基于单导联ecg的心肺耦合分析方法
【专利摘要】基于单导联ECG的心肺耦合分析方法，包括：从体表单导联ECG信号中提取RR间期序列和EDR信号；然后使用自适应滤波器以RR间期序列作为自适应滤波器的参考输入信号以EDR信号作为自适应滤波器的理想信号，利用RR间期序列与EDR信号之间的相关性消除EDR信号噪声成分，获得增强型EDR信号；对RR间期序列和增强型EDR信号作经验模式分解得到RR间期序列的多个本征模态函数和增强型EDR信号的多个本征模态函数；分别选取与预定频率段对应的RR间期序列的本征模态函数和增强型EDR信号的本征模态函数，用与预定频率段对应的RR间期序列的本征模态函数和增强型EDR信号的本征模态函数进行心肺耦合分析，得到耦合结果。
【专利说明】
基于单导联ECG的心肺耦合分析方法
技术领域
[0001] 本发明涉及一种生理参数分析方法，尤其涉及一种基于单导联ECG的心肺耦合分 析方法。
【背景技术】
[0002] 心肺親合（cardiopulmonary coupling)通常也称为心肺交互作用 (cardiorespiratory interaction)，是指心血管系统与呼吸系统之间内在的协调机制和 作用，其研究涉及广泛的生理、病理和临床应用领域。心肺耦合现象可以用于获取与机体健 康状态相关的生理和病理信息，如通过心肺耦合分析评价自主神经系统功能，定量评价睡 眠质量，检测睡眠呼吸事件等。通过心肺耦合这一生理现象，又可以调节干预机体健康状 态，比如通过特定模式的呼吸运动，产生有益的心肺耦合作用效果，可调节心血管系统自主 功能，调节身心状态。因此心肺耦合分析技术既可以用于人体健康状态辨识，也可以用于人 体健康状态干预和调节。
[0003] 目前已经发展了多种信号分析技术，用于心肺耦合分析，如因果分析、符号动力 学、相位同步、互信息等。从信号处理角度看，心肺耦合分析是一种双变量分析技术，通常用 到心率时间序列和呼吸时间序列两路信号，以描述系统之间的相互关系。相比于单变量分 析技术，如心率变异性分析技术，心肺耦合分析往往能克服单变量分析技术的某些不足，提 供更多的关于疾病和健康状态相关的信息。
[0004] 在实际应用中，由于心肺親合分析需要同时测量心电和呼吸两路信号，心电信号 和呼吸信号分别测量使用起来不够方便。后来有人提出了从体表心电提取呼吸信号的方 法，被称之为ECG-Derived Respiration :EDR，如图1所示，图1中ECG的包络变化即是呼 吸成分。研究人员进一步使用EDR信号与心电的RR间期信号做耦合分析。现有技术中，直 接使用EDR与心电RR间期做心肺耦合分析，存在心肺耦合估计不准确的技术难题，影响心 肺耦合的分析效果。
【发明内容】
[0005] 本发明旨在提出一种新的心肺耦合分析方法，其能够实现可靠的心肺耦合。
[0006] 鉴于上述目的，本发明提出一种基于单导联ECG的心肺耦合分析方法，其包括：从 体表单导联ECG信号中提取RR间期序列和EDR信号；然后使用自适应滤波器，以RR间期序 列作为自适应滤波器的参考输入信号，以EDR信号作为自适应滤波器的理想信号，利用RR 间期序列与H)R信号之间的相关性，消除EDR信号噪声成分，提高EDR信号信噪比，获得增 强型EDR信号；对RR间期序列和增强型EDR信号作经验模式分解得到RR间期序列的多个 本征模态函数和增强型H)R信号的多个本征模态函数；从所述的RR间期序列的多个本征模 态函数和增强型EDR信号的多个本征模态函数分别选取与预定频率段对应的RR间期序列 的本征模态函数和增强型H)R信号的本征模态函数，用所述与预定频率段对应的RR间期序 列的本征模态函数和增强型EDR信号的本征模态函数进行心肺耦合分析，得到耦合结果。
