心電信號識別分類算法綜述

馬金偉,劉盛平

(重慶理工大學 藥學與生物工程學院， 重慶 400054 )

近年來心血管疾病發病率和致死率持續增長，且呈現年輕化趨勢。心血管疾病主要以冠心病、高血壓、心肌梗死和心力衰竭等為主，患者發病之前心臟往往會出現心律失常的情況。心電圖可以比較直觀地獲取患者心臟的心電信息，反映測試者心率狀況，有利于各類心臟疾病類型(如房性早搏、室性早搏、左束支傳導阻滯、右束支傳導阻滯等)的診斷和治療，使患者盡早康復，乃至挽救患者的生命。因此，心電信號(ECG)的檢測和分類具有極其重要的臨床意義，也有利于促進心血管疾病的臨床研究。

1 心電信號研究的內容及現狀

1.1 心電信號提取與預處理

心電信號的采集是研究心電信號識別分類的基礎，現在大多數學者研究過程中主要采用的心電信號來源于國際上較權威的4個心電數據庫：美國麻省理工學院的MIT-BIH心率失常數據庫、美國心臟學會的AHA心率失常心電數據庫、歐盟的CSE心電數據庫和歐盟ST-T心電數據庫。也有部分學者以個人在臨床上采集的心電信號為研究對象。心電信號的分類一般包括：提取心電信號→心電預處理→特征提取→算法分類等。

圖1 心拍結構示意圖

一般所采集的心電信號含有肌電干擾、50 Hz/60 Hz的工頻干擾、基線漂移、放大電路的內部噪聲和運動偽跡等干擾噪聲，會影響到心電信號特征提取的準確性與識別率，因此需要對采集到的心電信號進行濾波去噪處理即預處理，防止干擾噪聲對心電信號的識別分類的影響。心電信號的濾波方法可分為傳統濾波方法和現代濾波方法。

FIR數字濾波器、IIR數字濾波器等屬于傳統濾波方法，而現代濾波方法則包括小波變換濾波、神經網絡法及自適應濾波算法等。Sahu[1]采用卡爾曼濾波器、自適應濾波器和線性變換卡拉姆濾波器分別對心電信號去噪。研究表明：幾種濾波器中卡爾曼濾波器對心電信號的濾波效果較為突出。尚余等[2]提出基于小波變換對心電信號的濾波處理，利用小波變換對頻域信號處理上的優勢，采用(dbN)小波變換對心電信號進行多重分解，并采用heursure規則閾值降噪和Minimaxi規則閾值降噪處理分解后的信號。朱翔等[3]提出采用FIR濾波器濾除低頻的干擾成分(如肌電干擾)等，用IIR零相移濾波器濾除其他頻率的干擾，在濾除噪聲的同時防止心電信號的失真。彭云等[4]提出利用經典整體模式分解(EEMD)對心電信號處理，采用類似于小波變換中的硬軟門限去噪方法，對幾個高階IMF分量做門限閾值處理，與小波變換算法相比，其自適應性不僅避免了眾多小波函數選擇上的困難，還使降噪后的信噪比得到改善，有效地濾除心電信號中的基線漂移。小波變換濾除基線漂移時，需進行信號的高尺度分解與重構，處理數據的過程中計算量大，而EEMD在基線漂移的處理上計算量小，速度快，性能優異。張磊磊等[5]針對心電信號微弱、含有大量噪聲、非平穩性的特點，提出基于形態學和提升小波閾值法結合對心電信號進行去噪處理，通過形態學濾波器去除心電信號中的低頻噪聲，利用提升小波閾值法濾除心電信號中的高頻噪聲，經MIT-BIH心律失常數據庫中的數據進行驗證，結果表明：該算法最大地保留了心電信號中的特征信號，與傳統的小波去噪方法相比，其去噪的能力更強，去噪后的心電信號質量更好。心電信號的預處理是實現心電信號分類的重要步驟，直接影響心電信號分類率。心電信號的濾波算法將會朝計算量小、運算時間短、性能優異的方向發展，以期實現更好的心電信號濾波處理。

