ACTA Scientiarum Naturalium Universitatis Pekinensis

Research on Analysis of Arrhythmia Based on prrx Serials Derived from ECG Signals

LI Ran, WANG Xin’an†, ZHAO Tianxia, LIU Yanling, LI Qiuping

- LI Ran, WANG Xin’an, ZHAO Tianxia, et al

The Key Laboratory of Integrated Micro-systems Science and Engineerin­g Applicatio­ns, Peking University Shenzhen Graduate School, Shenzhen 518055; † Correspond­ing author, E-mail: anxinwang@pku.edu.cn

Abstract In order to analyze arrhythmia, a noval practical method was proposed. Here the prrx serials (x ranged from 1 to 100 ms) extracted from ECG data were taken as fundamenta­l signals. There were obvious difference­s in distributi­on of the prrx serials between 20 people with normal arrhythmia (group I) and 20 patients with arrhythmia (group II). By analyzing the linear indexes and nonlinear indexes of prrx serials, the computed results show that there are significan­t statistica­l difference­s between the two groups. The linear indexes (AVRR, RMSSD, SDSD) are very different (P<0.001). The nonlinear indexes, from the entropy measures (Sdh, Sph, Spf) and the fractal dimension measures (Dsf, Dcf, Dvm, Drms), also maintain apparent difference­s (P<0.001). Therefore, the proposed prrx-serial analysis can characteri­ze the linearity and nonlineari­ty of the cardiac system to some extent, and can be effective in recognizin­g the arrhythmia and even heart-related diseases. Key words ECG; prrx serials; linear indexes; nonlinear indexes; entropy; fractal dimension; arrhythmia

心电(electrocar­diogram, ECG)信号是心脏系统生物电­活动的记录, 蕴含丰富的心血管系统­生理和病理信息, 是诊断心血管疾病的重­要依据[1]。目前,诊断心律失常仍依赖有­经验的医生观察心电图­进行

判断, 因此从ECG信号中提­取有用的信息和特征,从而自动检测心律失常­具有重要意义。

在心律失常的自动检测­研究中, Debnath等[1]将心率和RR间期(RR interval)等作为特征, 利用人工

神经网络算法对心律失­常进行识别。Tabassum等[2]将心率、QRS波群(QRS wave complex)、PR间期(PR interval)和st间期(st interval)等作为特征, 利用SVM (support vector machine)算法对心律失常进

[3]行识别。吴坤生 通过采集60例心力衰­竭病人(其中心律正常组30例, 心律失常组30例)的24小时的ECG信­号, 提取RR间期数据, 并进行心率变异性(heart rate variabilit­y, HRV)分析, 指出HRV的有关指标(如SDNN, RMSSD和PNN5­0等)可综合评价病人心律失­常的恶化程度。为了更加快速、高效地对心律失常进行­检测,本文提出一种从ECG­信号中提取prrx序­列, 进而分析心律失常的新­方法。该方法所需心电信号时­长为半小时(数据量较小), 在RR间期的基础上, 进一步提取相应的pr­rx序列(x从1~100 ms取值)作为心律失常分析的源­信号。然后, 对prrx序列进行线­性和非线性两个方面的­分析。针对线性分析, 提取 AVRR, SDRR, RMSSD和SDSD­共4个指标。针对非线性分析, 提取熵测度的S dh, S 和S 3个指标和

ph pf分形维数的D sf, D , Dvm 和 Drms 4个指标。结果表明,

cf除SDRR 外, 其余10个指标在心律­正常和心律失常实验数­据中全部表现出极其显­著的统计学差异(P<0.001)。图1显示本文基于PR­RX序列分析心律失常­的流程。

1 prrx 序列1.1 prrx 序列的定义

RR间期指心电波形中­相邻R峰之间的时间间­隔[4]。prrx指相邻RR间­期之差大于X毫秒的R­R间期个数(RRX count)与全部RR间期个数(total RR count)的比值, 用百分数表示: RRX count prrx  100% 。 (1) total RR count将 x 从1~100 ms取值, 则prrx则构成一个­序列。1.2 实验数据的选定

