基于极限学习机的左束支传导阻滞辅助诊断研究

王之琼 吴承暘 信俊昌 赵 越* 李 响

1(东北大学中荷生物医学与信息工程学院，沈阳 110169)2(东北大学计算机科学与工程学院，沈阳 110004)3(大连医科大学附属第二医院，辽宁 大连 116027)

基于极限学习机的左束支传导阻滞辅助诊断研究

王之琼1吴承暘1信俊昌2赵 越1*李 响3*

1(东北大学中荷生物医学与信息工程学院，沈阳 110169)2(东北大学计算机科学与工程学院，沈阳 110004)3(大连医科大学附属第二医院，辽宁 大连 116027)

左束支传导阻滞(LBBB)作为临床常见的一种心律失常，是左心室收缩功能减低、患者死亡率增加的标志；利用机器学习算法对其进行辅助诊断，将对LBBB早发现、早治疗起到积极的推动作用。然而，由于目前常用的支持向量机(SVM)等传统的机器学习算法容易产生局部最优解，准确度有待提高，因此提出一种基于极限学习机(ELM)的LBBB辅助诊断算法。首先，利用小波进行心电信号预处理，包括基线漂移、肌电噪声及工频干扰的去除；接着，确定QRS波群与T波位置；然后，根据临床上LBBB患者比正常人的QRS波群持续时间延长等特点，建立融合时域、形态与能量3类特征的特征模型；最后，利用该模型提取的特征集合，提出基于ELM的LBBB辅助诊断算法。此外，在MIT_BIH数据库中的5 000份ECG数据上进行实验验证，结果表明所提出的预处理与波形提取算法能有效去除噪声并提取QRS- T特征波；在LBBB的判别上，相比SVM算法、ELM算法的训练时间缩短了88.5%；同时，在准确率、灵敏度、特异度、LBBB检出率和正常人检出率的指标上，分别提升2.4%、5.4%、1.2%、3.6%和2%。因此，基于ELM的LBBB辅助诊断算法具有明显优势。

极限学习机；左束支传导阻滞；机器学习算法；心电信号处理；特征提取

引言

左束支传导阻滞是临床常见的一种心律失常，是左心室收缩功能减低、患者死亡率增加的标志[1]，为心源性死亡的独立危险因素[2]，也是心力衰竭患者心脏再同步化治疗后的独立预测因素[3]。及时地发现并控制LBBB，对于心脏突发疾病的预防、提高生命质量至关重要。在临床中，基于心电图(electrocardiogram，ECG)信号的QRS波型诊查是LBBB诊断的一种最有效方式。LBBB患者与正常人的ECG信号有较明显差异，对比如图1所示，其中(a)为LBBB患者的ECG信号，(b)为正常人的ECG信号。

图1 正常人与LBBB患者的ECG信号对比。(a) 正常人的ECG；(b) LBBB患者的ECGFig.1 Comparison of LBBB patient and normal in ECG. (a)ECG signal of normal people. (b) ECG signal of LBBB

由于ECG复杂多变、数量庞大，因而计算机辅助LBBB诊断将对LBBB早发现、早治疗起到积极推动作用。计算机辅助LBBB诊断的方法通常是通过机器学习进行的，常用的机器学习方法有BP算法、支持向量机(support vector machine, SVM)[4]等。Guler等利用传统神经网络算法对四类心拍进行分类，准确率达到96.64%[5]；刘雄飞等利用SVM对心拍进行分类，准确率达到99%以上[6]。但是，这些算法需要人为设置大量的网络训练参数，且容易产生局部最优解，辅助诊断的准确度、灵敏度等较低，机器学习算法亟待提高。2004年，Huang等提出了极限学习机(extreme learning machine, ELM)[7- 8]，认为：如果对于一个激励函数在数据任何部分均可微，则一个含有L节点数的单隐层网络被赋予任何权值和神经元偏置时，隐层响应矩阵均可逆且能获得权值的最优解。该法作为一种高效的机器学习算法，在信号处理、人工智能以及大规模计算等领域得到了广泛应用[9- 11]。

因此，本研究提出了一种基于ELM的左束支传导阻滞诊断算法。首先，对待检测的ECG信号进行预处理，包括去除基线漂移、肌电干扰和工频干扰；接着，利用斜率法定位ECG信号中的R波，从而确定QRS波群与T波；然后，建立特征模型，并基于QRS波群与T波的位置等信息提取特征集；最后，通过ELM算法，对待检测ECG信号进行LBBB辅助诊断。此外，利用MIT_BIH数据库中的ECG数据进行了验证，结果表明：相比SVM算法，ELM算法的训练时间显著减少，且准确率、灵敏度和特异度均有较大提升。

