基于改進K均值聚類生成匹配模板的心搏分類方法

陳永波， 徐靜波， 王云峰， 張海英

(1.中國科學院大學 微電子學院，北京 101047；2.中國科學院 微電子研究所 新一代通信射頻芯片技術實驗室北京市重點實驗室，北京 100029)

0 引 言

作為心血管疾病診斷中一種重要的方法,動態(tài)心電圖(electrocardiogram，ECG)具有無創(chuàng)傷、操作簡單、出圖快等特點,在臨床上得到了廣泛應用,并成為心臟病臨床檢查中的一種常規(guī)手段[1]。動態(tài)心電圖能夠在長時間(24 h以上)連續(xù)記錄多達10萬次以上的心跳(70次心跳/min)，若采用逐個心搏檢測的方式，工作量巨大、易產(chǎn)生誤判[2]。

為了提高分析效率和分類方法的普適性，本文提出了一種改進的K均值聚類生成可變寬心電模板，并匹配心搏的方法。選取心搏的QRS波群(即正常心電圖中幅度最大的波群)特征值為聚類特征向量，使用經(jīng)過波形反混淆(DEMIX)糾錯的K均值聚類生成可變寬心搏模板，建立心搏模板庫，使用心搏模板庫對心電信號進行匹配分類。最終實驗結果顯示，本文方法顯著提高了心搏分類算法的準確性和分類效率，為動態(tài)心電檢測的臨床應用提供了參考。

1 基本原理

1.1 心電標準數(shù)據(jù)庫介紹與分類標準

MIT-BIT是研究心電節(jié)拍分類算法公認的權威心電數(shù)據(jù)庫，共48組兩導聯(lián)心電數(shù)據(jù)，心電診斷專家對每組數(shù)據(jù)文件中的每一個心搏都做出了分析結果，主要包括心率(心搏的R波位置)、心搏的類型以及信號質量等[3]。

本文參照美國醫(yī)療促進協(xié)會(Association for the Advancement of Medical Instrumentation，AAMI)制定的ANSI/AAMI EC57 2012[4]心搏分類標準，將心搏分為5類：N(正?；蛘呤鲗ё铚?jié)拍)、S(室上性異常節(jié)拍)、V(心室異常節(jié)拍)、F(融合節(jié)拍)、U(未識別節(jié)拍)。ANSI分類標準與MIT-BIT心電數(shù)據(jù)庫注釋的心電節(jié)拍類型是2種不同的分類方法，所以需要進行心搏類型轉換。本文參照文獻[3，4]，將MIT-BIT標注的心搏類型轉化為ANSI標準，其對應關系如表1所示。

表1 MIT-BIT心搏注釋映射

1.2 心電信號預處理和QRS波群特征提取

心電信號為典型強噪聲非平穩(wěn)、非線性的微弱信號，主要頻段集中于0.05～100 Hz，采集過程中容易受到3種噪聲干擾：50 Hz工頻干擾、肌電噪聲和基線漂移。為濾除噪聲干擾，本文使用文獻[5]中提出的巴特沃斯數(shù)字濾波器進行濾波處理，其轉移方程式如下

(1)

(2)

心搏節(jié)拍的R波峰位置常作為定位心搏的重要依據(jù)，且檢測算法成熟。采用文獻[6]中提出的方法對濾波后的心電信號進行R波峰值點的檢測，并由心搏的R波峰值點為基準中心點，參照文獻[6，7]選取心搏的RR間期、QRS波群時限、QRS波群絕對面積、QRS波群極性、R峰值作為描述QRS波群的特征向量。

1.3 K均值聚類

K均值聚類算法是聚類算法中常用算法之一，其基本思想是不斷迭代分類結果與聚類中心點向量，直至劃分的結果不再變化或迭代次數(shù)達到上限，即劃分簇中的樣本與樣本均值的誤差平方和達到最優(yōu)，聚類時使用誤差平方和準則函數(shù)E定義為

(3)

