秦興彬顏 延樊建平王 磊

1（中國(guó)科學(xué)院計(jì)算技術(shù)研究所計(jì)算機(jī)應(yīng)用研究中心 北京 100190）2（深圳市低成本健康重點(diǎn)實(shí)驗(yàn)室 深圳 518055）3（中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055）

基于多核超限學(xué)習(xí)機(jī)的實(shí)時(shí)心電信號(hào)分析

秦興彬1顏 延2，3樊建平3王 磊2，3

1（中國(guó)科學(xué)院計(jì)算技術(shù)研究所計(jì)算機(jī)應(yīng)用研究中心 北京 100190）2（深圳市低成本健康重點(diǎn)實(shí)驗(yàn)室 深圳 518055）3（中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055）

心電分類(lèi)是一種復(fù)雜的模式識(shí)別問(wèn)題。目前，大部分基于不同機(jī)器學(xué)習(xí)模型的心電分類(lèi)方法都取得了很高的分類(lèi)精度，但學(xué)習(xí)效率不高，因此需要一種快速的心電學(xué)習(xí)方法。文章提出了基于多種核函數(shù)的超限學(xué)習(xí)方法，利用不同的核函數(shù)將特征映射到希爾伯特空間，使心電數(shù)據(jù)在高維空間中線(xiàn)性可分，并在 MIT-BIH 標(biāo)準(zhǔn)庫(kù)進(jìn)行了該方法的實(shí)驗(yàn)驗(yàn)證。與其他方法相比，文章所提出的方法具有較高的分類(lèi)準(zhǔn)確率和更快的學(xué)習(xí)速度，對(duì)臨床上動(dòng)態(tài)心電圖的檢測(cè)與分析和個(gè)性化的實(shí)時(shí)心電監(jiān)測(cè)具有重要意義。

核方法；超限學(xué)習(xí)機(jī)；心電監(jiān)測(cè)；心電信號(hào)分類(lèi)；實(shí)時(shí)分類(lèi)

1 引 言

在過(guò)去三十年中，心電圖（Electrocardiogram，ECG）分析已經(jīng)成為熱門(mén)的研究課題并為心臟疾病診斷提供了許多有價(jià)值的信息。隨著心電圖不斷地為臨床提供豐富的診斷信息，大量動(dòng)態(tài)心電圖已成為新的趨勢(shì)。對(duì)大規(guī)模心電數(shù)據(jù)分析，最主要的是有效的特征提取和快速的心電分類(lèi)。由于 ECG 信號(hào)不穩(wěn)定的特點(diǎn)，小波變換已經(jīng)被用來(lái)檢測(cè)和過(guò)濾離散數(shù)據(jù)，提取有效的心電分類(lèi)特征。同時(shí)，數(shù)字技術(shù)也可用于 ECG 信號(hào)分析和處理，主要包括時(shí)域和頻域方法。

針對(duì)不同的心律失常的識(shí)別和分類(lèi)，很多高精度的算法已經(jīng)用于 ECG 信號(hào)的分析，主要包括：混合模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Netwoks，F(xiàn)NNs）［1］、隱馬爾可夫模型［2］、時(shí)域和頻域的特征［3-5］、形態(tài)和動(dòng)態(tài)特征［6-8］、支持向量機(jī)（Support Vector Machine，SVM）［9，10］、獨(dú)立成分分析［11］、人工神經(jīng)網(wǎng)絡(luò)［12，13］和超限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）［14］。其中，Andreao 等［2］首先采用了隱馬爾科夫模型對(duì)心拍進(jìn)行檢測(cè)分割和分類(lèi)：通過(guò)對(duì)波形建模和多通道的節(jié)拍分割和分類(lèi)，達(dá)到對(duì)心電的單個(gè)波形進(jìn)行劃分。Zadeh 等［9］研究了正常的節(jié)拍和其他心臟疾病的室性早搏分類(lèi)方法。通過(guò)去噪模塊，波形的特征提取，以多種監(jiān)督分類(lèi)（多個(gè)不同層次和訓(xùn)練算法的多層感知器神經(jīng)網(wǎng)絡(luò)、不同粒度的支持向量機(jī)、徑向基函數(shù)和概率神經(jīng)網(wǎng)絡(luò)）進(jìn)行了研究，最終認(rèn)為基于小波變換的特征具有最好的分類(lèi)效果。Yu 等［11］提出了一種基于獨(dú)立成分分析的集成方案和基于神經(jīng)網(wǎng)絡(luò)的心電分類(lèi)方法。其中，獨(dú)立成分分析用來(lái)將心電信號(hào)分解成獨(dú)立的成分，統(tǒng)計(jì)獨(dú)立成分的加權(quán)總和即是心電信號(hào)。最終這些成分的預(yù)測(cè)與 RR 間期，構(gòu)成一個(gè)用于分類(lèi)器的特征向量。而分類(lèi)器則由兩個(gè)神經(jīng)網(wǎng)絡(luò)組成，包括一個(gè)概率神經(jīng)網(wǎng)絡(luò)和一個(gè)反向傳播神經(jīng)網(wǎng)絡(luò)。

