使用信号规律分析识别心内膜电图外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

使用信号规律分析识别心内膜电图

D. Novaacute;k, V. Kremen, D. Cuesta, K. Schmidt, V. Chudaacute;cek, L. Lhotskaacute;

摘要—从非线性动力学理论出发，为了表征其生理动态行为，对心房复杂碎裂电位进行分析。113短期的心房电图结果是由三位专家根据A-EGMs信号规律分为四类。以下措施应用于A- EGMs信号：一般的关联维数，近似熵，去趋势波动分析，压缩算法的复杂性，和Katz-Sevcik，方差与盒维数。由Kruskal Wallis统计检验进行组织破坏的评估。除了去趋势波动分析和方差分形维数，即使低显著性水平alpha;= 0.001 ，CFAE解体也具有统计学意义。此外，A-EGM日益复杂的信号通过1阶广义相关维数和近似熵的更高值反映出来。

1. 引言

心内膜部位产生心房复杂碎裂电位（CFAEs）已被用于治疗心房颤动（房颤）的消融靶点 [1]。为了识别这些位置，已经获得了巨大的成就用来描述房颤[2]的激活模式，并确定无论是在时域或频域时的CFAE的一般特征[3]。然而，一个碎裂的鉴定过程高度依赖于操作者的判断。此外，目前还不清楚CFAE是否是一个随机的局部心房电图的组织破坏过程或者是重复性的生理效应[4]。本研究的目的是应用信号规律分析A-EGMs分级水平时空变化种类。这种分析能够研究A-eEGMs非线性动力学，高水平的A-EGMs分级也反映了较高价值的规律性措施这一假说。

1. 方法
2. 实验数据集

使用4mm灌注消融导管，在12例持续性房颤的病人（9例男性，48岁-64岁）的左心房心内膜标测收集心房双极电图。采样频率是977hz，113短期的心房电图结果是由一个专家手动选择和裁剪的。为了研究的目的（见图一），设置了四类分级（CF）。数据集排序，由三位独立专家完成，总共有339个排名（113 * 3 =399）。三个独立的专家在他们的排名上都同意多个相邻分级的种类。因此，最占优势的模式最后能被选出来。四类分级能够在每个种类里相当数量的样品A-EGMs中得到统一的数据集。（1类：C ₁ = 22，第2类：C ₂= 42，3类：C ₃ = 36，4类：C ₄ = 13）因此，可以使用的规律性分析来分析这样的数据集[5],[6]。

D. Novaacute;k, V. Kremen, V. Chudaacute;cek, L. Lhotskaacute;在捷克共和国的布拉格捷克理工大学的控制论系，xnovakd1@labe.felk.cvut.cz D. Cuesta在西班牙的理工巴伦西亚大学计算机科学系，K. Schmidt在布拉格捷克技术大学生物医学技术系的生物医学工程学院。

图一，四个碎裂电位 这些是研究中使用的每个CF的代表。从上到下是 第1类：有组织的活动。第2类：轻度分馏。第3类：中间分馏度。IV类4：高度分馏。

B.规律性信号的措施

在准备计算心内膜电图的分形维数之前，首先重要的是建立这些波形可以被表征为分形的证据。分形维数的值与模式的规律性有关，或者是在形态，熵，光谱或方差模式嵌入的信息量 [7]。考虑到A- EGMs形态特性，这些具有有效的分形维数值的信号的出现，主要是有两个原因。首先，信号不会交叉。通过看图一中任何一个A-EGMs波形图，明显的看出，为了扩大它，每个轴需要不同比例因子，这表明，A-EGMs波形是自仿射。其次，这些信号表现出明显的准周期性，因为它们来自自然重复过程（特别是心跳）。在下一小节，我们将介绍在这项研究中使用的信号规律性措施。

C.一般的关联维数

1. 参数选择和信号嵌入：只使用一个变量的时间序列作为输入，但这个时间序列数据被用来重建一个多维的嵌入空间[7]。必须要确定以下三个参数：第一，采样值之间的时间延迟；第二，连续向量间的时间间隔；第三，嵌入维数。

使用自动互信息估计采样值之间的时间延迟，自动互信息的第一最小值是时间序列吸引子重构的首选值[7]。

连续向量之间的时间间隔设置为等于采样时间。在这种情况下，向量的数目等于时间序列中的样本数减去嵌入维数[7]。

图二 在第一类信号中，自动互信息和Cao的方法功能E₁（d）和E₂（d）。第一个最小互自函数出现在时间延迟tau;= 15时。关于嵌入维数，最优值在二维空间被发现。