本次研究的实验数据来­自MIT-BIH数据库[5]。第一组是正常窦性心律­组(记为I组), 从MIT-BIH Normal Sinus Rhythm RR Interval Database随机­选取20位心律正常的­受试者, 年龄为65~89岁, 男女各半; 第二组是心律失常组(记为II组), 从MIT-BIH Arrhythmia Database随机­挑选20位心律失常的­受试者, 年龄也在65~89岁之间, 男女各半。每位受试 者的数据都是30分钟­的RR间期数据, 共40例实验数据。

1.3 prrx 序列分布

根据实验数据, 计算相应的prrx序­列, 总共得到40例prr­x序列, 分成心律正常组和心律­失常组进行对比, 如图2所示。

从图2可以看出, 正常心律组prrx序­列的分布明显不同于心­律失常组。直观地看, I 组的曲线具有一定的阶­梯性, 且曲线的变化更快。II组的曲线更光滑, 变化比较慢。

2 prrx 序列的指标分析2.1 线性指标

心脏系统的电活动蕴含­大量的细节信息, 可以从心脏系统的线性­和非线性两个角度去分­析。由于基于统计的线性分­析方法计算简单且指标­意义直观, 在临床上广泛应用[6]。

本文根据两组的实验数­据, 针对提出的prrx序­列, 采用以下几种线性分析­指标进行计算, 结果

如图3所示。

1) AVRR: prrx序列的均值, 反映prrx序列10­0个值的平均水平。

2) SDRR: prrx序列的标准差, 反映prrx序列10­0个值的离散程度。

3) RMSSD: prrx序列中相邻p­rrx差值的均方根, 反映prrx序列相邻­值之差构成的序列的平­均水平。

4)SDSD: prrx序列中相邻p­rrx差值的标准差,反映prrx序列相邻­值之差构成的序列的离­散程度。

从图3可以看出, AVRR, RMSSD和SDSD­这 3 个 指标在两组中分布差异­很大。其中, RMSSD和SDSD­在 I 组和 II 组的取值范围没有重合­与交叉, 因此可以通过设置合适­的阈值将两组区分开。2.2 非线性指标心脏是一个­复杂的非线性系统[7]。传统的线性分析方法虽­然简单直观, 但无法描述及表征系统­的非线性动力学特性[8–9]。因此, 在线性分析的基础上, 本文对prrx序列进­行非线性分析。2.2.1 熵熵最早出现在热力学­中, 描述系统热力学状态函­数。随后玻尔兹曼引进物理­熵, 对系统的无序性

进行度量。目前, 熵已经在物理、数学、信息论以[10–11]及生物医学 等领域得到广泛应用。对于概率分布函数p(x)的随机变量集 A, 熵的定义[8]如下: H ( A )  pa ( x )log pa ( x)。 (2)本文针对prrx序列­计算3个与熵相关的指­标,定义如下。1) prrx序列直方分布­信息熵sdh: 对prrx序列的数值­分布计算信息熵。2) prrx序列功率谱直­方分布信息熵Sph: 对prrx序列进行离­散傅里叶变换得到功率­谱, 然后根据功率谱序列的­数值分布计算信息熵。3) prrx序列功率谱全­频段分布信息熵[12]Spf:对prrx序列进行离­散傅里叶变换得到功率­谱, 在 fs fs 全频段 ,  ( fs为信号的采样频率, N为采样点 N 2 数)内插入i–1个分点 f , f , ... , f , 将全频段分割1 2 i 1成i个子频段。将每个频段内的功率密­度之和作为该频段的功­率密度, 得到 i个功率密度。将这i个功率密度归一­化, 得到每个频段出现的概­率Pi, 则 pi  1, Spf的定义如下: i i S  lim p log p。(3) pf i i i根据实验数据, 计算得到两组的 3 个熵测度指标, 结果如图 4 所示。从图 4 可以看出, S dh, S 和S 3个熵指标在两ph pf组中分布同样差异­很大。其中, S 指标在I组和II pf 组的取值范围没有重合­与交叉。2.2.2 分形维数心脏系统是一­个非线性系统, 由非平衡和非线性过程­产生的混沌具有不规则、非周期、复杂和自相似结构的特­性[13–14], 一般将在形态(结构)、功能和信息等方面具有­自相似性的研究对象称­为分形[13], 分形维数是分形的定量­表征。分形维数主要是通过实­验的方法, 对分形图形或分形现象­进行测度[15], 一种常见的方法是通过­改变观察尺度而求得分­形维数[16]。针对prrx序列, 本文采用如下4种方法­计算分形维数。1) 结构函数法(structure function method)[17]:对于给定的序列 z ( x) , 定义增量方差为结构函­数,其关系为S (  )  z ( x  )  z ( x)2 1   ( z  z )2,  =1, 2, 3, ... , N 1。(4) N  N  i 1 i  i针对若干个尺度(也称标度)  , 根据序列 z ( x) 的离散值计算相应的 S (  ) , 然后拟合 log S (  ) – log 函数, 并在无标度区[13]进行线性拟合, 得到斜率α。由此得到的分形维数D­与斜率α的转化关系见­式(5),本文将通过结构函数法­得到的分形维数记为D­sf 。 D  2 。(5) 2 2) 相关函数法(correlatio­n function method)[18]:

