王麗蘋 董 軍

1（華東師范大學(xué)軟件學(xué)院，上海 200062）2（中國科學(xué)院蘇州納米技術(shù)與納米仿生研究所仿生部，蘇州 215125）

引言

高血壓、冠心病、腦中風(fēng)等心腦血管疾病已成為威脅人類健康的頭等病因，此類疾病引起的死亡人數(shù)居各類死亡人數(shù)的首位。心電圖（electrocardiogram，ECG）是使用心電采集儀器（如心電監(jiān)護(hù)儀）記錄人體心臟電位變化并據(jù)此應(yīng)用于臨床心臟疾病監(jiān)護(hù)、診斷的可見圖形記錄（見圖1），是診斷常見心臟疾病的重要手段。荷蘭生理學(xué)家愛因托芬（William Einthoven）由于在ECG領(lǐng)域的杰出貢獻(xiàn)，榮獲1924年度生理學(xué)及醫(yī)學(xué)諾貝爾獎［1］。ECG模式分類研究在可穿戴心電圖設(shè)備［2］、動態(tài)ECG 診斷［3］、重癥監(jiān)護(hù)室［4］以及疾病與心臟活動關(guān)系研究［5］等方面具有重要的應(yīng)用價值，對于及時有效地預(yù)防和控制心臟疾病、挽救病人生命具有極其重要的意義。

圖1 心拍結(jié)構(gòu)示意圖Fig.1 The illustration of a heart beat

自從20世紀(jì)60年代 Pipberger等提出計算機(jī)輔助ECG分析的設(shè)想以來［6］，大量學(xué)者投入到了ECG模式分類問題的研究中。ECG模式分類是模式識別研究的經(jīng)典應(yīng)用之一，涉及生物醫(yī)學(xué)工程、數(shù)字信號處理、人工智能、機(jī)器學(xué)習(xí)等領(lǐng)域。近年來，ECG模式分類研究取得了一定進(jìn)展，并在醫(yī)療診斷中得到了初步應(yīng)用，但離專業(yè)醫(yī)生的診斷水平還有較大差距，可應(yīng)用于臨床輔助診斷的ECG模式分類仍然是目前亟待解決的問題。

在對無線藍(lán)牙可佩戴心電圖設(shè)備研究的基礎(chǔ)上［7］，在面向社區(qū)和個人應(yīng)用的過程中提煉出 ECG模式分類問題［8］。本研究的出發(fā)點是討論面向?qū)嶋H應(yīng)用的ECG分類工作［9］，介紹 ECG模式分類的研究進(jìn)展，主要涉及知識推理、結(jié)構(gòu)（語法）模式識別、統(tǒng)計模式識別、神經(jīng)網(wǎng)絡(luò)方法等［10］。在此基礎(chǔ)上，進(jìn)一步探討現(xiàn)階段ECG模式分類研究在實際應(yīng)用時面臨的主要挑戰(zhàn)及可能的解決途徑。

1 ECG模式分類研究進(jìn)展

1.1 知識推理方法

1.1.1 研究進(jìn)展

知識推理是最早應(yīng)用于ECG模式分類研究的方法，它主要以知識工程領(lǐng)域中知識的表達(dá)與推理為基礎(chǔ)，構(gòu)建知識庫，進(jìn)而完成 ECG的分類。Mahantapas對2000年以前的研究進(jìn)展進(jìn)行了總結(jié)［11］，早期的研究主要利用與 /或圖［12］、產(chǎn)生式規(guī)則［13］、語義網(wǎng)［14］、模糊邏輯［15］等來描述醫(yī)學(xué)專家的ECG知識。

近幾年來，醫(yī)學(xué)知識的獲取和表達(dá)取得了一定進(jìn)展。Carrault等采用歸納邏輯編程（inductive logic programming，ILP）來完成ECG模式分類。ILP是一種關(guān)系學(xué)習(xí)的方法，能夠?qū)⑦壿嫵绦蚝蜌w納學(xué)習(xí)結(jié)合起來，在模型構(gòu)建過程中借鑒領(lǐng)域知識［16］。他們首先構(gòu)建各類ECG的診斷背景知識集B，然后在知識集B的基礎(chǔ)上，對測試案例集E進(jìn)行學(xué)習(xí)，產(chǎn)生最終的假設(shè)集H，并將該模型應(yīng)用于4類疾病的分類實驗。Exarchos等采用關(guān)聯(lián)規(guī)則挖掘的方法獲取心肌缺血的診斷規(guī)則［17］，對比研究了4類關(guān)聯(lián)規(guī)則挖掘算法對分類結(jié)果的影響。另外，他們還利用決策樹首先生成心肌缺血和心律失常疾病的診斷規(guī)則，再建立基于該規(guī)則的模糊決策模型［18］。Rodríguez等在研究掌上計算機(jī) ECG實時分類方法時，采用決策樹建立分類模型［19］。他們選取 PR間期、RR間期、病人年齡等12個特征，根據(jù)醫(yī)學(xué)上誤判疾病的代價定義了懲罰矩陣（cost matrix），并利用C4.5算法訓(xùn)練得到針對13類心拍的決策樹模型。同時，他們對比了決策樹產(chǎn)生的模型和醫(yī)學(xué)定義規(guī)則的分類效果，結(jié)果表明10類心拍更適用于醫(yī)學(xué)定義的規(guī)則，3類心拍的分類適用于決策樹模型。Wang等以有經(jīng)驗的醫(yī)生專家診斷知識為背景，將可信度方法（certainty factor）和統(tǒng)計方法結(jié)合，建立正常和異常ECG的不確定性推理模型［20］，用8個特征來區(qū)分正常和異常數(shù)據(jù)，通過對訓(xùn)練數(shù)據(jù)集的統(tǒng)計來獲取推理模型的參數(shù)。飛利浦公司申請的專利通過對12導(dǎo)聯(lián)ECG的ST段抬高和壓低的形態(tài)分析，輔助診斷病變冠狀動脈［21］。臺灣大學(xué)申請的專利引入混沌相位空間表示ECG，通過計算待檢信號與正異常ECG的相位空間差異來判斷其所屬類型［22］。

1.1.2 存在的問題

知識推理的方法主要通過宏觀上模擬醫(yī)學(xué)專家的診斷過程來建立知識庫和推理機(jī)制。早期的知識推理方法傾向于直接獲取醫(yī)學(xué)知識，同時考慮到了醫(yī)學(xué)知識表達(dá)中的不確定性。其不足在于：第一，模型能夠表達(dá)的知識比較簡單，而診斷過程中深層的、復(fù)雜的知識很難表達(dá)；第二，構(gòu)建的知識庫是靜態(tài)的，不能根據(jù)應(yīng)用環(huán)境做適當(dāng)?shù)恼{(diào)整。

