劉秀玲，杜海曼，呂方飛，陳飛，劉明

（1.河北大學電子信息工程學院數(shù)字醫(yī)療工程重點實驗室，河北保定 071002）

早搏是指異位起搏點發(fā)出的過早沖動引起的心臟搏動，為最常見的心律失常.根據(jù)早搏起源部位的不同將其分為房性、室性和結性，其中以室性早搏最常見.室性早搏的發(fā)生具有隨機性和不確定性，需要長時間的觀測人體的動態(tài)心電圖進行確診.這使得采集數(shù)據(jù)量巨大，醫(yī)生長期從事大量圖形的識別工作，極易疲勞，容易出錯，因此，探索新方法以提高診斷的準確率成為當前心電技術中迫切需要解決的問題.目前，國內外很多的研究都集中于此.Yeh YC等［1］對于心律不齊采用聚類分析的方法，通過檢測QRS波形，選擇定性特征，確定心跳的情況.該方法不需要復雜的數(shù)學計算，分類精度較高.Wang JS［3］提出了一種有效的心電分類方法，利用結合主成分分析和線性判別分析的特征簡約法以及概率神經網絡分類器來區(qū)分8種不同類型的心律失常.曹玉珍等［3］提出了基于小波變換特征提取的支持向量機的分類研究方法，在離散小波變換并提取優(yōu)化特征組合的基礎上，采用標準算法構建支持向量機分類器實現(xiàn)分類，相對于神經網絡的識別方法在檢測性能上更優(yōu)，復雜程度降低.文獻［4］提出利用小波變換和時間間隔結合神經網絡實現(xiàn)對室性早搏的分類，該方法利用大數(shù)據(jù)集進行測試，敏感度和精度還有待提高.

以上分析方法，雖然能取得一定的識別效果，但是需要的特征較多，增加了特征提取的難度和特征篩選的復雜度.而混沌理論可以很好地解決此問題，研究表明，較少的混沌特征就足以實現(xiàn)心電信號的自動診斷，取得了很好的效果.本文提出了一種根據(jù)早搏異位起搏點發(fā)出過早沖動的特性，識別出早搏心拍，再基于心電信號混沌特性分析和Lyapunov指數(shù)計算的室性早搏的自動診斷新方法.根據(jù)室性早搏類信號在Lyapunov指數(shù)相關分析中的特殊性，利用BP神經網絡進行訓練，完成室性早搏信號的準確識別.

1 理論和方法

1.1 整體框架

本文所提出的方法框架如圖1所示，主要包括3個階段，即R峰值檢測，早搏心拍識別，室性早搏診斷.心電信號中R波相對其他波段來說最為明顯，首先采用能量法凸顯QRS波，進而通過閾值處理并優(yōu)化找到R峰值.再根據(jù)早搏特點通過RR間期不均勻性識別出早搏心拍.最后根據(jù)室性早搏Lyapunov指數(shù)導數(shù)相關分析的明顯特征，通過神經網絡的訓練達到識別出室性早搏類別心拍的目的.

圖1 方法框架Fig.1 Block diagram of the method

1.2 理論基礎

其中x1＝f（x0），x2＝f（x1）＝）L，則Lyapunov指數(shù)為

一維映射就對應一個Lyapunov指數(shù)，而且當Lyapunav指數(shù)大于0時該系統(tǒng)具有混沌特性.

1.2.2 BP神經網絡

BP神經網絡［8］是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目前應用最廣泛的神經網絡模型之一.BP網絡能學習和存儲大量的輸入、輸出模式映射關系，而無需事先揭示描述這種映射關系的數(shù)學方程.它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小.BP神經網絡模型拓撲結構包括輸入層、隱含層和輸出層.典型的3層BP神經網絡如圖2所示.