[0007] 优选地，所述心肺耦合分析通过相位同步指数P来实现；其中， P = (cos仍)2 + (sin约)：，朽为与预定频率段对应的RR间期序列的本征模态函数的相位和 增强型EDR信号的本征模态函数的相位之间的相位差，.(cos%:).和(sin P,)为预定时间间隔 的均值。
[0008] 优选地，所述的与预定频率段对应的RR间期序列的本征模态函数的相位和增强 型EDR信号的本征模态函数的相位由与预定频率段对应的RR间期序列的本征模态函数和 增强型EDR信号的本征模态函数经过Hilbert变换后获得。
[0009] 优选地，当所述相位同步指数低于预定阈值时，认为心肺之间不存在明显耦合，为 噪声成分；当所述相位同步指数大于所述预定阈值时，认为心肺耦合是存在的、可靠的。优 选地，所述预定频率段为〇. 15~0. 4Hz。
[0010] 优选地，所述的从体表单导联ECG信号中提取RR间期序列和增强型EDR信号为通 过预定时间窗所选择的预定时间长度的信号。优选地，所述时间窗的长度为2分钟。进一 步优选地，所述预定时间窗口以滑动的方式，分段从RR间期序列和增强型EDR信号中提取 预定时间长度的时间序列，完成信号间的耦合分析。
[0011] 本发明的基于单导联ECG的心肺耦合分析方法，首先通过自适应滤波器消除EDR 的噪声成分，提高信噪比，提高EDR信号质量，获得增强型EDR信号EDR' ；然后使用经验模 式分解（EMD/EEMD)技术对RR间期序列信号和增强型EDR信号（EDR'）做分解，提取感兴趣 的（即，与预定频率段对应的）信号成分，以用于心肺耦合分析，由此获得准确可靠的心肺 耦合结果。
【附图说明】
[0012] 图1为EDR信号；
[0013] 图2为通过自适应滤波器获得增强型EDR信号的原理图；
[0014] 图3为RR间期序列信号的EEMD分解示例；
[0015] 图4为使用EEMD方法提取与预定频率段对应的RR间期序列的本征模态函数和呼 吸信号的本征模态函数，用于计算心肺耦合的一个示例。其中（a)为原始的RR间期序列信 号、真实测量的呼吸信号（通过呼吸感应体积描记技术：RIP) ;(b)为所提取与预定频率段 对应的RR间期序列的本征模态函数和呼吸信号的本征模态函数所表示的信号。
[0016] 图5为实施实例中涉及的各类心肺生理信号，其中（a)中从上到下依次为RIP、RR 间期301^^3301?_1?301^^3_打1七301?_1?_打11〇3)图中从上到下各信号为（3)中 信号经过EEMD提取特定频带成分的本征模态函数。EDR_area是通过QRS的面积的变化来得 到的EDR信号；EDR_RS是通过QRS的R-S波的幅度差的变化来得到的EDR信号；EDR_area_ filt是EDR_area通过自适应滤波得到的增强型EDR信号；EDR_RS_filt是EDR_RS通过自 适应滤波得到的增强型EDR信号。
[0017] 图6为不同EDR算法所估算的心肺親合的Bland-Altman图，其中（a)为EDR_area 与RIP结果比较；(b)为EDR_RS与RIP结果比较；（c)EDR_area_filt与RIP结果比较；（d) EDR_RS_filt与RIP结果比较；
[0018] 图7为本发明的基于单导联ECG的心肺耦合分析方法的流程图。
【具体实施方式】
[0019] 下面，结合附图对本发明的基于单导联ECG的心肺耦合分析方法。
[0020] 如图7所示，本发明的心肺耦合方法关键步骤为1)获得增强型EDR信号；2)通过 EMD/EEMD技术对RR间期序列和增强型EDR信号进行经验模式分解，然后将二者的分解结 果的感兴趣的本征函数进行耦合得到心肺耦合的结果。这里"感兴趣"指的是"特定频率范 围"的意思。例如，在作呼吸分析时，该感兴趣的范围为呼吸频带所处的0. 15~0. 4Hz。