1.2 心電信號特征參數的提取

心電信號的特征參數(如P波、QRS波、T波、QR斜率、RS斜率、RR間期)的準確提取是心電信號識別分類的關鍵[5]。目前，提取心電信號的特征參數的主要方法有神經網絡法、小波變換法、經典模態分解(EMD)法、差分閾值法和模板匹配法結合法等。Ganesan等[6]采用EMD濾除心電信號干擾，增強心電信號有用成分，使用連續小波變換(CWT)實現了R峰精確檢測，應用于MIT-BIH心電信號。結果表明：其能有效、快速地實現R峰的精確檢測。孫括等[7]使用埃爾米特函數(Hermite functions)分解心電信號得到QRS特征向量，利用自組織神經網絡確定QRS波形，準確地分解了QRS波形，但神經網絡算法需要大量數據來訓練，增加了算法的復雜度。王瑞榮等[8]利用小波變換和形態學濾波方法消除了肌電干擾、工頻干擾和基線漂移等干擾，采用K-means聚類算法提取心電信號的QRS波、T波、P波等主要特征點，對QRS波、T波、P波的檢測準確度分別達到了99.68%、91.01%、97.01%，表明該算法提取心電特征的準確度較高，具有重要的參考價值。Li等[9]提出一種簡單便捷的ECG處理算法，其包括Haar小波變換(HWT)、模極大值檢測(MMPD)和峰值位置修改(PPM)。利用HWT對心電信號分解得到HWT系數，引入MMPD在HWT系數中定位ECG峰值，而PPM用于校正時移提高波峰檢測的準確性。經MIT-BIH心電樣本驗證，QRS檢測靈敏度為99.53%，該算法具有較高的檢測精度和較低的計算復雜度。王金海等[10]提出一種基于近似熵(ApEn)和經驗模式分解(EMD)結合的心電特征提取新方法，對心電信號進行經驗模態分解(EMD),得到有限個IMF分量，并計算IMF的近似熵，用近似熵代表心電信號的特征向量。但是這種方法提取的特征向量較少，沒有注意時域特征。Rodriguez[11]給出一種新的QRS復合波的檢測方法，可用于不同類型的心率失常特征提取。其算法首先是通過帶通濾波器對ECG信號進行濾波，之后采用Hilbert變換和自適應閾值法對QRS波檢測，最后實施主成分分析對ECG信號提取QRS波，采用MIT-BIH數據庫里的19個不同的心電樣本測試該算法。結果表明：QRS波的檢測靈敏度為96.28%，識別率為99.71%，驗證了其算法的有效性。心電信號特征的準確提取直接關系到下一步心電信號的識別分類，因此應注重提取心電特征，在提取心電特征時應當考慮到時頻域特征，還有形態學等多方面的特征。

2 心電信號的分類算法

2.1 統計模式識別分類法

早在 20世紀90年代，統計模式識別分類法就已運用到心電信號(ECG)的分類研究中，其已成為心電信號識別分類領域的重要的分支。

統計模式運用于心電信號識別分類的識別方法主要有：支持向量機(SVM)、K近鄰算法、獨立成分分析(independent component analysis,ICA)、主成分分析(principal component analysis,PCA)、小波分析(wavelet analysis,WA)等。董彬等[12]采用基于多尺度化基本尺度熵(multiscale base-scale entropy,MBE)和希爾伯特-黃變換(Hilbert-Huang,HHT)結合提取心電信號特征值，利用離散小波變換對心電信號進行去噪處理，采用多尺度化基本尺度熵進行分析，提取多個尺度下的尺度熵值，再利用希爾伯特-黃變換得到邊際譜的信息熵，并將這兩部分特征輸入支持向量機中，采用心律不齊患者、呼吸暫?；颊吆头款澔颊?、健康人的數據進行測試驗證，其分類準確率分別為93.75%、90.63%、90.63%、87.5%。該法在ECG信號自動分類領域具有一定的應用前景，且支持向量機法算法簡單、計算速度較快，為實現心電信號實時分類提供了可能性。其中，多尺度的基本尺度熵、希爾伯特邊際譜熵表達式分別如式(1)～(3)所示。

(1)

(2)

(3)