以上這些算法大多依賴(lài)更好的特征選擇，需要使用復(fù)雜的算法從 ECG 信號(hào)中提取。其中的一部分研究得到較好的分類(lèi)結(jié)果，是因?yàn)槭褂昧撕芏鄰?fù)雜的特征提取方法。雖然 FNNs 可以用來(lái)自動(dòng)學(xué)習(xí)一些特征，但不適用于心率變化的心電信號(hào)。另外，大多數(shù)方法根據(jù) ANSI/AAMI EC57標(biāo)準(zhǔn)將心跳分為五類(lèi)，本文按 MIT 更精確的標(biāo)準(zhǔn)將心跳分為十二類(lèi)。

對(duì)于動(dòng)態(tài)心電圖在臨床應(yīng)用，以及每天實(shí)時(shí)心臟功能監(jiān)測(cè)或預(yù)警監(jiān)控，開(kāi)發(fā)快速的、自動(dòng)化的算法或模型具有重要的意義。過(guò)去很多研究方法都集中在有監(jiān)督的學(xué)習(xí)訓(xùn)練，而心電的標(biāo)注數(shù)量有限，僅從少數(shù)的標(biāo)注數(shù)據(jù)中很難得到很好的泛化模型。針對(duì)以上方法的缺陷，基于自編碼、受限玻爾茲曼機(jī)［15］和基于聚類(lèi)［16］的無(wú)監(jiān)督方法成為新的研究方向。利用深度學(xué)習(xí)方法可以從大量的非標(biāo)數(shù)據(jù)中自動(dòng)學(xué)習(xí)心電特征，最后用少量的標(biāo)注特征即可學(xué)習(xí)到一個(gè)高效的心電分類(lèi)模型，但訓(xùn)練一個(gè)深度網(wǎng)絡(luò)需要大量的時(shí)間。本文將用超限學(xué)習(xí)機(jī)［27，28］模型，通過(guò)高斯核函數(shù)和小波核函數(shù)將低維度的心電波形特征映射到高維空間中，極大地減少模型的訓(xùn)練時(shí)間，并且提高分類(lèi)的精度。而 T-SNE［37］可以最大限度地保持低維的相似性矩陣和高維的相似性矩陣相近，因此采用該算法將高維心電向量降到低維空間。最終通過(guò)在低維空間中可視化，可以更好地說(shuō)明分析結(jié)果。實(shí)驗(yàn)表明，基于核方法的超限學(xué)習(xí)機(jī)（k-ELM）在心電分類(lèi)中具有高效性和實(shí)時(shí)性，嵌入 k-ELM 的心電監(jiān)測(cè)和分析應(yīng)用能夠?qū)崿F(xiàn)快速的心電學(xué)習(xí)和分類(lèi)的目的。

2 心電數(shù)據(jù)庫(kù)及類(lèi)別

2.1 心電數(shù)據(jù)庫(kù)

MIT-BIH 心律失常數(shù)據(jù)庫(kù)［38］是最廣泛使用的數(shù)據(jù)。在分類(lèi)和檢測(cè)算法的發(fā)展過(guò)程中，它被用作算法檢測(cè)和測(cè)試分類(lèi)的參考標(biāo)準(zhǔn)。實(shí)驗(yàn)采用MIT-BIH 心律失常數(shù)據(jù)庫(kù)對(duì)所設(shè)計(jì)模型進(jìn)行訓(xùn)練和評(píng)估。MIT-BIH 心律失常數(shù)據(jù)庫(kù)包含 48 個(gè)記錄，每條記錄略超過(guò) 30 分鐘，每個(gè)信號(hào)采樣頻率為 360 Hz。在大多數(shù)的記錄中，第一個(gè)導(dǎo)聯(lián)信號(hào)為肢體導(dǎo) II（MLII），通過(guò)放置在胸部的電極獲得；第二導(dǎo)聯(lián)的信號(hào)是修改的 VI 導(dǎo)聯(lián)（通常是 V2 或 V5，其中有一個(gè)實(shí)例是 V4 導(dǎo)聯(lián)），電極也放置在胸部。大多數(shù)標(biāo)簽被放置在 R 波的峰值處，但手動(dòng)插入標(biāo)簽不總是精確地放置在 R 波的峰值處，有時(shí)會(huì)有較小的誤差偏移。另外，因?yàn)?102、104、107 和 217 四個(gè)記錄中包含起搏心跳，不能反映心臟的自主活動(dòng)過(guò)程，所以實(shí)驗(yàn)中除去這四個(gè)記錄，最終共 44 個(gè)記錄。

