基于SVM的心律失常的研究和分析

蘇志同++周文龍

摘要：心電圖是診斷心臟活動的重要工具。本文從心電圖的特征選取和SVM的核函數(shù)參數(shù)以及懲罰因子優(yōu)化等提高對心律失常的異常波檢測識別。心電特征選取利用小波變換提取了時域特征等參數(shù)，將二分的SVM運用到心律失常的檢測中。SVM中通過高斯核函數(shù)參數(shù)和懲罰因子的選取來提高分類的精度。通過對MIT-BIH數(shù)據(jù)庫的數(shù)據(jù)分析和驗證，證明所選取的特征以及參數(shù)的可以提高對心律失常分類的正確性。

關(guān)鍵詞：心電、特征提取、SVM

中圖分類號：TP391.4

文獻標識碼：A

DOI：10.3969/j.issn.1003-6970.2015.09.024

0 引言

心血管疾病是威脅人類健康的主要疾病之一，長期以來，醫(yī)學界乃至學術(shù)界將這一領(lǐng)域作為重要的課題進行研究。在現(xiàn)代醫(yī)學中，心電圖越來越成為醫(yī)生診斷心血管疾病的重要依據(jù)之一。因此，心電圖的分析也得到了廣泛的研究。心電圖（ECG）是心肌發(fā)生跳動時產(chǎn)生的微弱電流所引起的人體體表的電位變化，具有頻率、振幅、相位和時間差等要素，蘊含著反應心臟節(jié)律及其電位傳到的生理和病理信息，為診斷心臟疾病和功能變化提供了重要的參考價值。由于心電信號能從不同的方面反應心臟的工作狀態(tài)，在一定程度上可以客觀反映心臟的生理狀況。因此正確分析心電信號并提取心電信號的的特征參數(shù)對心臟疾病的診斷和治療具有重要的醫(yī)學意義。

心電信號的特征提取和選取是對心電分類的前提和關(guān)鍵，選取不同的特征和特征的提取方法對分類算法產(chǎn)生的結(jié)果有很大的影響。Ataollah根據(jù)心電信號三個時段間隔的高階統(tǒng)計分析提取的特征，使用概率分布矩陣期望值概念的推廣，來定義一個概率密度函數(shù)的特點，考慮到平均離散基帶信號系列，來確定矩陣累積量的關(guān)系，從而提取心電的特征。唐羽使用SLAM算法消除噪音信號。熊平采用基于小波變換的白適應濾波方法對ECG信號做了濾波預處理，盡量的消除其中的噪聲干擾。然后利用小波變換的信號奇異性檢測理論進行波形特征點的檢測，確定出R波、QRS波的起止點、P波和T波等的位置，將ECG信號分成一系列的心動周期。最后通過這些特正點的位置，提取一系列的心電圖特征參數(shù)。

心電信號分類和識別的核心部分是分類，數(shù)據(jù)挖掘中的分類算法被廣泛運用在各種數(shù)據(jù)的分類中，心電信號分類也同樣適用。如肖曉使用SVM回歸的方法對信號的處理。王秉使用的基于決策樹技術(shù)的心電信號識別技術(shù)，依據(jù)MIT-BIH心律失常數(shù)據(jù)庫規(guī)則和存儲格式，建立國人臨床心電數(shù)據(jù)庫，然后采用決策樹分類方法對樣本進行訓練和分類最終進行心電自動分類。曹國超引入了核函數(shù)的概念，將心電數(shù)據(jù)間的線性差異轉(zhuǎn)化為非線性，對傳統(tǒng)KNN算法進行改進，實現(xiàn)心電信號的準確分類。

1 數(shù)據(jù)預處理

心電信號采集過程成，容易受到噪聲的干擾，對心電信號提取特征前需要去除噪聲。小波變換對于瞬時和時變的信號分析非常有效的，且有利于消除基線漂移等噪聲。

因此，離散小波變換將心電信號分解為細節(jié)信號的近似信號。在分解過程中小波函尺度j的選擇是分析的關(guān)鍵，小波函數(shù)最適合心電信號的尺度是j=4，所以選擇尺度為4來分析心電信號。

基線漂移主要來自呼吸運動，其頻率范圍在0.15hz和0.3hz之間。使用小波變換消除基線漂移這種噪聲的干擾，小波變換因為沒有引起延遲和減少失真而適用于該過程。小波變換將心電信號降解為近似信號（高振幅的低頻信號）和細節(jié)信號（低振幅的高頻信號），這些信號可以幫助區(qū)分理想信號和噪聲信號。

2 心電波檢測和選取特征

心電信號是一種微弱的生物電信號，是有一系列波組成的，包括R波、QRS復合波、P波、T波和U波組合而成。QRS波代表左、右兩心室除級過程的電位變化；QRS波的第一個向下的波為Q波，繼Q波之后的向上波為R波，R波之后的向下波為S波。

由于R波的振幅最大，所以定位R后就很容易檢測QRS波。同樣采用基于小波變換的QRS復合波檢測算法，核心是在某一尺度或某幾個尺度內(nèi)搜索小波變換模極大值一極小值之間的過零點定位R波的位置。采用2³尺度上的小波變換檢測，步驟如下：

3 SVM分類

3.1 支持向量機

支持向量機（SVM）是一種二類分類模型，它的基本模型是定義在特征空間的間隔最大的線性分類器，間隔最大使它有別于感知機。

由于心電數(shù)據(jù)中正常數(shù)據(jù)明顯多于心律失常的數(shù)據(jù)，常規(guī)的SVM容易導致數(shù)據(jù)傾斜。因此使用懲罰因子來增加異常數(shù)據(jù)的權(quán)重。懲罰因子有利于控制權(quán)衡決策問題的復雜度和訓練數(shù)據(jù)之間的錯誤分類。

3.2 核函數(shù)

SVM使用與線性可分的數(shù)據(jù)，當數(shù)據(jù)集線性不可分的時候，使用核函數(shù)是數(shù)據(jù)向高維空間轉(zhuǎn)換，使之在高維空間線性可分。通常使用的核函數(shù)有：高斯核函數(shù)、多項式等等。

本文采用高斯核函數(shù)對線性不可分數(shù)據(jù)進行轉(zhuǎn)換，核函數(shù)如下：

4 實驗結(jié)果

采用MIT-BIH心率失常數(shù)據(jù)庫作為訓練數(shù)據(jù)和測試數(shù)據(jù)，這個數(shù)據(jù)庫共有48個記錄，每個記錄包含兩個導聯(lián)，信號時長30分鐘，采樣頻率360Hz。取第一導聯(lián)，作為實驗數(shù)據(jù)，得到17260個心跳，對應正常心跳和13種心律失常心跳。

5 結(jié)論

通過支持向量機和小波變換的方法構(gòu)造心律失常分類器，整體精度可以達到99.2%。得出通過小波變換方法將心電信號降解為近似信號（高振幅的低頻信號）和細節(jié)信號（低振幅的高頻信號），這些信號可以幫助區(qū)分理想信號和噪聲信號。特征選取是分類的關(guān)鍵，可以影響分類的結(jié)果。通過高斯核函數(shù)的參數(shù)和SVM的懲罰因子來調(diào)整分類器的性能，使分類器可以使用在心律失常的識別領(lǐng)域。