近年來，歸納邏輯編程、數(shù)據(jù)挖掘等方法的應(yīng)用為獲取診斷過程中隱含和潛在的知識提供了有效途徑。但是，領(lǐng)域知識完整性和不確定性問題仍然是研究的難點。文獻(xiàn)［17］提取的規(guī)則與醫(yī)學(xué)專家的知識還存在較多差別，如何完善數(shù)據(jù)挖掘過程進(jìn)而獲取有臨床價值的知識還值得進(jìn)一步研究。在文獻(xiàn)［16］中，將獲取的知識用一階邏輯表示，數(shù)據(jù)中的不確定性難以表達(dá)，ECG的背景知識表達(dá)、ECG樣本數(shù)據(jù)的表示等問題需要在進(jìn)一步的研究中解決。如何利用計算機(jī)模擬醫(yī)生診斷過程中的思維和決策，以及如何依據(jù)診斷過程構(gòu)建完整而實用的知識庫，仍然需要更加深入研究。

1.2 結(jié)構(gòu)（語法）模式識別

1.2.1 研究進(jìn)展

結(jié)構(gòu)模式識別根據(jù)分類對象所包含的結(jié)構(gòu)信息進(jìn)行分類［23］。Olszewski研究指出，結(jié)構(gòu)識別相對統(tǒng)計模式識別更加適宜于時間序列數(shù)據(jù)的分類［24］。

Koski在對ECG識別中引入直線作為基元，按照斜率將直線劃分為5類，并結(jié)合間期、幅度差等特征，利用自動機(jī)完成 ECG波形識別［25］。Koski在上述研究的基礎(chǔ)上，引入了隱馬爾科夫模型（hidden Markov model，HMM），完成正常和異常 ECG的分類［26］。他分別建立正常 ECG的隱馬爾科夫模型Mn和異常ECG的模型Mp，并通過計算ECG信號S的條件概率p（S|Mn）、p（S|Mp）來判斷 S所屬的類型。Rigatos利用與 Koski類似的方法描述基元，引入兩層模糊自動機(jī)完成正常和異常 ECG識別［27］。Andre?o針對ECG主要波形，建立6類隱馬爾科夫模型，稱為基本波形模型（elementary waveform model，EWM），并在各類EWM的基礎(chǔ)上，進(jìn)一步建立針對不同心拍類型的HMM［28］。

最近一些研究對醫(yī)學(xué)專家視覺信息中的結(jié)構(gòu)信息給予較多關(guān)注。Zhou等引入鏡像高斯模型（mirrored Gauss modeling，MGM）擬合 QRS波群的曲線信息［29］，分別用3個參數(shù)來描述 Q波、R波、S波，從而獲取 QRS波群間期。醫(yī)學(xué)專家認(rèn)知、辨識ECG時會關(guān)注波形結(jié)構(gòu)的變化，Dong等依據(jù)醫(yī)學(xué)專家診斷ECG的知識，定義 Qs、Rs、頓挫等在內(nèi)的形態(tài)特征［30］。實驗結(jié)果表明，引入形態(tài)特征后，可提高室性期前收縮類型心拍的識別率。通用電氣公司申請的專利也涉及對ST-T段和T波形態(tài)的關(guān)注［31］。

很多研究工作將結(jié)構(gòu)識別的方法與統(tǒng)計模式識別結(jié)合［32-36］。這類方法首先定義ECG中的典型形態(tài)特征，然后用特征向量描述基本結(jié)構(gòu)，并借助統(tǒng)計模型完成分類。飛利浦公司申請的專利通過模版提取P波的形態(tài)和位置信息，將其與RR間期組合識別房顫［37］。Chazal等分別用10個和9個采樣點振幅數(shù)據(jù)，描述QRS波和S波到T波結(jié)束段的形態(tài)特征；引入不同指標(biāo)的RR間期，描述相鄰心拍之間的關(guān)系；并用線性判別函數(shù)作為分類器［34］，完成對美國醫(yī)療器械促進(jìn)協(xié)會（AAMI）定義的5類ECG［38］的分類。Christov等對比研究了包括ECG波形面積、波形斜率變化率、波形正弦余弦值等形態(tài)特征的描述方式與基于匹配跟蹤算法的頻域特征描述方式對分類結(jié)果的影響［36］。實驗結(jié)果表明：當(dāng)心拍之間的重復(fù)性較高時，頻域特征的描述更合適；反之，則形態(tài)特征描述更好。

1.2.2 存在的問題

結(jié)構(gòu)識別的核心是定義對象的結(jié)構(gòu)，稱為基元（primitives），并采用規(guī)則或語法結(jié)構(gòu)作為基元的識別函數(shù)。結(jié)構(gòu)模式識別在基元的描述和識別函數(shù)的設(shè)計中，需要借助較多的領(lǐng)域知識。早期的研究多以通用的結(jié)構(gòu)（如直線等）作為基元。文獻(xiàn)［29，34，36］等的工作注意到了醫(yī)生視覺信息中的結(jié)構(gòu)模式，并將結(jié)構(gòu)信息用特征向量的形式表達(dá)。從實驗效果來看，結(jié)構(gòu)信息的引入能夠有效地提高分類器的準(zhǔn)確性。

從醫(yī)學(xué)角度說，QRS波群的形態(tài)模式有20余種，有經(jīng)驗的醫(yī)生憑記憶中的模版能迅速判斷ECG反映了什么病癥，這個過程實際上是一個分層的、由粗而細(xì)的綜合和分析過程［39］。結(jié)構(gòu)模式的引入能夠有效模擬醫(yī)生記憶中更粗粒度的特征。目前應(yīng)用于ECG分類中的結(jié)構(gòu)表示方式還比較單一，而且僅限于一段固定時間范圍內(nèi)的波形描述。就ECG模式分類而言，完整的結(jié)構(gòu)識別方法需要包括結(jié)構(gòu)定義、結(jié)構(gòu)表示、結(jié)構(gòu)識別算法等，這些問題都有待更深入的研究。

1.3 統(tǒng)計模式識別

1.3.1 研究進(jìn)展

20世紀(jì)90年代以來，統(tǒng)計模式識別的方法逐漸應(yīng)用于ECG模式分類研究中，并成為該領(lǐng)域的主要分支。

支持向量機(jī)（support vector machine，SVM）在ECG識別領(lǐng)域的應(yīng)用是近幾年來最主要的進(jìn)展之一［40-44］。Uyar等以獲取高可信度的分類結(jié)果、減少類別錯分的醫(yī)學(xué)風(fēng)險為目標(biāo)，在SVM算法的基礎(chǔ)上引入包含拒絕判定區(qū)域的SVM-RO（reject option）方法［40］，并進(jìn)一步研究了將全局SVM-RO分別與局部的邏輯回歸模型（logistic regression，LR）、K最近鄰分類（K-nearst neighbors，KNN）等串行融合的方法。Osowski等分別用高階累積量和希爾伯特基函數(shù)獲取同一信號的兩組特征集，針對這兩組特征集分別訓(xùn)練得到兩個SVM分類器，最終用加權(quán)投票法對分類結(jié)果集成［41］。利用用最小均方誤差來確定各分類器的權(quán)值，有，

