基于總體局部均值分解方法的心律失常特征提取與分類

陳敏，王嬈芬

上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海201620

前言

在社會老齡化和城市化進(jìn)程加快、居民不健康生活方式盛行的背景下，中國心血管病患病率和死亡率一直處于不斷上升階段，并呈現(xiàn)出低齡化趨勢且在低收入群體中快速增長及個(gè)體聚集現(xiàn)象［1］。心電圖是人體心電信號的反映，心臟專家通過對心電圖的觀察，可以識別心電信號的異常，從而判斷人體心臟的健康狀況。除醫(yī)院內(nèi)廣泛使用的Holter 心電監(jiān)護(hù)儀外，家用可穿戴心電設(shè)備也逐漸普及［2-3］。這就需要對心電信號進(jìn)行自動(dòng)分類，并且有很好的實(shí)時(shí)性，從而實(shí)現(xiàn)對心臟健康狀況的實(shí)時(shí)監(jiān)測，及時(shí)發(fā)現(xiàn)心律異常并采取相應(yīng)措施［4］。

整個(gè)心電信號自動(dòng)分類過程中，特征提取是至關(guān)重要的部分，眾多學(xué)者對此進(jìn)行了研究。Li等［5］使用小波包和近似熵對心電信號進(jìn)行特征提取，小波分析方法具有多分辨率分析的特點(diǎn)，在時(shí)頻域能有效表征信號的局部特征，但存在小波基函數(shù)的選擇等問題；Rajesh 等［6］使用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition,EMD）方法對心電信號進(jìn)行分解，對得到的IMF 分量進(jìn)行熵等特征的計(jì)算得到特征向量。EMD 是一種自適應(yīng)的信號處理方法，自適應(yīng)分解得到的若干個(gè)IMF分量在時(shí)頻上都有其物理意義。然而EMD分解中會出現(xiàn)端點(diǎn)效應(yīng)、模態(tài)混疊、過包絡(luò)和欠包絡(luò)等問題［7］，針對這些缺點(diǎn)出現(xiàn)過很多改進(jìn)的方法，比如總體經(jīng)驗(yàn)?zāi)B(tài)分解［8］、總體完備經(jīng)驗(yàn)?zāi)B(tài)分解［9-10］等，但是這些改進(jìn)方法依然不能夠有效解決EMD存在的問題。胡健等［11］提出使用新的特征提取方法—— 局部均值分解（Local Mean Decomposition,LMD）方法對心電信號進(jìn)行自適應(yīng)分解，該方法能夠解決EMD方法的端點(diǎn)效應(yīng)、過包絡(luò)、欠包絡(luò)問題，但仍然存在模態(tài)混疊問題。因此本文對LMD 方法進(jìn)行改進(jìn)，提出一種總體局部均值分解（Ensemble Local Mean Decomposition,ELMD）方法，并應(yīng)用ELMD 方法對心電信號進(jìn)行分析。ELMD 方法通過對預(yù)處理后的心電信號多次加入不同的高斯白噪聲后再進(jìn)行局部均值分解，對每次得到的若干個(gè)乘積函數(shù)分量（Product Function,PF）求均值，得到最后的PF 分量。該方法分解得到的PF 分量能夠克服由信號間歇性引起的信號時(shí)頻分布的混疊，即在一個(gè)PF分量中只出現(xiàn)信號相同時(shí)間尺度的特征。

對優(yōu)化后的PF 分量進(jìn)行特征計(jì)算，得到一組能有效代表心電信號特性的特征向量。最后送入支持向量機(jī)進(jìn)行分類，實(shí)現(xiàn)對正常心電信號和4種常見心律失常心電信號的自動(dòng)分類。

1 特征提取方法

1.1 LMD方法

LMD 是一種新的自適應(yīng)時(shí)頻分析方法，它能夠?qū)⒎蔷€性、非平穩(wěn)的復(fù)雜信號自適應(yīng)地分解為若干個(gè)具有物理意義的PF 分量和一個(gè)殘余分量，在機(jī)械故障診斷和腦電信號分析中得到廣泛應(yīng)用［12-14］。具體算法如下：找出原始信號x(t)所有的局部極大值點(diǎn)和極小值點(diǎn)nj，求取相鄰兩個(gè)極值點(diǎn)的均值，用滑動(dòng)平均法進(jìn)行平滑處理，得到局部均值函數(shù)m11(t)，并通過局部均值點(diǎn)計(jì)算包絡(luò)估計(jì)值aj：

