混合连续信息分析技术在医学上的应用方法

本发明公开了一种混合连续信息分析技术在医学上的应用方法，通过心电混合连续分析系统中的心电图信号获取模块从心电设备中获取心电图信号，然后通过心电图探测模块对心电图信号进行预处理，处理后的信号通过心电图探测方法提取出信号特征并制成一个个的基本心率事件以供复合事件处理心跳识别模块进行分析，复合事件处理心跳识别模块通过其中的混合连续分析模块将基本心率事件与病人历史数据库模块中的信息进行对比，识别出异常心率事件，当有严重的异常心率事件时向预诊断输出模块传输异常心跳警报和预诊断信息，预诊断输出模块向病人的医师和/或家属发送警报和求救信息。

技术领域
本发明涉及一种混合连续信息分析技术的应用方法，特别是一种混合连续信息分析技术在医学上的应用方法。
背景技术
心动电流图(electrocardiograms，ECG)是心脏在每个心动周期中心脏跳动时伴随的生物电变化，通过心电描记器从体表引出多种形式的电位变化的图形，它给出了每个人心脏的功能细节并能帮助分析出ECG信号中的异常心跳。心电图中可观察到周期性的P，QRS和T波序列，在这个序列中QRS波群是具有最大振幅的，对其的探测有助于计算出其周围的P,T波和心跳的其他特征的。心血管疾病一直是危害人类健康、造成人类死亡的主要原因之一，ECG的识别分析在临床上具有很重要的意义。目前我国的ECG临床应用主要分为三种形态：一种是病人接受心电图的短时测试，如体检和普通心脏检测时，通常对病人的心跳的扫描不超过一分钟，而病人的ECG信号会直接打印在纸上，由医生对其进行分析，然后告知病人心电图有何异常。第二种是对于住院病人有生命危险或心脏方面疾病时，会提供心电监护仪来检测病人的心跳血压，血氧量等数据。这种方式的目的旨在检测病人出现危及生命的情况时，心电监护仪会进行报警，如病人出现震颤，跳停等情况，大部分的病人ECG信息并不进行记录。这样便使得对于病人的进一段时间的ECG情况医生无法得到很好的掌握。对于在重症监护室(ICU)的病人除外。第三种是对于心脏术后患者或严重的心脏病患者进行心电24小时监控，俗称“背包”。这是将一个便携的心电记录仪与接在人体的导联连接，让病人自行活动，以记录 病人过去24小时的心电数据。而后将这些数据从记录仪中取出导入电脑中进行分析。对于以上三种形式来说，共同要面对的问题有三个：首先，病人的中长期心电数据都是没有存档的，也就是说无法通过对历史ECG的分析来分析病人的康复情况或病情恶化程度。其次，对于心电图的分析，病人拿到记录在纸上的心电图后除了找专业的医师来分析，没有实时性，对于突发性心脏病的挽救无能为力。第三，只有危重病人可以获得医学方面的专业帮助，对于普遍患有高血压，冠心病的大量老年人他们没有途径了解自己日常的身体状况。而且由于人体个体的差异，每个人的正常心跳也不尽相同。我们通过互联网检索可以发现人体的正常心跳为60—100次/分，那么这个值就有1个问题，比如说1个人正常心跳为60次/分，如果他的心跳次数突然为100次/分，虽然该数值仍然处于正常心跳的范围，但是对于他本人来说已经处于心动过速了。还有就是有的人其本身的正常心跳本身偏高或者偏低，有的人正常心跳110次/分以上，有的人正常心跳在60次/分以下，如果用一个大众的数值对其进行评判的话，难免出现错误。因此，设计一个系统结合病人自身的心跳情况，适时对病人的心跳进行检测，当病人出现异常心跳时，可以对异常心跳进行显示，并将异常心跳的表现与病人的病历与病人过去的心跳历史数据进行比对，对严重的异常心跳进行报警，给出针对每个病人的辅助预诊断，帮助医生更好的掌握病人的情况是一个亟待解决的问题。
发明内容
本发明的目的在于，提供一种混合连续分析技术在医学上的应用方法。该方法可以结合病人自身的心跳情况，适时对病人的心跳进行检测，当病人出现异常心跳时，可以对异常心跳进行显示，并将异常心跳的表现与病人的病历与病人过去的心跳历史数据进行比对，对严重的异常心跳进行报警，给出针对每个病人的辅助预诊断，帮助医生更好的掌握病人的情况。本发明的技术方案：一种混合连续信息分析技术在医学上的应用方法， 通过心电混合连续分析系统中的心电图信号获取模块从心电设备中获取心电图信号，然后通过心电图探测模块对心电图信号进行预处理，处理后的信号通过心电图探测方法提取出信号特征并制成一个个的基本心率事件以供复合事件处理心跳识别模块进行分析，复合事件处理心跳识别模块通过其中的混合连续分析模块将基本心率事件与病人历史数据库模块中的信息进行对比，识别出异常心率事件，当有严重的异常心率事件时向预诊断输出模块传输异常心跳警报和预诊断信息，预诊断输出模块向病人的医师和/或家属发送警报和求救信息。