对截取波段处理的室性早搏分类方法研究

王霞 王姗 唐予军 李兵兵

摘  要： 以往检测室性早搏多是直接对整个心电周期进行处理，噪声干扰大，分类准确率难以提高，分类效率较低，文中直接处理截取波段从而提高检测准确率。用小波变换对心电信号进行预处理，标记R波，计算RR间期，将心电信号周期短的信号（不含P波）筛选出来，根据医生的建议及医学统计规律自动截取包含R波和T波的候选波段，用卷积神经网络对候选波段进行训练和分类。将候选波段输入卷积神经网络进行训练，识别率达到了预期效果。使用MIT?BIH心电数据库中的数据验证，其自动检测识别率达到97.3%，能够对医生的诊断提供有效帮助。

关键词： 室性早搏; 截取波段处理; 心电信号预处理; 候选波段截取; 信号筛选; 候选波段训练

中图分类号： TN911.7?34; TP183                   文献标识码： A                    文章编号： 1004?373X（2020）11?0063?05

Classification method of ventricular premature beat processed with

intercepted wavebands

WANG Xia， WANG Shan， TANG Yujun， LI Bingbing

（College of Electronic Information Engineering， Hebei University， Baoding 071000， China）

Abstract： In the past， the detection of ventricular premature beat （VPB） was mostly performed directly on the whole ECG cycle， in which the noise interference was serious， the classification efficiency was low and the classification accuracy was difficult to be improved. In this paper， the intercepted waveband is directly processed to improve the detection accuracy. The wavelet transform is used to preprocess ECG signals， mark R wave， calculate RR intervals and screen out ECG signals （excluding P wave） with short cycles. The candidate wavebands including R wave and T wave are automatically intercepted according to doctor′s advice and medical statistical laws， and then are trained and classified by convolutional neural network （CNN）. After training， the recognition rate of detection reaches the expected effect. The data in MIT?BIH ECG database verifies that the recognition rate of the automatic detection reaches 97.3%， which can provide effective help for doctors′ diagnosis.

Keywords： VPB; intercepted waveband processing; ECG signal preprocessing; candidate waveband interception; signal screening; candidate waveband training

0  引  言

室性早搏的檢测和诊断是心电图监控中的重要课题。如果没有及时发现室性早搏，可能会发生变异，因此检测和诊断室性早搏意义重大[1]。心电图反映体表两点之间的电位差，是由多个心肌细胞产生动作变化反应到体表形成的，即心脏组织的电压变化，导联[2]不同或人不同，心电图都会不一样。正常的心电图包括P波、QRS波、T波，不同波的意义不同，要想通过心电图诊断疾病，就要密切关注心电图中每个波的起点、幅度、形态。室性早搏的心电图有很大特点：QRS波群过早出现，QRS波群主波方向和ST段与T段的方向相反[3]。

目前，心电信号自动分类方面发展迅速，比如文献[4]用无线电网络技术检测不同人的心跳;文献[5]探索ECG信号的几何特征，从而对心电信号进行识别，在阳性预测值方面表现优异;文献[6]设计了一种基于单导联心电图的常见心率失常判断算法，能够检测P波起点;沈利等人从导联中提取心率、形态和小波域能量等特征，用支持向量机对室性早搏进行检测和分类;文献[7]设计了一种基于多导联心电图识别算法，准确识别ST段形态; Shivajirao M.Jadhav等人为心率失常的分类提供了一种新方法，利用模块化神经网络模型将心率失常分成正常和异常两种，用关注类最近的列值代替数据集中缺失的属性值，测试分类准确率达到82.22%;文献[8]用无监督学习的方式诊断异常心电信号，在时间复杂度和空间复杂度的解决上取得了进展。但是先自动提取包括R波和T波的候选波段，再用卷积神经网络识别室性早搏则很少谈及。

小波分析技术日渐成熟，在处理图像、压缩数据、识别语音等领域具有广阔的应用前景。小波分析具有“显微”的特点，因此小波变换能跟踪信号的突变，一般用小波变换来检测信号的特征点。小波变换将信号分解成线性变换，二者的尺度不一样，从根本上和带通滤波相同。卷积神经网络具有的稀疏连接、权值共享的特点能大大减小噪声干扰和目标位置的变化对卷积神经网络获得特征的影响，具有良好的魯棒性。

