陳茜+歐陽繩武+馬新宇+謝泉

摘 要： 結(jié)合差分閾值法、多重神經(jīng)網(wǎng)絡(luò)心電診斷方法提出一種新型的遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)心電信號智能診斷設(shè)計(jì)。采用差分閾值法檢測QRS波特征點(diǎn)，通過心電采集電路板對該信號進(jìn)行放大濾波處理后進(jìn)行心電診斷。通過對比單一BP神經(jīng)網(wǎng)絡(luò)與遞進(jìn)型雙層 BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果，得出遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)識別室性早搏、房性早搏、心房顫動時(shí)識別率更高（達(dá)到97%以上）的結(jié)論。測試結(jié)果表明，該設(shè)計(jì)有助于診測和判斷心血管疾病，提高了對治療方法的有效性判斷。

關(guān)鍵詞： 心電信號； QRS波檢測； 小波變換； BP神經(jīng)網(wǎng)絡(luò)； 深度學(xué)習(xí)； 智能診斷

中圖分類號： TN911.7?34； TP183 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）01?0076?05

Abstract： In comparison with the difference threshold method and multiple neural network ECG diagnosis method， a new electrocardiosignal intelligent diagnosis design of progressive dual?layer BP neural network is proposed. The difference threshold method is used to detect the feature points of QRS wave. The signal is amplified and filtered in ECG acquisition circuit board for ECG diagnosis. The recognition results of single BP neural network and progressive dual?layer BP neural network are compared to obtain the conclusion that the progressive dual?layer BP neural network can improve the recognition ratio of ventricular premature beat， atrial premature beat and atrial fibrillation by 97%. The test results show that the design can diagnose and judge the cardiovascular disease， and improve the judgment accuracy of treatment methods.

Keywords： ECG signal； QRS?wave detection； wavelet transform； BP neural network； deep learning； intelligent diagnosis

0 引 言

當(dāng)今社會，人們的工作生活壓力正不斷加大，大多數(shù)人處于亞健康狀態(tài)，導(dǎo)致到了一定年紀(jì)后心臟病發(fā)作比例越來越高[1]。同時(shí)對更高生活質(zhì)量的追求，人們越發(fā)看重醫(yī)療健康，但是醫(yī)院的繁瑣醫(yī)療程序與高成本的醫(yī)療檢查并不能滿足大部分的患者，所以促使便攜性家庭形式的醫(yī)療產(chǎn)品發(fā)展迅速，家庭式的心電監(jiān)護(hù)儀器就是一種。因此，如何做一個(gè)既可以考慮便攜性、硬件要求低、實(shí)時(shí)性好，又可以從當(dāng)前大量的心電診斷結(jié)果中更精確自我學(xué)習(xí)的心電監(jiān)測診斷儀器是現(xiàn)在需要考慮的。

現(xiàn)在比較出名的心電診斷算法包括人工神經(jīng)網(wǎng)絡(luò)法、數(shù)據(jù)統(tǒng)計(jì)法、基于支持向量機(jī)方法[2]。

采用BP神經(jīng)網(wǎng)絡(luò)通過自我學(xué)習(xí)方式對心電信號波形進(jìn)行甄別，分辨能力高，實(shí)時(shí)性能好，但存在訓(xùn)練失敗問題[3]；數(shù)據(jù)統(tǒng)計(jì)法簡單易于實(shí)現(xiàn)，但只對個(gè)別癥狀效果不錯(cuò)，對于復(fù)雜的心電波形而言，容易出現(xiàn)隨機(jī)算法重疊，導(dǎo)致混淆病狀；通過支持向量機(jī)研究心電信號波形的區(qū)分，搭建向量模型，提高了心電信號波形識別速度，但大規(guī)模訓(xùn)練樣本難以實(shí)施，不適合多種心電分析[4]。

本文結(jié)合差分閾值法、多重神經(jīng)網(wǎng)絡(luò)心電診斷方法，提出一種新型的遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)心電信號智能診斷設(shè)計(jì)，糾正了BP神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)的訓(xùn)練失敗問題，加強(qiáng)了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力，提高了心電識別能力[5]。

