基于SVM的心律失常的研究和分析

苏志同++周文龙

摘要：心电图是诊断心脏活动的重要工具。本文从心电图的特征选取和SVM的核函数参数以及惩罚因子优化等提高对心律失常的异常波检测识别。心电特征选取利用小波变换提取了时域特征等参数，将二分的SVM运用到心律失常的检测中。SVM中通过高斯核函数参数和惩罚因子的选取来提高分类的精度。通过对MIT-BIH数据库的数据分析和验证，证明所选取的特征以及参数的可以提高对心律失常分类的正确性。

关键词：心电、特征提取、SVM

中图分类号：TP391.4

文献标识码：A

DOI：10.3969/j.issn.1003-6970.2015.09.024

0 引言

心血管疾病是威胁人类健康的主要疾病之一，长期以来，医学界乃至学术界将这一领域作为重要的课题进行研究。在现代医学中，心电图越来越成为医生诊断心血管疾病的重要依据之一。因此，心电图的分析也得到了广泛的研究。心电图（ECG）是心肌发生跳动时产生的微弱电流所引起的人体体表的电位变化，具有频率、振幅、相位和时间差等要素，蕴含着反应心脏节律及其电位传到的生理和病理信息，为诊断心脏疾病和功能变化提供了重要的参考价值。由于心电信号能从不同的方面反应心脏的工作状态，在一定程度上可以客观反映心脏的生理状况。因此正确分析心电信号并提取心电信号的的特征参数对心脏疾病的诊断和治疗具有重要的医学意义。

心电信号的特征提取和选取是对心电分类的前提和关键，选取不同的特征和特征的提取方法对分类算法产生的结果有很大的影响。Ataollah根据心电信号三个时段间隔的高阶统计分析提取的特征，使用概率分布矩阵期望值概念的推广，来定义一个概率密度函数的特点，考虑到平均离散基带信号系列，来确定矩阵累积量的关系，从而提取心电的特征。唐羽使用SLAM算法消除噪音信号。熊平采用基于小波变换的白适应滤波方法对ECG信号做了滤波预处理，尽量的消除其中的噪声干扰。然后利用小波变换的信号奇异性检测理论进行波形特征点的检测，确定出R波、QRS波的起止点、P波和T波等的位置，将ECG信号分成一系列的心动周期。最后通过这些特正点的位置，提取一系列的心电图特征参数。

心电信号分类和识别的核心部分是分类，数据挖掘中的分类算法被广泛运用在各种数据的分类中，心电信号分类也同样适用。如肖晓使用SVM回归的方法对信号的处理。王秉使用的基于决策树技术的心电信号识别技术，依据MIT-BIH心律失常数据库规则和存储格式，建立国人临床心电数据库，然后采用决策树分类方法对样本进行训练和分类最终进行心电自动分类。曹国超引入了核函数的概念，将心电数据间的线性差异转化为非线性，对传统KNN算法进行改进，实现心电信号的准确分类。

1 数据预处理

心电信号采集过程成，容易受到噪声的干扰，对心电信号提取特征前需要去除噪声。小波变换对于瞬时和时变的信号分析非常有效的，且有利于消除基线漂移等噪声。

因此，离散小波变换将心电信号分解为细节信号的近似信号。在分解过程中小波函尺度j的选择是分析的关键，小波函数最适合心电信号的尺度是j=4，所以选择尺度为4来分析心电信号。

基线漂移主要来自呼吸运动，其频率范围在0.15hz和0.3hz之间。使用小波变换消除基线漂移这种噪声的干扰，小波变换因为没有引起延迟和减少失真而适用于该过程。小波变换将心电信号降解为近似信号（高振幅的低频信号）和细节信号（低振幅的高频信号），这些信号可以帮助区分理想信号和噪声信号。

2 心电波检测和选取特征

心电信号是一种微弱的生物电信号，是有一系列波组成的，包括R波、QRS复合波、P波、T波和U波组合而成。QRS波代表左、右两心室除级过程的电位变化；QRS波的第一个向下的波为Q波，继Q波之后的向上波为R波，R波之后的向下波为S波。

由于R波的振幅最大，所以定位R后就很容易检测QRS波。同样采用基于小波变换的QRS复合波检测算法，核心是在某一尺度或某几个尺度内搜索小波变换模极大值一极小值之间的过零点定位R波的位置。采用2³尺度上的小波变换检测，步骤如下：

3 SVM分类

3.1 支持向量机

支持向量机（SVM）是一种二类分类模型，它的基本模型是定义在特征空间的间隔最大的线性分类器，间隔最大使它有别于感知机。

由于心电数据中正常数据明显多于心律失常的数据，常规的SVM容易导致数据倾斜。因此使用惩罚因子来增加异常数据的权重。惩罚因子有利于控制权衡决策问题的复杂度和训练数据之间的错误分类。

3.2 核函数

SVM使用与线性可分的数据，当数据集线性不可分的时候，使用核函数是数据向高维空间转换，使之在高维空间线性可分。通常使用的核函数有：高斯核函数、多项式等等。

本文采用高斯核函数对线性不可分数据进行转换，核函数如下：

4 实验结果

采用MIT-BIH心率失常数据库作为训练数据和测试数据，这个数据库共有48个记录，每个记录包含两个导联，信号时长30分钟，采样频率360Hz。取第一导联，作为实验数据，得到17260个心跳，对应正常心跳和13种心律失常心跳。

5 结论

通过支持向量机和小波变换的方法构造心律失常分类器，整体精度可以达到99.2%。得出通过小波变换方法将心电信号降解为近似信号（高振幅的低频信号）和细节信号（低振幅的高频信号），这些信号可以帮助区分理想信号和噪声信号。特征选取是分类的关键，可以影响分类的结果。通过高斯核函数的参数和SVM的惩罚因子来调整分类器的性能，使分类器可以使用在心律失常的识别领域。