臺灣博碩士論文加值系統

根據衛服部統計，心臟疾病為台灣高齡人口主要死因之一。而心因性猝死一旦發病後造成極高的死亡率且搶救時間短，若是能提早偵測到其發病的早期徵兆，就能夠及時採取一些醫療行動。本研究的目的為透過分析心因性猝死病患病發前的心電圖訊號，了解、評估病發前之心律變異度與心因性猝死之間的關係。本研究中心律變異度的分析包含了時域及頻域兩部分，而其中頻域部分會使用傳統上常用的傅立葉轉換以及近年來發展的黃鍔法 (Hilbert-Huang transform)來做比較 。本研究使用心因性猝死發病前五分鐘的心電圖訊號來做分析，分析結果顯示，包含時域及頻域中的11項特徵，其中有9項特徵在正常個體與即將發生心因性猝死之個體之間有統計上顯著的差異。之後使用最近鄰居法 (k-nearest neighbor) 作為分類工具，將擷取到的特徵使用最近鄰居法訓練過後所產生的模型分辨正常個體與即將發生心因性猝死之個體整體的準確率為94.7%。而使用病發前更長時間(包含十分鐘、三十分鐘以及一小時)的心電圖訊號或是使用遠離發病時間的五分鐘心電圖訊號，準確率在70-80%之間。

According to the investigation done by the Ministry of Health and Welfare, heart attack is a major cause of death of elders in Taiwan. The sudden cardiac death onset leads to short rescue time, thus causes extremely high mortality rate. If we can detect the signs of heart attack beforehand, it may offer time to take a prompt medication action. The aim of this study is to investigate the relationship between heart rate variability (HRV) and sudden cardiac death by means of electrocardiography (ECG) analysis. The heart rate variability analysis used in this study includes time domain and frequency domain analysis, and the analysis in the frequency domain is performed by the Hilbert-Huang transform and Fourier transform. This study analyzed the ECG data measured minutes before sudden cardiac death onset, and the result shows that there were statistically significant differences. For the five minutes HRV analysis, nine of eleven features extracted from the HRV showed statistically significant differences between healthy adults and the adults who are on the verge of suffering sudden cardiac death. Furthermore, we trained those features by using the k-nearest neighbor algorithm as a classification tool. The accuracy rate of this classification model used to distinguish between the healthy adults and cardiac patients is 94.7%. And the accuracy rates analyzed using the ECG data measured more than five minutes, including ten minutes, thirty minutes and an hour, before onset is about 70-80%. This study reports our proposed method may detect sudden cardiac death minutes before its onset.

目錄
致謝 i
摘要 ii
Abstract iii
目錄 v
圖目錄 vii
表目錄 viii
第一章 緒論 1
1.1 研究背景 1
1.2 研究目的 2
1.3 論文架構 2
第二章 文獻回顧 4
2.1 心因性猝死(Sudden Cardiac Death, SCD) 4
2.2 自律神經系統(autonomic nervous system, ANS) 5
2.3 心律變異度(Heart Rate Variability, HRV) 6
2.4 心律變異度與心因性猝死之關聯性 8
第三章 研究工具與方法 11
3.1 分析資料庫簡介 11
3.2 MATLAB 11
3.3 傅立葉轉換(Fourier transform) 12
3.4 黃鍔法(Hilbert Huang Transform, HHT) 14
3.4.1 提出經驗模態分解法的原因 15
3.4.2 EMD 的計算流程 17
3.4.3 黃鍔法與HRV之關聯性 20
3.5 機器學習 22
3.5.1 最近鄰居分類法(Nearest Neighbors Classification) 23
3.5.2 交叉驗證 24
3.6 實驗流程 25
第四章 研究結果與討論 30
4.1 使用HHT分析HRV的結果 30
4.1.1 使用最近鄰居法之分類結果 31
4.1.2 使用不同長度HRV之分類結果 31
4.1.3 使用不同時間點HRV之分類結果 35
4.2 使用FFT分析HRV的結果 37
4.2.1 使用不同長度HRV之分類結果 37
4.2.2 使用不同時間點HRV之分類結果 40
第五章 結論與未來展望 42
5.1 結論 42
5.2 未來展望 43
參考文獻 44