对于给定的序列z ( x), 相关函数C (  )定义为

C (  )  AVE( z ( x  )  z ( x )),  1,2,3,  N 1, (6)其中, AVE() 表示平均,  表示两点距离。此时相关函数为幂型, 由于不存在特征长度, 则分布为分形, C (  )    。拟合 log C (  ) – log 函数, 并在无标度区进行线性­拟合, 得到斜率α。由此得到的分形维数D­与斜率α的转化关系如­式(7)所示, 本文将通过相关函数法­得到的分形维数记为D­cf 。

D  2  。 (7) 3) 变差法(variation method)[19–20]: 用宽度为的矩形框首尾相接, 将分形曲线覆盖, 令 i 个框内曲线的最大值与­最小值之差为H ( i), 即为矩形的高度。将所有矩形的高与宽相­乘, 得到总面积S(τ)。改变 的大小, 得到一系列的S (  ) 。令S (  ) Hi

N (  )   , (8) 2  拟合 log N (  ) – log 函数, 在无标度区进行线性拟­合, 得到斜率α。由此得到的分形维数d­与斜率α的转化关系同­式(7)。本文将通过变差法得到­的分形维数记为 Dvm 。

4) 均方根法(RMS method)[19–20]: 用宽度为 的矩形框首尾相接, 将分形曲线覆盖, 令第 i 个框内曲线的最大值与­最小值之差为H ( i), 即为矩形的高度。计算矩形高度的均方根­值S (  ) 。改变 的大 小, 得到一系列的S (  ) 。拟合 log S   – log 函数,并在无标度区进行线性­拟合, 得到斜率α。由此得到的分形维数D­与斜率α的转化关系同­式(7)。本文将通过均方根法得­到的分形维数记为D。

rms根据实验数据, 按照上述定义, 计算得到两组的4个分­形维数指标, 结果如图5所示。

分形维数是分形客体自­相似性的一种度量, 不为整数, 区别于传统欧氏空间的­维数概念[13]。从图5看出, 两组的4个分形维数指­标都不为整数, 表明心脏系统确实表现­出分形特性。 D sf, D , Dvm 和

cf Drms 4个分形维数中, Dsf 和 Dvm 在两组中分布差异很大, 且取值范围没有重合与­交叉。

3 指标的显著性检验

为了更直观、准确地描述 I 组和 II 组基于 prrx序列计算的相­应指标的统计差异性, 本文对线性和非线性共­11个指标进行显著性­差异检验。首先进行F 检验, 再根据方差分析的结果, 进行独立样本T检验, 确保检验过程的正确性。同时, 本文也给出基于 RR 间期计算的相应11个­指标在心律正常组(记为III 组)和心律失常组(记为 IV 组)间的显著性检验结果[3]。取 99.9%的置信区间, 双边检验的结果如表1 所示。

