蘇志同++周文龍

摘要：心電圖是診斷心臟活動的重要工具。本文從心電圖的特征選取和SVM的核函數(shù)參數(shù)以及懲罰因子優(yōu)化等提高對心律失常的異常波檢測識別。心電特征選取利用小波變換提取了時域特征等參數(shù)，將二分的SVM運(yùn)用到心律失常的檢測中。SVM中通過高斯核函數(shù)參數(shù)和懲罰因子的選取來提高分類的精度。通過對MIT-BIH數(shù)據(jù)庫的數(shù)據(jù)分析和驗證，證明所選取的特征以及參數(shù)的可以提高對心律失常分類的正確性。

關(guān)鍵詞：心電、特征提取、SVM

中圖分類號：TP391.4

文獻(xiàn)標(biāo)識碼：A

DOI：10.3969/j.issn.1003-6970.2015.09.024

0 引言

心血管疾病是威脅人類健康的主要疾病之一，長期以來，醫(yī)學(xué)界乃至學(xué)術(shù)界將這一領(lǐng)域作為重要的課題進(jìn)行研究。在現(xiàn)代醫(yī)學(xué)中，心電圖越來越成為醫(yī)生診斷心血管疾病的重要依據(jù)之一。因此，心電圖的分析也得到了廣泛的研究。心電圖（ECG）是心肌發(fā)生跳動時產(chǎn)生的微弱電流所引起的人體體表的電位變化，具有頻率、振幅、相位和時間差等要素，蘊(yùn)含著反應(yīng)心臟節(jié)律及其電位傳到的生理和病理信息，為診斷心臟疾病和功能變化提供了重要的參考價值。由于心電信號能從不同的方面反應(yīng)心臟的工作狀態(tài)，在一定程度上可以客觀反映心臟的生理狀況。因此正確分析心電信號并提取心電信號的的特征參數(shù)對心臟疾病的診斷和治療具有重要的醫(yī)學(xué)意義。

心電信號的特征提取和選取是對心電分類的前提和關(guān)鍵，選取不同的特征和特征的提取方法對分類算法產(chǎn)生的結(jié)果有很大的影響。Ataollah根據(jù)心電信號三個時段間隔的高階統(tǒng)計分析提取的特征，使用概率分布矩陣期望值概念的推廣，來定義一個概率密度函數(shù)的特點(diǎn)，考慮到平均離散基帶信號系列，來確定矩陣?yán)鄯e量的關(guān)系，從而提取心電的特征。唐羽使用SLAM算法消除噪音信號。熊平采用基于小波變換的白適應(yīng)濾波方法對ECG信號做了濾波預(yù)處理，盡量的消除其中的噪聲干擾。然后利用小波變換的信號奇異性檢測理論進(jìn)行波形特征點(diǎn)的檢測，確定出R波、QRS波的起止點(diǎn)、P波和T波等的位置，將ECG信號分成一系列的心動周期。最后通過這些特正點(diǎn)的位置，提取一系列的心電圖特征參數(shù)。

心電信號分類和識別的核心部分是分類，數(shù)據(jù)挖掘中的分類算法被廣泛運(yùn)用在各種數(shù)據(jù)的分類中，心電信號分類也同樣適用。如肖曉使用SVM回歸的方法對信號的處理。王秉使用的基于決策樹技術(shù)的心電信號識別技術(shù)，依據(jù)MIT-BIH心律失常數(shù)據(jù)庫規(guī)則和存儲格式，建立國人臨床心電數(shù)據(jù)庫，然后采用決策樹分類方法對樣本進(jìn)行訓(xùn)練和分類最終進(jìn)行心電自動分類。曹國超引入了核函數(shù)的概念，將心電數(shù)據(jù)間的線性差異轉(zhuǎn)化為非線性，對傳統(tǒng)KNN算法進(jìn)行改進(jìn)，實(shí)現(xiàn)心電信號的準(zhǔn)確分類。