2.2 心電類(lèi)別和標(biāo)注

在 MIT-BIH 心律失常數(shù)據(jù)庫(kù)中有 40 種標(biāo)注種類(lèi)。根據(jù)我們的統(tǒng)計(jì)，有十二標(biāo)簽在這 44個(gè)使用的記錄中出現(xiàn)，所以心跳被分成 12 類(lèi)：（1）NORMAL——正常搏動(dòng)；（2）LBBB——左束支傳導(dǎo)阻滯；（3）RBBB——右束支傳導(dǎo)阻滯；（4）NESC——交界性逸搏；（5）AESC——心房逸搏；（6）ABERR——異常房性早搏；（7）NPC——交界性早搏；（8）APC——房性早搏；（9）VESC——室性逸搏；（10）PVC——室性早搏；（11）FLWAV——心室撲動(dòng)波；（12）FUSION——心室融合心跳。詳細(xì)的注解及相應(yīng)的標(biāo)簽和映射標(biāo)簽見(jiàn)表1。

表1 MIT-BIH 心率失常類(lèi)別Table 1 MIT-BIH arrhythmia classes

3 核方法

核方法的核心是采用非線(xiàn)性映射將原始數(shù)據(jù)由數(shù)據(jù)空間映射到特征空間，進(jìn)而在特征空間中進(jìn)行對(duì)應(yīng)的線(xiàn)性操作。核方法是解決非線(xiàn)性模式分析問(wèn)題的一種有效途徑，但在多項(xiàng)式空間中直接進(jìn)行內(nèi)積運(yùn)算將會(huì)引起“維數(shù)災(zāi)難”問(wèn)題。為此，核方法通過(guò)某種非線(xiàn)性映射將原始特征空間映射到高維空間中，使其在高維空間中線(xiàn)性可分。相對(duì)于使用通用非線(xiàn)性學(xué)習(xí)器直接在原始數(shù)據(jù)上進(jìn)行分析的范式，核方法有明顯的優(yōu)勢(shì)：首先，通用非線(xiàn)性學(xué)習(xí)器不便于反應(yīng)具體應(yīng)用問(wèn)題的特性，而核方法的非線(xiàn)性映射則是面向具體應(yīng)用問(wèn)題設(shè)計(jì)的，因此便于集成問(wèn)題相關(guān)的先驗(yàn)知識(shí)；其次，與非線(xiàn)性學(xué)習(xí)器相比，線(xiàn)性學(xué)習(xí)器有更好的過(guò)擬合控制從而可以更好地保證泛化性能；最后，很重要的一點(diǎn)是核方法還是實(shí)現(xiàn)高效計(jì)算的途徑，它能利用核函數(shù)將非線(xiàn)性映射隱含在線(xiàn)性學(xué)習(xí)器中進(jìn)行同步計(jì)算而不需要在高維度的多項(xiàng)式空間中直接進(jìn)行內(nèi)積運(yùn)算，使得計(jì)算復(fù)雜度與高維特征空間的維數(shù)無(wú)關(guān)。

4 超限學(xué)習(xí)機(jī)與核函數(shù)

4.1 超限學(xué)習(xí)機(jī)

超限學(xué)習(xí)機(jī)（ELM）［27，28］是一種單層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden-layer Feed-forward Networks，SLFNs），然后擴(kuò)展到多種結(jié)構(gòu)的 SLFNs，其中隱藏層可以是不同的神經(jīng)元結(jié)構(gòu)。在 ELM 中，隱藏層可以隨機(jī)初始化產(chǎn)生，不需要進(jìn)行調(diào)整。ELM 隱藏層的輸出函數(shù)為：

其中 H 為隱藏層的輸出矩陣：

4.2 核超限學(xué)習(xí)機(jī)（k-ELM）

Suykens 等［39］將 SLFNs 的訓(xùn)練方法描述為：把 SLFNs 的隱藏層看做是 SVM 的特征映射，但和 SVM 不同的是，這里的隱藏層到輸出層不需要調(diào)整，而是被作為一個(gè)優(yōu)化問(wèn)題來(lái)求解。SVM算法可以簡(jiǎn)單描述為：

其中，V 表示到隱藏層的連接矩陣；B 是偏移向量；γ 是正數(shù)常量；Q 是相應(yīng)的 SVM 對(duì)偶問(wèn)題的損失函數(shù)：

二次規(guī)劃（Quadratic Programming，QP）的子問(wèn)題需要求解隱藏層參數(shù) V 和 B，而 ELM 的隱藏層是隨機(jī)初始化的。

