陶泳任, 陳冠雄, 沈海斌

(1.浙江大學 超大規(guī)模集成電路設計研究所，浙江 杭州 310027；2.杭州易和網(wǎng)絡有限公司，浙江 杭州 310012)

0 引 言

隨著科學技術的發(fā)展，人們的生活水平得到顯著提高，人們更加關心健康問題，尤其是高血壓、心臟病等問題，這些疾病非常普遍，也常出現(xiàn)致命的危險情況[1]。便攜式心電傳感器技術[2]在保健、治病領域是極具實用價值的，讓人們及時獲知自己身體狀況，并及時獲得治療?，F(xiàn)代智能傳感器系統(tǒng)與以往傳統(tǒng)傳感器顯著不同之處在于：現(xiàn)代傳感器包含了比較完整的計算系統(tǒng)，能夠在微小的設備上實現(xiàn)信號采集、信號處理等功能。心房肥大[3]是一種重要的心臟疾病。心房肥大分為左心房肥大、右心房肥大、雙房肥大。Cortes C等人根據(jù)統(tǒng)計學理論提出的支持向量機(su-pport vector machine,SVM)學習方法[5]，近年來受到了國內(nèi)外學術界的廣泛重視，SVM本質是根據(jù)訓練樣本集構造出最優(yōu)分類超平面，使得樣本集可以被該超平面盡可能正確地分開，并使離超平面最近的Vector與超平面之間的距離最大。選擇適用于心房肥大識別的核函數(shù)、擴展其算法，讓SVM在心房肥大識別特定領域發(fā)揮得更出色。本文所研究的算法適用于便攜式心電傳感器的應用。

1 小樣本情況下的分類器

分類器的分類準確率常與訓練樣本數(shù)據(jù)量密切相關，由于心房肥大數(shù)據(jù)匱乏，故對小樣本情況進行研究。文中使用MGH/MF數(shù)據(jù)庫中32例左心房肥大心電數(shù)據(jù)和100例正常心電數(shù)據(jù)作為訓練和識別的數(shù)據(jù)[5]。在Matlab中對比了邏輯分枝判斷、模糊推理、神經(jīng)網(wǎng)絡、統(tǒng)計模型4種不同分類方法在小樣本訓練情況下的分類正確率。實驗結果如表1所示。

表1 4種方法性能對比

邏輯分枝判斷法是最早用于心電信號分類的方法，這種方法模仿心電圖(ECG)專家對心電信號的診斷，對噪聲比較敏感。

模糊推理[6]中需要求解隸屬函數(shù)，而隸屬函數(shù)求解沒有客觀的評定標準，使得模糊推理在心電信號的識別中受到限制。

選取三層的神經(jīng)網(wǎng)絡[7]，使用BP神經(jīng)網(wǎng)絡算法，并將神經(jīng)網(wǎng)絡用于識別。

神經(jīng)網(wǎng)絡和SVM都在心電識別中有廣泛的應用，神經(jīng)網(wǎng)絡具有較強的容錯性和魯棒性，但神經(jīng)網(wǎng)絡隱含層層數(shù)和網(wǎng)絡節(jié)點數(shù)的選取沒有一定的理論依據(jù)，這也影響了神經(jīng)網(wǎng)絡的發(fā)展。SVM是基于統(tǒng)計學習理論和結構風險最小化原則的分類器，是針對小樣本學習問題的一個理論框架。SVM對模式分類的準確率一般要高于神經(jīng)網(wǎng)絡。因此，采用SVM來實現(xiàn)心電診斷，以充分發(fā)揮SVM在模式識別上的優(yōu)勢。

2 基于SVM的分類器融合

2.1 選擇核函數(shù)

數(shù)據(jù)集是在Matlab的Libsvm[8]下進行訓練的，仍然使用32例左心房肥大數(shù)據(jù)和100例正常心電數(shù)據(jù)，使用了不同的參數(shù)經(jīng)過優(yōu)化的核函數(shù)來找到最適用于心房肥大識別的映射函數(shù)，實驗結果表明：高斯核函數(shù)的SVM產(chǎn)生了最少的錯誤率，實驗結果如表2所示。后文中分類器融合是基于高斯SVM基礎上進行研究。

表2 4種算法準確率比較

2.2 構建融合分類器

為了在總體上達到比單獨使用某一種分類器更好的性能，將不同的分類器結合起來，發(fā)掘各自的優(yōu)點。由于不同的分類器適應于不同的模式[9]，本文還將構建的分類器與其他融合的分類器進行了比較，證明所設計的分類器是適用于心房肥大識別的。

設計融合分類器的目標是讓輸出結果有更高的可信度，放棄那些離SVM超平面距離比較近的Vector的分類，這些心電的診斷不適合讓自動分類器得出結論，還需要心電圖專家的更復雜的診斷，降低分類器錯誤率，以此來提高分類器的可信度。

定義分類器拒絕分類的區(qū)域為拒絕域，示意圖如圖1所示，在超平面一邊為-1，在超平面另一邊為1，在靠近超平面的區(qū)域設定一個拒絕域，在拒絕域范圍內(nèi)的Vector不作分類。

