心电图模式分类方法研究进展与分析

王丽苹 董 军

1（华东师范大学软件学院，上海 200062）2（中国科学院苏州纳米技术与纳米仿生研究所仿生部，苏州 215125）

引言

高血压、冠心病、脑中风等心脑血管疾病已成为威胁人类健康的头等病因，此类疾病引起的死亡人数居各类死亡人数的首位。心电图（electrocardiogram，ECG）是使用心电采集仪器（如心电监护仪）记录人体心脏电位变化并据此应用于临床心脏疾病监护、诊断的可见图形记录（见图1），是诊断常见心脏疾病的重要手段。荷兰生理学家爱因托芬（William Einthoven）由于在ECG领域的杰出贡献，荣获1924年度生理学及医学诺贝尔奖［1］。ECG模式分类研究在可穿戴心电图设备［2］、动态ECG 诊断［3］、重症监护室［4］以及疾病与心脏活动关系研究［5］等方面具有重要的应用价值，对于及时有效地预防和控制心脏疾病、挽救病人生命具有极其重要的意义。

图1 心拍结构示意图Fig.1 The illustration of a heart beat

自从20世纪60年代 Pipberger等提出计算机辅助ECG分析的设想以来［6］，大量学者投入到了ECG模式分类问题的研究中。ECG模式分类是模式识别研究的经典应用之一，涉及生物医学工程、数字信号处理、人工智能、机器学习等领域。近年来，ECG模式分类研究取得了一定进展，并在医疗诊断中得到了初步应用，但离专业医生的诊断水平还有较大差距，可应用于临床辅助诊断的ECG模式分类仍然是目前亟待解决的问题。

在对无线蓝牙可佩戴心电图设备研究的基础上［7］，在面向社区和个人应用的过程中提炼出 ECG模式分类问题［8］。本研究的出发点是讨论面向实际应用的ECG分类工作［9］，介绍 ECG模式分类的研究进展，主要涉及知识推理、结构（语法）模式识别、统计模式识别、神经网络方法等［10］。在此基础上，进一步探讨现阶段ECG模式分类研究在实际应用时面临的主要挑战及可能的解决途径。

1 ECG模式分类研究进展

1.1 知识推理方法

1.1.1 研究进展

知识推理是最早应用于ECG模式分类研究的方法，它主要以知识工程领域中知识的表达与推理为基础，构建知识库，进而完成 ECG的分类。Mahantapas对2000年以前的研究进展进行了总结［11］，早期的研究主要利用与 /或图［12］、产生式规则［13］、语义网［14］、模糊逻辑［15］等来描述医学专家的ECG知识。

近几年来，医学知识的获取和表达取得了一定进展。Carrault等采用归纳逻辑编程（inductive logic programming，ILP）来完成ECG模式分类。ILP是一种关系学习的方法，能够将逻辑程序和归纳学习结合起来，在模型构建过程中借鉴领域知识［16］。他们首先构建各类ECG的诊断背景知识集B，然后在知识集B的基础上，对测试案例集E进行学习，产生最终的假设集H，并将该模型应用于4类疾病的分类实验。Exarchos等采用关联规则挖掘的方法获取心肌缺血的诊断规则［17］，对比研究了4类关联规则挖掘算法对分类结果的影响。另外，他们还利用决策树首先生成心肌缺血和心律失常疾病的诊断规则，再建立基于该规则的模糊决策模型［18］。Rodríguez等在研究掌上计算机 ECG实时分类方法时，采用决策树建立分类模型［19］。他们选取 PR间期、RR间期、病人年龄等12个特征，根据医学上误判疾病的代价定义了惩罚矩阵（cost matrix），并利用C4.5算法训练得到针对13类心拍的决策树模型。同时，他们对比了决策树产生的模型和医学定义规则的分类效果，结果表明10类心拍更适用于医学定义的规则，3类心拍的分类适用于决策树模型。Wang等以有经验的医生专家诊断知识为背景，将可信度方法（certainty factor）和统计方法结合，建立正常和异常ECG的不确定性推理模型［20］，用8个特征来区分正常和异常数据，通过对训练数据集的统计来获取推理模型的参数。飞利浦公司申请的专利通过对12导联ECG的ST段抬高和压低的形态分析，辅助诊断病变冠状动脉［21］。台湾大学申请的专利引入混沌相位空间表示ECG，通过计算待检信号与正异常ECG的相位空间差异来判断其所属类型［22］。

1.1.2 存在的问题

知识推理的方法主要通过宏观上模拟医学专家的诊断过程来建立知识库和推理机制。早期的知识推理方法倾向于直接获取医学知识，同时考虑到了医学知识表达中的不确定性。其不足在于：第一，模型能够表达的知识比较简单，而诊断过程中深层的、复杂的知识很难表达；第二，构建的知识库是静态的，不能根据应用环境做适当的调整。

近年来，归纳逻辑编程、数据挖掘等方法的应用为获取诊断过程中隐含和潜在的知识提供了有效途径。但是，领域知识完整性和不确定性问题仍然是研究的难点。文献［17］提取的规则与医学专家的知识还存在较多差别，如何完善数据挖掘过程进而获取有临床价值的知识还值得进一步研究。在文献［16］中，将获取的知识用一阶逻辑表示，数据中的不确定性难以表达，ECG的背景知识表达、ECG样本数据的表示等问题需要在进一步的研究中解决。如何利用计算机模拟医生诊断过程中的思维和决策，以及如何依据诊断过程构建完整而实用的知识库，仍然需要更加深入研究。

