基于混沌特性和BP神经网络的室性早搏的自动诊断

刘秀玲，杜海曼，吕方飞，陈飞，刘明

（1.河北大学电子信息工程学院数字医疗工程重点实验室，河北保定 071002）

早搏是指异位起搏点发出的过早冲动引起的心脏搏动，为最常见的心律失常.根据早搏起源部位的不同将其分为房性、室性和结性，其中以室性早搏最常见.室性早搏的发生具有随机性和不确定性，需要长时间的观测人体的动态心电图进行确诊.这使得采集数据量巨大，医生长期从事大量图形的识别工作，极易疲劳，容易出错，因此，探索新方法以提高诊断的准确率成为当前心电技术中迫切需要解决的问题.目前，国内外很多的研究都集中于此.Yeh YC等［1］对于心律不齐采用聚类分析的方法，通过检测QRS波形，选择定性特征，确定心跳的情况.该方法不需要复杂的数学计算，分类精度较高.Wang JS［3］提出了一种有效的心电分类方法，利用结合主成分分析和线性判别分析的特征简约法以及概率神经网络分类器来区分8种不同类型的心律失常.曹玉珍等［3］提出了基于小波变换特征提取的支持向量机的分类研究方法，在离散小波变换并提取优化特征组合的基础上，采用标准算法构建支持向量机分类器实现分类，相对于神经网络的识别方法在检测性能上更优，复杂程度降低.文献［4］提出利用小波变换和时间间隔结合神经网络实现对室性早搏的分类，该方法利用大数据集进行测试，敏感度和精度还有待提高.

以上分析方法，虽然能取得一定的识别效果，但是需要的特征较多，增加了特征提取的难度和特征筛选的复杂度.而混沌理论可以很好地解决此问题，研究表明，较少的混沌特征就足以实现心电信号的自动诊断，取得了很好的效果.本文提出了一种根据早搏异位起搏点发出过早冲动的特性，识别出早搏心拍，再基于心电信号混沌特性分析和Lyapunov指数计算的室性早搏的自动诊断新方法.根据室性早搏类信号在Lyapunov指数相关分析中的特殊性，利用BP神经网络进行训练，完成室性早搏信号的准确识别.

1 理论和方法

1.1 整体框架

本文所提出的方法框架如图1所示，主要包括3个阶段，即R峰值检测，早搏心拍识别，室性早搏诊断.心电信号中R波相对其他波段来说最为明显，首先采用能量法凸显QRS波，进而通过阈值处理并优化找到R峰值.再根据早搏特点通过RR间期不均匀性识别出早搏心拍.最后根据室性早搏Lyapunov指数导数相关分析的明显特征，通过神经网络的训练达到识别出室性早搏类别心拍的目的.

图1 方法框架Fig.1 Block diagram of the method

1.2 理论基础

其中x1＝f（x0），x2＝f（x1）＝）L，则Lyapunov指数为

一维映射就对应一个Lyapunov指数，而且当Lyapunav指数大于0时该系统具有混沌特性.

1.2.2 BP神经网络

BP神经网络［8］是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一.BP网络能学习和存储大量的输入、输出模式映射关系，而无需事先揭示描述这种映射关系的数学方程.它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小.BP神经网络模型拓扑结构包括输入层、隐含层和输出层.典型的3层BP神经网络如图2所示.

图2 3层BP神经网络Fig.2 BP neural network of three layers

1.3 实现方法

1.3.1 R波峰值检测

首先，采用小波变换［9－10］去除心电信号中的噪声，选择DB6（Daubechies 6）作为小波基进行小波分解；在阈值处理时，使用一种自适应的阈值方法，对于不同类噪声的适应性得到提高.其次，对信号进行小波重构，从能量和频率方面进行处理，心电信号的绝大部分能量集中于QRS波群，而P波和T波能量较小，该重构方法能很好地包容大部分的QRS信息，滤除大部分的P波和T波.R峰值即能量峰值，每1个能量峰值点对应1个QRS波群.采用阈值法得到粗略的能量峰值点，并对其进行优化.对滤波信号加适当的时间窗，每1个窗口范围内寻找极大值点，该点即为R峰值位置.图3为一段R波峰值检测的心电图，峰值用圆点标出.

