采用S變換特征選擇方法的心律失常分類*

呂　衛(wèi)　鄧為賢　褚晶輝　李　喆

(天津大學(xué)電子信息工程學(xué)院，天津，300072)

引　　言

心臟搏動(dòng)頻率、節(jié)律以及ECG形態(tài)的改變被稱為心律失常，其長(zhǎng)期存在會(huì)引起嚴(yán)重的心臟病變甚至死亡，因此對(duì)心律失常的診斷十分重要[1]。專家通過(guò)分析心電圖(Electrocardiogram, ECG)檢測(cè)心律失常，但是長(zhǎng)時(shí)間分析心電圖記錄既耗時(shí)又枯燥，而且通過(guò)人眼很難精準(zhǔn)辨別心電信號(hào)微小的形態(tài)變化，致使專家在診斷時(shí)可能會(huì)丟失或弄錯(cuò)重要信息，因此需要一個(gè)高效準(zhǔn)確的計(jì)算機(jī)輔助診斷系統(tǒng)輔助醫(yī)生檢測(cè)心律失常。

目前，研究人員已提出一些分類方法。按照特征提取方法的不同可以將這些方法分為：時(shí)域方法、基于統(tǒng)計(jì)的方法和基于變換的方法。時(shí)域方法除了提取常用的RR間隔、QRS復(fù)合波和T波持續(xù)時(shí)間作為特征外，還直接使用ECG信號(hào)采樣值作為形態(tài)特征[2]。時(shí)域方法簡(jiǎn)單、快捷，但時(shí)域特征無(wú)法揭示ECG信號(hào)細(xì)微變化和隱藏的信息?；诮y(tǒng)計(jì)的方法是通過(guò)高階累積量等提取特征來(lái)獲取ECG信號(hào)隱藏的非線性信息[3]。基于變換的方法是將采集到的心電信號(hào)變換到另一個(gè)域，如利用傅里葉變換獲得信號(hào)的頻域特征[4]。然而通過(guò)分析發(fā)現(xiàn)采用傅里葉變換方法識(shí)別出的5類心拍中有3類心拍有相似的頻譜，在一定程度上導(dǎo)致了誤識(shí)別。這是由于生物醫(yī)學(xué)信號(hào)是非平穩(wěn)信號(hào)，傅里葉變換無(wú)法表示時(shí)間和頻率的相互關(guān)系，對(duì)非平穩(wěn)信號(hào)分析有局限性[5]。因此，許多算法使用時(shí)頻變換提取ECG信號(hào)特征，如短時(shí)傅里葉變換(Short time Fourier transform, STFT)[6]、小波變換[7]及S變換幅值信息[8]等，這些變換能反映出非平穩(wěn)信號(hào)頻率隨時(shí)間的變化，可以提取到時(shí)域或頻域方法所不能提取到的ECG信號(hào)局部特征。然而，時(shí)頻方法提取的特征往往維數(shù)較高，不僅增加了計(jì)算量，而且會(huì)給分類性能帶來(lái)負(fù)面影響。特征選擇是常用的降低維數(shù)的方法，可分為過(guò)濾式(Filter)和包裹式(Wrapper)。Filter式獨(dú)立于后續(xù)分類結(jié)果，而Wrapper法使用分類結(jié)果評(píng)估特征子集，其準(zhǔn)確率高于Filter法，因此心律失常分類主要采用Wrapper法，如在使用最近鄰分類器對(duì)心律失常分類時(shí)，通過(guò)對(duì)比發(fā)現(xiàn)基于準(zhǔn)確性準(zhǔn)則和順序浮動(dòng)前向選擇法，即Wrapper式方法好于其他3種Filter式方法[9]。在利用遺傳算法(Genetic algorithm, GA)和支持向量機(jī)(Support vector machine, SVM)進(jìn)行特征選擇時(shí)也得到了較好的效果[10]。除此之外，一種效果較好的Filter式特征選擇算法ReliefF[11]比Wrapper法具有速度上的優(yōu)勢(shì)，所以也經(jīng)常被使用。