1.2 结构（语法）模式识别

1.2.1 研究进展

结构模式识别根据分类对象所包含的结构信息进行分类［23］。Olszewski研究指出，结构识别相对统计模式识别更加适宜于时间序列数据的分类［24］。

Koski在对ECG识别中引入直线作为基元，按照斜率将直线划分为5类，并结合间期、幅度差等特征，利用自动机完成 ECG波形识别［25］。Koski在上述研究的基础上，引入了隐马尔科夫模型（hidden Markov model，HMM），完成正常和异常 ECG的分类［26］。他分别建立正常 ECG的隐马尔科夫模型Mn和异常ECG的模型Mp，并通过计算ECG信号S的条件概率p（S|Mn）、p（S|Mp）来判断 S所属的类型。Rigatos利用与 Koski类似的方法描述基元，引入两层模糊自动机完成正常和异常 ECG识别［27］。Andreño针对ECG主要波形，建立6类隐马尔科夫模型，称为基本波形模型（elementary waveform model，EWM），并在各类EWM的基础上，进一步建立针对不同心拍类型的HMM［28］。

最近一些研究对医学专家视觉信息中的结构信息给予较多关注。Zhou等引入镜像高斯模型（mirrored Gauss modeling，MGM）拟合 QRS波群的曲线信息［29］，分别用3个参数来描述 Q波、R波、S波，从而获取 QRS波群间期。医学专家认知、辨识ECG时会关注波形结构的变化，Dong等依据医学专家诊断ECG的知识，定义 Qs、Rs、顿挫等在内的形态特征［30］。实验结果表明，引入形态特征后，可提高室性期前收缩类型心拍的识别率。通用电气公司申请的专利也涉及对ST-T段和T波形态的关注［31］。

很多研究工作将结构识别的方法与统计模式识别结合［32-36］。这类方法首先定义ECG中的典型形态特征，然后用特征向量描述基本结构，并借助统计模型完成分类。飞利浦公司申请的专利通过模版提取P波的形态和位置信息，将其与RR间期组合识别房颤［37］。Chazal等分别用10个和9个采样点振幅数据，描述QRS波和S波到T波结束段的形态特征；引入不同指标的RR间期，描述相邻心拍之间的关系；并用线性判别函数作为分类器［34］，完成对美国医疗器械促进协会（AAMI）定义的5类ECG［38］的分类。Christov等对比研究了包括ECG波形面积、波形斜率变化率、波形正弦余弦值等形态特征的描述方式与基于匹配跟踪算法的频域特征描述方式对分类结果的影响［36］。实验结果表明：当心拍之间的重复性较高时，频域特征的描述更合适；反之，则形态特征描述更好。

1.2.2 存在的问题

结构识别的核心是定义对象的结构，称为基元（primitives），并采用规则或语法结构作为基元的识别函数。结构模式识别在基元的描述和识别函数的设计中，需要借助较多的领域知识。早期的研究多以通用的结构（如直线等）作为基元。文献［29，34，36］等的工作注意到了医生视觉信息中的结构模式，并将结构信息用特征向量的形式表达。从实验效果来看，结构信息的引入能够有效地提高分类器的准确性。

从医学角度说，QRS波群的形态模式有20余种，有经验的医生凭记忆中的模版能迅速判断ECG反映了什么病症，这个过程实际上是一个分层的、由粗而细的综合和分析过程［39］。结构模式的引入能够有效模拟医生记忆中更粗粒度的特征。目前应用于ECG分类中的结构表示方式还比较单一，而且仅限于一段固定时间范围内的波形描述。就ECG模式分类而言，完整的结构识别方法需要包括结构定义、结构表示、结构识别算法等，这些问题都有待更深入的研究。

1.3 统计模式识别

1.3.1 研究进展

20世纪90年代以来，统计模式识别的方法逐渐应用于ECG模式分类研究中，并成为该领域的主要分支。

支持向量机（support vector machine，SVM）在ECG识别领域的应用是近几年来最主要的进展之一［40-44］。Uyar等以获取高可信度的分类结果、减少类别错分的医学风险为目标，在SVM算法的基础上引入包含拒绝判定区域的SVM-RO（reject option）方法［40］，并进一步研究了将全局SVM-RO分别与局部的逻辑回归模型（logistic regression，LR）、K最近邻分类（K-nearst neighbors，KNN）等串行融合的方法。Osowski等分别用高阶累积量和希尔伯特基函数获取同一信号的两组特征集，针对这两组特征集分别训练得到两个SVM分类器，最终用加权投票法对分类结果集成［41］。利用用最小均方误差来确定各分类器的权值，有，

式中，Y为各个分类器的判决结果，D为正确分类的结果，W为需要求解的分类器权值。

Polat、Acir等分别将最小二乘SVM引入到ECG的分类问题中［44-46］，许建强等研究了利用小波分析和SVM对12导联ECG进行正常和异常分类的方法［47］。

KNN［36］、Bayes［48］、马氏距离等基于统计的模式分类方法也应用于ECG的分类研究中。Chazal等考虑到了ECG在个体之间差异较大的问题，为了提高分类模型的适用性，将全局分类函数和局部分类函数结合，提高了分类的准确性［35］。Christov等也将全局分类器和局部分类器结合，利用KNN完成分类任务［36］。

