心電信號(hào)識(shí)別分類(lèi)算法綜述

馬金偉,劉盛平

(重慶理工大學(xué) 藥學(xué)與生物工程學(xué)院， 重慶 400054 )

近年來(lái)心血管疾病發(fā)病率和致死率持續(xù)增長(zhǎng)，且呈現(xiàn)年輕化趨勢(shì)。心血管疾病主要以冠心病、高血壓、心肌梗死和心力衰竭等為主，患者發(fā)病之前心臟往往會(huì)出現(xiàn)心律失常的情況。心電圖可以比較直觀(guān)地獲取患者心臟的心電信息，反映測(cè)試者心率狀況，有利于各類(lèi)心臟疾病類(lèi)型(如房性早搏、室性早搏、左束支傳導(dǎo)阻滯、右束支傳導(dǎo)阻滯等)的診斷和治療，使患者盡早康復(fù)，乃至挽救患者的生命。因此，心電信號(hào)(ECG)的檢測(cè)和分類(lèi)具有極其重要的臨床意義，也有利于促進(jìn)心血管疾病的臨床研究。

1 心電信號(hào)研究的內(nèi)容及現(xiàn)狀

1.1 心電信號(hào)提取與預(yù)處理

心電信號(hào)的采集是研究心電信號(hào)識(shí)別分類(lèi)的基礎(chǔ)，現(xiàn)在大多數(shù)學(xué)者研究過(guò)程中主要采用的心電信號(hào)來(lái)源于國(guó)際上較權(quán)威的4個(gè)心電數(shù)據(jù)庫(kù)：美國(guó)麻省理工學(xué)院的MIT-BIH心率失常數(shù)據(jù)庫(kù)、美國(guó)心臟學(xué)會(huì)的AHA心率失常心電數(shù)據(jù)庫(kù)、歐盟的CSE心電數(shù)據(jù)庫(kù)和歐盟ST-T心電數(shù)據(jù)庫(kù)。也有部分學(xué)者以個(gè)人在臨床上采集的心電信號(hào)為研究對(duì)象。心電信號(hào)的分類(lèi)一般包括：提取心電信號(hào)→心電預(yù)處理→特征提取→算法分類(lèi)等。

圖1 心拍結(jié)構(gòu)示意圖

一般所采集的心電信號(hào)含有肌電干擾、50 Hz/60 Hz的工頻干擾、基線(xiàn)漂移、放大電路的內(nèi)部噪聲和運(yùn)動(dòng)偽跡等干擾噪聲，會(huì)影響到心電信號(hào)特征提取的準(zhǔn)確性與識(shí)別率，因此需要對(duì)采集到的心電信號(hào)進(jìn)行濾波去噪處理即預(yù)處理，防止干擾噪聲對(duì)心電信號(hào)的識(shí)別分類(lèi)的影響。心電信號(hào)的濾波方法可分為傳統(tǒng)濾波方法和現(xiàn)代濾波方法。