在特征提取方面，時(shí)域分析雖然不能提取信號(hào)隱藏的特征，但專家在判斷心律失常類型時(shí)首先關(guān)注ECG信號(hào)的形態(tài)特征[12]，因此時(shí)域特征是一種識(shí)別心律失常重要且有效的特征。STFT窗函數(shù)的高度與寬度固定不變，所以不能很好地同時(shí)提取高頻和低頻特征；小波變換可實(shí)現(xiàn)多尺度聚焦，揭示了ECG信號(hào)的時(shí)頻特性，但不能很好地提取心電信號(hào)的局部特征，可能丟失一些關(guān)鍵特征，影響心律失常的分類效果。S變換是一種良好的局部時(shí)頻分析技術(shù)，相比STFT和小波變換，其對(duì)信號(hào)局部解析能力更強(qiáng)。S變換中含有的相位因子保留了每個(gè)頻率的絕對(duì)相位特征，這是小波變換所不具有的特性[13]，但S變換的相位信息并沒(méi)有得到使用。

本文提出一種新的心率失常分類方法：首先，利用S變換從幅值和相位上提取ECG信號(hào)的時(shí)頻特征，使用時(shí)間窗截取ECG信號(hào)的形態(tài)特征。由于GA具有全局尋優(yōu)能力強(qiáng)且不易誤入局部最優(yōu)解等特點(diǎn)，利用GA和SVM結(jié)合組成Wrapper進(jìn)行特征選擇，同時(shí)為了加快特征選擇的速度，使用ReliefF計(jì)算出特征權(quán)重大小指導(dǎo)遺傳算法種群初始化。最后，使用“一對(duì)多”SVM進(jìn)行心律失常分類。

1　特征提取與分類器理論

1.1　特征提取——S變換

S變換是由Stockwell提出，可以由STFT和小波變換導(dǎo)出[14]。從STFT角度導(dǎo)出S變換，連續(xù)信號(hào)x(t)的S變換為S(t,f),如式(1)所示。

(1)

(2)

式中w(t-τ)為高斯窗口，窗寬σ=1/|f|是關(guān)于頻率倒數(shù)的函數(shù)，這使得S變換窗口形狀可以隨頻率的變化而變化，在低頻部分時(shí)可獲得較高的頻率分辨率；而高頻段部分可獲得很高的時(shí)間分辨率。因此，S變換可以被看作一種頻變的STFT，克服了STFT分辨率不能調(diào)節(jié)的缺陷。

另外，對(duì)于信號(hào)x(t)的S變換也能用一個(gè)特殊的母小波的連續(xù)小波變換乘以一個(gè)相位因子得到，如式(3)所示。

S(τ,f)=ei2πfτW(τ,d)

(3)

式中W(τ,d)為信號(hào)x(t)的小波變換，d=1/|f|。式(4)為特殊的母小波。

e-i2πft

(4)

式中e-i2πft為小波變換所不具有的相位因子,所以S變換也可以看作是相位修正的連續(xù)小波變換，可以解決小波的相位局部化問(wèn)題。同時(shí)S變換保持了每個(gè)頻率成分的絕對(duì)參考相位不變。

連續(xù)信號(hào)x(t)的離散形式為x[kT]，S變換的離散形式為

(5)

1.2　分類器——SVM

SVM是Vapnik等基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種機(jī)器學(xué)習(xí)方法[15]，其主要思想是尋找能夠成功分開(kāi)兩類樣本并且具有最大分類間隔的最優(yōu)分類超平面。

不失一般性，給定訓(xùn)練樣本集W={(xi,yi),i=1,2,…,l}，其中輸入樣本xi∈Rd，類標(biāo)簽yi∈{+1,-1} 。對(duì)于線性二分類問(wèn)題，超平面方程一般為：xi·w+b=0，w為權(quán)值向量，b為偏差項(xiàng)。將超平面規(guī)范化，得到分類間隔等于2/‖w‖。則求解最優(yōu)分類超平面等效于最小化‖w‖，即求解式(6)的條件極值問(wèn)題，通過(guò)拉格朗日乘數(shù)求解法，最后得到最優(yōu)分類函數(shù),如式(7)所示。

(6)

(7)

式中拉格朗日乘子αi≥0,i=1,2,…,l，只有少數(shù)αi>0并且其對(duì)應(yīng)的樣本xi被稱為支持向量。

對(duì)于解決實(shí)際應(yīng)用中的非線性分類問(wèn)題，SVM引入核函數(shù)K(xi,xj)，其中K(xi,xj)需滿足Mercer條件，最后得到SVM基本形式(式(8))，常用核函數(shù)有線性核函數(shù)、Sigmoid核函數(shù)、徑向基核函數(shù)和多項(xiàng)式核函數(shù)。

