基于融合模糊聚類算法的異常心電多頻段弱信號(hào)快速捕捉方法

戴世杰，李哲明

（1.浙江鷹旸醫(yī)藥研發(fā)有限公司，浙江 杭州 310000；2.杭州鷹旸生物科技有限公司，浙江 杭州 310000）

0 引 言

心電圖是診斷各種心臟疾病的重要工具，可以為病情的診斷提供可靠的依據(jù)。在心電圖中，機(jī)械故障會(huì)導(dǎo)致心電多頻段信號(hào)變?nèi)趸蛘叱霈F(xiàn)異常的情況，將這些信號(hào)捕捉可以提高心臟疾病的診斷質(zhì)量。目前，我國(guó)患有心臟疾病的人數(shù)劇增，而從事心電信號(hào)研究方面的專家卻越來越少，無法滿足心臟病患者的醫(yī)療需求。由于醫(yī)生利用人工的方式診斷心電圖的速度相對(duì)比較慢，延長(zhǎng)了患者的治療時(shí)間。因此，異常心電多頻段弱信號(hào)的捕捉就顯得非常關(guān)鍵。隨著心臟疾病的患者人數(shù)增加和醫(yī)療專家的緊缺，大多數(shù)醫(yī)務(wù)人員都利用計(jì)算機(jī)技術(shù)為患者提供服務(wù)。最近幾年，心電信號(hào)處理的智能化一直都是學(xué)術(shù)界的新課題，計(jì)算機(jī)技術(shù)對(duì)異常心電多頻段弱信號(hào)的捕捉可以減輕醫(yī)務(wù)人員的壓力，提高疾病診斷的工作效率。

在國(guó)內(nèi)的研究中，文獻(xiàn)[4]針對(duì)識(shí)別復(fù)雜心電信號(hào)過程中存在的問題，通過分析深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)層次，提出了一種心電信號(hào)識(shí)別方法，將心電信號(hào)輸入到深度卷積神經(jīng)網(wǎng)絡(luò)的卷積層，轉(zhuǎn)換成灰度圖像，從不同維度構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)，提取出心電信號(hào)的數(shù)值特征和波形特征，在引入遷移學(xué)習(xí)策略的基礎(chǔ)上，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)的全連接層進(jìn)行訓(xùn)練，根據(jù)融合后的心電信號(hào)特征，使用Softmax分類心電信號(hào)進(jìn)行識(shí)別，但是識(shí)別性能較低；文獻(xiàn)[5]以提高心電信號(hào)的識(shí)別精度為目的，將決策樹和視頻特征融合算法結(jié)合在一起，利用周期理論分割心電信號(hào)，根據(jù)小波信號(hào)的分解技術(shù)，將變換系數(shù)作為心電信號(hào)識(shí)別的頻域特征，并融合到時(shí)域特征中，結(jié)合決策樹的構(gòu)建，劃分心電信號(hào)的特征，雖然該方法在識(shí)別心電信號(hào)時(shí)的準(zhǔn)確率可以達(dá)到99%以上，但是識(shí)別性能較差。

基于以上研究背景，本文利用融合模糊聚類算法設(shè)計(jì)一種異常心電多頻段弱信號(hào)快速捕捉方法，從而提高異常心電多頻段弱信號(hào)的捕捉能力。

1 異常心電多頻段弱信號(hào)快速捕捉方法設(shè)計(jì)

1.1 檢測(cè)異常心電多頻段弱信號(hào)

為了獲取異常心電多頻段弱信號(hào)的肌電干擾分量、電極干擾噪聲的高頻分量，去除原始異常心電多頻段弱信號(hào)的變化幅度，利用歸一化處理方法，得到歸一化殘差信號(hào)，即：

式中：()表示原始異常心電多頻段弱信號(hào)；()表示變化幅度。

采用微分方程，從歸一化殘差信號(hào)()中提取出電極干擾噪聲的高頻分量，表示為：

微分方程中微分算子會(huì)對(duì)異常心電多頻段弱信號(hào)的局部波形產(chǎn)生影響，利用電極干擾噪聲的高頻分量捕獲異常心電多頻段弱信號(hào)特征分量。

