基于物聯(lián)網(wǎng)的便攜式心電信號(hào)模糊診斷儀器的設(shè)計(jì)

王凱，徐濟(jì)成，張鈺 蚌埠醫(yī)學(xué)院 衛(wèi)生管理學(xué)院，蚌埠市，33030 安徽農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，合肥市，3007

0 引言

隨著無線傳感器網(wǎng)絡(luò)和嵌入式技術(shù)的快速發(fā)展，基于物聯(lián)網(wǎng)的信號(hào)分析與監(jiān)測(cè)系統(tǒng)能夠快速而準(zhǔn)確地記錄患者的生理信號(hào)，并通過信號(hào)分析達(dá)到檢測(cè)相關(guān)疾病的目的[1]。便攜式心電信號(hào)分析系統(tǒng)（Portable ECG Signal Analysis System，PESAS）在健康風(fēng)險(xiǎn)評(píng)估和慢性心臟病診斷領(lǐng)域中都得到廣泛應(yīng)用[2]。PESAS的主要工作流程是首先利用可穿戴傳感器產(chǎn)生原始信號(hào)，然后識(shí)別出波型特征，經(jīng)短距離通信發(fā)送到可穿戴設(shè)備，再采用特征分類算法獲取不同信號(hào)的分類信息，最后通過廣域連接發(fā)送到可穿戴設(shè)備，從而實(shí)現(xiàn)心臟疾病的診斷。

影響PESAS分類效果的核心環(huán)節(jié)是心電信號(hào)的特征提取與特征分類[3]。目前使用較為廣泛的特征提取技術(shù)包括形態(tài)學(xué)和幾何波形分析、小波變換、傅立葉變換以及非線性變換等。特征分類方法包括模糊邏輯方法、人工神經(jīng)網(wǎng)絡(luò)、隱馬爾可夫模型、遺傳算法以及支持向量機(jī)等。上述方法雖然能夠有效地識(shí)別心電信號(hào)的部分特征分量，但存在著兩方面的缺陷：一是心電信號(hào)的分類效果對(duì)特征向量的依賴度較高，二是在物聯(lián)網(wǎng)的環(huán)境下算法的計(jì)算成本較高，時(shí)效性較差。

本文針對(duì)物聯(lián)網(wǎng)嵌入式平臺(tái)的特點(diǎn)，重點(diǎn)研究了基于心跳診斷的心電圖分類算法，并在基于Intel架構(gòu)的開發(fā)板Galileo平臺(tái)上設(shè)計(jì)了心電信號(hào)的實(shí)時(shí)分類模型，提出了一種基于物聯(lián)網(wǎng)的便攜式心電信號(hào)模糊診斷方法。本方法主要包括信號(hào)預(yù)處理模塊、心電特征向量抽取模塊以及心電信號(hào)分類模塊。通過選取MITBIH心律失常數(shù)據(jù)庫(kù)的真實(shí)數(shù)據(jù)，實(shí)現(xiàn)了心電信號(hào)的實(shí)時(shí)監(jiān)測(cè)與分析，達(dá)到了較高的分類準(zhǔn)確率。

1 心電信號(hào)模糊診斷裝置核心框架

心電信號(hào)模糊診斷裝置通過在線離散小波變換（DWT）獲取待檢測(cè)心電信號(hào)的特征向量，然后通過計(jì)算心電信號(hào)模糊信息熵，構(gòu)建基于模糊隸屬度的心電模糊背景，刪除無關(guān)的特征屬性向量，最后利用歐氏距離對(duì)心電信號(hào)進(jìn)行加權(quán)相似度計(jì)算，得到異常信號(hào)的分類信息。