圖1 k-ELM 結(jié)構(gòu)Fig. 1 k-ELM structure

5 多核的超限心電識(shí)別與分類(lèi)

5.1 ECG 預(yù)處理

心電信號(hào)的預(yù)處理過(guò)程主要包括兩部分：心電數(shù)據(jù)濾波和心電信號(hào)分割。濾波器的任務(wù)是從ECG 信號(hào)中除去人工噪聲的干擾。其中，人工噪聲包括基線(xiàn)漂移、高頻噪聲干擾和電磁干擾。根據(jù)我們之前的研究，除了基線(xiàn)漂移干擾外，其他噪聲對(duì)心電分類(lèi)的精度影響較小，所以本次實(shí)驗(yàn)中僅僅去除心電信號(hào)中的基線(xiàn)偏移。

5.2 ECG 分割

本次實(shí)驗(yàn)使用 44 個(gè)記錄，每個(gè)心電記錄略超過(guò) 30 分鐘，每個(gè)導(dǎo)聯(lián)包含 650 000 個(gè)樣本點(diǎn)。根據(jù)統(tǒng)計(jì)，每個(gè)心跳平均包含 277 個(gè)樣本點(diǎn)。為了獲得更多的信息，我們?cè)试S一部分重疊，將含有 340 個(gè)數(shù)據(jù)點(diǎn)長(zhǎng)度定義一個(gè)窗口（其中 R 的峰值位于第 141 點(diǎn)上），分割結(jié)果如圖 2 所示?？紤]到心跳速率的變化，該窗口適于避免兩個(gè)相鄰心跳動(dòng)的混合。ECG 的分割取決于 R 峰值檢測(cè)，所以具有高精度局部最大值檢測(cè)算法用于檢測(cè) R 峰。Mexican 小波［17］也是 R 峰值檢測(cè)的一種高效的方法。

圖2 單個(gè)心電波形Fig. 2 Single heartbeat wavelet

5.3 結(jié)果評(píng)估方法

用來(lái)評(píng)估心電信號(hào)分類(lèi)標(biāo)準(zhǔn)的指標(biāo)主要有：靈敏度 SNS，特異度 SPC 和整體精度 ACC。靈敏度是正常的心跳被分成正常類(lèi)的概率：

其中，TP（真陽(yáng)性）為正確分類(lèi)的正常心跳的數(shù)量；FN（假陰性）為正常的心跳被誤分為其他類(lèi)的心跳。

特異性是正確分類(lèi)的異常心跳：

其中，F(xiàn)P（假陽(yáng)性）為正確分類(lèi)的異常心跳的數(shù)量；TN（真陰性）為被錯(cuò)誤分類(lèi)的異常心跳的數(shù)量。總體精度是正確分類(lèi)的心跳概率：

5.4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)中，心電的類(lèi)型被分為 12 種（見(jiàn)表 1）。通過(guò)對(duì)心電數(shù)據(jù)的分割和向量化，使其適應(yīng)超限學(xué)習(xí)機(jī)的結(jié)構(gòu)，并采用不同的的核方法進(jìn)行測(cè)試。MIT 心率失常數(shù)據(jù)庫(kù)被分成兩部分，其中50 485 個(gè)心跳的數(shù)據(jù)用于 k-ELM 的學(xué)習(xí)訓(xùn)練，剩余的 50 485 個(gè)的數(shù)據(jù)用于模型測(cè)試。

表2、表 3 分別為使用高斯核函數(shù)，小波核函數(shù)進(jìn)行學(xué)習(xí)和分類(lèi)的統(tǒng)計(jì)結(jié)果。結(jié)果顯示，采用 5.3 中的評(píng)估方法，使用高斯核函數(shù)的靈敏度為 99.74%、特異性為 95.67%、正確率為98.67%，模型訓(xùn)練所用的時(shí)間為 796.3 秒，測(cè)試所用的時(shí)間為 43.4 秒；使用小波核函數(shù)的靈敏度為 99.76%、特異性為 96.04%、正確率為98.78%，模型訓(xùn)練所用的時(shí)間為 1 096.4 秒，測(cè)試所用的時(shí)間為 78.1 秒。雖然兩種核函數(shù)對(duì)心電分類(lèi)的精度都很高，但總體來(lái)看，小波核函數(shù)分類(lèi)結(jié)果優(yōu)于高斯核。

圖3 為使用 T-SNE［37］算法將超限學(xué)習(xí)機(jī)的輸出層可視化結(jié)果。從圖 3 可以看出，使用核方法后，心電的可分性顯著提升：相同類(lèi)的標(biāo)記變的更緊湊，不同類(lèi)之間的距離增大，有較少的部分區(qū)域存在混合，波形的相似度較高，可分性較差。

