基于BP神经网络的心电信号智能诊断设计

陈茜+欧阳绳武+马新宇+谢泉

摘 要： 结合差分阈值法、多重神经网络心电诊断方法提出一种新型的递进型双层BP神经网络心电信号智能诊断设计。采用差分阈值法检测QRS波特征点，通过心电采集电路板对该信号进行放大滤波处理后进行心电诊断。通过对比单一BP神经网络与递进型双层 BP神经网络识别结果，得出递进型双层BP神经网络识别室性早搏、房性早搏、心房颤动时识别率更高（达到97%以上）的结论。测试结果表明，该设计有助于诊测和判断心血管疾病，提高了对治疗方法的有效性判断。

關键词： 心电信号； QRS波检测； 小波变换； BP神经网络； 深度学习； 智能诊断

中图分类号： TN911.7?34； TP183 文献标识码： A 文章编号： 1004?373X（2018）01?0076?05

Abstract： In comparison with the difference threshold method and multiple neural network ECG diagnosis method， a new electrocardiosignal intelligent diagnosis design of progressive dual?layer BP neural network is proposed. The difference threshold method is used to detect the feature points of QRS wave. The signal is amplified and filtered in ECG acquisition circuit board for ECG diagnosis. The recognition results of single BP neural network and progressive dual?layer BP neural network are compared to obtain the conclusion that the progressive dual?layer BP neural network can improve the recognition ratio of ventricular premature beat， atrial premature beat and atrial fibrillation by 97%. The test results show that the design can diagnose and judge the cardiovascular disease， and improve the judgment accuracy of treatment methods.

Keywords： ECG signal； QRS?wave detection； wavelet transform； BP neural network； deep learning； intelligent diagnosis

0 引 言

当今社会，人们的工作生活压力正不断加大，大多数人处于亚健康状态，导致到了一定年纪后心脏病发作比例越来越高[1]。同时对更高生活质量的追求，人们越发看重医疗健康，但是医院的繁琐医疗程序与高成本的医疗检查并不能满足大部分的患者，所以促使便携性家庭形式的医疗产品发展迅速，家庭式的心电监护仪器就是一种。因此，如何做一个既可以考虑便携性、硬件要求低、实时性好，又可以从当前大量的心电诊断结果中更精确自我学习的心电监测诊断仪器是现在需要考虑的。

现在比较出名的心电诊断算法包括人工神经网络法、数据统计法、基于支持向量机方法[2]。

采用BP神经网络通过自我学习方式对心电信号波形进行甄别，分辨能力高，实时性能好，但存在训练失败问题[3]；数据统计法简单易于实现，但只对个别症状效果不错，对于复杂的心电波形而言，容易出现随机算法重叠，导致混淆病状；通过支持向量机研究心电信号波形的区分，搭建向量模型，提高了心电信号波形识别速度，但大规模训练样本难以实施，不适合多种心电分析[4]。

本文结合差分阈值法、多重神经网络心电诊断方法，提出一种新型的递进型双层BP神经网络心电信号智能诊断设计，纠正了BP神经网络可能出现的训练失败问题，加强了神经网络学习能力，提高了心电识别能力[5]。

1 心电信号特征点检测算法

当电极贴到体表以后，不同的位置就会产生一个不同的随着时间变化周期性变化的电位，通过导联线连接到心电采集电路板后可以对其进行放大滤波处理，在临床中人们发现同一个心电波段在人体不同位置测出的强弱存在差异。

心电信号特征点检测的算法主要有以下几种：神经网络法、小波变换法、差分阈值法、模板匹配法[6]。其中差分阈值法比较简单，可以高效率地处理结果，方便在硬件要求不高的环境完成，但检测的准确率不算高[7]；模板匹配法易于理解其根本机制，但容易受到高频噪声和基线漂移的干扰[8]；神经网络法能够精确地判别信号特征，但在真实的环境中及时性不好[9]；小波变换法比差分阈值法计算量大许多，但其局域化在时域和频域有较好的特性，提高了检测的精确度[10]。

上述几种算法各有利弊，相比较起来差分阈值法更适合于现实环境的复杂性以及硬件要求。本文结合差分阈值法和BP神经网络心电诊断方法的优点提出一种新型的递进型双层BP阈值神经网络心电信号智能诊断设计。

