王潤，賀兵兵

（西華大學(xué)計算機與軟件工程學(xué)院，成都 610039）

基于神經(jīng)網(wǎng)絡(luò)的心電信號分類識別

王潤，賀兵兵

（西華大學(xué)計算機與軟件工程學(xué)院，成都 610039）

心電信號是心臟活動時心肌激動產(chǎn)生的生物電信號，是反映心臟健康情況的依據(jù)，用計算機對心電信號進行分類識別具有重要的應(yīng)用價值，采用RBF神經(jīng)網(wǎng)絡(luò)對心電信號的波形進行分類識別。實驗證明該網(wǎng)絡(luò)能實現(xiàn)心電信號的自動分類識別。

心電信號；RBF神經(jīng)網(wǎng)絡(luò)；分類

0 引言

隨著物質(zhì)生活水平的提高和生活節(jié)奏的改變，心血管疾病已成為僅次于惡性腫瘤的第二號殺手，是造成死亡的主要原因之一，如何及時發(fā)現(xiàn)、盡早治療心血管疾病成為醫(yī)學(xué)領(lǐng)域研究的重點課題。神經(jīng)網(wǎng)絡(luò)具有很強的魯棒性、容錯性、記憶能力以及強大的自學(xué)能力，采用并行分布式處理方法能夠快速進行大量運算，因此在神經(jīng)網(wǎng)絡(luò)在進行心電信號分類識別具有較明顯的優(yōu)勢。本文采用MIT-BIH數(shù)據(jù)庫的前24組數(shù)據(jù)中選取訓(xùn)練樣本送入RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，待網(wǎng)絡(luò)誤差達到設(shè)定值時，完成訓(xùn)練。再將后24組數(shù)據(jù)作為識別樣本送入網(wǎng)絡(luò)進行分類識別。

1 RBF神經(jīng)網(wǎng)絡(luò)原理

RBF（Radial-Basis Function）網(wǎng)絡(luò)，用徑向基函數(shù)作為隱含層單元的基，構(gòu)成隱含層空間，它是一種三層前向網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，能夠逼近任意非線性函數(shù)，解決了局部最小值的問題。本文選取的RBF神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型如圖1所示。第一層輸入層，由信號源節(jié)點組成。第二層隱含層，RBF神經(jīng)網(wǎng)絡(luò)只有一個隱含層，節(jié)點激活函數(shù)為徑向基函數(shù)。第三層輸出層是對輸入模式的響應(yīng)。

圖1 RBF網(wǎng)絡(luò)結(jié)構(gòu)

（1）輸入層：

輸入信號X=[x1,x2,…,xn]其中，n表示輸入層節(jié)點數(shù)量，神經(jīng)網(wǎng)絡(luò)的核心工作是通過對輸入樣本進行學(xué)習(xí)，然后根據(jù)獲取知識不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。

（2）隱藏層：

在隱藏層中H=[h1,h2,…,hi,…h(huán)m]為徑向基向量，m為隱藏層節(jié)點數(shù)，hi為高斯基函數(shù)，如公式（1）：

（3）輸出層：

ykj為網(wǎng)絡(luò)的輸出，其中m為隱含層神經(jīng)元數(shù)，ci為中心矢量與x的維數(shù)相同，中心矢量的取值對網(wǎng)絡(luò)的性能有較大的影響。輸入/輸出關(guān)系表達式如（2）：

2 特征提取

心電信號是心臟活動時心肌激動產(chǎn)生的生物電信號，是反映心臟健康情況的依據(jù)。因此心電數(shù)據(jù)的特征提取是心電信號自動分類識別的核心。心電信號的特征參數(shù)主要有心率、QRS波、P波、T波幅度與時限，RR間期等等。本文采用的心電數(shù)據(jù)源于麻省理工學(xué)院的MIT-BIH數(shù)據(jù)庫。每組數(shù)據(jù)采樣頻率為360Hz、長為30min，包括正常與異常心拍，且每個心拍的類型均做出了注釋[1]。本文采用MIT-BIH數(shù)據(jù)庫中注釋時間對R波峰定位，分別選取兩側(cè)61個數(shù)據(jù)點表示一個QRS波的信息。如圖2所示。