本文在研究人工神经网络之后，在输入卷积神经网络的数据上有所改进，先观察心电信号的特点，咨询临床医生，根据医生的建议和心电信号的医学统计规律自动截取包括R波和T波在内的候选波段，再输入卷积神经网络进行分类。这样能有效地减少噪声的影响，同时，也能避免心电信号位置的变化对分类结果的干扰，提高了分类准确率。

1  算法实现

本文用卷积神经网络对含有R波和T波的候选波段进行分类，由此实现室性早搏的识别，在算法上可以分为五个步骤：

1） 对信号进行预处理[9]，用自适应阈值法进行去噪;

2） 标记R波，对信号进行小波重构，在给信号加的时间窗内搜索信号的极大值点，即R波波峰;

3） 筛选不含P波的心电周期，根据RR间期的大小不同将不含P波的心电信号筛选出来，考虑具有室性早搏的可能性;

4） 自动截取包括R波和T波的候选波段，根据标记好的R波位置计算RR间期，根据医学统计规律截取包括R波和T波的候选波段;

5） 特征提取和分类，将含有R波和T波的候选波段输入到卷积神经网络中，进行训练和测试，完成对心电信号室性早搏的分类识别。

1.1  数据预处理

预处理心电信号常用的方法是小波变换，本文使用自适应阈值法，能够自动调整阈值，不同的尺度阈值不同，增加了算法的稳定性和适应性。自适应阈值法定义为：

[Tk=Wk2lg nSk，    k=1，2，…，L] （1）

式中：[Sk=2（L-k）L]，[L]为小波总分解尺度，[k]为阈值小波尺度，其值不固定。

[Wk=medianbk0.674  5，    k=1，2，…，L] （2）

1.2  标记R波

对信号小波重构[10]，从心电图中可以看出，心电信号中QRS波的能量较大，P波和T波的能量较小，小波重构之后，能量大的QRS波更强且更明显，能量小的P波和T波能量更小且不明显，因此，能量的峰值就是R波峰值。在给信号加的时间窗内搜索极大值点，即R波波峰。图1是标记R波峰值点的过程反映了心电信号电压值随采样点数的变化情况，峰值用‘[?]标出。

1.3  筛选出不含P波的心拍

通过检测RR间期判断一个心电周期中是否含有P波。从图2中可以看出，在室性早搏出现时，心电图的一个重要特征就是P波消失。当RR间期变小，说明后一个心拍的R波距离前一个心拍的R波的距离变小。所以首先根据R波的位置计算两个相邻的R波之间的距离，即RR间期长度。临床医生建议，RR间期小于正常心拍RR间期长度的85%，可以认为后面的一个心拍具有室性早搏的可能。将小于正常RR间期85%的相邻心拍的后面一个心拍标记好序号并保存。

1.4  截取含有R波和T波的候选波段

以标记好的R波为基准点，自动截取一段尽量小的候选波段，使得这段波里含有R波和T波，如图3所示。由计算得到的RR间期推算出Q波起点至T波终点的距离，即为QT间期。由医生的经验可知，Q波和R波之间的距离为30～70 ms，所以可以得到QT间期的长度如下：

[QT=0.38lg（10RR+0.07）] （3）

将含有R波和T波的候选波段截取并保存。

1.5  特征提取与分类

1.5.1  卷积神经网络模型特点

1） 独特的神经元之间的连接方式。稀疏连接，连接相邻两个神经元，将信号空间局部特性的作用发挥到最大。

2） 充分利用数据空间的相关性。权值共享，通过共享卷积神经网络中同一层的某些神经元的连接权值，网络中可训练参数的数量大大减少，算法的效率得到提高。

稀疏连接使得卷积神经网络能够充分利用空间局部特性，例如，局部空间的输入是第[n-1]层，第[n]层仅仅和第[n-1]层的一部分相连，第[n+1]层和第[n]层也是用这种方式，很多个这样的局部空间相互连接构成整个全局空间。权值共享使卷积核的参数能被全局空间利用，将需要学习的变量个数减少。通过对卷积核的不断调整，卷积神经网络模型更简洁，权值数量更少，对噪声的鲁棒性更强，比例缩放、平移、倾斜或者其他形式变形对卷积神经网络的影响也更小。

1.5.2  针对R波和T波搭建卷积神经网络模型

因为卷积神经网络是处理二维数据的，而心电信号是一维数据，所以本文先将心电信号数据转换为二维矩阵，再送入卷积神经网络进行分类。针对R波和T波构造的卷积神经网络模型分为两步：特征提取和特征分类。