式中xi為屬于簇的樣本；ci為簇Ci的平均值。E越大說明簇內樣本相似度越低，E越小說明簇內樣本相似度越高，為提升計算效率，本文選取心搏的特征向量為作為聚類樣本。常規(guī)K均值算法存在以下缺點：1)聚類結果容易受到聚類起始質心選擇問題的干擾；2)分析方向單一，容易出現(xiàn)局部最優(yōu)解，造成孤立點等問題[8]。本文根據(jù)聚類后同類種群心搏波形具有相似性特點，引入DEMIX用于改善K均值聚類存在的問題。

1.4 波形反混淆糾錯

心電信號發(fā)生的機理相似，屬于同種類型的心搏波形在形態(tài)上具有很大的相似性，而不同種類的心搏波形之間有較明顯差異[9]。本文利用同種類型心搏波形相似性的特點，采用波形反混淆技術將屬于某個分類的心搏波形全部疊加，然后利用疊加權值去除錯誤分類。

記經(jīng)K均值聚類后屬于第i類(i=N,S,V,F,U)的心搏類型的心搏總數(shù)為Ni，將該分類下所有心搏波形以R波峰值為基準中心點，前后取0.6倍RR間期，上下取1.1倍R波峰值進行區(qū)域波形疊加，計算區(qū)域{x(u,v)|-0.6RR≤u≤0.6RR,-1.1Rv≤v≤1.1Rv}內每個采樣點的疊加權值F(u，v)為

(4)

圖1為Ni取1,154,1847,3 024 時同類型心搏的疊加效果。從圖中可以看出，Ni越大，同類波形疊加區(qū)域越清晰可見，利用該特點進行分類結果的糾錯。

圖1 不同數(shù)量i類型心搏疊加顯示

1.5 改進的K均值聚類方法

本文根據(jù)同一類型心搏信號波形具有相似性特點、通過將K均值聚類與波形反混淆相結合，設計了一種改進的K均值聚類方法，能夠保留較好的聚類結果，在增強了算法全局收斂性的同時加快算法后期收斂速度，提高算法的收斂效率。具體步驟如下：

1)對需要進行聚類的心電數(shù)據(jù)預處理，提取QRS波群特征值；

2)設定初始聚類中心、種群數(shù)和迭代上限；

3)K均值聚類生成聚類結果；

4)對聚類結果進行波形反混淆糾錯，將每個種群糾錯結果中的xⅢ(i)型心搏特征向量的平均值作為聚類中心點，將xⅠ(i)型心搏和xⅡ(i)型心搏作為新的聚類輸入，返回步驟(3)迭代計算，至迭代上限或者聚類結果不再糾錯為止。

1.6 可變寬心搏模板生成

圖2 可變寬心搏模板

1.7 心博模板匹配原理

本文采用可變寬心搏模板進行心搏匹配，可以消除RR間期差別和心搏細微變異給模板匹配帶來的影響，以增強心搏模板的普適性。與待測心搏匹配時，首先將待檢心搏R峰值點與模板基線的R峰值點對齊，若待檢心搏落于該模板可變寬區(qū)域內，則判定該心搏與該模板匹配。若待檢心搏有部分落于匹配模板之外，則選取模板基線與待測心搏進行相關系數(shù)計算，其相關函數(shù)為

(5)

式中D(X)為心搏信號的方差

D(X)=E{|X-E(X)|2}

(6)

cov(X，T)為待測心搏X和心搏模板基線T的協(xié)方差

cov(T，X)=E{[T-E(T)][X-E(X)]}

(7)

當相關系數(shù)r越接近于1說明待測心搏與模板基線越相似，r越小說明兩者形態(tài)差異性越大。選取經(jīng)驗閾值Thread=0.9，當待檢心搏與模板的相關系數(shù)大于該值時，認為匹配成功;若低于該閾值，使用二分查找方式在模板庫中選取匹配模板再次進行匹配，直至模板庫中無可匹配的模板時，取最大相關系數(shù)的模板類型作為該心搏的分類。

