基于心沖擊圖和BP神經(jīng)網(wǎng)絡的心率異常分類研究

張加宏，孟 輝，謝麗君，冒曉莉，周炳宇

（1.南京信息工程大學電子與信息工程學院，南京210044；2.南京信息工程大學江蘇省大氣環(huán)境與裝備技術協(xié)同創(chuàng)新中心，南京210044）

引 言

早期理論推斷人在安靜狀態(tài)下心臟的跳動呈現(xiàn)有規(guī)律且連續(xù)的特點，類似一個節(jié)拍器，然而科學家如今發(fā)現(xiàn)，事實并非如此。心臟跳動即便在安靜情況下也沒有規(guī)律可循，相反它是不規(guī)則的，相鄰心跳間隔的差值也不固定?？茖W家把這種逐次心跳間隔的自然變化賦予了一個專有名詞—心率變異性（Heart rate variability，HRV），在醫(yī)學分析上表示每個人不同的心率變化。國內(nèi)外研究發(fā)現(xiàn)，HRV信號可作為冠心?。??3］、心力衰竭［4?6］、高血壓［7?9］和睡眠呼吸暫停綜合癥［10?12］等疾病的預測因子，通過對HRV信號的提取可以幫助醫(yī)療人員對患者的相關疾病問題進行更好的分析與診斷。

HRV信號的研究一般以心電圖（Electrocardiogram，ECG）和光電容積圖（Photoplethysmography，PPG）、遠程光電容積圖（Remote PPG，RPPG）為主。在ECG方面，針對心律失常中心室房顫（Ventric?ularfibrillation，VF）需提前預測的問題，Javid等［13］在VF發(fā)生之前，使用t檢驗提取心電圖中的HRV特征參數(shù)，并通過遺傳算法（Genetic algorithm，GA）和人工神經(jīng)網(wǎng)絡（Artificial neural network，ANN）結(jié)合實現(xiàn)了對VF的有效預測；針對日常情緒影響人類健康的問題，Han等［14］設計了一種影片剪輯方法來誘發(fā)不同情緒狀態(tài)并同時提取心電圖中的HRV參數(shù)，借助主成分分析（Principal component analysis，PCA）來減少特征數(shù)量，使用支持向量機（Support vector machine，SVM）作為HRV信號的分類器，取得了不錯的效果。在PPG方面，Xu等［15］利用基于雙向長短期記憶（Biodirectional long?short term memo?ry，BILSTM）網(wǎng)絡的深度遞歸神經(jīng)網(wǎng)絡（Recursive neural network，RNN）算法，解決了PPG對運動偽影極度脆弱、劇烈運動中難以準確提取HRV的問題；Chun等［16］基于低成本數(shù)字信號處理（Digital sig?nal processing，DSP）實現(xiàn)了一種利用改進LOMB算法進行HRV計算的算法。在RPPG方面，Li等［17］運用斜率和函數(shù)（Slope sum function，SSF）來改善心跳間隔（Inter?beat interval，IBI）檢測，從而提高了HRV測量的準確性；Gao等［18］提出了時間差間隔像素（Time difference interval pix，TDIP）測量HRV信號，結(jié)果表明該方法顯著減少了HRV計算量，提高了實時性能。