FIR數(shù)字濾波器、IIR數(shù)字濾波器等屬于傳統(tǒng)濾波方法，而現(xiàn)代濾波方法則包括小波變換濾波、神經(jīng)網(wǎng)絡(luò)法及自適應(yīng)濾波算法等。Sahu[1]采用卡爾曼濾波器、自適應(yīng)濾波器和線(xiàn)性變換卡拉姆濾波器分別對(duì)心電信號(hào)去噪。研究表明：幾種濾波器中卡爾曼濾波器對(duì)心電信號(hào)的濾波效果較為突出。尚余等[2]提出基于小波變換對(duì)心電信號(hào)的濾波處理，利用小波變換對(duì)頻域信號(hào)處理上的優(yōu)勢(shì)，采用(dbN)小波變換對(duì)心電信號(hào)進(jìn)行多重分解，并采用heursure規(guī)則閾值降噪和Minimaxi規(guī)則閾值降噪處理分解后的信號(hào)。朱翔等[3]提出采用FIR濾波器濾除低頻的干擾成分(如肌電干擾)等，用IIR零相移濾波器濾除其他頻率的干擾，在濾除噪聲的同時(shí)防止心電信號(hào)的失真。彭云等[4]提出利用經(jīng)典整體模式分解(EEMD)對(duì)心電信號(hào)處理，采用類(lèi)似于小波變換中的硬軟門(mén)限去噪方法，對(duì)幾個(gè)高階IMF分量做門(mén)限閾值處理，與小波變換算法相比，其自適應(yīng)性不僅避免了眾多小波函數(shù)選擇上的困難，還使降噪后的信噪比得到改善，有效地濾除心電信號(hào)中的基線(xiàn)漂移。小波變換濾除基線(xiàn)漂移時(shí)，需進(jìn)行信號(hào)的高尺度分解與重構(gòu)，處理數(shù)據(jù)的過(guò)程中計(jì)算量大，而EEMD在基線(xiàn)漂移的處理上計(jì)算量小，速度快，性能優(yōu)異。張磊磊等[5]針對(duì)心電信號(hào)微弱、含有大量噪聲、非平穩(wěn)性的特點(diǎn)，提出基于形態(tài)學(xué)和提升小波閾值法結(jié)合對(duì)心電信號(hào)進(jìn)行去噪處理，通過(guò)形態(tài)學(xué)濾波器去除心電信號(hào)中的低頻噪聲，利用提升小波閾值法濾除心電信號(hào)中的高頻噪聲，經(jīng)MIT-BIH心律失常數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明：該算法最大地保留了心電信號(hào)中的特征信號(hào)，與傳統(tǒng)的小波去噪方法相比，其去噪的能力更強(qiáng)，去噪后的心電信號(hào)質(zhì)量更好。心電信號(hào)的預(yù)處理是實(shí)現(xiàn)心電信號(hào)分類(lèi)的重要步驟，直接影響心電信號(hào)分類(lèi)率。心電信號(hào)的濾波算法將會(huì)朝計(jì)算量小、運(yùn)算時(shí)間短、性能優(yōu)異的方向發(fā)展，以期實(shí)現(xiàn)更好的心電信號(hào)濾波處理。

1.2 心電信號(hào)特征參數(shù)的提取

心電信號(hào)的特征參數(shù)(如P波、QRS波、T波、QR斜率、RS斜率、RR間期)的準(zhǔn)確提取是心電信號(hào)識(shí)別分類(lèi)的關(guān)鍵[5]。目前，提取心電信號(hào)的特征參數(shù)的主要方法有神經(jīng)網(wǎng)絡(luò)法、小波變換法、經(jīng)典模態(tài)分解(EMD)法、差分閾值法和模板匹配法結(jié)合法等。Ganesan等[6]采用EMD濾除心電信號(hào)干擾，增強(qiáng)心電信號(hào)有用成分，使用連續(xù)小波變換(CWT)實(shí)現(xiàn)了R峰精確檢測(cè)，應(yīng)用于MIT-BIH心電信號(hào)。結(jié)果表明：其能有效、快速地實(shí)現(xiàn)R峰的精確檢測(cè)。孫括等[7]使用埃爾米特函數(shù)(Hermite functions)分解心電信號(hào)得到QRS特征向量，利用自組織神經(jīng)網(wǎng)絡(luò)確定QRS波形，準(zhǔn)確地分解了QRS波形，但神經(jīng)網(wǎng)絡(luò)算法需要大量數(shù)據(jù)來(lái)訓(xùn)練，增加了算法的復(fù)雜度。王瑞榮等[8]利用小波變換和形態(tài)學(xué)濾波方法消除了肌電干擾、工頻干擾和基線(xiàn)漂移等干擾，采用K-means聚類(lèi)算法提取心電信號(hào)的QRS波、T波、P波等主要特征點(diǎn)，對(duì)QRS波、T波、P波的檢測(cè)準(zhǔn)確度分別達(dá)到了99.68%、91.01%、97.01%，表明該算法提取心電特征的準(zhǔn)確度較高，具有重要的參考價(jià)值。Li等[9]提出一種簡(jiǎn)單便捷的ECG處理算法，其包括Haar小波變換(HWT)、模極大值檢測(cè)(MMPD)和峰值位置修改(PPM)。利用HWT對(duì)心電信號(hào)分解得到HWT系數(shù)，引入MMPD在HWT系數(shù)中定位ECG峰值，而PPM用于校正時(shí)移提高波峰檢測(cè)的準(zhǔn)確性。經(jīng)MIT-BIH心電樣本驗(yàn)證，QRS檢測(cè)靈敏度為99.53%，該算法具有較高的檢測(cè)精度和較低的計(jì)算復(fù)雜度。王金海等[10]提出一種基于近似熵(ApEn)和經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)結(jié)合的心電特征提取新方法，對(duì)心電信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解(EMD),得到有限個(gè)IMF分量，并計(jì)算IMF的近似熵，用近似熵代表心電信號(hào)的特征向量。但是這種方法提取的特征向量較少，沒(méi)有注意時(shí)域特征。Rodriguez[11]給出一種新的QRS復(fù)合波的檢測(cè)方法，可用于不同類(lèi)型的心率失常特征提取。其算法首先是通過(guò)帶通濾波器對(duì)ECG信號(hào)進(jìn)行濾波，之后采用Hilbert變換和自適應(yīng)閾值法對(duì)QRS波檢測(cè)，最后實(shí)施主成分分析對(duì)ECG信號(hào)提取QRS波，采用MIT-BIH數(shù)據(jù)庫(kù)里的19個(gè)不同的心電樣本測(cè)試該算法。結(jié)果表明：QRS波的檢測(cè)靈敏度為96.28%，識(shí)別率為99.71%，驗(yàn)證了其算法的有效性。心電信號(hào)特征的準(zhǔn)確提取直接關(guān)系到下一步心電信號(hào)的識(shí)別分類(lèi)，因此應(yīng)注重提取心電特征，在提取心電特征時(shí)應(yīng)當(dāng)考慮到時(shí)頻域特征，還有形態(tài)學(xué)等多方面的特征。