1 心電信號特征點(diǎn)檢測算法

當(dāng)電極貼到體表以后，不同的位置就會產(chǎn)生一個(gè)不同的隨著時(shí)間變化周期性變化的電位，通過導(dǎo)聯(lián)線連接到心電采集電路板后可以對其進(jìn)行放大濾波處理，在臨床中人們發(fā)現(xiàn)同一個(gè)心電波段在人體不同位置測出的強(qiáng)弱存在差異。

心電信號特征點(diǎn)檢測的算法主要有以下幾種：神經(jīng)網(wǎng)絡(luò)法、小波變換法、差分閾值法、模板匹配法[6]。其中差分閾值法比較簡單，可以高效率地處理結(jié)果，方便在硬件要求不高的環(huán)境完成，但檢測的準(zhǔn)確率不算高[7]；模板匹配法易于理解其根本機(jī)制，但容易受到高頻噪聲和基線漂移的干擾[8]；神經(jīng)網(wǎng)絡(luò)法能夠精確地判別信號特征，但在真實(shí)的環(huán)境中及時(shí)性不好[9]；小波變換法比差分閾值法計(jì)算量大許多，但其局域化在時(shí)域和頻域有較好的特性，提高了檢測的精確度[10]。

上述幾種算法各有利弊，相比較起來差分閾值法更適合于現(xiàn)實(shí)環(huán)境的復(fù)雜性以及硬件要求。本文結(jié)合差分閾值法和BP神經(jīng)網(wǎng)絡(luò)心電診斷方法的優(yōu)點(diǎn)提出一種新型的遞進(jìn)型雙層BP閾值神經(jīng)網(wǎng)絡(luò)心電信號智能診斷設(shè)計(jì)。

差分閾值法是比較典型的快速識別算法，經(jīng)常用來識別峰值。其檢測圖如圖1所示?；驹硎牵篞RS波形段是心電信號里面變化最為明顯的間隔段，其對應(yīng)斜率與其他波段對比有很大差異[11]。通過一二級差分函數(shù)連續(xù)閾值判斷出R波位置規(guī)模，然后通過閾值得到波峰來確定R波，根據(jù)R波位置，用相同方法來確定QS點(diǎn)P波、T波具體位置，其主要步驟如下：endprint

按照差分方程求取心電信號的一級差分序列和二級差分序列，一級差分方程和二級差分方程如下所示：

[y1（n）=x（n+1）-x（n-1）]

[y2（n）=y1（n+1）-y1（n-1）]

將一級差分方程與二級差分方程相結(jié)合，得：

[y3（n）=y1（n）×max（y1）+y2（n）×max（y2）]

式中：[max（y1），][max（y2）]分別為一級差分序列和二級差分序列的最大值。這樣相當(dāng)于對差分后的信號波形進(jìn)行增強(qiáng)，能夠凸顯出R波特征。

2 心電診斷

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)被稱做多層前饋神經(jīng)網(wǎng)絡(luò)，是三層前饋神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)[12]，這種神經(jīng)網(wǎng)絡(luò)模式的特點(diǎn)是：各層神經(jīng)元僅與連接層神經(jīng)元之間有聯(lián)系；每一層內(nèi)神經(jīng)元相互沒有接觸點(diǎn)；每一層內(nèi)神經(jīng)元相互沒有反饋接連。信號源先前向傳遞到隱節(jié)點(diǎn)處，經(jīng)過一系列轉(zhuǎn)換后，傳遞隱節(jié)點(diǎn)的傳出信息到輸出節(jié)點(diǎn)，再給出最后的結(jié)論。一般采取Sigmoid型函數(shù)作為節(jié)點(diǎn)的激勵(lì)函數(shù)（目標(biāo)函數(shù)）。