1 材料与方法

1.1 实验数据

ECG数据来源于MIT_BIH提供的ARRHYTHMIA心律失常数据库。为避免同一患者的特异性对结果的影响，分别从LBBB患者与正常人的ECG中各截取时长为10 min的心电数据作为实验数据单元。共使用5 000份实验数据单元，且已由有经验的医生进行了确诊。其中，正常人3 636份，LBBB患者1 364份。

1.2 方法流程

提出基于ELM的LBBB辅助诊断方法，处理流程如下：首先对ECG信号进行预处理，然后确定QRS波群与T波位置，接着建立LBBB的特征模型并提取特征集合，最后基于ELM对LBBB进行辅助诊断。方法的处理框架如图2所示。

图2 LBBB辅助诊断处理框架Fig.2 Framework of LBBB aided diagnosis algorithm

1.3 ECG预处理与波形检测

ECG信号往往存在3种噪声，分别为由测试设备误差及测试者运动产生的基线漂移、肌肉紧张带来的肌电干扰及市电对设备产生的工频干扰。由于小波变换能体现更多的细节信息，对特异点的检测具有更好的效果[12- 16]，因而将采用小波变换方法去除ECG信号中的噪声。

当心脏跳动时，心脏各部位会产生生理运动，运动会导致心肌细胞产生电信号，而电信号的幅值往往不同，从而形成各种波形。这些波形可以反映出心脏存在的各类疾病，准确地检测并确定各个波的位置是进行LBBB辅助诊断的前提。从图1可知，LBBB患者与正常人的ECG信号异常之处主要集中在QRS- T波中，因而将针对ECG信号中的QRS- T波进行检测[17- 18]。

1.4 特征建模与提取

LBBB辅助诊断需要通过机器学习完成，而提取合适的特征集合是进行高效辅助诊断的保证。因而，考虑相比正常人LBBB患者的ECG信号特点，并据此构建特征模型，继而提取特征集合。

临床上，由于LBBB患者常伴有器质性心脏病，因而其心室除极过程缓慢，从而使室内传导受阻，导致患者ECG信号通常有如下特点：1)QRS波群持续时间延长；2)V1导联呈现宽大而纵深的rS波；3)V1导联T波倒置；4)T波直立；5)ST段上升。其中，特点1)可通过时域特征表示，特点2)可通过时域和能量特征表示，特点3)～5)可通过形态特征表示。

因而，构建的LBBB辅助诊断特征模型由时域特征、形态特征与能量特征构成，特征模型如下：

f={ft,fm,fp}

(1)

式中，ft为时域特征，fm为形态特征，fp为能量特征。

时域特征ft、形态特征fm以及能量特征fp内对应特征如下：

ft={ft1，ft2}

(2)

fm={fm1,fm2,fm3,fm4}

(3)

fp={fp1}

(4)

具体特征名称及正常人和LBBB患者中的各特征范围值如表1所示。

表1 特征名及其范围值Tab.1 Characteristic name and value range

1.4.1 时域特征

时域分析作为ECG分析中的一种常用方法，通常是将QRS波群或其他特征波间期作为特征进行分析的，如R- R间期、QRS间期等。本研究采用两种特征，ft1为MKII_QRSTime，ft2为V1_STime，描述如下：

1)MKII_QRSTime(ft1)：肢体II导联Q波与S波的时间差。正常人的心室除极过程的持续时间为0.06～0.10 s，而LBBB患者的此过程通常大于0.12 s；QRS波群反映了心室除极的全过程。可见，LBBB患者的QRS波群持续时间延长，因此本研究将其作为一类时域特征。计算MKII_QRSTime如下：

ft1=STime-QTime

(5)

式中，STime为一个心动周期内S波出现时间，QTime为该心动周期内Q波出现时间。

2)V1_STime(ft2)：V1导联S波起点与终点时间差。LBBB患者的心电图中通常呈现宽大而深的rS波，在时域中表现为S波的持续时间延长。因此，在获取到S波的起始位置与终止位置后，计算各个周期的时间差即可作为一类时域特征。计算V1_STime如下：

ft2=SEnd-SStart

(6)