心電信號(hào)模糊診斷裝置主要包括三個(gè)核心模塊：信號(hào)預(yù)處理模塊、特征向量抽取模塊以及信號(hào)分類模塊。信號(hào)預(yù)處理模塊的功能是去除心電信號(hào)中的電磁噪音與基線漂移。特征向量抽取模塊分為離線訓(xùn)練模式和在線處理模式，在離線訓(xùn)練模式下，使用Matlab環(huán)境下的WFDB工具箱函數(shù)，提取MIT-BIH心律失常數(shù)據(jù)庫(kù)中的45種帶有診斷標(biāo)簽信號(hào)的QRS波、T波等波形特征屬性，同時(shí)在線模式下提取待檢測(cè)波的對(duì)應(yīng)波段的特征屬性。信號(hào)分類模塊將心電特征向量作為信號(hào)分類的特征屬性，通過構(gòu)建基于模糊信息熵的模糊背景，建立待檢測(cè)波與標(biāo)準(zhǔn)波之間的分類映射關(guān)系，并通過計(jì)算其歐式距離，給出不同波形間的相似度距離，從而得到不同閾值下的信號(hào)診斷結(jié)果。心電信號(hào)模糊診斷裝置的核心框架，如圖1所示。

圖1 信號(hào)分析核心框架圖Fig.1 Signal analysis core framework

2 核心功能模塊

2.1 信號(hào)預(yù)處理

信號(hào)預(yù)處理模塊主要通過消除心電信號(hào)的噪聲，獲取均勻化分割的心拍[4]。為實(shí)現(xiàn)上述目的，本模塊可以細(xì)化為三個(gè)子模塊：基線漂移去除、高頻降噪以及信號(hào)的均勻分割。在去除基線漂移時(shí)，針對(duì)T波的波段特點(diǎn)，使用采樣頻率為250 Hz的直線型元素信號(hào)采樣點(diǎn)進(jìn)行形態(tài)化濾波[5]；結(jié)合小波閾值變化的方法[6]，對(duì)信號(hào)進(jìn)行小波變換，獲取降噪后的心電信號(hào)。在變換之后，在每個(gè)尺度下計(jì)算均方根（RMS）以便檢測(cè)QRS的起始和偏移位置；為優(yōu)化信噪比，選擇246個(gè)采樣點(diǎn)作為窗口寬度，將心電信號(hào)劃分成均勻心拍單元，用于檢測(cè)R峰的中心位置。

2.2 特征向量抽取

特征向量抽取模塊依據(jù)MIT-BIH數(shù)據(jù)庫(kù)提供的心肌梗死、傳導(dǎo)阻滯以及應(yīng)激綜合征等五種常見心電異常信號(hào)的波形特征，選取QRS波群寬大、T波異常形態(tài)（倒置或雙向）以及ST段異常形態(tài)（ST段升高或降低）等特征作為信號(hào)異常的判定指標(biāo)。各判定指標(biāo)的抽取方法如下。

2.2.1 QRS波群寬大

首先通過在線離散小波變換（DWT）檢測(cè)信號(hào)的異常數(shù)據(jù)點(diǎn)，分析發(fā)現(xiàn)QRS波群在尺度為8的窗口下波形振幅最大。然后使用Matlab的wqrs函數(shù)查找QRS波群分割點(diǎn)，并結(jié)合rdsamp函數(shù)返回的信號(hào)采樣間隔矢量信息，將波群區(qū)間db-de≥32的QRS波段確定為QRS波群寬大，其中db、de分為表示QRS波群的起始采樣點(diǎn)與結(jié)束采樣點(diǎn)。檢測(cè)示意圖如圖2所示。

圖2 QRS波群示意圖Fig.2 QRS complex diagram

2.2.2 T波異常形態(tài)

為確定T波的有效區(qū)間范圍，使用小波變換方法確定波形在尺度為16的窗口下含有極值點(diǎn)，分別計(jì)算正負(fù)極大值。然后利用Matlab的ecgpuwave函數(shù)查找T波的峰值，并依據(jù)極值統(tǒng)計(jì)函數(shù)返回值的奇偶性，確定T波的特征形態(tài)。檢測(cè)示意圖如圖3所示。

