戴世杰,李哲明
(1.浙江鷹旸醫藥研發有限公司,浙江 杭州 310000;2.杭州鷹旸生物科技有限公司,浙江 杭州 310000)
心電圖是診斷各種心臟疾病的重要工具,可以為病情的診斷提供可靠的依據。在心電圖中,機械故障會導致心電多頻段信號變弱或者出現異常的情況,將這些信號捕捉可以提高心臟疾病的診斷質量。目前,我國患有心臟疾病的人數劇增,而從事心電信號研究方面的專家卻越來越少,無法滿足心臟病患者的醫療需求。由于醫生利用人工的方式診斷心電圖的速度相對比較慢,延長了患者的治療時間。因此,異常心電多頻段弱信號的捕捉就顯得非常關鍵。隨著心臟疾病的患者人數增加和醫療專家的緊缺,大多數醫務人員都利用計算機技術為患者提供服務。最近幾年,心電信號處理的智能化一直都是學術界的新課題,計算機技術對異常心電多頻段弱信號的捕捉可以減輕醫務人員的壓力,提高疾病診斷的工作效率。
在國內的研究中,文獻[4]針對識別復雜心電信號過程中存在的問題,通過分析深度卷積神經網絡的結構層次,提出了一種心電信號識別方法,將心電信號輸入到深度卷積神經網絡的卷積層,轉換成灰度圖像,從不同維度構建深度卷積神經網絡,提取出心電信號的數值特征和波形特征,在引入遷移學習策略的基礎上,對深度卷積神經網絡的全連接層進行訓練,根據融合后的心電信號特征,使用Softmax分類心電信號進行識別,但是識別性能較低;文獻[5]以提高心電信號的識別精度為目的,將決策樹和視頻特征融合算法結合在一起,利用周期理論分割心電信號,根據小波信號的分解技術,將變換系數作為心電信號識別的頻域特征,并融合到時域特征中,結合決策樹的構建,劃分心電信號的特征,雖然該方法在識別心電信號時的準確率可以達到99%以上,但是識別性能較差。
基于以上研究背景,本文利用融合模糊聚類算法設計一種異常心電多頻段弱信號快速捕捉方法,從而提高異常心電多頻段弱信號的捕捉能力。
為了獲取異常心電多頻段弱信號的肌電干擾分量、電極干擾噪聲的高頻分量,去除原始異常心電多頻段弱信號的變化幅度,利用歸一化處理方法,得到歸一化殘差信號,即:
式中:()表示原始異常心電多頻段弱信號;()表示變化幅度。
采用微分方程,從歸一化殘差信號()中提取出電極干擾噪聲的高頻分量,表示為:
微分方程中微分算子會對異常心電多頻段弱信號的局部波形產生影響,利用電極干擾噪聲的高頻分量捕獲異常心電多頻段弱信號特征分量。
將提取到的電極干擾噪聲高頻分量()分割成重疊塊,經過信號移位之后,計算出零交叉包絡數的數量,那么電極干擾噪聲高頻分量的重疊阻塞可以表示為:
式中表示重疊阻塞窗口的大小。
為了檢測出異常心電多頻段弱信號,在高于閾值的信號波形區域內計算出零交叉的數量,將閾值設置為λ,那么零交叉的數量滿足如下關系:
式中,ZC表示第個波形區域的零交叉數量,計算公式為:
根據正常人心電信號的最小幅度,選擇閾值λ的大小,如果在檢測異常心電多頻段弱信號時沒有其他噪聲的干擾,信號波形區域內的信號噪聲就會貢獻給零交叉數量;接著利用信號寬度持續時間檢測異常心電多頻段弱信號的存在,檢測結果為:
式中:A()表示異常心電多頻段弱信號在第個重疊塊的特征;A(+)表示異常心電多頻段弱信號在第+個重疊塊的特征,表示自相關滯后系數;表示信號數量。