式中，Y為各個分類器的判決結(jié)果，D為正確分類的結(jié)果，W為需要求解的分類器權(quán)值。

Polat、Acir等分別將最小二乘SVM引入到ECG的分類問題中［44-46］，許建強(qiáng)等研究了利用小波分析和SVM對12導(dǎo)聯(lián)ECG進(jìn)行正常和異常分類的方法［47］。

KNN［36］、Bayes［48］、馬氏距離等基于統(tǒng)計的模式分類方法也應(yīng)用于ECG的分類研究中。Chazal等考慮到了ECG在個體之間差異較大的問題，為了提高分類模型的適用性，將全局分類函數(shù)和局部分類函數(shù)結(jié)合，提高了分類的準(zhǔn)確性［35］。Christov等也將全局分類器和局部分類器結(jié)合，利用KNN完成分類任務(wù)［36］。

除此之外，ECG的特征提取與特征選擇方法在統(tǒng)計模式分類中得到較多的重視，主成分分析（principal component analysis，PCA）［45，49-50］、獨立成分分析（independent component analysis，ICA）［42，51］、 小波分析（wavelet analysis WA）［43，46-47，52］等多種特征提取的方法被應(yīng)用于ECG的分類研究中。

Jiang等分別用ICA和WA提取同一心拍的信息，用互信息選擇算法進(jìn)行特征選擇，最后利用SVM對最終特征空間分類［42］。Acir用原始振幅值、離散余弦變換、Daubechies-2小波變換提取ECG特征［43］，同時研究了基于類間距的可分性判據(jù)對不同特征向量進(jìn)行特征選擇的方法［46］。Martis等用心拍原始振幅數(shù)據(jù)與三階線性預(yù)測函數(shù)的差值作為ECG的特征值，再利用PCA進(jìn)行特征選擇，進(jìn)而對數(shù)據(jù)進(jìn)行聚類，完成 ECG的兩分類判別［49］。Mehmet等分別利用三階累計量、三階自回歸模型、基于小波熵的小波變換模型提取ECG特征，結(jié)合基于距離的聚類模型對3種特征集的分類效果進(jìn)行了分析［53］。Yu等在用 ICA提取 ECG信號時，考慮了RR間期和QRS形態(tài)對于分類的重要意義。依據(jù)RR間期的變化，提取兩種時間長度的QRS波形，并在此基礎(chǔ)上提取獨立成分［51］?；萜展旧暾埖膶＠牒撕瘮?shù)，計算給定ECG與由專家篩選的典型類型ECG模式的相對差異，得到基于該差異的特征向量并以此作為分類依據(jù)［54］。

1.3.2 存在的問題

統(tǒng)計模式識別的核心是用d維特征向量描述對象，依據(jù)分類錯誤率尋找最佳分類判別函數(shù)，從而得到類別在d維空間中的最佳劃分。統(tǒng)計模型對領(lǐng)域知識依賴較少，算法的優(yōu)劣較多依賴于樣本的特征表示方式。目前的研究對于特征提取方法的討論較多，其中以 Yu和 Acir的工作最具代表性［43，46，51］，他們對比研究了多種不同特征提取方法的效果。分類器融合、局部分類器與全局分類器構(gòu)建、結(jié)構(gòu)特征的引入等，是近年來統(tǒng)計模式識別方法在ECG分類應(yīng)用中的主要進(jìn)展。

從實驗結(jié)果來看，統(tǒng)計模型的準(zhǔn)確率較高，且適合計算機(jī)處理，但是泛化能力依然不能令人滿意，將其直接應(yīng)用于實際環(huán)境中難以達(dá)到較好的實用效果。相對于特征提取方法而言，分類器本身的結(jié)構(gòu)分析以及面向?qū)嶋H復(fù)雜數(shù)據(jù)的分類模型構(gòu)建等問題，在以往的研究中討論得較少，都值得進(jìn)一步探討。

1.4 神經(jīng)網(wǎng)絡(luò)的分類方法

1.4.1 研究進(jìn)展

由于經(jīng)典人工智能遇到難以克服的瓶頸和問題，人們曾寄予人工神經(jīng)網(wǎng)絡(luò)以極大希望。由于認(rèn)知神經(jīng)科學(xué)的結(jié)論迄今為止頗為有限，人腦機(jī)制和目前的機(jī)器結(jié)構(gòu)似乎又大相徑庭，因而人工神經(jīng)網(wǎng)絡(luò)研究在經(jīng)歷高潮后又趨于平靜，但也有一些研究人員在不斷進(jìn)行嘗試。Ceylan等近期做了若干針對ECG的神經(jīng)網(wǎng)絡(luò)分類工作［55-57］；首先，用模糊 C均值聚類方法對原始數(shù)據(jù)進(jìn)行聚類分析，抽取每個類別中心點的數(shù)據(jù)構(gòu)成新的小樣本集，從而減少訓(xùn)練樣本的數(shù)量；然后，對樣本進(jìn)行主成分分析，降低維度，并將降維后的數(shù)據(jù)輸入多層感知器（multilayered perceptron）網(wǎng)絡(luò)進(jìn)行分類。Ceylan等建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠較好地縮短神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間。Engin與 Ceylan建立的模糊混雜網(wǎng)絡(luò)相同［58］，并同時對 3種特征提取算法進(jìn)行比較。Hosseini等將形態(tài)特征、波形的統(tǒng)計特征、QRS波壓縮后的振幅特征等組合成25維的特征向量作為神經(jīng)網(wǎng)絡(luò)輸入，重點研究了單個神經(jīng)網(wǎng)絡(luò)模型以及兩個神經(jīng)網(wǎng)絡(luò)模型的組合分類問題［59］。

很多學(xué)者的工作都涉及特征提?。ɑ蜻x擇）方法與神經(jīng)網(wǎng)絡(luò)分類模型的結(jié)合。Yu和Lin等分別研究了小波與概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural network）結(jié)合實現(xiàn) ECG模式分類［60-61］。Yu等還研究了ICA與神經(jīng)網(wǎng)絡(luò)的結(jié)合［62］。Gaetano等采用徑向基函數(shù)（radial basis function，RBF）對原始的數(shù)據(jù)進(jìn)行平滑處理，徑向基函數(shù)的系數(shù)構(gòu)成特征向量，將其作為前饋神經(jīng)網(wǎng)絡(luò)（feed-forwardneural network）的輸入進(jìn)而實現(xiàn)分類［63］，有