圖2 3層BP神經網絡Fig.2 BP neural network of three layers

1.3 實現(xiàn)方法

1.3.1 R波峰值檢測

首先，采用小波變換［9－10］去除心電信號中的噪聲，選擇DB6（Daubechies 6）作為小波基進行小波分解；在閾值處理時，使用一種自適應的閾值方法，對于不同類噪聲的適應性得到提高.其次，對信號進行小波重構，從能量和頻率方面進行處理，心電信號的絕大部分能量集中于QRS波群，而P波和T波能量較小，該重構方法能很好地包容大部分的QRS信息，濾除大部分的P波和T波.R峰值即能量峰值，每1個能量峰值點對應1個QRS波群.采用閾值法得到粗略的能量峰值點，并對其進行優(yōu)化.對濾波信號加適當?shù)臅r間窗，每1個窗口范圍內尋找極大值點，該點即為R峰值位置.圖3為一段R波峰值檢測的心電圖，峰值用圓點標出.

1.3.2 早搏心拍識別

早搏是指異位起搏點發(fā)出的過早沖動引起的心臟搏動，這也是和其他心臟疾病區(qū)分的重要特征.因此，通過R峰值位置，確定出RR間期長度，從圖4中看出在早搏出現(xiàn)時，RR間期長度不均勻，早搏心拍R峰離前一個心拍的R峰較近，離后一個心拍的R峰較遠.在一段心電數(shù)據(jù)中一般正常心拍占據(jù)主要部分，并且室性早搏心拍通常有完全性代償間歇，即早搏前后兩竇性心搏相隔的時間為正常心動周期的2倍，這樣得到平均間期基本接近于正常心拍的間期.經過不斷測試，將小于平均間期長度85%的間期視為非正常間期段，非正常RR間期的后一R峰即為早搏心拍所包含的R峰，從而識別出早搏心拍.

1.3.3 室性早搏的診斷

通過間期長度不均勻識別出早搏心拍，再通過室性早搏和房性早搏在混沌特性上的區(qū)別識別出室性早搏，完成室性早搏的診斷.

圖3 R波峰值檢測Fig.3 R peak detection

圖4 含有室性早搏和房性早搏的心電信號Fig.4 ECG signal include PVC beat and PAC beat

1.3.3.1 混沌特征提取

對室早心拍與房早心拍進行混沌特性的分析，將每個早搏心拍的所有Lyapunov指數(shù)計算出來.圖5a和圖5b分別為典型的室性早搏心拍、房性早搏心拍的Lyapunov指數(shù)曲線.從這2組圖中發(fā)現(xiàn)室性早搏Lyapunov指數(shù)曲線線條平緩，房性早搏Lyapunov指數(shù)曲線波動程度較大，為更明確的表現(xiàn)出這一差異性，將曲線進行求導處理，因為某一點的導數(shù)可以描述這一點附近的變化率.

圖5 Lyapunov指數(shù)Fig.5 Lyapunov exponents

圖6 Lyapunov指數(shù)導數(shù)絕對值曲線Fig.6 Absolute values of the derivatives of Lyapunov exponents

3）統(tǒng)計｜f′i｜＞0.001的個數(shù).

對數(shù)據(jù)庫中隨機選取的300個室性早搏心拍和300個房性早搏心拍進行分析，統(tǒng)計其Lyapunov指數(shù)導數(shù)絕對值的和（記為參數(shù)1）以及Lyapunov指數(shù)導數(shù)絕對值中大于0.001的個數(shù)（記為參數(shù)2）.以1個心拍的2個參數(shù)分別作為橫、縱坐標對該心拍進行描點，如圖7所示，從圖中很容易看出室性早搏心拍相對比較集中.

1.3.3.2 BP神經網絡訓練

因圖7混沌參數(shù)坐標圖中室性早搏集中程度相對較高，由此可以利用神經網絡訓練的方法通過心拍參數(shù)的特征識別出室性早搏心拍.神經網絡的每1個輸入節(jié)點對應樣本1個特征，將2個參數(shù)放在1個二維矩陣中作為1個特征輸入到神經網絡中；輸出層節(jié)點有1個，輸出室早類和非室早類，圖8為本實驗所用的單輸入單輸出的神經網絡結構圖.在BP神經網絡當中，對室性早搏心拍特征參數(shù)進行訓練，將屬于這一類的期望輸出設為1，表示室早類；不滿足這類的期望輸出設為0，表示非室早類.在識別階段，將未知類別的樣本輸入到該網絡中，根據(jù)訓練準則判定其所屬的類別.本文實驗中將已隨機選取的300個室性早搏的心拍作為訓練樣本進行BP神經網絡的訓練.