將aj用直線連接起來，采用滑動(dòng)平均法對折線進(jìn)行平滑處理，得到包絡(luò)估計(jì)函數(shù)a11(t)；從x(t)中分離出局部均值函數(shù)，得到h11(t)；將分離得到的h11(t)除以a11(t)進(jìn)行解調(diào)，得到調(diào)頻信號：

重復(fù)上述步驟n次，直到s1n(t)為純調(diào)頻函數(shù)，此時(shí)：

則x(t)分解出的第一個(gè)PF分量為包絡(luò)信號a1(t)和純調(diào)頻信號s1n(t)的乘積，即：

從x(t)中分離出PF1(t)，將得到的新信號u1(t)作為源信號迭代上述步驟k次，直到uk(t)為單調(diào)函數(shù)。最后，xi(t)被分解為k個(gè)PF 分量和一個(gè)殘余分量uk(t)，表示為：

1.2 ELMD方法

ELMD方法是對LMD方法的一種改進(jìn)。ELMD的本質(zhì)是對信號加入不同的高斯白噪聲后進(jìn)行局部均值分解，對每次得到的若干個(gè)PF 分量求均值作為最后的結(jié)果。其具體的計(jì)算流程如下：

（1）對去噪之后的心電信號x(t) 加入不同的高斯白噪聲：

其中，ωi(t)(i=1,2,…,M)是不同的均值為0、方差為ε的高斯白噪聲。

（2）對xi(t)進(jìn)行LMD 分解，得到k個(gè)PF 分量和一個(gè)殘余分量uk(t)，表示為：

（3）計(jì)算M次分解得到的PF 分量p和余量r的均值：

其中，、即為ELMD分解的結(jié)果。

心電信號經(jīng)過ELMD 的分解，原信號的特征信息會被分布到不同的時(shí)間特征尺度上，從而放大了原信號隱含的特征信息。

2 心律失常特征提取及分類

2.1 數(shù)據(jù)來源

本文數(shù)據(jù)采用美國麻省理工學(xué)院心律失常數(shù)據(jù)庫MIT-BIH。MIT-BIH 數(shù)據(jù)庫廣泛應(yīng)用于學(xué)術(shù)研究和工程實(shí)施［15-16］，它由48 段長度為半小時(shí)的記錄組成，來自47 個(gè)個(gè)體。每個(gè)心拍都至少由兩名心臟學(xué)專家進(jìn)行心律失常類型的標(biāo)注，包括束支傳導(dǎo)阻滯、房性早搏、室性早搏、房顫、起搏心跳、ST段改變等15種心律異常。本文對4種常見心律失常疾病：左束支傳導(dǎo)阻滯（Left Bundle Branch Block,LBBB）、右束支傳導(dǎo)阻滯（Right Bundle Branch Block, RBBB）、房性早搏（Artial Premature Contraction,APC）、室性早搏（Premature Ventricular Contraction, PVC）和 正 常（Normal,N）心電信號進(jìn)行分類，選擇的數(shù)據(jù)編號及心拍樣本數(shù)量如表1所示。

表1 心電數(shù)據(jù)編號及樣本數(shù)量Tab.1 Electrocardiogram(ECG)data number and sample size

2.2 心電信號去噪及心拍分割

心電信號在采集過程中，必然會受到各種類型噪聲的干擾，如工頻干擾、基線漂移和高頻干擾等［17］。本文使用Sing等［18］提出的方法，選擇db6小波基函數(shù)將心電信號分解為9層。由于第9層近似系數(shù)的頻率范圍為0～0.351 Hz，主要是基線漂移，因此不用于重構(gòu)。此外，90～180和45～90的頻帶范圍包含工頻干擾和高頻干擾，也不用于重構(gòu)。通過對第3層到第9層的細(xì)節(jié)系數(shù)重構(gòu)，實(shí)現(xiàn)對心電信號的去噪。

去噪后使用WFDB工具箱的ecgpuwave函數(shù)，實(shí)現(xiàn)對QRS波群的檢測。如圖1所示，實(shí)現(xiàn)了對記錄編號100的心電信號QRS波群的檢測。在QRS波群位置前取120個(gè)點(diǎn)，在QRS波群位置后取180個(gè)點(diǎn)進(jìn)行心拍分割。分割后的單個(gè)心拍如圖2所示。