前述的混合连续信息分析技术在医学上的应用方法中，所述心电图信号获取模块由心电监护仪或便携式心电仪获取信号，信号通过蓝牙传输给手机或者PC。前述的混合连续信息分析技术在医学上的应用方法中，所述心电图探测模块从心电图信号获取模块传输来的电压信号序列中识别出每一个心跳，并提取出心跳的心率、RR波间隔、P波、QRS波群以及T波特性参数，并将这些特性参数制作成基本心率事件并传输给复合事件处理心跳识别模块供异常心率事件的匹配使用；同时将心电数据存入历史数据库模块中。前述的混合连续信息分析技术在医学上的应用方法中，所述心电图探测模块包括有信号预处理模块和心电探测模块；心电探测模块包括QRS波群检测模块和P、T波检测模块；其中信号预处理模块将心电图信号获取模块传输来的电压信号首先使用小波变换来去除工频干扰并针对基线漂移问题，并用多项式拟合来调整基线；QRS波群检测模块使用动态阀值检测方法对实时传输过来的数据进行逐点方差、逐点平方以及信号幅度逐点平方操作，在有R峰处做移动窗口的积分；P、T波检测模块用于对一个完整心跳的窗口期进行分析从QRS波群前后的信号中找到心跳对应的P,T波的位置和信息。前述的混合连续信息分析技术在医学上的应用方法中，所述动态阀值检测方法包括有以下步骤：A、建立1个大小为1000个样本点的窗口，随着新的信号输入，老的样 本点移出窗口；B、.将预处理过的信号进行滑动平均值处理，11个样本点的滑动窗口取平均；C、使用动态阈值THR1等于滑动窗口中样本点的平均值与样本均值的和来过滤掉低于阈值的信号部分；D、使用动态阈值THR2等于滑动窗口中样本点的平均值与样本均值的之差来过滤掉高于阈值信号部分；E、对比步骤C与步骤D产生的非零区间的间隔，当间隔非零区间小于50个样本点时，将相邻的后面一个非零区间置零，并将步骤C与步骤D的结果合并；F、在步骤E处理之后的部分都是在QRS波群内，找到波峰中最值点作为R峰的点；G、在步骤D处理后，若非零区间在滑动窗口边缘没有回落，则视作QRS波群没有达到最高点，既步骤F所找到的最新一个R峰值存在误差，将步骤G所分析出的最新一个R峰值标记；H、若步骤D处理后的非零区间在窗口边缘已经回落，则再执行一次步骤F将新的结果对比滑动窗口中已经找到的R峰位置从而确定最新的一个R峰的位置；J、计算步骤E处理后不为零的区间边缘的两个大小为20样本区间内找出二阶导数的正负号改变的样本点作为R波的区间；K、通过前后两个RR波区间，算出中间完整心跳的区间，并对QRS波群前后的窗口进行分析，找出满足次阈值THR3的区间来作为P,T波的区间进行分析；L、将每个心跳区间内的QRS波群、P波、T波的间隔时间，峰值，起始结束的样本点位置信息保存并发给复合事件处理心跳识别模块。前述的混合连续信息分析技术在医学上的应用方法中，所述复合事件处理心跳识别模块通过其中的混合连续分析模块对心电图探测模块输出的每 一个基本心率事件进行监听，通过复合事件处理心跳识别模块中的EPL语句识别每一个基本心率事件是否满足正常心跳的条件，对于异常心率事件通过与病人历史数据库模块中的异常心率表进行匹配判断其是哪一种异常心率事件，并根据异常心率事件处在事件树或事件图中的位置来判断此异常心率事件能否组成其它的更为复杂的异常心率事件，并判断是否移除相应的模式匹配语句，最后将所得新的复杂事件发送到复合事件处理心跳识别模块；并将每一个心跳的所有基本心率事件作为历史数据存入历史数据库模块中。前述的混合连续信息分析技术在医学上的应用方法中，所述历史数据库模块包括有病人的基本信息表、存储基础心率表、异常心率总表、异常心率分表以及心率变异性分析数值表；每个表根据时间不同分为白天和夜晚两个存储部分。前述的混合连续信息分析技术在医学上的应用方法中，所述混合连续分析模块将病人心率的中长期指标记录下来，并利用这些指标来调整因个体差异而造成的心脏病理事件的甄别，并将其运用到复杂心率事件处理中使得复杂心率事件处理时所使用的匹配模式可以动态的进行改变和调整。前述的混合连续信息分析技术在医学上的应用方法中，所述混合连续分析模块的实现包括有三个部分：混合基本事件、混合复杂事件以及综合预诊断；其中混合基本事件通过对历史的正常心跳的分析和统计，得到每个人正常心率中P波和T波的相对于QRS波群的分布位置，而且对过去所有的单个心率进行挖掘或分析得到心律的历史特征值，两者使用混合连续分析方式进行比对，从而分析出基本的心率的种类属性；混合复杂事件通过在复合事件处理心跳识别模块对异常心率事件的监听过程中，提取出病人历史数据库模块中发生过的不同异常心率事件的特征值，并将这些特征值用于病人实时异常心率事件检测；当实时探测到异常心律并将其转变成异常心律的复杂事件时，通过综合预诊断快速地判断是否有生命危险，并将与症状相关的信息发送给医护人员。