式(1)中：yk代表序列y的第k個元素；δ為時間尺度因子；xi代表序列x的第i個元素，x代表去噪后長度為N的心電信號。式(2)中：x(t)代表心電信號，ci(t)為第i個IMF分量，r(t)為殘差項。式(3)中：Re表示取實部；c(t)、w(t)是IMF分量變換后的幅值和相位；f(t)為IMF分量的瞬時頻率。李哲[13]采用了一種心電信號的稀疏系數和最小二乘支持向量機(LS-SVM)對心電圖(ECG)進行識別分類,LS-SVM的函數估計式、LS-SVM分類器的函數、LS-SVM徑向核函數分別如式(4)～(6)所示。

(4)

(5)

(6)

式中，σ2表示核寬度，反映訓練數據集的特性，對系統的泛化性有影響。求解得到的心電信號稀疏系數組成矩陣Dw=[Dn1,Dn2,Dn3,Dn4,Dv1,Dv2,Dv3,DA1,DA2,DA3,DL1,DL2,DR1,DR2]作為心電信號的特征向量，用其訓練支持向量機(SVM)進行心電信號的識別分類，得到了98.93%的識別分類率，證明了稀疏基和支持向量機結合對心電信號識別分類的有效性。楊宇等[14]采用離散小波函數對心電信號進行多尺度分解除噪，并利用差分閾值法定位心電信號R峰，選取ST段平均值、ST段面積和ST段斜率作為特征值訓練支持向量機。實驗結果表明：ST段總體識別率為91.83%。該算法簡單且適用性強。為了提高算法的分類精度，應當選擇合適的心電信號特征向量及合適分類算法。