2 心電信號(hào)的分類(lèi)算法

2.1 統(tǒng)計(jì)模式識(shí)別分類(lèi)法

早在 20世紀(jì)90年代，統(tǒng)計(jì)模式識(shí)別分類(lèi)法就已運(yùn)用到心電信號(hào)(ECG)的分類(lèi)研究中，其已成為心電信號(hào)識(shí)別分類(lèi)領(lǐng)域的重要的分支。

統(tǒng)計(jì)模式運(yùn)用于心電信號(hào)識(shí)別分類(lèi)的識(shí)別方法主要有：支持向量機(jī)(SVM)、K近鄰算法、獨(dú)立成分分析(independent component analysis,ICA)、主成分分析(principal component analysis,PCA)、小波分析(wavelet analysis,WA)等。董彬等[12]采用基于多尺度化基本尺度熵(multiscale base-scale entropy,MBE)和希爾伯特-黃變換(Hilbert-Huang,HHT)結(jié)合提取心電信號(hào)特征值，利用離散小波變換對(duì)心電信號(hào)進(jìn)行去噪處理，采用多尺度化基本尺度熵進(jìn)行分析，提取多個(gè)尺度下的尺度熵值，再利用希爾伯特-黃變換得到邊際譜的信息熵，并將這兩部分特征輸入支持向量機(jī)中，采用心律不齊患者、呼吸暫停患者和房顫患者、健康人的數(shù)據(jù)進(jìn)行測(cè)試驗(yàn)證，其分類(lèi)準(zhǔn)確率分別為93.75%、90.63%、90.63%、87.5%。該法在ECG信號(hào)自動(dòng)分類(lèi)領(lǐng)域具有一定的應(yīng)用前景，且支持向量機(jī)法算法簡(jiǎn)單、計(jì)算速度較快，為實(shí)現(xiàn)心電信號(hào)實(shí)時(shí)分類(lèi)提供了可能性。其中，多尺度的基本尺度熵、希爾伯特邊際譜熵表達(dá)式分別如式(1)～(3)所示。

(1)

(2)

(3)