从时间序列确定最佳的嵌入维数，通常使用Cao的方法，这种方法也是可靠的[8]。我们采用两种措施：E ₁（d）是重组载体及其近邻之间的欧氏距离与E ₂（d）比值的平均测量值，用于区分确定性信号与随机信号。如图二所示，我们正在寻找E₁（d）或E₂（d）第一个最低值。在实际计算中，如果d是足够大，这是很难解决E ₁（d）是缓慢增加或停止变化。因此，E ₂（d）的数量经过仔细考虑的。

1. 关联维数：关联维数计算最有效的相关总和：

（1）

当y₁是M维延迟向量。N _pairs = (Nminus;d minus; omega;)(N minus; d minus; omega; 1)/2是覆盖点对数的总和。 theta;是海维赛德阶梯函数。 当 x lt; 0 时theta;(x)是0，当 x ge; 0时，theta;(x)是1。总和计数是y _i minus;y _j 的绝对值的距离小于r。在（3）中所有对点的时间指数小于omega;的都被忽略，以排除时间相关点。

D ₂的分形维数比定义为：

（2）

1. 一般关联维数：一般关联维数是一类来表征分形的指标[ 7 ]。它是基于盒中点数的计数。让 B _i 表示“i”框，并让P _i = micro;(B _i )/micro;(A)作为该框的标准化度量，其中A是必须计算分形的维数，mu;是集合的总体平均值。换句话说，P_i是关于B_i的吸引子随机选择点的概率，它通常通过计算第i个框中的点数除以总点数来测出。如果吸引子已嵌入维数d，d维超立方体将被使用。广义维数由：

（3）

D.近似熵

近似熵的统计测度是在一个时间序列，能够量化波动的不可预测性，比如在瞬时心率时间序列[9]。通常的，给定n个点，统计学近似熵（m，r，N）约等于条件概率的负平均自然对数，m点相似的两个序列保持相似。换句话说，就是在下一点的公差r中。因此，近似熵的一个较低的值体现了高度的规律性。

E.去趋势波动分析

去趋势波动分析量化长程相关性的存在或不存在。这种技术是应用于非平稳数据随机游动中根均方分析的一种改进。简单地说，要分析的时间序列（n个样品）的第一集成[9]。接下来，集成时间序列被分成等长的n个。在每一个长度为n的框中，一个最小平方线是适合的数据（表示该框中的趋势）。直线段的y坐标由y _n（k）表示。其次，通过减去每个框中的局部趋势y_n（k），整合时间序列y（k）被减去。计算出该集成的均方根波动和趋势时间序列。

F.压缩算法的复杂性

压缩算法的复杂性和它的变种已被广泛用于识别在不同生理状态的非随机模式中生物医学信号[10]。在一般情况下，压缩算法的复杂性测量沿序列的新模式的生成率和在遍历过程的情况下与信源的熵率密切相关。

G.Katz-Sevcik分形维数

获取一个Katz-Sevcik分形维数算法主要是基于形态学，并计算为 KFD = log10 n / log10 n log10 g / L，Katz-Sevcik分形维数的计算时，其中n是数量的递增的样本之间的信号；L是连续增量之间所有距离的总和；g是从第一增量开始测量的最大距离的值。必须指出的是，在计算Katz-Sevcik分形维数前，沿y轴和x轴的信号进行归化。

H.方差分形维数

方差分形维数的Hurst指数，是由H决定的，其计算来自的分数布朗运动的特性[12]。此计算是基于信号的振幅增量的方差之间的幂律关系，C(t)，这是由一个动态的过程中产生的时间增量 △t =| t2 minus; t1 |，用 C(t2) minus; C(t1)表示为△C。幂律如下： V ar[△C] sim; △t ^2H其中Hurst指数：

（4）

一个嵌入欧几里得维度融合过程的方差分形维数，E（ 对于A-EGMs信号等于1），是由以下确定的：VDF = E 1 minus; H

I.盒计数法

计算一个集的分形维数一个已经建立的方法是盒计数法（BFD）[13]。详细地说，在R ^d中的一组N点，长度为l的网格单元中的空间的划分，分形维数DB可以来自下列式子：