2 實驗過程與結果

本文使用VC 6.0作為算法實現(xiàn)的軟件平臺，使用MIT-BIT心率失常數(shù)據(jù)庫、ANMA/ANSI分類標準作為算法準確性驗證。MIT-BIT數(shù)據(jù)庫中第102，104號數(shù)據(jù)中含有起搏信號，將其剔除后從余下的46組病例中隨機選取24組數(shù)據(jù)作為實驗數(shù)據(jù)，取12組心電數(shù)據(jù)混合后構造心電模板，然后使用生成的心電模板對剩余的12組數(shù)據(jù)的心搏進行分類。

考慮到最終將心搏分類結果為5類，所以，本文在生成心電模板時，設定初始心搏模板數(shù)為5～12。根據(jù)結果表明，心搏模板個數(shù)設為8時，使用生成的心電模板進行分類得到準確性和靈敏度最高，最終得到心搏分類的混合矩陣如表2。

表2 種群數(shù)為8時分類結果

按照ANMA/ANSI標準選取靈敏度Sen、真陽性率Ppr和總精確度Acc作為評價指標，將本文與文獻[10，11]提出方法的分類結果比較如表3。

從表3可以看出：本文方法能夠提高心電數(shù)據(jù)分類準確性，比較文獻[11]方法S類心搏分類有明顯的提高，并且可變寬心搏模板能夠適應心變異性帶來的差異，適用性得到了改善。

表3 分類準確率對比 %

3 結束語

本文通過使用K均值聚類和DEMIX糾錯相結合的方式生成可變寬心搏模板，然后使用模板庫進行心電波形匹配的方法，改進了K均值聚類時易陷入局部極值問題和初始質點選取敏感的缺點，使用可變寬區(qū)域模板匹配的方法一定程度上解決了心變異性帶來的模板匹配問題。通過對MIT-BIT心電數(shù)據(jù)庫的實驗表明:本文方法提高了心搏分類的準確率，使其能夠適用于遠程醫(yī)療中長時間的心電監(jiān)護數(shù)據(jù)的輔助診斷和分析。

參考文獻:

[1] 李 倩,劉志貴,彭貴力,等.心電監(jiān)測技術及其在遠程醫(yī)療中的應用[J].傳感器與微系統(tǒng),2008,27(1):1-7.

[2] 盧喜列,盧亦偉.12導同步動態(tài)心電圖學[M].北京:化學工業(yè)出版社,2007.

[3] Song X,Deng Q.On the format of MIT-BIH arrhythmia database[J].Chinese Journal of Medical Physics,2004,21(4):230-232.

[4] Association for the Advancement of Medical Instrumentation.ANSI/AAMI EC57:2012,Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms[S].Arlington:Association for the Advancement of Medical Instrumentation,2012:1-22.

[5] Shens A M.The discrete wavelet transform:Wedding the a trous and Mallat algorithms[J].IEEE Transactions on Signal Proces-sing,1992,50(10):2464-2482.

[6] 俞文斌,謝志軍.基于穿戴式心電信號檢測系統(tǒng)設計[J].傳感器與微系統(tǒng),2015,34(9):64-68.

[7] Moreas J C T B,Seixa M O,Vilani F N,et al.A real time QRS complex classification method using Mahalanobis distance[J].Comput Cardiol,2002,29:201-204.

[8] 安計勇,高貴閣,史志強,等.一種改進的K均值文本算法[J].傳感器與微系統(tǒng),2015,34(5):130-133.

[9] 楊 波，張 躍.基于多模板匹配的室性早搏辨別方法[J].計算機工程,2010,36(16):291-293.

[10] Osowski S,Hoai L T,Markiewic Z T.Support vector machine based expert system forreliable heart beat recognition[J].IEEE Transactionson Biomedical Engineering,2004,51(4):582-580.

[11] Kiranyaz S,Ince T,Pulkkine N J,et al.Personalized long-term ECG classification:A systematic approach[J].Expert Systems with Applications,2011,38(4):3220-3226.