2.2 神經網絡分類法

近年來由于人工智能的迅速發展為心電信號的識別分類引入了新的研究方法。人工智能中的神經網絡算法是心電信號識別分類研究的一大熱點，許多專家學者傾向于采用神經網絡來研究心電信號。神經網絡分為淺層神經網絡和深度神經網絡(又稱深度學習)。在神經網絡的訓練過程中，需要大量的實驗數據，往往需要結合大數據知識對其進行研究。袁丹陽[15]采用遺傳算法改進神經網絡對心電信號進行識別分類。利用小波包分解法對心電信號進行尺度分解，同時結合統計分析計算小波包分解后第4尺度上的小波包系數的奇異值、標準差和最大值，并將小波包系數統計特征組成心電特征向量。經MIT-BIH心律失常數據庫里的心電數據測試，對正常心跳、右束支傳導阻滯、左束支傳導阻滯、起搏心跳、室性早搏和房性早搏進行分類,結果表明：測試集的識別準確率為97.78%，平均靈敏度、平均特異度和平均陽性預測值分別為97.66%、99.54%和97.81%，表明該算法能準確提取心電特征值，并能對心電信號進行有效的識別分類。李彩玉[16]研究了雙正交小波變換和徑向基函數神經網絡(RBF)對心電信號進行識別分類，選取QRS、RR間期、平均RR間期等特征向量訓練RBF神經網絡，結果表明其對幾種常見的心臟病的識別率都在85%以上，對室性早搏識別率達99%，取得了良好的心電信號識別分類率。樊承柱[17]使用CCDD數據庫避免了因心電樣本較少帶來的學習不足問題。將心電信號直接投入卷積神經網絡訓練，在卷積神經網絡中提取心電信號特征，避免了人工提取心電特征的失誤。結果顯示：對CCDD數據庫里的心電類型進行分類，其準確度達到了82.5%，對MIT-BIH數據庫進行分類的準確度達到了98.82%。但采用卷積神經網絡對心電信號進行識別研究，需要大量的樣本數據，訓練時間長，網絡不易收斂。Rahhal等[18]采用了一種深度神經網絡(DNN)來識別分類心電信號。采用自動編碼器從心電樣本中學習合適的心電信號的特征，同時引入了4個時間域的特征值：Pre-RR間隔特征值、Post-RR間隔特征值、局部RR間隔特征值和平均RR間隔特征值。與現有的心電分類識別技術相比，Rahhal等所提出的深層神經網絡(DNN)具有的較強的魯棒性和泛化能力，對心電信號的識別分類率較高。Kher等[19]采用小波變換提取ECG信號中的運動偽影，并使用Gabor變換提取運動偽影的特征值，送入人工神經網絡(ANN)訓練和識別，整體的識別分類率為92%，說明了人工神經網絡可用于心電圖的識別分類。Cheng[20]給出了一種基于遞歸神經網絡(RNN)的心電檢測分類方法。引入時域特征向量RR間期，訓練遞歸神經網絡，采用靈敏度(Se)、特異性(Sp)和準確度(Ac)3個常見的性能評價標準來驗證算法的有效性，其識別分類準確度達97.8%，表明該分類方法對心電信號具有良好的分類準確性。Yu等[21]引入ICA獨立向量特征向量和RR間期特征向量，將獨立向量(ICA)分別與概率神經網絡(PNN)和BP神經網絡(BPNN)結合對MIT-BIH里的心電信號進行分析。結果表明：概率神經網絡和BP神經網絡對心電信號分類的準確度均超過98%，但PNN的精確度、泛化能力及魯棒性均優于BP神經網絡，故PNN更適用于計算機的輔助診斷心臟疾病。Shadmand等[22]采用一種新的基于塊神經網絡(BBNN)和粒子群優化算法(PSO)對心電信號識別分類,采用Hermit基函數從ECG信號中提取心電特征值，將Hermit函數系數和RR間期作為BBNN神經網絡的訓練數據，利用粒子優化算法對BBNN神經網絡的權值和閾值進行更新，PSO算法利用神經網絡加快收斂速度，應用MIT-BIH心電樣本進行驗證，結果表明：BBNN對心律失常識別率達97%。Wang等[23]給出了利用極限學習機(ELM)識別室性早搏(PVC)與正常心電信號的方法，利用形態學與小波變換結合進行信號預處理，然后利用K-means聚類算法提取QRS波特征值。經MIT-BIH數據庫里的心電數據驗證，其算法能有效地識別PVC,檢測率達95%。該算法具有良好的檢測精度和實時性，在臨床和移動醫療設備中有較高的研究和實用價值。Yun等[24]設計了一種基于深度置信網絡(DBN)和形態學的心跳識別分類方法。每個心跳用QRS波、RR間期表示，結果表明：使用DBN得到的識別率為88.6%，驗證了在深度學習中不需要提取心跳形態特征，從而解決了因形態特征導致心跳患者間差異的問題。Zhang等[25]采用循環神經網絡(RNN)對心電信號識別分類，提取心電信號形態學特征，利用RNN來學習心電信號的時域特征并進行識別分類，經MIT-BIH數據庫里的數據驗證，其識別率達到99%，表明其方法是有效的。Yildirim[26]利用長短記憶神經網絡(LSTM)對心電信號識別分類,用小波變換將心電信號分解成不同頻率的系數，并將小波系數輸入LSTM中學習，經MIT-BIH數據庫里數據的驗證，其識別率達到了99.39%，表明LSTM神經網絡對心電信號識別是有效的?？傮w來說，神經網絡對心電信號具有較高的識別分類率，但神經網絡難收斂，容易出現過度擬合現象。神經網絡在心電信號識別分類方面取得良好的效果，但是實際應用中，如果樣本數據較少，神經網絡難以學習樣本數據特征，網絡難以收斂；當樣本數據充足時，則神經網絡訓練時間長，網絡參數更新速度慢。