[0021] 具体为，从体表ECG信号中提取心跳间期序列（RR间期序列）和EDR信号，然后以 RR间期序列为自适应滤波器的参考输入信号，EDR信号作为自适应滤波器的理想信号，利 用RR间期序列和EDR信号之间的相关性，消除噪声成分，提高信噪比，提高EDR信号质量， 获得增强型EDR信号EDR'，自适应滤波器结构示意图如图2所示。
[0022] 然后，使用经验模式分解（EMD/EEMD)技术对RR间期序列和增强型EDR信号 (EDR'）做分解，提取感兴趣（即预定频率）的信号成分，以用于心肺耦合分析。
[0023] 心肺耦合现象本身呈现出非线性、非稳态、以及多尺度、间断性等特点，常规的信 号处理技术无法有效分析该类信号。以往的信号分析技术多采用固定频带的带通滤波器， 分别对RR间期序列和呼吸信号预处理后，再做耦合分析。通过研究和实验证明，带通滤波 器的频带宽带对于心肺耦合分析估算的准确性有很大影响，实际应用中很难确定带通滤波 器的参数，因此影响心肺耦合分析的准确性，而且无法在不同尺度上对感兴趣的成分做耦 合分析。
[0024] 使用EEMD方法从RR间期中提取呼吸相关的振荡成分如图3所示，图3中第一行 为原始的RR间期序列，表现出明显的非稳态特性，经过EEMD分解后的不同本征模态函数 頂F(4~6)中，与呼吸相关的振荡成分集中在頂F5,因此提取頂F5的成分用于心肺耦合分 析。
[0025] 图4示例性的显示了用于进行心肺耦合的两路信号，其中（a)上、下图依次为原始 的RR间期序列信号和真实测量的呼吸信号（通过呼吸感应体积描记技术：RIP) ;(b)上、下 图依次为EEMD方法提取与预定频率段对应的RR间期序列的本征模态函数和呼吸信号的本 征模态函数。（b)中的两路信号用于计算心肺耦合。相比于带通滤波器的方法，EEMD能够 自适应的完成信号分解，并从中提取预定频率范围的成分用于心肺耦合计算。而带通滤波 器的方法，则存在滤波器参数选取问题，若通带过窄则容易导致虚假的心肺耦合（高估）， 通带过宽则包含其他非耦合成分而导致心肺耦合强度过低（低估）。实际应用中很难设定 带通滤波器的理想参数，以获得准确的心肺耦合估计。
[0026] 本实施实例中，RIP代表呼吸感应体积描记技术，是真实测量获得的呼吸信号，因 此本实施实例中以RIP信号获得的心肺耦合数值为金标准，来检验各类EDR算法及其增强 型EDR算法估算心肺耦合的效果。
[0027] 为检验本发明提出的方法对各类EDR算法的一致性，我们选择了两类应用广泛的 EDR算法：基于ECG信号QRS波面积的算法（记作EDR_area)和基于ECG信号QRS波中R-S 波幅度差的算法（记作H)R_RS)，做测试。两类EDR算法经过自适应滤波分别产生两类增强 型的EDR(分别计算记作EDR_area_filt和EDR_RS_filt，分别对应基于面积的算法和基于 幅度的算法）。4类EDR算法所得心肺耦合结果都与RIP获得的心肺耦合金标准进行比较。
[0028] 图5 (a)显示了两类基本型EDR算法（EDR_area和EDR_RS)和增强型EDR算法 (EDR_area_filt和EDR_RS_filt)，从中可以看出，增强型EDR的信号质量明显优于基本型 EDR算法，EDR信号质量经过自适应滤波器后得到增强。图5(b)是经过EEMD提取特定频带 成分的本征模态函数，而不是带通滤波器，避免由于信号预处理过程对心肺耦合产生虚假 估计。
[0029] 作为一个实例，心肺親合分析可以通过相位同步指数来实现，相位同步指数定 义为：