利用歸一化處理方法,去除原始異常心電多頻段弱信號的變化幅度,采用微分方程提取出電極干擾噪聲的高頻分量,根據電極干擾噪聲高頻分量的重疊阻塞,檢測出異常心電多頻段弱信號。
基于檢測到的異常心電多頻段弱信號會含有不同類型的噪聲,假設將含有噪聲的異常心電多頻段弱信號定義為(),表達式為:
式中:()表示異常心電多頻段弱信號的有效部分;()表示異常心電多頻段弱信號中的噪聲干擾。
去除異常心電多頻段弱信號的噪聲干擾就是抑制信號中的噪聲部分(),還可以增強處理異常心電多頻段弱信號中可以為信號特征提取做貢獻的部分()。
為了獲取到有用的異常心電多頻段弱信號,需要先在不同尺度上分解異常心電多頻段弱信號,理論上可以選擇無限大的尺寸,但是在實際處理中,根據異常心電多頻段弱信號的特點,選擇尺度為10時信號的去噪效果最好。異常心電多頻段弱信號去噪處理的具體過程如下:
Step1:根據異常心電多頻段弱信號具有的形態特征,結合信號的時頻域特征,選取合適的小波基函數,分解個層次的信號。
由于小波基函數的種類較多,去除信號的噪聲需要選擇合適的小波基函數,考慮到小波基函數的選取原則,在信號的去噪處理中,盡量避免對信號去噪效果的影響,因此本文選擇連續小波基函數分解并重構異常心電多頻段弱信號。
Step2:連續小波變換。
異常心電多頻段弱信號()經過連續的小波變換,得到:
式中:()表示連續小波特征;表示小波基函數的尺度因子;表示平移因子;(·)表示小波函數;表示時間。
Step3:重構異常心電多頻段弱信號。
經過小波處理之后,異常心電多頻段弱信號被分解成如下形式:
式中:D表示第層分解得到異常心電多頻段弱信號的高頻信息;A表示第層分解得到異常心電多頻段弱信號的低頻信息。
根據異常心電多頻段弱信號分解得到的第層高頻系數和低頻系數,對異常心電多頻段弱信號進行重構,完成異常心電多頻段弱信號的去噪處理。
在設計異常心電多頻段弱信號捕捉算法時,利用融合模糊聚類算法對輸入的異常心電多頻段弱信號進行聚類,結合平均采樣處理聚類后的信號,通過差分相關算法將異常心電多頻段弱信號捕捉過程中的損耗去除,實現異常心電多頻段弱信號的捕捉。
異常心電多頻段弱信號捕捉算法的實驗過程如下:
Step1:利用心電圖中的頻域信號與時域相乘,得到異常心電多頻段弱信號()=+,以一個心電信號的波長為周期,利用融合模糊聚類算法對()進行聚類處理,將其轉換成周期型聚類信號。
將異常心電多頻段弱信號的生成時間定義為,心電信號在一個波長內的采樣值為,對所有異常心電多頻段弱信號采樣點生成點序列。
Step2:循環計算聚類后的異常心電多頻段弱信號和時頻域信號,得到:
式中:表示信號的擾動因子;S表示融合模糊聚類算法的輸出值;?表示異常心電多頻段弱信號序列的原始時間點;th表示心電信號生成通道噪聲;表示采樣點數量。
根據公式(10)的計算,得到的計算表達式,即:
式中:γ表示異常心電多頻段弱信號的聚類輸出值;γ表示異常心電多頻段弱信號的聚類輸入值;v表示聚類系數。
Step3:對于后期輸入的異常心電多頻段弱信號,重復操作Step1和Step2,將累計計算的結果利用融合模糊聚類算法再一次進行聚類處理,得到聚類結果:
Step4:如果聚類結果中的最大峰值比閾值大,就說明異常心電多頻段弱信號捕捉成功,否則就需要重新搜索。
在捕捉異常心電多頻段弱信號的過程中,利用融合模糊聚類算法,設置一個捕捉步長Δλ,構建異常心電多頻段弱信號的二次曲線模型,即:
式中:λ表示異常心電多頻段弱信號的聚類值;,和表示聚類系數。
根據異常心電多頻段弱信號的二次曲線特征,得到異常心電多頻段弱信號的頻移,即:
將Step4中成功捕捉到的異常心電多頻段弱信號與頻移疊加,實現異常心電多頻段弱信號的快速捕捉,即:
綜上所述,完成了異常心電多頻段弱信號捕捉算法的設計,實現了異常心電多頻段弱信號的快速捕捉。
為了驗證文中方法在異常心電多頻段弱信號捕捉中的性能,進行仿真實驗分析。實驗所用到的數據來自某醫院數據庫中心律失?;颊叩男碾姅祿?。實驗過程中,為了模擬真實狀態下患者的異常心電多頻段弱信號,將不同特征的噪聲干擾信號聚類到異常心電多頻段弱信號中。該數據中通常會包括各種噪聲干擾信號,并映射到異常心電多頻段弱信號中,避免對實驗數據產生影響。
基于2.1節的實驗數據來源,設置了如表1所示的仿真參數。
表1 仿真參數
在表1仿真參數的支撐下,利用準確率、靈敏度和特異性三個指標衡量異常心電多頻段弱信號的捕捉性能,計算公式如下:
式中:TP表示異常心電多頻段弱信號正樣本被認定為正樣本的個數;TN表示異常心電多頻段弱信號負樣本被認定為負樣本的個數;FN表示異常心電多頻段弱信號正樣本被認定為負樣本的個數;FP表示異常心電多頻段弱信號負樣本被認定為正樣本的個數。
為了充分證明基于融合模糊聚類算法的異常心電多頻段弱信號快速捕捉方法在捕捉任務中的性能,選擇9 000個信號樣本作為訓練數據,1 000個信號樣本作為測試數據,引入基于多通道卷積的捕捉方法和基于動態模糊決策樹的捕捉方法作對比,結果如下。
三種方法在異常心電多頻段弱信號捕捉準確率方面的測試結果如圖1所示。
圖1 異常心電多頻段弱信號捕捉準確率測試結果
圖1的結果顯示,與基于多通道卷積的捕捉方法和基于動態模糊決策樹的捕捉方法相比,基于融合模糊聚類算法的捕捉方法在捕捉異常心電多頻段弱信號時的準確率更高,隨著異常心電多頻段弱信號樣本數量的增加,捕捉準確率呈現下降趨勢,但是仍然高于90%。
三種方法在異常心電多頻段弱信號捕捉靈敏度方面的測試結果如圖2所示。
圖2 異常心電多頻段弱信號捕捉靈敏度測試結果
由圖2的結果可知,本文方法在異常心電多頻段弱信號捕捉靈敏度方面可以達到80%以上,而其他兩種方法的捕捉靈敏度均低于60%,說明本文方法在信號捕捉靈敏度上具有更大優勢。
三種方法在異常心電多頻段弱信號捕捉特異性方面的測試結果如圖3所示。
從圖3的結果得出,基于多通道卷積的捕捉方法和基于動態模糊決策樹的捕捉方法在捕捉異常心電多頻段弱信號時的特異性在50%以下,而本文方法在捕捉異常心電多頻段弱信號時的特異性更高,可以達到77.8%以上,具有更好的捕捉性能。
圖3 異常心電多頻段弱信號捕捉特異性測試結果
本文提出一種基于融合模糊聚類算法的異常心電多頻段弱信號快速捕捉方法。經測試發現,該方法在信號捕捉準確率、靈敏度和特異性方面具有更好的性能。但是本文的方法還存在很多不足,在今后的研究中,希望可以繼續改進信號捕捉算法,豐富實驗內容,提高信號捕捉能力。