王霞 王姍 唐予軍 李兵兵

摘? 要： 以往檢測室性早搏多是直接對整個心電周期進行處理，噪聲干擾大，分類準確率難以提高，分類效率較低，文中直接處理截取波段從而提高檢測準確率。用小波變換對心電信號進行預(yù)處理，標記R波，計算RR間期，將心電信號周期短的信號（不含P波）篩選出來，根據(jù)醫(yī)生的建議及醫(yī)學(xué)統(tǒng)計規(guī)律自動截取包含R波和T波的候選波段，用卷積神經(jīng)網(wǎng)絡(luò)對候選波段進行訓(xùn)練和分類。將候選波段輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，識別率達到了預(yù)期效果。使用MIT?BIH心電數(shù)據(jù)庫中的數(shù)據(jù)驗證，其自動檢測識別率達到97.3%，能夠?qū)︶t(yī)生的診斷提供有效幫助。

關(guān)鍵詞： 室性早搏; 截取波段處理; 心電信號預(yù)處理; 候選波段截取; 信號篩選; 候選波段訓(xùn)練

中圖分類號： TN911.7?34; TP183? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）11?0063?05

Classification method of ventricular premature beat processed with

intercepted wavebands

WANG Xia， WANG Shan， TANG Yujun， LI Bingbing

（College of Electronic Information Engineering， Hebei University， Baoding 071000， China）

Abstract： In the past， the detection of ventricular premature beat （VPB） was mostly performed directly on the whole ECG cycle， in which the noise interference was serious， the classification efficiency was low and the classification accuracy was difficult to be improved. In this paper， the intercepted waveband is directly processed to improve the detection accuracy. The wavelet transform is used to preprocess ECG signals， mark R wave， calculate RR intervals and screen out ECG signals （excluding P wave） with short cycles. The candidate wavebands including R wave and T wave are automatically intercepted according to doctor′s advice and medical statistical laws， and then are trained and classified by convolutional neural network （CNN）. After training， the recognition rate of detection reaches the expected effect. The data in MIT?BIH ECG database verifies that the recognition rate of the automatic detection reaches 97.3%， which can provide effective help for doctors′ diagnosis.

Keywords： VPB; intercepted waveband processing; ECG signal preprocessing; candidate waveband interception; signal screening; candidate waveband training

0? 引? 言

室性早搏的檢測和診斷是心電圖監(jiān)控中的重要課題。如果沒有及時發(fā)現(xiàn)室性早搏，可能會發(fā)生變異，因此檢測和診斷室性早搏意義重大[1]。心電圖反映體表兩點之間的電位差，是由多個心肌細胞產(chǎn)生動作變化反應(yīng)到體表形成的，即心臟組織的電壓變化，導(dǎo)聯(lián)[2]不同或人不同，心電圖都會不一樣。正常的心電圖包括P波、QRS波、T波，不同波的意義不同，要想通過心電圖診斷疾病，就要密切關(guān)注心電圖中每個波的起點、幅度、形態(tài)。室性早搏的心電圖有很大特點：QRS波群過早出現(xiàn)，QRS波群主波方向和ST段與T段的方向相反[3]。

目前，心電信號自動分類方面發(fā)展迅速，比如文獻[4]用無線電網(wǎng)絡(luò)技術(shù)檢測不同人的心跳;文獻[5]探索ECG信號的幾何特征，從而對心電信號進行識別，在陽性預(yù)測值方面表現(xiàn)優(yōu)異;文獻[6]設(shè)計了一種基于單導(dǎo)聯(lián)心電圖的常見心率失常判斷算法，能夠檢測P波起點;沈利等人從導(dǎo)聯(lián)中提取心率、形態(tài)和小波域能量等特征，用支持向量機對室性早搏進行檢測和分類;文獻[7]設(shè)計了一種基于多導(dǎo)聯(lián)心電圖識別算法，準確識別ST段形態(tài); Shivajirao M.Jadhav等人為心率失常的分類提供了一種新方法，利用模塊化神經(jīng)網(wǎng)絡(luò)模型將心率失常分成正常和異常兩種，用關(guān)注類最近的列值代替數(shù)據(jù)集中缺失的屬性值，測試分類準確率達到82.22%;文獻[8]用無監(jiān)督學(xué)習(xí)的方式診斷異常心電信號，在時間復(fù)雜度和空間復(fù)雜度的解決上取得了進展。但是先自動提取包括R波和T波的候選波段，再用卷積神經(jīng)網(wǎng)絡(luò)識別室性早搏則很少談及。