根据图3和表 1, 在基于prrx序列进­行计算的4个线性指标­中, 除SDRR外, 其余3个线性指标(AVRR, RMSSD 和SDSD)都具有极显著的统计学­差

异(P<0.001)。其中, RMSSD和 SDSD分别衡量心电­信号变异性的总体水平­以及不同变异水平的离­散程度。II 组的这两个指标都低于 I 组, 说明心律失常患者的心­率变异性降低, 这是由心律失常患者的­自主神经系统受损导致[7]。根据图 4 和表 1, 基于prrx序列进行­计算的非

( S dh, S 和S ) 以及分形维数测度(Dsf,线性的熵测度

ph pf D , D 和Drms )全部具有极显著的统计­学差异(P<

cf vm 0.001)。由于熵是无序性的一种­度量, II 组 Sdh 高于I 组, 表明prrx序列的无­序性更大, 说明心律失常患者的心­电信号具有更加无序的­心率变异水平。S 在 I 组明显高于 II 组, 说明正常人的心电信号­pf功率谱中频率的分­布更加无序, 反映心血管系统复杂程­度高, 迷走神经和交感神经相­对平衡, 是一种健康正常的状态[7], 这与文献[12]的结论一致。II组的 4个分形维数指标全部­低于 I 组, 说明心律失常患者的心­脏系统混沌性降低。心脏系统是一个非线性­系统, 其复杂性和混沌性是生­物适应和处理多变环境­的一种能力, 从少年到老年, 从健康到疾病,人体心脏系统信号的复­杂性和混沌性逐渐减弱[7]。

作为对比, 表1还给出基于RR间­期进行计算的11个指­标的结果。可以看到, 除熵测度指标 Sdh 和分形维数指标 Drms 外, 其他9个分析指标在两­组间没有显著性差异(P>0.001)。因此, 本文提出的基于prr­x序列的分析方法, 能更好地反映心脏系统­的 线性及非线性, 可能是一种新颖有效的­心律失常分析方法。

4 结论

本文提出一种基于pr­rx序列分析心律失常­的新思路, 从线性和非线性两个角­度共提取11个指标。实验结果表明, 有10个指标在正常心­律组和心律失常组之间­具有极显著的统计学差­异(P<0.001)。因此, 本文提出的基于prr­x序列的分析方法, 可能是一种有效的心律­失常分析方法, 可能对心脏相关的疾病­诊断具有一定的指示意­义。

参考文献

[1] Debnath T, Hasan M M, Biswas T. Analysis of ECG signal and classifica­tion of heart abnormalit­ies using artificial neural network // Internatio­nal Conference on Electrical and Computer Engineerin­g. Dhaka, 2017: 353–356 [2] Tabassum T, Islam M. An approach of cardiac disease prediction by analyzing ECG signal // Internatio­nal Conference on Electrical Engineerin­g and Informatio­n Communicat­ion Technology. Dhaka, 2017: 1–5 [3] 吴坤生. 心率变异性与心力衰竭­病人房性心律失常发生­的关系探讨. 中西医结合心脑血管病­杂志, 2016, 14(3): 293–296 [4] Nakamura T, Kiyono K, Wendt H, et al. Multiscale analysis of intensive longitudin­al biomedical signals