式中，SEnd为V1导联S波末端时间，SStart为S波起始时间。

1.4.2 形态特征

医生在诊断心脏疾病时，通常会观察ECG的形状(如S波、T波的直立性以及纵深程度等)进行评估，从而确认疾病类型。本研究采用4种特征：fm1为T_DIR，fm2为T_Orthostatic，fm3为ST_Rise，fm4为ST_Degree。

1)T_DIR(fm1)：V1导联T波的方向。由于LBBB常伴有器质性病变，患者会在V1导联的心电图中存在T波倒置现象，即T波方向与主峰方向相反。因此，本研究将其作为一类形态特征。计算T_DIR如下：

fm1=TRdiff-TLdiff

(7)

式中，TRdiff为T波右导数值，TLdiff为T波左导数值。

2)T_Orthostatic(fm2)：V1导联T波周围的变化率。LBBB患者在V1导联中T波高耸且恒定，其直立性高于正常人，因而可通过T波变化率作为形态特征来表现这一特点。而其变化率可通过其周围的导数值计算。计算T_Orthostatic如下：

fm2=Abs(Tdiff)

(8)

式中，Tdiff为V1导联T波周围导数值。

3)ST_Rise(fm3)：V1导联S波末端至T起始处的平均斜率。由于LBBB患者的除极过程异常，将导致继发性复极过程的改变，使得LBBB患者的ST- T段往往容易升高，因此，可将ST- T段的平均变化率作为一种形态特征。计算ST_Rise如下：

(9)

式中，STDiff为ST段导数值，STTime为ST- T段的时间。

4) ST_Degree(fm4)：ST段电压上升幅度。由于LBBB患者的除极过程异常，还将导致ST段上升幅度过大，因此可将其作为一类形态特征。计算ST_Degree如下：

fm4=STEnd-SEnd

(10)

式中，STEnd为T波起始处电压幅值，SEnd为S波末尾处电压幅值。

1.4.3 能量特征

波形能量也常用于疾病诊断中。通过观察波形能量，可判断出各类心脏病。本研究采用的能量特征fp为S_Area，因LBBB患者在V1导联呈现纵深的S波，故将V1导联的S波能量作为能量特征，有

fp=∑(Si-Q)

(11)

式中，Si为S波采样点纵坐标，Q为Q波波峰纵坐标。

图3 节点数对ELM性能的影响Fig.3 Number of nodes effect on ELM

1.5 基于ELM的LBBB辅助诊断

1.5.1 ELM中的参数设置

通过实验手段，获得了ELM中合适的隐层节点个数，结果如图3所示。当隐层节点数从100上升至500时，基于ELM的诊断准确率稳步上升；当隐层节点数大于500个节点后，准确率上升较小；当隐层节点数大于700后，基于ELM的诊断准确率逐渐下降。因此，本研究设置隐层节点数为500。

1.5.2 基于ELM的LBBB辅助诊断

1)在基于ELM对LBBB进行辅助诊断中，首先根据建立的特征模型提取ECG信号的特征集合，如算法1所示。该算法首先对ECG信号进行读取；接着对ECG信号进行基线漂移、肌电干扰与工频干扰的去除，检测并确定QRS- T波位置；最后提取该ECG信号的时域、形态和能量3类特征，共计7种，并建立特征集合。

算法1: LBBB特征集合提取算法。

//输入N，Data: 心动次数与未经处理的ECG数据

//输出F: LBBB特征集合

Read (Data); //读取ECG信号

去除基线漂移;

去除肌电干扰;

去除工频干扰;

Fori=1 toNDo

寻找QRS波群与T波;

LBBB特征提取;

建立特征集合;

returnF.

2)将特征矩阵带至ELM中进行训练，如算法2所示。首先，ELM会随机产生第i个隐层节点的输入权值wi与神经元偏置b；接着，输入节点数L，进行数据训练。最后，得到输出矩阵H，通过H确定输出权重β。

算法2: ELM特征训练。

//输入F、N、L: 特征集，心动次数与节点数

//输出β: 隐层输出权重

Fori=1 toLDo

随机生成wi与b;

Fori=1 toNDo

x=F[i];

Fori=1 toLDo

H=g(wi*xj+bi);

β=TH-1;

returnβ.