式(1)中：yk代表序列y的第k個(gè)元素；δ為時(shí)間尺度因子；xi代表序列x的第i個(gè)元素，x代表去噪后長(zhǎng)度為N的心電信號(hào)。式(2)中：x(t)代表心電信號(hào)，ci(t)為第i個(gè)IMF分量，r(t)為殘差項(xiàng)。式(3)中：Re表示取實(shí)部；c(t)、w(t)是IMF分量變換后的幅值和相位；f(t)為IMF分量的瞬時(shí)頻率。李哲[13]采用了一種心電信號(hào)的稀疏系數(shù)和最小二乘支持向量機(jī)(LS-SVM)對(duì)心電圖(ECG)進(jìn)行識(shí)別分類(lèi),LS-SVM的函數(shù)估計(jì)式、LS-SVM分類(lèi)器的函數(shù)、LS-SVM徑向核函數(shù)分別如式(4)～(6)所示。

(4)

(5)

(6)

式中，σ2表示核寬度，反映訓(xùn)練數(shù)據(jù)集的特性，對(duì)系統(tǒng)的泛化性有影響。求解得到的心電信號(hào)稀疏系數(shù)組成矩陣Dw=[Dn1,Dn2,Dn3,Dn4,Dv1,Dv2,Dv3,DA1,DA2,DA3,DL1,DL2,DR1,DR2]作為心電信號(hào)的特征向量，用其訓(xùn)練支持向量機(jī)(SVM)進(jìn)行心電信號(hào)的識(shí)別分類(lèi)，得到了98.93%的識(shí)別分類(lèi)率，證明了稀疏基和支持向量機(jī)結(jié)合對(duì)心電信號(hào)識(shí)別分類(lèi)的有效性。楊宇等[14]采用離散小波函數(shù)對(duì)心電信號(hào)進(jìn)行多尺度分解除噪，并利用差分閾值法定位心電信號(hào)R峰，選取ST段平均值、ST段面積和ST段斜率作為特征值訓(xùn)練支持向量機(jī)。實(shí)驗(yàn)結(jié)果表明：ST段總體識(shí)別率為91.83%。該算法簡(jiǎn)單且適用性強(qiáng)。為了提高算法的分類(lèi)精度，應(yīng)當(dāng)選擇合適的心電信號(hào)特征向量及合適分類(lèi)算法。