式中，ai（i=1，2，…，m）為所需要求解的特征向量，tj為原始信號采樣時間，p為采樣點總數(shù)，m為函數(shù)疊加次數(shù)，Φ（tj-cj） 為徑向基函數(shù)，y（ti）為第ti采樣點的振幅。Ubeyli采用特征向量法提取原始ECG的功率譜，用反饋神經(jīng)網(wǎng)絡(luò)建立針對4類ECG的分類模型［64］。

基于自組織映射（self-organizing map，SOM）的聚類模型也被應(yīng)用于ECG的自動分析中。Gaetz等利用SOM分析抑郁癥病人的ECG，結(jié)果表明非監(jiān)督學(xué)習(xí)能夠很好地將臨床上不同組的數(shù)據(jù)區(qū)分［65］。Talbi等利用SOM對室性期前收縮 ECG做聚類分析，在自組網(wǎng)的映射中用QRS波群經(jīng)快速傅里葉變換的功率譜作為特征［66］。Moavenian等對比研究了SVM和MLP的分類效果，從實驗結(jié)果來看，SVM的訓(xùn)練時間優(yōu)于 MLP［67］。

1.4.2 存在的問題

近幾年，基于神經(jīng)網(wǎng)絡(luò)的ECG分類方法研究大多通過建立混雜（Hybrid）的網(wǎng)絡(luò)模型來解決分類的準(zhǔn)確性和適應(yīng)性問題。以神經(jīng)網(wǎng)絡(luò)分類器為背景，Yu和Ubeyli等也做了許多有關(guān)特征提取方法的研究［62-64］。

神經(jīng)網(wǎng)絡(luò)模型在實際應(yīng)用中面臨如下問題：在具體應(yīng)用中，很難確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)；實際數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的分布存在較大差異，直接將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于實際問題也很難得滿意的效果；在實際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)模型很難根據(jù)應(yīng)用環(huán)境調(diào)整?？梢?，上述因素限制了神經(jīng)網(wǎng)絡(luò)模型在ECG自動識別中的進(jìn)一步應(yīng)用。

2 主要的挑戰(zhàn)與解決途徑

除上述方法之外，人工生命［68］、免疫算法［69］、遺傳算法［70］等也在 ECG模式分類中有一定應(yīng)用。另外，許多國內(nèi)外專利也涉及對ECG分類方法的討論?？傮w來看，統(tǒng)計模式識別和神經(jīng)網(wǎng)絡(luò)模型針對標(biāo)準(zhǔn)ECG數(shù)據(jù)庫的模式分類已經(jīng)達(dá)到較高的準(zhǔn)確率。表1分別從實驗數(shù)據(jù)、實驗方法、類別數(shù)等方面對近年來ECG模式分類方法進(jìn)行對比，其中“準(zhǔn)確性”為該模型所對應(yīng)的最佳實驗結(jié)果。

表1 心電圖模式分類方法對比Tab.1 The comparison of different electrocardiogram pattern classification methods

由于實驗數(shù)據(jù)集的差異，表1統(tǒng)計的準(zhǔn)確率僅供參考，并不能完全作為各分類方法之間對比的依據(jù)。Chudáˇcek等對比分析了7種分類方法分別在兩類數(shù)據(jù)集上的分類效果［71］，表明 SVM的泛化能力要強(qiáng)于神經(jīng)網(wǎng)絡(luò)和決策樹模型，但是當(dāng)分類模型應(yīng)用于更多的數(shù)據(jù)時，準(zhǔn)確率均有較大下降，難以實際應(yīng)用。

由此可見，ECG模式分類仍然面臨諸多挑戰(zhàn)，尤其是面向?qū)嶋H應(yīng)用的 ECG模式分類研究，具體包括：

1）在實際應(yīng)用中，ECG數(shù)據(jù)分布的復(fù)雜性給分類模型的建立帶來諸多困難。ECG在不同病人之間存在很大差異，不同疾病的病人間、同類疾病的病人間以及同一個病人不同時刻的ECG都可能存在很大的差異［53，72］。隨著數(shù)據(jù)量的增加，類別的可分性變?nèi)?，統(tǒng)計模型的泛化能力下降。

2）臨床數(shù)據(jù)存在標(biāo)注瓶頸，雖然已有的ECG標(biāo)準(zhǔn)數(shù)據(jù)庫為各類算法的對比提供了有利的參照，但是相對臨床數(shù)據(jù)而言，標(biāo)準(zhǔn)數(shù)據(jù)庫在數(shù)據(jù)規(guī)模、數(shù)據(jù)分布等方面存在較大差異，不能滿足在面向?qū)嶋H應(yīng)用中對大規(guī)模標(biāo)注數(shù)據(jù)的需求。而對于臨床數(shù)據(jù)的標(biāo)注而言，由于標(biāo)注工作量巨大，難以獲得大規(guī)模標(biāo)注數(shù)據(jù)庫。

3）模式分類算法之間很難直接對比，因為分類算法的評估指標(biāo)多提到靈敏度、特異性、準(zhǔn)確率，卻較少討論實驗數(shù)據(jù)本身的差異，從而無法真正實現(xiàn)各分類算法之間的對比。

4）ECG特征提取和表示問題，尤其是融合醫(yī)學(xué)專家診斷過程中所關(guān)注的特征是重要且有待突破的難題。

下面具體討論以上問題的潛在解決途徑。

2.1 面向?qū)嶋HECG的分類器構(gòu)建問題

在實際應(yīng)用中，ECG數(shù)據(jù)量大，類別之間交叉的可能性增大，特征的可區(qū)分度變?nèi)?。針對該問題，可以從降低分類問題的難度、增強(qiáng)分類模型的識別能力兩個方面來嘗試提高分類方法的準(zhǔn)確性。

醫(yī)學(xué)上定義的ECG類型呈典型的樹形結(jié)構(gòu)，據(jù)此運用自頂向下的多層分類模型，在不同的層次訓(xùn)練不同的分類模型，進(jìn)而完成多分類。這是降低類別間交叉度的潛在途徑之一。

降低分類問題難度的其他可能方法是利用多導(dǎo)聯(lián)數(shù)據(jù)建立分類模型，從而提高類別間的區(qū)分度。ECG采集過程中獲取的多導(dǎo)聯(lián)數(shù)據(jù)是相同時刻、不同采集點對心臟運動的記錄?；诙鄬?dǎo)聯(lián)數(shù)據(jù)的分類模型，可增強(qiáng)類別間的區(qū)分度，從而提高分類的準(zhǔn)確性。許建強(qiáng)等提取12導(dǎo)聯(lián)的特征向量，將其作為SVM的輸入來完成兩分類實驗［47］。童佳斐等以專家經(jīng)驗為基礎(chǔ)，在每個導(dǎo)聯(lián)分別提取14種特征，建立基于SVM的分類模型［73］。飛利浦和通用電氣公司申請的專利也涉及針對12導(dǎo)聯(lián)分類的討論［21，31］。