2.3 基于ELMD方法的心電信號分析和特征提取

對預(yù)處理后的單個(gè)心拍使用ELMD方法進(jìn)行自適應(yīng)分解。其中，設(shè)定高斯白噪聲的方差ε值為0.2，加入白噪聲的次數(shù)M值為100。利用白噪聲信號具有頻率分布均勻的統(tǒng)計(jì)特性，且白噪聲的均值為0，不同的白噪聲加入心電信號中形成混合信號后，進(jìn)行多次分解得到的多個(gè)PF分量平均值能夠自動(dòng)剔除白噪聲成分。在對白噪聲進(jìn)行分解時(shí)，ELMD頻域上表現(xiàn)為一個(gè)高通濾波器和一系列連續(xù)的帶通濾波器組的組合?；旌闲盘柦?jīng)ELMD分解后，心電信號中的所有尺度會自動(dòng)地分解到白噪聲所確定的濾波器組中與之相關(guān)的通頻帶中，因此能夠顯著減少模態(tài)混疊現(xiàn)象。

圖1 QRS波群檢測Fig.1 QRS complex detection

圖2 預(yù)處理后的單個(gè)心拍Fig.2 Single heartbeat after preprocessing

對5種不同類型的心拍進(jìn)行ELMD分解，均能得到4 個(gè)PF 分量和一個(gè)殘余分量。圖3是5 種不同類型心電信號的ELMD 分解結(jié)果，分別選取記錄編號為100、109、118、200和232的心電數(shù)據(jù)?？梢杂^察到每種心律失常類型所對應(yīng)的PF 分量波形各不相同，由于殘余分量所包含的信息較少，所以選擇前4個(gè)PF分量進(jìn)行特征提取。

2.4 心電信號特征提取

ELMD分解后，計(jì)算每個(gè)PF分量的樣本熵（SE）、平均功率（MP）、奇異值（SV）和標(biāo)準(zhǔn)差（SD），得到16維特征。其中，SE 反映信號的復(fù)雜程度［19］；MP 反映每個(gè)PF 分量的頻帶信息；SV 反映信號的穩(wěn)定性［20］；SD 反映信號的變化特性。組成的特征矩陣如表2所示。

每類心電信號類型選擇800個(gè)樣本進(jìn)行分析，采用卡方檢驗(yàn)方法分析每一個(gè)特征與所屬類別的相關(guān)性并進(jìn)行評分，對分?jǐn)?shù)求log后，得到圖4的相關(guān)系數(shù)圖?？梢钥闯雒恳粋€(gè)特征對心電信號的分類都起到一定的作用。圖5為隨機(jī)選擇的3 個(gè)特征的箱型圖表示，可以觀察到每類心電信號的特征值都有明顯的差異分布，即每類心電信號的特征值都具有較好的分類辨識度。

圖3 N，LBBB，RBBB，APC，PVC的ELMD分解圖Fig.3 Ensemble local mean decomposition(ELMD)diagrams of N,LBBB,RBBB,APC and PVC

表2 心電特征矩陣名稱Tab.2 Names of ECG feature matrixes

2.5 心電信號分類

首先對數(shù)據(jù)集進(jìn)行劃分，在每類心電信號中隨機(jī)選取70%的數(shù)據(jù)作為訓(xùn)練集，剩余的30%作為測試集，得到2 800組訓(xùn)練樣本和1 200組測試樣本，分類模型選擇支持向量機(jī)（SVM）。SVM通過引入高斯核函數(shù)，將輸入向量映射到一個(gè)高維的特征向量空間中，并在該特征空間中構(gòu)造最優(yōu)分類超平面，實(shí)現(xiàn)對正常信號和4 種心律失常類型心電信號的分類。其中，使用遺傳算法（GA）和十折交叉驗(yàn)證對SVM中涉及到的懲罰因子C和核函數(shù)參數(shù)η進(jìn)行尋優(yōu)操作。最后得到最優(yōu)懲罰因子的值為22.633 4，最優(yōu)核函數(shù)參數(shù)的值為3.049 4。使用參數(shù)優(yōu)化后的SVM 對心電信號進(jìn)行分類。

3 結(jié)果與分析

本文采用總準(zhǔn)確率（Total Accuracy,TA）、靈敏度（Sensitivity,Se）和特異性（Specificity,Sp）3 種方法對心律失常分類效果進(jìn)行分析和評估。公式如下：

