孫麗慧，宋　蔚

(浙江科技學(xué)院 信息與電子工程學(xué)院，杭州 310023)

?

結(jié)合科研的模式識別教學(xué)改革嘗試——以ECG信號分類為例

孫麗慧，宋蔚

(浙江科技學(xué)院 信息與電子工程學(xué)院，杭州 310023)

摘要:模式識別是電子信息和相關(guān)專業(yè)的重要專業(yè)課程，但目前該課程內(nèi)容與實際相結(jié)合的程度還不夠，不利于學(xué)生通過理論與實際相結(jié)合來提高學(xué)習(xí)效果。為此，結(jié)合在心電圖(ECG)信號處理方面的最新研究進展，從課程教學(xué)手段、教學(xué)方法的改進及教學(xué)內(nèi)容的完善等方面，對該課程做了教學(xué)研究、探討和實踐。以ECG信號處理為例，進行模式識別中數(shù)據(jù)獲取、預(yù)處理、特征選擇和提取、分類決策等環(huán)節(jié)的教學(xué)講解，以調(diào)動學(xué)生的學(xué)習(xí)積極性，提高他們的動手能力，培養(yǎng)他們跟蹤新知識的能力。

關(guān)鍵詞:模式識別；ECG信號；教學(xué)研究

模式識別是電子信息類學(xué)科的重要專業(yè)課，也是其他相關(guān)專業(yè)的專業(yè)基礎(chǔ)課，是本科四年級的課程。隨著信息技術(shù)的不斷發(fā)展，模式識別的方法和理論在信息技術(shù)方面得到了廣泛的應(yīng)用，推動了人工智能的發(fā)展[1]。相應(yīng)地，國內(nèi)許多高校把該課程作為專業(yè)必修課。通過該課程的學(xué)習(xí)，可以使學(xué)生對該領(lǐng)域有所了解，為以后從事相關(guān)技術(shù)工作打下一個堅實的理論基礎(chǔ)。

1模式識別課程的主要內(nèi)容及特點

主要內(nèi)容有：線性判別函數(shù)、貝葉斯決策理論、概率密度函數(shù)的估計、近鄰法、特征的選擇與提取和基于K-L展開式的特征提取等[2]。它所涉及的理論和方法多且難以理解，在授課時如果單純進行公式推導(dǎo)和講解而不與科研項目結(jié)合，往往事倍功半，達不到預(yù)期效果，無法使學(xué)生把理論真正應(yīng)用到實際中。筆者嘗試把心電圖(electrocardiogram, ECG)信號的分類引入課堂教學(xué)，摒棄枯燥的公式推導(dǎo)，以激發(fā)學(xué)生學(xué)習(xí)的積極性。

ECG記錄了心臟活動的規(guī)律，反映了心臟的節(jié)律變化和傳導(dǎo)情況，在臨床上作為診斷心臟疾病和評價心臟功能的重要依據(jù)。其中ECG的特征提取和降維，以及QRS波形的檢測尤其重要，整個研究過程就是模式識別的應(yīng)用。

2科研與模式識別教學(xué)的融合

心血管疾病尤其是冠心病已成為中國主要的疾病殺手之一。目前，ECG的異常變化成為醫(yī)生在臨床診斷上重要的診斷依據(jù)。對ECG進行長時間的記錄和跟蹤，對于疾病的早期發(fā)現(xiàn)和及時治療、術(shù)后康復(fù)等提供了重要依據(jù)[3]2565。心肌梗死演變過程大致有正常狀態(tài)(HC)、早期心肌梗死(ESMI)、急性期心肌梗死(AMI，數(shù)分鐘或數(shù)小時致死)[4]3個階段。

模式識別系統(tǒng)主要由數(shù)據(jù)獲取、預(yù)處理、特征選擇和提取、分類決策4個部分組成[5]8。筆者采取將科研融進這4個部分的方法進行授課,在授課過程中將程序進行分解，在每部分的講解中用Matlab仿真，在Matlab的環(huán)境中結(jié)合課本逐句講解，給學(xué)生更加直觀的認(rèn)識，使其能學(xué)以致用。