2.2 神經(jīng)網(wǎng)絡(luò)分類(lèi)法

近年來(lái)由于人工智能的迅速發(fā)展為心電信號(hào)的識(shí)別分類(lèi)引入了新的研究方法。人工智能中的神經(jīng)網(wǎng)絡(luò)算法是心電信號(hào)識(shí)別分類(lèi)研究的一大熱點(diǎn)，許多專(zhuān)家學(xué)者傾向于采用神經(jīng)網(wǎng)絡(luò)來(lái)研究心電信號(hào)。神經(jīng)網(wǎng)絡(luò)分為淺層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)(又稱(chēng)深度學(xué)習(xí))。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，需要大量的實(shí)驗(yàn)數(shù)據(jù)，往往需要結(jié)合大數(shù)據(jù)知識(shí)對(duì)其進(jìn)行研究。袁丹陽(yáng)[15]采用遺傳算法改進(jìn)神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)進(jìn)行識(shí)別分類(lèi)。利用小波包分解法對(duì)心電信號(hào)進(jìn)行尺度分解，同時(shí)結(jié)合統(tǒng)計(jì)分析計(jì)算小波包分解后第4尺度上的小波包系數(shù)的奇異值、標(biāo)準(zhǔn)差和最大值，并將小波包系數(shù)統(tǒng)計(jì)特征組成心電特征向量。經(jīng)MIT-BIH心律失常數(shù)據(jù)庫(kù)里的心電數(shù)據(jù)測(cè)試，對(duì)正常心跳、右束支傳導(dǎo)阻滯、左束支傳導(dǎo)阻滯、起搏心跳、室性早搏和房性早搏進(jìn)行分類(lèi),結(jié)果表明：測(cè)試集的識(shí)別準(zhǔn)確率為97.78%，平均靈敏度、平均特異度和平均陽(yáng)性預(yù)測(cè)值分別為97.66%、99.54%和97.81%，表明該算法能準(zhǔn)確提取心電特征值，并能對(duì)心電信號(hào)進(jìn)行有效的識(shí)別分類(lèi)。李彩玉[16]研究了雙正交小波變換和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)對(duì)心電信號(hào)進(jìn)行識(shí)別分類(lèi)，選取QRS、RR間期、平均RR間期等特征向量訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，結(jié)果表明其對(duì)幾種常見(jiàn)的心臟病的識(shí)別率都在85%以上，對(duì)室性早搏識(shí)別率達(dá)99%，取得了良好的心電信號(hào)識(shí)別分類(lèi)率。樊承柱[17]使用CCDD數(shù)據(jù)庫(kù)避免了因心電樣本較少帶來(lái)的學(xué)習(xí)不足問(wèn)題。將心電信號(hào)直接投入卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在卷積神經(jīng)網(wǎng)絡(luò)中提取心電信號(hào)特征，避免了人工提取心電特征的失誤。結(jié)果顯示：對(duì)CCDD數(shù)據(jù)庫(kù)里的心電類(lèi)型進(jìn)行分類(lèi)，其準(zhǔn)確度達(dá)到了82.5%，對(duì)MIT-BIH數(shù)據(jù)庫(kù)進(jìn)行分類(lèi)的準(zhǔn)確度達(dá)到了98.82%。但采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)進(jìn)行識(shí)別研究，需要大量的樣本數(shù)據(jù)，訓(xùn)練時(shí)間長(zhǎng)，網(wǎng)絡(luò)不易收斂。Rahhal等[18]采用了一種深度神經(jīng)網(wǎng)絡(luò)(DNN)來(lái)識(shí)別分類(lèi)心電信號(hào)。采用自動(dòng)編碼器從心電樣本中學(xué)習(xí)合適的心電信號(hào)的特征，同時(shí)引入了4個(gè)時(shí)間域的特征值：Pre-RR間隔特征值、Post-RR間隔特征值、局部RR間隔特征值和平均RR間隔特征值。與現(xiàn)有的心電分類(lèi)識(shí)別技術(shù)相比，Rahhal等所提出的深層神經(jīng)網(wǎng)絡(luò)(DNN)具有的較強(qiáng)的魯棒性和泛化能力，對(duì)心電信號(hào)的識(shí)別分類(lèi)率較高。Kher等[19]采用小波變換提取ECG信號(hào)中的運(yùn)動(dòng)偽影，并使用Gabor變換提取運(yùn)動(dòng)偽影的特征值，送入人工神經(jīng)網(wǎng)絡(luò)(ANN)訓(xùn)練和識(shí)別，整體的識(shí)別分類(lèi)率為92%，說(shuō)明了人工神經(jīng)網(wǎng)絡(luò)可用于心電圖的識(shí)別分類(lèi)。Cheng[20]給出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的心電檢測(cè)分類(lèi)方法。