(8)

2　采用S變換特征選擇方法的心律失常分類

圖1　本文提出的心律不齊分類算法流程圖Fig．1　Block diagram of the proposed algorithm

采用S變換特征選擇方法的心律失常分類包括：預(yù)處理、特征提

取、特征選擇和多分類SVM，流程框圖如圖1所示。在訓(xùn)練階段，使用特征選擇與多分類SVM得到最優(yōu)特征向量和訓(xùn)練模型；測(cè)試階段，根據(jù)訓(xùn)練階段得到的最優(yōu)特征選擇測(cè)試樣本的特征和模型實(shí)現(xiàn)多種心律失常分類。

2.1　ECG數(shù)據(jù)集

MIT-BIH心律失常數(shù)據(jù)庫(kù)[16](以下簡(jiǎn)稱MIT數(shù)據(jù)庫(kù))包含48條ECG記錄，每條記錄由兩種不同類型導(dǎo)聯(lián)(記為A、B導(dǎo)聯(lián))記錄了長(zhǎng)約30 min的數(shù)據(jù)，采樣率為360 Hz；其中45條記錄的A導(dǎo)聯(lián)采用MLII導(dǎo)聯(lián)，其余采用V5導(dǎo)聯(lián)；40條記錄的B導(dǎo)聯(lián)采用V1導(dǎo)聯(lián)，其余采用II、V2、V4和V5導(dǎo)聯(lián)。本文使用的ECG數(shù)據(jù)集來(lái)自MIT數(shù)據(jù)庫(kù)中MLII導(dǎo)聯(lián)記錄的以下8種心拍類型：正常搏動(dòng)(Normal beat，NORM)、左束支傳導(dǎo)阻滯(Left bundle branch block beat，LBBB)、右束支傳導(dǎo)阻滯(Right bundle branch block beat，RBBB)、室性早搏(Premature ventricular contraction，PVC)、房性早搏(Atrial premature beat，APB)、起搏心跳(Paced beat，PB)、室性撲動(dòng)波(Ventricular flutter wave, VFW)和室性逸搏(Ventricular escape beat, VEB)。

2.2　預(yù)處理

預(yù)處理首先是消除噪聲對(duì)心電信號(hào)的干擾，其次是檢測(cè)R波。關(guān)于預(yù)處理的算法已得到了深入研究并且效果很好。本文研究的主要問(wèn)題是心律失常的分類。因此，在噪聲去除方面，使用中值濾波法去除基線漂移，利用低通濾波器去除電力線干擾和高頻噪聲，此方法簡(jiǎn)單、快捷[17]。R波位置使用MIT數(shù)據(jù)庫(kù)中注釋文件提供的基準(zhǔn)點(diǎn)位置。

2.3　特征提取

2.3.1RR間隔特征

本文提取4個(gè)RR間隔特征：preRR指給定心拍和其前一心拍的RR間隔；postRR指給定心拍和其后一心拍的RR間隔；localavgRR指給定心拍前后各5個(gè)心拍，共10個(gè)RR間隔的平均值；avgRR指一個(gè)記錄文件中所有RR間隔的平均值。

2.3.2形態(tài)特征

本文使用3個(gè)時(shí)間窗截取QRS復(fù)合波、T波和P波，QRS復(fù)合波窗口從R-50 ms到R+100 ms(R表示R波位置)，以60 Hz采樣率提取10個(gè)特征點(diǎn)；T波窗口從R+150 ms到R+500 ms，以20 Hz采樣率提取8個(gè)特征點(diǎn)；P波窗口從R-200 ms到R-100 ms，以60 Hz采樣率提取7個(gè)特征點(diǎn)。

2.3.3時(shí)頻特征

圖2　ECG信號(hào)樣本及其S變換Fig．2　Samples of ECG signal and its S-transform

圖3　S變換頻率對(duì)應(yīng)的幅值特性Fig．3　Amplitude-frequency characteristics of S-transform