本发明的有益效果：与现有技术相比，本发明的应用方法结合病人自身 的心跳情况，适时对病人的心跳进行检测，当病人出现异常心跳时，可以对异常心跳进行显示，并将异常心跳的表现与病人的病历与病人过去的心跳历史数据进行比对，对严重的异常心跳进行报警，给出针对每个病人的辅助预诊断，帮助医生更好的掌握病人的情况。本发明结合了人们的实际需求，设计了心电混合连续分析系统和相关的处理方法，提出了心电探测方法以及复杂事件处理模块。提出一种心电图探测方法对心电图的基础心率进行探测，并将其转化为基础事件流，采用Esper流事件处理引擎来构建连续分析系统，对心电图探测方法产生的基础事件流进行模式匹配。将系统产生的实时心电数据及异常心率数据存入到历史数据库中。同时设计了针对常见异常心律的EPL语句，以复杂事件树的形式将大量的复杂事件之间的关系串联起来进行动态模式匹配，降低了系统的压力。最后，实现了将心电历史数据及特征从数据库中取出提供给事件流分析引擎进行更加精准和个性化的模式匹配。在匹配到预设的异常心律事件后及时的预警，并快速的提供病人的相关历史记录、用药情况等相关资讯，以提高医护人员的救治率。总结下来主要包括以下几个方面的优点：1、针对心电分析的特殊需要提出了一种实时的心电探测方法，这种方法可以较好的为心电监测分析提供实时事件支持。2、设计了基于复杂事件处理的心电混合连续分析系统，将复杂事件处理分析技术引入到心电监控与分析当中来。3、设计了一种混合连续分析架构，传统的连续分析技术只能提前定好阈值，如果超过阈值则报警；相对每个人的体质和心跳特点各有不同，混合连续分析技术就可以一定程度上较好的解决这个问题。4、心电混合连续分析系统采用复杂事件处理技术，将数据驱动改为事件驱动模式，节省计算力也节省了大量原始数据存储空间只存储相对较小的事件数据。
附图说明
附图1为本发明的心电混合连续分析系统的结构示意图；附图2为复杂事件的层次示意图；附图3为复合事件处理心跳识别模块的流程图；附图4为心跳速率混合监测流程图；附图5为室性心动过速事件的事件树示意图；附图6为室性二联律示意图；附图7为室性三联律示意图；附图8为MIT心电数据库的错误率示意图；附图9为复杂事件技术对异常心律的识别示意图；附图10为混合连续分析技术异常心率识别率示意图；
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。本发明的实施例：本发明研究与设计的心电混合连续分析系统正是通过CEP(复合事件处理)技术对病人每一时刻产生的大量的生物体征数据进行分析并保存。心电混合连续分析系统的研究与设计可以解决大量的生物体征数据直接被丢弃的问题，并将这些数据的分析用于挽救生命和改善身体状况。心动电流图(electrocardiograms，ECG)是心脏在每个心动周期中心脏跳动时伴随的生物电变化，通过心电描记器从体表引出多种形式的电位变化的图形，它给出了每个人心脏的功能细节并能帮助分析出ECG信号中的异常心跳。心电图中可观察到周期性的P，QRS和T波序列，在这个序列中QRS波群是具有最大振幅的，对其的探测有助于计算出其周围的P,T波和心跳的其他特征的。对心动电流图的分析与混合连续分析技术的结合的研究和尝试是本发明的主要目的。下面将介绍针对医学ECG进行混合连续分析的系统的框架设计和模块设计。心电混合连续分析系统框架设计心电混合连续分析系统需要从各种心电设备中获取ECG信号，对于这些 信号CEP(复合事件处理)技术是无法直接进行处理获取信息的，而且可能信号源还有噪音等影响判断质量的因素，所以第一步就是需要对ECG信号进行一系列的预处理使得信号的质量符合检测方法的要求。接下来才能够通过ECG检测方法提取出心电的信号特征以供CEP系统分析。CEP系统对送来的心电数据分析后找出异常心跳，对严重的异常心跳进行报警。并将异常心跳的表现与病人的病历与病人过去的心跳历史数据进行比对，给出针对每个病人的辅助预诊断，帮助医生更好的掌握病人的情况。根据以上的分析，基于CEP的ECG实时监测分析系统可以有效的对ECG信号进行处理，识别出非正常心跳的事件，将心跳事件与病人的病历等历史信息进行比对并给出预诊断信息。对于帮助普通的病人了解自己的身体状况并及时作出就医的决定提供支持。心电混合连续分析系统框架如附图1所示。该系统由分为五个模块，分别是心电图信号获取模块，心电图探测模块，CEP心跳识别模块，历史数据库模块，预诊断输出模块。下面将分别对系统的主要功能模块及相关技术进行介绍。