基于自適應學習的心律失常心拍分類方法

王凱，楊樞，2

1.蚌埠醫(yī)學院衛(wèi)生管理系，安徽蚌埠233030；2.合肥工業(yè)大學信息與計算機學院，安徽合肥233009

前言

為降低心血管疾病引起的死亡率，心臟相關疾病的早期并發(fā)癥檢測與識別越來越受到醫(yī)學領域專家的重視。心律失常是由心臟電脈沖引起的傳導緩慢、阻滯或經(jīng)異常通道傳導的規(guī)律性心率異常［1］。在各種異常中，早期心室收縮（Premature Ventricular Contraction,PVC）是一種危害性較高的心律失常，通常是由心室的異位節(jié)律點發(fā)出激動波使心室提早收縮，即QRS綜合波在P波前出現(xiàn)，是成人中廣泛存在的心律失常形式［2］。臨床上對PVC的評估和治療相對較復雜，針對心血管系統(tǒng)疾病的自動識別，領域專家進行了大量研究。PVC在心電圖（Electrocardiogram,ECG）上的生物特征主要表現(xiàn)為具有異常時序的心跳序列，通過使用已建立的疾病類別關聯(lián)關系，能夠在ECG記錄中標記心拍序列，從所得序列中確定ECG信號的節(jié)拍屬性，達到相關疾病的診斷與識別目的。

基于ECG的PVC心律失常分類方法，研究多采用時頻分析技術、統(tǒng)計測量等混合方法。文獻［3］應用動態(tài)貝葉斯網(wǎng)絡進行PVC分類，分類過程中使用簡單的決策規(guī)則，適用于嵌入式分類監(jiān)測。文獻［4］使用基于神經(jīng)網(wǎng)絡的分類方案檢測PVC，比較了PVC聚類的學習和分類技能，提取了10個ECG結構特征，設計了一種用于PVC識別的低復雜度數(shù)據(jù)自適應方法。文獻［5］著重于PVC檢測的多層次學習模型，提出了一種使用多支路學習和支持向量機（Support Vector Machine,SVM）的PVC識別方法。文獻［6］提出了基于神經(jīng)網(wǎng)絡的ECG模式識別方法，通過Nearest Neighbo（NN）分類器對PVC進行分類，并使用小波變換來提取心電圖數(shù)據(jù)的形態(tài)學特征。文獻［7］使用獨立分量分析（Independent Component Analysis,ICA）進行特征提取，采用k-means和Fuzzy C-Means（FCM）分類器來識別PVC節(jié)拍。文獻［8］采用貝葉斯正則化反向傳播訓練模型，通過優(yōu)化多特征最優(yōu)解模型，提高臨床ECG信號標注的準確性。ECG心拍分類算法能夠有效降低PVC心律失常的臨床檢測難度，簡化記錄和分析的工作量，逐漸成為領域專家研究的熱點方向。目前基于ECG的心拍自動分類算法主要分為3大類：基于ECG信號特征識別的方法、分類器模型方法以及自適應模型分類過濾算法。

然而，上述方法在提取ECG信號特征時將信號波形的線性判別與聚類模型相結合，雖然在分類效果上有所提高，卻降低了分類器的樣本外點處理能力，無法有效處理變化的樣本數(shù)據(jù)特征識別。本文提出一種面向PVC心拍分類的心電信號分類算法，重點研究基于自適應學習的PVC異常心拍分類特征提取模型，通過計算心拍關聯(lián)后驗概率，按估計置信度排序，獲取極大似然概率估計。自適應分類器使用領域專家的標注信息，提高心跳標簽系統(tǒng)的分類性能。根據(jù)AAMI指南［8］處理心拍分類，使用MITBIH心律失常數(shù)據(jù)庫提供的心拍標簽。訓練分類器，動態(tài)調整分類器參數(shù)，提高整體分類效果。

1 方法

使用MIT-BIH心律失常數(shù)據(jù)庫的非起搏器記錄數(shù)據(jù)，每個記錄包含兩組ECG導聯(lián)信號。采用0.1～100.0 Hz進行帶通濾波，并以360 Hz進行采樣。通過信號預處理，心拍分割獲取規(guī)范化的心拍采樣片段，通過特征提取以及概率權重排序，結合專家注釋標注信息，構建自適應分類器，輸出相關類的分類結果。