在R波前后各取278 ms，形成一個(gè)包含200點(diǎn)的ECG信號(hào)樣本,如圖2(a)所示。然后對(duì)該信號(hào)進(jìn)行S變換。圖2(b)為樣本信號(hào)的S變換的幅值等高線圖，橫坐標(biāo)表示心電信號(hào)某個(gè)采樣點(diǎn)的幅值在不同頻率上的分布，縱坐標(biāo)表示心電信號(hào)某一頻率處的幅值在不同采樣點(diǎn)處的分布。S變換結(jié)果為200×45的復(fù)數(shù)矩陣，如果直接取這些數(shù)據(jù)作為特征，必然會(huì)增加計(jì)算難度。為此本文從幅值和角度方面做了分析，結(jié)果如圖3所示。其中圖3(a)為頻率對(duì)應(yīng)最大幅值曲線，即S-matrix矩陣每行中的最大幅值。從圖3(a)中可看出LBBB、RBBB、PVC、VFW及VEB幅度最大的頻率成分主要集中在20 Hz范圍內(nèi)；NORM、PB和APB幅度最大的頻率成分主要集中在60 Hz范圍內(nèi)；而且只有NORM和APB幅度最大值點(diǎn)對(duì)應(yīng)頻率在20 Hz左右，其他類型心拍對(duì)應(yīng)頻率都遠(yuǎn)小于20 Hz。圖3(b)是頻率對(duì)應(yīng)幅值標(biāo)準(zhǔn)差曲線，可以看出，除NORM、APB、PB和VFW各頻率對(duì)應(yīng)幅值在3～40 Hz范圍外，其余4種類型心拍各頻率對(duì)應(yīng)幅值變化均在3～20 Hz范圍內(nèi)。

S變換保留了各頻率分量的絕對(duì)相位信息，而小波變換不具有此特性，因此本文提取S變換的相位作為特征。圖4(a)為頻率對(duì)應(yīng)最大相位曲線，即圖3(a)中每個(gè)點(diǎn)對(duì)應(yīng)的相位，可以看出每種心拍頻率對(duì)應(yīng)最大幅值的相位變換趨勢(shì)不同，而且在大約45 Hz以后不再有太大變化；圖4(b)是頻率對(duì)應(yīng)相位標(biāo)準(zhǔn)差曲線，即S-matrix矩陣的每行所有點(diǎn)的相位標(biāo)準(zhǔn)差，可以看出在10 Hz以內(nèi)只有RBBB、APB和VEB相位存在變化，其他類型心拍相位標(biāo)準(zhǔn)差為0。

圖4　S變換頻率對(duì)應(yīng)的相位特性Fig．4　Phase-frequency characteristics of S-transform

研究表明，ECG的能量主要集中在0.5～45 Hz[18]，因此選取圖3(a)中45 Hz范圍內(nèi)的頻率對(duì)應(yīng)最大幅值作為特征，選取圖3(b)中3～40 Hz范圍內(nèi)的頻率對(duì)應(yīng)幅值標(biāo)準(zhǔn)差作為特征,選取圖4中45 Hz范圍內(nèi)的頻率對(duì)應(yīng)最大相位值和頻率對(duì)應(yīng)相位標(biāo)準(zhǔn)差作為特征。

綜上所述，本文將提取到的4個(gè)RR間隔、25個(gè)形態(tài)特征和101個(gè)時(shí)頻特征組成130維原始特征向量。

2.4　特征選擇

ReliefF是一種計(jì)算特征權(quán)重的Filter式特征選擇算法，其思想為：通過(guò)計(jì)算特征對(duì)同類近鄰樣本與異類近鄰樣本之間的差異來(lái)賦予特征權(quán)重[19]。

遺傳算法是一種借鑒生物界適者生存、優(yōu)勝劣汰進(jìn)化思想形成的尋優(yōu)算法。在使用遺傳算法做特征選擇時(shí)，用一串長(zhǎng)度為d(d為原始特征向量維數(shù))的二進(jìn)制串結(jié)構(gòu)(稱為染色體或個(gè)體)表示1個(gè)特征組合，1表示對(duì)應(yīng)的特征被選中，0表示對(duì)應(yīng)的特征未被選中。以N個(gè)個(gè)體組成的初始種群為基礎(chǔ)，根據(jù)個(gè)體適應(yīng)度好壞進(jìn)行選擇、交叉和變異操作得到下一代，如此反復(fù)循環(huán)，直到滿足終止條件，然后輸出適應(yīng)度最好的個(gè)體作為最終的特征。

