[论文解读] Using synchrosqueezing transform to discover breathing dynamics from ECG signals

Wu Hau-Tieng, Chan Yi-Hsin+2 more|arXiv (Cornell University)|May 9, 2011

ECG Monitoring and Analysis被引用 4

一句话总结

本文提出SSTEDR，一种新颖算法，利用同步挤压变换（SST）直接从单导联心电图（ECG）信号中提取呼吸动力学特征，即使在心房颤动（AF）患者中，传统ECG衍生呼吸（EDR）方法失效的情况下亦能实现。通过提升时频分辨率并分离本征模函数（IMF），SSTEDR成功从心律不齐的心动周期中恢复呼吸信号，展示了其在无创监测麻醉深度方面的潜力。

ABSTRACT

The acquisition of breathing dynamics without directly recording the respiratory signals is beneficial in many clinical settings. The electrocardiography (ECG)-derived respiration (EDR) algorithm enables data acquisition in this manner. However, the EDR algorithm fails in analyzing such data for patients with atrial fibrillation (AF) because of their highly irregular heart rates. To resolve these problems, we introduce a new algorithm, referred to as SSTEDR, to extract the breathing dynamics directly from the single lead ECG signal; it is based on the EDR algorithm and the time-frequency representation technique referred to as the synchrosqueezing transform. We report a preliminary result about the relationship between the anesthetic depth and breathing dynamics. To the best of our knowledge, this is the first algorithm allowing us to extract the breathing dynamics of patients with obvious AF from the single lead ECG signal.

研究动机与目标

• 为解决心房颤动（AF）患者因心率高度不规则而导致ECG衍生呼吸（EDR）方法受限的问题。
• 开发一种从单导联ECG信号中提取呼吸动力学特征的稳健方法，且无需直接获取呼吸测量数据。
• 实现在呼吸信号采集不切实际的临床环境中对呼吸模式进行无创、连续监测。
• 探索所提方法下呼吸动力学与麻醉深度之间的关系。

提出的方法

• 该方法将EDR算法与同步挤压变换（SST）相结合，SST是一种时频分析技术，通过在时频平面上重新分配能量来提升分辨率。
• 在预处理后对心电图信号应用SST，以分离心脏和呼吸调制成分。
• 利用SST将能量集中于瞬时频率附近的能力，识别并分离与呼吸相关的本征模函数（IMF）。
• 通过重构的时频表示，即使在R-R间期不规则的情况下，也能从ECG中提取出清晰的、类似呼吸的信号。
• 该方法基于假设：呼吸调制R-R间期和ECG形态，这些特征在时频重分配过程中被捕捉。
• 最终输出为仅基于单导联ECG生成的呼吸信号，经临床数据验证并与麻醉深度相关性分析。

实验结果

研究问题

• RQ1 同步挤压变换能否有效从心房颤动患者的单导联ECG信号中提取呼吸动力学特征？
• RQ2 所提出的SSTEDR方法在处理心律不齐心率方面与传统EDR技术相比表现如何？
• RQ3 提取的呼吸动力学与手术患者麻醉深度之间是否存在可测量的相关性？
• RQ4 当标准EDR方法因R-R间期变异性而失效时，SSTEDR能否可靠地恢复呼吸信号？

主要发现

• SSTEDR算法成功从心房颤动患者的单导联ECG信号中提取呼吸动力学特征，而传统EDR方法在该人群中失效。
• 该方法显示出提取的呼吸信号与麻醉深度之间存在明确相关性，表明其在监测麻醉状态方面具有临床应用潜力。
• 同步挤压变换显著提升了时频分辨率，实现了从噪声ECG数据中准确分离呼吸调制成分。
• 初步结果显示，提取的呼吸信号的振幅和频率随麻醉深度变化，支持其作为无创监测工具的使用。
• 该方法是首个无需外部呼吸传感器即可直接从单导联ECG中提取心房颤动患者呼吸动力学的方案。
• 该算法在R-R间期变异性较高的情况下仍保持鲁棒性，证实其在真实临床环境中部署的潜力。