王 鳳， 潘廣貞， 孫艷青

(中北大學 軟件學院，山西 太原 030051)

0 引 言

心電(electrocardiogram，ECG)信號是心臟系統(tǒng)生物電活動的記錄，通過分析ECG信號模式，可以診斷心率失常[1]。ECG信號中的波形特征，在正常搏動和心率失常搏動中不同，在不同病患身上會表現(xiàn)出不同形態(tài)，同一個體在不同條件下正常心跳常表現(xiàn)出不同形態(tài)，使得心率失常識別更加困難，因此，提升ECG識別準確度尤為重要[2～4]。

心電分類過程為預處理、特征提取和分類。文獻[5]提出基于數(shù)學形態(tài)學及機器學習心率失常識別；文獻[6]采用經(jīng)驗模式分解(empirical mode decomposition，EMD)法選擇ECG信號特征，并結(jié)合支持向量機(support vector machine,SVM)分類；文獻[7]使用基于塊的神經(jīng)網(wǎng)絡將ECG心跳分為5類；文獻[8]用離散余弦變換提取ECG心跳特征，并采用費舍爾線性判別器對心率失常進行檢測和分類。

特征選擇對心率失常識別有重要作用。上述特征選擇方法基于時域或頻域特征，只能在一定程度上反映ECG心跳特征，而基于非線性動力學參數(shù)的特征提取方法在生理信號處理中取得良好效果，卻在ECG心跳中少有涉及[9]。動力學特征能顯示ECG更深層次的信息，包含了ECG全部信息。不同類別心跳在不同時間尺度上表現(xiàn)出不同復雜度，因此本文提出將ECG心跳的模糊熵作為特征度量輸入徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡，從而實現(xiàn)ECG分類的算法。

1 基于模糊熵和RBF神經(jīng)網(wǎng)絡的心電分類算法

1.1 集合EMD算法

為了對ECG心跳進行深層次特征提取，將經(jīng)過預處理的ECG心跳分解為若干分量，集合EMD(ensemble EMD,EEMD)方法能夠根據(jù)信號自身特點分解信號，具有良好抗模態(tài)混疊性能[9,10]。該方法在處理生物信號時具有獨特優(yōu)勢，通過對原始信號執(zhí)行多次EMD，在加入每次分解白噪聲，將每次EMD得到的內(nèi)蘊模態(tài)函數(shù)(intrinsic modal function,IMF)分量求和再取平均得到最終IMF分量[11]。

1.2 基于模糊熵的特征提取

ECG心跳經(jīng)EEMD得到IMFs分量，模糊熵作為ECG心跳動力學特征可以反映ECG心跳特點，故提取有效IMFs分量模糊熵作為特征值。熵是用來衡量信號復雜度的非線性方法，其值越大代表序列復雜度越大，一般定義為[12]：

4)最終計算出的模糊熵為FuzzyEn(m,n,r,N)=lnφm(n,r)-lnφm+1(n,r)。

序列長度N，模式維數(shù)m和相似容限r(nóng)的選取直接影響實驗結(jié)果。大量實驗表明，N=1 000，m=1或2，r=(0.1～0.25)Std(Std為x(i)(i=1,2,…,N)的標準差)，才能保證有效統(tǒng)計特性和較小誤差。

1.3 基于RBF神經(jīng)網(wǎng)絡的心電分類

所提心電分類算法流程如圖1所示。

圖1 算法總體流程

2 實驗分析

實驗平臺MATLAB 10.0搭建在Windows 7操作系統(tǒng)上。實驗對5種常見ECG心跳進行識別，分別為：正常心跳(normal)，左束支傳導阻滯(LBBB)，右束支傳導阻滯(RBBB)，房性早搏(APC)和室性早搏(PVC)。

2.1 評估指標

采用F值(Fmeasure)和總精確度(Acc)對識別效果進行性能評估

(1)

式中TPi為正確分類為第i類的心跳數(shù),TNi為本不屬于第i類的且不被分為第i類的心跳數(shù)目,FPi為本不屬于第i類卻被錯誤劃分為該類的心跳數(shù)目,FNi為本該屬于第i類卻被劃分到其他類的數(shù)目,NT為總分類文件數(shù)目,NE為總分類文件中被錯誤分類的數(shù)目。

