一种实用的可除颤节律识别算法

洪俊标,蒋浩宇,何先梁,叶文宇,孙泽辉

深圳迈瑞生物医疗电子股份有限公司,广东 深圳 518057

[摘 要]根据可除颤节律的特点,一种基于多特征参数联合判断的可除颤节律自动识别算法被提出。首先,对心电信号进行预处理;然后分别计算信号的峰值斜率、幅度概率密度、波峰幅度均方差、波形复杂度和心率参数;再对这些特征参数进行综合决策,从而实现可除颤节律的自动识别。采用公共标准数据库(CU、AHA、MIT-BIH、VFDB、NST)和迈瑞公司临床数据库对算法进行评测,评测结果表明该算法灵敏度和特异度都达到了较高水平,充分满足临床应用的安全有效性要求。

[关键词]可除颤节律识别;多特征参数;自动体外除颤仪;室颤

 

引言

室颤是一种严重危及患者生命安全的心律失常,可由劳累过度、运动过量、药物中毒、冠心病、急性心肌梗塞等原因引起。当室颤发生时,各处心肌的收缩处于混乱状态,心脏丧失泵血功能,可导致患者在几秒钟内失去知觉,面临死亡的威胁。患者发生室颤时,需要立刻除颤,否则患者可在很短的时间内死亡。业界有“黄金4分钟”的说法,如果能在4分钟内对患者进行除颤和心肺复苏,患者被救活的概率很大。国家心血管病中心发布的《中国心血管病报告2011》指出,中国每年大约有54万人死于心脏骤停,其中多数是由室颤引起的。患者在院外发生室颤时,经常得不到及时治疗,错过抢救的“黄金4分钟”,最终导致死亡,其主要原因之一就是由于中国目前自动体外除颤仪(Automated External Defibrillator,AED)在公共场合的普及率极低。AED被誉为“救命神器”,它可以自动分析患者的心电节律,判定是否需要除颤,并指导操作者对患者进行除颤或者心肺复苏(Cardiopulmonary Resuscitation,CPR)等操作,从而有效挽救患者生命。无须专业医生,普通人经过简单的急救培训,就可以方便地使用AED对濒临猝死的患者进行急救,从而挽救患者生命。在临床应用中,可除颤节律包括室颤(心室纤颤)和无脉室速(一般心率≥150 bpm,QRS波宽度≥120 ms)。AED须能自动准确地识别可除颤节律,如果漏检将会导致除颤时机延误,严重危及患者生命;另一方面由于除颤所需能量大(成人除颤能量一般在150 J以上),AED如果误检可除颤节律,则可能导致不必要的除颤,进而对患者造成伤害。因此相关标准和指南都对AED产品中可除颤节律识别算法的性能(包括灵敏度和特异度)提出了较高的要求。根据国际相关标准IEC 60601-2-4[1]和美国心脏联合会(American Heart Association,AHA)建议[2]的要求,可除颤节律识别算法的灵敏度必须大于90%,特异度必须大于95%。

从20世纪80年代以来,该领域已经出现不少算法,如Thakor等[3]的序列假设检测法、Barro等[4]的频谱分析法、杨振野等[5]的滤波器法、Arafat等[6]的越限样本计数算法、Amann等[7]的time-delay算法、Xia等[8]的复杂度法、Wei等[9]的经验模态分解和符号熵方法、Mohammad-Taheri等[10]的斜率分析法、Seong等[11]的时域分析法、Xu等[12]的自适应变分模式方法等。但是,这些方法多数不是基于大量的心电数据开发出来的,存在验证不充分、考虑不全面的问题,特别是对室颤、可除颤室速和易混淆的各种噪声、高大T波信号以及房颤(Atrial Fibrillation,AF)、室上性心动过速(Superventricular Tachycardia,SVT)等节律的区分和识别不够准确,难以满足临床要求。典型心电信号波形,见图1。为了提高室颤识别的灵敏度和特异度,本文在全面分析以上各种容易与室颤混淆的信号和噪声基础上,提出一种基于多个特征参数联合判断的可除颤节律自动识别算法,该算法已经在多款除颤产品中得到了应用。

图1 典型心电节律波形图

注:a. 室颤;b. 可除颤室速;c. 噪声;d. 高大T波;e. 房颤;f. 停搏;g. 其他室速;h. 室上性心动过速

1 方法

本论文提出的可除颤节律自动识别算法的算法框架,见图2。该方法首先对信号进行噪声去除,再进行幅度标准化预处理,然后分别求出斜率峰值、幅度概率密度、波峰幅度均方差、波形复杂度、心率等特征参数,最后采用决策树方法对这些特征参数进行综合,最终实现可除颤节律识别。