上述HRV分析方法解決了人體健康研究中存在的諸多問題，然而所用方法進行長期HRV分析本身卻存在以下不足：（1）ECG檢測的前提是需裸露體表，并在皮膚上涂抹耦合劑后附加電極，耦合劑對皮膚有刺激作用，不適合長期檢測［19?20］，另外具備HRV分析的心電設備造價相對昂貴；（2）PPG和RP?PG測量時主要的挑戰(zhàn)來自周圍光線的影響和膚色的差異，光線的影響包括陽光產(chǎn)生的直流誤差與由不同燈發(fā)出的光線帶來的交流誤差的頻率分量，膚色的差異包括黑皮膚、黃皮膚、白皮膚，紋身和傷疤等；（3）ECG和PPG檢測屬于接觸式，容易帶給患者不適感，從而增大測量誤差。因此，本文提出了一種基于非接觸心沖擊圖（Ballistocardiogram，BCG）進行HRV分析的方法，該方法利用壓電傳感器來采集人體心臟泵血和大動脈血液循環(huán)期間在體表產(chǎn)生的微弱振動信號，提取BCG中HRV參數(shù)并帶入逆?zhèn)鞑ィ˙ack propagation，BP）神經(jīng)網(wǎng)絡進行心率異常診斷。整套實驗設備成本低于現(xiàn)有心電設備，非接觸檢測方式降低了患者測量時的不適感，更適用于長期的疾病監(jiān)測。文中通過探討B(tài)CG和ECG在HRV信號中的一致性關系，證明了BCG可用于進行HRV分析；在缺乏大量標準BCG心率異常樣本的情況下，提取了ECG中的HRV參數(shù)并構(gòu)建與訓練了基于BP神經(jīng)網(wǎng)絡的心率異常分類模型，最后從本實驗采集BCG樣本數(shù)據(jù)中提取相應HRV參數(shù)，代入分類模型進行心率異常預測，驗證了該方法進行心率異常診斷的可靠性。

1 相關理論

1.1 HRV的分析指標

實際上，線性和非線性是HRV分析的最主要方法。線性分析方法包括時域、頻域及時頻分析，時域分析的指標有總體均值、總體標準差、均值標準差、標準差均值和差值均方根等，分別以MEAN、SDNN、SDANN、SDNNI和RMSSD表示；頻域分析的指標有超低頻段（0～0.003 Hz）、極低頻段（0.003～0.04 Hz）、低頻段（0.04～0.15 Hz）和高頻段（0.15～0.4 Hz），分別以ULF、VLF、LF和HF表示［21］。非線性分析方法主要有復雜度、龐加萊散點圖等，以最熱門的龐加萊散點圖為例，圖像的橫縱坐標分別選取了連續(xù)靠近的兩個RR間期或JJ間期，而圖像中的點表示所有的心動周期。研究表明，散點圖呈現(xiàn)的不同分布狀態(tài)與患者的生理和病理信息密切相關，若呈現(xiàn)彗星狀代表人體無異常，若呈現(xiàn)不規(guī)則的形狀則代表人體可能患有心血管疾病。

1.2 BCG信號進行HRV分析的可行性

利用ECG進行HRV分析是最普遍的方法之一。大量文獻資料的研究結(jié)果表明，從BCG和ECG中提取的HRV參數(shù)無顯著差異性，從而可證明BCG可以進行HRV分析。王敏［22］在探究BCG在心血管健康評估的應用研究中，通過ECG與BCG的HRV時域參數(shù)、頻域參數(shù)以及非線性參數(shù)的數(shù)據(jù)對比，驗證了ECG中的RR間隔和通過BCG的JJ間隔得到的HRV參數(shù)具有很強的相關性且差異是無統(tǒng)計學意義的；王昆［23］通過BCG?ECG聯(lián)合采集設備收集了臨床慢性心力衰竭患者BCG的JJ間隔數(shù)據(jù)和ECG的RR間隔數(shù)據(jù)樣本，通過相關計算得到BCG和ECG的HRV線性與非線性相關指標的測定值，對比兩者之間的相關性，并用配對t檢驗方法分析兩組測定值之間的差異，最后得到兩者無顯著統(tǒng)計學差異；曹欣榮等［24］通過t檢驗方法驗證了同一時間收集的20名測試者在平靜、瓦氏動作后和運動后，ECG和BCG的HRV時域、頻域以及非線性域的相關指標的測量值無顯著差異。

另外相關研究表明，在相對較短的檢測時間內(nèi)利用BCG進行HRV分析和ECG相比誤差較大，長度足夠的數(shù)據(jù)能夠?qū)⑦@兩種方法的計算誤差消除，因此利用BCG進行HRV分析的時間要足夠長，而本文進行的心率異常分類是基于長時間的檢測，因此本文設計的用于BCG的HRV分析系統(tǒng)是可行的。