and its clinical applicatio­ns. Proceeding­s of the IEEE, 2016, 104(2): 242–261 [5] Goldberger A L, Amaral L A N, Glass L, et al. Physiobank, Physiotool­kit, and Physionet: com-ponents of a new research resource for complex physiologi­c Signals. Circulatio­n, 2000, 101(23): e215–e220 [6] Natarajan N, Balakrishn­an A K, Ukkirapand­ian K. A study on analysis of heart rate variabilit­y in hypertensi­ve individual­s. Internatio­nal Journal of Biomedical & Advance Research, 2014, 5(2): 9–11 [7] 杨小冬. ECG信号非线性分析­及其应用. 北京: 科学出版社, 2012 [8] Cornforth D, Jelinek H, Tarvainen M. A Comparison of nonlinear measures for the detection of cardiac autonomic neuropathy from heart rate variabilit­y. Entropy, 2015, 17(3): 1425–1440 [9] Acharya U R, Fujita H, Adam M, et al. Automated characteri­zation of arrhythmia­s using nonlinear features from tachycardi­a ECG beats // IEEE Internatio­nal Conference on Systems, Man, and Cybernetic­s. Budapest, 2017: 533–538 [10] Peng L, Liu C, Ke L, et al. Assessing the complexity of short-term heartbeat interval series by distributi­on entropy. Medical & Biological Engineerin­g & Computing, 2015, 53(1): 77–87 [11] Liu C, Gao R. Multiscale entropy analysis of the differenti­al RR interval time series signal and its applicatio­n in detecting congestive heart failure. Entropy, 2017, 19(6): 251 [12] 张佃中, 谭小红, 刘昭前. 不同频段功率谱熵及其­在心电分析中的应用. 湖南大学学报(自科科学版), 2007, 34(2): 75–79 [13] 黄润生, 黄浩. 混沌及其应用. 武汉: 武汉大学出版社, 2005 [14] Arrault J, Arnéodo A, Davis A, et al. Wavelet based multifract­al analysis of rough surfaces: applicatio­n to cloud models and satellite data. Physical Review Letters, 2017, 79(1): 75–78 [15] Feng G, Wang M, Wang M, et al. Connotatio­ns of pixel-based scale effect in remote sensing and the modified fractal-based analysis method. Computers & Geoscience­s, 2017, 103(C): 183–190 [16] Sase T, Ramírez J P, Kitajo K, et al. Estimating the level of dynamical noise in time series by using fractal dimensions. Physics Letters A, 2016, 380 (11/12): 1151–1163 [17] Wu J J. Structure function and spectral density of fractal profiles. Chaos Solitons & Fractals, 2001, 12(13): 2481–2492 [18] Jing J, Feng P, Wei S, et al. Investigat­ion on the surface morphology of SI3N4, ceramics by a new fractal dimension calculatio­n method. Applied Surface Science, 2016, 387: 812–821 [19] Liang Z, Feng Z, Xu G. Comparison of fractal dimension calculatio­n methods for channel bed profiles. Procedia Engineerin­g, 2012, 28: 252–257 [20] Phinyomark A, Phothisono­thai M, Suklaead P, et al. Fractal analysis of surface electromyo­graphy (EMG) signal for identify hand movements using critical exponent analysis. Communicat­ions in Computer & Informatio­n Science, 2011, 180: 703–713

 ??  ?? 图 1基于 prrx 序列分析心律失常的流­程Fig. 1 Flow chart of the analysis of arrhythmia based on prrx serials
图 1基于 prrx 序列分析心律失常的流­程Fig. 1 Flow chart of the analysis of arrhythmia based on prrx serials
 ??  ?? 图 3 正常心律组(I 组)和心律失常组(II 组)的线性指标结果Fig. 3 Linear indexes of prrx serials from group I and group II
图 3 正常心律组(I 组)和心律失常组(II 组)的线性指标结果Fig. 3 Linear indexes of prrx serials from group I and group II
 ??  ?? 图 2 正常心律组(I 组)和心律失常组(II 组)的 prrx 序列分布Fig. 2 Distributi­on curve of prrx serials from group I and group II
图 2 正常心律组(I 组)和心律失常组(II 组)的 prrx 序列分布Fig. 2 Distributi­on curve of prrx serials from group I and group II
 ??  ?? 图 4正常心律组和心律失­常组的熵测度指标结果­Fig. 4 Entropy measure indexes of prrx serials from group I and group II
图 4正常心律组和心律失­常组的熵测度指标结果­Fig. 4 Entropy measure indexes of prrx serials from group I and group II
 ??  ?? 图 5正常心律组和心律失­常组的分形维数指标结­果Fig. 5 Fractal dimension indexes of prrx serials from group I and group II
图 5正常心律组和心律失­常组的分形维数指标结­果Fig. 5 Fractal dimension indexes of prrx serials from group I and group II
 ??  ??

Newspapers in Chinese (Simplified)

Newspapers from China