（5）

其中N（l）表示至少一个点占用的单元数。

J.统计评价

非参数克鲁斯凯-沃利斯检验应用于规律性的措施比较。使用这种测试是为了应付少数A-EGM信号。特别是在4类，其中只有13个信号是可用的。

1. 结果与讨论

利用规律性措施的A-EGM分级评估总结在表一中。每类报告显示了平均值和标准偏差值。

通过10次实验和误差的方法发现，最佳的参数设置为近似熵，去趋势波动分析和盒计数法。以近似熵为例，公差参数r，在保持固定模式的长度m时增加了0.05。考虑去趋势波动分析，定义两个去趋势波动分析曲线的斜率的参数在每次运行增加了4个。最后，盒计数法在dim _BFD在每个运行尺寸递增1。导致在10次运行中最小p值的最终参数如下： 一般关联维数:为每个信号嵌入维度变量，应用Cao的方法；时间延迟：每个信号的变量，自动交互信息应用；近似熵: 公差r = 0.1，模式的长度 m = 2；去趋势波动分析：快速= 2，中= 32，慢= 64；盒计数法：尺寸dim _BFD = 5；压缩算法的复杂性：采用二进制编码。

平均广义维数谱

图三 所有类的A-EGM分馏平均广义维数谱

图3显示平均广义维数谱。频谱应该是凸的，单调递增的[7]。 从广义维数qge;minus;2可以看出，每类之间的差异更加明显。特别是对于广义维数q =minus;4， 第三类的一般的关联维数值大于第四类值。一般的关联维数的测量当Q = 2时达到峰值，表明较高的嵌入维数q＞2不能提供由于在高维空间中出现的数值误差而产生的辨别度。为了指出使用更高的负相关尺寸的重要性，在表一中，一般的关联维数值q = minus;6，minus;5，2。

表一中用很低的p值证实了我们对A-EGM信号分形性质的假设。即使显著性水平设置为alpha;= 1eminus;3，在鉴别A- EGM类时，大多数分形维数有统计学意义。唯一的例外是去趋势波动分析和方差分形维数的措施。此外，表一表示了，与压缩算法的复杂性，方差分形维数和盒计数法的措施相比，一般的关联维数₁和近似熵有较低的识别能力。主要原因是数据不足；A-EGMs是采样频率为977hz，时间为1.5s的很短的片段，占1537值。首先，如果输入数据集至少包含1000个样本时，近似熵能够正常工作[9]。其次，主要是通过仔细选择算法参数进行良好的辨别，特别是一般的关联维数测量自动互信息和Cao的方法下。

图四 使用的关联维数和近似熵评估A-EGM分级。水平线表示每个类的平均值。

我们根据统计测试的结果比较了两个性能最好的量：1阶近似熵的一般关联维数见表一中的黑体值。计算数据集中所有A-EGM信号的分形维数。图四的上部显示了1阶广义相关维数。第一个和最后一个类别被一般的关联维数₁值分离。需要注意的是，中间第二类和第三类部分重叠。可以在图4的下部看到，在第二和第三级分离时，以近似熵为例是略优于一般的关联维数 ₁维度。

1. 结论

在房颤导管消融的时代，初步尝试描述房颤的A-EGMs信号，主要是基于心房信号的频域分析[3]。不仅主频（DF）而且A-EGMs分级的水平可能是临床上重要的局部心房信号描述[1]。具有高度分馏 A-EGMs位置几乎完全包含高DF的位置，然而相反并不总是这样的。因此，发展其他可以用来评估A-EGMs规律的措施是非常重要，特别是区分高分级（HF）与低分级（LF）的A-EGMs。

本研究显示，在所有选择的分级水平A-EGM存在非线性动力学。图四表明，A- EGMs信号的复杂性日益增加的时候，规律性措施的价值也同时增加了。在各级A-EGM分级规律，利用规律性的措施区别发现，统计高度显著水平alpha;= 0.001。提出的复杂措施成功的将C₄类（高分级）的A-EGM信号与C₁类（低分级）区分出来。然而，中间第二类和第三类之间的分离不是那么清楚。其中一个原因是，通过3个专家平均分类，以获得半连续的分级。在某些情况下是很难区分A-EGM信号是第二类还是第三类。对于

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[613507]，资料为PDF文档或Word文档，PDF文档可免费转换为Word