1.1 數(shù)據(jù)預處理

ECG信號中的噪聲主要產(chǎn)生于以下幾個方面：EMG噪聲、電力線噪聲、基線漂移和復合噪聲［9］。不同患者的ECG信號顯示出顯著的差異，對計算出的信號振幅波動特征影響較大。執(zhí)行歸一化的預處理操作能夠顯著降低ECG信號的差異。本文將信號的均值設置為零，零均值信號計算如式（1）所示：

其中，y(t)是待計算的信號，是原始ECG，x是x(t)的算術平均值，L是信號長度。使用中值濾波器降低噪聲。中值濾波器是一種簡單的非線性平滑器，可以保持信號邊緣光滑的同時抑制噪聲。濾波信號計算如式（2）所示：

其中，Y(t)是濾波信號，y(t)是輸入信號。應用級聯(lián)低通濾波器從信號中去除頻率分量低于0.5 Hz的信號數(shù)據(jù)，消除基線漂移和電力線噪聲?；€漂移的頻率分量通常低于 0.5 Hz，將頻率限制調整為 2 Hz［10］。通過從適當延遲的輸入信號中減去低通濾波器的輸出，實現(xiàn)信號從低通濾波器到高通濾波器的平穩(wěn)過渡。根據(jù)QRS復合波中R點的位置（根據(jù)濾波后的ECG信號建立每個心拍的R點，從R點右側的100點開始分割）。R點的相關位置組成了MIT-BIH數(shù)據(jù)庫的注釋文件，所選擇的心拍構成了一個7 000×200矩陣。

1.2 選取信號特征集

使用獨立記錄數(shù)據(jù)對系統(tǒng)進行測試，通過多個記錄中的心拍子類估計其分類性能［11］。分類系統(tǒng)示意圖如圖1所示。系統(tǒng)選取的信號特征集主要包括表1的信號數(shù)據(jù)［12］。首先使用初始分類器處理輸入ECG記錄，產(chǎn)生初始的心拍子標簽集；然后將標記的節(jié)拍提交給領域專家，根據(jù)分類需要更正標簽信息，使用校正的標簽計算分類器參數(shù)集合；最后組合新分類器的參數(shù)集合，生成自適應的分類器參數(shù)集合，系統(tǒng)使用已修改的參數(shù)處理剩余未注釋的心拍數(shù)據(jù)。

1.3 心拍分類

采用基于線性判別的分類系統(tǒng)，輸出后驗條件概率，在單次迭代中訓練分類器?；谧赃m應學習的心拍分類算法（Adaptive Learning of the heart Beat Classification,ALHBC）通過后驗概率分析與計算、構造特征矩陣，以分類器參數(shù)的加權平均值以基礎，動態(tài)調整最佳分類器參數(shù)閾值，輸出具有異常時序的心跳分類集合。ALHBC算法的核心步驟描述如下。

圖1 基于自適應學習的心拍分類系統(tǒng)原理圖Fig.1 Schematics of heartbeat classification system based on adaptive learning

表1 自適應分類器特征集Tab.1 Adaptive classifier feature set

1.3.2 計算組合后驗概率 為減少提交給領域專家的心拍數(shù)量，選擇合適的自適應分類器心拍。使用公式（5）計算每個類中心拍的后驗概率，并按降序排列，獲取置信度最高的后驗值Ri，計算公式見公式（6）。高置信度下的非自適應分類器產(chǎn)生的心拍，具有相對較高的Ri。為獲取最佳自適應訓練心拍，將Ri按升序排列，將數(shù)值較低的心拍交專家重新評估，最終輸出組合后驗概率最高的類。

設X為隨機變量，ECG信號波形分布服從概率密度函數(shù)f(x,θ)，利用公式（6）計算的最高后驗概率，構造關于樣本觀測值的似然函數(shù)，極大似然概率估計表示如公式（7）所示：

1.3.3 計算特征矩陣 ECG特征提取與分類是一種涉及基線降噪、心拍分割及特征抽取等的復雜相關性過程。通過構建核心矩陣Z，定義并存儲表1中的特征集合，該矩陣會隨著輸入向量的增加而進行動態(tài)更新。若X1,X2,…,XN∈RN與Y1,Y2,…,YM∈RN分別來自兩個不同的訓練組，核心矩陣Z=X∪Y定義如公式（8）所示，對應的協(xié)變矩陣CMZ定義如公式（9）所示：