引入時(shí)域特征向量RR間期，訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)，采用靈敏度(Se)、特異性(Sp)和準(zhǔn)確度(Ac)3個(gè)常見(jiàn)的性能評(píng)價(jià)標(biāo)準(zhǔn)來(lái)驗(yàn)證算法的有效性，其識(shí)別分類(lèi)準(zhǔn)確度達(dá)97.8%，表明該分類(lèi)方法對(duì)心電信號(hào)具有良好的分類(lèi)準(zhǔn)確性。Yu等[21]引入ICA獨(dú)立向量特征向量和RR間期特征向量，將獨(dú)立向量(ICA)分別與概率神經(jīng)網(wǎng)絡(luò)(PNN)和BP神經(jīng)網(wǎng)絡(luò)(BPNN)結(jié)合對(duì)MIT-BIH里的心電信號(hào)進(jìn)行分析。結(jié)果表明：概率神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)分類(lèi)的準(zhǔn)確度均超過(guò)98%，但PNN的精確度、泛化能力及魯棒性均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，故PNN更適用于計(jì)算機(jī)的輔助診斷心臟疾病。Shadmand等[22]采用一種新的基于塊神經(jīng)網(wǎng)絡(luò)(BBNN)和粒子群優(yōu)化算法(PSO)對(duì)心電信號(hào)識(shí)別分類(lèi),采用Hermit基函數(shù)從ECG信號(hào)中提取心電特征值，將Hermit函數(shù)系數(shù)和RR間期作為BBNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，利用粒子優(yōu)化算法對(duì)BBNN神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行更新，PSO算法利用神經(jīng)網(wǎng)絡(luò)加快收斂速度，應(yīng)用MIT-BIH心電樣本進(jìn)行驗(yàn)證，結(jié)果表明：BBNN對(duì)心律失常識(shí)別率達(dá)97%。Wang等[23]給出了利用極限學(xué)習(xí)機(jī)(ELM)識(shí)別室性早搏(PVC)與正常心電信號(hào)的方法，利用形態(tài)學(xué)與小波變換結(jié)合進(jìn)行信號(hào)預(yù)處理，然后利用K-means聚類(lèi)算法提取QRS波特征值。經(jīng)MIT-BIH數(shù)據(jù)庫(kù)里的心電數(shù)據(jù)驗(yàn)證，其算法能有效地識(shí)別PVC,檢測(cè)率達(dá)95%。該算法具有良好的檢測(cè)精度和實(shí)時(shí)性，在臨床和移動(dòng)醫(yī)療設(shè)備中有較高的研究和實(shí)用價(jià)值。Yun等[24]設(shè)計(jì)了一種基于深度置信網(wǎng)絡(luò)(DBN)和形態(tài)學(xué)的心跳識(shí)別分類(lèi)方法。每個(gè)心跳用QRS波、RR間期表示，結(jié)果表明：使用DBN得到的識(shí)別率為88.6%，驗(yàn)證了在深度學(xué)習(xí)中不需要提取心跳形態(tài)特征，從而解決了因形態(tài)特征導(dǎo)致心跳患者間差異的問(wèn)題。Zhang等[25]采用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)對(duì)心電信號(hào)識(shí)別分類(lèi)，提取心電信號(hào)形態(tài)學(xué)特征，利用RNN來(lái)學(xué)習(xí)心電信號(hào)的時(shí)域特征并進(jìn)行識(shí)別分類(lèi)，經(jīng)MIT-BIH數(shù)據(jù)庫(kù)里的數(shù)據(jù)驗(yàn)證，其識(shí)別率達(dá)到99%，表明其方法是有效的。Yildirim[26]利用長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)(LSTM)對(duì)心電信號(hào)識(shí)別分類(lèi),用小波變換將心電信號(hào)分解成不同頻率的系數(shù)，并將小波系數(shù)輸入LSTM中學(xué)習(xí)，經(jīng)MIT-BIH數(shù)據(jù)庫(kù)里數(shù)據(jù)的驗(yàn)證，其識(shí)別率達(dá)到了99.39%，表明LSTM神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)識(shí)別是有效的?？傮w來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)具有較高的識(shí)別分類(lèi)率，但神經(jīng)網(wǎng)絡(luò)難收斂，容易出現(xiàn)過(guò)度擬合現(xiàn)象。神經(jīng)網(wǎng)絡(luò)在心電信號(hào)識(shí)別分類(lèi)方面取得良好的效果，但是實(shí)際應(yīng)用中，如果樣本數(shù)據(jù)較少，神經(jīng)網(wǎng)絡(luò)難以學(xué)習(xí)樣本數(shù)據(jù)特征，網(wǎng)絡(luò)難以收斂；當(dāng)樣本數(shù)據(jù)充足時(shí)，則神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)，網(wǎng)絡(luò)參數(shù)更新速度慢。

