基于神经网络的心电信号分类识别

王润，贺兵兵

（西华大学计算机与软件工程学院，成都 610039）

基于神经网络的心电信号分类识别

王润，贺兵兵

（西华大学计算机与软件工程学院，成都 610039）

心电信号是心脏活动时心肌激动产生的生物电信号，是反映心脏健康情况的依据，用计算机对心电信号进行分类识别具有重要的应用价值，采用RBF神经网络对心电信号的波形进行分类识别。实验证明该网络能实现心电信号的自动分类识别。

心电信号；RBF神经网络；分类

0 引言

随着物质生活水平的提高和生活节奏的改变，心血管疾病已成为仅次于恶性肿瘤的第二号杀手，是造成死亡的主要原因之一，如何及时发现、尽早治疗心血管疾病成为医学领域研究的重点课题。神经网络具有很强的鲁棒性、容错性、记忆能力以及强大的自学能力，采用并行分布式处理方法能够快速进行大量运算，因此在神经网络在进行心电信号分类识别具有较明显的优势。本文采用MIT-BIH数据库的前24组数据中选取训练样本送入RBF神经网络进行训练，待网络误差达到设定值时，完成训练。再将后24组数据作为识别样本送入网络进行分类识别。

1 RBF神经网络原理

RBF（Radial-Basis Function）网络，用径向基函数作为隐含层单元的基，构成隐含层空间，它是一种三层前向网络，由输入层、隐含层和输出层组成，能够逼近任意非线性函数，解决了局部最小值的问题。本文选取的RBF神经网络网络模型如图1所示。第一层输入层，由信号源节点组成。第二层隐含层，RBF神经网络只有一个隐含层，节点激活函数为径向基函数。第三层输出层是对输入模式的响应。

图1 RBF网络结构

（1）输入层：

输入信号X=[x1,x2,…,xn]其中，n表示输入层节点数量，神经网络的核心工作是通过对输入样本进行学习，然后根据获取知识不断优化网络结构。

（2）隐藏层：

在隐藏层中H=[h1,h2,…,hi,…hm]为径向基向量，m为隐藏层节点数，hi为高斯基函数，如公式（1）：

（3）输出层：

ykj为网络的输出，其中m为隐含层神经元数，ci为中心矢量与x的维数相同，中心矢量的取值对网络的性能有较大的影响。输入/输出关系表达式如（2）：

2 特征提取

心电信号是心脏活动时心肌激动产生的生物电信号，是反映心脏健康情况的依据。因此心电数据的特征提取是心电信号自动分类识别的核心。心电信号的特征参数主要有心率、QRS波、P波、T波幅度与时限，RR间期等等。本文采用的心电数据源于麻省理工学院的MIT-BIH数据库。每组数据采样频率为360Hz、长为30min，包括正常与异常心拍，且每个心拍的类型均做出了注释[1]。本文采用MIT-BIH数据库中注释时间对R波峰定位，分别选取两侧61个数据点表示一个QRS波的信息。如图2所示。

图2 一个QRS波

为了降低数据的冗余度，同时将QRS波的有效信息保留下来，我们需要提取QRS波的特征参数。小波变换具有良好的时域和频域局部化特性，能有效地从信号中提取信息[2]。双正交小波解决了线性相位和正交性要求的矛盾，通常采用一个函数进行分解，用另一个函数进行重构[3]。本文采用中心电数据特征值，由双正交小波进行2尺度的小波变换提取。QRS波特征如图3所示。

在完成QRS波特征参数的提取后，为了提高分类识别率可以增加其他的特征辅助分类识别。在病态心搏中除了QRS波异于正常QRS波外，RR波之间的时间间隔也是一个重要的信息，相邻R波出现的位置明显提前或滞后即RR波之间的时间间隔明显大于或小于正常心搏间的间隔，如图4所示。因此，本文将R波与RR波间期作为心电信号的特征值。

图3 QRS波小波特征

图4 房性早搏与正常心搏的RR间期

RBF神经网络对数据输入很敏感，数据在数量级上是否统一对网络的性能有很大影响。

由于所选取的数据单位不相同，如果直接使用样本数据，在训练神经网络时，就会出现“偏爱”数量级大的数据，而将数量级小的数据忽略掉。使得影响到后续的识别精度，为了避免神经网络中的主观错误，消除数量级的影响，通常在送入神经网络之前要求数据要统一标准。归一化就是将数据通过一定的处理后，隐射到0到1之间，它能把不同数量级上的数据统一到一个范围，方便处理。常用最值法进行归一化处理，公式如（3）：