小波分析技術(shù)日漸成熟，在處理圖像、壓縮數(shù)據(jù)、識別語音等領(lǐng)域具有廣闊的應(yīng)用前景。小波分析具有“顯微”的特點，因此小波變換能跟蹤信號的突變，一般用小波變換來檢測信號的特征點。小波變換將信號分解成線性變換，二者的尺度不一樣，從根本上和帶通濾波相同。卷積神經(jīng)網(wǎng)絡(luò)具有的稀疏連接、權(quán)值共享的特點能大大減小噪聲干擾和目標位置的變化對卷積神經(jīng)網(wǎng)絡(luò)獲得特征的影響，具有良好的魯棒性。

本文在研究人工神經(jīng)網(wǎng)絡(luò)之后，在輸入卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)上有所改進，先觀察心電信號的特點，咨詢臨床醫(yī)生，根據(jù)醫(yī)生的建議和心電信號的醫(yī)學(xué)統(tǒng)計規(guī)律自動截取包括R波和T波在內(nèi)的候選波段，再輸入卷積神經(jīng)網(wǎng)絡(luò)進行分類。這樣能有效地減少噪聲的影響，同時，也能避免心電信號位置的變化對分類結(jié)果的干擾，提高了分類準確率。

1? 算法實現(xiàn)

本文用卷積神經(jīng)網(wǎng)絡(luò)對含有R波和T波的候選波段進行分類，由此實現(xiàn)室性早搏的識別，在算法上可以分為五個步驟：

1） 對信號進行預(yù)處理[9]，用自適應(yīng)閾值法進行去噪;

2） 標記R波，對信號進行小波重構(gòu)，在給信號加的時間窗內(nèi)搜索信號的極大值點，即R波波峰;

3） 篩選不含P波的心電周期，根據(jù)RR間期的大小不同將不含P波的心電信號篩選出來，考慮具有室性早搏的可能性;

4） 自動截取包括R波和T波的候選波段，根據(jù)標記好的R波位置計算RR間期，根據(jù)醫(yī)學(xué)統(tǒng)計規(guī)律截取包括R波和T波的候選波段;

5） 特征提取和分類，將含有R波和T波的候選波段輸入到卷積神經(jīng)網(wǎng)絡(luò)中，進行訓(xùn)練和測試，完成對心電信號室性早搏的分類識別。

1.1? 數(shù)據(jù)預(yù)處理

預(yù)處理心電信號常用的方法是小波變換，本文使用自適應(yīng)閾值法，能夠自動調(diào)整閾值，不同的尺度閾值不同，增加了算法的穩(wěn)定性和適應(yīng)性。自適應(yīng)閾值法定義為：

[Tk=Wk2lg nSk，? ? k=1，2，…，L] （1）

式中：[Sk=2（L-k）L]，[L]為小波總分解尺度，[k]為閾值小波尺度，其值不固定。

[Wk=medianbk0.674? 5，? ? k=1，2，…，L] （2）

1.2? 標記R波

對信號小波重構(gòu)[10]，從心電圖中可以看出，心電信號中QRS波的能量較大，P波和T波的能量較小，小波重構(gòu)之后，能量大的QRS波更強且更明顯，能量小的P波和T波能量更小且不明顯，因此，能量的峰值就是R波峰值。在給信號加的時間窗內(nèi)搜索極大值點，即R波波峰。圖1是標記R波峰值點的過程反映了心電信號電壓值隨采樣點數(shù)的變化情況，峰值用‘[?]標出。

1.3? 篩選出不含P波的心拍

通過檢測RR間期判斷一個心電周期中是否含有P波。從圖2中可以看出，在室性早搏出現(xiàn)時，心電圖的一個重要特征就是P波消失。當RR間期變小，說明后一個心拍的R波距離前一個心拍的R波的距離變小。所以首先根據(jù)R波的位置計算兩個相鄰的R波之間的距離，即RR間期長度。臨床醫(yī)生建議，RR間期小于正常心拍RR間期長度的85%，可以認為后面的一個心拍具有室性早搏的可能。將小于正常RR間期85%的相鄰心拍的后面一個心拍標記好序號并保存。

1.4? 截取含有R波和T波的候選波段

以標記好的R波為基準點，自動截取一段盡量小的候選波段，使得這段波里含有R波和T波，如圖3所示。由計算得到的RR間期推算出Q波起點至T波終點的距離，即為QT間期。由醫(yī)生的經(jīng)驗可知，Q波和R波之間的距離為30～70 ms，所以可以得到QT間期的長度如下：

