基于机器学习的心肺复苏干扰下心电节律识别算法研究

余明，袁晶，张广，万宗明，陈锋

军事科学院系统工程研究院 卫勤保障技术研究所，天津 300161

引言

据最新研究数据表明，我国每年因心脏骤停（Cardiac Arrest，CA）的总死亡人数达到50万以上，位于全球之首[1]。近几年，越来越多地年轻人开始因为各种原因而出现心脏骤停，这也导致了心脏骤停患者数量快速攀升[2]。院外心脏骤停造成猝死的高发原因是难以得到及时抢救。若发病早期获得正确有效的心肺复苏（Cardio-Pulmonary Resuscitation，CPR）和体外电除颤，抢救成功的可能性会增加到60%以上。早期电除颤是复苏成功的关键因素，早1 min进行电除颤，患者得到成功救治的几率将会提高7%～10%[3]。

然而，胸外按压过程会造成心电信号中出现伪影（CPR伪迹），使我们对心电节律的分析区分变得更加困难。只有当CPR平均停止时间超过15 s时，现有的自动体外除颤器（Automated External Defibrillato，AED）才能进行可靠的检测[4]。这些中断间隔降低了恢复自发循环的可能性。近年来，越来越多的证据表明，减少胸压中断，增加血流灌注时间是提高CPR成功率的关键[5]。许多学者将研究精力放在滤波器的构建上，试图通过滤波方式，消除伪影对心电信号的干扰；虽然一些自适应滤波算法在很大程度上抑制了胸部按压的伪影，但心肺复苏术的残余伪影仍不容忽视[6-8]。所以有必要设计一种在心肺复苏干扰下辨识准确度更高、稳定性更强的一种算法[9-11]。

本文致力于研究一种基于机器学习的心肺复苏干扰下的心电节律识别算法，准确识别在心肺复苏干扰下的心脏节律，从而减少心肺复苏过程伪影中带来的干扰，提高CA患者的救治率。

1 数据库

本文的心电数据来源于Creighton University Ventricular Tachyarrhythmia Database（CUDB） 和 MIT-BIH Malignant Ventricular Arrhythmia Database （VFDB）[12]。这些心电图样本由专家批注为窦性心律（Sinus Rhythm，SR）、室性心动过速（Ventricular Tachycardia，VT）、心搏停止（Asystole，ASYS）、心室扑动、二联律、心室颤动（Ventricular Fibrillation，VF）、房颤、噪声等。本文去除除颤前后的噪声信号和心电信号，并将室颤与室速标记为VF，窦性节律、二联律、房颤等标记为SR。文中联合应用CUDB数据库以及VFDB数据库中的相关数据，并对数据进行时间截取采样，每10 s截取为一段，总计1343段，其中VF信号372个样本，VT信号254个样本，SR信号644个样本，ASYS信号73个样本。分别对应可电击节律（VF、VT）、不可电击节律（SR、ASYS）两类。

此外，本文从12头停搏的猪身上获得24个心电图CPR伪影。使用数据库中奇偶记录顺序，将全部的1343个无干扰的心电信号分为对照组和测试组（如将第一个样本放入对照组，将第二个样本放入测试组）。对照组包含672个无干扰的心电信号，测试组得到671个无干扰的心电信号。根据相同原则，将24个CPR伪影样本也分为对照组和测试组两组，每组包含12个CPR伪影样本。在不同的信噪比条件下，根据以下公式构建受干扰的心电信号样本，见公式(1)：

在公式(1)中，SECG_MIXED为构建出的受干扰心电信号，SNR为该干扰信号的信噪比，SECG为原始心电信号，SCPR为CPR伪影信号。由公式信噪比决定所构建信号的受干扰程度：信噪比越大，构建的信号中CPR的伪影越少，干扰越小；信噪比越小，构建的信号中CPR的伪影越多，干扰越大。本文在信噪比分别为0、-3、-6、-9、-12的干扰水平下构建了受干扰的心电信号。在训练组中，将672个无干扰的心电信号与12个CPR伪影样本混合，得到40320（672×12×5）个受干扰的心电信号，其中可电击的心电节律为18780个，不可电击的节律为21540个；以相同的方式，在测试组得到40260（671×12×5）个受干扰的心电信号，其中可电击的心电节律为18780个，不可电击的节律为21480个。根据这种方法，对照组和测试组之间的心电信号和伪影是完全独立、互不交叉的。