1.3.2 早搏心拍识别

早搏是指异位起搏点发出的过早冲动引起的心脏搏动，这也是和其他心脏疾病区分的重要特征.因此，通过R峰值位置，确定出RR间期长度，从图4中看出在早搏出现时，RR间期长度不均匀，早搏心拍R峰离前一个心拍的R峰较近，离后一个心拍的R峰较远.在一段心电数据中一般正常心拍占据主要部分，并且室性早搏心拍通常有完全性代偿间歇，即早搏前后两窦性心搏相隔的时间为正常心动周期的2倍，这样得到平均间期基本接近于正常心拍的间期.经过不断测试，将小于平均间期长度85%的间期视为非正常间期段，非正常RR间期的后一R峰即为早搏心拍所包含的R峰，从而识别出早搏心拍.

1.3.3 室性早搏的诊断

通过间期长度不均匀识别出早搏心拍，再通过室性早搏和房性早搏在混沌特性上的区别识别出室性早搏，完成室性早搏的诊断.

图3 R波峰值检测Fig.3 R peak detection

图4 含有室性早搏和房性早搏的心电信号Fig.4 ECG signal include PVC beat and PAC beat

1.3.3.1 混沌特征提取

对室早心拍与房早心拍进行混沌特性的分析，将每个早搏心拍的所有Lyapunov指数计算出来.图5a和图5b分别为典型的室性早搏心拍、房性早搏心拍的Lyapunov指数曲线.从这2组图中发现室性早搏Lyapunov指数曲线线条平缓，房性早搏Lyapunov指数曲线波动程度较大，为更明确的表现出这一差异性，将曲线进行求导处理，因为某一点的导数可以描述这一点附近的变化率.

图5 Lyapunov指数Fig.5 Lyapunov exponents

图6 Lyapunov指数导数绝对值曲线Fig.6 Absolute values of the derivatives of Lyapunov exponents

3）统计｜f′i｜＞0.001的个数.

对数据库中随机选取的300个室性早搏心拍和300个房性早搏心拍进行分析，统计其Lyapunov指数导数绝对值的和（记为参数1）以及Lyapunov指数导数绝对值中大于0.001的个数（记为参数2）.以1个心拍的2个参数分别作为横、纵坐标对该心拍进行描点，如图7所示，从图中很容易看出室性早搏心拍相对比较集中.

1.3.3.2 BP神经网络训练

因图7混沌参数坐标图中室性早搏集中程度相对较高，由此可以利用神经网络训练的方法通过心拍参数的特征识别出室性早搏心拍.神经网络的每1个输入节点对应样本1个特征，将2个参数放在1个二维矩阵中作为1个特征输入到神经网络中；输出层节点有1个，输出室早类和非室早类，图8为本实验所用的单输入单输出的神经网络结构图.在BP神经网络当中，对室性早搏心拍特征参数进行训练，将属于这一类的期望输出设为1，表示室早类；不满足这类的期望输出设为0，表示非室早类.在识别阶段，将未知类别的样本输入到该网络中，根据训练准则判定其所属的类别.本文实验中将已随机选取的300个室性早搏的心拍作为训练样本进行BP神经网络的训练.

图7 室早和非室早参数坐标Fig.7 Parameters plot of PVC and PAC

图8 单入单出型神经网络Fig.8 Neural network of single input and single output

2 结果和讨论

2.1 数据来源

本实验采用的数据来自于美国麻省理工学院的心律失常数据库.数据库包含48组数据，包含2个导联，包括肢体导联中的Ⅱ导联和胸导联中的1个，每个导联含0.5h的心电信号，平均采样频率为360Hz，提供了各种心律异常信号的标准数据，为科学研究心电信号提供了参照.实验中分别选择了Ⅱ导联数据中的室性早搏节拍（PVC）、房性早搏节拍（PAC）、左束支传导阻滞（L）、右束支传导阻滞（R）等进行分析.

2.2 样本测试

采用了美国麻省理工学院的心律失常数据库中20组数据进行校验.将20组数据归为3种类型，将数据中不包含室早心拍的类型视为‘无PVC’，包含3组数据（101，103，112）；数据中早搏心拍只有室早而无房早的视为‘只有PVC’，包含7组数据（102，104，105等）；将同时包含室早和房早2种类型的视为‘PVC混PAC’，包含10组数据（108，114，116等）.其中取每个病人长约30min的心电数据，将通过本文方法所检测出的早搏心拍的特征参数输入到单入单出的BP神经网络中，根据神经网络的训练准则进行室性早搏的分类.本实验通过式（6）－（9）进行了误差分析，R代表数据中实际室早心拍个数，TP为室早被正确诊断的个数，FN为漏检数，FP为误检数.Se为灵敏度，Pp为正检测率，Er为错误率，Acc表示总的精度，实验验证结果如表1，通过表1可以看出室性早搏的诊断情况，在无PVC类型中，没有出现误检情况；在只有PVC和PVC混PAC类型中，一般来说数据中所含早搏心拍数量越多，误检和漏检数相对也会较多，可能原因在于早搏心拍越多该数据心律不齐情况就越严重，心电信号变化也越多.整体上来看，不同病人的灵敏度、正检测率和检测精度差异并不是很大，说明本文的方法稳定性较强，总的灵敏度为94.19%，总的正检测率达94.52%，总的精度达99.48%，检测精度较高.