心电图信号获取模块设计ECG信号获取由心电监护仪、便携式心电仪等完成，这些信号通过蓝牙传输到手机或pc，在手机端或pc端进行ECG的探测，为了节省带宽并不会将360HZ的心电信号实时传输到服务器端，而是由手机端或pc端的程序探测出每个心跳的特征信息后并压缩后，以每分钟或更长一个周期上传一次这个周期的ECG特征信号到服务器端进行处理；如果在终端的探测中发现非正常心跳则立刻传输现有的这个周期内的ECG压缩数据到服务器端进行分析。通过PC端的监听程序将由串口接收到的信息用作下一步信号预处理的数据源。监听程序可以记录信号源的频率以及每次信号的强弱值以供预处理模块使用。心电数据库中一般存放的是一条或多条导联的心电数据，包含的信号源需要按照不同的数据库进行解码，一般心电数据库会包含头文件和诊断文件，头文件一般给出心电相关的信息，如心电采用的信号频率、信号基点位置、单位、导联的数量及部位以及病人的一些相关信息：年龄，性别，用药 情况等。而诊断文件将标明异常心跳的类型和发生时间，将具体异常心跳发生的信号点与相关值进行了标注。读取标注信息将极大的帮助开发者验证自己的心电监测算法或程序。心电图探测模块设计心电图探测模块的功能是从心脏的电压信号序列中识别出一个个的心跳，并提取出其中的一些特性参数如心率，RR波间隔，P波、QRS波群、T波。将这些特性参数构成基本心律事件并传输给复合事件处理心跳识别模块供异常心律事件的匹配使用。心电图探测模块主要由两部分组成：信号预处理模块和心电探测模块。心电探测模块包含QRS波群探测识别和P，T波探测识别两部分。以下将分别对这三部分的功能与设计进行阐述。信号预处理模块设计：对于ECG信号的识别率有着重要影响的是ECG录制的质量，通常实际得到的心电信号是有着各种各样的干扰和漂移的，所以对于信号进行预处理是很有必要的行为。ECG信号有两个重要的干扰源，一个是50Hz/60Hz及其谐波的工频干扰；另一个是小于1Hz的些基线漂移。首先使用小波变换来去除工频干扰并针对基线漂移问题，选用多项式拟合(polynomial fitting)来调整基线。心电探测模块设计：其包括有信号QRS波群检测，因对实时数据进行分析无法对完整的心率记录的特征进行提取，故使用一种动态阈值检测方法，对实时传输过来的数据进行逐点方差、逐点平方，信号幅度逐点平方等操作，使得输出后的数据都有为正，且非线性的放大了微分输出的信号，突出信号的高频部分，更加突出了R峰，并减少了T波引起的假阳性；在有R峰处做移动窗口的积分，抽取出R波的其他信息，如斜率、宽度、以及提高QRS综合波检测的准确率。还包括有P、T波检测，通过对QRS波群的检测，以及RR波间隔的计算，可以很容易的大致计算出一个完整心跳的窗口期。对这个窗口期进行分析从QRS波群前后的信号中找到这个心跳对应的P、T波可能的位置和其他信息；但并非所有的P,T信号都可以被用这样的方式识别出来，诸如心动过速，震颤，以及其他的P、T波与其他波重叠的情况就 难以被加以识别了，但是通常P、T波无法识别也能成为一种标识，也可以用来对异常心电做判断。针对本系统需要将心跳的基本信息细节从几百个样本点的电压值压缩成对每个心跳的基本数据信息，动态阈值检测方法的主要描述如下。Step1.建立在一个大小为1000个样本点的窗口中，随着新的信号输入，老的样本点移出窗口。Step2.将预处理过的信号进行滑动平均值处理，11个样本点的滑动窗口取平均。滑动平均值的取得可以有效的降低动态阈值错误过滤掉低于其均值的信号部分。

n＝1,2…….1000Step3.动态阈值THR1等于滑动窗口中样本点的平均值与样本均值的和来过滤掉低于阈值的信号部分。

n＝1,2…….1000Step4.动态阈值THR2等于滑动窗口中样本点的平均值与样本均值的之差来过滤掉高于阈值信号部分。可以定位R波的位置。

n＝1,2…….1000Step5.对比Step3与Step4中产生的非零区间的间隔，当间隔非零区间小于50个样本点时，将相邻的后面一个非零区间置零，并将Step3与Step4中的结果合并。这样做的主要目的是将实际QRS波群抽象化，能快速的定位 到QRS波群的位置。为下一步对P波的位置进行估计做准备。Step6.在Step5处理之后的部分都是在QRS波群内，找到波峰中最值点作为R峰的点。Step7.在Step4处理后，如果非零区间在滑动窗口边缘没有回落，则视作QRS波群可能没有达到最高点，既Step6所找到的最新一个R峰值可能存在误差，将第七步所分析出的最新一个R峰值标记。Step8.若Step4处理后的非零区间在窗口边缘已经回落，则再执行一次Step6将新的结果对比滑动窗口中已经找到的R峰位置从而确定最新的一个R峰的位置。