本文將遺傳算法和SVM結(jié)合組成Wrapper法進(jìn)行特征選擇。由于好的初始種群可以為遺傳算法提供良好的搜索起點(diǎn)[20]，本文采用ReliefF算法先計(jì)算出特征權(quán)重并根據(jù)其大小指導(dǎo)種群初始化，為搜索提供一個(gè)好的起點(diǎn)，加快特征選擇的速度。特征選擇的流程圖如圖5所示，具體實(shí)現(xiàn)步驟如下：

圖5　特征選擇流程圖Fig．5　Flow chart of feature selection process

步驟1計(jì)算特征權(quán)重，使用ReliefF算法計(jì)算原始特征向量中每個(gè)特征的權(quán)重。

步驟2初始化種群，首先設(shè)置種群個(gè)體數(shù)量N。根據(jù)步驟1計(jì)算出的特征權(quán)重指導(dǎo)種群初始化，即讓特征權(quán)重大小決定該特征在染色體個(gè)體中對(duì)應(yīng)位為1的概率，設(shè)權(quán)重最大的特征被選中的概率為p1，權(quán)重最小的特征被選中的概率為p2，然后按等差數(shù)列求出其余特征被選中的概率。

步驟3計(jì)算個(gè)體適應(yīng)度，使用分類器的分類準(zhǔn)確率ri作為第i個(gè)個(gè)體的適應(yīng)度。

步驟4判斷是否滿足收斂條件(最大迭代次數(shù)G設(shè)置為100)，若滿足，經(jīng)個(gè)體解碼得到最優(yōu)特征向量，不滿足則重復(fù)步驟4～7。

步驟6交叉操作，根據(jù)交叉概率pc交叉種群中個(gè)體產(chǎn)生新個(gè)體。

步驟7變異操作，根據(jù)變異概率pm改變個(gè)體中某位的值產(chǎn)生新個(gè)體。

遺傳算法初始化種群中個(gè)體數(shù)量太大，勢(shì)必增加計(jì)算量，降低運(yùn)行效率；如果數(shù)量太小，雖然提高了運(yùn)行速度，但種群的多樣性被減弱，降低了遺傳算法的優(yōu)化質(zhì)量，種群個(gè)體數(shù)量一般為20～100；交叉操作是產(chǎn)生新個(gè)體主要途徑，所以交叉概率取值較大，一般取0.4～0.99；變異操作在一定程度上增加了遺傳算法的局部搜索能力，如果變異概率太大，會(huì)使遺傳算法變成隨機(jī)搜索，一般取0.000 1～0.1；本文遺傳算法參數(shù)根據(jù)經(jīng)驗(yàn)值[21,22]，并兼顧種群多樣性和運(yùn)行效率設(shè)定：初始化種群N=40、交叉概率pc=0.9和變異概率pm=0.01。在根據(jù)特征權(quán)重大小初始化種群時(shí)，p1>0.5>p2，p1越接近1表示權(quán)重最大的特征出現(xiàn)的概率大，p2越接近0表示權(quán)重最小的特征出現(xiàn)的概率越小。實(shí)際中為了保持各個(gè)特征出現(xiàn)概率不會(huì)相差太大并保持適當(dāng)梯度，p1不宜太大、p2不宜太小[23]，本文選p1=0.8，p2=0.3。

2.5　多分類SVM

為了使SVM能夠解決多分類問(wèn)題，通過(guò)一定策略使用多個(gè)二分類SVM構(gòu)造多分類SVM，常見(jiàn)策略有：一對(duì)一策略(One against one, OAO)和一對(duì)多策略(One against all, OAA)。由于兩種策略在分類準(zhǔn)確性上接近且OAA在構(gòu)建多分類SVM時(shí)需要的二分類SVM少，本文采用“一對(duì)多”策略。

3　實(shí)驗(yàn)結(jié)果與分析

從MIT數(shù)據(jù)庫(kù)存在MLII導(dǎo)聯(lián)記錄的45個(gè)記錄文件中抽取待分類的8種類型心拍，具體實(shí)驗(yàn)數(shù)據(jù)集的組成如表1所示。采用靈敏度(Sensitivity,ST)、特異性(Specificity,SF)和準(zhǔn)確率(Accuracy,AC)評(píng)估分類性能，計(jì)算公式如式(9～11)所示，其中TP、TN、FP和FN分別表示真陽(yáng)性、真陰性、假陽(yáng)性和假陰性。

ST=TP/(TP+FN)×100

(9)