圖7 室早和非室早參數(shù)坐標Fig.7 Parameters plot of PVC and PAC

圖8 單入單出型神經網絡Fig.8 Neural network of single input and single output

2 結果和討論

2.1 數(shù)據(jù)來源

本實驗采用的數(shù)據(jù)來自于美國麻省理工學院的心律失常數(shù)據(jù)庫.數(shù)據(jù)庫包含48組數(shù)據(jù)，包含2個導聯(lián)，包括肢體導聯(lián)中的Ⅱ導聯(lián)和胸導聯(lián)中的1個，每個導聯(lián)含0.5h的心電信號，平均采樣頻率為360Hz，提供了各種心律異常信號的標準數(shù)據(jù)，為科學研究心電信號提供了參照.實驗中分別選擇了Ⅱ導聯(lián)數(shù)據(jù)中的室性早搏節(jié)拍（PVC）、房性早搏節(jié)拍（PAC）、左束支傳導阻滯（L）、右束支傳導阻滯（R）等進行分析.

2.2 樣本測試

采用了美國麻省理工學院的心律失常數(shù)據(jù)庫中20組數(shù)據(jù)進行校驗.將20組數(shù)據(jù)歸為3種類型，將數(shù)據(jù)中不包含室早心拍的類型視為‘無PVC’，包含3組數(shù)據(jù)（101，103，112）；數(shù)據(jù)中早搏心拍只有室早而無房早的視為‘只有PVC’，包含7組數(shù)據(jù)（102，104，105等）；將同時包含室早和房早2種類型的視為‘PVC混PAC’，包含10組數(shù)據(jù)（108，114，116等）.其中取每個病人長約30min的心電數(shù)據(jù)，將通過本文方法所檢測出的早搏心拍的特征參數(shù)輸入到單入單出的BP神經網絡中，根據(jù)神經網絡的訓練準則進行室性早搏的分類.本實驗通過式（6）－（9）進行了誤差分析，R代表數(shù)據(jù)中實際室早心拍個數(shù)，TP為室早被正確診斷的個數(shù)，F(xiàn)N為漏檢數(shù)，F(xiàn)P為誤檢數(shù).Se為靈敏度，Pp為正檢測率，Er為錯誤率，Acc表示總的精度，實驗驗證結果如表1，通過表1可以看出室性早搏的診斷情況，在無PVC類型中，沒有出現(xiàn)誤檢情況；在只有PVC和PVC混PAC類型中，一般來說數(shù)據(jù)中所含早搏心拍數(shù)量越多，誤檢和漏檢數(shù)相對也會較多，可能原因在于早搏心拍越多該數(shù)據(jù)心律不齊情況就越嚴重，心電信號變化也越多.整體上來看，不同病人的靈敏度、正檢測率和檢測精度差異并不是很大，說明本文的方法穩(wěn)定性較強，總的靈敏度為94.19%，總的正檢測率達94.52%，總的精度達99.48%，檢測精度較高.

表1 實驗驗證Tab.1 Experimental verification

將本文中對于室性早搏的診斷方法與前人的方法［4］進行了結果上的數(shù)據(jù)對比，如圖9所示.在圖9中，按照數(shù)據(jù)序號排序，將本文方法和前人利用的基于小波變換法診斷室性早搏的靈敏度和正檢測率進行了對比，通過對比發(fā)現(xiàn)本文方法穩(wěn)定性更高，靈敏度和正檢測率相對較高，只在114，119，205這3組數(shù)據(jù)中略低.由此可以肯定本文的方法對于診斷室性早搏來說具有較高的準確率和穩(wěn)定性.