將提取到的電極干擾噪聲高頻分量()分割成重疊塊，經(jīng)過信號(hào)移位之后，計(jì)算出零交叉包絡(luò)數(shù)的數(shù)量，那么電極干擾噪聲高頻分量的重疊阻塞可以表示為：

式中表示重疊阻塞窗口的大小。

為了檢測(cè)出異常心電多頻段弱信號(hào)，在高于閾值的信號(hào)波形區(qū)域內(nèi)計(jì)算出零交叉的數(shù)量，將閾值設(shè)置為λ，那么零交叉的數(shù)量滿足如下關(guān)系：

式中，ZC表示第個(gè)波形區(qū)域的零交叉數(shù)量，計(jì)算公式為：

根據(jù)正常人心電信號(hào)的最小幅度，選擇閾值λ的大小，如果在檢測(cè)異常心電多頻段弱信號(hào)時(shí)沒有其他噪聲的干擾，信號(hào)波形區(qū)域內(nèi)的信號(hào)噪聲就會(huì)貢獻(xiàn)給零交叉數(shù)量；接著利用信號(hào)寬度持續(xù)時(shí)間檢測(cè)異常心電多頻段弱信號(hào)的存在，檢測(cè)結(jié)果為：

式中：A()表示異常心電多頻段弱信號(hào)在第個(gè)重疊塊的特征；A(+)表示異常心電多頻段弱信號(hào)在第+個(gè)重疊塊的特征，表示自相關(guān)滯后系數(shù)；表示信號(hào)數(shù)量。

利用歸一化處理方法，去除原始異常心電多頻段弱信號(hào)的變化幅度，采用微分方程提取出電極干擾噪聲的高頻分量，根據(jù)電極干擾噪聲高頻分量的重疊阻塞，檢測(cè)出異常心電多頻段弱信號(hào)。

1.2 異常心電多頻段弱信號(hào)去噪處理

基于檢測(cè)到的異常心電多頻段弱信號(hào)會(huì)含有不同類型的噪聲，假設(shè)將含有噪聲的異常心電多頻段弱信號(hào)定義為()，表達(dá)式為：

式中：()表示異常心電多頻段弱信號(hào)的有效部分；()表示異常心電多頻段弱信號(hào)中的噪聲干擾。

去除異常心電多頻段弱信號(hào)的噪聲干擾就是抑制信號(hào)中的噪聲部分()，還可以增強(qiáng)處理異常心電多頻段弱信號(hào)中可以為信號(hào)特征提取做貢獻(xiàn)的部分()。

為了獲取到有用的異常心電多頻段弱信號(hào)，需要先在不同尺度上分解異常心電多頻段弱信號(hào)，理論上可以選擇無限大的尺寸，但是在實(shí)際處理中，根據(jù)異常心電多頻段弱信號(hào)的特點(diǎn)，選擇尺度為10時(shí)信號(hào)的去噪效果最好。異常心電多頻段弱信號(hào)去噪處理的具體過程如下：

Step1：根據(jù)異常心電多頻段弱信號(hào)具有的形態(tài)特征，結(jié)合信號(hào)的時(shí)頻域特征，選取合適的小波基函數(shù)，分解個(gè)層次的信號(hào)。

由于小波基函數(shù)的種類較多，去除信號(hào)的噪聲需要選擇合適的小波基函數(shù)，考慮到小波基函數(shù)的選取原則，在信號(hào)的去噪處理中，盡量避免對(duì)信號(hào)去噪效果的影響，因此本文選擇連續(xù)小波基函數(shù)分解并重構(gòu)異常心電多頻段弱信號(hào)。

Step2：連續(xù)小波變換。

異常心電多頻段弱信號(hào)()經(jīng)過連續(xù)的小波變換，得到：

式中：()表示連續(xù)小波特征；表示小波基函數(shù)的尺度因子；表示平移因子；(·)表示小波函數(shù)；表示時(shí)間。

Step3：重構(gòu)異常心電多頻段弱信號(hào)。

經(jīng)過小波處理之后，異常心電多頻段弱信號(hào)被分解成如下形式：

式中：D表示第層分解得到異常心電多頻段弱信號(hào)的高頻信息；A表示第層分解得到異常心電多頻段弱信號(hào)的低頻信息。

根據(jù)異常心電多頻段弱信號(hào)分解得到的第層高頻系數(shù)和低頻系數(shù)，對(duì)異常心電多頻段弱信號(hào)進(jìn)行重構(gòu)，完成異常心電多頻段弱信號(hào)的去噪處理。