SF=TN/(TN+FP)×100

(10)

AC=(TP+TN)/(TP+FN+FP+FN)×100

(11)

為了考查本文所使用的特征選擇方法(ReliefF-GA-SVM)相對(duì)于其他特征降維方法所得到的特征子集對(duì)分類性能的影響，增加了原始特征向量、特征抽取法SNGA-KPCA[24]、Filter法FM-Relief[25]和Wrapper法RF-MI[26]對(duì)比實(shí)驗(yàn)。

表1　實(shí)驗(yàn)數(shù)據(jù)集組成

表2給出了使用不同特征選擇方法進(jìn)行特征降維后的分類性能，可見(jiàn)SNGA-KPCA大大減少了特征維數(shù)，但其準(zhǔn)確率比原始特征向量差，準(zhǔn)確率為95.72%。FM-Relief和RF-MI的準(zhǔn)確率比原始特征向量好，但降低的維數(shù)較少。本文使用的特征選擇方法準(zhǔn)確率最高，為99.81%，明顯高于原始特征向量；并且降維后的特征數(shù)量為71，在所有方法中最少，其中RR間隔特征在降維后仍為4個(gè)，形態(tài)特征由25個(gè)被降維到16個(gè)，時(shí)頻特征由101被降維到51個(gè)。

表2　不同特征選擇方法下的分類性能

以上結(jié)果說(shuō)明，SNGA-KPCA通過(guò)非線性映射將原始特征向量所在空間變換到線性可分的高維空間進(jìn)行主成分析，在大大減少特征維數(shù)的同時(shí)也丟失掉了一些信息，因而降低了分類的性能。在特征選擇方面，由于本文使用的特征選擇方法和RF-MI都是Wrapper法在特征選擇過(guò)程中依賴分類結(jié)果，所以相對(duì)于使用FM-Relief算法的Filter法，能選出更重要的特征，獲得更高的準(zhǔn)確率。使用FM-Relief算法的Filter式特征選擇方法的分類準(zhǔn)確率提高不多，降維的效果也有限，主要因?yàn)镕M-Relief算法在計(jì)算特征權(quán)重時(shí)依據(jù)特征對(duì)近距離樣本的區(qū)分能力而非分類結(jié)果，只能粗略地得出特征權(quán)重。本文使用的特征選擇方法優(yōu)于RF-MI，原因在于RF-MI通過(guò)ReliefF和互信息結(jié)合分類性能分兩次尋找閾值只能達(dá)到局部最優(yōu)，不能達(dá)到全局最優(yōu)。從本文特征選擇方法降維后的效果看，作為最常用的特征RR間隔最為重要，形態(tài)特征次之，同時(shí)也驗(yàn)證了這兩種特征是專家診斷時(shí)需要的重要特征，時(shí)頻特征雖有較多無(wú)關(guān)特征但也是一種計(jì)算機(jī)輔助診斷的重要特征。

表3列出了在相同實(shí)驗(yàn)環(huán)境下，本文使用ReliefF-GA-SVM算法與不采用ReliefF算法隨機(jī)初始化種群的基本遺傳算法在特征選擇時(shí)間和預(yù)測(cè)準(zhǔn)確率上的性能。可以看出本文使用ReliefF-GA-SVM算法具有更高的預(yù)測(cè)準(zhǔn)確率和更短的特征選擇時(shí)間。

表4為本文使用ReliefF-GA-SVM方法對(duì)不同類型心拍的分類性能。由表4可以看出，本文使用的ReliefF-GA-SVM方法特異性和準(zhǔn)確率基本都達(dá)到99%；靈敏度都達(dá)到91%以上，其中NORM、LBBB、RBBB、PB達(dá)到了99%。APB的靈敏度低于90%的原因在于MIT數(shù)據(jù)中1個(gè)病人同時(shí)存在心動(dòng)

表3　ReliefF-GA-SVM與基本遺傳算法性能對(duì)比

表4　ReliefF-GA-SVM方法對(duì)不同類型心拍的分類性能

過(guò)緩和房性早搏(APB)癥狀，導(dǎo)致該病人的APB心拍與其他病人的NORM心拍在特征上相似，造成錯(cuò)檢。

表5列出了本文分類算法和其他分類算法所支持的心拍種類以及分類的準(zhǔn)確率。其他分類算法分別為文獻(xiàn)[1]的PCA-ELM法、文獻(xiàn)[3]的HOC-NN法、文獻(xiàn)[5]的CSD-SVM法、文獻(xiàn)[7]的DTCWT-ANN法和文獻(xiàn)[9]的Gabor-KNN法，這些方法可識(shí)別的心拍種類都少于本文算法，并且準(zhǔn)確率都低于本文算法；在同樣區(qū)分出8種心拍的情況下，本文算法的準(zhǔn)確率高出文獻(xiàn)[9]方法。

