心电图中T波电交替检测关键技术研究

摘要

心源性猝死(Sudden Cardiac Death，SCD)已成为仅次于肿瘤的第二大致死疾病，其死因多为恶性室性心律失常。大量的临床实验和研究文献表明，心电图中T波电交替(T Wave Alternans，TWA)现象与室性心律失常存在密切的关系，是预测恶性室性心律失常和SCD发生的、具有独立性和统计学意义的重要指标。目前，心电图中TWA现象的检测算法研究已引起广泛关注，TWA检测有望发展成为一种优越的、无创评定发生心脏猝死危险性的技术。但由于TWA现象具有非稳态性、非线性以及心电图中噪声的复杂性，提取具有诊断价值的TWA指标性数据非常困难，已成为影响TWA预测猝死的关键问题。本文针对心电图中TWA检测的关键技术展开研究，基于通用的TWA检测框架，将TWA检测分为预处理，T波提取和对齐，TWA分析三个阶段，在各个阶段研究相应的计算方法，具体的研究内容如下：
　　(1)提出了一种基于经验模态分解(Empirical Mode Decomposition，EMD)和数学形态学相结合的自适应去噪算法。
　　TWA检测在预处理阶段的主要研究内容是:针对TWA检测的特定目的，研究保留T波信息的去噪方法。在对心电图中随机噪声的滤除问题上，本文在将心电图信号分解为一系列IMF(Intrinsic Mode Function，IMF)分量的基础上，首先采用数学形态学方法保留主要的特征波形，然后设计自适应阈值法对剩下含噪信号进行阈值处理，来减小以至于完全剔除其中的噪声部分，以达到去噪的同时保留心电图中T波的目的。在对心电图中基线漂移的滤除问题上，针对中值方法在滤除基线漂移时容易出现“台阶”现象的问题，利用基于EMD和数学形态学相结合的去噪方法，对中值方法提取的基线做进一步的滤波，使本文提出的方法在滤除基线噪声的同时不破坏心电图中有用的特征波形。仿真表明，该方法能有效滤除影响TWA检测的随机噪声和基线漂移噪声。
　　(2)提出了一种基于粒子群和心电模型相结合的T波提取和对齐方法。
　　TWA检测在T波提取阶段的主要研究内容是:针对TWA检测特定目的，不仅要求准确地提取T波，且必须保证所提取得不同心搏的T波在起止点和宽度上都是一致的。本文通过基于高斯核的心电图波形模型，将心电图中的P波，Q波，R波，S波和T波，用含有峰值时间、幅度和宽度三个参数的高斯函数来表示，然后利用该心电图波形模型所生成的波形曲线来拟合现实心电图波形，以提取心电图中T波的位置和起止点，从而将心电图中的T波提取问题转化为多峰高斯曲线拟合问题，在此基础上，结合粒子群优化算法，来最优提取心电图中的T波，最后采用模版匹配的方法对所提取的T波进行一致对齐。仿真表明，该方法能准确可靠提取和对齐T波。
　　TWA检测在TWA分析阶段主要研究心电图中TWA的定量和定性计算方法。本文针对目前TWA检测算法研究的热点问题和难点问题，分别从TWA动态空间方程建立和求解，凸优化和非参数统计三个角度出发，研究稳健的TWA分析方法，
　　(3)提出了一种非高斯条件下基于粒子滤波的TWA分析方法。
　　由于受患者病理条件的影响，心电图中的TWA现象往往是非稳态和非高斯的，综合考虑心电图中TWA现象的非稳态、非线性和非高斯性，研究如何提高TWA检测方法的稳健性，是目前TWA分析方法研究的一个难点。针对该难点，本文在建立TWA现象的非线性、非稳态和非高斯状态空间方程的基础上，采用粒子滤波(Particle Filter，PF)方法，来定量和定性分析心电图中的TWA现象，仿真表明，该方法对非稳态和非高斯TWA现象具有较好的分析性能，且具有实时跟踪动态TWA变化趋势的性能。
　　(4)提出了一种基于L1趋势估计的非稳态TWA高抗噪性分析方法。
　　针对TWA检测特定要求的心电图去噪方法，为了不影响后续TWA检测的准确性，必须最大程度保留心电图中的T波信息，使得用于TWA分析阶段的心电图数据仍可能包含一定的噪声，因而研究如何提高非稳态TWA分析方法的抗噪性能，是TWA检测算法研究的关键问题之一，也是目前TWA分析方法研究的热点问题，本文从凸优化的角度出发，通过利用一段心电图中TWA的综合信息，建立TWA凸的数学解析模型，然后基于L1趋势估计凸优化算法，来求解一段心电图中TWA现象的最优点线性估计，从而使设计的TWA分析方法既具有跟踪非稳态TWA的性能，又具有较高的抗噪性。仿真实验表明，该方法在准确计算非稳态TWA的同时具有较好的抗噪性能。
　　(5)提出了一种基于小波分析和非参数统计Bootstrap相结合的TWA分析方法。
　　利用统计学的方法来检测心电图中的TWA现象一直是TWA分析方法研究的一个重要方向，本文针对实际心电图中TWA的概率统计模型难以准确确定的问题，提出了一套基于Bootstrap非参数统计的TWA检测方法，首先利用时频分析，将心电图数据分为相对平稳的心电图片段，针对各个片段小样数据的TWA检测问题，利用Bootstrap对各个片段的TWA进行重采样来定性和定量估算TWA指标，从而使该算法具有较好的鲁棒性。
　　本文围绕心电图中TWA检测算法关键技术问题展开研究，针对TWA检测的特定问题，提出了可靠的心电图去噪算法和T波提取算法，并针对目前TWA分析方法研究中热点和难点问题，分别从状态空间求解、凸优化和非参数估计三个角度提出相应的TWA分析方法。仿真结论表明，本文的研究成果在提高TWA检测算法的稳健性方面有良好的表现，可为促进TWA指标无创预测心源性猝死技术的广泛有效临床应用，提供更为稳健的TWA指标定量和定性计算方法。