2.3 結(jié)構(gòu)模式識(shí)別分類(lèi)法

結(jié)構(gòu)模式識(shí)別(亦稱(chēng)句法模式識(shí)別)也被廣泛應(yīng)用于心電信號(hào)的識(shí)別分類(lèi)中，其根據(jù)所分類(lèi)的對(duì)象包含的結(jié)構(gòu)信息進(jìn)行分類(lèi)，結(jié)構(gòu)模式比統(tǒng)計(jì)模式更加適用于時(shí)間序列數(shù)據(jù)的分類(lèi)。史夢(mèng)穎[27]采用時(shí)域特征和變換域非線(xiàn)性特征相結(jié)合的方法，通過(guò)經(jīng)驗(yàn)?zāi)Ｊ椒纸夂筒罘珠撝迪嘟Y(jié)合法提取QRS波群特征點(diǎn)，選取RR間期、QRS波群時(shí)限長(zhǎng)度及心律變異性作為時(shí)域特征向量，同時(shí)采用近似熵及經(jīng)驗(yàn)?zāi)Ｊ椒纸饨Y(jié)合對(duì)其前6個(gè)本征模態(tài)函數(shù)近似熵計(jì)算，得到心電信號(hào)變換域非線(xiàn)性特征。采用粒子群優(yōu)化算法對(duì)支持向量機(jī)進(jìn)行改進(jìn)，將得到的特征向量輸入優(yōu)化后的支持向量機(jī)進(jìn)行測(cè)試，通過(guò)MIT-BHI數(shù)據(jù)庫(kù)進(jìn)行仿真。該算法能實(shí)現(xiàn)對(duì)心電節(jié)拍的準(zhǔn)確分類(lèi)。梁歡[28]針對(duì)心電信號(hào)特點(diǎn)提出了基于核獨(dú)立成分分析結(jié)合離散小波變換提取心電信號(hào)特征的算法。采用主成分分析對(duì)核獨(dú)立成分分析提取的非線(xiàn)性特征的數(shù)據(jù)進(jìn)行降維，再通過(guò)小波變換提取第1尺度到第4尺度的細(xì)節(jié)系數(shù)和第4尺度的近似系數(shù)作為頻域特征，用統(tǒng)計(jì)學(xué)方法分別取其最大值、最小值、平均值和標(biāo)準(zhǔn)偏差后得到20維頻域特征，利用線(xiàn)性判別法將數(shù)據(jù)優(yōu)化到4維，并作為特征向量。采用遺傳算法對(duì)支持向量機(jī)進(jìn)行改進(jìn)，經(jīng)MIT-BIH心律失常數(shù)據(jù)庫(kù)里心電數(shù)據(jù)驗(yàn)證，對(duì)正常心電信號(hào)、右束支傳導(dǎo)阻滯、左束支傳導(dǎo)阻滯、心室早期收縮和心房早期收縮等5種信號(hào)進(jìn)行分類(lèi)。結(jié)果表明：分類(lèi)器測(cè)試集的分類(lèi)準(zhǔn)確度為98.8%，達(dá)到了預(yù)期分類(lèi)的效果。Chu等[29]采用循環(huán)頻譜分析技術(shù)來(lái)捕捉心電信號(hào)的隱藏時(shí)間段(心電信號(hào)不易被檢測(cè)到的時(shí)間段)。為了實(shí)現(xiàn)心律失常分類(lèi)，提取了形態(tài)學(xué)特征、小波系數(shù)時(shí)域特征、循環(huán)譜相關(guān)心電特征。采用基于極限學(xué)習(xí)機(jī)的方法對(duì)10種心律失常情況進(jìn)行分類(lèi)，其中對(duì)MIT-BIH數(shù)據(jù)庫(kù)里的5種心電信號(hào)總體平均分類(lèi)準(zhǔn)確率達(dá)到了98.13%。Desai等[30]采用離散余弦變換(DCT)對(duì)心電信號(hào)進(jìn)行特征提取，并用主成分分析(PCA)降低特征維度，最后用K近鄰法對(duì)心律失常進(jìn)行分類(lèi)，經(jīng)MIT-BIH里的心電樣本驗(yàn)證，其總體平均分類(lèi)率為98.61%，證明離散余弦變換閾對(duì)心電特征提取是有效的，可提高心電信號(hào)識(shí)別分類(lèi)率。結(jié)構(gòu)模式對(duì)心電信號(hào)的識(shí)別分類(lèi)算法多種多樣，更加注重心電信號(hào)的時(shí)域特征和形態(tài)學(xué)信息，可取得較好的識(shí)別分類(lèi)率。He等[31]提出了基于遺傳模擬退火K-means改進(jìn)聚類(lèi)算法來(lái)識(shí)別心電圖，利用小波算法檢測(cè)QRS波、P波、T波等作為特征值，提高了特征點(diǎn)檢測(cè)的準(zhǔn)確度，同時(shí)聚類(lèi)分析適合于大數(shù)據(jù)分析和良好的魯棒性等特點(diǎn)，采用MIT-BIH數(shù)據(jù)庫(kù)心電數(shù)據(jù)進(jìn)行算法驗(yàn)證，結(jié)果表明：在心電圖識(shí)別分類(lèi)上，改進(jìn)后的K-means聚類(lèi)算法優(yōu)于傳統(tǒng)的K-means聚類(lèi)算法?？傮w上說(shuō)，結(jié)構(gòu)模式在ECG識(shí)別分類(lèi)中取得了良好的識(shí)別分類(lèi)效果、泛化能力和魯棒性。