表5　不同方法的分類性能比較

4　結(jié)束語(yǔ)

本文利用S變換、特征選擇方法和SVM實(shí)現(xiàn)心律失常分類。通過(guò)分析ECG信號(hào)存在頻率范圍內(nèi)的S變換頻率對(duì)應(yīng)的幅度和相位，發(fā)現(xiàn)了其對(duì)不同種類心拍有較好的區(qū)分能力，提取了S變換的幅度與相位作為時(shí)頻特征，并與RR間隔和形態(tài)特征一起組成特征向量。使用遺傳算法和SVM組成的Wrapper法對(duì)其進(jìn)行特征選擇，并利用ReliefF算法提供的特征權(quán)重先驗(yàn)知識(shí)初始化遺傳算法種群。采用“一對(duì)多”SVM對(duì)MIT-BIH心律失常數(shù)據(jù)庫(kù)的8種心拍類型進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，本文提出的ReliefF-GA-SVM特征選擇算法在分類準(zhǔn)確率和降維效果上優(yōu)于其他3種方法，同時(shí)特征選擇花費(fèi)的時(shí)間少于基本遺傳算法。然而，目前S變換在心律失常分類上研究較少，如何進(jìn)一步利用S變換及其變形、減少S變換計(jì)算復(fù)雜度和提高特征選擇速度是下一步需要深入研究的工作。

參考文獻(xiàn):

[1]Kim J, Hang S S, Shin K, et al. Robust algorithm for arrhythmia classification in ECG using extreme learning machine [J]. Biomedical Engineering Online, 2009, 8(1): 31.

[2]De C P, Reilly R B. A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features[J]. IEEE Transactions on Biomedcal Engineering, 2006, 53(1):2535-2543.

[3]Martis R J, Acharya U R, Lim C M, et al. Application of higher order cumulant features for cardiac health diagnosis using ECG signals [J]. International Journal of Neural Systems, 2013, 23(4):806-839.

[4]Owis D M I, Youssef A B M, Kadah Y M. Characterisation of electrocardiogram signals based on blind source separation [J]. Medical & Biological Engineering & Computing, 2002, 40(5):557-564.

[5]Khalaf A F, Owis M I, Yassine I A. A novel technique for cardiac arrhythmia classification using spectral correlation and support vector machines [J]. Expert Systems with Applications, 2015, 42(21):8361-8368.

[6]Tsipouras M G, Fotiadis D I. Automatic arrhythmia detection based on time and time-frequency analysis of heart rate variability [J]. Computer Methods & Programs in Biomedicine, 2004, 74(2):95-108.

[7]Thomas M, Das M K, Ari S. Automatic ECG arrhythmia classification using dual tree complex wavelet based features [J]. AEU-International Journal of Electronics and Communications, 2015, 69(4):715-721.

[8]Das M K, Ari S. Electrocardiogram beat classification using S-transform based feature set [J]. Journal of Mechanics in Medicine & Biology, 2014, 14(5):396-411.

[9]黃惠芳, 胡廣書. 基于Gabor變換特征選擇的ECG心拍分類 [J]. 清華大學(xué)學(xué)報(bào):自然科學(xué)版, 2010(3):442-445.

Huang Huifang, Hu Guangshu. Electrocardiogram beat classification based on the feature selection of Gabor transform[J]. Journal of Tsinghua University (Science and Technology), 2010, 50(3):442-445.

[10] Nasiri J A, Naghibzadeh M, Yazdi H S, et al. ECG arrhythmia classification with support vector machines and genetic algorithm[C]// EMS 2009, Third UKSim European Symposium on Computer Modeling and Simulation. Athens, Greece:[s.n.],2009:187-192.

[11] 劉全金, 趙志敏, 李穎新. 基于特征間距的二次規(guī)劃特征選取算法[J]. 數(shù)據(jù)采集與處理, 2015, 30(1):126-136.