Step9.计算Step5处理后不为零的区间边缘的两个大小为20样本区间内找出二阶导数的正负号改变的样本点作为R波的区间。Step10.通过前后两个RR区间的算出中间这个完整心跳的区间，并对QRS波群前后的窗口进行分析，找出满足次阈值THR3的区间来作为P,T波的区间进行分析。Step11.将每个心跳区间内的QRS波群、P波、T波(如果P波、T波可探测)的详细数据，如间隔时间，峰值，起始结束的样本点位置信息保存并发给识别模块。心电图检测模块是系统对心跳类型分析准确性的基石，起着至关重要的作用。复合事件处理心跳识别模块设计复合事件处理(CEP)心跳识别模块是心电混合连续分析系统的核心也是混合分析的基础。本模块利用了CEP技术来处理和分析实时心率中的异常事件，单个的心率异常事件会引起一连串的异常心律的复杂事件。通过对心电图探测模块监测识别得到的基本事件的监听，可以监听到各种异常心律事件，而多个特定规律出现的异常心律事件的发生可被认为是符合EPL语句中表达模式的异常心律复杂事件。系统对于这些复杂事件的监测可以及时的通知医护人员和第一时间提供病人症状数据以在一定程度上帮助挽救病人的 生命。附图2所示为系统中所使用到的复杂事件的层次示意图。首先由系统中的心电图探测模块来产生基本心跳事件用方框表示；所有的椭圆形表示复杂事件，图中经过EPL语句进行模式匹配，某些特定基本事件的发生将会触发EPL语句产生复杂事件，由基本事件产生的复杂事件我们定位一级复杂事件，也就是层次图中复杂事件的第一层。产生的复杂事件也会流入到系统中，当某EPL语句监听到符合模式的复杂事件发生了，则产生更高层级的复杂事件。复杂事件的层级越高，表明心脏异常症状越明确以及这个事件的发生对病患来说更加性命攸关。例如一名普通的冠心病患者，也许每天会发生上千次的室性期前收缩即俗称的早搏，这样的情况太过频繁不足以判断病人是否出现严重的症状。但若期前收缩的发生频率和模式诱发了一个二级事件如VT心动过速事件，临床上意味着病人有不可预知的潜在致命性情况可能发生；若VT事件持续的时间达到一定程度便会发生第三级的复杂事件，如心肌缺血事件那便意味着病人需要马上进行急救，若不采取措施便会危及性命。复合事件处理心跳识别模块的流程如附图3所示，CEP是对连续信号源的实时分析，所以流程图并没有办法标出识别流程的终点。当任意心电监护数据源接入系统后，心电图探测模块便会对采样的信号进行预处理和波形检测。随后将每一个检测到的心跳信息封装成一个个基本心律事件，并将其存入基本心跳。当基本心律事件产生时，系统负责识别基本心律事件的EPL语句将会识别是否满足正常心跳的条件，如果没有异常则监听下一次的心跳事件。若CEP监听本次心律的数据并不符合正常心律的定义，则会根据现有的一些匹配规则来匹配本次心跳是哪一种异常心律，并被存入异常心律表中。复杂事件系统会根据异常心率事件处在事件树或事件图中的位置来判断此异常心律能否组成其他的更为复杂的异常心律事件。若此事件并没有到达事件树的顶层，则在CEP监听的模式中加入上一层的异常心律模式。而如果已经到达事件树最高层，则说明事件已经被监听到，则需要移除相应的模式匹配语句。最后将所得新的复杂事件发送到复合事件处理心跳识别模块。之后 复合事件处理心跳识别模块将会不停的循环执行流程图中的步骤。心电图探测模块将心跳的基本信息制成基本心率事件发往复合事件处理心跳识别模块，并将心电数据压缩存入历史数据库模块以备以后查找；复合事件处理心跳识别模块在接收到传来的心跳事件以后将进行模式匹配，将每一个心跳的所有基本心律事件作为历史数据存入数据库，如果符合异常心跳的特征将会把异常心跳的特征存入异常特征数据库以备稍后预诊断输出模块进行调用。心跳事件构成:从心电监护仪等中所读取出的数据在进行预处理后经心电图探测方法可以探测出一个心跳的详细特征值，如QRS波群、P波、T波的详细信息作为基本心律事件，基本心律事件仅仅是能够反映实时探测到的当前心跳的一些参数，尽管它也能提供许多相关的细节信息，但是这些信息与要自动探测到心跳异常的目标还有很大的距离，无法表达一个完整的含义。因此需要将基本心律事件聚合成一个个具备实际医学含义的复杂事件。下面是对事件的基本描述。基本心律事件：每一个基本心律事件都有一个唯一可用的名字，这里由病人Uid+BeatPart+BeatID组成。来源列表表明ECG信号源来自于移动设备还是心电监护仪，以及设备号；还有病历数据库名表明病历存储的位置。属性列表包括：ecg_id是表明是哪一条导联的信息；Beat_ID用于标记是哪一个心跳的属性事件；strat_time and end_time表示事件的开始时间和结束事件，如果事件没有持续的时间end_time可以为空。