BP神經(jīng)網(wǎng)絡(luò)的輸入與輸出并不是一個(gè)線性的相關(guān)，而是有復(fù)雜的非線性映射特性，如果輸入節(jié)點(diǎn)數(shù)為[i，]輸出節(jié)點(diǎn)數(shù)為[o，]則拓?fù)渚W(wǎng)是從[i]維數(shù)組到[o]維數(shù)組歐氏空間的高度非線性映射。采用調(diào)節(jié)BP神經(jīng)網(wǎng)絡(luò)中的相鄰權(quán)值和網(wǎng)絡(luò)拓?fù)浞秶ò琜i，o]和隱層節(jié)點(diǎn)數(shù)n），能夠解決非線性區(qū)分等議題，而且可以以任何準(zhǔn)確度接近任意非線性函數(shù)。這樣的網(wǎng)絡(luò)拓?fù)鋱D（見圖2）非常復(fù)雜，但準(zhǔn)確率也高，在完成了BP網(wǎng)絡(luò)的構(gòu)造后，使用大量輸入對應(yīng)的輸出樣本集反復(fù)進(jìn)行訓(xùn)練任務(wù)，同樣也對網(wǎng)絡(luò)的相鄰權(quán)值和判別閾值進(jìn)行學(xué)習(xí)和調(diào)節(jié)，一步步實(shí)現(xiàn)接近網(wǎng)絡(luò)給出的輸入輸出映射關(guān)系。

利用BP網(wǎng)絡(luò)對心電異常波形進(jìn)行識別，具有識別速度快、識別率高、容錯(cuò)性好等特點(diǎn)。

對于神經(jīng)網(wǎng)絡(luò)模式分類器來說，由于神經(jīng)網(wǎng)絡(luò)本身具有自我學(xué)習(xí)、自適應(yīng)環(huán)境和自組織行為的特點(diǎn)，只要待辨認(rèn)的模型在其表示區(qū)域內(nèi)有一點(diǎn)點(diǎn)的差異，網(wǎng)絡(luò)就可以通過自適應(yīng)劃分類別學(xué)習(xí)，找到每個(gè)模型不一樣的特點(diǎn)突出信息進(jìn)行分類讀取[13]。

本文采納的是典型的三層前向BP神經(jīng)網(wǎng)絡(luò)，包括數(shù)據(jù)源層、隱含層和數(shù)據(jù)結(jié)論層。在本測驗(yàn)中，數(shù)據(jù)來源層神經(jīng)元的個(gè)數(shù)為心電波樣本的采樣點(diǎn)數(shù)，即為121個(gè)。數(shù)據(jù)結(jié)論只用一個(gè)神經(jīng)元：結(jié)論包括了PVC（室性早搏）、APC（房性早搏），AF（心房顫動），Nor（正常）四種典型波。輸出目標(biāo)之所以這樣設(shè)置，是為了避免網(wǎng)絡(luò)在識別不同波形時(shí)出現(xiàn)相互間的干擾，使識別效果更好。

通過數(shù)據(jù)源層與隱含層之間相鄰權(quán)值的“自組織”，隱含層起到對樣本輸入模式進(jìn)行特征提取的作用，然后將提取的特征傳遞給數(shù)據(jù)結(jié)論層。確定隱含層節(jié)點(diǎn)數(shù)可以采納行為公式[n隱=m+n+α，]其中[n]為輸入神經(jīng)元數(shù)，[m]為輸出神經(jīng)元數(shù)，[α]為1～10之間的常數(shù)。在實(shí)驗(yàn)中，隱層節(jié)點(diǎn)數(shù)一般采用不用的值進(jìn)行訓(xùn)練，然后比較效果最終選定一個(gè)合適的值，這部分在結(jié)果分析中將作具體討論。

在傳輸函數(shù)的選擇上，隱含層采取激勵(lì)函數(shù)（雙曲正切Sigmoid函數(shù)），而數(shù)據(jù)結(jié)論層傳輸函數(shù)為線形函數(shù)。采用逆向的傳遞算法對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。

2.2 遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)

單一的BP神經(jīng)網(wǎng)絡(luò)很有可能學(xué)習(xí)訓(xùn)練不成功，從純算法理論方面來看，BP算法是一種局部內(nèi)優(yōu)化搜索方法，但它要實(shí)現(xiàn)的議題為解決高度非線性函數(shù)的全局峰值，就因?yàn)檫@樣算法很有可能陷入某些局部的峰值，而錯(cuò)過重要特征點(diǎn)信息，使學(xué)習(xí)訓(xùn)練失敗。網(wǎng)絡(luò)的準(zhǔn)確度、容錯(cuò)廣度能力同訓(xùn)練樣本的代表性緊密聯(lián)系，而從大量數(shù)據(jù)中選取代表性樣本實(shí)例構(gòu)成訓(xùn)練集是一個(gè)很艱巨的議題。所以基于神經(jīng)網(wǎng)絡(luò)這樣一個(gè)缺陷，結(jié)合心電信號的特征點(diǎn)采用一種新型的遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。

