陳永波, 徐靜波, 王云峰, 張海英
(1.中國(guó)科學(xué)院大學(xué) 微電子學(xué)院,北京 101047;2.中國(guó)科學(xué)院 微電子研究所 新一代通信射頻芯片技術(shù)實(shí)驗(yàn)室北京市重點(diǎn)實(shí)驗(yàn)室,北京 100029)
作為心血管疾病診斷中一種重要的方法,動(dòng)態(tài)心電圖(electrocardiogram,ECG)具有無(wú)創(chuàng)傷、操作簡(jiǎn)單、出圖快等特點(diǎn),在臨床上得到了廣泛應(yīng)用,并成為心臟病臨床檢查中的一種常規(guī)手段[1]。動(dòng)態(tài)心電圖能夠在長(zhǎng)時(shí)間(24 h以上)連續(xù)記錄多達(dá)10萬(wàn)次以上的心跳(70次心跳/min),若采用逐個(gè)心搏檢測(cè)的方式,工作量巨大、易產(chǎn)生誤判[2]。
為了提高分析效率和分類方法的普適性,本文提出了一種改進(jìn)的K均值聚類生成可變寬心電模板,并匹配心搏的方法。選取心搏的QRS波群(即正常心電圖中幅度最大的波群)特征值為聚類特征向量,使用經(jīng)過(guò)波形反混淆(DEMIX)糾錯(cuò)的K均值聚類生成可變寬心搏模板,建立心搏模板庫(kù),使用心搏模板庫(kù)對(duì)心電信號(hào)進(jìn)行匹配分類。最終實(shí)驗(yàn)結(jié)果顯示,本文方法顯著提高了心搏分類算法的準(zhǔn)確性和分類效率,為動(dòng)態(tài)心電檢測(cè)的臨床應(yīng)用提供了參考。
MIT-BIT是研究心電節(jié)拍分類算法公認(rèn)的權(quán)威心電數(shù)據(jù)庫(kù),共48組兩導(dǎo)聯(lián)心電數(shù)據(jù),心電診斷專家對(duì)每組數(shù)據(jù)文件中的每一個(gè)心搏都做出了分析結(jié)果,主要包括心率(心搏的R波位置)、心搏的類型以及信號(hào)質(zhì)量等[3]。
本文參照美國(guó)醫(yī)療促進(jìn)協(xié)會(huì)(Association for the Advancement of Medical Instrumentation,AAMI)制定的ANSI/AAMI EC57 2012[4]心搏分類標(biāo)準(zhǔn),將心搏分為5類:N(正常或者束支傳導(dǎo)阻滯節(jié)拍)、S(室上性異常節(jié)拍)、V(心室異常節(jié)拍)、F(融合節(jié)拍)、U(未識(shí)別節(jié)拍)。ANSI分類標(biāo)準(zhǔn)與MIT-BIT心電數(shù)據(jù)庫(kù)注釋的心電節(jié)拍類型是2種不同的分類方法,所以需要進(jìn)行心搏類型轉(zhuǎn)換。本文參照文獻(xiàn)[3,4],將MIT-BIT標(biāo)注的心搏類型轉(zhuǎn)化為ANSI標(biāo)準(zhǔn),其對(duì)應(yīng)關(guān)系如表1所示。
表1 MIT-BIT心搏注釋映射
心電信號(hào)為典型強(qiáng)噪聲非平穩(wěn)、非線性的微弱信號(hào),主要頻段集中于0.05~100 Hz,采集過(guò)程中容易受到3種噪聲干擾:50 Hz工頻干擾、肌電噪聲和基線漂移。為濾除噪聲干擾,本文使用文獻(xiàn)[5]中提出的巴特沃斯數(shù)字濾波器進(jìn)行濾波處理,其轉(zhuǎn)移方程式如下
(1)
(2)
心搏節(jié)拍的R波峰位置常作為定位心搏的重要依據(jù),且檢測(cè)算法成熟。采用文獻(xiàn)[6]中提出的方法對(duì)濾波后的心電信號(hào)進(jìn)行R波峰值點(diǎn)的檢測(cè),并由心搏的R波峰值點(diǎn)為基準(zhǔn)中心點(diǎn),參照文獻(xiàn)[6,7]選取心搏的RR間期、QRS波群時(shí)限、QRS波群絕對(duì)面積、QRS波群極性、R峰值作為描述QRS波群的特征向量。
K均值聚類算法是聚類算法中常用算法之一,其基本思想是不斷迭代分類結(jié)果與聚類中心點(diǎn)向量,直至劃分的結(jié)果不再變化或迭代次數(shù)達(dá)到上限,即劃分簇中的樣本與樣本均值的誤差平方和達(dá)到最優(yōu),聚類時(shí)使用誤差平方和準(zhǔn)則函數(shù)E定義為
(3)
式中xi為屬于簇的樣本;ci為簇Ci的平均值。E越大說(shuō)明簇內(nèi)樣本相似度越低,E越小說(shuō)明簇內(nèi)樣本相似度越高,為提升計(jì)算效率,本文選取心搏的特征向量為作為聚類樣本。常規(guī)K均值算法存在以下缺點(diǎn):1)聚類結(jié)果容易受到聚類起始質(zhì)心選擇問(wèn)題的干擾;2)分析方向單一,容易出現(xiàn)局部最優(yōu)解,造成孤立點(diǎn)等問(wèn)題[8]。本文根據(jù)聚類后同類種群心搏波形具有相似性特點(diǎn),引入DEMIX用于改善K均值聚類存在的問(wèn)題。