2.1數(shù)據(jù)獲取和預(yù)處理

數(shù)據(jù)取自PTB診斷數(shù)據(jù)庫，信號的采樣頻率為1 000 Hz。使用的數(shù)據(jù)庫包括294個病例，共549個記錄，其中每個記錄共由15個同步采集的心電導(dǎo)聯(lián)組成(包括12個標(biāo)準(zhǔn)導(dǎo)聯(lián)和3個法蘭克導(dǎo)聯(lián))。HC、ESMI、AMI都在這些數(shù)據(jù)中，這些數(shù)據(jù)由兩名專業(yè)醫(yī)生分別操作并交替對數(shù)據(jù)進行確認(rèn)審核。ECG信號的電源噪音采用1臺60 Hz陷濾波器消除；為了消除ECG信號的基線漂移，筆者使用1臺0．4 Hz陷濾波器；為了消除ECG信號100 Hz以上的高頻噪音，使用截止頻率為100 Hz的低通濾波器[3]2566,[6]。

2.2特征提取、降維和分類

通過專業(yè)儀器獲得的數(shù)據(jù)量非常大，數(shù)據(jù)量過多在分類時會花費很長時間且分類產(chǎn)生的結(jié)果不盡如人意，所以要對數(shù)據(jù)進行挑選，要得到對分類有意義且數(shù)量較少的一組特征碼，這就是特征選擇和降維的主要任務(wù)[5]。參考牛璐璐等[7]將空間結(jié)構(gòu)信息融入線性降維過程中的理論，筆者采用MAR(多變量回歸模型)系數(shù)作為ECG的特征，一個ECG樣本可用4×122(12是采用12導(dǎo)聯(lián)，4是參考葛丁飛等[6]的方法進行MAR建模)個MAR系數(shù)表示，也就是說12個導(dǎo)聯(lián)ECG樣本可用4×144=576個MAR系數(shù)來表征[3]2567。

分類決策就是根據(jù)學(xué)習(xí)得到的分類規(guī)則進行分類判別，把被識別的模式歸于某個模式類[5]9。分類器采用線性判別函數(shù)，雖然線性判別函數(shù)易于分析，但在實際操作中存在的最大難題就是降維問題，也就是將d維空間的樣本投影到一維。筆者通過使用Fisher線性判別法找到了一條最好、最易于分類的投影直線[2]。其判別函數(shù)可表示為：

(1)

式(1)中，β=[β0，β1，…，βd]T為待估計的參數(shù)。利用訓(xùn)練的數(shù)據(jù)和最小二乘平方誤差準(zhǔn)則對β進行了估計，其中某一個ECG樣本的特征值用1,2……d表示，樣本特征的維數(shù)用d表示；y為各樣本在估計器β下的估計值。在測試時，通過給定閾值計算出y，并依據(jù)此值對測試的樣本進行分類決策[3,8]。

2.3分類結(jié)果

以早期與急性期心肌梗死為例，選擇700個樣本，橫坐標(biāo)為樣本數(shù),縱坐標(biāo)為誤判的百分率y。y>0表示急性期樣本錯分到早期，y<0表示早期樣本錯分到急性期。最終分類結(jié)果如圖1所示。部分代碼為：

YFSKLTRAI=(WT*XXyfs');%對在早期心肌梗死的數(shù)據(jù)進行K-L變換

ZQKLTRAI=(WT*XXzq');%對在急性期心肌梗死的數(shù)據(jù)進行K-L變換

M=[ZQKLTRAI;YFSKLTRAI];

X=M(:,1);

x=[ones(size(X)),M];

[n1,p1]=size(ZQKLTRAITCS(:,1));