图2 可除颤节律自动识别算法总体框架

1.1 噪声去除

对室颤信号进行频谱分析,可知室颤信号的主要频率成分在3~5 Hz之间[13],我们可以用2~25 Hz的带通滤波器进行滤波,滤波器带宽大于室颤信号的主要频率范围,这样既可以滤除高频噪声和低频基线漂移噪声,同时也能保证室颤信号的完整。带通滤波器滤除高频噪声的效果,见图3;滤除低频噪声的效果,见图4。

图3 高频噪声滤波前后对比

图4 低频噪声滤波前后对比

1.2 信号幅度归一化处理

由于心电信号的幅度因人而异,不同人的心电信号幅度有较大的差异。所以先对信号进行幅度归一化处理,该步骤可以减少个体心电信号幅度差异对后续各参数值计算计数的影响。具体步骤如下:

(1)求出分析数据段(长度为L)的最大幅度值Amax

(2)令归一化后数据最大值为A,利用公式(1),求出缩放系数a。

(3)设归一化前心电数据为x(n),根据公式(2),计算归一化后的心电数据y(n)。

1.3 斜率峰值计算

正常心电信号和AF、AFL、SVT等信号含有较窄、较尖的QRS波,所以斜率峰值比较大;而室速、室颤等室性心律失常信号的QRS波比较宽大,所以斜率峰值较小。根据这个特点对心电信号的斜率峰值信息进行计算,具体步骤如下:

(1)取长度为k秒的数据进行分析,数据采样率为SR,则分析数据段总采样点数为L=k×SR。

(2)用差分公式计算各采样点的斜率slope(n),(n=1,2,…,L),差分计算方法见公式(3),其中y(n)为经过步骤1.2归一化后的数据值。

(3)用公式(4)求出各秒斜率最大值Smax(m)。

(4)对各秒斜率最大值进行平均,平均值即为斜率峰值SM,见公式(5)。

1.4 幅度概率密度计算

该步骤的作用是对室颤或可除颤室速和心房纤颤、心房扑动、室上性心动过速等不可除颤节律以及幅度较低而又密集的肌电噪声进行区分,因为这些信号处于基线(0电位线)附近的点数所占的比例较高,即幅度概率密度较高。

(1)取长度为k秒的数据进行分析,数据采样率为SR,分析数据总采样点数L=k×SR。

(2)用公式(6)求出各秒最大幅度值Amax(m),其中y(n)为经过步骤1.2归一化后的数据值。

(3)对各秒最大幅度值Amax(m)进行平均,得到平均值Aave,见公式 (7)。

(4)求出幅度在(-Aave·C,Aave·C )之间的数据数目r(其中C为经验值,取值小于0.5),则幅度概率密度值PD=r/L。

1.5 波峰幅度均方差计算

通常情况下室颤节律心电信号的波峰幅度相对其他节律,特别是室速节律的波峰幅度变化大,因此可以计算所分析心电信号每个波峰幅度的均方差MSD,将其作为特征应用于室颤节律的识别。MSD计算公式见公式(8)和(9),其中N为分析数据段波峰的个数,PAi为第i(i=1,2,…,N)个波峰的幅度值。

1.6 波形复杂度计算

复杂度属于非线性动力学范畴,由于它在随机信号处理中的优越性,目前已经广泛应用于各种生物信号,特别是脑电信号、心电信号的混乱性特征提取与识别中。一般情况下,噪声信号的复杂度较高,室颤、室速节律的复杂度中等,其他节律的复杂度较低。所以可以根据复杂度参数,对室颤、室速和噪声及其他不可除颤节律进行区分。

本文主要采用目前较常用的Lempel-Ziv复杂度算法[14],该算法采用复制和添加两种操作来描述一个给定数据串,并将所需的添加操作次数作为数据串的复杂性度量,反映了给定数据串随其长度的增长出现新模式的速率。该算法的实质是不断比较某一字符串是否是另一字符串的子串,如是则复杂度维持不变,否则复杂度递增。具体方法如下:

(1)取长度为k秒的数据进行分析,数据采样率为SR,则数据总长度L=k×SR,各数据的值为Ai(i=1,2,…,L)。

(2)将数据按秒分成k段,求出每一段的最大和最小值,然后求出各段最大值的平均值AMmax和最小值的平均值AMmin

(3)对数据进行0、1化:首先利用公式THD=(AMmax+AMmin)/2,求出数据0、1化的阈值THD,然后利用公式(10)对数据进行0、1化,得到0、1化后的数据 Si(i=1,2,…,L)。

