ECG分类算法.pptVIP

the heartbeat time series = 相邻两个R峰之间ECG数据组成的时间 间隔序列 Introduction RR序列（RR sequence） 与心室除极有关 在60年代，有学者指出房颤发作时的相邻的RR序列几乎是独立的。 作者从9例chronic atrial fibrillation患者的24小时Holter记录中提取了上述序列，使用了两种方法来证明其属于symbolic independence。 两种方法 1、经典模型（Classical Method）： 线性高斯状态模型空间模型 非平稳序列 Linear Gaussian State Space Model Non Stationary Series 2、编码与测试： codes data into permutations and tests uniformity of distribution null hypothesis a weaker form of independence symbolic independence Introduction 对Heart Time Series使用线性ARIMA模型（ ARIMA，自回归求和移动平均模式） 正常：自回归阶数 房颤：自回归阶数 异方差：平均水平越大， 方差越大 Question：房颤信号是确定的？混沌的？纯粹的随机现象？ Introduction 统计特性 （statistical properties） 两个问题 估计房颤趋势的合适方法 滤除不正常的QRS波群 线性高斯状态空间模型 trend: Kalman滤波 residuals：独立性与正 态性检测 独立性测试：编码 symbolic independence 标注出不正常的心跳NA（missing value） 保证QRS波群正常，以建立模型 作者发现： 1、83%的有规律片段是1或0去的去除线性分量序列（detrended series） 2、93%的片段是symbolically independent 作者发现： 1、83%的有规律片段是1或0去的去除线性分量序列（detrended series） 2、93%的片段是symbolically independent Introduction The state space model 自回归模型 非平稳序列 Autoregressive Models Non Stationary Series 2个联合高斯随机向量： 其中： ； 与 为相互独立的正态随机序列，且独立于 。 和 联合概率密度的对数： The state space model ：水平等级local level（state vector） ：观察值 因为概率密度是高斯的，可以用一种滤波的方法来定义 因为在Kalman滤波器，计算过程存在递推关系，所以又可以使用下式： 其中： 是由 和 所定义。 是快速收敛于 值。若： 则： 以上变量可用最大似然估计来估计 The state space model 残差residuals: 用 表示； 收敛。 the above approximation： 特点： 提供了对趋势的估计， 相互独立 额外准则： Estimation of trend 对独立同分布变量的序列进行微分，Lag大于等于2的值均为0，Lag1近似于-0.5。 目的：去除非平稳性（removing non stationarity） 说明房颤数据需要别的模型（针对ARIMA）——弱关联性变量的非平稳序列。 Estimation of trend 根据文献：平均值的local value增大，对应的方差取值越精确。 因此，为了稳定方差，作者对数据取对数。使用Kalman滤波估计平均水平（the mean level），见下图a。 由式（2）： 等级序列（the level sequence） 与心电数据弱相关。 Estimation of trend Kalman滤波算法提供了评价平均等级和方差的手段，此外还可以查找丢失值： 当