2 算法构建

分析中涉及21个特征值，依次为Count1，Count2，Count3[13]，Kurtosis[14]，ACF_VR[15]，Leakage[16]，AMSA，FSMN，A1，A2，A3[17]，CovarBin，FreqBin，AreaBin[18]，Complex[19]，Mean_TCI，Std_TCI，F_TCI[20]，TimeDelay[21]，H2，H3[22]。这些特征值可以表示心电信号在时域、频域、相空间、二值空间和联合时频域五个不同空间中的形态分布、高斯性、振幅谱、变异性和复杂性。

本文中的BP神经网络设计为三层结构，分别对应于输入层、隐藏层和输出层。对于输入层，输入特征向量的维度对应于神经元数量（2个）[23]。且对应于可电击和不可电击的心电信号节律。将隐藏层中的神经元数量设置为与输入层中的神经元数量相同，并进行了仿真验证。在大多数情况下，这样的设置使神经网络具有更好的性能。由于得到的信号表现出明显的不均衡性，考虑到节律信号数据所收到的训练量并不一致，本文对每一类样本信号赋予相同的权重，见公式(2)～(3)：

在公式(2)～(3)中，Nall为样本总数，Nshockable、Nnon-shockable分别为可电击和不可电击的总数。

将训练中每个样本产生的误差乘以相应的权值作为网络参数校正的基础，这样可以使训练网络在识别可电击和不可电击的心电时达到较高的精准度。这些权重还用于将识别精度校正为稳定性（ACbalanced），见式(4)：

式中NTshockable、NTnon-shockable、Nshockable、Nnon-shockable分别表示正确识别的可电击的样本个数、正确识别的不可电击的样本个数、可电击的样本总数和不可电击的样本总数。

训练结束后，将对照组输入所得到的神经网络，计算神经网络在心电图心律识别中的敏感度、特异性和稳定性。

上述21个特征值不一定可用于构建可电击的节律识别算法，这是因为特征值的增加将会在很大程度上增大算法运算量。同时由于采用神经网络训练，特征值的增加意味着训练量大幅增加，而过度的训练将会导致分类器适应性降低。考虑到这一点，文中基于遗传算法完成了特征值择选。

遗传算法中设置染色体基因编码为21个。每个基因分别与本文研究特征值相对应。基因选择1表示选择了相应的特征值，0表示放弃了相应的特征值。随机产生N条染色体。染色体的群体适应度由相应输入载体的稳定性决定。通过选择、杂交和突变，得到了最优载体。反复进行遗传算法选择，将特征值按照被选择次数进行排序，并按照排序将其依次加入神经网络构建中。

经验证，当特征值依次加入到神经网络中时，准确性在开始时迅速提高。当特征值数目增加到4时，准确性提高到98.75%，在此之后，特征值增加准确率反而降低。当特征值数目增加到13时，准确性达到最大值99.31%。在此之后，随着特征值数目的持续增加，准确性降低，结果依次为：60.69%、88.62%、91.11%、98.75%、98.91%、98.97%、98.96%、98.96%、99.10%、99.15%、99.15%、99.22%、99.31%、99.25%、99.24%、99.23%、99.22%、99.26%、99.23%、99.19%、99.15%。所以本文选取前13个特征值（count1, count2, count3, TimeDelay, FreqBin,AMSA, A1, A2, Leakage, H2, F_TCI, mean_TCI, ACF_VR）构建神经网络。

3 结果

将信噪比为0、-3、-6、-9、-12的测试组受干扰的心电信号输入到神经网络，分别计算了不同心电节律被正确分类的准确性（表1）。

表1 在不同干扰下的心电节律识别准确率（%）

为验证本文所构建算法的性能，本文还运用了两种性能得到公认的算法进行对照比较实验：时延算法[21]，记作：Amann-Time-delay methods（表2中简称算法A），与VF滤波算法[16]，记作Kuo-Proc Computers算法（表2中简称算法K），两种算法简介如下：