從增強(qiáng)分類器的識別能力來說，多分類器融合是值得深入研究的方向。多分類器融合，是把多個分類器的分類結(jié)果按照一定的規(guī)則進(jìn)行融合，進(jìn)而決定最終的分類結(jié)果。大量的實驗和應(yīng)用表明，多分類器融合往往比單個分類器的分類效果好。多分類器融合的算法大致可分為兩類：一類是基本分類器之間不存在強(qiáng)的依賴關(guān)系、可以并行生成的算法（如 Bagging等），一類是基本分類器之間存在強(qiáng)的依賴關(guān)系、必須串行生成的算法（如 AdaBoost等）。Osowski嘗試了多個SVM融合的ECG模式分類實驗，Uyar完成了多個分類器級聯(lián)的分類實驗。結(jié)果表明，分類模型的準(zhǔn)確率有所提高。

另外，將知識和統(tǒng)計方法相結(jié)合，也是一種增強(qiáng)分類器識別能力的潛在途徑。結(jié)構(gòu)識別的方法更接近于人腦的思維方式，但是思維中的不確定性很難準(zhǔn)確定義，導(dǎo)致這類模型的魯棒性不強(qiáng)。統(tǒng)計模型易于計算機(jī)表示和處理，但是泛化能力差，難于面向復(fù)雜的實際應(yīng)用。隨著模式識別的理論體系不斷發(fā)展和成熟，將知識與統(tǒng)計方法相融合的研究逐漸出現(xiàn)。文獻(xiàn)［74］針對計算機(jī)視覺信息處理問題提出：為了提高計算機(jī)模擬人類視覺的能力，今后的方向應(yīng)該是將結(jié)構(gòu)法與統(tǒng)計法相結(jié)合。Duin等從方法論的角度討論了4類不同模式識別方法的特點，并認(rèn)為結(jié)構(gòu)與統(tǒng)計的結(jié)合是模式識別研究的一個重要方向［10］。文獻(xiàn)［75］強(qiáng)調(diào)重視領(lǐng)域?qū)＜医?jīng)驗和形象思維過程，并指出模擬醫(yī)生判讀ECG的思維過程的重要性。知識與統(tǒng)計方法的結(jié)合有多種途徑，如在知識推理過程中融入不確定性參數(shù)，增強(qiáng)其模型的魯棒性；或從更粗的粒度上考慮，分別建立基于知識和統(tǒng)計方法的不同分類器，再將它們進(jìn)行融合。近年來出現(xiàn)的統(tǒng)計關(guān)系學(xué)習(xí)模型［76］，融入了一階邏輯、似然理論、機(jī)器學(xué)習(xí)等多方面的思想，為解決實際復(fù)雜問題提供了新的思路。目前，將知識與統(tǒng)計方法相結(jié)合進(jìn)行ECG模式分類研究還較少。如何更好地利用醫(yī)學(xué)知識或?qū)＜医?jīng)驗，并結(jié)合統(tǒng)計模型來建立分類器，值得更深入研究。

2.2 臨床數(shù)據(jù)的標(biāo)注瓶頸

國際上現(xiàn)有的ECG標(biāo)準(zhǔn)數(shù)據(jù)庫為各種ECG模式分類方法之間的比較提供了統(tǒng)一的數(shù)據(jù)基礎(chǔ)，但限于其數(shù)據(jù)規(guī)模和標(biāo)注規(guī)范而難以勝任實際臨床應(yīng)用。

ECG標(biāo)注數(shù)據(jù)庫的存儲標(biāo)準(zhǔn)是標(biāo)注的基礎(chǔ)?？蓴U(kuò)展標(biāo)記語言（extensible market language，XML）已經(jīng)廣泛應(yīng)用于數(shù)據(jù)的定義和交換，在XML基礎(chǔ)上發(fā)展起來的ECGXML［77］和XML-ECG［78］是現(xiàn)有的兩種ECG數(shù)據(jù)交換標(biāo)準(zhǔn)。國內(nèi)有學(xué)者在建立中國人心臟疾病ECG數(shù)據(jù)庫方面開展了基礎(chǔ)性工作，并在已有存儲標(biāo)準(zhǔn)的基礎(chǔ)上制定了面向?qū)嶋H應(yīng)用的ECG原始數(shù)據(jù)和標(biāo)注數(shù)據(jù)的存儲格式［79］。

ECG數(shù)據(jù)的標(biāo)注工作是一項非常辛苦而繁瑣的任務(wù)。醫(yī)學(xué)專家需要完整標(biāo)注包括每個心拍的疾病類型，以及各個導(dǎo)聯(lián)數(shù)據(jù)的波形起點、終點、波峰點等在內(nèi)的信息，這比臨床診斷過程更為復(fù)雜。針對標(biāo)注過程工作量大、純手工標(biāo)注等缺點，進(jìn)一步研究基于計算機(jī)輔助的半自動標(biāo)注方法具有實際意義。非監(jiān)督學(xué)習(xí)能夠在樣本標(biāo)簽未知的情況下進(jìn)行數(shù)據(jù)的聚類分析，但是類別數(shù)的確定往往是聚類方法的難點。在非監(jiān)督學(xué)習(xí)基礎(chǔ)上發(fā)展而來的半監(jiān)督學(xué)習(xí)，為小樣本量下的分類工作提供了有效手段，可以作為提高標(biāo)注效率的切入點進(jìn)行研究。

2.3 分類模型的對比困難

目前，針對 ECG分類模型的研究大多以標(biāo)準(zhǔn)ECG數(shù)據(jù)庫為基礎(chǔ)，各方法的靈敏度、特異性、準(zhǔn)確率等指標(biāo)都有討論。但是，許多研究工作往往是利用ECG數(shù)據(jù)庫中的部分類型或者部分?jǐn)?shù)據(jù)完成實驗，這種不一致性給不同模型的對比帶來困難。因此，就ECG模式分類的研究工作而言，建立統(tǒng)一有效的評估指標(biāo)是有意義的。

筆者認(rèn)為，分類模型統(tǒng)一評估指標(biāo)應(yīng)包含：訓(xùn)練數(shù)據(jù)的復(fù)雜度，測試數(shù)據(jù)的復(fù)雜度，算法靈敏度、特異性、準(zhǔn)確率等多個方面。其中，數(shù)據(jù)的復(fù)雜度度量標(biāo)準(zhǔn)最容易被忽略，而又是各類方法之間對比的基礎(chǔ)。數(shù)據(jù)的數(shù)量、類別等是最基礎(chǔ)的復(fù)雜度信息，類間距、類內(nèi)距、熵等指標(biāo)可作為數(shù)據(jù)復(fù)雜度的參考。文獻(xiàn)［80］提出的云模型對數(shù)據(jù)中的不確定性進(jìn)行考慮，是一種定量與定性轉(zhuǎn)換的模型，而云模型中的參數(shù)也可以作為數(shù)據(jù)復(fù)雜度的度量指標(biāo)進(jìn)行研究。