圖3 T波示意圖Fig.3 T wave schematic

2.2.3 ST段異常形態(tài)

利用已獲得的QRS波群和T波位置信息，確定ST段的起止采樣點(diǎn)，并使用文獻(xiàn)[7]的斜率擬合方法，計(jì)算ST段中（初始點(diǎn)，中位點(diǎn)）以及（中位點(diǎn)，結(jié)束點(diǎn)）的直線斜率L1，L2。ST段升高的判定條件是：1/2＜|L1|＜1且|L2|＞1；ST段降低的判定條件是： |L1|＞1且|L2|＞1。檢測(cè)示意圖如圖4所示。

圖4 ST段示意圖Fig.4 ST segment schematic

2.3 信號(hào)分類

信號(hào)分類模塊首先通過構(gòu)建模糊背景，建立疾病與相關(guān)屬性間的映射關(guān)系，計(jì)算異常心電信號(hào)的隸屬度，獲取不同疾病的特征屬性值；再計(jì)算心電信號(hào)的模糊信息熵，確定信號(hào)特征之間的差異程度；最后使用歐氏距離方法獲取心電信號(hào)的分類關(guān)系，實(shí)現(xiàn)異常心電信號(hào)的診斷。

2.3.1 模糊背景構(gòu)建

心電信號(hào)的模糊背景包含了信號(hào)分類與診斷的模糊關(guān)聯(lián)信息[8]。構(gòu)建模糊背景能夠表達(dá)疾病與特征向量之間的隸屬度關(guān)系，有效提升分類診斷的準(zhǔn)確性。本模塊將QRS波群寬大、T波異常形態(tài)以及ST段異常形態(tài)等特征作為模糊背景的屬性，將心肌梗死、傳導(dǎo)阻滯以及應(yīng)激綜合征等五種疾病作為模糊背景的對(duì)象，建立滿足對(duì)象與屬性之間的隸屬度關(guān)系。為量化模糊背景中對(duì)象與屬性之間的隸屬度關(guān)系，引入隸屬度變量αi表示疾病依賴于某種特征屬性的概率，具體計(jì)算方法，如式(1)所示。

式中Count(Ai)表示統(tǒng)計(jì)特征向量Ai在某種疾病中出現(xiàn)的次數(shù)；Count(A)表示某種疾病所含的心拍總數(shù)。表1是提取MIT-BIH心律失常數(shù)據(jù)庫(kù)中的45種帶有診斷標(biāo)簽信號(hào)的模糊背景。

表1 模糊背景Tab.1 Fuzzy context

2.3.2 歐氏距離計(jì)算

心電信號(hào)的模糊信息熵能夠客觀反應(yīng)疾病（對(duì)象）與特征屬性間的不確定程度，不同疾病之間的相似度往往與各自特征屬性的聚類程度有關(guān)。因此，本文將疾病包含某一屬性的概率作為信號(hào)分類的基礎(chǔ)，通過定義心電信號(hào)的模糊信息熵，給出信號(hào)分類的歐式距離模型。其中歐氏距離定義如式（2）所示。

式（2）中（X1，X2）表示疑似疾病特征屬性和待確定信號(hào)特征屬性；F(X1，X2)表示疑似疾病信號(hào)與待確定信號(hào)的關(guān)聯(lián)模糊信息熵，具體定義如式（3）所示。

式（3）中E(X1)和E(X2)分別表示各自信號(hào)的模糊信息熵，具體定義如式（4）所示。

式（4）中P(Aj/B)表示對(duì)象B包含屬性Aj的概率；m的取值范圍是[1, 3]，代表三種不同的屬性特征。

3 軟件設(shè)計(jì)

該系統(tǒng)在Galileo平臺(tái)上使用C語(yǔ)言編程，軟件系統(tǒng)主要包括三個(gè)子模塊：信號(hào)捕捉設(shè)備、信號(hào)模糊診斷設(shè)備以及遠(yuǎn)程處理與分析設(shè)備。系統(tǒng)整體設(shè)計(jì)流程，如圖5所示。