1.3 設(shè)計(jì)異常心電多頻段弱信號(hào)捕捉算法

在設(shè)計(jì)異常心電多頻段弱信號(hào)捕捉算法時(shí)，利用融合模糊聚類算法對(duì)輸入的異常心電多頻段弱信號(hào)進(jìn)行聚類，結(jié)合平均采樣處理聚類后的信號(hào)，通過差分相關(guān)算法將異常心電多頻段弱信號(hào)捕捉過程中的損耗去除，實(shí)現(xiàn)異常心電多頻段弱信號(hào)的捕捉。

異常心電多頻段弱信號(hào)捕捉算法的實(shí)驗(yàn)過程如下：

Step1：利用心電圖中的頻域信號(hào)與時(shí)域相乘，得到異常心電多頻段弱信號(hào)()=+，以一個(gè)心電信號(hào)的波長(zhǎng)為周期，利用融合模糊聚類算法對(duì)()進(jìn)行聚類處理，將其轉(zhuǎn)換成周期型聚類信號(hào)。

將異常心電多頻段弱信號(hào)的生成時(shí)間定義為，心電信號(hào)在一個(gè)波長(zhǎng)內(nèi)的采樣值為，對(duì)所有異常心電多頻段弱信號(hào)采樣點(diǎn)生成點(diǎn)序列。

Step2：循環(huán)計(jì)算聚類后的異常心電多頻段弱信號(hào)和時(shí)頻域信號(hào)，得到：

式中：表示信號(hào)的擾動(dòng)因子；S表示融合模糊聚類算法的輸出值；?表示異常心電多頻段弱信號(hào)序列的原始時(shí)間點(diǎn)；th表示心電信號(hào)生成通道噪聲；表示采樣點(diǎn)數(shù)量。

根據(jù)公式（10）的計(jì)算，得到的計(jì)算表達(dá)式，即：

式中：γ表示異常心電多頻段弱信號(hào)的聚類輸出值；γ表示異常心電多頻段弱信號(hào)的聚類輸入值；v表示聚類系數(shù)。

Step3：對(duì)于后期輸入的異常心電多頻段弱信號(hào)，重復(fù)操作Step1和Step2，將累計(jì)計(jì)算的結(jié)果利用融合模糊聚類算法再一次進(jìn)行聚類處理，得到聚類結(jié)果：

Step4：如果聚類結(jié)果中的最大峰值比閾值大，就說明異常心電多頻段弱信號(hào)捕捉成功，否則就需要重新搜索。

在捕捉異常心電多頻段弱信號(hào)的過程中，利用融合模糊聚類算法，設(shè)置一個(gè)捕捉步長(zhǎng)Δλ，構(gòu)建異常心電多頻段弱信號(hào)的二次曲線模型，即：

式中：λ表示異常心電多頻段弱信號(hào)的聚類值；，和表示聚類系數(shù)。

根據(jù)異常心電多頻段弱信號(hào)的二次曲線特征，得到異常心電多頻段弱信號(hào)的頻移，即：

將Step4中成功捕捉到的異常心電多頻段弱信號(hào)與頻移疊加，實(shí)現(xiàn)異常心電多頻段弱信號(hào)的快速捕捉，即：

綜上所述，完成了異常心電多頻段弱信號(hào)捕捉算法的設(shè)計(jì)，實(shí)現(xiàn)了異常心電多頻段弱信號(hào)的快速捕捉。

2 仿真實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證文中方法在異常心電多頻段弱信號(hào)捕捉中的性能，進(jìn)行仿真實(shí)驗(yàn)分析。實(shí)驗(yàn)所用到的數(shù)據(jù)來自某醫(yī)院數(shù)據(jù)庫(kù)中心律失?；颊叩男碾姅?shù)據(jù)。實(shí)驗(yàn)過程中，為了模擬真實(shí)狀態(tài)下患者的異常心電多頻段弱信號(hào)，將不同特征的噪聲干擾信號(hào)聚類到異常心電多頻段弱信號(hào)中。該數(shù)據(jù)中通常會(huì)包括各種噪聲干擾信號(hào)，并映射到異常心電多頻段弱信號(hào)中，避免對(duì)實(shí)驗(yàn)數(shù)據(jù)產(chǎn)生影響。