本文設(shè)計(jì)的遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)心電信號聯(lián)合兩個(gè)BP神經(jīng)網(wǎng)絡(luò)，分別采用連續(xù)的離散波形對第一個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后提取幾個(gè)心電明顯的特征點(diǎn)并使用前一個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)果對第二個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。具體的框架設(shè)計(jì)如圖3所示。2號神經(jīng)網(wǎng)絡(luò)采用心電波的明顯特征點(diǎn)是為了提醒1號神經(jīng)網(wǎng)絡(luò)的判斷是不正確的，給1號神經(jīng)網(wǎng)絡(luò)的錯(cuò)誤判斷重新加權(quán)，讓錯(cuò)誤的判斷偏移到正確的結(jié)論上，讓正確的判斷加強(qiáng)權(quán)值偏移，對心電信號的診斷提高精準(zhǔn)度。

遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟如下：

1） 初始化1號、2號神經(jīng)網(wǎng)絡(luò)：準(zhǔn)備兩個(gè)神經(jīng)網(wǎng)絡(luò)1號和2號，并且分別初始化，選擇200組特征點(diǎn)明顯的樣本，本實(shí)驗(yàn)的樣本取自MIT?BIH心電數(shù)據(jù)庫。選取的常見心臟疾病波形為PVC（室性早搏）、APC（房性早搏）、AF（心房顫動）、Nor（正常）四種典型波。相對正常心電波而言，PVC會出現(xiàn)寬大畸形QRS波群，而APC的波形與正常波沒有多大區(qū)別，只是發(fā)生APC時(shí)P波會提前出現(xiàn)，導(dǎo)致R?R間期縮短。

2） 訓(xùn)練1號神經(jīng)網(wǎng)絡(luò)：取樣本到1號神經(jīng)網(wǎng)絡(luò)去訓(xùn)練，200組樣本每組訓(xùn)練2 000次，先將訓(xùn)練過的心電波樣本送入已訓(xùn)練好的BP網(wǎng)絡(luò)進(jìn)行仿真測試，計(jì)算誤差函數(shù)，對比目標(biāo)誤差設(shè)定為0.004，如果達(dá)不到標(biāo)準(zhǔn)繼續(xù)訓(xùn)練，直到識別結(jié)果全部達(dá)標(biāo)，則完成1號神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。

3） 1號神經(jīng)網(wǎng)絡(luò)診斷：從MIT.BIH數(shù)據(jù)庫再將T202的全部數(shù)據(jù)送入該網(wǎng)絡(luò)做自動檢測，一共有2 136個(gè)心電波，包括19個(gè)PVC和55個(gè)APC，每個(gè)測試樣本的抽取辦法和訓(xùn)練樣本相同。經(jīng)過多次實(shí)驗(yàn)，識別成功率都在95%以上，識別效果較為理想，可是這仍然有5%的誤差，無法進(jìn)一步提高。

4） 初始化2號神經(jīng)網(wǎng)絡(luò)：對2 136個(gè)心電數(shù)據(jù)采用差分閾值法把特征點(diǎn)提取出來，其中4個(gè)特征點(diǎn)非常具有代表性，包括前RR波峰間距、后RR波峰間距、R波幅值、QRS間距，如圖4所示。endprint

5） 訓(xùn)練2號神經(jīng)網(wǎng)絡(luò)：得到兩個(gè)輸入樣本。

① 上面差分閾值法識別取到的每個(gè)心電數(shù)據(jù)的這四個(gè)特征值。

② 2 136組T202數(shù)據(jù)通過采取1號神經(jīng)網(wǎng)絡(luò)得到測試結(jié)果數(shù)據(jù)。這兩個(gè)樣本一一對應(yīng)作為2號神經(jīng)網(wǎng)絡(luò)的輸入端，再一次經(jīng)過訓(xùn)練，直到達(dá)到目標(biāo)函數(shù)0.004標(biāo)準(zhǔn)，訓(xùn)練結(jié)束。