圖4 心電特征與心律失常的相關(guān)性Fig.4 Correlation between ECG features and arrhythmia

其中，TP 表示當(dāng)前心拍類型正確分類的心拍個(gè)數(shù)；FP表示不屬于當(dāng)前心拍類型被錯(cuò)分為當(dāng)前心拍類型的心拍個(gè)數(shù)；TN 表示屬于當(dāng)前心拍類型被錯(cuò)分為其他類型的心拍個(gè)數(shù)；FN 表示不屬于當(dāng)前心拍類型且被錯(cuò)分為其他類型的心拍個(gè)數(shù)。

圖5 心電特征值分布Fig.5 ECG feature value distribution

將得到的特征矩陣輸入?yún)?shù)優(yōu)化后的SVM進(jìn)行分類，得到的混淆矩陣如表3所示。通過表3可以觀察到，使用ELMD方法進(jìn)行特征提取的分類結(jié)果中，5種心電信號類型都達(dá)到了近乎完全正確的分類，有4 個(gè)RBBB 錯(cuò)分為APC，相對來說，這兩種心拍類型容易混淆。通過對混淆矩陣的計(jì)算，得到表4的評價(jià)指標(biāo)結(jié)果?？梢钥吹匠齊BBB的靈敏度外，其他評價(jià)指標(biāo)均達(dá)到99%以上，達(dá)到了很好的分類效果。

表3 分類結(jié)果的混淆矩陣表示（ELMD方法）Tab.3 Confusion matrix of classification results(ELMD method)

表4 心律失常分類的實(shí)驗(yàn)結(jié)果（ELMD方法）Tab.4 Results of classification of arrhythmia(ELMD method)

本文還對相同的心電信號樣本使用LMD方法進(jìn)行自適應(yīng)分解，對得到的3個(gè)PF分量進(jìn)行相同的特征提取并使用相同的分類器進(jìn)行分類。得到的混淆矩陣和評價(jià)指標(biāo)結(jié)果如表5和表6所示。通過表3和表5對比可以看出，LMD方法RBBB和APC的區(qū)分表現(xiàn)得更糟糕，RBBB有12個(gè)樣本被錯(cuò)分為APC，有9個(gè)APC被分類為RBBB，且其他類型分類錯(cuò)誤的樣本數(shù)量均高于表3中的數(shù)量。在表6中，LMD方法LBBB、RBBB和APC的靈敏度均低于97%，尤其是RBBB 的靈敏度僅為91.67%。靈敏度越低表示漏診率越高，說明很多RBBB的心拍錯(cuò)分為其他類型。驗(yàn)證了ELMD方法相比于LMD方法具有明顯的優(yōu)越性。

除與LMD 方法進(jìn)行對比外，本文將使用ELMD方法得到的結(jié)果與其他特征提取方法的分類結(jié)果進(jìn)行比較，分類器均為SVM 且分類種類相同。如表7所示，使用EMD[6]和小波變換（WT）、近似熵（ApEn）[5]作為特征提取方法的分類精確度均比本文方法低。因此證明本文的實(shí)驗(yàn)方法是一種效果很好的心電信號自動(dòng)識別方法。

4 結(jié)論

有效的心電特征提取對心律失常的正確分類有著重要意義。本文使用了一種新的心電信號特征提取技術(shù)—ELMD方法對預(yù)處理后的心電信號進(jìn)行特征提取，并使用遺傳算法優(yōu)化后的SVM進(jìn)行分類。通過MITBIH數(shù)據(jù)庫的4 000個(gè)樣本進(jìn)行分析后，評價(jià)指標(biāo)結(jié)果表明使用ELMD方法提取的特征比使用LMD方法提取的特征更具代表性，且準(zhǔn)確率達(dá)到了99.61%，結(jié)果優(yōu)于其他文獻(xiàn)，驗(yàn)證了本文方法的可靠性。本次研究主要是在特征提取方法上進(jìn)行了創(chuàng)新，沒有考慮病人的差異性。因此，下一步的研究目標(biāo)計(jì)劃是讓訓(xùn)練集和測試集的樣本來自不同的病人，找到有效的特征提取方法實(shí)現(xiàn)心電信號的精確分類，從而得到更好的適用性。

表5 分類結(jié)果的混淆矩陣表示（LMD方法）Tab.5 Confusion matrix of classification results(LMD method)

表7 與其他文獻(xiàn)的結(jié)果比較Tab.7 Comparison with the results from other literatures

表6 心律失常分類的實(shí)驗(yàn)結(jié)果（LMD方法）Tab.6 Results of classification of arrhythmia(LMD method)