圖4 為參加訓(xùn)練樣本點(diǎn)的個(gè)數(shù)與訓(xùn)練時(shí)間的關(guān)系結(jié)果（主機(jī)為 ThinkPad W530，cpu-Intel 酷睿i7394，16 G 內(nèi)存）。從圖 4 可以看出，訓(xùn)練時(shí)間隨樣本點(diǎn)的增多而快速增加。核矩陣的計(jì)算復(fù)雜度與樣本點(diǎn)個(gè)數(shù)的平方成正比，因此基于核方法的超限學(xué)習(xí)受訓(xùn)練樣本的制約，只適用于一定規(guī)模的訓(xùn)練樣本個(gè)數(shù)。因此，接下來(lái)的研究需集中在矩陣的分解優(yōu)化和分批的提升方法上，來(lái)解決樣本數(shù)量的約束問(wèn)題。

表2 使用高斯核函數(shù)的分類(lèi)結(jié)果Table 2 The result of classifier using Gauss kernel function

5.5 與其他研究方法的比較

為了進(jìn)一步分析文章所提出方法（k-ELM）的系統(tǒng)性能，選取了幾個(gè)前人研究結(jié)果進(jìn)行對(duì)比研究，結(jié)果見(jiàn)表 4。其中，深度網(wǎng)絡(luò)［15］是我們之前用于心電特征自學(xué)習(xí)和分類(lèi)的方法，采用受限玻爾茲曼機(jī)來(lái)構(gòu)建的深度可靠網(wǎng)絡(luò)，最大的優(yōu)點(diǎn)就是能進(jìn)行特征自編碼，并且分類(lèi)精度達(dá)到了98.83%，與本文提出的核超限學(xué)習(xí)方法結(jié)果比較相近。但訓(xùn)練一個(gè)高精度的深度網(wǎng)絡(luò)需要 2 小時(shí)以上，而小波核超限學(xué)習(xí)方法僅需要 1 096.4秒。Andreao 等［2］用隱馬爾科夫模型對(duì)單個(gè)心跳的 P、QRS、T 等波形進(jìn)行建模，能對(duì)連續(xù)的時(shí)域心電信號(hào)進(jìn)行分析。其主要優(yōu)勢(shì)在于對(duì)不同波形的識(shí)別準(zhǔn)確率較高，局限在于不能進(jìn)行復(fù)雜的波形識(shí)別，并且只能是對(duì)正常心跳和某些波形缺失異常進(jìn)行二分類(lèi)處理，正確率僅為 96.06%。本文對(duì) 12 種心跳類(lèi)型進(jìn)行分析，正確率高于這種方法。Banerjee 等［3］使用正交小波變換的方法進(jìn)行特征提取，通過(guò)計(jì)算單個(gè)波形與標(biāo)準(zhǔn)模板的差異系統(tǒng)進(jìn)行分類(lèi)，這種方法的優(yōu)點(diǎn)在于計(jì)算簡(jiǎn)單，但對(duì)噪聲和心率變化的數(shù)據(jù)很敏感。Tadejko［4］使用自組織映射和支持向量機(jī)的信號(hào)特征分析和聚類(lèi)方法進(jìn)行形態(tài)特性分析，正確率97.82%，但是分類(lèi)結(jié)果對(duì)特征提取的依賴(lài)性較大。這兩種方法的分類(lèi)精度都低于本文提出的方法。而 Ye 等［7］采用支持向量機(jī)的研究中，因剔除了 2 054 個(gè)難識(shí)別的特殊心跳樣本（占 2.4% 的比例），所以結(jié)果正確率很高。

表3 使用小波核函數(shù)的分類(lèi)結(jié)果Table 3 The result of classifier using wavelet kernel function

圖3 超限學(xué)習(xí)機(jī)輸出分布Fig. 3 The distribution of extreme learning machine output

圖4 模型學(xué)習(xí)時(shí)間與訓(xùn)練樣本數(shù)Fig. 4 The relation between the number of training samples and learning time of the model