圖目錄
圖 1 1 65歲以上十大死因死亡人數結構(衛生福利部, 2017) 1
圖 2 1自主神經系統功能(Nuland, 1997) 6
圖 2 2 HRV 頻帶的定義(Task Force, 1996) 8
圖 2 3 心因性猝死的機率預測(Ebrahimzadeh, E. et al., 2014) 9
圖 3 1 傅立葉轉換示意圖 13
圖 3 2 Hilbert Spectrum示意圖 (Norden E. Huang et al., 1998) 14
圖 3 3 Hilbert Marginal Spectrum示意圖 (Norden E. Huang et al., 1998) 15
圖 3 4 相位圖 16
圖 3 5 左圖為Hilbert Transform 所得到的θ(t)，右圖為ω(t) =dθ(t)dt (Norden E. Huang et al., 1998) 17
圖 3 6 EMD 流程圖 (https://zh.wikipedia.org/) 19
圖 3 7 最近鄰居法示意圖 24
圖 3 8 交叉驗證示意圖 25
圖 3 9 R波擷取 25
圖 3 10 HRV擷取 26
圖 3 11 IMF 27
圖 3 12 Hilbert Spectrum 28
圖 3 13 Hilbert Marginal Spectrum 29
圖 3 14 頻域特徵 29
圖 4 1 使用五分鐘心電圖訊號之準確率估算結果 31
圖 4 2 使用十分鐘心電圖訊號之準確率估算結果 32
圖 4 3 使用半小時心電圖訊號之準確率估算結果 33
圖 4 4 使用一小時心電圖訊號之準確率估算結果 33
圖 4 5 使用三分鐘心電圖訊號之準確率估算結果 34
圖 4 6 使用一分鐘心電圖訊號之準確率估算結果 35
圖 4 7 病發時間十分鐘前的五分鐘心電圖訊號之準確率估算結果 36
圖 4 8 病發時間半小時前的五分鐘心電圖訊號之準確率估算結果 36
圖 4 9病發時間一小時前的五分鐘心電圖訊號之準確率估算結果 37
圖 4 10 使用五分鐘心電圖訊號之準確率估算結果 38
圖 4 11 使用十分鐘心電圖訊號之準確率估算結果 38
圖 4 12 使用30分鐘心電圖訊號之準確率估算結果 39
圖 4 13 使用一小時心電圖訊號之準確率估算結果 40
圖 4 14 使用不同時間點HRV之分類結果 41

5 表目錄
表 2 1 特徵表 10
表 3 1 Atropine施打前後之比較 22
表 3 2 Metoprolol施打前後之比較 22
表 3 3 時域特徵 26
表 4 1 正常人與SCD病患的特徵比較 30

內政部(2017)，人口年齡分配
衛生福利部(2017)，105年死因統計結果分析
謝佳宏（2010）。頻譜分析於阻塞型睡眠呼吸中止症之應用（碩士論文）。取自臺灣博碩士論文系統。
Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1), 21-27.
Ebrahimzadeh, E., Pooyan, M., & Bijar, A. (2014). A novel approach to predict sudden cardiac death (SCD) using nonlinear and time-frequency analyses from HRV signals. PloS one, 9(2), e81896.
Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng CK, Stanley HE.(2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220 [http://circ.ahajournals.org/content/101/23/e215.full]; PMID: 10851218; doi: 10.1161/01.CIR.101.23.e215
Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., ... & Liu, H. H. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. In Proceedings of the Royal Society of London A: mathematical, physical and engineering sciences (Vol. 454, No. 1971, pp. 903-995). The Royal Society.
Ichimaru, Y., Kodama, Y., & Yanaga, T. (1988). Circadian changes of heart rate variability. In Computers in Cardiology, 1988. Proceedings. (pp. 315-318). IEEE.
Kudaiberdieva, G., Görenek, B., & Timuralp, B. (2007). Heart rate variability as a predictor of sudden cardiac death. Anatolian Journal of Cardiology/Anadolu Kardiyoloji Dergisi, 7.
Kuo, T. B., Yang, C. C., & Huang, N. E. (2009). Quantification of respiratory sinus arrhythmia using Hilbert–Huang transform. Advances in Adaptive Data Analysis, 1(02), 295-307.
Li, H., Kwong, S., Yang, L., Huang, D., & Xiao, D. (2011). Hilbert-Huang transform for analysis of heart rate variability in cardiac health. IEEE/ACM Transactions on Computational Biology and Bioinformatics (TCBB), 8(6), 1557-1567.
NULAND, S. B. (1997) HOW WE LIVE, 時報文化出版企業股份有限公司.
Silva, I, Moody, G. (2014). An Open-source Toolbox for Analysing and Processing PhysioNet Databases in MATLAB and Octave. Journal of Open Research Software 2(1):e27[http://dx.doi.org/10.5334/jors.bi] ;.
Task Force of the European Society of Cardiology. (1996). Heart Rate Variability. Standard of measurement, phyiological interpretation, and clinical use. Circulation, 93, 1043-1065.
VanHoogenhuyze D, Martin G, Weiss J, Schaad J, Singer D (1989) Spectrum of heart rate variability. Proceedings of Computers in Cardiology, 65.