圖2 一個QRS波

為了降低數(shù)據(jù)的冗余度，同時將QRS波的有效信息保留下來，我們需要提取QRS波的特征參數(shù)。小波變換具有良好的時域和頻域局部化特性，能有效地從信號中提取信息[2]。雙正交小波解決了線性相位和正交性要求的矛盾，通常采用一個函數(shù)進行分解，用另一個函數(shù)進行重構(gòu)[3]。本文采用中心電數(shù)據(jù)特征值，由雙正交小波進行2尺度的小波變換提取。QRS波特征如圖3所示。

在完成QRS波特征參數(shù)的提取后，為了提高分類識別率可以增加其他的特征輔助分類識別。在病態(tài)心搏中除了QRS波異于正常QRS波外，RR波之間的時間間隔也是一個重要的信息，相鄰R波出現(xiàn)的位置明顯提前或滯后即RR波之間的時間間隔明顯大于或小于正常心搏間的間隔，如圖4所示。因此，本文將R波與RR波間期作為心電信號的特征值。

圖3 QRS波小波特征

圖4 房性早搏與正常心搏的RR間期

RBF神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)輸入很敏感，數(shù)據(jù)在數(shù)量級上是否統(tǒng)一對網(wǎng)絡(luò)的性能有很大影響。

由于所選取的數(shù)據(jù)單位不相同，如果直接使用樣本數(shù)據(jù)，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，就會出現(xiàn)“偏愛”數(shù)量級大的數(shù)據(jù)，而將數(shù)量級小的數(shù)據(jù)忽略掉。使得影響到后續(xù)的識別精度，為了避免神經(jīng)網(wǎng)絡(luò)中的主觀錯誤，消除數(shù)量級的影響，通常在送入神經(jīng)網(wǎng)絡(luò)之前要求數(shù)據(jù)要統(tǒng)一標準。歸一化就是將數(shù)據(jù)通過一定的處理后，隱射到0到1之間，它能把不同數(shù)量級上的數(shù)據(jù)統(tǒng)一到一個范圍，方便處理。常用最值法進行歸一化處理，公式如（3）：

3 實驗過程

本實驗是在MATLAB平臺上進行，選取MIT-BIH數(shù)據(jù)庫前24組數(shù)據(jù)作為訓(xùn)練樣本集，通過隨機選取訓(xùn)練樣本送入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)我們采用數(shù)據(jù)庫中后24組數(shù)據(jù)作為識別樣本來檢測RBF神經(jīng)網(wǎng)絡(luò)的性能。具體學(xué)習(xí)與識別流程圖如圖5所示。

圖5 RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、識別流程圖

RBF網(wǎng)絡(luò)學(xué)習(xí)、識別：

（1）數(shù)據(jù)輸入

訓(xùn)練樣本的選擇對神經(jīng)網(wǎng)絡(luò)的性能有很大影響，若訓(xùn)練樣本太少，則造成網(wǎng)絡(luò)訓(xùn)練不足，由于部分心拍由于數(shù)據(jù)量小，易造成網(wǎng)絡(luò)訓(xùn)練不足。因此本文訓(xùn)練樣本選擇心拍類型為 1、2、3、5，即正常樣本（Normal QRS）、左束支傳導(dǎo)阻滯（Left Bundle Branch Block Beat）、右束支傳導(dǎo)阻滯（Right Bundle Branch Block Beat）、室性早搏（Premature Ventricular contraction）。通過讀入MIT-BIH前24組數(shù)據(jù)，根據(jù)注釋選取病態(tài)心拍作為訓(xùn)練樣本。

（2）特征參數(shù)提取

將輸入的數(shù)據(jù)根據(jù)MIT-BIH的注釋文件進行QRS波的提取和RR間期的計算，并利用雙正交小波變換壓縮到心電特征數(shù)據(jù)，然后根據(jù)選取的心拍進行特征參數(shù)提取并進行歸一化處理。