表1 心電信號(hào)分類(lèi)方法對(duì)比

表1對(duì)比了3種心電信號(hào)識(shí)別分類(lèi)方法，結(jié)構(gòu)模式識(shí)別是根據(jù)心電信號(hào)的結(jié)構(gòu)信息進(jìn)行分類(lèi)。結(jié)構(gòu)模式比統(tǒng)計(jì)模式更易于對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分類(lèi)，因此結(jié)構(gòu)模式比統(tǒng)計(jì)模式更能利用心電信號(hào)的時(shí)域特征信息。統(tǒng)計(jì)模式識(shí)別是提取心電信號(hào)特征向量，依據(jù)分類(lèi)錯(cuò)誤尋找最佳的分類(lèi)判別函數(shù)，從實(shí)驗(yàn)結(jié)果來(lái)看，統(tǒng)計(jì)模型的識(shí)別率高，但是直接應(yīng)用于實(shí)際環(huán)境中難以達(dá)到較好的效果。在實(shí)際應(yīng)用中神經(jīng)網(wǎng)絡(luò)難以確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練數(shù)據(jù)和實(shí)際數(shù)據(jù)存在較大的差異，將其應(yīng)用到實(shí)際問(wèn)題中也難以得到滿(mǎn)意的效果，因此進(jìn)一步限制了神經(jīng)網(wǎng)絡(luò)在心電信號(hào)識(shí)別分類(lèi)中的應(yīng)用。

3 結(jié)束語(yǔ)

本文總結(jié)歸納了常見(jiàn)心電信號(hào)識(shí)別分類(lèi)的方法。首先對(duì)各種心電信號(hào)去噪方法的優(yōu)缺點(diǎn)進(jìn)行了描述，闡述了心電信號(hào)分類(lèi)模型建立的關(guān)鍵問(wèn)題，即特征的準(zhǔn)確提取與表示方法。心電信號(hào)(ECG)特征提取與表示方法一般從時(shí)域與頻域兩方面入手，常以ECG波形的斜率變化、面積大小、RR間隔等作為特征值。同時(shí)也詳細(xì)地闡述了心電信號(hào)識(shí)別分類(lèi)方式，統(tǒng)計(jì)模式分類(lèi)法對(duì)心電信號(hào)識(shí)別分類(lèi)的準(zhǔn)確度高，但泛化能力不足，應(yīng)用于臨床中較難達(dá)到預(yù)期效果。近年來(lái)，神經(jīng)網(wǎng)絡(luò)法在ECG分類(lèi)識(shí)別中發(fā)展迅速，其識(shí)別分類(lèi)的準(zhǔn)確性和適應(yīng)性均達(dá)到良好的效果，但神經(jīng)網(wǎng)絡(luò)模型在實(shí)際應(yīng)用中需要進(jìn)一步解決不易確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)問(wèn)題。同時(shí)，當(dāng)心電數(shù)據(jù)樣本較少時(shí)，會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不足，容易出現(xiàn)過(guò)度擬合現(xiàn)象，從而影響其在實(shí)際心電信號(hào)分類(lèi)中獲得滿(mǎn)意的準(zhǔn)確率。這些因素干擾了神經(jīng)網(wǎng)絡(luò)法在ECG分類(lèi)識(shí)別的進(jìn)一步應(yīng)用。結(jié)構(gòu)模式識(shí)別分類(lèi)法在心電信號(hào)識(shí)別中取得了較高的識(shí)別率，但其算法復(fù)雜、計(jì)算量大，不易應(yīng)用到實(shí)際中去。提取合適的心電信號(hào)特征值，結(jié)合人工智能和大數(shù)據(jù)等，建立新的心電信號(hào)分類(lèi)模型提高ECG分類(lèi)識(shí)別率，并將其應(yīng)用于實(shí)際臨床是今后研究和發(fā)展的主要方向。