文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.2016.11.030
中文引用格式： 李燈熬，白雁飛，趙菊敏. 基于隱馬爾科夫模型的J波自動識別檢測[J].電子技術應用，2016，42(11)：112-115，118.
英文引用格式： Li Dengao，Bai Yanfei，Zhao Jumin. A method for automated J wave detection based on hidden Markov model[J].Application of Electronic Technique，2016，42(11)：112-115，118.
0 引言
J波是一種低幅、高頻的變異波形，往往出現在早期復極化綜合征和Brugada綜合征病人的心電圖中，容易導致心率失常和猝死。在最近幾年中，針對J波的意義進行了大量研究，J波研究在醫電信號領域展現出了新的熱點。J波是出現在心電圖中QRS波群下降支終點的一個凹口或頓挫[1]。在心電圖中QRS波群和ST段之間的連接處稱為J點，J點抬高就會觸發J波。標準定義為：當J點和/或ST段從基線抬高至少0.1 mV，持續時間達到20 ms形成的尖峰、駝峰、圓頂形態的波形稱為J波[2]。
J波與J波綜合征有著緊密的聯系，J波綜合征包括早期復極綜合征、特發性室顫和Brugada綜合征，這3種綜合征有許多共同心電圖特征[3]。每年心血管疾病在世界范圍內引起非常高的死亡率，這些死亡率中有很大一部分是由J波綜合征引起的。所以，識別J波是預測患者病變結果的一個重要的方向[4]。換言之，J波的自動識別檢測對J波綜合征的病人提供了一種非創性的診斷方法。
為了達到自動檢測的目的，本文定義并提取了5個特征向量，其中包括3個時域特征向量和兩個基于小波的特征向量，從不同的角度描述了J波的特性，使用這些提取出的、降維的特征向量來訓練隱馬爾可夫分類器，從而達到自動檢測J波的目標。
1 數據準備
本文構造了一個心電數據庫評估提出的方法，這個數據庫由2 000個心電信號模式組成，如圖1所示，模擬了兩個基本的II導聯J波陽性模式信號。
其中，訓練集包括800個心電信號模式，400個為J波陽性心電模式，另外400個為J波陰性心電模式。測試集包含600 個J波陽性心電信號模式和600個J波陰性心電信號模式。
2 方法
本研究提出的J波自動檢測方法，主要是尋找合適的特征增加J波相對于其他心電圖成分的區分度。圖2為所提出的分類識別J波陽性模式和J波陰性模式的系統框圖。
2.1 預處理
預處理的目的是定位ECG信號的特征點和去噪。主要定位了QRS波群的起點和終點，為下一階段的特征提取作準備。預處理過程分成3個步驟：
(1)檢測QRS波群起點和R波[5]。
(2)利用多拍平均技術提高信噪比。
(3)定位QRS波群終點。
2.2 特征提取階段
2.2.1 時域特征向量I
J波往往出現在QRS波的下降支，所以選擇QRS波群起點后100 ms作為特征向量的提取區域，為了提高檢測方法的魯棒性，同時也考慮了R波前60 ms。這樣，提取的時域特征向量覆蓋了整個QRS波群下降支部分，可以在這160 ms里面反映了ECG信號的動態變化。由于采樣率為500 Hz，選擇80個采樣點，其中29個在R波之前，50個在R波之后，這樣就形成了一個80維的特征向量I，它反映了QRS波下降支的形態學狀態。
2.2.2 時域特征向量II
基于預處理階段，QRS波群的終點位置已經確定。考慮到J點（連接S波和ST段的連接點）抬高同樣會引起J波，所以選擇J點后的40 ms作為“監控”對象，同樣，考慮到檢測方法的魯棒性，J點前的8 ms也納入“監控”范圍，這樣就形成了一個24個采樣點組成的時域特征向量II，其中4個點在J點之前，20個點在J點之后。
2.2.3 時域特征向量III
時域特征向量I和II能從整個形態學上檢測ECG的變異。為了能更精細地檢測J點之后的形態變化，定義了第3種時域特征向量，把J點前后的48 ms分成4 ms的間隔，求這些間隔的平均值和標準差，這樣就形成了一個24維的特征向量。
2.2.4 基于離散小波的特征向量