除此之外，ECG的特征提取与特征选择方法在统计模式分类中得到较多的重视，主成分分析（principal component analysis，PCA）［45，49-50］、独立成分分析（independent component analysis，ICA）［42，51］、 小波分析（wavelet analysis WA）［43，46-47，52］等多种特征提取的方法被应用于ECG的分类研究中。

Jiang等分别用ICA和WA提取同一心拍的信息，用互信息选择算法进行特征选择，最后利用SVM对最终特征空间分类［42］。Acir用原始振幅值、离散余弦变换、Daubechies-2小波变换提取ECG特征［43］，同时研究了基于类间距的可分性判据对不同特征向量进行特征选择的方法［46］。Martis等用心拍原始振幅数据与三阶线性预测函数的差值作为ECG的特征值，再利用PCA进行特征选择，进而对数据进行聚类，完成 ECG的两分类判别［49］。Mehmet等分别利用三阶累计量、三阶自回归模型、基于小波熵的小波变换模型提取ECG特征，结合基于距离的聚类模型对3种特征集的分类效果进行了分析［53］。Yu等在用 ICA提取 ECG信号时，考虑了RR间期和QRS形态对于分类的重要意义。依据RR间期的变化，提取两种时间长度的QRS波形，并在此基础上提取独立成分［51］。惠普公司申请的专利引入核函数，计算给定ECG与由专家筛选的典型类型ECG模式的相对差异，得到基于该差异的特征向量并以此作为分类依据［54］。

1.3.2 存在的问题

统计模式识别的核心是用d维特征向量描述对象，依据分类错误率寻找最佳分类判别函数，从而得到类别在d维空间中的最佳划分。统计模型对领域知识依赖较少，算法的优劣较多依赖于样本的特征表示方式。目前的研究对于特征提取方法的讨论较多，其中以 Yu和 Acir的工作最具代表性［43，46，51］，他们对比研究了多种不同特征提取方法的效果。分类器融合、局部分类器与全局分类器构建、结构特征的引入等，是近年来统计模式识别方法在ECG分类应用中的主要进展。

从实验结果来看，统计模型的准确率较高，且适合计算机处理，但是泛化能力依然不能令人满意，将其直接应用于实际环境中难以达到较好的实用效果。相对于特征提取方法而言，分类器本身的结构分析以及面向实际复杂数据的分类模型构建等问题，在以往的研究中讨论得较少，都值得进一步探讨。

1.4 神经网络的分类方法

1.4.1 研究进展

由于经典人工智能遇到难以克服的瓶颈和问题，人们曾寄予人工神经网络以极大希望。由于认知神经科学的结论迄今为止颇为有限，人脑机制和目前的机器结构似乎又大相径庭，因而人工神经网络研究在经历高潮后又趋于平静，但也有一些研究人员在不断进行尝试。Ceylan等近期做了若干针对ECG的神经网络分类工作［55-57］；首先，用模糊 C均值聚类方法对原始数据进行聚类分析，抽取每个类别中心点的数据构成新的小样本集，从而减少训练样本的数量；然后，对样本进行主成分分析，降低维度，并将降维后的数据输入多层感知器（multilayered perceptron）网络进行分类。Ceylan等建立的神经网络结构能够较好地缩短神经网络模型的训练时间。Engin与 Ceylan建立的模糊混杂网络相同［58］，并同时对 3种特征提取算法进行比较。Hosseini等将形态特征、波形的统计特征、QRS波压缩后的振幅特征等组合成25维的特征向量作为神经网络输入，重点研究了单个神经网络模型以及两个神经网络模型的组合分类问题［59］。

很多学者的工作都涉及特征提取（或选择）方法与神经网络分类模型的结合。Yu和Lin等分别研究了小波与概率神经网络（probabilistic neural network）结合实现 ECG模式分类［60-61］。Yu等还研究了ICA与神经网络的结合［62］。Gaetano等采用径向基函数（radial basis function，RBF）对原始的数据进行平滑处理，径向基函数的系数构成特征向量，将其作为前馈神经网络（feed-forwardneural network）的输入进而实现分类［63］，有

式中，ai（i=1，2，…，m）为所需要求解的特征向量，tj为原始信号采样时间，p为采样点总数，m为函数叠加次数，Φ（tj-cj） 为径向基函数，y（ti）为第ti采样点的振幅。Ubeyli采用特征向量法提取原始ECG的功率谱，用反馈神经网络建立针对4类ECG的分类模型［64］。

基于自组织映射（self-organizing map，SOM）的聚类模型也被应用于ECG的自动分析中。Gaetz等利用SOM分析抑郁症病人的ECG，结果表明非监督学习能够很好地将临床上不同组的数据区分［65］。Talbi等利用SOM对室性期前收缩 ECG做聚类分析，在自组网的映射中用QRS波群经快速傅里叶变换的功率谱作为特征［66］。Moavenian等对比研究了SVM和MLP的分类效果，从实验结果来看，SVM的训练时间优于 MLP［67］。

1.4.2 存在的问题

近几年，基于神经网络的ECG分类方法研究大多通过建立混杂（Hybrid）的网络模型来解决分类的准确性和适应性问题。以神经网络分类器为背景，Yu和Ubeyli等也做了许多有关特征提取方法的研究［62-64］。

