0 引言

    J波是一種低幅,、高頻的變異波形，往往出現(xiàn)在早期復(fù)極化綜合征和Brugada綜合征病人的心電圖中,，容易導(dǎo)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(yī)電信號領(lǐng)域展現(xiàn)出了新的熱點,。J波是出現(xiàn)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(fā)J波,。標準定義為：當(dāng)J點和/或ST段從基線抬高至少0.1 mV，持續(xù)時間達到20 ms形成的尖峰,、駝峰,、圓頂形態(tài)的波形稱為J波^[2]。

    J波與J波綜合征有著緊密的聯(lián)系,，J波綜合征包括早期復(fù)極綜合征,、特發(fā)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(nèi)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(yù)測患者病變結(jié)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(chuàng)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(xùn)練隱馬爾可夫分類器,，從而達到自動檢測J波的目標,。

1 數(shù)據(jù)準備

    本文構(gòu)造了一個心電數(shù)據(jù)庫評估提出的方法，這個數(shù)據(jù)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(dǎo)聯(lián)J波陽性模式信號。

    其中,，訓(xùn)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(qū)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(tǒng)框圖,。

2.1 預(yù)處理

    預(yù)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(yù)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(shù)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(xiàn)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(qū)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(tài)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(tài)學(xué)狀態(tài)。

2.2.2 時域特征向量II

    基于預(yù)處理階段,，QRS波群的終點位置已經(jīng)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(jiān)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(jiān)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(tài)學(xué)上檢測ECG的變異。為了能更精細地檢測J點之后的形態(tài)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(jié)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(jīng)發(fā)現(xiàn)，心電信號的能量主要集中在0.5～40 Hz的頻率范圍^[7],。應(yīng)用5級小波分解后,，這個頻率范圍相當(dāng)于4級細節(jié)系數(shù)（即D4）和5級細節(jié)系數(shù)（即D5）以及5級近似系數(shù)（即A5）^[8]。

    由于J波頻率范圍相對集中在4級細節(jié)系數(shù)(即D4),，本文計算4級細節(jié)系數(shù)（即D4）幅值統(tǒng)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(tǒng)計有明顯的不同，它們可以作為區(qū)分兩個信號模式的特征,。這些系數(shù)的幅值統(tǒng)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(jié)系數(shù)（即D4）的狀態(tài),。當(dāng)J波出現(xiàn)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(xù)小波變換的特征向量

    以上幾個特征向量已經(jīng)能從時域和頻域?qū)波發(fā)生區(qū)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(qū)域使用連續(xù)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(qū)域,，把尺度軸劃分成12個子區(qū)域,，這樣時間尺度平面被劃分成108個區(qū)域。計算每個區(qū)域的小波系數(shù)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(fā)生區(qū)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(yīng)用連續(xù)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(shù)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(nèi)的少數(shù)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(shù)據(jù)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(shù)太大，導(dǎo)致數(shù)據(jù)冗長,，計算量大,。因此，需要減少輸入向量的維數(shù),，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(shù)進行降維。PCA是一個利用正交線性變換降維的統(tǒng)計學(xué)技術(shù)^[9],。PCA降維和特征篩選之后,，利用隱馬爾可夫模型實現(xiàn)J波的自動檢測，如圖6,，其中虛線是隱馬爾可夫訓(xùn)練過程,，實線是識別過程。

3 實驗仿真

    本文選擇了4個傳統(tǒng)的指標：準確性（ACC）,、靈敏度（SE）,、特異性（SP）和陽性預(yù)測值（PPV）評估J波檢測技術(shù)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(xiàn)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(xué)者提出了一個J波的檢測方法，該方法是設(shè)置了一個QRS波下降支的斷點,，其數(shù)據(jù)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(dǎo)聯(lián)心電圖^[10],。2015年，WANG Y G等學(xué)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(jié)合功能函數(shù)分析技術(shù),，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(shù)據(jù)庫范圍小,，導(dǎo)致實驗結(jié)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(gòu)建的大數(shù)據(jù)庫的實驗效果,，訓(xùn)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(yù)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(yù)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(yù)測值,。圖11總結(jié)了這3種自動檢測J波的方法的對比結(jié)果?？傊?，本文提出的方法在心電信號識別系統(tǒng)是有效的，而且具有廣闊的開發(fā)應(yīng)用前景,。

    結(jié)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(shù)與其他方法相比，該方法具有較好的分類效果,。

4 結(jié)論

    本文提出的基于5個特征向量的J波自動識別技術(shù)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(yōu)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(guān)病人的診斷和治療具有十分重要的現(xiàn)實意義,。

參考文獻

[1] 嚴干新.異常J波綜合征[J].臨床心電學(xué)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(xiàn)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.