Daubechies6（Db6）小波和心電圖的形狀比較相似，而且在細節上能更準確地反映ECG信號[6]。因此，選擇Db6作為分解ECG的小波。研究已經發現，心電信號的能量主要集中在0.5～40 Hz的頻率范圍[7]。應用5級小波分解后，這個頻率范圍相當于4級細節系數（即D4）和5級細節系數（即D5）以及5級近似系數（即A5）[8]。
由于J波頻率范圍相對集中在4級細節系數(即D4)，本文計算4級細節系數（即D4）幅值統計，從而比較J波陽性模式和J波陰性模式的振幅分布。如圖3，從幅值直方圖和幅度累積可以看出，兩種信號模式的振幅統計有明顯的不同，它們可以作為區分兩個信號模式的特征。這些系數的幅值統計能夠很充分地表達出給定信號模式的頻率特性。這樣形成了一個30維的基于離散小波變換的特征向量，反映了4級細節系數（即D4）的狀態。當J波出現時，D4的幅度分布變化，從這個角度基于離散小波變換的特征向量可以檢測有無J波。
2.2.5 基于連續小波變換的特征向量
以上幾個特征向量已經能從時域和頻域對J波發生區域進行檢測，但是只是單獨地進行時域或者頻域檢測，容易被ST段其他抬高的病變影響判斷。所以，提取一種能反映能量分布以及時頻域特征的尺度圖(scalogram)組成的特征向量，對于J波的檢測是必要的。信號尺度圖的定義如下：
對QRS波群終點處前8 ms到后40 ms，這48 ms的區域使用連續小波變換。選擇尺度范圍1～32，母小波選擇Morlet小波。為了細化信號的特征，把時間軸劃分成9個子區域，把尺度軸劃分成12個子區域，這樣時間尺度平面被劃分成108個區域。計算每個區域的小波系數的平方CWT2(τ，a)，這樣就形成了一個108維的特征向量，這個特征向量反映了J波發生區域的能量分布。
圖4是對J波陽性和陰性信號模式QRS波群的終點部分應用連續小波變換，計算出兩種信號模式的尺度圖。如圖4所示，J波陽性和J波陰性模式的小波系數幅值明顯不同。整體上看，在圖4（b）幅值明顯大于圖4（a），而且它們的能量分布是不同的。如圖5，精細的三維俯視圖的研究表明，J波陽性模式和J波陰性模式在能量分布隨著時間和尺度的變化有著明顯的不同。J波陽性模式的能量集中在整個時間范圍內的少數幾個尺度上，而J波陰性模式的能量分布相比陽性模式更為分散。因此，基于尺度圖特征提取是有效的，它可以作為一個可靠的工具來識別J波陽性和J波陰性。
2.3 識別分類
從數據集提取特征向量后，提取的5個特征向量整合成一個大特征向量，變成一個綜合時頻域特征的具有236維的綜合特征向量，作為隱馬爾科夫分類器的輸入。輸入向量的維數太大，導致數據冗長，計算量大。因此，需要減少輸入向量的維數，而且保持那些對J波敏感的特點。本文選擇主成分分析技術進行降維。PCA是一個利用正交線性變換降維的統計學技術[9]。PCA降維和特征篩選之后，利用隱馬爾可夫模型實現J波的自動檢測，如圖6，其中虛線是隱馬爾可夫訓練過程，實線是識別過程。
3 實驗仿真
本文選擇了4個傳統的指標：準確性（ACC）、靈敏度（SE）、特異性（SP）和陽性預測值（PPV）評估J波檢測技術的性能。
從信號處理角度上去識別分類J波信號的研究還處于剛剛起步階段，現在階段只有兩個團隊對J波識別進行過研究。2014年，CLARK E N等學者提出了一個J波的檢測方法，該方法是設置了一個QRS波下降支的斷點，其數據庫是包含從100個平均年齡為24.8±3.2歲的成年男子獲得的靜息12導聯心電圖[10]。2015年，WANG Y G等學者提出了一個J波自動檢測方法，該方法利用了信號處理結合功能函數分析技術，取得了89%的敏感性和86%的特異性[11]。這兩種方法的局限性都是數據庫范圍小，導致實驗結果不具有普遍性。為了驗證3種方法的有效性，本文驗證了3種方法在本文中的構建的大數據庫的實驗效果，訓練集和測試集的分配使用十倍交叉驗證的方法。采用十倍交叉驗證3種方法的準確性、敏感性、特異性和陽性預測值4個指標的性能如圖7～圖10所示。
表1給出了3種自動檢測J波的方法的平均性能（準確性、靈敏度、特異性和陽性預測值）。從表中可以得出，本文提出的方法較為理想，性能比較好，提供了93.8%的平均準確率、94.2%的平均敏感性、93.3%平均特異性和93.4%的平均陽性預測值。圖11總結了這3種自動檢測J波的方法的對比結果。總之，本文提出的方法在心電信號識別系統是有效的，而且具有廣闊的開發應用前景。