神经网络模型在实际应用中面临如下问题：在具体应用中，很难确定最优的网络结构；实际数据与训练数据的分布存在较大差异，直接将神经网络模型应用于实际问题也很难得满意的效果；在实际应用中，神经网络模型很难根据应用环境调整。可见，上述因素限制了神经网络模型在ECG自动识别中的进一步应用。

2 主要的挑战与解决途径

除上述方法之外，人工生命［68］、免疫算法［69］、遗传算法［70］等也在 ECG模式分类中有一定应用。另外，许多国内外专利也涉及对ECG分类方法的讨论。总体来看，统计模式识别和神经网络模型针对标准ECG数据库的模式分类已经达到较高的准确率。表1分别从实验数据、实验方法、类别数等方面对近年来ECG模式分类方法进行对比，其中“准确性”为该模型所对应的最佳实验结果。

表1 心电图模式分类方法对比Tab.1 The comparison of different electrocardiogram pattern classification methods

由于实验数据集的差异，表1统计的准确率仅供参考，并不能完全作为各分类方法之间对比的依据。Chudáˇcek等对比分析了7种分类方法分别在两类数据集上的分类效果［71］，表明 SVM的泛化能力要强于神经网络和决策树模型，但是当分类模型应用于更多的数据时，准确率均有较大下降，难以实际应用。

由此可见，ECG模式分类仍然面临诸多挑战，尤其是面向实际应用的 ECG模式分类研究，具体包括：

1）在实际应用中，ECG数据分布的复杂性给分类模型的建立带来诸多困难。ECG在不同病人之间存在很大差异，不同疾病的病人间、同类疾病的病人间以及同一个病人不同时刻的ECG都可能存在很大的差异［53，72］。随着数据量的增加，类别的可分性变弱，统计模型的泛化能力下降。

2）临床数据存在标注瓶颈，虽然已有的ECG标准数据库为各类算法的对比提供了有利的参照，但是相对临床数据而言，标准数据库在数据规模、数据分布等方面存在较大差异，不能满足在面向实际应用中对大规模标注数据的需求。而对于临床数据的标注而言，由于标注工作量巨大，难以获得大规模标注数据库。

3）模式分类算法之间很难直接对比，因为分类算法的评估指标多提到灵敏度、特异性、准确率，却较少讨论实验数据本身的差异，从而无法真正实现各分类算法之间的对比。

4）ECG特征提取和表示问题，尤其是融合医学专家诊断过程中所关注的特征是重要且有待突破的难题。

下面具体讨论以上问题的潜在解决途径。

2.1 面向实际ECG的分类器构建问题

在实际应用中，ECG数据量大，类别之间交叉的可能性增大，特征的可区分度变弱。针对该问题，可以从降低分类问题的难度、增强分类模型的识别能力两个方面来尝试提高分类方法的准确性。

医学上定义的ECG类型呈典型的树形结构，据此运用自顶向下的多层分类模型，在不同的层次训练不同的分类模型，进而完成多分类。这是降低类别间交叉度的潜在途径之一。

降低分类问题难度的其他可能方法是利用多导联数据建立分类模型，从而提高类别间的区分度。ECG采集过程中获取的多导联数据是相同时刻、不同采集点对心脏运动的记录。基于多导联数据的分类模型，可增强类别间的区分度，从而提高分类的准确性。许建强等提取12导联的特征向量，将其作为SVM的输入来完成两分类实验［47］。童佳斐等以专家经验为基础，在每个导联分别提取14种特征，建立基于SVM的分类模型［73］。飞利浦和通用电气公司申请的专利也涉及针对12导联分类的讨论［21，31］。

从增强分类器的识别能力来说，多分类器融合是值得深入研究的方向。多分类器融合，是把多个分类器的分类结果按照一定的规则进行融合，进而决定最终的分类结果。大量的实验和应用表明，多分类器融合往往比单个分类器的分类效果好。多分类器融合的算法大致可分为两类：一类是基本分类器之间不存在强的依赖关系、可以并行生成的算法（如 Bagging等），一类是基本分类器之间存在强的依赖关系、必须串行生成的算法（如 AdaBoost等）。Osowski尝试了多个SVM融合的ECG模式分类实验，Uyar完成了多个分类器级联的分类实验。结果表明，分类模型的准确率有所提高。

另外，将知识和统计方法相结合，也是一种增强分类器识别能力的潜在途径。结构识别的方法更接近于人脑的思维方式，但是思维中的不确定性很难准确定义，导致这类模型的鲁棒性不强。统计模型易于计算机表示和处理，但是泛化能力差，难于面向复杂的实际应用。随着模式识别的理论体系不断发展和成熟，将知识与统计方法相融合的研究逐渐出现。文献［74］针对计算机视觉信息处理问题提出：为了提高计算机模拟人类视觉的能力，今后的方向应该是将结构法与统计法相结合。Duin等从方法论的角度讨论了4类不同模式识别方法的特点，并认为结构与统计的结合是模式识别研究的一个重要方向［10］。文献［75］强调重视领域专家经验和形象思维过程，并指出模拟医生判读ECG的思维过程的重要性。知识与统计方法的结合有多种途径，如在知识推理过程中融入不确定性参数，增强其模型的鲁棒性；或从更粗的粒度上考虑，分别建立基于知识和统计方法的不同分类器，再将它们进行融合。近年来出现的统计关系学习模型［76］，融入了一阶逻辑、似然理论、机器学习等多方面的思想，为解决实际复杂问题提供了新的思路。目前，将知识与统计方法相结合进行ECG模式分类研究还较少。如何更好地利用医学知识或专家经验，并结合统计模型来建立分类器，值得更深入研究。