以上這些算法大多依賴(lài)于一些復(fù)雜的特征提取方法，因此分類(lèi)器的好壞主要取決于選取的特征。深度網(wǎng)絡(luò)可以通過(guò)自編碼實(shí)現(xiàn)特征學(xué)習(xí)，不需要手動(dòng)提取參數(shù)，我們的研究表明深度學(xué)習(xí)方法能通過(guò)原始的心電信號(hào)來(lái)實(shí)現(xiàn)高精度的分類(lèi)。但是，所有的這些方法都需要大量的訓(xùn)練時(shí)間，尤其構(gòu)造一個(gè)深度網(wǎng)絡(luò)花費(fèi)的時(shí)間更多。從圖 4可以看出模型的訓(xùn)練時(shí)間與樣本個(gè)數(shù)相關(guān)：一千以?xún)?nèi)的樣本個(gè)數(shù)訓(xùn)練時(shí)間少于一秒，兩萬(wàn)個(gè)樣本訓(xùn)練僅需要一分鐘左右，而深度網(wǎng)絡(luò)訓(xùn)練時(shí)間需要幾個(gè)小時(shí)。其他方法，如訓(xùn)練 SVM，當(dāng)樣本量較少時(shí)，能較快收斂；但當(dāng)樣本量較大時(shí)，收斂較慢且誤差會(huì)增大。模型訓(xùn)練之前需要復(fù)雜的特征提取過(guò)程而在進(jìn)行分類(lèi)時(shí)也需要先提取特征，因而效率不高。通過(guò)基于核方法的超限學(xué)習(xí)機(jī)可以直接對(duì)原波形進(jìn)行映射和分類(lèi)，對(duì) 50 485 個(gè)樣本進(jìn)行分類(lèi)時(shí)僅需要 78.1 秒。從表 4 的對(duì)比也可以看出，本文提出的 k-ELM 分類(lèi)方法的正確率與深度網(wǎng)絡(luò)相似，且比其他的一些研究方法的準(zhǔn)確度高。因此，本文所提出的方法具有較高的準(zhǔn)確率并且能進(jìn)行快速地心電學(xué)習(xí)和分類(lèi)。

表4 與其他研究的比較Table 4 Compare with others work

6 小 結(jié)

心電圖反應(yīng)心臟活動(dòng)的電生理信號(hào)，對(duì)心臟的功能分析和疾病的診斷具有重要參考價(jià)值。自動(dòng)化心電圖分類(lèi)是長(zhǎng)期臨床監(jiān)測(cè)必不可少輔助方法，尤其是應(yīng)對(duì)一些突發(fā)性的疾病時(shí)，快速和精確的心電異常識(shí)別能夠提供及時(shí)的預(yù)警。超限學(xué)習(xí)機(jī)能夠進(jìn)行快速的學(xué)習(xí)和分類(lèi)，輸出權(quán)值的求解不需要進(jìn)行迭代，且最主要的是根據(jù)超限學(xué)習(xí)機(jī)的理論，可以使用多種核方法，將特征映射到高維空間中，使數(shù)據(jù)在高緯空間中線(xiàn)性可分。本文基于高斯核和小波核函數(shù)的超限學(xué)習(xí)方法，研究實(shí)時(shí)高效的心電學(xué)習(xí)與分類(lèi)方法。使用這兩種核方法都能夠?qū)崿F(xiàn)高準(zhǔn)確率的心電分類(lèi)。使用 MIT-BIH 心律失常數(shù)據(jù)庫(kù)，測(cè)試了 50 485 個(gè)樣本，最高分類(lèi)精度達(dá)到了 98.78%，靈敏度為99.76%，特異性為 96.04%。對(duì)心電數(shù)據(jù)只進(jìn)行了基線(xiàn)漂移校正，說(shuō)明基于核方法的超限學(xué)習(xí)方法對(duì)心電數(shù)據(jù)分類(lèi)具有很好的魯棒性。同時(shí)，核函數(shù)避免了“維數(shù)災(zāi)難”，提高了分類(lèi)的精度，從算法的訓(xùn)練時(shí)間來(lái)看，基于核方法的超限心電分類(lèi)具有較快的學(xué)習(xí)和分類(lèi)速度，適用于嵌入各種實(shí)時(shí)心電監(jiān)測(cè)和分析的應(yīng)用中。

［1］ Osowski S， Linh TH. ECG beat recognition using fuzzy hybrid neural network ［J］. IEEE Transactions on Biomedical Engineering， 2001， 48（11）： 1265-1271.

［2］ Andreao RV， Dorizzi B， Boudy J. ECG signal analysis through hidden markov models ［J］. IEEE Transactions on Biomedical Engineering， 2006， 53（8）： 1541-1549.

［3］ Banerjee S， Mitra M. Application of cross wavelet transform for ECG pattern analysis and classification ［J］. IEEE Transactions on Instrumentation and Measurement，2014， 63（2）： 326-333.

［4］ Tadejko P， Rakowski W. Hybrid wavelet-mathematical morphology feature extraction for heartbeat classification ［C］ // The International Conference on Computer as a Tool， 2007： 127-132.

［5］ Palreddy S， Tompkins WJ， Hu YH. Customization of ECG beat classifiers developed using SOM and LVQ ［C］ // IEEE 17th Annual Conference on Engineering in Medicine and Biology Society， 1995， 1： 813-814.