3)通过训练，从结果中获取了wi、b与输出权重β。辅助诊断算法如算法3所示。首先该算法提取输入ECG信号的特征向量，然后根据wi、b与L得到输出矩阵H，最后通过输出权重β计算出辅助诊断结果T。

算法3: ELM特征测试。

//输入F,N,: 测试特征集，心动次数与ELM参数

//输出T: 辅助诊断结果

Fori=1 toNDo

x=F[i];

For j=1 to LDo

H=g(wi*xj+bi);

T=Hβ;

returnT.

1.6 实验方法评价指标

本研究从训练时间、准确率、灵敏度、特异度、LBBB检出率和正常人检出率6个指标进行实验评价，部分评价指标描述如表2所示。

表2 评价指标Tab.2 Valuation index

其中：TP表示真阳性，即辅助诊断结果判定患有LBBB，且医生认为患有该病；TN表示真阴性，即辅助诊断结果判定未患有LBBB，且医生认为正常；FP表示假阳性，即辅助诊断结果判定患有LBBB，但医生认为正常；FN表示假阴性，即辅助诊断结果判定未患有LBBB，但医生认为患病。本研究采用十折交叉验证获得了上述指标的结果。

2 结果

首先，利用小波变换方法去除ECG信号中的噪声，从而完成ECG的预处理，其处理效果如图4所示。接着，针对ECG信号中的QRS- T波进行检测，检测效果如图5所示。然后，再根据该特征波提取出心电信号的时域特征、形态特征及能量特征。

图4 ECG信号的去噪效果。(a)去除前；(b)去除后Fig.4 Removal of ECG noise. (a)Original (b)Removed

图6 ELM与SVM时间对比Fig.6 Comparison of ELM time and SVM time

在获得上述特征后，将基于ELM的LBBB辅助诊断方法与基于SVM的LBBB辅助诊断方法在各项试验方法的评价指标上进行了比较。首先，比较了基于ELM和基于SVM的LBBB辅助诊断方法的训练时间，实验结果如图6所示。从中可知，在数据训练量较小时，ELM与SVM的时间成本相差较小，ELM略少于SVM；但是随着数据量的逐渐增大，ELM的训练时间大幅小于SVM的训练时间，且SVM的训练时间增长速度越来越快，几近成倍数增长，当增至最大时，ELM的训练时间为0.23 s，而SVM的训练时间为2.0 s。

然后，比较了基于ELM和基于SVM的LBBB辅助诊断方法的总错误数。从表3中可知，ELM算法检测患者错误数为15个，SVM算法的错误数为87个；ELM算法检测正常人错误数为15个，SVM算法的错误数为64个；ELM算法的总错误数为30个，SVM算法的总错误数为152个。

表3 ELM与SVM检错统计Tab.3 Error of ELM and SVM diagnosis

最后，比较了基于ELM和基于SVM的LBBB辅助诊断方法的准确率、灵敏度、特异度、LBBB检出率和正常人检出率，实验结果如图7所示。

图7 分类性能对比Fig.7 Classification performance comparison chart

由图7可知，ELM的准确率为99.4%，而SVM准确率为97.0%；ELM的灵敏度为98.9%，而SVM灵敏度为93.5%；ELM的特异度为99.5%，而SVM特异度为98.3%；ELM对LBBB的检出率为98.8%，而SVM对LBBB的检出率为95.2%；ELM对正常人的检出率为99.6%，而SVM对正常人的检出率为97.6%。

3 讨论

在本文中，首先讨论了基于SVM方法与ELM方法的LBBB辅助诊断结果的对比，然后讨论了基于ELM方法中隐层节点参数设置的必要性，并分析了本研究提出的基于ELM的LBBB辅助诊断方法的局限性。

3.1 关于两种方法结果对比的讨论

20世纪90年代，Vapnik等提出了支持向量机(SVM)算法[4]。SVM可进行二维或多维的模式识别，是一种良好的分类与回归识别工具。但是，SVM也存在泛化能力不强、学习速度较慢以及无法对较大规模数据进行分类的问题。同时，SVM中核函数的选取直接影响其分类准确性，且容易陷入局部最优解，从而使该算法的准确率较低。2004年，Huang等提出了极限学习机(ELM)算法[7]。ELM是一种单隐层前馈神经网络算法[19]，可以随机产生权重和偏置量，从而得出单隐层输出矩阵，并产生唯一解，该解即为全局最优解。ELM泛化能力较强、学习速度更快，且不需要设置大量网络参数。