2 分類器的設計

2.1 數(shù)據(jù)來源

本文采用的心率異常數(shù)據(jù)來源于PhysioBank數(shù)據(jù)庫，選擇其中的Mitdb庫，庫中包含了47名不同性別和年齡段的研究對象的48條心電記錄［25］，每條記錄的時間30 min，由兩位心臟病專家獨立完成節(jié)拍標簽的添加。該庫中直接提供了帶有標簽的RR間期數(shù)據(jù)，可以下載此數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練樣本進行分析。另外，庫中共包含了15種不同類型的心跳類型，分別用不同的標簽進行了注釋，根據(jù)ANSI/AAMI標準，將這15種心跳類型共分成了5大類，即N、S、V、F、Q類。其中N（Normal beat）表示竇性心律，S（Premature or ectopic supraventricular beat）表示室上性異位搏動，V（Premature ventricular contraction）表示心室異位搏動，F(xiàn)（Fusion of ventricular and normal beat）表示心跳融合和VEB的節(jié)拍，Q（Unclassifiable beat）表示未知心跳類型。

2.2 數(shù)據(jù)劃分

本文中主要對N、A、V、F、R進行分類，后期處理信號時，排除了質(zhì)量較差的102、104、107和217這4條記錄。首先選取30條記錄RR間隔數(shù)據(jù)作為數(shù)據(jù)集，對這30條數(shù)據(jù)按照每段2 min進行切割，最終共得到了408組長度為2 min的有效心電數(shù)據(jù)，然后利用統(tǒng)計學方法對這408組數(shù)據(jù)進行HRV特征提取并根據(jù)心臟病專家對這些心電數(shù)據(jù)添加的節(jié)拍類別標簽，完成了不同心率類型的分組，得到圖1不同心跳類別的RR間隔的數(shù)值范圍。

對ECG數(shù)據(jù)樣本中HRV的時域分析參數(shù)RR、NN50、PNN50、SDNN、RMSSD進行提取作為數(shù)據(jù)樣本，其中表示正常N的樣本數(shù)為100組，判斷房性早搏A的樣本總數(shù)為96組，用于判斷室性早搏V的樣本總數(shù)為54組，判斷右束支傳導阻滯R的樣本數(shù)為93組，判斷心跳融合F的樣本數(shù)為65組。這些數(shù)據(jù)用來訓練得到最優(yōu)的神經(jīng)網(wǎng)絡模型，為后續(xù)BCG信號中進行HRV心率異常分類奠定基礎，具體劃分結(jié)果見表1。

圖1 不同心跳類別RR間隔的數(shù)值范圍Fig.1 Numerical range of RR interval for differ?ent heart rate categories

表1 樣本數(shù)據(jù)劃分Table 1 Sample data division

2.3 分類方法

本文主要采用誤差BP神經(jīng)網(wǎng)絡算法進行分類。為了驗證本文采用的BP神經(jīng)網(wǎng)絡分類模型的準確性，同時選取隨機森林（Random forest，RF）分類模型進行對比，實驗中采用同一個數(shù)據(jù)樣本即表1中的數(shù)據(jù)樣本進行兩種分類模型的訓練與評估。

2.3.1 隨機森林算法

RF算法包含了眾多決策樹且相互之間沒有關聯(lián)，提高泛化精度的方法主要采用了構(gòu)建和使用多棵樹：當新樣本被輸入其中，每棵決策樹會立即作出判斷。randomforest為第三方工具箱，Matlab通過該工具箱可以實現(xiàn)隨機森林模型的訓練。

具體操作：Matlab中RF分類器的核心代碼為：model=classRF_train（Train，Train_lable），其中訓練數(shù)據(jù)以Train表示，訓練數(shù)據(jù)的標簽以Train_lable表示，將表1訓練集樣本中提取的［RR，NN50，PNN50，SDNN，RMSDD］特征向量作為訓練數(shù)據(jù)，利用訓練集數(shù)據(jù)樣本對模型進行訓練后，從表1測試集樣本中提?。跼R，NN50，PNN50，SDNN，RMSDD］特征向量送入模型，事先已知的測試集樣本真實心跳類別標簽定義為Test_lable，最后將模型對測試集樣本預測后輸出的標簽定義為Predict_lable，并與Test_lable進行對比，得到RF分類模型對每個心跳類別的預測類別結(jié)果圖。