［6］ Mar T， Zaunseder S， Martinez J， et al. Optimization of ECG classification by means of feature selection ［J］. IEEE Transactions on Biomedical Engineering， 2011，58（8）： 2168-2177.

［7］ Ye C， Kumar BVKV， Coimbra MT. Heartbeat classification using morphological and dynamic features of ECG signals ［J］. IEEE Transactions on Biomedical Engineering， 2012， 59（10）： 2930-2941.

［8］ Philip DC， Dwyer MO， Reilly RB. Automatic classification of heartbeats using ECG morphology and heartbeat interval features ［J］. IEEE Transactions on Biomedical Engineering， 2004， 51（7）： 1196-1206.

［9］ Zadeh AE， Khazaee A， Ranaee V. Classification of the electrocardiogram signals using supervised classifiers and efficient features ［J］. Computer Methods and Programs in Biomedicine， 2010， 99（12）： 179-194.

［10］ Song MH， Lee J， Cho SP， et al. Support vector machine based arrhythmia classification using reduced features ［J］. International Journal of Control， Automation， and Systems， 2005， 3（4）： 571-579.

［11］ Yu SN， Chou KT. Integration of independent component analysis and neural networks for ECG beat classification ［J］. Expert Systems with Applications， 2008， 34（4）：2841-2846.

［12］ Hu YH， Tompkins WJ， Urrusti JL， et al. Applications of artificial neural networks for ECG signal detection and classification ［J］. Journal of Eletrocardiology， 1993， 26：66-73.

［13］ Prasad GK， Sahambi JS. Classification of ECG arrhythmias using multiresolution analysis and neural networks ［C］ // Conference on Convergent Technologies for the Asia-Pacific Region， 2003， 1： 227-231.

［14］ Karpagachelvi S， Arthanari M， Sivakumar M. Classification of ECG signals using extreme learning machine ［J］. Computer and Information Sciences， 2011，4（1）： 42-52.

［15］ Yan Y， Qin XB， Fan JP， et al. An optimization algorithm of multilead electrocardiography classification using restricted Boltzmann machine ［C］ // The 12th International Conference on Wearable and Implantable Body Sensor Networks， 2014.

［16］ Gezer BL， Kuntalp D， Kuntalp M. Clustering of arrhythmic ECG beats using morphological properties and windowed raw ECG data ［C］ // IEEE 19th Conference on Signal Processing and Communications Applications（SIU）， 2011： 738-741.

［17］ Burke MJ， Nasor M. ECG analysis using the Mexican-Hat wavelet ［C］ // Proceedings of the WSES International Conference on Multirate Systems & Wavelet Analysis，2001： 3531-3536.

［18］ Afonso VX， Tompkins WJ， Nguyen TQ， et al. ECG beat detection using filter banks ［J］. IEEE Transactions on Biomedical Engineering， 1999， 46（2）： 192-202.

［19］ Clifford GD， Azuaje F， McSharry P. Advanced Methods And Tools for ECG Data Analysis ［M］. Norwood， MA，USA： Artech House， Inc.， 2006.

［20］ Kundu M， Nasipuri M， Basu DK. A knowledge-based approach to ECG interpretation using fuzzy logic ［J］. IEEE Transactions on Systems， Man， and Cybernetics，Part B： Cybernetics， 1998， 28（2）： 237-243.

［21］ Moavenian M， Khorrami H. A qualitative comparison of artificial neural networks and support vector machines in ECG arrhythmias classification ［J］. Expert Systems with Applications， 2010， 37（4）： 3088-3093.

［22］ Chudacek V， Petrik M， Georgoulas G， et al. Comparison of seven approaches for holter ECG clustering and classification ［C］ // The 29th Annual InternationalConference of the IEEE， Engineering in Medicine and Biology Society， 2007： 3844-3847.

［23］ Jiang W， Kong SG. Block-based neural networks for personalized ECG signal classification ［J］. IEEE Transactions on Neural Networks， 2007， 18（6）： 1750-1761.

［24］ Lin CW， Yang YTC， Wang JS， et al. A wearable sensor module with a neural-network-based activity classification algorithm for daily energy expenditure estimation ［J］. IEEE Transactions on Information Technology in Biomedicine， 2012， 16（5）： 991-998.

［25］ ?lmez T. Classification of ECG waveforms by using RCE neural network and genetic algorithms ［J］. Electronics Letters， 1997， 33（18）： 1561-1562.

［26］ Melgani F， Bazi Y. Classification of electrocardiogram signals with support vector machines and particle swarm optimization ［J］. IEEE Transactions on Information Technology in Biomedicine， 2008， 12（5）： 667-677.