[n2,p2]=size([ZQCKLTRAITCS(:,1);YFSKLTRAITCS(:,1)]);

figure;%畫出圖形

plot(Z1(1:n1),'g.');holdon

plot(Z1(n1+1:n2),'*');holdon

3學(xué)生的具體任務(wù)和考察方式

要求學(xué)生自愿組成學(xué)習(xí)小組，所有的代碼事先不全盤給出，在每次授課前，把任務(wù)細(xì)分，要求學(xué)生查閱資料，使用Matab軟件編寫程序，上課時采取提問、學(xué)生講解和討論、教師講授相結(jié)合的方式，對小組進行考核，分?jǐn)?shù)的10%作為期末總成績，以此激勵學(xué)生。

4結(jié)語

模式識別是高等學(xué)校信息類專業(yè)的一門核心專業(yè)理論課程，模式識別的理論和方法在生物工程、醫(yī)學(xué)、航天航空、人工智能、軍事等領(lǐng)域都得到了廣泛的應(yīng)用和進一步發(fā)展。但它對于學(xué)生來說又是一門難學(xué)的課程。在教學(xué)過程中，采用把科研項目引進課堂教學(xué)的方式，以提高課堂教學(xué)的質(zhì)量和效率，培養(yǎng)學(xué)生的分析、設(shè)計和調(diào)試系統(tǒng)的能力，不斷更新教學(xué)內(nèi)容，理論聯(lián)系實際培養(yǎng)學(xué)生的動手能力，從而更好地滿足社會對人才的要求。

參考文獻:

[1]戚玉濤,劉芳,焦李成.模式識別教學(xué)實踐與課程改革[J].計算機教育，2010(19):28.

[2]邊肇祺.模式識別[M].北京:清華大學(xué)出版社,2000.

[3]孫麗慧,葛丁飛.基于參數(shù)模型的VCG信號計算機輔助檢測研究[J].儀器儀表學(xué)報，2008,29(12):2565.

[4]戚仁鐸.診斷學(xué)[M].3版.北京:人民衛(wèi)生出版社,1979:171-199.

[5]盛立東.模式識別導(dǎo)論[M].北京:北京郵電大學(xué)出版社,2010:8-9.

[6]葛丁飛,翁劍楓.基于2D-LDA和高頻心電信號的心肌梗死特征提取和分類[J].航天醫(yī)學(xué)與醫(yī)學(xué)工程，2013,26(2):126.

[7]牛璐璐,陳松燦,俞璐.線性判別分析中兩種空間信息嵌入方法之比較[J].計算機科學(xué)，2014,41(2):49.

[8]FUKUNAGA K.Introduction to statistical pattern recognition[M].2nd ed. San Diego, CA:Academic Press,1990．

Exploration of pattern recognition’s teaching reform based on scientific research-Taking ECG signal classification as an example

SUN Lihui, SONG Wei

(School of Information and Electronic Engineering, Zhejiang University of Science and Technology,Hangzhou 310023, China)

Abstract:Pattern recognition is an important major course for electronic information engineering and the related majors. However, the content of the course is not so tightly combined with the real applications now, which is not good for students to improve the effect by learning the theory in the course in applications. In this paper, the teaching method and the content of the course were studied and practiced according to the new progress in ECG signal processing. The four key parts of pattern recognition, data acquisition, data pre-processing, feature selection and extraction, and classification decision, were taught with the example of electrocardiogram (ECG) signal processing. By promotion of the teaching content, the students’ enthusiasm is stimulated and their operational ability is improved. And their ability to track the new knowledge is trained.

Keywords:pattern recognition; ECG signal; teaching study

中圖分類號:G642.42;TP391.4

文獻標(biāo)志碼:A

文章編號:1671-8798(2016)01-0078-03

作者簡介:孫麗慧(1971—)，女，內(nèi)蒙古自治區(qū)赤峰人，副教授，碩士，主要從事信號處理與信息技術(shù)研究。

基金項目：浙江省教育廳科研計劃項目(Y200803918)

收稿日期:2015-09-07

doi:10.3969/j.issn.1671-8798.2016.01.014

浙江科技學(xué)院學(xué)報,第28卷第1期,2016年2月

Journal of Zhejiang University of Science and Technology

Vol.28 No.1, Feb. 2016