圖2中1～5分別表示N、A、V、R、F類心跳類型，橫坐標表示測試集樣本數(shù)量。“。”表示樣本的真實類別標簽Test_lable，“?”表示樣本的預測類別標簽Predict_lable，Predict_lable和Test_lable重合數(shù)量越多說明模型的分類效果越好。

圖2 RF模型分類結(jié)果Fig.2 RF model classification result

2.3.2 BP神經(jīng)網(wǎng)絡算法

BP神經(jīng)網(wǎng)絡在人工神經(jīng)網(wǎng)絡的范圍內(nèi)，主要由3層或者3層以上的網(wǎng)絡結(jié)構(gòu)構(gòu)成，主要利用梯度下降法和誤差反向傳播解決多層神經(jīng)網(wǎng)絡的隱含層連接權(quán)學習的問題，是目前應用最廣泛的神經(jīng)網(wǎng)絡之一，BP神經(jīng)網(wǎng)絡的構(gòu)建、訓練和分類共同構(gòu)成了BP神經(jīng)網(wǎng)絡的HRV信號分類算法［26］。

（1）BP神經(jīng)網(wǎng)絡構(gòu)建

選擇合適的神經(jīng)元數(shù)目以及隱含層的層數(shù)直接影響著分類模型的質(zhì)量，但是目前來說，對于選擇上述兩個參數(shù)還沒有標準的規(guī)則?？傮w而言，輸入層的神經(jīng)元個數(shù)要低于隱含層的神經(jīng)元個數(shù)，另外神經(jīng)網(wǎng)絡隱含層的層數(shù)一般大于1。本文主要根據(jù)經(jīng)驗以及多次試驗選擇不同的學習參數(shù)、隱含層數(shù)和神經(jīng)元個數(shù)，列出了具有代表性的識別正確率，結(jié)果如圖3所示，其中橫坐標表示迭代次數(shù)，縱坐標表示收斂精度。

最終生成的BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)如圖4所示，隱含層層數(shù)確定為3，每層隱含層神經(jīng)元的數(shù)量分別為16、32和16，學習率設置為0.1，迭代次數(shù)設置為300，權(quán)值和閾值在初始化神經(jīng)網(wǎng)絡時隨機賦予［-1，1］范圍內(nèi)的任意值。

圖3 BP訓練模型ACC對比Fig.3 ACC comparison of BP training model

圖4 BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)Fig.4 Topological structure of BP neural network

本文設計的BP分類模型輸入層包括5個神經(jīng)元，用向量X表示，X=［X1，X2，X3，X4，X5］T，分別代表5種特征向量即RR、NN50、PNN50、SDNN和RMSSD；中間隱含層有3層，以W ij表示輸入層與隱含層的連接權(quán)值；最后輸出層神經(jīng)元的個數(shù)為5，用向量Y表示，Y=［Y1，Y2，Y3，Y4，Y5］T，分別表示心率異常中的N、A、V、R、F類，以W jk表示隱含層與輸出層的連接權(quán)值，隱含層各神經(jīng)元閾值為aj（j=1，2，…，l），輸出層各神經(jīng)元的閾值為bk（k=1，2，…，m）。

（2）BP神經(jīng)網(wǎng)絡訓練

BP算法流程如圖5所示，具體傳播過程如下：式（1）描述了神經(jīng)元輸入與輸出關系，其中x i表示第i個輸入信號，y表示神經(jīng)元輸出信號，w i表示第i個輸入信號鏈接權(quán)重，f（·）表示激活函數(shù)。