与模糊滤波器原理相似，卷积层会使原信号的特征变大，同时减小噪声的影响。某一层卷积层输出了特征向量，下一层的卷积核就会和这些特征向量卷积，经过激活函数后，就成为了下一层的特征映射。卷积层输出结果如下：

[xlj=fi∈Mjxl-1j×Wlij+blj] （4）

式中：[l]是第[l]层卷积层;[j]是第[j]个卷积核;[xlj]是特征向量;[Mj]为能够与当前神经元相连的神经元个数;[Wlij]是第[i]个加权系数;[blj]是偏置系数[11]。

非线性函数[f]的计算公式为：

[f（x）=1，     x>00，     x≤0] （5）

考虑到局部相关性，下采样层对数据进行子抽样，减小数据维度的同时保留有用信息。采用池化技术能将特征保留下来，这样即使信号有缩放和位移也不会对结果产生太大影响。同时，下采样层还能对特征进行又一次的特征提取，减小隐层之间的分辨率，计算公式為：

[xlj=fβlj×down（xl-1j）+blj] （6）

式中：down（·）表示下采样函数;[βlj]是加权系数;[blj]是偏置系数。

搭建对R波和T波分类的神经网络模型，每一个神经元的输入都和上一个神经元的输出相连接，来获得局部特征，整个模型由输入层、卷积层、采样层、输出层四部分组成。

用卷积神经网络对截取出来的包括R波和T波的候选波段进行特征提取和分类，此卷积神经网络结构包括两个卷积层和两个池化层。首先将权值和阈值初始化，将截取好的候选波段数据转换为二维矩阵，输入卷积神经网络第一层卷积层，设置卷积核大小为5×5，步长为1，输出16×16的特征向量。将此特征向量送入第一层池化层进行二次特征提取，步长为2，用2×2的卷积核压缩为8×8的特征向量;结果送入第二层卷积层，经过5×5的卷积核卷积，步长是1，结果送入第二层池化层，再次池化，步长为2，将池化后的4×4结果送入输出层计算分类结果。这种卷积神经网络独特的二次特征提取结构，分类结果的准确性对输入数据的依赖性低。

1.5.3  训练算法

卷积神经网络只是一种输入和输出之间的映射，无需任何输入到输出的准确数学表达式，进行训练的是已经标记的数据，由此建立输入和输出之间的对应关系。参数优化过程如图4所示。

1） 训练开始之前，对卷积神经网络模型初始化，后面会用到很多的阈值参数，随机设置这些参数和权值，使它们都基本为0。

2） 用截取的包含R波和T波的候选波段构建训练集，从中选取171个样本组成一个训练组，作为卷积神经网络的输入，同时将输出矢量指定给目标。

3） 将由下式计算得到的实际输出矢量和要求的目标输出做对比，用式（9）计算误差[Q]，并计算权值[P]和阈值[δ]的调整量。

[ΔPjk（n）=α1+l×（ΔPjk（n-1）+1）×δk×hj] （7）

[δk=hj（1-hj）k=0M-1δkPjk] （8）

式中：[k]是输出层神经单元;[M]代表输出层神经单元个数;[hj]代表隐含层输出矢量，[α]代表学习率;[j]代表隐含层神经单元。

4） 判断是否满足精度要求：

[Q=12k=0n-1（dk-yk）2≤ε] （9）

其中：[Q]是总误差函数;[yk]代表输出矢量;[dk]代表目标矢量。如果不满足精度要求，则重新回到步骤3），接着迭代;如果满足精度要求，表示训练目的已经达到，训练结束，将权值和阈值保存起来，此时认为各个权值和阈值已经达到稳定，分类器已经形成。再进行训练时，可以直接使用文件中的权值和阈值，不需要进行初始化。

2  测试结果及分析

本文采用MIT?BIH心率失常数据库[12]中的6组数据进行识别，每组记录是长约30 min的心电数据。首先训练神经网络将数据库中的105号数据中不含有P波的心拍筛选出来，171个心拍作为训练集对模型进行训练。卷积神经网络进行学习之后可以得到准确率随迭代次数变化的曲线，如图5所示。