[QT=0.38lg（10RR+0.07）] （3）

將含有R波和T波的候選波段截取并保存。

1.5? 特征提取與分類

1.5.1? 卷積神經(jīng)網(wǎng)絡(luò)模型特點

1） 獨特的神經(jīng)元之間的連接方式。稀疏連接，連接相鄰兩個神經(jīng)元，將信號空間局部特性的作用發(fā)揮到最大。

2） 充分利用數(shù)據(jù)空間的相關(guān)性。權(quán)值共享，通過共享卷積神經(jīng)網(wǎng)絡(luò)中同一層的某些神經(jīng)元的連接權(quán)值，網(wǎng)絡(luò)中可訓(xùn)練參數(shù)的數(shù)量大大減少，算法的效率得到提高。

稀疏連接使得卷積神經(jīng)網(wǎng)絡(luò)能夠充分利用空間局部特性，例如，局部空間的輸入是第[n-1]層，第[n]層僅僅和第[n-1]層的一部分相連，第[n+1]層和第[n]層也是用這種方式，很多個這樣的局部空間相互連接構(gòu)成整個全局空間。權(quán)值共享使卷積核的參數(shù)能被全局空間利用，將需要學(xué)習(xí)的變量個數(shù)減少。通過對卷積核的不斷調(diào)整，卷積神經(jīng)網(wǎng)絡(luò)模型更簡潔，權(quán)值數(shù)量更少，對噪聲的魯棒性更強，比例縮放、平移、傾斜或者其他形式變形對卷積神經(jīng)網(wǎng)絡(luò)的影響也更小。

1.5.2? 針對R波和T波搭建卷積神經(jīng)網(wǎng)絡(luò)模型

因為卷積神經(jīng)網(wǎng)絡(luò)是處理二維數(shù)據(jù)的，而心電信號是一維數(shù)據(jù)，所以本文先將心電信號數(shù)據(jù)轉(zhuǎn)換為二維矩陣，再送入卷積神經(jīng)網(wǎng)絡(luò)進行分類。針對R波和T波構(gòu)造的卷積神經(jīng)網(wǎng)絡(luò)模型分為兩步：特征提取和特征分類。

與模糊濾波器原理相似，卷積層會使原信號的特征變大，同時減小噪聲的影響。某一層卷積層輸出了特征向量，下一層的卷積核就會和這些特征向量卷積，經(jīng)過激活函數(shù)后，就成為了下一層的特征映射。卷積層輸出結(jié)果如下：

[xlj=fi∈Mjxl-1j×Wlij+blj] （4）

式中：[l]是第[l]層卷積層;[j]是第[j]個卷積核;[xlj]是特征向量;[Mj]為能夠與當前神經(jīng)元相連的神經(jīng)元個數(shù);[Wlij]是第[i]個加權(quán)系數(shù);[blj]是偏置系數(shù)[11]。

非線性函數(shù)[f]的計算公式為：

[f（x）=1，? ? ?x>00，? ? ?x≤0] （5）

考慮到局部相關(guān)性，下采樣層對數(shù)據(jù)進行子抽樣，減小數(shù)據(jù)維度的同時保留有用信息。采用池化技術(shù)能將特征保留下來，這樣即使信號有縮放和位移也不會對結(jié)果產(chǎn)生太大影響。同時，下采樣層還能對特征進行又一次的特征提取，減小隱層之間的分辨率，計算公式為：

[xlj=fβlj×down（xl-1j）+blj] （6）

式中：down（·）表示下采樣函數(shù);[βlj]是加權(quán)系數(shù);[blj]是偏置系數(shù)。

搭建對R波和T波分類的神經(jīng)網(wǎng)絡(luò)模型，每一個神經(jīng)元的輸入都和上一個神經(jīng)元的輸出相連接，來獲得局部特征，整個模型由輸入層、卷積層、采樣層、輸出層四部分組成。