（1）Amann-Time-delay methods算法，是将心电信号以一定的频率重新采样，并在空间内进行重构，将其表达在一个40×40的网格中，网格的横向和纵向坐标的范围就是心电信号的波幅范围；此时，该信号样本所填充的网格占比即为区分信号节律类型的依据。

（2）Kuo-Proc Computers算法，是将一个窄带宽带阻滤波器应用到心电信号样本中，其中心频率为心电信号的平均频率。该信号样本通过滤波器后的残余信号能量即可用来进行节律辨识。

将以上两种算法在相同干扰水平下基于完全相同的数据库进行心电节律识别，识别正确率的计算结果表2所示。

表2 两种算法在不同干扰下的心电节律识别准确率（%）

从表2中可以看出Amann-Time-delay methods和Kuo-Proc Computers算法在识别可电击节律时表现较好，即使在伪迹干扰下依然能准确辨识出VF和VT；但对于不可电击节律效果较差。

算法A和算法K在无干扰条件下辨识SR具有很高的准确性，但鲁棒性较差，在有干扰时准确率迅速下降，在SNR达到-12时，算法K基本上无法完成对SR的辨识；在识别ASYS时，即使在SNR=0的低干扰水平下，两种算法的表现都较差，并且随着干扰增加，辨识准确率更是急剧降低。

对比表1与表2，本文设计的算法，无论有无干扰对心电信号的识别准确率均较高，尤其在VT的识别上，更是有100%的准确率，即使在SNR=-12时，对各种类型节律的辨识准确率在95%以上。

由图1～2可知，本文设计的算法在识别不可电击节律时，识别准确率较高且随着干扰增加识别结果较为稳定；算法A、K在识别SR时稳定性较差，随着干扰增加识别准确率急速下降；在识别ASYS时，无干扰情况下识别率低于40%，随着干扰增加，识别成功率依然呈下降趋势，基本无法完成对ASYS的识别。

图1 在不同干扰下识别SR对比

图2 在不同干扰下识别ASYS对比

4 讨论

本文提出并设计了一种基于机器学习的心肺复苏干扰下心电节律识别算法研究，通过对算法的训练以及特征值的加入，将不同心电节律在干扰下的识别成功率大大提升。

由表1可以看出，无论有无干扰本文设计的算法在识别VF节律上都有98.9%以上的准确性；在识别VT节律上在强干扰下仍然可以保持在100%的识别准确性；在识别不可电击的心电节律时准确性也在95%以上。

由表2可知，无论是否存在干扰，算法A和算法K在识别VF、VT时成功率均较高；在无干扰条件下辨识SR具有很高的准确性，但鲁棒性较差，因为SR节律的典型特征就是其周期性和规律性，所以随着干扰程度的增强，其规则性被破坏，因此容易被误归类为VF、VT。而ASYS原始的信号波形中几乎不包含任何能量，因此轻微干扰引入的能量就足以导致其被错误归类。

对比表1和表2，突显出本文设计的算法有较强的稳定性，相比较于目前应用较广的两种算法，在相同干扰下识别VF、VT的能力略微优于其他两种算法，但在不可电击节律的识别上差异较大。从图1和图2中可以得出，在识别SR和ASYS上本文设计的算法相比较于A、K两种算法特异性更高、稳定性更强。设计算法相比较于A算法，在SNR=-12时识别SR，准确率提高约20%；在SNR=-12时识别ASYS，准确率提升约75%。设计算法相比较与K算法，在SNR=-12时识别SR，准确率提高约94%；在SNR=-12时识别ASYS，准确率提升约99%。

通过上述结果证明，本文设计的神经网络对心电信号的识别具有很高的正确性和稳定性，同时在心电节律识别时鲁棒性能力较为突出。

5 结论

近年来，越来越多的证据表明，减少胸部按压的中断可以有效提高CA患者的救治率[23]，因此对心肺复苏过程中的心电节律辨识研究至关重要，本文通过对现有的可电击节律辨识算法的大量回顾性研究，从心电信号中提取了21个特征值。特征选择后，选取13个特征值参与BP神经网络的构建。该网络对构建的受干扰心电信号的性能进行了评估，即使在干扰程度特别高的情况下，也能非常准确地区分出可电击节律与不可电击节律。