2.4 特征提取與表示問題

目前，已有很多對ECG特征提取與表示方法的研究，其中時域特征大多通過斜率閾值法獲?。?1］，頻域特征往往以R波峰為中心點、左右各取一定量的數(shù)據(jù)進(jìn)行特征變換獲得。ECG特征提取與表示方式是分類模型建立的關(guān)鍵。在Chazal和Christov的研究工作中，除了關(guān)注常見的醫(yī)學(xué)特征外，還考慮了 ECG波形中的面積、斜率變化等特征［35-36］。筆者認(rèn)為，醫(yī)學(xué)專家的領(lǐng)域知識能夠為ECG數(shù)據(jù)的特征定義提供指導(dǎo)。因此，獲得經(jīng)過醫(yī)學(xué)專家確認(rèn)的特征集合進(jìn)而研究特征的提取和表示，將是一條有效途徑。形態(tài)特征是醫(yī)學(xué)專家進(jìn)行判斷的視覺結(jié)構(gòu)信息（圖2為典型的QRS波群形態(tài)），在特征空間中有效地增加這部分信息的描述將降低分類難度。Dong等首先確定了醫(yī)學(xué)領(lǐng)域中常見波形形態(tài)特征的定義，進(jìn)而研究了形態(tài)特征的表達(dá)和識別問題［30］。總體來說，無論是時域特征還是頻域特征，如果能夠充分吸納和融合醫(yī)學(xué)知識實現(xiàn)特征的提取或表示，將對后續(xù)分類問題的解決起到重要作用。

圖2 心電圖的 QRS形態(tài)（各子圖上方為記錄-導(dǎo)聯(lián)，下方為形態(tài)特征描述）Fig.2 ECG QRS morphology（The character at the top of each sub-figure is record-lead and at the bottom of each sub-figure is morphology feature description.

3 結(jié)語

筆者從方法論的角度，總結(jié)并分析了近年來一些專家學(xué)者采用不同方法在ECG模式分類領(lǐng)域的進(jìn)展和研究成果。目前，ECG模式分類主要是解決面向?qū)嶋H應(yīng)用的ECG分類，具體包括面向?qū)嶋H應(yīng)用數(shù)據(jù)的分類器構(gòu)建、面向應(yīng)用的ECG數(shù)據(jù)的存儲和標(biāo)注、分類模型統(tǒng)一對比方法、特征提取和表示等問題，最后對可能的解決途徑進(jìn)行了探討。

ECG模式分類融合了生物醫(yī)學(xué)工程、人工智能等多個領(lǐng)域發(fā)展至今的成果。筆者從ECG模式分類問題入手提煉出的研究問題在許多其他模式識別應(yīng)用領(lǐng)域也有存在，這也在一定程度上反映了模式識別技術(shù)在醫(yī)學(xué)領(lǐng)域應(yīng)用過程中存在的瓶頸和困難。因此，面向?qū)嶋H應(yīng)用的復(fù)雜數(shù)據(jù)分類方法是模式識別技術(shù)在醫(yī)學(xué)領(lǐng)域應(yīng)用過程中非常關(guān)鍵并且很有意義的研究方向，也為計算機(jī)技術(shù)在其他領(lǐng)域的交叉、應(yīng)用起到了積極的推動作用。

［1］李志平，張福利，馬學(xué)博.心電研究與現(xiàn)代心電圖檢測法建立的歷史回顧［J］.中華醫(yī)史雜志，1999，29（4）：215-219.

［2］Dong Jun，Xu Miao，Zhu Honghai，et al.Wearable ECG recognition and monitor［A］.In：Proceedings of 18th IEEE Symposium on Computer-Based Medical Systems［C］.Dublin：IEEE Computer Society，2005.413-418.

［3］MincholA， JagerF， Laguna P.Discrimination between ischemic and artifactual ST segment events in Holter recordings［J］.Biomedical Signal Processing and Control，2010，5（1）：21-31.

［4］Qiao Li，Clifford GD.Suppress False Arrhythmia Alarms of ICU Monitors Using Heart Rate Estimation Based on Combined Arterial Blood Pressure and Ecg Analysis［A］.In：The InternationalConference on Bioinformatics and Biomedical Engineering ［C］.Shanghai：IEEE Computer Society，2008.2185-2187.

［5］李延軍，嚴(yán)洪，楊向林，等.基于心率變異性的精神疲勞的研究［J］.中國生物醫(yī)學(xué)工程學(xué)報，2010，29（1）：1-6.

［6］Friedemann W，Stallmann D，Hubert V，et al.Automatic recognition of electrocardiographic waves by digital computer［A］.In：Proceedings of the Fifth Annual Meeting of the Biophysical Society［C］.St.Louis Missouri：The Biophysical Society，1961.1138-1143.

［7］Dong Jun，Zhu Honghai.Mobile ECG detector through GPRS/Internet［A］.In：Proceedings of 17th IEEE Symposium on Computer-Based MedicalSystem［C］.Bethesda：IEEE Computer Society，2004.485-489.

［8］吉量軟件.十二導(dǎo)聯(lián)同步藍(lán)牙心電采集盒 ［EB/OL］.http：//www.jlsofttech.com/product_view.asp?cid=23＆id=33，2008-12-02/2010-04-30.

［9］Dong Jun，Tong Jiafei，Liu Xia.The abnormal vs.normal ECG classification based on key features and statistical learning［A］.In：Lecture 2010.136-143.

［10］Duin RPW，Pekalska E.The science of pattern recognition achievements and perspectives［M］.Berlin Heidelberg：Springer-Verlag，2007.

［11］Kundu M，Nasipuri M，Kumar BD.Knowledge-based ECG interpretation：a critical review ［J］.Pattern Recognition，2000，33（3）：351-373.

［12］Stockman GC，Kanal LN.Problem reduction representation for the lingusitic analysis of waveforms［J］.Pattern Analysis and Machine Intelligence，1983，5（3）：287-298.

［13］TsipourasMG， Fotiadis DI， Sideris D.An arrhythmia classification system based on the RR-interval signal［J］.Artificial Intelligence in Medicine，2005，33（3）：237-250.

［14］Kim K，Jin H.Design of a clinical knowledge base for heart disease detection［A］.In：The 7th International Conference on Computer and Information Technology［C］.Aizu-Wakamatsu：IEEE Computer Society Press，2007.610-615.

［15］Kundu M，Nasipuri M，Basu DK.A knowledge-based approach to ECG interpretation using fuzzy logic［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B，1998，28（2）：237-243.