复杂事件：与基本事件相比多了subevent子事件和constraint list约束条件，复杂事件是由多个子事件和其约束关系构成的。复杂事件主要用来表示一些特有的非正常心率事件，如VT室性心动过速、室性二联律、室性三联律等。复合事件处理心跳识别模块中的混合连续分析模块的功能是将病人的历史数据的信息进行提取用于实时数据的连续分析。混合连续分析模块将病人心率的中长期指标记录下来，并利用这些指标来调整因个体差异而造成的 心脏病理事件的甄别，并将其运用到复杂事件处理中使得复杂事件处理时所使用的匹配模式可以动态的进行改变和调整。历史数据库模块设计分析系统若要与历史心电数据进行对比，需要加入心电历史数据库模块来存储历史数据。历史数据库模块主要分为五类数据表。第一类为病人的基本息表，病人基本信息表中包含了病人的病人编号，姓名，年龄，性别，以及用药史等基本资料。日常行为信息备注，如是否有大体力运动或劳动的行为。基本心率表中存放的是由心电图探测方法识别后发往复合事件处理心跳识别模块的每一次心跳的基本信息参数。第二类为存储基础心率表，既每一次心跳的相关数据，如日期、心率ID、RR间隔、P波、QRS波群、T波的详细参数等；而这类基础心率存储表有可以分为两类一类是当天当月的数据存储表，另一类是历史心电数据的数据存储表。存储基础心率表里存储的为每个月的基本心率，表字段结构与基本心率表示一致的，每月系统将把本月的基本心率表复制到存储基础心率表中，并将基本心率表清空以存储本月的所有心率信息。第三类为异常心率总表，存储所有的不正常心率，既不正常心跳的ID、异常心率类型、持续时间及异常心率ID等；同样也可分为两类，一类存储当月不正常心率，另一类存储历史不正常心率。第四类为异常心率分表，既按心室、心房、交界区三个区域来划分并存储不同的异常心率，如室性心动过速、房性早搏、交界区逸博等异常心跳类型。分表数据库分为三个，分别为室性异常心律数据库、房性异常心律数据及交界区心率异常数据库。第五类为HRV分析数值表，是以心电图为数据源的一种心率分析数值，这些通过计算得出的数值可以很好的表示出所测心脏的一些特征，这些特征可以被用来分析被测者患有慢性心衰竭的可能性及程度。HRV(心率变异性)反应的是自主神经系统活性和定量评估心脏交感神经与迷走神经张力及平衡性，从而判断其对心血管疾病的病情及预后。是预测心脏性猝死和心律失 常性事件的一个极为有价值的指标。预诊断输出模块设计当复合事件处理心跳识别模块识别出异常心律之后，会启动混合查询，同时对历史ECG数据、异常心率模式库、病历查询并与实时ECG情况比对。当对比找到病人的病历中与之相关的部分，且有高危险等级时向预诊断输出模块传输异常心跳警报和预诊断信息，预诊断输出模块会对病人病历设定的医师和病人家属发送警报或求救信息，待他人收到信息进行救治。要想了解一个人的心率情况，中长期的心电数据将会带来极大的帮助和益处。一个人的中长期心率的变化情况可以直接的体现出病人心脏的变化规律及病变情况。并且可以作为此人的心率基准指标来运用于个体的心率监控当中。如附图4所示，为心跳速率混合监测流程图，图中当基本心律事件由心电图探测模块生成之后会被复合事件处理心跳识别模块进行监测，白天和夜晚的心率略有不同所以经判断后会分别从夜晚或白天的历史数据中取出相应的中长期历史平均值。实时基本心律事件与历史数据库数据混合后进行判断，当小于平均历史心率65％时被视为心动过缓；当心率为历史心率的200～250％时被视为是心动过速；而当大于历史心率的250％时则视为是心脏发生了震颤。在技术水平不断发展的今天，传统教科书中介绍的正常人的心率范围以及发生心动过速、震颤以及心脏逸搏的界定范围已经不再适用于对个体监护的需求。对于中长期心率指标的掌握将能有助于进行个性化心率监控。历史数据可以针对每个人的心率基准来进行个体化的阈值设置和事件分析。复杂事件——CEP心跳识别复合事件处理心跳识别模块的数据源，心电监护仪每个导联的电信号在经过ECGD探测模块之后会封装成基本心律事件。复杂事件是由一个或多个基本心律事件或复杂事件构成的。复杂事件的产生是CEP系统解析EPL语句中的模式并在基本事件流中匹配到相应的模式而产生的，复杂事件产生之后 同样也会被一事件流的形式发送到CEP系统当中，并可能被其他的模式检测和匹配；附图5为室性心动过速事件的事件树示意图，图示所示为复杂事件VT室性心动过速的基本构成情况以及下一级的事件的情况。室性心动过速(ventricular tachycardia,VT)：简称室速，是指起源于心室、自发、连续3个或3个以上、频率大于100次/分的期前收缩组成的心律。