圖9 靈敏度和正檢測率曲線Fig.9 Sensitivity and Positive predictivity curve

3 總結

從心電信號的混沌特性出發(fā)，通過Lyapunov指數(shù)的相關分析來實現(xiàn)室性早搏的自動診斷.該方法通過MIT－BIH心律失常數(shù)據(jù)庫進行了驗證.實驗結果表明，它具有良好的分類精度和較高的穩(wěn)定性.該方法能從醫(yī)生診斷角度定位異常，依靠混沌特性能將室性早搏識別出來.該方法中的特征提取和時域頻域特征相比，避免了復雜的特征提取過程，極大地減少了其他非直接因素對自動診斷準確度造成的影響.作為心電研究的其中一部分，室早的診斷獲得了廣泛的關注，對于指導治療和估計預后有重要意義.通過和醫(yī)生探討，用1～2個導聯(lián)做室性早搏診斷相對其他疾病類型的診斷可行性最大，準確率最高，該方法得到了醫(yī)生的充分肯定，算法易實現(xiàn)，并且使用單導聯(lián)的數(shù)據(jù)相對于多導聯(lián)數(shù)據(jù)遠程傳輸時間較短，更易集成到筆者正在開發(fā)的遠程健康監(jiān)護系統(tǒng)中，以實現(xiàn)對病人的及時救治和對醫(yī)生的輔助診斷.

［1] YEH YC，CHIOU C W，LIN HJ.Analyzing ECG for cardiac arrhythmia using cluster analysis［J］.Expert Systems With Applications，2012，39（1）：1000－1010.

［2] WANG JS，CHIANG WC，HSU YL，et al.ECG arrhythmia classification using aprobabilistic neural network with a feature reduction method［J］.Neurocomputing，2013（116）：38－45.

［3] 曹玉珍，李廣，范增飛.基于小波變換特征提取的支持向量機心搏分類研究［J］.天津大學學報，2007，40（7）：811－815.CAO Yuzhen，LI Guang，F(xiàn)AN Zengfei.ECG beat classification using support vector machine with wavelet transform based feature extraction［J］.Journal of Tianjin University，2007，40（7）：811－815.

［4] INAN OT.Robust Neural－Network－Based classification of premature ventricular contractions using wavelet transform and timing interval features［J］.IEEE Transactions on Biomedical Engineering，2006，53（12）：2507－2515.

［5] 彭靜，彭承琳.混沌理論和方法在醫(yī)學信號處理中的應用［J］.國際生物醫(yī)學工程雜志，2006，29（02）：124－127.PENG Jing，PENG Chenglin.Application of medical signal processing based on theory and method of chaos［J］.International Journal of Biomedical Engineering，2006，29（02）：124－127.

［6] 鄭會永，肖田元，韓向利，等.心電信號的混沌分形特性分析［J］.清華大學學報：自然科學版，1999，39（9）：103－105.ZHENG Huiyong，XIAO Tianyuan，HAN Xiangli，et al.ECG analysis based on Chaos and fractal characteristics［J］.Journal of Tsinghua University：Science and Technology，1999，39（9）：103－105.

［8] 江虹，曾立波，胡繼明.優(yōu)化的BP神經網絡分類器的設計與實現(xiàn)［J］.計算機工程與應用，2001（5）：122－125.JIANG Hong，ZENG Libo，HU Jiming.The design and performance of optimal BP neural network classitier［J］.Computer Engineering and Applications，2001（5）：122－125.

［9] 廖云朋，何繼善，張飛.小波分析在心電信號處理中的應用［J］.山東生物醫(yī)學工程，2003（2）：54－56.LIAO Yunpeng，HE Jishan，Zhang Fei.Application of wavelet analysis in processing ECG signals［J］.Shandong Journal of Biomedical Engineering，2003（2）：54－56.

［10] ZHANG Meng，F(xiàn)U Lihua，LI Hongwei，et al.Harmonic retrieval in complex noises based on wavelet transform［J］.Digital Signal Processing，2008（18）：534－542.