結果表明，基于本文提出的5種特征向量的J波自動檢測技術與其他方法相比，該方法具有較好的分類效果。
4 結論
本文提出的基于5個特征向量的J波自動識別技術可以綜合地反映J波的變異，相比其他方法，該方法具有顯著的優勢。J波的變異充滿了不確定性，其定義有多種標準。這種模糊性使得它很難或不可能從一個角度進行研究。因此，本文提出的J波自動檢測方法，可以克服目前研究中診斷J波存在的不一致性，同時本文的自動識別J 波方法對于臨床相關病人的診斷和治療具有十分重要的現實意義。
參考文獻
[1] 嚴干新.異常J波綜合征[J].臨床心電學雜志，2007，16(1)：3-9.
[2] MARUYAMA M，KOBAYASHI Y，KODANI E，et al.Osborn waves：history and significance[J].Indian Pacing and Electro-physiology Journal，2004，4(1)：33-39.
[3] 崔長琮，嚴干新.急性缺血性J波和J波綜合征的研究現狀[J].中華心血管病雜志，2010，38(4)：299-300.
[4] JUNTTILA M J，SAGER S J，TIKKANEN J T.Clinical significance of variants of J-points and J-waves：early repolarization patterns and risk[J].European Heart Journal，2012，33(21)：2639-2645.
[5] CLIFFORD G D，AZUAJE F，MCSHARRY P E.Advanced methods and tools for ECG data analysis[M].Norwood，MA：Artech House，2006.
[6] MAHMOODABADI S Z，AHMADIAN A，ABOLHASANI M D.Feature extraction using daubechies wavelets[C].Proceedings of the Fifth IASTED International Conference on Visualization Imaging and Image Processing，2005：343-348.
[7] THAKOR N V，WEBSTER J G，TOMPKINS W J.Estimation of QRS complex power spectra for design of a QRS filter[J].IEEE Trans.Biomed.Eng.，1984，31(11)：702-706.
[8] YE C，KUMAR B V K V，COIMBRA M T.Heartbeat classification using morphological and dynamic features of ECG signals[J].Biomedical Engineering，IEEE Transactions on，2012，59(10)：2930-2941.
[9] ABDI H，WILLIAMS L J.Principal component analysis[J].Wiley Interdisciplinary Reviews：Computational Statistics，2010，2(4)：433-459.
[10] CLARK E N，KATIBI I，MACFARLANE P W.Automatic detection of end QRS notching or slurring[J].J Electro-cardiol，2014，47(2)：151-154.
[11] WANG Y G，WU H T，DAUBECHIES I，et al.Automated J wave detection from digital 12-lead electrocardiogram[J].Journal of Electrocardiology，2015，48(1)：21-28.