Liu Quanjin, Zhao Zhimin, Li Yingxin. Feature selection algorithm based on quadratic programming with margin between features [J]. Journal of Data Acquisition & Processing, 2015, 30(1):126-136.

[12] 張嘉偉. 心電圖形態(tài)特征的識(shí)別及其在分類中的作用研究 [D]. 上海：華東師范大學(xué)軟件學(xué)院, 2011.

Zhang Jiawei. Research on ECG morphological features recognition and its effect to classification [D]. Shanghai: School of Computer Software, East China Normal University, 2011.

[13] Stockwell R G. Why use the S-transform? [C]. ISAAC Workshop. Toronto, Canada:AMS,2007, 52: 279-309.

[14] Stockwell R G, Mansinha L, Lowe R P. Localization of the complex spectrum: The S transform [J]. Signal Processing IEEE Transactions on, 1996, 44(4):998-1001.

[15] Cortes C, Vapnik V. Support-vector networks [J]. Machine Learning, 1995, 20(3):273-297.

[16] Moody G B, Mark R G. The impact of the MIT-BIH arrhythmia database[J]. IEEE Engineering in Medicine & Biology Magazine, 2001, 20(3):45-50.

[17] De C P, Dwyer M O, Reilly R B. Automatic classification of heartbeats using ECG morphology and heartbeat interval features [J]. IEEE Transactions on Bio-medical Engineering, 2004, 51(7):1196-1206.

[18] 胡廣書, 汪夢(mèng)蝶. 生物醫(yī)學(xué)信號(hào)處理研究綜述[J]. 數(shù)據(jù)采集與處理, 2015, 30(5):915-932.

Hu Guangshu, Wang Mengdie. Survey on biomedical signal processing [J]. Journal of Data Acquisition & Processing, 2015, 30(5):915-932.

[19] Kononenko I. Estimating attributes: Analysis and extensions of RELIEF [J]. Lecture Notes in Computer Science, 1994, 784:356-361.

[20] 劉奕晨, 王毅, 牛奕龍,等. 基于標(biāo)準(zhǔn)差的自適應(yīng)激素調(diào)節(jié)遺傳算法[J]. 數(shù)據(jù)采集與處理, 2012, 27(3):333-339.

Liu Yichen, Wang Yi, Niu Yilong, et al. An adaptive genetic algorithm based on hormone regulation [J]. Journal of Data Acquisition & Processing, 2012, 27(3):333-339.

[21] 李敏強(qiáng), 寇紀(jì)淞. 遺傳算法的基本理論與應(yīng)用[M]. 北京:科學(xué)出版社, 2003:163-215.

Li Minqiang, Kou Jisong. The basic theory and application of genetic and algorithm [M]. Beijing: Science Press, 2003: 163-215.

[22] 劉新平, 薛希文. 基于改進(jìn)LS-SVM的隨鉆測(cè)量數(shù)據(jù)傳輸誤碼率預(yù)測(cè)[J]. 數(shù)據(jù)采集與處理, 2014, 29(5):790-794.

Liu Xinping, Xue Xiwen. Prediction of error rate in measurement-while-drilling data transmission based on improved LS-SVM method[J]. Journal of Data Acquisition & Processing, 2014, 29(5):790-794.

[23] 周志紅, 周新聰, 袁成清. 基于過(guò)濾器-封裝器組合模型的故障特征選擇算法 [J]．中國(guó)機(jī)械工程, 2007，18(16):1988-1991.

Zhou Zhihong, Zhou Xincong, Yuan Chengqing. A novel hybrid filter-wrapper algorithm of feature selection for fault diagnosis[J]. China Mechanical Engineering, 2007，18(16):1988-1991.

[24] Feng Zhigang, Xu Tao. Fault feature extraction of ground-testing bed based on SNGA optimized KPCA [C]// International Conference on Computer Science and Service System. [S.l.]:IEEE, 2011:3244-3247.

[25] Deng Z, Chung F L, Wang S. Robust relief-feature weighting, margin maximization, and fuzzy optimization[J]. IEEE Transactions on Fuzzy Systems, 2010, 18(4):726-744.

[26] Yang F, Cheng W, Dou R, et al. An improved feature selection approach based on ReliefF and mutual information[C]// International Conference on Information Science and Technology. [S.l.]:IEEE, 2011:246-250.