表1 实验验证Tab.1 Experimental verification

将本文中对于室性早搏的诊断方法与前人的方法［4］进行了结果上的数据对比，如图9所示.在图9中，按照数据序号排序，将本文方法和前人利用的基于小波变换法诊断室性早搏的灵敏度和正检测率进行了对比，通过对比发现本文方法稳定性更高，灵敏度和正检测率相对较高，只在114，119，205这3组数据中略低.由此可以肯定本文的方法对于诊断室性早搏来说具有较高的准确率和稳定性.

图9 灵敏度和正检测率曲线Fig.9 Sensitivity and Positive predictivity curve

3 总结

从心电信号的混沌特性出发，通过Lyapunov指数的相关分析来实现室性早搏的自动诊断.该方法通过MIT－BIH心律失常数据库进行了验证.实验结果表明，它具有良好的分类精度和较高的稳定性.该方法能从医生诊断角度定位异常，依靠混沌特性能将室性早搏识别出来.该方法中的特征提取和时域频域特征相比，避免了复杂的特征提取过程，极大地减少了其他非直接因素对自动诊断准确度造成的影响.作为心电研究的其中一部分，室早的诊断获得了广泛的关注，对于指导治疗和估计预后有重要意义.通过和医生探讨，用1～2个导联做室性早搏诊断相对其他疾病类型的诊断可行性最大，准确率最高，该方法得到了医生的充分肯定，算法易实现，并且使用单导联的数据相对于多导联数据远程传输时间较短，更易集成到笔者正在开发的远程健康监护系统中，以实现对病人的及时救治和对医生的辅助诊断.

［1] YEH YC，CHIOU C W，LIN HJ.Analyzing ECG for cardiac arrhythmia using cluster analysis［J］.Expert Systems With Applications，2012，39（1）：1000－1010.

［2] WANG JS，CHIANG WC，HSU YL，et al.ECG arrhythmia classification using aprobabilistic neural network with a feature reduction method［J］.Neurocomputing，2013（116）：38－45.

［3] 曹玉珍，李广，范增飞.基于小波变换特征提取的支持向量机心搏分类研究［J］.天津大学学报，2007，40（7）：811－815.CAO Yuzhen，LI Guang，FAN Zengfei.ECG beat classification using support vector machine with wavelet transform based feature extraction［J］.Journal of Tianjin University，2007，40（7）：811－815.

［4] INAN OT.Robust Neural－Network－Based classification of premature ventricular contractions using wavelet transform and timing interval features［J］.IEEE Transactions on Biomedical Engineering，2006，53（12）：2507－2515.

［5] 彭静，彭承琳.混沌理论和方法在医学信号处理中的应用［J］.国际生物医学工程杂志，2006，29（02）：124－127.PENG Jing，PENG Chenglin.Application of medical signal processing based on theory and method of chaos［J］.International Journal of Biomedical Engineering，2006，29（02）：124－127.

［6] 郑会永，肖田元，韩向利，等.心电信号的混沌分形特性分析［J］.清华大学学报：自然科学版，1999，39（9）：103－105.ZHENG Huiyong，XIAO Tianyuan，HAN Xiangli，et al.ECG analysis based on Chaos and fractal characteristics［J］.Journal of Tsinghua University：Science and Technology，1999，39（9）：103－105.

［8] 江虹，曾立波，胡继明.优化的BP神经网络分类器的设计与实现［J］.计算机工程与应用，2001（5）：122－125.JIANG Hong，ZENG Libo，HU Jiming.The design and performance of optimal BP neural network classitier［J］.Computer Engineering and Applications，2001（5）：122－125.

［9] 廖云朋，何继善，张飞.小波分析在心电信号处理中的应用［J］.山东生物医学工程，2003（2）：54－56.LIAO Yunpeng，HE Jishan，Zhang Fei.Application of wavelet analysis in processing ECG signals［J］.Shandong Journal of Biomedical Engineering，2003（2）：54－56.

［10] ZHANG Meng，FU Lihua，LI Hongwei，et al.Harmonic retrieval in complex noises based on wavelet transform［J］.Digital Signal Processing，2008（18）：534－542.