(4)设S=S1,S2,…,Sr,Q=Sr+1,Sr+2,…,Sr+i为算法运行中不断迭代更新的数据串,SQ表示把S、Q两个数据串拼接成的总数据串,即SQ=S1,S2,…,Sr,Sr+1,Sr+2,…,Sr+i,SQV表示把SQ中最后一个数据删去所得到的数据串,即SQV=S1,S2,…,Sr,Sr+1,Sr+2,…,Sr+i-1。计算初始,令Q=Sr+1,则SQV=S1,S2,…,Sr,观察Q是否可以从SQV用复制方法得到,如果Q可以从SQV中某个值复制得到,则更新Q,使Q=Sr+1,Sr+2,这时SQV=S1,S2,…,Sr,Sr+1,观察Q能否从SQV的某个子串复制得到,如果能复制得到,则复杂度C保持不变,继续更新Q=Sr+1,Sr+2,Sr+3,以此类推,直到Q=Sr+1,Sr+2,…,Sr+i,不能从SQV中某个子串复制得到,这时复杂度C递增,然后用添加操作更新S,令S=S1,S2,…,Sr,Sr+1,Sr+2,…,Sr+i,同时更新Q,令Q=Sr+i+1,再用同样的方法比较Q是否能从SQV用复制方法得到。不断重复以上步骤,直到Q已包含了给定数据串的最后一个符号SN,则分析结束,这样就求出最终波形复杂度C。

1.7 心率计算

心率参数主要用于区分可除颤室速和其他室速,心率主要基于QRS波的检测识别并进行必要的加窗平均计算得到。QRS波的检测识别可以参考一些经典计算方法来实现,例如Pan-Tompkins法[15]

心电信号的复杂性及各心电节律类型的易混淆性决定了可除颤节律自动识别算法必须采用多个特征参数来进行综合分析判断。本算法利用前文计算得到的各特征参数,采用决策树判断的方法得到最终的可除颤节律分析结果。

决策树判断方法的主体框架,见图5。

图5 可除颤节律决策树框架

其中,C为波形复杂度值,SM为斜率峰值,PD为幅度概率密度值,MSD为波峰幅度均方差,HR为心率值。根据不同节律信号特征,分别设定波形复杂度低阈值CL和高阈值CH、斜率峰值阈值SMJ、幅度概率密度阈值PDJ和波峰幅度均方差阈值MSDJ。

2 算法性能评测

2.1 算法性能评测数据库

算法评测数据包含ANSI/AAMI EC57[16]标准所要求的国际标准数据库和迈瑞数据库。评测数据库如下:

(1)MIT-BIH数据库:美国麻省理工学院与Beth Israel医院联合建立的研究心律失常的数据库。

(2)AHA数据库:美国心脏联合会建立的用于研究室性心律失常检测效果的数据库。

(3)VFDB数据库:MIT-BIH恶性心律失常数据库。(4)CU数据库:克瑞顿大学建立的研究室性心律失常的数据库。

(5)NST数据库:MIT-BIH噪声测试数据库。

(6)迈瑞数据库:迈瑞公司通过十多年(2004年1月到2018年7月)临床积累建立的心电数据库,包含多种不同形态特征和噪声水平的室颤、室速、高大T波、正常心律、停搏、房颤等节律数据。

2.2 算法性能评测指标

算法性能指标包括灵敏度(Sensitivity)和特异度(Specificity)[1]。灵敏度反映可除颤节律的检测准确性,特异度反映不可除颤节律的检测准确性。灵敏度和特异度计算方法,见公式(11)和(12):

其中,TP(True Positive):将可除颤节律正确判断为可除颤节律的例数;FN(False Negative):将可除颤节律错误判断为不可除颤节律的例数;FP(False Positive):将不可除颤节律错误判断为可除颤节律的例数;TN(True Negative):将不可除颤节律正确判断为不可除颤节律的例数。

2.3 算法性能评测结果

根据国际标准IEC 60601-2-4[1]和AHA建议[2]的要求(其中标准IEC 60601-2-4规定了灵敏度和特异度指标;AHA建议不仅规定了灵敏度和特异度指标,还规定了各节律类型的最小样本量),对算法进行评测,评测结果,见表1和表2。