3 实验过程

本实验是在MATLAB平台上进行，选取MIT-BIH数据库前24组数据作为训练样本集，通过随机选取训练样本送入神经网络进行训练，训练好的神经网络我们采用数据库中后24组数据作为识别样本来检测RBF神经网络的性能。具体学习与识别流程图如图5所示。

图5 RBF神经网络学习、识别流程图

RBF网络学习、识别：

（1）数据输入

训练样本的选择对神经网络的性能有很大影响，若训练样本太少，则造成网络训练不足，由于部分心拍由于数据量小，易造成网络训练不足。因此本文训练样本选择心拍类型为 1、2、3、5，即正常样本（Normal QRS）、左束支传导阻滞（Left Bundle Branch Block Beat）、右束支传导阻滞（Right Bundle Branch Block Beat）、室性早搏（Premature Ventricular contraction）。通过读入MIT-BIH前24组数据，根据注释选取病态心拍作为训练样本。

（2）特征参数提取

将输入的数据根据MIT-BIH的注释文件进行QRS波的提取和RR间期的计算，并利用双正交小波变换压缩到心电特征数据，然后根据选取的心拍进行特征参数提取并进行归一化处理。

（3）训练RBF神经网络

RBF神经网络是一种三层前馈式网络，除去输入层、输出层之外仅有一个隐含层。在心电数据对神经网络进行训练中，采用32个特征参数作为一组输入向量，其中31个特征参数为QRS波经双正交变换得到，1个为相邻两个R波的时间间隔。神经网络对输入数据进行学习，不断修改权重，直到误差小于预设值，完成学习。

（4）心电信号分类识别

通过读入 MIT-BIH 后 24组数据，按照（1）（2）将所有数据进行归一化处理，然后将样本数据送入训练完成的网络中进行识别，输出对应心拍五种类型。

4 实验结果

神经网络训练完成后，将识别样本送入神经网络进行识别，并通过识别率对网络性能进行判定，识别率公式如公式（4）：

其中 ρ为识别率，R'为识别正确心拍，R为总心拍数。

通过仿真实验，采用RBF神经网络对病态心拍进行分类识别，分类结果如表1。

表1

由实验结果可看出网络对类型2的识别率较低，对其他几种类型都有较好的识别率。造成类型2的识别率较低原因可能是通过随机选取的训练样本包含该类型较少，神经网络对知识获取不足。

5 结语

心电信号分类识别一直是国内外学者的研究热点，本文采用MIT-BIH数据库，将前24组数据随机选择样本送入RBF神经网络进行训练，在完成网络训练后，将后24组数据作为识别样本送入网络中进行识别。由仿真结果可看出训练过的RBF神经网络对部分心拍类型有较高的识别率，但是，若样本数据较少会造成网络知识获取不足，使得识别率较低。所以我们应该考虑采用新的网络模型、改良提取特征参数算法、增加训练样本来提高网络的识别率。

参考文献：

[1]朱泽煌,胡广书,郭恒,崔子经.MIT-BIH心电数据库的开发及用作检测标准[J].中国生物医学工程学报,1993,04：244-249+243.

[2]苏丽敏,戴启军,王杰.基于B-样条双正交小波R波的标定和QRS波检测[J].中国组织工程研究与临床康复,2009,09：1657-1660.

[3]李彩玉.基于RBF神经网络的心电信号分类识别技术研究[D].云南大学,2012.

Classification and Recognition of ECG Signals Based on Neural Network

WANG Run，HE Bing-bing
（School of Computer and Software Engineering,Xihua University,Chengdu 610039）

ECG is the bioelectrical signal produced by the activation of the heart muscle during cardiac activity.It is the basis for the health of the heart,it has important application value to classify and recognize ECG signals by computer.Uses RBF neural network to classify and identi⁃fy the waveform of ECG signals.Experiments show that the network can realize automatic classification and recognition of ECG signals.

1007-1423（2017）23-0037-04

10.3969/j.issn.1007-1423.2017.23.008

王润（1988-），男，四川广安人，硕士研究生，研究方向为嵌入式系统软件贺兵兵（1991-），男，河南商丘人，硕士研究生，研究方向为嵌入式系统软件

2017-05-08

2017-08-10

ECG;RBF Neural Network;Classification