2.2 設(shè)置仿真參數(shù)

基于2.1節(jié)的實(shí)驗(yàn)數(shù)據(jù)來源，設(shè)置了如表1所示的仿真參數(shù)。

表1 仿真參數(shù)

2.3 設(shè)置實(shí)驗(yàn)指標(biāo)

在表1仿真參數(shù)的支撐下，利用準(zhǔn)確率、靈敏度和特異性三個(gè)指標(biāo)衡量異常心電多頻段弱信號(hào)的捕捉性能，計(jì)算公式如下：

式中：TP表示異常心電多頻段弱信號(hào)正樣本被認(rèn)定為正樣本的個(gè)數(shù)；TN表示異常心電多頻段弱信號(hào)負(fù)樣本被認(rèn)定為負(fù)樣本的個(gè)數(shù)；FN表示異常心電多頻段弱信號(hào)正樣本被認(rèn)定為負(fù)樣本的個(gè)數(shù)；FP表示異常心電多頻段弱信號(hào)負(fù)樣本被認(rèn)定為正樣本的個(gè)數(shù)。

2.4 結(jié)果分析

為了充分證明基于融合模糊聚類算法的異常心電多頻段弱信號(hào)快速捕捉方法在捕捉任務(wù)中的性能，選擇9 000個(gè)信號(hào)樣本作為訓(xùn)練數(shù)據(jù)，1 000個(gè)信號(hào)樣本作為測(cè)試數(shù)據(jù)，引入基于多通道卷積的捕捉方法和基于動(dòng)態(tài)模糊決策樹的捕捉方法作對(duì)比，結(jié)果如下。

三種方法在異常心電多頻段弱信號(hào)捕捉準(zhǔn)確率方面的測(cè)試結(jié)果如圖1所示。

圖1 異常心電多頻段弱信號(hào)捕捉準(zhǔn)確率測(cè)試結(jié)果

圖1的結(jié)果顯示，與基于多通道卷積的捕捉方法和基于動(dòng)態(tài)模糊決策樹的捕捉方法相比，基于融合模糊聚類算法的捕捉方法在捕捉異常心電多頻段弱信號(hào)時(shí)的準(zhǔn)確率更高，隨著異常心電多頻段弱信號(hào)樣本數(shù)量的增加，捕捉準(zhǔn)確率呈現(xiàn)下降趨勢(shì)，但是仍然高于90%。

三種方法在異常心電多頻段弱信號(hào)捕捉靈敏度方面的測(cè)試結(jié)果如圖2所示。

圖2 異常心電多頻段弱信號(hào)捕捉靈敏度測(cè)試結(jié)果

由圖2的結(jié)果可知，本文方法在異常心電多頻段弱信號(hào)捕捉靈敏度方面可以達(dá)到80%以上，而其他兩種方法的捕捉靈敏度均低于60%，說明本文方法在信號(hào)捕捉靈敏度上具有更大優(yōu)勢(shì)。

三種方法在異常心電多頻段弱信號(hào)捕捉特異性方面的測(cè)試結(jié)果如圖3所示。

從圖3的結(jié)果得出，基于多通道卷積的捕捉方法和基于動(dòng)態(tài)模糊決策樹的捕捉方法在捕捉異常心電多頻段弱信號(hào)時(shí)的特異性在50%以下，而本文方法在捕捉異常心電多頻段弱信號(hào)時(shí)的特異性更高，可以達(dá)到77.8%以上，具有更好的捕捉性能。

圖3 異常心電多頻段弱信號(hào)捕捉特異性測(cè)試結(jié)果

3 結(jié) 語(yǔ)

本文提出一種基于融合模糊聚類算法的異常心電多頻段弱信號(hào)快速捕捉方法。經(jīng)測(cè)試發(fā)現(xiàn)，該方法在信號(hào)捕捉準(zhǔn)確率、靈敏度和特異性方面具有更好的性能。但是本文的方法還存在很多不足，在今后的研究中，希望可以繼續(xù)改進(jìn)信號(hào)捕捉算法，豐富實(shí)驗(yàn)內(nèi)容，提高信號(hào)捕捉能力。