2.4 评测结果分析

评测结果表明,本文介绍的可除颤节律识别算法灵敏度和特异性都达到了较高的水平,满足并大幅超过国际标准IEC 60601-2-4和AHA对算法性能的要求。

表1 算法可除颤节律检测灵敏度

测试数据类型AHA最低样本量要求 (n)算法实际测试样本量 (n)AHA灵敏度要求(%)算法实际灵敏度 (%)室颤 200 1018 >90 99.21可除颤室速 50 151 >75 97.35

表2 算法不可除颤节律检测特异度

测试数据类型AHA最低样本量要求(n)算法实际测试样本量 (n)AHA特异度要求 (%)算法实际特异度(%)正常窦性节律 100 3554 >99 100停搏 100 1512 >95 99.93其他不可除颤节律 30 16320 >95 99.99

3 算法在产品应用中的表现

目前本文介绍的可除颤节律自动识别算法已经应用于迈瑞公司的除颤系列产品中,包括AED(D1/S1/S2/C1等)、除颤监护仪(D2/D3/D5/D6等)。

虽然AED产品已在中国上市多年,但很长一段时间内都没有得到重视和普及,除了公众急救知识缺乏之外,还有另外一个重要原因,就是救助者担心承担法律责任,而不敢使用AED去救人。2017年3月份第十二届全国人民代表大会第五次会议通过了《中华人民共和国民法总则》第184条“好人法”,为救助者免除了后顾之忧,对AED的推广和使用起到较大的促进作用。2017年后,AED在机场、高铁站、学校等公共场所应用救人的案例越来越多,新闻上也时有报道。我司也在2017年后不断收集到AED使用案例的现场数据。

表3统计了从2017年至今,我司AED(D1)使用的情况(只统计已经获取到现场数据的案例,另有部分抢救案例,无法获取数据,未纳入统计)。

从表3可以看出,AED在11次使用案例中,共启动可除颤节律识别算法分析98次,算法分析的灵敏度和特异度都达到100%,体现了较好的算法性能。11例患者均抢救成功(其中1例患者并未发生室颤,AED准确判为不可除颤,有效避免了误除颤),也充分说明了AED在公共场所心脏骤停患者抢救中起到的重要作用。

4 讨论与结论

从算法的评测结果以及算法应用到迈瑞公司除颤产品实际收集的临床应用案例可以看出,本文介绍的可除颤节律自动识别算法具有高灵敏度、高特异度的特点,能够充分满足临床需求。

由于心电信号复杂多变,个体差异大,而用于研究和评测算法性能的数据库数量有限,没办法涵盖所有临床病例,后续还需要持续地通过各种渠道从包括但不仅限于AED、心电监护仪、除颤监护仪、心电图机等心电相关的医疗设备中收集各种节律的心电数据,不断完善临床心电数据库,进而不断优化改进现有算法。

表3 我司AED使用案例

使用地点 使用时间 算法分析次数 (次)可除颤节律次数 (次)算法分析为可除颤节律次数 (次)不可除颤节律次数(次)算法分析为不可除颤节律次数 (次)算法灵敏度 (%)算法特异度 (%) 除颤效果上海某地铁站 2017-06-24 1 1 1 0 0 100 - 除颤成功新疆某医院 2017-08-25 3 1 1 2 2 100 100 除颤成功梅州市某社康医院 2017-09-21 4 3 3 1 1 100 100 除颤成功某市理工大学 2017-10-17 4 1 1 3 3 100 100 除颤成功某市国际机场 2017-11-14 10 5 5 5 5 100 100 除颤成功某马拉松比赛现场 2018-01-07 3 0 0 3 3 - 100 无需除颤南京某医院泌尿科 2018-01-13 15 1 1 14 14 100 100 除颤成功某市火车东站 2018-01-13 8 8 8 0 0 100 - 除颤成功某市火车东站 2018-04-18 31 26 26 5 5 100 100 除颤成功某马拉松比赛现场 2018-05-27 12 7 7 5 5 100 100 除颤成功沈阳某地铁站 2018-08-20 7 1 1 6 6 100 100 除颤成功汇总 98 54 54 44 44 100 100

[参考文献]

[1] IEC 60601-2-4,Medical electrical equipment-Part 2-4 Particular requirements for the basic safety and essential performance of cardiac defibrillators[S].

[2] Kerber R,Becker LB,Bourland JD,et al.Automatic external defibrillators for public access defibrillation: recommendations for specifying and reporting arrhythmia analysis algorithm performance, incorporation of new waveforms, and enhancing safety[J].Circulation,1997,95(6):1677-1682.

