律的準確性，我們直接使用了在SNR=0 dB時的cECG信號數據集來估算PSR閾值，而未用oECG信號數據集進行訓練。在實際應用中，該算法先要分析目標信號的頻譜結構，判斷是否存在CC干擾。本文通過cECG信號的功率譜密度預估CC干擾信號的相對能量(P%)，如果P%超過了給定閾值(通過上述算法驗證所用cECG信號數據集計算得到)，則判斷為存在CC干擾信號；否則，仍然使用通過oECG信號數據集計算得到的閾值，利用傳統心電節律辨識方法進行辨識。
本研究還存在兩個局限性，首先本文所提eLMS算法的關鍵因素，例如，按壓頻率、CC干擾信號和相對能量(P%)都對cECG信號波形的檢測較為敏感。例如，胸腔變化、肌肉收縮和電極運動都可能影響cECG信號的頻譜結構，從而影響CC干擾信號的重建。所以要盡可能地減少這些干擾，以免影響eLMS算法的準確性。此外，本研究所用cECG信號是通過在不同SNR的情況下混合CC干擾信號和oECG信號所得，并非真實臨床受按壓干擾數據。該線性混合模型是由Aase等[12]提出，并在很多其他相關研究中已經使用[14-15, 17-18, 23-24]，但是，為了貼近臨床實際，提高算法性能，今后仍需要使用真正的臨床數據進行進一步性能驗證。
4 結論
本文介紹了一種新的心電辨識算法——eLMS算法，它成功實現了在僅用cECG信號的情況下濾除CC干擾信號，準確辨識心電節律。從而無需對傳統除顫儀添加任何硬件，有望到臨床實踐中得到廣泛應用。