验证6组数据结果，如表1所示，对于102号心电数据中所含有的室性早搏心拍只有几个，通过本文的方法，室性早搏的检测准确率达到100%;103组数据中不包含室性早搏心拍，用本文方法对其进行检测时没有检测到室性早搏，没有错误情况;对于114号数据，检测准确率在95%左右;而116，205，210号三组数据检测的准确率在96%左右。

[心电波检出率=心电波总数-心电波错检数心电波总数]

[PVC准确率=PVC总数-PVC漏检数PVC总数]

综合来看，心电记录中包含的室性早搏的心拍数量越多，说明心律不齐就越严重，心电信号的变化就越快，也更容易对自动检测产生困难。但是从整体上来看，不同病人的检测精度上并没有很大差异。说明本实验方法稳定性强，针对室性早搏来说诊断的准确率较高。

3  与传统的BP神经网络分类方法对比

有文献提出将小波变换和BP神经网络结合来对室性早搏进行识别，首先提取ECG信号的特征参数，然后用小波变换将特征点检测出来，构建特征向量，最后送入BP神经网络进行分类。这种方法检测室性早搏准确率为92.97%左右。本文通过自动提取含有R波和T波的候选波段，将室性早搏的检出率提高到了97.3%左右。实际生活中，病人的R波和T波的形态复杂且多变，即使是同一人的R波和T波的波形形态也是不同的。与之前的工作进行对比，本文提出的方法更加简单、高效和实用。

4  结  论

本文提出基于小波变换和卷积神经网络的室性早搏识别算法，通过计算RR间期，将不含有P波的信号筛选出来，根据医生的建议和心电信号规律，将筛选出来的信号自动截取出包括R波和T波的一段候选波段，用卷积神经网络对候选波段进行分类。卷积神经网络在训练之后能自动获取R波和T波特征，并且获得的特征对微小的平移和噪声具有较高的鲁棒性，由此将R波和T波有效区分开。

最后用6组MIT?BIH心电数据对本文方法进行测试，测试结果表明，本文方法对室性早搏诊断的准确性较高，达到了97.3%。但是由于本文采取的数据量还不够多，提供给卷积神经网络的输入样本不够多样和丰富，所以出现了当R波和T波差异比较大时出现识别不准确的情况，分类结果存在局限性。在以后的工作中，可以从下面两个方面进行改进：因为卷积神经网络在处理大数据方面优势非常的明显，可以加大数据集，丰富样本的数量和种类;针对心电信号的特征和室性早搏的特点，寻找更加适合并且有效的方法优化卷积神经网络。

参考文献

[1] 焦云丽，陈璐，王畏.门冬氨酸钾镁针剂治疗室性期前收缩的效果观察[J].中国当代医药，2015，22（2）：91?92.

[2] 陈亮，单兴华，王飞宇，等.十二导联动态心电监测的临床应用[J].诊断学理论与实践，2014（4）：437?439.

[3] 李中健，李世锋，申继红，等.心电图学系列讲座（三）：心电图一般知识[J].中国全科医学，2014，17（3），360?362.

[4] HUANG Y P， HUANG C Y， LIU S I. Hybrid intelligent methods for arrhythmia detection and geriatric depression diagnosis [J]. Applied soft computing， 2014， 14： 38?46.

[5] 李锋，陈美丽.一种基于几何特征的ECG波形识别算法[J].北京生物医学工程，2015，34（3）：261?266.

[6] 杨阳.基于单导联心电图的常见心率失常判断算法研究[D].成都：电子科技大学，2016.

[7] 叶宇翔.多导联心电图识别方法的研究[D].天津：天津工业大学，2014.

[8] 李锋，谢嗣弘.基于无监督学习的移动心电信号异常诊断研究[J].计算机科学，2017，44（z2）：68?71.

[9] 刘胜洋，张根选，曹阳.心电信号中的工频干扰滤除方法[J].生物医学工程学杂志，2014，31（3）：577?582.

[10] LIU Xiuling， YANG Jianli， ZHU Xiaoyu， et al. A novel R?peak detection method combining energy and wavelet transform in electrocardiogram signal [J]. Biomedical engineering： applications， basis and communications， 2014， 26（1）： 1?9.

[11] 刘明，李国军，郝华青，等.基于卷积神經网络的T波形态分类[J].自动化学报，2016，42（9）：1339?1346.

[12] 贺京生.基于小波变换的十二导联心电信号分析研究[D].南昌：南昌大学，2016.