針對核心矩陣，可進一步求解其特征值λ和特征向量y，分別定義如公式（10）、（11）所示，上式中α、β分別表示Xi、Yi的特征向量。若Z的元素總數(shù)為k，為便于將數(shù)據(jù)映射到約簡的特征向量空間，分別將上式改寫成公式（12）、（13）所示：

1.3.4 計算分類器參數(shù)加權平均值 獲取自適應分類器的最佳參數(shù)μk和協(xié)方差Σ，選擇合適的心拍，并將其提交給領域專家進行標簽注釋。在訓練初始數(shù)據(jù)參數(shù)記錄后，計算分類器參數(shù)加權平均值，使用公式（14）、（15）確定μ和∑k的加權平均值。

2 實驗與分析

在獲取后驗概率估值后，使用交叉驗證過程估計分類器的綜合性能。為了獲得性能測量的無偏估計，測試數(shù)據(jù)中包括不屬于測試心拍分類信號的數(shù)據(jù)。將所有先驗概率設為1/11，分類條件加權值設置為0.5，由領域專家標注的最佳分類自適應參數(shù)在1到500次心拍之間隨機變動，以適應不同的分類信號采樣。使用MIT-BIH心律失常數(shù)據(jù)庫驗證PVC心跳分類，不平衡比設置為1：100，其中選取200次正常心跳（NOR），200次右束支傳導阻滯（Right Bundle Branch Block,RBBB），200次左束支傳導阻滯（Left Bundle Branch Block,LBBB），200次心房早搏（Atrial Premature,AP）以及200次PVC作為信號的原始特征數(shù)據(jù)。

本實驗包含兩個子實驗，實驗一將所有心律失常心拍無區(qū)別地輸入未知類，重點測試ALHBC算法對異常心拍的分類能力；實驗二重點關注PVC的分類效果，在測試階段添加未知心跳類型，檢測算法對實驗一中PVC類數(shù)據(jù)的分類能力。

實驗一對樣本中的原始數(shù)據(jù)進行特征分解，將特征集分別輸入 SVM［13］、Back Propagation Neural Network（BPNN）［14］以及 Learning Vector Quantization（LVQ）［15］分類模型，并將分類結果與ALHBC算法結果進行橫向比較，實驗結果如圖2所示。在本實驗中，特征提取階段輸出60個特征集合，其中LVQ的準確度為85.31%，SVM準確度為87.44%，BPNN準確度為91.72%，ALHBC算法準確度為92.18%。結果表明通過集成特征提取階段的ALHBC算法能夠解決特征提取與分類數(shù)據(jù)的不一致問題。在非平衡數(shù)據(jù)條件下，對非線性流形結構數(shù)據(jù)具有相對較高的分類準確性。

圖2 心律失常心拍分類結果Fig.2 Arrhythmic heartbeat classification results

實驗二重點分析PVC的分類效果，在測試階段添加未知心跳類型，選取實驗一中分類效果較好的兩種分類模型（ALHBC和BPNN），構建如表2所示的混淆矩陣，其中列數(shù)據(jù)表示實驗預測類，每列總數(shù)為預測該類數(shù)據(jù)總數(shù)；每行表示數(shù)據(jù)的真實歸類，每行總數(shù)為該類別數(shù)據(jù)實例總數(shù)。結果表明ALHBC算法針對的PVC異常心拍分類特征提取較其他分類更加接近真實數(shù)據(jù)分類。

表2 特征分類混淆矩陣Tab.2 Confusion matrix of feature classification

3 總結與討論

本文提出一種自適應心拍分類算法，研究解決ECG形態(tài)變異性的分類指證，構建基于自適應學習的PVC異常心拍分類特征提取模型，實現(xiàn)ECG的自動分類問題。通過計算心拍關聯(lián)后驗概率，結合領域專家標注信息訓練分類器，提高整體分類效果。研究結果表明，所提方法能夠處理非平衡類數(shù)據(jù)特征提取的分類問題，特別針對非線性流形結構數(shù)據(jù)，能夠有效提升小樣本心拍的自適應分類器的準確性。

結合臨床環(huán)境中的實際應用，本文的后續(xù)研究將圍繞分類器參數(shù)的動態(tài)自適應調整問題，改進輸入?yún)?shù)的初始簇最優(yōu)解模型，減少所需領域專家的標簽總數(shù)，提升模型用于復雜條件下的自主學習能力。