2.2 临床数据的标注瓶颈

国际上现有的ECG标准数据库为各种ECG模式分类方法之间的比较提供了统一的数据基础，但限于其数据规模和标注规范而难以胜任实际临床应用。

ECG标注数据库的存储标准是标注的基础。可扩展标记语言（extensible market language，XML）已经广泛应用于数据的定义和交换，在XML基础上发展起来的ECGXML［77］和XML-ECG［78］是现有的两种ECG数据交换标准。国内有学者在建立中国人心脏疾病ECG数据库方面开展了基础性工作，并在已有存储标准的基础上制定了面向实际应用的ECG原始数据和标注数据的存储格式［79］。

ECG数据的标注工作是一项非常辛苦而繁琐的任务。医学专家需要完整标注包括每个心拍的疾病类型，以及各个导联数据的波形起点、终点、波峰点等在内的信息，这比临床诊断过程更为复杂。针对标注过程工作量大、纯手工标注等缺点，进一步研究基于计算机辅助的半自动标注方法具有实际意义。非监督学习能够在样本标签未知的情况下进行数据的聚类分析，但是类别数的确定往往是聚类方法的难点。在非监督学习基础上发展而来的半监督学习，为小样本量下的分类工作提供了有效手段，可以作为提高标注效率的切入点进行研究。

2.3 分类模型的对比困难

目前，针对 ECG分类模型的研究大多以标准ECG数据库为基础，各方法的灵敏度、特异性、准确率等指标都有讨论。但是，许多研究工作往往是利用ECG数据库中的部分类型或者部分数据完成实验，这种不一致性给不同模型的对比带来困难。因此，就ECG模式分类的研究工作而言，建立统一有效的评估指标是有意义的。

笔者认为，分类模型统一评估指标应包含：训练数据的复杂度，测试数据的复杂度，算法灵敏度、特异性、准确率等多个方面。其中，数据的复杂度度量标准最容易被忽略，而又是各类方法之间对比的基础。数据的数量、类别等是最基础的复杂度信息，类间距、类内距、熵等指标可作为数据复杂度的参考。文献［80］提出的云模型对数据中的不确定性进行考虑，是一种定量与定性转换的模型，而云模型中的参数也可以作为数据复杂度的度量指标进行研究。

2.4 特征提取与表示问题

目前，已有很多对ECG特征提取与表示方法的研究，其中时域特征大多通过斜率阈值法获取［81］，频域特征往往以R波峰为中心点、左右各取一定量的数据进行特征变换获得。ECG特征提取与表示方式是分类模型建立的关键。在Chazal和Christov的研究工作中，除了关注常见的医学特征外，还考虑了 ECG波形中的面积、斜率变化等特征［35-36］。笔者认为，医学专家的领域知识能够为ECG数据的特征定义提供指导。因此，获得经过医学专家确认的特征集合进而研究特征的提取和表示，将是一条有效途径。形态特征是医学专家进行判断的视觉结构信息（图2为典型的QRS波群形态），在特征空间中有效地增加这部分信息的描述将降低分类难度。Dong等首先确定了医学领域中常见波形形态特征的定义，进而研究了形态特征的表达和识别问题［30］。总体来说，无论是时域特征还是频域特征，如果能够充分吸纳和融合医学知识实现特征的提取或表示，将对后续分类问题的解决起到重要作用。

图2 心电图的 QRS形态（各子图上方为记录-导联，下方为形态特征描述）Fig.2 ECG QRS morphology（The character at the top of each sub-figure is record-lead and at the bottom of each sub-figure is morphology feature description.

3 结语

笔者从方法论的角度，总结并分析了近年来一些专家学者采用不同方法在ECG模式分类领域的进展和研究成果。目前，ECG模式分类主要是解决面向实际应用的ECG分类，具体包括面向实际应用数据的分类器构建、面向应用的ECG数据的存储和标注、分类模型统一对比方法、特征提取和表示等问题，最后对可能的解决途径进行了探讨。

ECG模式分类融合了生物医学工程、人工智能等多个领域发展至今的成果。笔者从ECG模式分类问题入手提炼出的研究问题在许多其他模式识别应用领域也有存在，这也在一定程度上反映了模式识别技术在医学领域应用过程中存在的瓶颈和困难。因此，面向实际应用的复杂数据分类方法是模式识别技术在医学领域应用过程中非常关键并且很有意义的研究方向，也为计算机技术在其他领域的交叉、应用起到了积极的推动作用。

［1］李志平，张福利，马学博.心电研究与现代心电图检测法建立的历史回顾［J］.中华医史杂志，1999，29（4）：215-219.

［2］Dong Jun，Xu Miao，Zhu Honghai，et al.Wearable ECG recognition and monitor［A］.In：Proceedings of 18th IEEE Symposium on Computer-Based Medical Systems［C］.Dublin：IEEE Computer Society，2005.413-418.