首先复合事件处理心跳识别模块检测到基本心律事件的各项特征以匹配到室性期前收缩，并将次异常心律事件加入到事件流当中。室性期前收缩的异常心率事件被加入事件流的同时将动态的激活与之相关EPL语句，即增加后续与室性期前收缩相关的匹配模式监听。如附图5所示的VT室性心动过速、附图6所示的室性二联律、附图7所示的室性三联律的模式监听。此后复合事件处理心跳识别模块会继续的监听线上的所有的EPL语句所含模式。若此后继续有连续两个的基本事件被识别为室性期前收缩，并且这连续的三个心跳事件的RR波间隔的平均频率都高过100每分钟的即RR波间隔的平均值小于216就匹配时VT室性心动过速的特征了。这事系统会生成VT复杂事件加入到当前时间流当中。若有更复杂的基于VT室性心动过速的模式，CEP将会激活相关模式的监听。由于每个病人的心脏特性是各异的，通常不会将所有的心律事件都进行监听，只会对事件树中可以由单一基本心律事件监听得来的事件进行监听。当特定的心率异常事件被激活了之后，在含有此异常心律事件的各事件树的父节点EPL语句将会被激活，并在CEP中进行监听。这样可以有效的节约资源和减轻系统负担。VT的复杂事件只需要如下信息，病人ID、病人心跳编号、日期以及异常心律事件开始的时间和结束的时间。即可作为VT事件开始的时间，而后当心率事件不再匹配此复杂事件时给此事件记录结束时间。之后将此异常心律复杂事件存入异常心律对应数据库中。室性期前收缩的特征是：QRS波群提早出现，其形态异常，时限大多>0.12 秒，T波与QRS波主波方向相反，ST随T波移位，其前无P波。发生束支近端处的室性早搏，其QRS波群可不增宽。室性期前收缩后大多有完全代偿间歇。基本心律较慢时，室性期前收缩可插入于两次窦性心搏之间，形成插入型室性期前收缩。偶见逆传至心房的逆行P波，常出现于ST段上。通常随着研究的深入，事件树的层数是会逐渐增加或者说事件树会长大，同时事件树的数目也会增加。这样可以使得在不对系统进行改动的同时继续支持更多的复杂事件，这也是CEP技术灵活之处。混合连续分析上一节中对于心电监控的复杂事件分析实现已经做出了描述。这对于普遍心率不齐的病人是十分有帮助的，但是实际应用当中每个人的心率基准指标以及同样的心率异常现象所产生的心电图图样是不同的，这无形中给系统对个体的准确匹配带来了挑战。混合连续分析的应用的初衷正是为了能够使得这套基于复杂事件处理的心电分析系统能够具有更强的个体兼容性和准确度。并且能够实现针对不同病人自己的身体状况来进行分析和预测。以复杂事件为基础，对混合连续分析模块的实现将分为三个部分：混合基本事件、混合复杂事件及综合预诊断。基本心率的检测是由心电图探测方法来完成的，该方法对于QRS波群的检测是有较高的准确度的；但是对于P波和T波的准确检测至今仍然是一个医学难题，因为大多数情况下，病人的心脏病理特点的不同导致不同病人的P波和T波的相对于QRS波群的相对位置有很大差异的，用固定检测方法是很难将其准确定位并提供给CEP进行分析，所以混合连续分析将可在一定程度上解决这一问题。每个人的单次正常完整心跳的心电图是最容易定位出P波和T波的，对历史的正常心跳的分析和统计可以得到每个人正常心率中特定的P波和T波的相对于QRS波群的分布位置。利用这个更每个人独有的精确的分布位置区间，从而在很大程度上解决P波和T波的定位问题。进一步的，每个人的单次完整心跳的心电图可以提取出，对应心跳类型 的特征值。若对过去所有的单个心率进行挖掘或分析则可以得到特定种类的心律的历史特征值，两者进行比对便可以使用混合连续分析方式分析出基本的心率的种类等属性。对于每个人的基本心率情况以及呈现的心电图图样是有独立的特征的，对于病人每一个完整的心跳特征值的提取是可以将医学领域中针对大众的相对固定的异常心律的标准更加个体化。在原有复杂事件处理系统的基础下提取出病人历史记录中发生过的不同异常心律的特征值，并将这些特征值用于病人实时异常心律检测。病人的历史记录在数据库中是按天进行保存的。白天人的心跳速率会比夜晚更高，更兴奋。所以历史记录需要将白天和夜晚分开了分析特征值。医学上将白天的区间定义为9AM到8PM，及当天上午9点到晚上八点；夜间的时间区间定义为9PM到次日8AM。所以可见，虽然数据是按天进行存储的，但是要对历史数据分析时，却要参考日期和白天与黑夜的区间。所以需要对CEP系统的EPL语句进行修改并在系统中加入对历史数据库的访问模块。