心電信號(hào)發(fā)生的機(jī)理相似,屬于同種類型的心搏波形在形態(tài)上具有很大的相似性,而不同種類的心搏波形之間有較明顯差異[9]。本文利用同種類型心搏波形相似性的特點(diǎn),采用波形反混淆技術(shù)將屬于某個(gè)分類的心搏波形全部疊加,然后利用疊加權(quán)值去除錯(cuò)誤分類。
記經(jīng)K均值聚類后屬于第i類(i=N,S,V,F,U)的心搏類型的心搏總數(shù)為Ni,將該分類下所有心搏波形以R波峰值為基準(zhǔn)中心點(diǎn),前后取0.6倍RR間期,上下取1.1倍R波峰值進(jìn)行區(qū)域波形疊加,計(jì)算區(qū)域{x(u,v)|-0.6RR≤u≤0.6RR,-1.1Rv≤v≤1.1Rv}內(nèi)每個(gè)采樣點(diǎn)的疊加權(quán)值F(u,v)為
(4)
圖1為Ni取1,154,1847,3 024 時(shí)同類型心搏的疊加效果。從圖中可以看出,Ni越大,同類波形疊加區(qū)域越清晰可見(jiàn),利用該特點(diǎn)進(jìn)行分類結(jié)果的糾錯(cuò)。
圖1 不同數(shù)量i類型心搏疊加顯示
本文根據(jù)同一類型心搏信號(hào)波形具有相似性特點(diǎn)、通過(guò)將K均值聚類與波形反混淆相結(jié)合,設(shè)計(jì)了一種改進(jìn)的K均值聚類方法,能夠保留較好的聚類結(jié)果,在增強(qiáng)了算法全局收斂性的同時(shí)加快算法后期收斂速度,提高算法的收斂效率。具體步驟如下:
1)對(duì)需要進(jìn)行聚類的心電數(shù)據(jù)預(yù)處理,提取QRS波群特征值;
2)設(shè)定初始聚類中心、種群數(shù)和迭代上限;
3)K均值聚類生成聚類結(jié)果;
4)對(duì)聚類結(jié)果進(jìn)行波形反混淆糾錯(cuò),將每個(gè)種群糾錯(cuò)結(jié)果中的xⅢ(i)型心搏特征向量的平均值作為聚類中心點(diǎn),將xⅠ(i)型心搏和xⅡ(i)型心搏作為新的聚類輸入,返回步驟(3)迭代計(jì)算,至迭代上限或者聚類結(jié)果不再糾錯(cuò)為止。
圖2 可變寬心搏模板
本文采用可變寬心搏模板進(jìn)行心搏匹配,可以消除RR間期差別和心搏細(xì)微變異給模板匹配帶來(lái)的影響,以增強(qiáng)心搏模板的普適性。與待測(cè)心搏匹配時(shí),首先將待檢心搏R峰值點(diǎn)與模板基線的R峰值點(diǎn)對(duì)齊,若待檢心搏落于該模板可變寬區(qū)域內(nèi),則判定該心搏與該模板匹配。若待檢心搏有部分落于匹配模板之外,則選取模板基線與待測(cè)心搏進(jìn)行相關(guān)系數(shù)計(jì)算,其相關(guān)函數(shù)為
(5)
式中D(X)為心搏信號(hào)的方差
D(X)=E{|X-E(X)|2}
(6)
cov(X,T)為待測(cè)心搏X和心搏模板基線T的協(xié)方差
cov(T,X)=E{[T-E(T)][X-E(X)]}
(7)
當(dāng)相關(guān)系數(shù)r越接近于1說(shuō)明待測(cè)心搏與模板基線越相似,r越小說(shuō)明兩者形態(tài)差異性越大。選取經(jīng)驗(yàn)閾值Thread=0.9,當(dāng)待檢心搏與模板的相關(guān)系數(shù)大于該值時(shí),認(rèn)為匹配成功;若低于該閾值,使用二分查找方式在模板庫(kù)中選取匹配模板再次進(jìn)行匹配,直至模板庫(kù)中無(wú)可匹配的模板時(shí),取最大相關(guān)系數(shù)的模板類型作為該心搏的分類。
本文使用VC 6.0作為算法實(shí)現(xiàn)的軟件平臺(tái),使用MIT-BIT心率失常數(shù)據(jù)庫(kù)、ANMA/ANSI分類標(biāo)準(zhǔn)作為算法準(zhǔn)確性驗(yàn)證。MIT-BIT數(shù)據(jù)庫(kù)中第102,104號(hào)數(shù)據(jù)中含有起搏信號(hào),將其剔除后從余下的46組病例中隨機(jī)選取24組數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),取12組心電數(shù)據(jù)混合后構(gòu)造心電模板,然后使用生成的心電模板對(duì)剩余的12組數(shù)據(jù)的心搏進(jìn)行分類。
考慮到最終將心搏分類結(jié)果為5類,所以,本文在生成心電模板時(shí),設(shè)定初始心搏模板數(shù)為5~12。根據(jù)結(jié)果表明,心搏模板個(gè)數(shù)設(shè)為8時(shí),使用生成的心電模板進(jìn)行分類得到準(zhǔn)確性和靈敏度最高,最終得到心搏分類的混合矩陣如表2。