［3］MincholA， JagerF， Laguna P.Discrimination between ischemic and artifactual ST segment events in Holter recordings［J］.Biomedical Signal Processing and Control，2010，5（1）：21-31.

［4］Qiao Li，Clifford GD.Suppress False Arrhythmia Alarms of ICU Monitors Using Heart Rate Estimation Based on Combined Arterial Blood Pressure and Ecg Analysis［A］.In：The InternationalConference on Bioinformatics and Biomedical Engineering ［C］.Shanghai：IEEE Computer Society，2008.2185-2187.

［5］李延军，严洪，杨向林，等.基于心率变异性的精神疲劳的研究［J］.中国生物医学工程学报，2010，29（1）：1-6.

［6］Friedemann W，Stallmann D，Hubert V，et al.Automatic recognition of electrocardiographic waves by digital computer［A］.In：Proceedings of the Fifth Annual Meeting of the Biophysical Society［C］.St.Louis Missouri：The Biophysical Society，1961.1138-1143.

［7］Dong Jun，Zhu Honghai.Mobile ECG detector through GPRS/Internet［A］.In：Proceedings of 17th IEEE Symposium on Computer-Based MedicalSystem［C］.Bethesda：IEEE Computer Society，2004.485-489.

［8］吉量软件.十二导联同步蓝牙心电采集盒 ［EB/OL］.http：//www.jlsofttech.com/product_view.asp?cid=23＆id=33，2008-12-02/2010-04-30.

［9］Dong Jun，Tong Jiafei，Liu Xia.The abnormal vs.normal ECG classification based on key features and statistical learning［A］.In：Lecture 2010.136-143.

［10］Duin RPW，Pekalska E.The science of pattern recognition achievements and perspectives［M］.Berlin Heidelberg：Springer-Verlag，2007.

［11］Kundu M，Nasipuri M，Kumar BD.Knowledge-based ECG interpretation：a critical review ［J］.Pattern Recognition，2000，33（3）：351-373.

［12］Stockman GC，Kanal LN.Problem reduction representation for the lingusitic analysis of waveforms［J］.Pattern Analysis and Machine Intelligence，1983，5（3）：287-298.

［13］TsipourasMG， Fotiadis DI， Sideris D.An arrhythmia classification system based on the RR-interval signal［J］.Artificial Intelligence in Medicine，2005，33（3）：237-250.

［14］Kim K，Jin H.Design of a clinical knowledge base for heart disease detection［A］.In：The 7th International Conference on Computer and Information Technology［C］.Aizu-Wakamatsu：IEEE Computer Society Press，2007.610-615.

［15］Kundu M，Nasipuri M，Basu DK.A knowledge-based approach to ECG interpretation using fuzzy logic［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B，1998，28（2）：237-243.

［16］CarraultG， CordierMO， Quiniou R， etal.Temporal abstraction and inductive logic programming forarrhythmia recognition from electrocardiograms［J］.Artificial Intelligence in Medicine，2003，28（3）：231-263.

［17］Exarchos TP，Papaloukas C，Fotiadis DI.An association rule mining-based methodlogy for automated detection of ischemic ECG beats［J］.IEEE Transactions on Biomedical Engineering，2006，53（8）：1531-1540.

［18］ExarchosTP， Tsipouras MG， Exarchos CP， etal.A methodology for the automated creation of fuzzy expert systems for ischaemic and arrhythmic beat classification based on a set of rules obtained by a decision tree［J］.Artificial Intelligence in Medicine，2007，40（3）：187-200.

［19］Rodriguez J，Goni A，Illarramendi A.Real-time classification of ECGs on a PDA ［J］.IEEE Transactions onInformation Technology in Biomedicine，2005，9（1）：23-34.

［20］Wang Liping，Shen Mi，Tong Jiafei，et al.A uncertain reason method for abnormalECG detection ［A］.In：IEEE International Symposium on IT in Medicine＆ Education［C］.Jinan：IEEE Computer Society，2009.1091-1096.

［21］周 S·，雷迪 S·，格雷格RE·，等.病变冠状动脉的自动识别［P］.中国专利：CN101795622，2010-08-04.

［22］Lin Chii-Wann，Hsiao Tzn-Chien，Liu Chien-Sheng.Rapid method for analyzing bio-signal instantaneously by phase space complexity difference and its device ［P］.USA：US20100179396，2010-07-15.

［23］Fu King-Sun.Syntactic Pattern Recognition and Applications［M］.Englewood Cliffs，New Jersey：PrenticeHall，1982.

［24］Olszewski RT.Generalized feature extraction forstructural pattern recognition in timeSeries data［D］.Pittsburgh：Carnegie Mellon University，2001.

［25］Koski A，Juhola M，Meriste M.Syntactic recognition of ECG signals by attributed finite automata［J］.Pattern Recognition，1995，28（12）：1927-1940.

［26］Koski A.Modelling ECG signals with hidden Markov models［J］.Artificial Intelligence in Medicine，1996，8（5）：453-471.

［27］Rigatos GG.Faultdetection and isolation based on fuzzy automata［J］.Information Sciences Special Section：Web Search，2009，179（12）：1893-1902.

［28］Andreao RV，Dorizzi B，Boudy J.ECG signal analysis through hidden Markov models［J］.IEEE Transactions on Biomedical Engineering，2006，53（8）：1541-1549.