為了推廣網(wǎng)絡(luò)，本文用已訓(xùn)練好的遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)來識別MIT?BIH心電數(shù)據(jù)庫中的其他心電數(shù)據(jù)，如T107，T108，T210，T222，T223等。由于不同病人存在生理差異，所以得到的辨識率也不盡相同。為了提高神經(jīng)網(wǎng)絡(luò)對異常心電波形的識別率，可以對輸入的異常心電波的訓(xùn)練樣本進(jìn)行調(diào)整：如果發(fā)現(xiàn)漏波嚴(yán)重，則可以適當(dāng)增加訓(xùn)練數(shù)據(jù)量；如果發(fā)現(xiàn)誤判比較嚴(yán)重，則減少訓(xùn)練數(shù)據(jù)量，盡量挑選特征點(diǎn)比較明顯或者同一病癥波形類似的波形進(jìn)行訓(xùn)練。另外，增加正常心電波的訓(xùn)練樣本也可以達(dá)到同樣的效果。測試結(jié)果如表1，表2所示。

對遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)和單一BP神經(jīng)網(wǎng)絡(luò)做詳細(xì)對比，1號神經(jīng)網(wǎng)絡(luò)傳入的訓(xùn)練數(shù)據(jù)是：采用速率為380次/s的速度提取心電信號離散信號點(diǎn)和該信號對應(yīng)的正確癥狀； 2號神經(jīng)網(wǎng)絡(luò)采用差分閾值法提取心電信號的P，T，QRS特征點(diǎn)、1號神經(jīng)網(wǎng)絡(luò)的測試結(jié)果（不管對錯(cuò)）和該心電信號對應(yīng)正確的癥狀。通過測試，從表1和表2可以發(fā)現(xiàn)，1號神經(jīng)網(wǎng)絡(luò)收斂性差，學(xué)習(xí)能力相對較弱，識別率為95%左右，2號神經(jīng)網(wǎng)絡(luò)由于主動加入正確的病癥，把1號的錯(cuò)誤結(jié)論神經(jīng)元權(quán)值偏移到正確結(jié)論上，識別率達(dá)到97%以上。

3 結(jié) 論

本文設(shè)計(jì)的關(guān)鍵在于采用雙層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，第一層只是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)診斷心電的方法，存在誤差甚至是某些心電可能訓(xùn)練失敗，可是第二層卻采用第一層BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果（不管對錯(cuò)）、絕對正確的結(jié)果和心電信號特征點(diǎn)作為訓(xùn)練樣本，得到最終的人工神經(jīng)網(wǎng)絡(luò)。這樣，第一層得到的正確或者錯(cuò)誤結(jié)果，在第二層神經(jīng)網(wǎng)絡(luò)就會把錯(cuò)誤的結(jié)果糾正到正確軌道上來，把正確的結(jié)果加強(qiáng)認(rèn)知，大大減少了誤差。

在表2測試中，遞進(jìn)型雙層BP神經(jīng)網(wǎng)絡(luò)識別室性早搏、房性早搏、心房顫動時(shí)識別率較高，效果不錯(cuò)，辯識率在97%以上。雖然識別率仍然有不足的地方，有一定幾率誤波、漏波，但由于便攜式心電信號檢測并不是短暫幾秒鐘的識別，而是需要一段連續(xù)的檢測時(shí)間，最后可得到綜合結(jié)果，然后把心電信號圖通過互聯(lián)網(wǎng)上傳至網(wǎng)絡(luò)，可以依靠強(qiáng)大的“互聯(lián)網(wǎng)+”，讓在線醫(yī)生再次確認(rèn)。心電圖波形發(fā)生的異常種類太多，人工神經(jīng)網(wǎng)絡(luò)能夠識別的心臟病癥只是少數(shù)，人工智能雖然有像谷歌AlphaGo這樣的杰出代表，但仍然存在許多缺陷，仍然需要依靠有豐富經(jīng)驗(yàn)的醫(yī)生結(jié)合個(gè)人的身體差異作出更準(zhǔn)確的判斷。今后，隨著機(jī)器智能化的進(jìn)一步發(fā)展，相信可以最終解決這一問題。

注：本文通訊作者為陳茜。

參考文獻(xiàn)

[1] 張敬平.用BP神經(jīng)網(wǎng)絡(luò)預(yù)測土壤入滲參數(shù)時(shí)隱層神經(jīng)元數(shù)分析[J].山西水土保持科技，2008（3）：20?22.