圖1 拒絕域示意圖

接著要研究權衡拒絕域設置的問題。直觀上可以知道拒絕域越大，分類的準確率越高，當拒絕域包含了所有Vector空間，則分類器對所有Vector都進行拒絕，此時可認為分類準確率達到100 %；拒絕域越小，分類器的分類準確率會下降，當拒絕域趨向于0時，在超平面附近的Vector會出現(xiàn)錯誤分類錯誤的情況。從2個方面進行實驗：拒絕域對稱性、拒絕域閾值計算。

3 實驗與分析

3.1 對稱拒絕域

選擇與超平面的距離為{0，0.1，0.2，0.4，0.7}的對稱超平面，形成拒絕域。實驗結果如圖2所示，描述了拒絕域閾值與分類準確率的關系。

圖2 拒絕率與錯誤率關系圖

3.2 非對稱拒絕域

選擇與超平面的距離為{0，0.1，0.2，0.4，0.7}的正反方向兩個超平面，不同閾值兩兩組合形成非對稱拒絕域。實驗結果如圖3所示，描述了拒絕域閾值與分類準確率的關系。

圖3 拒絕率與錯誤率關系圖

3.3 對稱與非對稱拒絕域比較

對稱拒絕域、非對稱拒絕域,閾值、錯誤率之間的關系如圖4所示。在保證高準確率、高可信度的情況下，選擇較小的拒絕域，因此,非對稱拒絕域是較好的選擇。

圖4 對稱與非對稱閾值比較

3.4 與其他分類器的比較

第二節(jié)中通過SVM與其他分類模式的比較，展現(xiàn)了SVM在小樣本識別上的優(yōu)勢。這里在基于GSVM的基礎上，證明SVM-R比SVM與其他分類器融合在心房肥大識別上更具優(yōu)勢。選取SVM和邏輯回歸(logistic regression,LR)融合的分類器SVM-LR[10]，SVM和K最近鄰(K-nearest neighbor，K-NN)算法融合的分類器SVM-KNN分類器[11]作為比較對象。選取不同拒絕率，比較分類錯誤率。實驗結果如表3所示。

選擇非對稱拒絕域，選擇合適的拒絕閾值能達到較好的分類正確率與可信性，該分類器適合于心房肥大的診斷。

4 結 論

本文比較了基于統(tǒng)計模型的分類方法與其他的分類方法，小樣本情況下，統(tǒng)計模型在小樣本訓練情況下優(yōu)化得更好，而且,本文將SVM與拒絕域分類器進行融合，使得心房肥大的診斷結果更加具有可信度，減少因診斷錯誤產(chǎn)生的醫(yī)療事故的可能性。將SVM-R分類器應用到便攜式心電傳感器系統(tǒng)中，實現(xiàn)便攜式心房肥大識別是非常適用的。

表3 4種分類器比較

參考文獻:

[1] 孫 燕,毛羽青,尹東屏,等.鹽城地區(qū)心腦血管疾病發(fā)病率特征及其預報方法初探[C]∥第 28 屆中國氣象學會年會論文集，2011.

[2] Chi Y M,Jung T P,Cauwenberghs G.Dry-contact and noncontact biopotential electrodes:Methodological review[J].IEEE Reviews in Biomedical Engineering,2010,3:106-119.

[3] 張夏琳,盧喜烈.心房心室肥大的心電圖診斷[J].江蘇實用心電學雜志,2013,22(3):643-652.

[4] Cortes C,Vapnik V.Support-Vector networks[J].Machine Learning,1995,20(3):273-297.

[5] Goldberger A L,Amaral L A N,Glass L,et al.PhysioBank,Phy-sioToolkit,and PhysioNet:Components of a new research resource for complex physiologic signals[DB/OL]:MGH/MF.[2000—06—13].http:∥circ.ahajournals.org/cgi/content/full/101/23/e215].

[6] Pavlopoulos S,Kyriacou E,Koutsouris D,et al.Fuzzy neural network-based texture analysis of ultrasonic images[J].Engineering in Medicine and Biology Magazine,IEEE,2000,19(1):39-47.

[7] Purushothaman G,Karayiannis N B.Quantum neural networks (QNNs):Inherently fuzzy feedforward neural networks[J]. IEEE Transactions on Neural Networks,1997,8(3):679-693.

[8] Sun F,Belatreche A,Coleman S A,et al.Evaluation of LibSVM and mutual information matching classifiers for multi-domain sentiment analysis[C]∥The 23rd Irish Conference on Artificial Intelligence and Cognitive Science,Dublin City University:Compu-ter Science Research Institute，2012:106-118.

[9] 劉遵仁,吳耿鋒.一種新的基于約簡的多分類器融合算法[J].計算機工程與應用,2012,48(34):11-16.

[10] Chang Y I.Boosting SVM classifiers with logistic regression[J/OL].[2003—03-01].http:∥www.stat.sinica.edu.tw/library/c_tec_rep/pdf,2003.

[11] Uyar A,Gurgen F.Arrhythmia classification using serial fusion of support vector machines and logistic regression[C]∥4th IEEE Workshop on Intelligent Data Acquisition and Advanced Computing Systems:Technology and Applications,IDAACS 2007,IEEE,2007:560-565.