［29］Zhou Qunyi，Liu Xing，Duan Huilong.ECG beat classification using mirrored gauss model［A］.In：Proceedings of the 27th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Shanghai：IEEE Computer Society，2005.5587-5590.

［30］Dong Jun，Zhang Jiawei.Experiences-based intelligence simulation in ECG recognition ［A］.In：Proceedings of International Conference on Computational Intelligence for Modelling，Controland Automation ［C］.Vienna：IEEE Computer Society，2008.796-801.

［31］薛 JQ，罗兰森 GI.用于心脏病学和病人监护数据分析的多层系统［P］.中国专利：200710105373.5，2007-04-17.

［32］Karimifard S，Ahmadian A.Morphological heart arrhythmia classification using hermitian model of higher-order statistics［A］.In：Proceedings of the 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Lyon：IEEE Computer Society，2007.3132-3135.

［33］Syeda-Mahmood T， BeymerD， Wang Fei.Shape-based matching of ECG recordings［A］.In：29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Lyon：IEEE Computer Society，2007.2012-2018.

［34］Philip DC，Maria DO，Richard RB.Automatic classification of heartbeats using ECG morphology and heartbeat interval features［J］.IEEE Transactions on Biomedical Engineering，2004，51（7）：1196-1206.

［35］Philip DC，Richard RB.A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features［J］.IEEE Transactions on Biomedical Engineering，2006，53（12）：2535-2543.

［36］Christov I，Omez-Herrero GE，Krasteva V，et al.Comparative study of morphological and time-frequency ECG descriptors for heartbeat classification ［J］.Medical Engineering ＆ Physics，2006，28（9）：876-887.

［37］Babaeizadeh S， Gregg RE， Helfenbein E， etal.Atrial fibriliation monitoring［P］.世界专利：WO2009090581，2009-07-23.

［38］ANSI/AAMIEC57：1998 standard， Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms［S］.

［39］董军，徐淼，詹聪明，等.心电图识别与分类：方法、问题和新途径［J］.生物医学工程学杂志，2007，24（6）：1224-1229.

［40］Uyar A，Gurgen F.Arrhythmia classification using serial fusion of support vector machines and logistic regression［A］.In：Proceedings of the 4th IEEE Workshop on Intelligent Data Acquisition and Advanced Computing Systems：Technology and Applications ［C］.Dortmund：IEEE ComputerSociety，2007.560-565.

［41］Osowski S，Hoai LT，Markiewicz T.Support vector machinebased expert system for reliable heartbeat recognition［J］.IEEE Transactions on Biomedical Engineering，2004，51（4）：582-589.

［42］Jiang Xing，Zhang Liqing，Zhao Qibin，et al.ECG arrhythmias recognition system based on independent component analysis feature extraction［A］.In：Proceedings of IEEE Region 10 Conference TENCON ［C］.HongKong：IEEE Computer Society，2006.1-4.

［43］Acir N.A support vector machine classifier algorithm based on a perturbation method and its application to ECG beat recognition systems［J］.Expert Systems with Applications，2006，31（1）：150-158.

［44］Polat K，Akdemir B，Gunes S.Computer aided diagnosis of ECG data on the least square support vector machine ［J］.Digital Signal Processing，2008，18（1）：25-32.

［45］Polat K， Gunes S.Detection of ECG arrhythmia using a differential expert system approach based on principal component analysis and least square support vector machine［J］.Applied Mathematics and Computation，2007，186（1）：898-906.

［46］Acir N.Classification of ECG beats by using a fast least square support vector machines with a dynamic programming feature selection algorithm ［J］.Neural Computation ＆ Application，2005，14（4）：299-309.

［47］许建强，袁震东，李高平，等.基于小波变换的12-导联心电图特征提取方法［J］.华东师范大学学报（自然科学版），2005，5（2）：27-32.

［48］Muirhead RJ，Puff RD.A Bayesian classification of heart rate variability data ［J］.Physica A：Statistical and Theoretical Physics，2004，336（3-4）：503-513.

［49］Martis RJ，Chakraborty C，Ray AK.A two-stage mechanism for registration and classification of ECG using gaussian mixture model［J］.Pattern Recognition，2009，42（11）：2979-2988.

［50］黄忠朝，陈裕泉，敏潘.心电图房颤信号提取的主分量分析研究 ［J］.浙江大学学报（工学版），2007，41（5）：563-859.

［51］Yu Sung-Nien，Chou Kuan-To.A switchable scheme for ECG beat classification based on independent component analysis［J］.Expert Systems with Applications，2007，33（4）：824-829.

［52］Ueyli ED.ECG beats classification using multiclass support vector machines with error correcting output codes［J］.Digital Signal Processing，2007，17（3）：675-684.

［53］Engin M，Fedakar M，Engin EZ，et al.Feature measurements of ECG beats based on statistical classifiers［J］.Measurement，2006，40（9-10）：904-912.

［54］莫雷诺 P，戈多 D，罗甘 B.用于心脏病学和病人监护数据分析的多层系统［P］.中国专利：200580011901.X，2007-07-11.

［55］Ceylan R， Ozbay Y， Karlik B.A novelapproach for classification of ECG arrhythmias：Type-2 fuzzy clustering neural network ［J］.Expert Systems with Applications，2009，36（3，Part 2）：6721-6726.

［56］Ceylan R，Ozbay Y.Comparison of FCM，PCA and WT techniques for classification ECG arrhythmias using artificial neural network ［J］.Expert Systems with Applications，2007，33（2）：286-295.