赵勇等提出了基于SVM算法的LBBB辅助诊断方法[20]，笔者提出了基于ELM的LBBB辅助诊断方法。从实验结果中可以看出，相比SVM算法，ELM算法的准确率、灵敏度、特异度、LBBB检出率和正常人检出率均有提升，分别提升了2.4%、5.4%、1.2%、3.6%和2%。相比SVM算法，基于ELM的训练时间缩短了88.5%。这是由于ELM可以无限地投影到高维空间，而SVM的投影方式需依核函数而定，因而SVM得到的通常为次优解；且ELM不需要大量迭代计算，所以其运算速度几何倍地快于SVM[7]。可见，本研究提出的基于ELM的LBBB辅助诊断算法具有明显优势。

3.2 关于ELM方法中隐层节点参数设置的讨论

在基于ELM的辅助诊断中，隐层节点数的设置是对ELM精确度造成影响的唯一人为因素。理论上讲，神经网络的节点数越多，神经网络算法就可更好地拟合训练数据。但是，过多的节点数会增加时间成本，且从训练数据中获得的最佳分类面并不一定为测试数据的最佳分类面。

Liao等基于ELM进行数据训练时，节点数从330增加到605，但时间成本从2.9 s增加至209.9 s[21]。因此，本研究测试了不同隐层节点数对基于ELM的LBBB辅助诊断准确率的影响，结果表明，隐层节点为500左右时，辅助诊断准确率基本稳定，且相比更高的节点数可节省大量训练时间。

3.3 本方法的局限性

在临床上，LBBB的ECG中的某些特征与左心室肥大、心肌缺血与心肌梗死等的某些特征有相似之处，常规的诊断办法往往是利用多导联的心电图进行综合分析。本研究未考虑此种情况下的鉴别，这部分工作可在后续的研究中解决。

4 结论

如今，机器学习算法已经广泛地应用于各个领域。在医学领域中，利用机器学习算法针对疾病进行辅助诊断已经成为研究的热点。随着经济的发展、人类对健康的重视，LBBB作为心律失常类疾病，已得到了越来越多的关注。基于机器学习的辅助诊断算法将对LBBB早发现、早治疗起到积极的推动作用。

本研究提出了一种基于ELM的左束支传导阻滞的辅助诊断算法。首先，将ECG信号进行基线漂移、肌电干扰与工频干扰的去除；然后，对QRS波群与T波检测，并进行时域特征、形态特征与能量特征的提取；最后，将特征值作为ELM与SVM的输入对LBBB进行辅助诊断。此外，使用MIT_BIH的心律失常数据库对该算法进行了验证，结果表明ELM在分类时间、准确率、灵敏度、特异度、LBBB检出率和正常人检出率上均优于SVM。

[1] Christian L, Christian TP, Cleland JGF, et al. Right and left bundle branch block as predictors of long- term mortality following myocardial infarction [J]. European Journal of Heart Failure, 2011, 13(12): 1349- 1354.

[2] Ng AC, Tallman TD. Prognostic implications of left ventricular dyssynchrony early after non- ST elevation myocardial infarction without congestive heart failure [J]. European Heart Journal, 2010, 31(3): 298- 308.

[3] Seo Y, Ito H, Nakatani S, et al. The role of echocardiography in predicting responders to cardiac resynchronization therapy [J]. Circulation Journal, 2011, 75(5): 1156- 1163.

[4] Cortes C, Vapnik V. Support- vector networks [J]. Machine Learning, 1995, 20(3): 273- 297.

[5] Guler I, Ubeyh E. ECG beat classifier designed by combined neural network model [J]. Pattern Recognition. 2005, 38(2): 199- 208.

[6] 刘雄飞, 晏晨伟, 胡志坤. 基于数学形态学及支持向量机的心率失常识别 [J]. 计算机应用, 2013, 33(4): 1173- 1175.

[7] Huang Guangbin, Zhu Qinyu, Siew CK. Extreme learning machine: Theory and applications [J]. Neurocomputing, 2006, 70(1): 489- 501.

[8] Deng Chenwei, Huang Guangbin, Xu Jia, et al. Extreme learning machines: new trends and applications [J]. Sciece China Information Sciences, 2015, 58(2): 1- 16.

[9] 刘龙飞, 孙学斌, 周正. 一种基于极限学习机的频谱感知方法 [J]. 无线电工程, 2015, 45(3): 25- 29.