，为RR间期序列和EDR'信号之间的相位差，（eos^;)和 外)为某一时间间隔的均值。根据P的定义，P的数值位于0~1之间，P值越大，两个 信号之间的相位同步性越高。这里，只是示例性说明，本发明的心肺耦合不限于相位耦合。
[0030] 作为一个实例，RR间期序列和EDR'两路信号的相位信号由各自信号EEMD分解后 提取的感兴趣成分（某个或几个MF的和）的Hilbert变换后获得。这里，只是示例性说 明，本领域的技术人员也可以通过其他方法获得上述相位差。
[0031] 对感兴趣的时间序列，如RR间期和EDR'，EMD/EEMD将信号分解为多个本征模态函 数。我们通过平均频率从感兴趣的信号中选择相应的IMF。如呼吸频带落在[0. 15~0. 4] Hz之间，我们据此选取RR序列和EDR'序列中呼吸相关的振荡成分，用于心肺耦合分析。
[0032] 示例：
[0033] 分析了引导呼吸（呼吸率按照14次/分-12. 5次/分-11次/分-9. 5次/分-8 次/分-7次/分的模式，从高到底变化，每个阶段持续3分钟）下的心肺耦合估计，以及 Physionet网站开源使用的数据库Fantasia中的老年和青年人的心肺親合。结果分别如 表1和表2所示，其中RIP表示通过呼吸运动传感器测量得到的真实呼吸信号，EDR_area 表示用面积算法求得的EDR信号，EDR_RS表示用QRS波中R-S波幅度差算法求得的EDR信 号，EDR_area_filt表示EDR_area经过RLS自适应算法得到的增强信号，EDR_RS_filt表 示EDR_RS经过RLS自适应算法得到的增强信号。心肺耦合强度估计采用了相位同步指数 来估计，该数值位于[0~1]之间，数值越大表明心肺系统之间的耦合强度越大。相位同步 指数的计算过程，采用了我们提出的基于EMD信号分解的策略，从心肺生理信号中提取呼 吸振荡成分，采用Hilbert变换得到各自准确的相位信息，计算相位同步指数。
[0034] 从表1可以明显看出，原始的EDR算法无论是面积算法还是RS幅度差算法，都 显著低估了心肺親合强度（无论EDR_area还是EDR_RS:配对T检验，p〈0. 001，秩和检 验，p〈0. 001)，而两个增强型EDR信号所估算的心肺耦合与真实呼吸RIP估算所得的心肺耦 合无显著性差异（对于EDR_area_filt:配对T检验p = 0. 302,秩和检验，p = 0. 352 ;对 于EDR_RS_filt:配对T检验，p = 0. 757,秩和检验，p = 0. 979)。即自适应滤波技术能够 有效提高EDR信号估计心肺耦合的准确性，从而实现基于单导联ECG的可靠的心肺耦合分 析。
[0035] 从表1的结果我们能得出如下结论：该算法对于两类基本型EDR算法的效果一致， 都能够显著提高心肺耦合估计的准确性，而且两种增强型的EDR算法所得心肺耦合估计之 间也不存在显著性差异（配对T-检验，p = 0. 346，秩和检验，p = 0. 378)。
[0036] Fantasia中的老年和青年人的心肺親合数据比较如表2所示，和引导呼吸下的心 肺耦合得出同样的结论。
[0037] 表1:引导呼吸状态不同呼吸率水平的心肺耦合估计情况