［57］Ozbay Y，Ceylan R，Karlik B.A fuzzy clustering neural network architecture for classification of ECG arrhythmias ［J］.Computers in Biology and Medicine，2006，36（4）：376-388.

［58］Engin M.ECG beat classification using neuro-fuzzy network［J］.Pattern Recognition Letters，2004，25（15）：1715-1722.

［59］Hosseini HG，Luo D，Reynolds KJ.The comparison of different feed forward neuralnetwork architectures for ECG signal diagnosis［J］.Medical Engineering＆ Physics，2006，28（4）：372-378.

［60］Yu Sung-Nien，Chen Ying-Hsiang.Electrocardiogram beat classification based on wavelet transformation and probabilistic neural network ［J］.Pattern Recognition Letters，2007，28（10）：1142-1150.

［61］Lin Chia-Hung，Du Yi-Chun，Chen Tainsong.Adaptive wavelet network for multiple cardiac arrhythmias recognition［J］.Expert Systems with Applications，2008，34（4）：2601-2611.

［62］Yu SN， Chou KT.Integration ofindependentcomponent analysis and neural networks for ECG beat classification［J］.Expert Systems with Applications，2008，34（4）：2841-2846.

［63］De GA.，Panunzi S，Rinaldi F，et al.A patient adaptable ECG beatclassifier based on neural networks ［J］.Applied Mathematics and Computation，2009，213（1）：243-249.

［64］Ubeyli ED.Combining recurrent neural networks with eigenvector methods for classification of ECG beats［J］.Digital Signal Processing，2009，19（2）：320-329.

［65］Gaetz M，Iverson GL，Rzempoluck EJ，et al.Self-organizing neural network analyses of cardiac data in depression ［J］.Neuropsychobiology，2004，49（1）：30-37.

［66］Talbi ML，Charef A.PVC discrimination using the QRS power spectrum and self-organizing maps［J］.Computer Methods and Programs in Biomedicine，2009，94（3）：223-231.

［67］Moavenian M，Khorrami H.A qualitative comparison of artificial neural networks and support vector machines in ECG arrhythmias classification［J］.Expert Systems with Applications，2010，37（4）：3088-3093.

［68］Korurek M，Nizam A.Clustering MIT-BIH arrhythmias with ant colony optimization using time domain and PCA compressed wavelet coefficients［J］.Digital Signal Processing，2010，20（4）：1050-1060.

［69］Bereta M，Burczynski T.Comparing binary and real-valued coding in hybrid immune algorithm for feature selection and classification of ECG signals［J］.Engineering Applications of Artificial Intelligence Soft Computing Applications，2007，20（5）：571-585.

［70］Nasiri JA，Naghibzadeh M，Yazdi HS，et al.ECG arrhythmia classification with support vector machines and genetic algorithm［A］.In：Proceedings of 3rd UKSim European Symposium on Computer Modelingand Simulation ［C］.Athens：IEEE Computer Society，2009.187-192.

［71］Chudacek V，Petrik M，Georgoulas G，et al.Comparison of seven approaches for holter ECG clustering and classification［A］.In：29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Lyon：IEEE Computer Society，2007.3844-3847.

［72］Inan OT，Giovangrandi L，Kovacs GTA.Robust neural-networkbased classification of premature ventricular contractions using wavelet transform and timing interval features ［J］.IEEE Transactions on Biomedical Engineering，2006，53（12）：2507-2515.

［73］童佳斐.心电图常见疾病的统计模式识别分类方法的应用研究［D］.上海：华东师范大学，2010.

［74］张钹.第134期东方科技论坛-计算机视觉与仿制脑［EB/OL］.http：//www.efst.sh.cn/showMeet.do?id=522，2009-10-25/2010-01-22.

［75］Dong Jun，Xu Miao，Zhang Xianjun，et al.The creation process of chinese calligraphy and emulation of imagery thinking［J］.IEEE Intelligent Systems，2008，23（6）：56-62.

［76］Wang Jue，Domingos P.Hybrid markov logic networks［A］.In：Proceedings of the Twenty-Third National Conference on Artificial Intelligence［C］.Chicago：IEEE Computer Society，2007.1106-1111.

［77］Wang Haiying，Azuaje F，Jung B，et al.A markup language for electrocardiogram data acquisition and analysis（ecgML）［J］.BMC Medical Informatics and Decision Making，2003，3（7）：4-17.

［78］Lu Xudong，Duan Huilong，Zheng Huiying.XML-ECG：An xml-based ECG presentation for data exchanging［A］.In：InternationalConference on Bioinformatics and Biomedical Engineering［C］.Wuhan：IEEE Computer Society，2007.1141-1144.

［79］Zhang Jiawei， Wang Liping， Zhu Honghai， et al.Chinese cardiovascular disease database（CCDD）and its management tool［A］.In：Proceedings of IEEE International Conference on Bioinformatics and Bioengineering［C］.Philadelphia：IEEE Computer Society，2010.66-72.

［80］李德毅，刘常昱，杜鹢，等.不确定性人工智能［J］.软件学报，2004，15（11）：1583-1594.

［81］Pan J，Tompkins WJ.A real-time QRS detection algorithm［J］.IEEE Transaction on Biomedical Engineering，1985，BME-32（3）：230-236.