差分阈值法是比较典型的快速识别算法，经常用来识别峰值。其检测图如图1所示。基本原理是：QRS波形段是心电信号里面变化最为明显的间隔段，其对应斜率与其他波段对比有很大差异[11]。通过一二级差分函数连续阈值判断出R波位置规模，然后通过阈值得到波峰来确定R波，根据R波位置，用相同方法来确定QS点P波、T波具体位置，其主要步骤如下：endprint

按照差分方程求取心电信号的一级差分序列和二级差分序列，一级差分方程和二级差分方程如下所示：

[y1（n）=x（n+1）-x（n-1）]

[y2（n）=y1（n+1）-y1（n-1）]

将一级差分方程与二级差分方程相结合，得：

[y3（n）=y1（n）×max（y1）+y2（n）×max（y2）]

式中：[max（y1），][max（y2）]分别为一级差分序列和二级差分序列的最大值。这样相当于对差分后的信号波形进行增强，能够凸显出R波特征。

2 心电诊断

2.1 BP神经网络

BP（Back Propagation）神经网络被称做多层前馈神经网络，是三层前馈神经网络的拓扑结构[12]，这种神经网络模式的特点是：各层神经元仅与连接层神经元之间有联系；每一层内神经元相互没有接触点；每一层内神经元相互没有反馈接连。信号源先前向传递到隐节点处，经过一系列转换后，传递隐节点的传出信息到输出节点，再给出最后的结论。一般采取Sigmoid型函数作为节点的激励函数（目标函数）。

BP神经网络的输入与输出并不是一个线性的相关，而是有复杂的非线性映射特性，如果输入节点数为[i，]输出节点数为[o，]则拓扑网是从[i]维数组到[o]维数组欧氏空间的高度非线性映射。采用调节BP神经网络中的相邻权值和网络拓扑范围（包含[i，o]和隐层节点数n），能够解决非线性区分等议题，而且可以以任何准确度接近任意非线性函数。这样的网络拓扑图（见图2）非常复杂，但准确率也高，在完成了BP网络的构造后，使用大量输入对应的输出样本集反复进行训练任务，同样也对网络的相邻权值和判别阈值进行学习和调节，一步步实现接近网络给出的输入输出映射关系。

利用BP网络对心电异常波形进行识别，具有识别速度快、识别率高、容错性好等特点。

对于神经网络模式分类器来说，由于神经网络本身具有自我学习、自适应环境和自组织行为的特点，只要待辨认的模型在其表示区域内有一点点的差异，网络就可以通过自适应划分类别学习，找到每个模型不一样的特点突出信息进行分类读取[13]。

本文采纳的是典型的三层前向BP神经网络，包括数据源层、隐含层和数据结论层。在本测验中，数据来源层神经元的个数为心电波样本的采样点数，即为121个。数据结论只用一个神经元：结论包括了PVC（室性早搏）、APC（房性早搏），AF（心房颤动），Nor（正常）四种典型波。输出目标之所以这样设置，是为了避免网络在识别不同波形时出現相互间的干扰，使识别效果更好。

通过数据源层与隐含层之间相邻权值的“自组织”，隐含层起到对样本输入模式进行特征提取的作用，然后将提取的特征传递给数据结论层。确定隐含层节点数可以采纳行为公式[n隐=m+n+α，]其中[n]为输入神经元数，[m]为输出神经元数，[α]为1～10之间的常数。在实验中，隐层节点数一般采用不用的值进行训练，然后比较效果最终选定一个合适的值，这部分在结果分析中将作具体讨论。

在传输函数的选择上，隐含层采取激励函数（双曲正切Sigmoid函数），而数据结论层传输函数为线形函数。采用逆向的传递算法对网络进行学习。

2.2 递进型双层BP神经网络

单一的BP神经网络很有可能学习训练不成功，从纯算法理论方面来看，BP算法是一种局部内优化搜索方法，但它要实现的议题为解决高度非线性函数的全局峰值，就因为这样算法很有可能陷入某些局部的峰值，而错过重要特征点信息，使学习训练失败。网络的准确度、容错广度能力同训练样本的代表性紧密联系，而从大量数据中选取代表性样本实例构成训练集是一个很艰巨的议题。所以基于神经网络这样一个缺陷，结合心电信号的特征点采用一种新型的递进型双层BP神经网络学习算法。