用卷積神經(jīng)網(wǎng)絡(luò)對截取出來的包括R波和T波的候選波段進行特征提取和分類，此卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括兩個卷積層和兩個池化層。首先將權(quán)值和閾值初始化，將截取好的候選波段數(shù)據(jù)轉(zhuǎn)換為二維矩陣，輸入卷積神經(jīng)網(wǎng)絡(luò)第一層卷積層，設(shè)置卷積核大小為5×5，步長為1，輸出16×16的特征向量。將此特征向量送入第一層池化層進行二次特征提取，步長為2，用2×2的卷積核壓縮為8×8的特征向量;結(jié)果送入第二層卷積層，經(jīng)過5×5的卷積核卷積，步長是1，結(jié)果送入第二層池化層，再次池化，步長為2，將池化后的4×4結(jié)果送入輸出層計算分類結(jié)果。這種卷積神經(jīng)網(wǎng)絡(luò)獨特的二次特征提取結(jié)構(gòu)，分類結(jié)果的準確性對輸入數(shù)據(jù)的依賴性低。

1.5.3? 訓(xùn)練算法

卷積神經(jīng)網(wǎng)絡(luò)只是一種輸入和輸出之間的映射，無需任何輸入到輸出的準確數(shù)學(xué)表達式，進行訓(xùn)練的是已經(jīng)標記的數(shù)據(jù)，由此建立輸入和輸出之間的對應(yīng)關(guān)系。參數(shù)優(yōu)化過程如圖4所示。

1） 訓(xùn)練開始之前，對卷積神經(jīng)網(wǎng)絡(luò)模型初始化，后面會用到很多的閾值參數(shù)，隨機設(shè)置這些參數(shù)和權(quán)值，使它們都基本為0。

2） 用截取的包含R波和T波的候選波段構(gòu)建訓(xùn)練集，從中選取171個樣本組成一個訓(xùn)練組，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，同時將輸出矢量指定給目標。

3） 將由下式計算得到的實際輸出矢量和要求的目標輸出做對比，用式（9）計算誤差[Q]，并計算權(quán)值[P]和閾值[δ]的調(diào)整量。

[ΔPjk（n）=α1+l×（ΔPjk（n-1）+1）×δk×hj] （7）

[δk=hj（1-hj）k=0M-1δkPjk] （8）

式中：[k]是輸出層神經(jīng)單元;[M]代表輸出層神經(jīng)單元個數(shù);[hj]代表隱含層輸出矢量，[α]代表學(xué)習(xí)率;[j]代表隱含層神經(jīng)單元。

4） 判斷是否滿足精度要求：

[Q=12k=0n-1（dk-yk）2≤ε] （9）

其中：[Q]是總誤差函數(shù);[yk]代表輸出矢量;[dk]代表目標矢量。如果不滿足精度要求，則重新回到步驟3），接著迭代;如果滿足精度要求，表示訓(xùn)練目的已經(jīng)達到，訓(xùn)練結(jié)束，將權(quán)值和閾值保存起來，此時認為各個權(quán)值和閾值已經(jīng)達到穩(wěn)定，分類器已經(jīng)形成。再進行訓(xùn)練時，可以直接使用文件中的權(quán)值和閾值，不需要進行初始化。

2? 測試結(jié)果及分析

本文采用MIT?BIH心率失常數(shù)據(jù)庫[12]中的6組數(shù)據(jù)進行識別，每組記錄是長約30 min的心電數(shù)據(jù)。首先訓(xùn)練神經(jīng)網(wǎng)絡(luò)將數(shù)據(jù)庫中的105號數(shù)據(jù)中不含有P波的心拍篩選出來，171個心拍作為訓(xùn)練集對模型進行訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)之后可以得到準確率隨迭代次數(shù)變化的曲線，如圖5所示。

驗證6組數(shù)據(jù)結(jié)果，如表1所示，對于102號心電數(shù)據(jù)中所含有的室性早搏心拍只有幾個，通過本文的方法，室性早搏的檢測準確率達到100%;103組數(shù)據(jù)中不包含室性早搏心拍，用本文方法對其進行檢測時沒有檢測到室性早搏，沒有錯誤情況;對于114號數(shù)據(jù)，檢測準確率在95%左右;而116，205，210號三組數(shù)據(jù)檢測的準確率在96%左右。

[心電波檢出率=心電波總數(shù)-心電波錯檢數(shù)心電波總數(shù)]

[PVC準確率=PVC總數(shù)-PVC漏檢數(shù)PVC總數(shù)]

綜合來看，心電記錄中包含的室性早搏的心拍數(shù)量越多，說明心律不齊就越嚴重，心電信號的變化就越快，也更容易對自動檢測產(chǎn)生困難。但是從整體上來看，不同病人的檢測精度上并沒有很大差異。說明本實驗方法穩(wěn)定性強，針對室性早搏來說診斷的準確率較高。