2.3 結構模式識別分類法

結構模式識別(亦稱句法模式識別)也被廣泛應用于心電信號的識別分類中，其根據所分類的對象包含的結構信息進行分類，結構模式比統計模式更加適用于時間序列數據的分類。史夢穎[27]采用時域特征和變換域非線性特征相結合的方法，通過經驗模式分解和差分閾值相結合法提取QRS波群特征點，選取RR間期、QRS波群時限長度及心律變異性作為時域特征向量，同時采用近似熵及經驗模式分解結合對其前6個本征模態函數近似熵計算，得到心電信號變換域非線性特征。采用粒子群優化算法對支持向量機進行改進，將得到的特征向量輸入優化后的支持向量機進行測試，通過MIT-BHI數據庫進行仿真。該算法能實現對心電節拍的準確分類。梁歡[28]針對心電信號特點提出了基于核獨立成分分析結合離散小波變換提取心電信號特征的算法。采用主成分分析對核獨立成分分析提取的非線性特征的數據進行降維，再通過小波變換提取第1尺度到第4尺度的細節系數和第4尺度的近似系數作為頻域特征，用統計學方法分別取其最大值、最小值、平均值和標準偏差后得到20維頻域特征，利用線性判別法將數據優化到4維，并作為特征向量。采用遺傳算法對支持向量機進行改進，經MIT-BIH心律失常數據庫里心電數據驗證，對正常心電信號、右束支傳導阻滯、左束支傳導阻滯、心室早期收縮和心房早期收縮等5種信號進行分類。結果表明：分類器測試集的分類準確度為98.8%，達到了預期分類的效果。Chu等[29]采用循環頻譜分析技術來捕捉心電信號的隱藏時間段(心電信號不易被檢測到的時間段)。為了實現心律失常分類，提取了形態學特征、小波系數時域特征、循環譜相關心電特征。采用基于極限學習機的方法對10種心律失常情況進行分類，其中對MIT-BIH數據庫里的5種心電信號總體平均分類準確率達到了98.13%。Desai等[30]采用離散余弦變換(DCT)對心電信號進行特征提取，并用主成分分析(PCA)降低特征維度，最后用K近鄰法對心律失常進行分類，經MIT-BIH里的心電樣本驗證，其總體平均分類率為98.61%，證明離散余弦變換閾對心電特征提取是有效的，可提高心電信號識別分類率。結構模式對心電信號的識別分類算法多種多樣，更加注重心電信號的時域特征和形態學信息，可取得較好的識別分類率。He等[31]提出了基于遺傳模擬退火K-means改進聚類算法來識別心電圖，利用小波算法檢測QRS波、P波、T波等作為特征值，提高了特征點檢測的準確度，同時聚類分析適合于大數據分析和良好的魯棒性等特點，采用MIT-BIH數據庫心電數據進行算法驗證，結果表明：在心電圖識別分類上，改進后的K-means聚類算法優于傳統的K-means聚類算法?？傮w上說，結構模式在ECG識別分類中取得了良好的識別分類效果、泛化能力和魯棒性。

表1 心電信號分類方法對比

表1對比了3種心電信號識別分類方法，結構模式識別是根據心電信號的結構信息進行分類。結構模式比統計模式更易于對時間序列數據進行分類，因此結構模式比統計模式更能利用心電信號的時域特征信息。統計模式識別是提取心電信號特征向量，依據分類錯誤尋找最佳的分類判別函數，從實驗結果來看，統計模型的識別率高，但是直接應用于實際環境中難以達到較好的效果。在實際應用中神經網絡難以確定最優的網絡結構，訓練數據和實際數據存在較大的差異，將其應用到實際問題中也難以得到滿意的效果，因此進一步限制了神經網絡在心電信號識別分類中的應用。

3 結束語

本文總結歸納了常見心電信號識別分類的方法。首先對各種心電信號去噪方法的優缺點進行了描述，闡述了心電信號分類模型建立的關鍵問題，即特征的準確提取與表示方法。心電信號(ECG)特征提取與表示方法一般從時域與頻域兩方面入手，常以ECG波形的斜率變化、面積大小、RR間隔等作為特征值。同時也詳細地闡述了心電信號識別分類方式，統計模式分類法對心電信號識別分類的準確度高，但泛化能力不足，應用于臨床中較難達到預期效果。近年來，神經網絡法在ECG分類識別中發展迅速，其識別分類的準確性和適應性均達到良好的效果，但神經網絡模型在實際應用中需要進一步解決不易確定最優的網絡結構問題。同時，當心電數據樣本較少時，會導致神經網絡學習不足，容易出現過度擬合現象，從而影響其在實際心電信號分類中獲得滿意的準確率。這些因素干擾了神經網絡法在ECG分類識別的進一步應用。結構模式識別分類法在心電信號識別中取得了較高的識別率，但其算法復雜、計算量大，不易應用到實際中去。提取合適的心電信號特征值，結合人工智能和大數據等，建立新的心電信號分類模型提高ECG分類識別率，并將其應用于實際臨床是今后研究和發展的主要方向。