［16］CarraultG， CordierMO， Quiniou R， etal.Temporal abstraction and inductive logic programming forarrhythmia recognition from electrocardiograms［J］.Artificial Intelligence in Medicine，2003，28（3）：231-263.

［17］Exarchos TP，Papaloukas C，F(xiàn)otiadis DI.An association rule mining-based methodlogy for automated detection of ischemic ECG beats［J］.IEEE Transactions on Biomedical Engineering，2006，53（8）：1531-1540.

［18］ExarchosTP， Tsipouras MG， Exarchos CP， etal.A methodology for the automated creation of fuzzy expert systems for ischaemic and arrhythmic beat classification based on a set of rules obtained by a decision tree［J］.Artificial Intelligence in Medicine，2007，40（3）：187-200.

［19］Rodriguez J，Goni A，Illarramendi A.Real-time classification of ECGs on a PDA ［J］.IEEE Transactions onInformation Technology in Biomedicine，2005，9（1）：23-34.

［20］Wang Liping，Shen Mi，Tong Jiafei，et al.A uncertain reason method for abnormalECG detection ［A］.In：IEEE International Symposium on IT in Medicine＆ Education［C］.Jinan：IEEE Computer Society，2009.1091-1096.

［21］周 S·，雷迪 S·，格雷格RE·，等.病變冠狀動脈的自動識別［P］.中國專利：CN101795622，2010-08-04.

［22］Lin Chii-Wann，Hsiao Tzn-Chien，Liu Chien-Sheng.Rapid method for analyzing bio-signal instantaneously by phase space complexity difference and its device ［P］.USA：US20100179396，2010-07-15.

［23］Fu King-Sun.Syntactic Pattern Recognition and Applications［M］.Englewood Cliffs，New Jersey：PrenticeHall，1982.

［24］Olszewski RT.Generalized feature extraction forstructural pattern recognition in timeSeries data［D］.Pittsburgh：Carnegie Mellon University，2001.

［25］Koski A，Juhola M，Meriste M.Syntactic recognition of ECG signals by attributed finite automata［J］.Pattern Recognition，1995，28（12）：1927-1940.

［26］Koski A.Modelling ECG signals with hidden Markov models［J］.Artificial Intelligence in Medicine，1996，8（5）：453-471.

［27］Rigatos GG.Faultdetection and isolation based on fuzzy automata［J］.Information Sciences Special Section：Web Search，2009，179（12）：1893-1902.

［28］Andreao RV，Dorizzi B，Boudy J.ECG signal analysis through hidden Markov models［J］.IEEE Transactions on Biomedical Engineering，2006，53（8）：1541-1549.

［29］Zhou Qunyi，Liu Xing，Duan Huilong.ECG beat classification using mirrored gauss model［A］.In：Proceedings of the 27th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Shanghai：IEEE Computer Society，2005.5587-5590.

［30］Dong Jun，Zhang Jiawei.Experiences-based intelligence simulation in ECG recognition ［A］.In：Proceedings of International Conference on Computational Intelligence for Modelling，Controland Automation ［C］.Vienna：IEEE Computer Society，2008.796-801.

［31］薛 JQ，羅蘭森 GI.用于心臟病學(xué)和病人監(jiān)護(hù)數(shù)據(jù)分析的多層系統(tǒng)［P］.中國專利：200710105373.5，2007-04-17.

［32］Karimifard S，Ahmadian A.Morphological heart arrhythmia classification using hermitian model of higher-order statistics［A］.In：Proceedings of the 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Lyon：IEEE Computer Society，2007.3132-3135.

［33］Syeda-Mahmood T， BeymerD， Wang Fei.Shape-based matching of ECG recordings［A］.In：29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Lyon：IEEE Computer Society，2007.2012-2018.

［34］Philip DC，Maria DO，Richard RB.Automatic classification of heartbeats using ECG morphology and heartbeat interval features［J］.IEEE Transactions on Biomedical Engineering，2004，51（7）：1196-1206.

［35］Philip DC，Richard RB.A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features［J］.IEEE Transactions on Biomedical Engineering，2006，53（12）：2535-2543.

［36］Christov I，Omez-Herrero GE，Krasteva V，et al.Comparative study of morphological and time-frequency ECG descriptors for heartbeat classification ［J］.Medical Engineering ＆ Physics，2006，28（9）：876-887.

［37］Babaeizadeh S， Gregg RE， Helfenbein E， etal.Atrial fibriliation monitoring［P］.世界專利：WO2009090581，2009-07-23.

［38］ANSI/AAMIEC57：1998 standard， Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms［S］.

［39］董軍，徐淼，詹聰明，等.心電圖識別與分類：方法、問題和新途徑［J］.生物醫(yī)學(xué)工程學(xué)雜志，2007，24（6）：1224-1229.

［40］Uyar A，Gurgen F.Arrhythmia classification using serial fusion of support vector machines and logistic regression［A］.In：Proceedings of the 4th IEEE Workshop on Intelligent Data Acquisition and Advanced Computing Systems：Technology and Applications ［C］.Dortmund：IEEE ComputerSociety，2007.560-565.

［41］Osowski S，Hoai LT，Markiewicz T.Support vector machinebased expert system for reliable heartbeat recognition［J］.IEEE Transactions on Biomedical Engineering，2004，51（4）：582-589.

［42］Jiang Xing，Zhang Liqing，Zhao Qibin，et al.ECG arrhythmias recognition system based on independent component analysis feature extraction［A］.In：Proceedings of IEEE Region 10 Conference TENCON ［C］.HongKong：IEEE Computer Society，2006.1-4.

［43］Acir N.A support vector machine classifier algorithm based on a perturbation method and its application to ECG beat recognition systems［J］.Expert Systems with Applications，2006，31（1）：150-158.

［44］Polat K，Akdemir B，Gunes S.Computer aided diagnosis of ECG data on the least square support vector machine ［J］.Digital Signal Processing，2008，18（1）：25-32.

［45］Polat K， Gunes S.Detection of ECG arrhythmia using a differential expert system approach based on principal component analysis and least square support vector machine［J］.Applied Mathematics and Computation，2007，186（1）：898-906.

［46］Acir N.Classification of ECG beats by using a fast least square support vector machines with a dynamic programming feature selection algorithm ［J］.Neural Computation ＆ Application，2005，14（4）：299-309.

［47］許建強(qiáng)，袁震東，李高平，等.基于小波變換的12-導(dǎo)聯(lián)心電圖特征提取方法［J］.華東師范大學(xué)學(xué)報（自然科學(xué)版），2005，5（2）：27-32.

［48］Muirhead RJ，Puff RD.A Bayesian classification of heart rate variability data ［J］.Physica A：Statistical and Theoretical Physics，2004，336（3-4）：503-513.

［49］Martis RJ，Chakraborty C，Ray AK.A two-stage mechanism for registration and classification of ECG using gaussian mixture model［J］.Pattern Recognition，2009，42（11）：2979-2988.