[10] 王之琼, 曲璐渲, 隋雨彤, 等. 基于极限学习机的跌倒检测分类识别研究 [J]. 中国生物医学工程学报, 2014, 33(4): 418- 424.

[11] Osowski S, Linh TH. ECG beat recognition using fuzzy hybrid neural network [J]. IEEE Transactions on Biomedical Engineering, 2001, 48(11): 1265- 1271.

[12] Mallat SG. A Theory for multiresolution signal decomposition: The wavelet representation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1989, 11(7): 674- 693.

[13] Smital L, Vitek M, Kozumplik J, et al. Adaptive wavelet Wiener filtering of ECG signals [J]. IEEE Transactions on Biomedical Engineering, 2013, 60(2): 437- 445.

[14] 杨慧中, 钟豪, 丁锋. 基于多重小波变换的信号去噪及其在软测量中的应用 [J]. 仪器仪表学报, 2007, 28(7): 1245- 1249.

[15] 王晓花, 徐学军, 何秋娅. 一种ECG信号肌电干扰去除方法的研究 [J]. 智能计算机与应用, 2015, 5(1): 59- 62.

[16] 欧阳波, 程栋, 王玲. 改进小波阈值算法在心电信号去噪中的应用 [J]. 计算机工程与应用, 2015, 51(4): 213- 217.

[17] 刘少颖, 卢继来, 郝丽, 等. 基于数学形态学和小波分解的QRS波群检测算法 [J]. 清华大学学报, 2004, 44(6): 852- 855.

[18] 李翠微, 郑崇勋, 袁超伟. ECG信号的小波变换检测方法 [J]. 中国生物医学工程学报, 1995, 14(1): 59- 66.

[19] Huang Guangbin, Zhou Hongming, Ding Xiaojian, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems Man & Cybernetics: Part B: Cybernetics, 2012, 42(2): 513- 529.

[20] 赵勇, 洪文学, 孙士博. 基于多特征和支持向量机的心律失常分类[J]. 生物医学工程学杂志, 2011(2):292- 295.

[21] Liao Shizhong, Feng Chang. Meta- ELM: ELM with ELM hidden nodes[J]. Neurocomputing, 2013, 128(5):81- 87.

Algorithm of Left Bundle Branch Block Diagnosis Based on ELM

Wang Zhiqiong1Wu Chengyang1Xin Junchang2Zhao Yue1*Li Xiang3*

1(Sino- Dutch Biomedical and Information Engineering School of Northeastern University, Shenyang 110169, China)2(College of Information Science and Engineering of Northeastern University, Shenyang 110004, China)3(The Second Hospital of Dalian Medical University, Dalian 116027, China)

As a common clinical arrhythmia, left bundle branch block is a signal of left ventricular systolic function decreased and mortality increased in patients, machine learning algorithm aided diagnosis of the disease will play a positive role in detection and diagnosis. Currently, left bundle branch block automatic identification mode is still using support vector machines and other traditional machine learning algorithms for training and testing, these traditional neural network algorithms prone to local optimal solution, which is not suitable to classified LBBB. Herein, this paper proposed an algorithm about automatic diagnosis of left bundle branch block based on ELM. Firstly, the ECG signal was preprocessed, including the removal of baseline drift, high- frequency noise and power- line interference; then, we created the model by features of LBBB such as the length of QRS after the location of QRS- T wave was determined. Finally, we provided the LBBB diagnosis algorithm based on ELM. Additionally, we tested 5000 groups of data in MIT_BIH. Results showed the algorithm was effective in noise removal and wave extraction. ELM was 88.5% that is shorter than SVM in training time, and ELM had improvement of 2.4%, 5.4%, 1.2%, 3.6%, 2% in time, accuracy, sensitivity, specificity, FP ratio and FN ratio respectively. Accordingly, ELM had more advantages in LBBB diagnosis.

extreme learning machine; left bundle branch block; machine learning; procession of ECG; feature extraction

10.3969/j.issn.0258- 8021. 2017. 03.005

2016- 06- 21， 录用日期:2016- 11- 30

国家自然科学基金青年项目(61402089)；辽宁省自然科学基金面上项目(2015020553)；中国博士后科学基金项目(2016M591447)

R318

A

0258- 8021(2017) 03- 0293- 07

*通信作者(Corresponding author)，E- mail: zhaoyue@bmie.neu.edu.cn;lixiang_5007@163.com