对混合复杂事件的处理需要使得EPL语句能够支持对历史数据的获取；Nesper中支持在EPL语句中引入自定义函数，使用自定义函数通过ODBC开放数据库互连或JDBC即Java数据库连接来链接相应的数据库，取出数据库中种类的相应异常心律的平均特征值并使用作为EPL与剧中的阈值进行模式匹配。预诊断输出模块要完成的任务其实就是针对实时探测到异常心律将其转变成异常心律的复杂事件时，快速的判断是否有生命危险，并将与症状相关的信息发送给医护人员。如果病人基本信息中，加装起搏器，和之前的历史数据则失去了参考价值，以及病人一直在服用哪些药物可以帮助医务人员快速的判断诊治方法以及处方的安全问题。系统效果及性能测试数据库选取：国际上主流的标准心电数据库主要有3个：欧洲AT-T心电数据库、美国心脏学会提供的AHA数据库以及麻省理工学院提供的 MIT-BIH数据库，其中MIT的BIH数据库中有包括心率失常、ST段改变、房颤等多个的数据库。心电探测方法的评估表1 MIT数据库QRS波群检测结果心电探测方法对MIT-BIH心率数据库的检测结果如表1所示，其中错误率由以下公式得出。从结果中不难看出对于大部分的患者心率是可以进行检测的，然而对于心率补齐较为严重并伴有p波、t波消失的心率来说错误率则会出现一定程度的提升。同时对于室性期前收缩较为频繁的病人的心电探测准确性需要进一步的提升。附图8表示的是选取MIT-BIH心电数据库中的十段心电记录的检测错误统计情况。左图为漏检数及误检数统计，图中分别为每条记录的漏检数和误检数，漏检数是错过心跳没有识别的数量，误检数是将R波峰正负5个信号点之外的信号点识别为R波峰的数量；右图是总的错误率统计，错误率有漏报率与误报率之和除以心跳总数得来。从附图8中可以看到，探测方法在对记录200和记录223的识别上是存在着比较多大的误差的，分别达到了4％以上。所以特别针对的分析了记录200和记录223的特点，记录200的心电记录中存在长达十二分钟的室性二 联律症状并伴随着严重的肌电干扰。对于30分钟长度的心电记录，十二分钟的二联律已经占据了很大一部分时间。记录223中有着长达1分50秒的VT心动过速，期间的心率的检测准确率会受到比较大的影响。从这两条记录的分析来看，目前心电探测方法对于比较恶劣的信号环境和较快的连续异常心律的识别还存在一些问题。心率的识别方法的成功率及正确率是心率分析软件的基石，也决定了系统的准确性和可用性。本方法的性能及效果可以达到满足系统设计的标准。心电复杂事件分析系统评估CEP复杂事件探测结果：为了验证CEP技术在心跳监测分析中的作用，针对MIT-BIH的心跳记录进行实验后得到以下实验结果，对记录200、记录208、记录223分别统计了异常室性心跳的发生次数，如表2所示。从表中可以看出，200号心率记录中存在有室性早搏826次，系统识别为719次，其中二联律发生的次数71次，实际识别63次，室性心动过速7次，实际识别6次。表2 室性异常心率识别统计如附图9所示，左图为分别对三条心跳记录中的室性早搏的总数和CEP系统识别数。右图表示的是记录200与记录223中对室性早搏、室性二联律、室性心动过速的的识别错误率。从附图9中可以看出，对于记录200和记录223中室性早搏的识别错误率分别达到了13％和7.6％，而在心电探测方法的错误率是4％及4.18％。这说明CEP系统的检测准确度受到心电探测方法的影响，对于比较恶劣的信号环境和较快的连续异常心律的识别还存在一些问题。针对MIT异常心率的三组记录的平均识别率都分别高于85％，实验结果很好的说明了CEP技术的适用性。混合连续分析结果评估心电混合连续分析系统中加入对历史数据的统计，可以得到基于历史数据的异常心律的基本特性统计值，通过这些统计值可以修改负责对异常心律进行模式匹配的EPL语句中的匹配属性值，从而提高识别的精确性。如附图10所示，左图为分别对三条心跳记录中的室性早搏的总数和混合连续分析系统的识别数。右图表示的是记录200、记录208和记录223的CEP和混合连续分析对室性早搏心率识别的错误率对比。从附图10中可以看出，较CEP系统而言混合连续分析技术对于异常心率的识别正确率更高，对记录200的识别错误率从12.95％降低到了6.77％；记录208与223相应的错误率也分别从3.12％和6.71％降低到了2.72％和5.07％。错误率的降低是明显的，主要原因在于如记录200中存在着大量的二联律现象，二联律现象的交替发生将会干扰CEP寻找早搏心律事件的现象。通过混合连续技术可以对病人历史心率的统计找到合适的属性匹配范围，使得对心律的识别更加准确。实验证明，通过对历史数据的统计分析对于实时心率的识别分析是有帮助的，不但可以针对个人的身体素质情况进行识别，而且可以提高识别的精度，从而证明了混合连续分析技术的可取性。