2.2 數(shù)據(jù)集

ECG數(shù)據(jù)源取自MIT-BIH Arrthythmia 數(shù)據(jù)庫導聯(lián)II(MLII)，采樣頻率為360 Hz。選取5種不同心跳類型，在每種類型ECG心跳中各選取120組樣本(每個樣本以R波為基準點，向前、向后共取300個采樣點)，將數(shù)據(jù)集分為訓練集和測試集。得到訓練集與測試集樣本數(shù)量均為300組，樣本集劃分如表1所示。

表1 MIT-BIH數(shù)據(jù)集

2.3 實驗結(jié)果

2.3.1 特征提取

以MIT-BIH/100號為例，對其EEMD得到各IMFs分量,各IMF分量未見模態(tài)混疊，且各分量QRS波群集，分解效果比較理想。大量實驗證明，第2～6個IMFs分量與原始信號最為相關(guān)，說明這5個分量包含ECG心跳主要特征信息，以MIT-BIH/100為例，選取這5個分量進行重構(gòu)。圖2為原始信號和重構(gòu)信號對比，可見重構(gòu)信號良好保留ECG心跳峰值和特征，所以選取IMF2～IMF6 5個IMF分量作為提取模糊熵的分量。

圖2 IMF2～IMF6重構(gòu)信號

由于樣本數(shù)量較多，僅在每種類型心跳中各選取2組測試樣本，并分別對5個IMF分量計算模糊熵值，本文取N=300，m=2，r=0.2 Std。計算結(jié)果如表2所示。

表2 各IMF分量模糊熵值

實驗結(jié)果表明各類型心跳模糊熵有明顯區(qū)別，不同類型心跳在不同時間尺度上表現(xiàn)出不同熵值，故可以用此作為特征值區(qū)別不同心跳類型。

圖3為各心跳類型10組數(shù)據(jù)的IMF2分量對比，可見不同心跳類型的模糊熵差異。其中，Normal型心跳的IMF分量模糊熵最大，這是因為Normal型心跳隨機性大。

圖3 IMF2分量的模糊熵

2.3.2 心率失常識別

將IMF2～IMF6分量模糊熵組成的特征向量送入RBF神經(jīng)網(wǎng)絡進行識別。圖4為數(shù)據(jù)集分類結(jié)果，其中縱坐標1～5分別表示Normal，LBBB，RBBB，PVC，APC心跳類型。

圖4 分類結(jié)果

圖4顯示300組測試集中錯誤識別6組數(shù)據(jù)。其中，Normal類型樣本全部分類正確，1個LBBB樣本被錯誤劃分為RBBB類型，1個RBBB樣本被錯誤劃分為PVC類型，1個PVC樣本被錯誤劃分為LBBB類型，2個PVC樣本被錯誤劃分為RBBB類型，1個APC樣本被錯誤劃分為Normal類型。結(jié)果表明，所提算法可以有效分類5種心跳。

由分類結(jié)果計算得到F值和Acc如表3所示。

表3 性能指標

可知，該分類方法具有較高準確率，對不同類別心跳均有效，其中對Normal類型的識別精確度達到100 %，對PVC類型識別精確度不高與其病癥特點不明顯有關(guān)。

為進一步顯示該算法在心率失常識別上的優(yōu)越性，分別采用模糊熵、EMD多尺度模糊熵和本文方法進行性能對比，對比結(jié)果如表4所示。性能指標顯示，本文方法提取的特征量能更好地反映ECG心跳特點。

表4 各方法心律失常識別率對比 %

3 結(jié)束語

基于多尺度模糊熵和RBF神經(jīng)網(wǎng)絡的心電分類算法，可以對ECG進行特征提取和模式識別。采用EEMD對ECG進行多尺度分解，將有效IMF分量的模糊熵組合成特征向量以分類5種不同ECG心跳。實驗結(jié)果表明該方法能夠有效地提高心電分類準確率。這種分類識別方法還可以應用到其它類似生物信號處理上，但由于數(shù)據(jù)局限于MIT-BIH數(shù)據(jù)庫，存在樣本類別不平衡問題，對病人適應性未知。這也是下一步要探究的問題。