ZHANG Jingping. Analysis of hidden layer neuron number using BP neural network in predicting soil infiltration parameters [J]. Soil and water conservation science and technology in Shanxi， 2008（3）： 20?22.

[2] 趙曉明.心電T波交替信號檢測關(guān)鍵算法[D].天津：南開大學(xué)，2010.

ZHAO Xiaoming. Key algorithms for electrocardiogram T wave alternans detection [D]. Tianjin： Nankai University， 2010.

[3] 崔海霞，廖明群.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)散列加密算法[J].電子工程師，2016（5）：59?61.

CUI Haixia， LIAO Mingqun. A Hash encryption algorithm based on manual neural network [J]. Electronic engineer， 2016（5）： 59?61.

[4] 蓋立平，劉雅楠，劉旭.心電圖形成原理的模擬設(shè)計(jì)[J].醫(yī)療衛(wèi)生裝備，2006（11）：76?77.

GAI Liping， LIU Yanan， LIU Xu. Analog design of magnetic resonance imaging principle [J]. Chinese medical equipment journal， 2006（11）： 76?77.

[5] 張山杉.神經(jīng)網(wǎng)絡(luò)在天線設(shè)計(jì)中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2010，33（15）：71?73.

ZHANG Shanshan. Application of neural network in antenna design [J]. Modern electronics technique， 2010， 33（15）： 71?73.

[6] 宋喜國，鄧親愷.MIT?BIH心率失常數(shù)據(jù)庫的識讀及應(yīng)用[J].中國醫(yī)學(xué)物理學(xué)雜志，2004，21（4）：230?232.

SONG Xiguo， DENG Qinkai. On the format of MIT?BIH arrhythmia database [J]. Chinese journal of medical physics， 2004， 21（4）： 230?232.

[7] 田杰.基于Cortex的實(shí)時(shí)心電處理及檢測技術(shù)[D].濟(jì)南：山東師范大學(xué)，2011：55?57.endprint

TIAN Jie. The real?time ECG processing and detection techno?logy based on cortex [D]. Jinan： Shandong Normal University， 2011： 55?57.

[8] 蘇麗，趙國良，李東明.心電信號QRS波群檢測算法研究[J].哈爾濱工程大學(xué)學(xué)報(bào)，2005（4）：513?517.

SU Li， ZHAO Guoliang， LI Dongming. Study of algorithms of QRS complexes detection in electrocardiogram signal [J]. Journal of Harbin Engineering University， 2005（4）： 513?517.

[9] 王明松，張躍，張集墨.完全性束支傳導(dǎo)阻滯優(yōu)化判別的研究[J].計(jì)算機(jī)仿真，2013，30（5）：395?398.

WANG Mingsong， ZHANG Yue， ZHANG Jimo. Optimization study on complete bundle branch block discrimination [J]. Computer simulation， 2013， 30（5）： 395?398.

[10] 黃家洺，鄭日榮，曾繩濤.心電信號特征檢測算法研究[J].機(jī)電工程技術(shù)，2013，42（8）：106?110.

HUANG Jialuo， ZHENG Rirong， ZENG Shengtao. Research on ECG feature detection algorithm [J]. Mechanical & electrical engineering technology， 2013， 42（8）： 106?110.

[11] 劉江，姚欽.基于高斯模糊神經(jīng)網(wǎng)絡(luò)的多傳感器目標(biāo)識別系統(tǒng)[J].彈箭與制導(dǎo)學(xué)報(bào)，2008（3）：217?219.

LIU Jiang， YAO Qin. Multisensor target identification system with FGNN [J]. Journal of projectiles， rockets， missiles and guidance， 2008（3）： 217?219.

[12] YANG S， YANG G. ECG pattern recognition based on wavelet transform and BP neural network [C]// Proceedings of 2010 International Symposium on Networking & Netwo. [S.l.]： EBSCO， 2010： 234?242.

[13] CAO Y Z， LI G， FAN Z F. ECG beat classification using support vector machine with wavelet transform based on feature extraction [J]. Journal of Tianjin University， 2007， 40（7）： 811?815.endprint