1 數(shù)據(jù)預(yù)處理

心電信號采集過程成，容易受到噪聲的干擾，對心電信號提取特征前需要去除噪聲。小波變換對于瞬時和時變的信號分析非常有效的，且有利于消除基線漂移等噪聲。

因此，離散小波變換將心電信號分解為細(xì)節(jié)信號的近似信號。在分解過程中小波函尺度j的選擇是分析的關(guān)鍵，小波函數(shù)最適合心電信號的尺度是j=4，所以選擇尺度為4來分析心電信號。

基線漂移主要來自呼吸運(yùn)動，其頻率范圍在0.15hz和0.3hz之間。使用小波變換消除基線漂移這種噪聲的干擾，小波變換因為沒有引起延遲和減少失真而適用于該過程。小波變換將心電信號降解為近似信號（高振幅的低頻信號）和細(xì)節(jié)信號（低振幅的高頻信號），這些信號可以幫助區(qū)分理想信號和噪聲信號。

2 心電波檢測和選取特征

心電信號是一種微弱的生物電信號，是有一系列波組成的，包括R波、QRS復(fù)合波、P波、T波和U波組合而成。QRS波代表左、右兩心室除級過程的電位變化；QRS波的第一個向下的波為Q波，繼Q波之后的向上波為R波，R波之后的向下波為S波。

由于R波的振幅最大，所以定位R后就很容易檢測QRS波。同樣采用基于小波變換的QRS復(fù)合波檢測算法，核心是在某一尺度或某幾個尺度內(nèi)搜索小波變換模極大值一極小值之間的過零點(diǎn)定位R波的位置。采用2³尺度上的小波變換檢測，步驟如下：

3 SVM分類

3.1 支持向量機(jī)

支持向量機(jī)（SVM）是一種二類分類模型，它的基本模型是定義在特征空間的間隔最大的線性分類器，間隔最大使它有別于感知機(jī)。

由于心電數(shù)據(jù)中正常數(shù)據(jù)明顯多于心律失常的數(shù)據(jù)，常規(guī)的SVM容易導(dǎo)致數(shù)據(jù)傾斜。因此使用懲罰因子來增加異常數(shù)據(jù)的權(quán)重。懲罰因子有利于控制權(quán)衡決策問題的復(fù)雜度和訓(xùn)練數(shù)據(jù)之間的錯誤分類。

3.2 核函數(shù)

SVM使用與線性可分的數(shù)據(jù)，當(dāng)數(shù)據(jù)集線性不可分的時候，使用核函數(shù)是數(shù)據(jù)向高維空間轉(zhuǎn)換，使之在高維空間線性可分。通常使用的核函數(shù)有：高斯核函數(shù)、多項式等等。

本文采用高斯核函數(shù)對線性不可分?jǐn)?shù)據(jù)進(jìn)行轉(zhuǎn)換，核函數(shù)如下：

4 實(shí)驗結(jié)果

采用MIT-BIH心率失常數(shù)據(jù)庫作為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，這個數(shù)據(jù)庫共有48個記錄，每個記錄包含兩個導(dǎo)聯(lián)，信號時長30分鐘，采樣頻率360Hz。取第一導(dǎo)聯(lián)，作為實(shí)驗數(shù)據(jù)，得到17260個心跳，對應(yīng)正常心跳和13種心律失常心跳。

5 結(jié)論

通過支持向量機(jī)和小波變換的方法構(gòu)造心律失常分類器，整體精度可以達(dá)到99.2%。得出通過小波變換方法將心電信號降解為近似信號（高振幅的低頻信號）和細(xì)節(jié)信號（低振幅的高頻信號），這些信號可以幫助區(qū)分理想信號和噪聲信號。特征選取是分類的關(guān)鍵，可以影響分類的結(jié)果。通過高斯核函數(shù)的參數(shù)和SVM的懲罰因子來調(diào)整分類器的性能，使分類器可以使用在心律失常的識別領(lǐng)域。