［27］ Huang GB， Zhu QY， Siew CK. Extreme learning machine： Theory and applications ［J］. Neurocomputing，2006， 70（1-3）： 489-501.

［28］ Huang GB， Zhou HM， Ding XJ， et al. Extreme learning machine for regression and multiclass classification ［J］. IEEE Transactions on Systems， Man and Cybernetics-Part B： Cybernetics， 2012， 42（2）： 513-529.

［29］ Huang GB， Liang NY， Rong HJ， et al. On-line sequential extreme learning machine ［J］. Computational Intelligence， 2005， 2005： 232-237.

［30］ He Q， Shang TF， Zhuang FZ， et al. Parallel extreme learning machine for regression based on MapReduce ［J］. Neurocomputing， 2013， 102： 52-58.

［31］ Huang GB， Ding XJ， Zhou HM. Optimization method based extreme learning machine for classification ［J］. Neurocomputing， 2010， 74（1-3）： 155-163.

［32］ Cao JW， Lin ZP， Huang GB. Composite function wavelet neural networks with extreme learning machine ［J］. Neurocomputing， 2010， 73（7-9）： 1405-1416.

［33］ Huang G， Huang GB， Song SJ， et al. Trends in extreme learning machines： a review ［J］. Neural Network， 2015，61： 32-48.

［34］ Wang XL， Gui Q， Liu BW， et al. Enabling smart personalized healthcare： a hybrid mobile-cloud approach for ECG telemonitoring ［J］. IEEE Journal of Biomedical and Health Informatics， 2014， 18（3）： 739-745.

［35］ Xia HN， Asif I， Zhao XP. Cloud-ECG for real time ECG monitoring and analysis ［J］. Computer Methods and Programs in Biomedicine， 2013， 110（3）： 253-259.

［36］ Basheer IA， Hajmeer M. Artificial neural network：fundamentals， computing，design and application ［J］. Journal of Microbiological Methods， 2000， 43（1）：3-31.

［37］ Laurens VDM， Hinton G. Visualizing high-dimensional data using t-SNE ［J］. Journal of Machine Learning Research， 2008， 9（11）： 2579-2605.

［38］ Goldberger AL， Amaral LAN， Glass L， et al. Physiobank，physiotoolkit，and physionet：components of a new research resource for complex physiologic signals ［J］. Circulation， 2000， 101（23）： e215-e220.

［39］ Suykens JAK， Vandewalle J. Training multilayer perceptron classifiers based on a modified support vector method ［J］. IEEE Transactions on Neural Networks，1999， 10（4）： 907-911.

Real-Time Electrocardiogram Analysis Based on Multi-Kernel Extreme Learning Machine

QIN Xingbin1YAN Yan2，3FAN Jianping3WANG Lei2，3
1（ Computer Application Research Center， Institute of Computing Technology， Chinese Academy of Sciences， Beijing 100190， China ）2（ The Shenzhen Key Laboratory for Low-cost Healthcare， Shenzhen 518055， China ）3（ Shenzhen Institutes of Advanced Technology， Chinese Academy of Sciences， Shenzhen 518055， China ）

Electrocardiogram（ECG） classification is a complex pattern recognition problem. At present， most of the ECG classification methods based on different machine learning model had achieved a high classification accuracy， but the learning efficiency was low. Therefore， a fast ECG learning algorithm was necessary. In this paper， a method of extreme learning machine was presented， which mapped the original feature space into Hilbert space with different kernel functions and made the ECG date in high dimensional space linearly separable. At last， the experimental verification was carried on MIT-BIH standard library. The results show that the proposed method has higher accuracy and faster learning speed than existing methods， which may be a potential tool for detection and analysis of clinical dynamic electrocardiogram and personalized real-time ECG monitoring.

kernel method； extreme learning machine； electrocardiogram monitoring； electrocardiogram analysis； real-time classification

TP 391.6

A

2015-05-13

2015-07-05

國(guó)家 863 項(xiàng)目（2012AA02A604）；國(guó)家下一代通信技術(shù)重點(diǎn)工程（2013ZX03005013）；廣東省創(chuàng)新團(tuán)隊(duì)（2011S013）

秦興彬，碩士，研究方向?yàn)榘氡O(jiān)督學(xué)習(xí)方法和心電大數(shù)據(jù)分析；顏延，博士，研究方向?yàn)闄C(jī)器學(xué)習(xí)和健康大數(shù)據(jù)；樊建平，研究員，研究方向?yàn)楦咝阅苡?jì)算、云計(jì)算和分布式計(jì)算；王磊（通訊作者），研究員，研究方向?yàn)槿梭w傳感器網(wǎng)絡(luò)、健康感知和醫(yī)學(xué)芯片，E-mail：wang.lei@siat.ac.cn。