表2 種群數(shù)為8時(shí)分類結(jié)果
按照ANMA/ANSI標(biāo)準(zhǔn)選取靈敏度Sen、真陽(yáng)性率Ppr和總精確度Acc作為評(píng)價(jià)指標(biāo),將本文與文獻(xiàn)[10,11]提出方法的分類結(jié)果比較如表3。
從表3可以看出:本文方法能夠提高心電數(shù)據(jù)分類準(zhǔn)確性,比較文獻(xiàn)[11]方法S類心搏分類有明顯的提高,并且可變寬心搏模板能夠適應(yīng)心變異性帶來(lái)的差異,適用性得到了改善。
表3 分類準(zhǔn)確率對(duì)比 %
本文通過(guò)使用K均值聚類和DEMIX糾錯(cuò)相結(jié)合的方式生成可變寬心搏模板,然后使用模板庫(kù)進(jìn)行心電波形匹配的方法,改進(jìn)了K均值聚類時(shí)易陷入局部極值問(wèn)題和初始質(zhì)點(diǎn)選取敏感的缺點(diǎn),使用可變寬區(qū)域模板匹配的方法一定程度上解決了心變異性帶來(lái)的模板匹配問(wèn)題。通過(guò)對(duì)MIT-BIT心電數(shù)據(jù)庫(kù)的實(shí)驗(yàn)表明:本文方法提高了心搏分類的準(zhǔn)確率,使其能夠適用于遠(yuǎn)程醫(yī)療中長(zhǎng)時(shí)間的心電監(jiān)護(hù)數(shù)據(jù)的輔助診斷和分析。
參考文獻(xiàn):
[1] 李 倩,劉志貴,彭貴力,等.心電監(jiān)測(cè)技術(shù)及其在遠(yuǎn)程醫(yī)療中的應(yīng)用[J].傳感器與微系統(tǒng),2008,27(1):1-7.
[2] 盧喜列,盧亦偉.12導(dǎo)同步動(dòng)態(tài)心電圖學(xué)[M].北京:化學(xué)工業(yè)出版社,2007.
[3] Song X,Deng Q.On the format of MIT-BIH arrhythmia database[J].Chinese Journal of Medical Physics,2004,21(4):230-232.
[4] Association for the Advancement of Medical Instrumentation.ANSI/AAMI EC57:2012,Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms[S].Arlington:Association for the Advancement of Medical Instrumentation,2012:1-22.
[5] Shens A M.The discrete wavelet transform:Wedding the a trous and Mallat algorithms[J].IEEE Transactions on Signal Proces-sing,1992,50(10):2464-2482.
[6] 俞文斌,謝志軍.基于穿戴式心電信號(hào)檢測(cè)系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2015,34(9):64-68.
[7] Moreas J C T B,Seixa M O,Vilani F N,et al.A real time QRS complex classification method using Mahalanobis distance[J].Comput Cardiol,2002,29:201-204.
[8] 安計(jì)勇,高貴閣,史志強(qiáng),等.一種改進(jìn)的K均值文本算法[J].傳感器與微系統(tǒng),2015,34(5):130-133.
[9] 楊 波,張 躍.基于多模板匹配的室性早搏辨別方法[J].計(jì)算機(jī)工程,2010,36(16):291-293.
[10] Osowski S,Hoai L T,Markiewic Z T.Support vector machine based expert system forreliable heart beat recognition[J].IEEE Transactionson Biomedical Engineering,2004,51(4):582-580.
[11] Kiranyaz S,Ince T,Pulkkine N J,et al.Personalized long-term ECG classification:A systematic approach[J].Expert Systems with Applications,2011,38(4):3220-3226.