圖5 系統(tǒng)整體設(shè)計(jì)流程圖Fig.5 Overall design flow chart

該系統(tǒng)的信號(hào)捕捉、處理與分析的軟件設(shè)計(jì)采用C++語(yǔ)言編寫，信號(hào)模糊診斷部分采用C語(yǔ)言編寫，依據(jù)實(shí)時(shí)采集的心電信號(hào)獲取心電特征向量，計(jì)算心電信號(hào)模糊信息熵，最后獲取心電信號(hào)的語(yǔ)義距離，得到異常信號(hào)的分類信息。系統(tǒng)的信號(hào)模糊診斷界面，如圖6所示。

圖6 信號(hào)分類軟件Fig.6 Signal classification software

4 實(shí)驗(yàn)設(shè)計(jì)與分析

4.1 實(shí)驗(yàn)設(shè)計(jì)

為有效驗(yàn)證分類方法的準(zhǔn)確率與時(shí)效性，本文選取MIT-BIH心律失常數(shù)據(jù)庫(kù)中200個(gè)帶診斷標(biāo)記的數(shù)據(jù)，用于分析本模型的綜合性能。實(shí)驗(yàn)共分成兩部分：首先將本模型的分類結(jié)果與實(shí)際標(biāo)注類型對(duì)比分析，評(píng)估方法的準(zhǔn)確性；其次分析本模型中五組疾病對(duì)象在200個(gè)算例中的時(shí)間計(jì)算成本，評(píng)價(jià)本模型算法的時(shí)效性。

實(shí)驗(yàn)采用英特爾的32位單線程Quark SoC X1000芯片，Pentium（P54C / i586）指令集架構(gòu)（ISA）。該芯片具有低功耗的特點(diǎn)，主要面向物聯(lián)網(wǎng)和可穿戴計(jì)算等。板載以太網(wǎng)端口提供網(wǎng)絡(luò)連接，同時(shí)底部還提供mini-PCI Express插槽，可在無線網(wǎng)卡上添加Wi-Fi連接。

4.2 實(shí)驗(yàn)結(jié)果與討論

表2給出了部分波形分類的計(jì)算準(zhǔn)確性結(jié)果，統(tǒng)計(jì)本模型的整體分類準(zhǔn)確率為82.1%，其中序號(hào)4和7的心電信號(hào)分類結(jié)果與實(shí)際標(biāo)注的結(jié)果不一致，原因是本文提出的分類算法依賴于心電信號(hào)的模糊信息熵，而模糊信息熵與特征向量抽取的準(zhǔn)確性高度相關(guān)，由于序號(hào)5和7抽取的特征向量準(zhǔn)確率較低，從而降低了分類的準(zhǔn)確性。表3顯示了異常信號(hào)分類流程中每個(gè)階段的執(zhí)行時(shí)間平均值和總執(zhí)行時(shí)間的百分比。依據(jù)表3可知，

表2 部分分類結(jié)果的準(zhǔn)確性評(píng)價(jià)Tab.2 Accuracy evaluation of partial classification results

總執(zhí)行時(shí)間遠(yuǎn)小于讀取信號(hào)樣本所需時(shí)間（約8 s）。

分類算法的時(shí)間與總時(shí)間的平均占比是37.17%，表明所提出的方法可以在線實(shí)時(shí)進(jìn)行。

5 結(jié)束語(yǔ)

該研究提出一種心電圖模糊診斷裝置，并在基于物聯(lián)網(wǎng)的嵌入式平臺(tái)上實(shí)現(xiàn)了心電信號(hào)的半自動(dòng)分類。該裝置具有結(jié)構(gòu)簡(jiǎn)單，系統(tǒng)響應(yīng)時(shí)間短且分類準(zhǔn)確等優(yōu)點(diǎn)，適用于患者24 h連續(xù)監(jiān)測(cè)。后續(xù)的研究將增加本裝置的遠(yuǎn)程交互能力，同時(shí)進(jìn)一步降低算法的時(shí)空復(fù)雜度，提高遠(yuǎn)程監(jiān)護(hù)與實(shí)時(shí)監(jiān)測(cè)的準(zhǔn)確率。

表3 分類結(jié)果的時(shí)效性評(píng)價(jià)Tab.3 Timeliness evaluation of classification results