目录

声明

摘要

第1章 绪论

1．1 选题的背景和意义

1．1．1 选题背景

1．1．2 选题意义

1．2 TWA检测算法研究现状

1．2．1 TWA检测中信号预处理方法研究现状

1．2．2 TWA检测中T波提取和对齐方法研究现状

1．2．3 TWA检测中交替分析方法研究现状

1．3 论文的研究内容及创新点

1．4 论文的组织结构

第2章 基于EMD和数学形态学相结合的自适应去噪算法研究

2．1 引言

2．2 心电图中的去噪方法分析

2．2．1 心电图中随机噪声滤除方法分析

2．2．2 心电图中基线漂移滤波方法分析

2．3 基于EMD和形态学方法相结合的自适应去噪方法研究

2．3．1 算法模型及问题描述

2．3．2 数学形态学峰谷提取

2．3．3 自适应噪声阈值估计

2．3．4 改进阈值量化法

2．3．5 基于中值滤波和EMD相结合的基线漂移滤除

2．4 算法仿真与分析

2．4．1 算法性能评价指标

2．4．2 去噪算法性能对比分析

2．4．3 基线漂移滤除算法性能对比分析

2．5 本章小结

第3章 基于粒子群和心电图模型相结合的T波提取和对齐方法

3．1 引言

3．2 心电图中T波提取和对齐方法分析

3．3 基于粒子群和心电图模型相结合的T波提取和对齐方法

3．3．1 基于高斯核的心电图波形模型建立

3．3．2 基于心电图波形模型的T波提取

3．3．2 基于粒子群的T波提取

3．3．3 基于模版匹配T波序列对齐

3．4 算法仿真与分析

3．5 本章小结

第4章 非高斯条件下基于粒子滤波的TWA分析方法研究

4．1 引言

4．2 粒子滤波介绍

4．3 非高斯条件下基于粒子滤波的TWA分析方法研究

4．2．1 TWA的动态状态空间模型建立

4．2．2 基于拉普拉斯分布的TWA噪声概率统计模型

4．2．3 基于粒子滤波的TWA估计

4．2．4 TWA幅度的量化计算

4．2．5 算法仿真与分析

4．5 本章小结

第5章 基于L1趋势估计的非稳态TWA高抗噪性分析方法研究

5．1 引言

5．2 非稳态TWA现象分析

5．2．1 相位非稳态TWA现象

5．2．2 时间非稳态TWA现象

5．2．3 幅值非稳态TWA现象

5．2．4 含瞬时尖峰非稳态TWA现象

5．3 L1趋势估计

5．3．1 H-P趋势估计

5．3．2 L1趋势估计

5．4 基于LI趋势估计的TWA分析方法研究

5．4．1 算法概述

5．4．2 T波数据中TWA现象的数学解析

5．4．3 基于L1趋势估计的TWA参数计算

5．5 算法仿真与分析

5．6 本章小结

第6章 基于小波分析和Bootstrap相结合的非参数TWA分析方法研究

6．1 引言

6．2 Bootstrap非参数统计方法

6．2．1 Bootstrap的概念

6．2．2 Bootstrap方法的基本思想

6．2．3 Bootstrap方法的优势

6．3 基于小波分析和Bootstrap相结合的非参数TWA分析方法研究

6．3．1 算法概述

6．3．2 基于小波分析的非稳态TWA分段

6．3．3 基于Bootstrap的TWA检测算法

6．4 算法仿真与分析

6．4．1 模拟仿真

6．4．2 MIT数据仿真实验

6．5 本章小结

第7章 结论与展望

7．1 结论

7．2 展望

参考文献

致谢

作者攻读博士学位期间主要成果