[3] Thakor NV,Zhu YS,Pan KY.Ventricular tachycardia and fibrillation detection by a sequential hypothesis testing algorithm[J].IEEE Trans Biomed Eng,1990,37(9):837-843.

[4] Barro S,Ruiz R,Cabello D,et al.Algorithmic sequential decision-making in the frequency domain for life threatening ventricular arrhythmias and imitative artefacts: a diagnostic system[J].J Biomed Eng,1989,11(4):320-328.

[5] 杨振野,夏梦娜,李玲华,等.ECG分析中室扑、室颤快速识别方法的研究[J].华中理工大学学报,1997,25(2):98-100.

[6] Arafat MA,Chowdhury AW,Hasan MK.A simple time domain algorithm for the detection of ventricular fibrillation in electrocardiogram[J].Signal Image & Video Processing,2011,5(1):1-10.

[7] Amann A,Trating R,Unterkofler K.Detecting ventricular fibrillation by time-delay methods[J].IEEE Trans Biomed Eng,2007,54(1):174-177.

[8] Xia D,Li Y,Meng Q,et al.A method using the Lempel-Ziv complexity to eetect ventricular tachycardia and fibrillation[A].Cong F,Leung A,Wei Q,eds.Advances in Neural Networks[C].Cham:Springer,2017:154-160.

[9] Wei Y,Meng Q,Zhang Q,et al.Detecting ventricular fibrillation and ventricular tachycardia for small samples based on EMD and symbol entropy[A].Huang DS,Bevilacqua V,Premaratne P,eds.Intelligent Computing Theories and Application[C].Cham:Springer,2016:18-27.

[10] Mohammad-Taheri S,Shirazi MAM,Rafiezade A.Slope analysis based methods for detection of ventricular fibrillation and ventricular tachycardia[A].2016 24th Iranian Conference on Electrical Engineering (ICEE)[C].New York:IEEE,2016:1100-1103.

[11] Seong KW,Na SD, Park YS,et al.Implementation of automatic external defibrillator using real time ventricular fibrillation detecting algorithm based on time domain analysis[J].Comput Assisted Surg,2017,22(1):86-92.

[12] Xu Y,Wang D,Zhang W,et al.Detection of ventricular tachycardia and fibrillation using adaptive variational mode decomposition and boosted-CART classifier[J].Biomed Signal Process Control,2018,39(1):219-229.

[13] Strohmenger HU,Lindner KH,Brown CG.Analysis of the ventricular fibrillation ECG signal amplitude and frequency parameters as predictors of countershock success in humans[J].Chest,1997,111(3):584-589.

[14] Lempel A,Ziv J.On the complexity of finite sequences[J].IEEE Trans Inf Theory,1976, 22(1):75-81.

[15] Pan J,Tompkins WJ.A real-time QRS detection algorithm[J].IEEE Trans Biomed Eng,1985,32(3):230-236.

[16] ANSI/AAMI EC57-2012,Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms[S].

 

A Practical Algorithm for Defibrillation Rhythm Detection

HONG Junbiao, JIANG Haoyu, HE Xianliang, YE Wenyu, SUN Zehui
Shenzhen Mindray Bio-Medical Electronics Co., Ltd., Shenzhen Guangdong 518057, China

Abstract:According to the characteristics of defibrillation rhythm, an algorithm for automatic defibrillation rhythm detection was proposed base on multiple characteristic parameters. First, the original electrocardiosignal preprocessed. Then, the peak slope,amplitude probability density, mean square deviation of peak amplitudes, waveform complexity, and heart rate parameters of the signal were calculated, respectively. Finally, the defibrillation rhythm was automatically detected by comprehensively analyzing these parameters through a decision tree method. The algorithm was evaluated using public standard databases, such as CU,AHA, MIT-BIH, VFDB, and NST, and Mindray clinical database. The results indicate that the proposed algorithm shows a good performance in both sensitivity and specificity, and is safe and effective for clinical application.

Key words:defibrillation rhythm detection; multiple characteristic parameters; automated external defibrillato; ventricular fibrillation

收稿日期:2018-08-31

修回日期:2018-09-11

通讯作者:叶文宇,博士,主要研究方向为信号处理、医疗仪器开发。

通讯作者邮箱:yewenyu@mindray.com

[中图分类号] R541.7;TP301.6

[文献标识码] A

doi:10.3969/j.issn.1674-1633.2019.01.007

[文章编号] 1674-1633(2019)01-0025-05

本文编辑 尹娟