本文设计的递进型双层BP神经网络学习心电信号联合两个BP神经网络，分别采用连续的离散波形对第一个神经网络进行训练，然后提取几个心电明显的特征点并使用前一个神经网络的结果对第二个神经网络进行训练。具体的框架设计如图3所示。2号神经网络采用心电波的明显特征点是为了提醒1号神经网络的判断是不正确的，给1号神经网络的错误判断重新加权，让错误的判断偏移到正确的结论上，让正确的判断加强权值偏移，对心电信号的诊断提高精准度。

递进型双层BP神经网络训练步骤如下：

1） 初始化1号、2号神经网络：准备两个神经网络1号和2号，并且分别初始化，选择200组特征点明显的样本，本实验的样本取自MIT?BIH心电数据库。选取的常见心脏疾病波形为PVC（室性早搏）、APC（房性早搏）、AF（心房颤动）、Nor（正常）四种典型波。相对正常心电波而言，PVC会出现宽大畸形QRS波群，而APC的波形与正常波没有多大区别，只是发生APC时P波会提前出现，导致R?R间期缩短。

2） 训练1号神经网络：取样本到1号神经网络去训练，200组样本每组训练2 000次，先将训练过的心电波样本送入已训练好的BP网络进行仿真测试，计算误差函数，对比目标误差设定为0.004，如果达不到标准继续训练，直到识别结果全部达标，则完成1号神经网络学习。

3） 1号神经网络诊断：从MIT.BIH数据库再将T202的全部数据送入该网络做自动检测，一共有2 136个心电波，包括19个PVC和55个APC，每个测试样本的抽取办法和训练样本相同。经过多次实验，识别成功率都在95%以上，识别效果较为理想，可是这仍然有5%的误差，无法进一步提高。

4） 初始化2号神经网络：对2 136个心电数据采用差分阈值法把特征点提取出来，其中4个特征点非常具有代表性，包括前RR波峰间距、后RR波峰间距、R波幅值、QRS间距，如图4所示。endprint

5） 训练2号神经网络：得到两个输入样本。

① 上面差分阈值法识别取到的每个心电数据的这四个特征值。

② 2 136组T202数据通过采取1号神经网络得到测试结果数据。这两个样本一一对应作为2号神经网络的输入端，再一次经过训练，直到达到目标函数0.004标准，训练结束。

为了推广网络，本文用已训练好的递进型双层BP神经网络来识别MIT?BIH心电数据库中的其他心电数据，如T107，T108，T210，T222，T223等。由于不同病人存在生理差异，所以得到的辨识率也不尽相同。为了提高神经网络对异常心电波形的识别率，可以对输入的异常心电波的训练样本进行调整：如果发现漏波严重，则可以适当增加训练数据量；如果发现误判比较严重，则减少训练数据量，尽量挑选特征点比较明显或者同一病症波形类似的波形进行训练。另外，增加正常心电波的训练样本也可以达到同样的效果。测试结果如表1，表2所示。

对递进型双层BP神经网络和单一BP神经网络做详细对比，1号神经网络传入的训练数据是：采用速率为380次/s的速度提取心电信号离散信号点和该信号对应的正确症状； 2号神经网络采用差分阈值法提取心电信号的P，T，QRS特征点、1号神经网络的测试结果（不管对错）和该心电信号对应正确的症状。通过测试，从表1和表2可以发现，1号神经网络收敛性差，学习能力相对较弱，识别率为95%左右，2号神经网络由于主动加入正确的病症，把1号的错误结论神经元权值偏移到正确结论上，识别率达到97%以上。

3 结 论

本文设计的关键在于采用双层的神经网络结构，第一层只是传统BP神经网络诊断心电的方法，存在误差甚至是某些心电可能训练失败，可是第二层却采用第一层BP神经网络的诊断结果（不管对错）、绝对正确的结果和心电信号特征点作为训练样本，得到最终的人工神经网络。这样，第一层得到的正确或者错误结果，在第二层神经网络就会把错误的结果纠正到正确轨道上来，把正确的结果加强认知，大大减少了误差。