（3）訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種三層前饋式網(wǎng)絡(luò)，除去輸入層、輸出層之外僅有一個隱含層。在心電數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練中，采用32個特征參數(shù)作為一組輸入向量，其中31個特征參數(shù)為QRS波經(jīng)雙正交變換得到，1個為相鄰兩個R波的時間間隔。神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)進行學(xué)習(xí)，不斷修改權(quán)重，直到誤差小于預(yù)設(shè)值，完成學(xué)習(xí)。

（4）心電信號分類識別

通過讀入 MIT-BIH 后 24組數(shù)據(jù)，按照（1）（2）將所有數(shù)據(jù)進行歸一化處理，然后將樣本數(shù)據(jù)送入訓(xùn)練完成的網(wǎng)絡(luò)中進行識別，輸出對應(yīng)心拍五種類型。

4 實驗結(jié)果

神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，將識別樣本送入神經(jīng)網(wǎng)絡(luò)進行識別，并通過識別率對網(wǎng)絡(luò)性能進行判定，識別率公式如公式（4）：

其中 ρ為識別率，R'為識別正確心拍，R為總心拍數(shù)。

通過仿真實驗，采用RBF神經(jīng)網(wǎng)絡(luò)對病態(tài)心拍進行分類識別，分類結(jié)果如表1。

表1

由實驗結(jié)果可看出網(wǎng)絡(luò)對類型2的識別率較低，對其他幾種類型都有較好的識別率。造成類型2的識別率較低原因可能是通過隨機選取的訓(xùn)練樣本包含該類型較少，神經(jīng)網(wǎng)絡(luò)對知識獲取不足。

5 結(jié)語

心電信號分類識別一直是國內(nèi)外學(xué)者的研究熱點，本文采用MIT-BIH數(shù)據(jù)庫，將前24組數(shù)據(jù)隨機選擇樣本送入RBF神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在完成網(wǎng)絡(luò)訓(xùn)練后，將后24組數(shù)據(jù)作為識別樣本送入網(wǎng)絡(luò)中進行識別。由仿真結(jié)果可看出訓(xùn)練過的RBF神經(jīng)網(wǎng)絡(luò)對部分心拍類型有較高的識別率，但是，若樣本數(shù)據(jù)較少會造成網(wǎng)絡(luò)知識獲取不足，使得識別率較低。所以我們應(yīng)該考慮采用新的網(wǎng)絡(luò)模型、改良提取特征參數(shù)算法、增加訓(xùn)練樣本來提高網(wǎng)絡(luò)的識別率。

參考文獻：

[1]朱澤煌,胡廣書,郭恒,崔子經(jīng).MIT-BIH心電數(shù)據(jù)庫的開發(fā)及用作檢測標準[J].中國生物醫(yī)學(xué)工程學(xué)報,1993,04：244-249+243.

[2]蘇麗敏,戴啟軍,王杰.基于B-樣條雙正交小波R波的標定和QRS波檢測[J].中國組織工程研究與臨床康復(fù),2009,09：1657-1660.

[3]李彩玉.基于RBF神經(jīng)網(wǎng)絡(luò)的心電信號分類識別技術(shù)研究[D].云南大學(xué),2012.

Classification and Recognition of ECG Signals Based on Neural Network

WANG Run，HE Bing-bing
（School of Computer and Software Engineering,Xihua University,Chengdu 610039）

ECG is the bioelectrical signal produced by the activation of the heart muscle during cardiac activity.It is the basis for the health of the heart,it has important application value to classify and recognize ECG signals by computer.Uses RBF neural network to classify and identi?fy the waveform of ECG signals.Experiments show that the network can realize automatic classification and recognition of ECG signals.

1007-1423（2017）23-0037-04

10.3969/j.issn.1007-1423.2017.23.008

王潤（1988-），男，四川廣安人，碩士研究生，研究方向為嵌入式系統(tǒng)軟件賀兵兵（1991-），男，河南商丘人，碩士研究生，研究方向為嵌入式系統(tǒng)軟件

2017-05-08

2017-08-10

ECG;RBF Neural Network;Classification