3? 與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)分類方法對比

有文獻提出將小波變換和BP神經(jīng)網(wǎng)絡(luò)結(jié)合來對室性早搏進行識別，首先提取ECG信號的特征參數(shù)，然后用小波變換將特征點檢測出來，構(gòu)建特征向量，最后送入BP神經(jīng)網(wǎng)絡(luò)進行分類。這種方法檢測室性早搏準確率為92.97%左右。本文通過自動提取含有R波和T波的候選波段，將室性早搏的檢出率提高到了97.3%左右。實際生活中，病人的R波和T波的形態(tài)復(fù)雜且多變，即使是同一人的R波和T波的波形形態(tài)也是不同的。與之前的工作進行對比，本文提出的方法更加簡單、高效和實用。

4? 結(jié)? 論

本文提出基于小波變換和卷積神經(jīng)網(wǎng)絡(luò)的室性早搏識別算法，通過計算RR間期，將不含有P波的信號篩選出來，根據(jù)醫(yī)生的建議和心電信號規(guī)律，將篩選出來的信號自動截取出包括R波和T波的一段候選波段，用卷積神經(jīng)網(wǎng)絡(luò)對候選波段進行分類。卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練之后能自動獲取R波和T波特征，并且獲得的特征對微小的平移和噪聲具有較高的魯棒性，由此將R波和T波有效區(qū)分開。

最后用6組MIT?BIH心電數(shù)據(jù)對本文方法進行測試，測試結(jié)果表明，本文方法對室性早搏診斷的準確性較高，達到了97.3%。但是由于本文采取的數(shù)據(jù)量還不夠多，提供給卷積神經(jīng)網(wǎng)絡(luò)的輸入樣本不夠多樣和豐富，所以出現(xiàn)了當R波和T波差異比較大時出現(xiàn)識別不準確的情況，分類結(jié)果存在局限性。在以后的工作中，可以從下面兩個方面進行改進：因為卷積神經(jīng)網(wǎng)絡(luò)在處理大數(shù)據(jù)方面優(yōu)勢非常的明顯，可以加大數(shù)據(jù)集，豐富樣本的數(shù)量和種類;針對心電信號的特征和室性早搏的特點，尋找更加適合并且有效的方法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)。

參考文獻

[1] 焦云麗，陳璐，王畏.門冬氨酸鉀鎂針劑治療室性期前收縮的效果觀察[J].中國當代醫(yī)藥，2015，22（2）：91?92.

[2] 陳亮，單興華，王飛宇，等.十二導(dǎo)聯(lián)動態(tài)心電監(jiān)測的臨床應(yīng)用[J].診斷學(xué)理論與實踐，2014（4）：437?439.

[3] 李中健，李世鋒，申繼紅，等.心電圖學(xué)系列講座（三）：心電圖一般知識[J].中國全科醫(yī)學(xué)，2014，17（3），360?362.

[4] HUANG Y P， HUANG C Y， LIU S I. Hybrid intelligent methods for arrhythmia detection and geriatric depression diagnosis [J]. Applied soft computing， 2014， 14： 38?46.

[5] 李鋒，陳美麗.一種基于幾何特征的ECG波形識別算法[J].北京生物醫(yī)學(xué)工程，2015，34（3）：261?266.

[6] 楊陽.基于單導(dǎo)聯(lián)心電圖的常見心率失常判斷算法研究[D].成都：電子科技大學(xué)，2016.

[7] 葉宇翔.多導(dǎo)聯(lián)心電圖識別方法的研究[D].天津：天津工業(yè)大學(xué)，2014.

[8] 李鋒，謝嗣弘.基于無監(jiān)督學(xué)習(xí)的移動心電信號異常診斷研究[J].計算機科學(xué)，2017，44（z2）：68?71.

[9] 劉勝洋，張根選，曹陽.心電信號中的工頻干擾濾除方法[J].生物醫(yī)學(xué)工程學(xué)雜志，2014，31（3）：577?582.

[10] LIU Xiuling， YANG Jianli， ZHU Xiaoyu， et al. A novel R?peak detection method combining energy and wavelet transform in electrocardiogram signal [J]. Biomedical engineering： applications， basis and communications， 2014， 26（1）： 1?9.

[11] 劉明，李國軍，郝華青，等.基于卷積神經(jīng)網(wǎng)絡(luò)的T波形態(tài)分類[J].自動化學(xué)報，2016，42（9）：1339?1346.

[12] 賀京生.基于小波變換的十二導(dǎo)聯(lián)心電信號分析研究[D].南昌：南昌大學(xué)，2016.