在表2测试中，递进型双层BP神经网络识别室性早搏、房性早搏、心房颤动时识别率较高，效果不错，辩识率在97%以上。虽然识别率仍然有不足的地方，有一定几率误波、漏波，但由于便携式心电信号检测并不是短暂几秒钟的识别，而是需要一段连续的检测时间，最后可得到综合结果，然后把心电信号图通过互联网上传至网络，可以依靠强大的“互联网+”，让在线医生再次确认。心电图波形发生的异常种类太多，人工神经网络能够识别的心脏病症只是少数，人工智能虽然有像谷歌AlphaGo这样的杰出代表，但仍然存在许多缺陷，仍然需要依靠有丰富经验的医生结合个人的身體差异作出更准确的判断。今后，随着机器智能化的进一步发展，相信可以最终解决这一问题。

注：本文通讯作者为陈茜。

参考文献

[1] 张敬平.用BP神经网络预测土壤入渗参数时隐层神经元数分析[J].山西水土保持科技，2008（3）：20?22.

ZHANG Jingping. Analysis of hidden layer neuron number using BP neural network in predicting soil infiltration parameters [J]. Soil and water conservation science and technology in Shanxi， 2008（3）： 20?22.

[2] 赵晓明.心电T波交替信号检测关键算法[D].天津：南开大学，2010.

ZHAO Xiaoming. Key algorithms for electrocardiogram T wave alternans detection [D]. Tianjin： Nankai University， 2010.

[3] 崔海霞，廖明群.基于人工神经网络的数据散列加密算法[J].电子工程师，2016（5）：59?61.

CUI Haixia， LIAO Mingqun. A Hash encryption algorithm based on manual neural network [J]. Electronic engineer， 2016（5）： 59?61.

[4] 盖立平，刘雅楠，刘旭.心电图形成原理的模拟设计[J].医疗卫生装备，2006（11）：76?77.

GAI Liping， LIU Yanan， LIU Xu. Analog design of magnetic resonance imaging principle [J]. Chinese medical equipment journal， 2006（11）： 76?77.

[5] 张山杉.神经网络在天线设计中的应用[J].现代电子技术，2010，33（15）：71?73.

ZHANG Shanshan. Application of neural network in antenna design [J]. Modern electronics technique， 2010， 33（15）： 71?73.

[6] 宋喜国，邓亲恺.MIT?BIH心率失常数据库的识读及应用[J].中国医学物理学杂志，2004，21（4）：230?232.

SONG Xiguo， DENG Qinkai. On the format of MIT?BIH arrhythmia database [J]. Chinese journal of medical physics， 2004， 21（4）： 230?232.

[7] 田杰.基于Cortex的实时心电处理及检测技术[D].济南：山东师范大学，2011：55?57.endprint

TIAN Jie. The real?time ECG processing and detection techno?logy based on cortex [D]. Jinan： Shandong Normal University， 2011： 55?57.

[8] 苏丽，赵国良，李东明.心电信号QRS波群检测算法研究[J].哈尔滨工程大学学报，2005（4）：513?517.

SU Li， ZHAO Guoliang， LI Dongming. Study of algorithms of QRS complexes detection in electrocardiogram signal [J]. Journal of Harbin Engineering University， 2005（4）： 513?517.

[9] 王明松，张跃，张集墨.完全性束支传导阻滞优化判别的研究[J].计算机仿真，2013，30（5）：395?398.

WANG Mingsong， ZHANG Yue， ZHANG Jimo. Optimization study on complete bundle branch block discrimination [J]. Computer simulation， 2013， 30（5）： 395?398.

[10] 黄家洺，郑日荣，曾绳涛.心电信号特征检测算法研究[J].机电工程技术，2013，42（8）：106?110.

HUANG Jialuo， ZHENG Rirong， ZENG Shengtao. Research on ECG feature detection algorithm [J]. Mechanical & electrical engineering technology， 2013， 42（8）： 106?110.

[11] 刘江，姚钦.基于高斯模糊神经网络的多传感器目标识别系统[J].弹箭与制导学报，2008（3）：217?219.

LIU Jiang， YAO Qin. Multisensor target identification system with FGNN [J]. Journal of projectiles， rockets， missiles and guidance， 2008（3）： 217?219.

[12] YANG S， YANG G. ECG pattern recognition based on wavelet transform and BP neural network [C]// Proceedings of 2010 International Symposium on Networking & Netwo. [S.l.]： EBSCO， 2010： 234?242.

[13] CAO Y Z， LI G， FAN Z F. ECG beat classification using support vector machine with wavelet transform based on feature extraction [J]. Journal of Tianjin University， 2007， 40（7）： 811?815.endprint