［50］黃忠朝，陳裕泉，敏潘.心電圖房顫信號提取的主分量分析研究 ［J］.浙江大學(xué)學(xué)報（工學(xué)版），2007，41（5）：563-859.

［51］Yu Sung-Nien，Chou Kuan-To.A switchable scheme for ECG beat classification based on independent component analysis［J］.Expert Systems with Applications，2007，33（4）：824-829.

［52］Ueyli ED.ECG beats classification using multiclass support vector machines with error correcting output codes［J］.Digital Signal Processing，2007，17（3）：675-684.

［53］Engin M，F(xiàn)edakar M，Engin EZ，et al.Feature measurements of ECG beats based on statistical classifiers［J］.Measurement，2006，40（9-10）：904-912.

［54］莫雷諾 P，戈多 D，羅甘 B.用于心臟病學(xué)和病人監(jiān)護(hù)數(shù)據(jù)分析的多層系統(tǒng)［P］.中國專利：200580011901.X，2007-07-11.

［55］Ceylan R， Ozbay Y， Karlik B.A novelapproach for classification of ECG arrhythmias：Type-2 fuzzy clustering neural network ［J］.Expert Systems with Applications，2009，36（3，Part 2）：6721-6726.

［56］Ceylan R，Ozbay Y.Comparison of FCM，PCA and WT techniques for classification ECG arrhythmias using artificial neural network ［J］.Expert Systems with Applications，2007，33（2）：286-295.

［57］Ozbay Y，Ceylan R，Karlik B.A fuzzy clustering neural network architecture for classification of ECG arrhythmias ［J］.Computers in Biology and Medicine，2006，36（4）：376-388.

［58］Engin M.ECG beat classification using neuro-fuzzy network［J］.Pattern Recognition Letters，2004，25（15）：1715-1722.

［59］Hosseini HG，Luo D，Reynolds KJ.The comparison of different feed forward neuralnetwork architectures for ECG signal diagnosis［J］.Medical Engineering＆ Physics，2006，28（4）：372-378.

［60］Yu Sung-Nien，Chen Ying-Hsiang.Electrocardiogram beat classification based on wavelet transformation and probabilistic neural network ［J］.Pattern Recognition Letters，2007，28（10）：1142-1150.

［61］Lin Chia-Hung，Du Yi-Chun，Chen Tainsong.Adaptive wavelet network for multiple cardiac arrhythmias recognition［J］.Expert Systems with Applications，2008，34（4）：2601-2611.

［62］Yu SN， Chou KT.Integration ofindependentcomponent analysis and neural networks for ECG beat classification［J］.Expert Systems with Applications，2008，34（4）：2841-2846.

［63］De GA.，Panunzi S，Rinaldi F，et al.A patient adaptable ECG beatclassifier based on neural networks ［J］.Applied Mathematics and Computation，2009，213（1）：243-249.

［64］Ubeyli ED.Combining recurrent neural networks with eigenvector methods for classification of ECG beats［J］.Digital Signal Processing，2009，19（2）：320-329.

［65］Gaetz M，Iverson GL，Rzempoluck EJ，et al.Self-organizing neural network analyses of cardiac data in depression ［J］.Neuropsychobiology，2004，49（1）：30-37.

［66］Talbi ML，Charef A.PVC discrimination using the QRS power spectrum and self-organizing maps［J］.Computer Methods and Programs in Biomedicine，2009，94（3）：223-231.

［67］Moavenian M，Khorrami H.A qualitative comparison of artificial neural networks and support vector machines in ECG arrhythmias classification［J］.Expert Systems with Applications，2010，37（4）：3088-3093.

［68］Korurek M，Nizam A.Clustering MIT-BIH arrhythmias with ant colony optimization using time domain and PCA compressed wavelet coefficients［J］.Digital Signal Processing，2010，20（4）：1050-1060.

［69］Bereta M，Burczynski T.Comparing binary and real-valued coding in hybrid immune algorithm for feature selection and classification of ECG signals［J］.Engineering Applications of Artificial Intelligence Soft Computing Applications，2007，20（5）：571-585.

［70］Nasiri JA，Naghibzadeh M，Yazdi HS，et al.ECG arrhythmia classification with support vector machines and genetic algorithm［A］.In：Proceedings of 3rd UKSim European Symposium on Computer Modelingand Simulation ［C］.Athens：IEEE Computer Society，2009.187-192.

［71］Chudacek V，Petrik M，Georgoulas G，et al.Comparison of seven approaches for holter ECG clustering and classification［A］.In：29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society［C］.Lyon：IEEE Computer Society，2007.3844-3847.

［72］Inan OT，Giovangrandi L，Kovacs GTA.Robust neural-networkbased classification of premature ventricular contractions using wavelet transform and timing interval features ［J］.IEEE Transactions on Biomedical Engineering，2006，53（12）：2507-2515.

［73］童佳斐.心電圖常見疾病的統(tǒng)計模式識別分類方法的應(yīng)用研究［D］.上海：華東師范大學(xué)，2010.

［74］張鈸.第134期東方科技論壇-計算機(jī)視覺與仿制腦［EB/OL］.http：//www.efst.sh.cn/showMeet.do?id=522，2009-10-25/2010-01-22.

［75］Dong Jun，Xu Miao，Zhang Xianjun，et al.The creation process of chinese calligraphy and emulation of imagery thinking［J］.IEEE Intelligent Systems，2008，23（6）：56-62.

［76］Wang Jue，Domingos P.Hybrid markov logic networks［A］.In：Proceedings of the Twenty-Third National Conference on Artificial Intelligence［C］.Chicago：IEEE Computer Society，2007.1106-1111.

［77］Wang Haiying，Azuaje F，Jung B，et al.A markup language for electrocardiogram data acquisition and analysis（ecgML）［J］.BMC Medical Informatics and Decision Making，2003，3（7）：4-17.

［78］Lu Xudong，Duan Huilong，Zheng Huiying.XML-ECG：An xml-based ECG presentation for data exchanging［A］.In：InternationalConference on Bioinformatics and Biomedical Engineering［C］.Wuhan：IEEE Computer Society，2007.1141-1144.

［79］Zhang Jiawei， Wang Liping， Zhu Honghai， et al.Chinese cardiovascular disease database（CCDD）and its management tool［A］.In：Proceedings of IEEE International Conference on Bioinformatics and Bioengineering［C］.Philadelphia：IEEE Computer Society，2010.66-72.

［80］李德毅，劉常昱，杜鹢，等.不確定性人工智能［J］.軟件學(xué)報，2004，15（11）：1583-1594.

［81］Pan J，Tompkins WJ.A real-time QRS detection algorithm［J］.IEEE Transaction on Biomedical Engineering，1985，BME-32（3）：230-236.