[0042] 我们采用Bland-Altman图详细分析了不同EDR算法估计心肺親合的性能，见图6 所示。通过Bland-Altman图可以明确看出，两类基本型EDR信号在做心肺親合分析时，产生 明显的野点，并存在显著性的比例性偏差。即在心肺耦合本身强度较大时（通常也对应着 呼吸率较低的情况），基本型EDR信号（EDR_area和EDR_RS_f ilt)无论是面积的算法EDR_ area还是幅度算法EDR_RS，估算的心肺耦合与金标准相比偏差都比较小，而当心肺耦合强 度不大时（多对应着自主呼吸或呼吸率较高的情况），估算的心肺耦合与金标准比偏差较 大。这种比例偏差不同于系统误差，无法通过简单修正系统误差的方法来消除。而经过自 适应滤波处理后的增强型H)R(EDR_area_filt和EDR_RS_filt)信号，野点明显减少，系统 偏差明显减少，更优越的是比例偏差基本消失。Bland-Altman图中可以得出与配对T检验 和秩和检验一致的结论。
[0043] 通过图6的Bland-Altman图分析，可以看出，本发明的心肺親合分析方法，不仅可 以有效提高基于ECG的心肺耦合估计的准确性，还能有效消除比例偏差，从而保证在各种 呼吸率情况下，都能获得准确的心肺耦合估计，即能够实现不同呼吸状态下的稳健的心肺 親合分析。
【主权项】
1. 一种基于单导联ECG的屯、肺禪合分析方法，其包括： 从体表单导联ECG信号中提取RR间期序列和邸R信号；然后使用自适应滤波器，W RR 间期序列作为自适应滤波器的参考输入信号，W EDR信号作为自适应滤波器的理想信号， 利用RR间期序列与邸R信号之间的相关性，消除邸R信号噪声成分，提高邸R信号信噪比， 获得增强型邸R信号； 对RR间期序列和增强型邸R信号作经验模式分解得到RR间期序列的多个本征模态函 数和增强型邸R信号的多个本征模态函数；从所述的RR间期序列的多个本征模态函数和增 强型邸R信号的多个本征模态函数分别选取与预定频率段对应的RR间期序列的本征模态 函数和增强型邸R信号的本征模态函数，用所述与预定频率段对应的RR间期序列的本征模 态函数和增强型邸R信号的本征模态函数进行屯、肺禪合分析，得到禪合结果。2. 如权利要求1所述的基于单导联ECG的屯、肺禪合分析方法，其特征在于： 所述屯、肺禪合分析通过相位同步指数P来实现； 其中，，转i为与预定频率段对应的RR间期序列的本征模态函 数的相位和增强型EDR信号的本征模态函数的相位之间的相位差，(cos巧)和(加梦,)为预 定时间间隔的均值。3. 如权利要求2所述的基于单导联ECG的屯、肺禪合分析方法，其特征在于： 所述的与预定频率段对应的RR间期序列的本征模态函数的相位和增强型邸R信号的 本征模态函数的相位由与预定频率段对应的RR间期序列的本征模态函数和增强型邸R信 号的本征模态函数经过化化ed变换后获得。4. 如权利要求2所述的基于单导联ECG的屯、肺禪合分析方法，其特征在于： 当所述相位同步指数P低于预定阔值时，认为屯、肺之间不存在明显禪合，为噪声成分； 当所述相位同步指数P大于所述预定阔值时，认为屯、肺禪合是存在的、可靠的。5. 如权利要求1所述的基于单导联ECG的屯、肺禪合分析方法，其特征在于： 所述预定频率段为0. 15~0. 4Hz。6. 如权利要求4所述的基于单导联ECG的屯、肺禪合分析方法，其特征在于： 所述的从体表单导联ECG信号中提取RR间期序列和增强型邸R信号为通过预定时间 窗所选择的预定时间长度的信号。7. 如权利要求6所述的基于单导联ECG的屯、肺禪合分析方法，其特征在于： 所述预定时间窗的长度为2分钟。8. 如权利要求6所述的基于单导联ECG的屯、肺禪合分析方法，其特征在于： 所述预定时间窗口 W滑动的方式，分段从RR间期序列和增强型邸R信号中提取预定时 间长度的时间序列，完成信号间的禪合分析。
【文档编号】A61B5/0452GK105982664SQ201510088086
【公开日】2016年10月5日
【申请日】2015年2月26日
【发明人】张政波, 柴晓珂, 郑捷文, 王步青, 刘燕辉
【申请人】张政波