采用ReLU函數(shù)作為激活函數(shù)來描述輸入與輸出的關系，ReLU函數(shù)如式（2）所示。

圖5 BP算法流程圖Fig.5 Flow chart of BP algorithm

輸入層中的每個神經(jīng)元分別代表不同的HRV特征參數(shù)，除了輸入層，每層的神經(jīng)元都利用式（1）得到新的信號作為輸出信號。式（3）定義了第k層鏈接權(quán)重矩陣W k，其元素w kn，m表示從第k－1層的第n個神經(jīng)元指向第k層的第m個神經(jīng)元的鏈接權(quán)重。

神經(jīng)網(wǎng)絡的信號傳播過程可以通過式（5）表示。

研究中重點關注了誤差函數(shù)的斜率方向，因此常系數(shù)忽略。權(quán)重的增量隨著誤差函數(shù)梯度的增大而增大，兩者成正比關系，且權(quán)重的增量需乘以學習率。權(quán)重增量Δw j，k可表示為

值得注意的是，權(quán)重增量可用于調(diào)整權(quán)重。

具體實現(xiàn)過程為：首先用標簽1～5幾個數(shù)字分別表示N、A、V、R、F幾種心跳類型，然后提取表1中訓練集樣本數(shù)據(jù)的［RR，NN50，PNN50，SDNN，RMSDD］作為神經(jīng)網(wǎng)絡的輸入來訓練，得到最優(yōu)網(wǎng)絡分類模型，提取測試集中的［RR，NN50，PNN50，SDNN，RMS?DD］特征向量送入分類模型，模型對這些樣本作出預測分類，輸出結(jié)果為樣本的預測類別標簽Predict_lable，測試集樣本的心跳真實類別定義為Test_lable，通過Predict_lable與Test_lable對比，得到BP神經(jīng)網(wǎng)絡預測模型的分類效果如圖6所示。

2.3.3 模型評估

引入混淆矩陣對BP分類模型與RF分類模型進行評估?；煜仃囍薪y(tǒng)計的是個數(shù)，難以判斷模型的好壞程度，基于這情況又引申了基于真陽性TP、真陰性TN、假陽性FP和假陰性FN的4項指標：精確度（Precision）、靈敏度（Sensitivi?ty）、特異性（Specificity）和正確率（Accuracy）。

圖6 BP分類模型預測結(jié)果Fig.6 Prediction results of BP clas?sification model

圖7 RF與BP分類模型混淆矩陣Fig.7 Confusion matrices of RF and BP classification models

通過Matlab中第三方工具箱實現(xiàn)了RF和BP分類模型的搭建，提取表1中的測試數(shù)據(jù)樣本進行驗證，分別得到了BP神經(jīng)網(wǎng)絡分類模型與RF分類模型的混淆矩陣，模型評估結(jié)果如圖7所示。其中橫、縱坐標分別表示樣本的真實值和預測值，數(shù)字1到5分別代表心跳類型N、A、V、R和F，表中的數(shù)值表示每類樣本被分類到每類標簽的數(shù)量。

從圖7可以直觀地看出5類心率類型的分類情況。表格中對角線上的數(shù)值代表模型正確分類的樣本個數(shù)，其余的數(shù)值表示模型分類錯誤的個數(shù)。BP網(wǎng)絡模型分類正確的樣本數(shù)量最多，其次是RF分類模型，另外，N類型的心跳識別率都較高，而F類型的心率識別率都較低，經(jīng)分析這種情況與樣本的數(shù)量有關。為了進一步對兩種分類模型進行對比，對以上兩個模型輸出結(jié)果中不同類別的心跳分類情況的敏感度、精確度、特異性以及正確率進行了統(tǒng)計，結(jié)果如表2所示。

表2 BP與RF分類模型的相關評估指標結(jié)果Table 2 Related evaluation index results of BP and RF classification models

從表2可以看出這兩種模型的性能評估值情況，初步分析可以看出BP分類模型相對于RF分類模型的評估值較高。另外對于同一種分類模型不同的心率類別的分類得分也不同，綜合來看分類模型對N類的分類效果較好，而對于F、V類的分類效果較差。

F1?score是衡量分類問題的最終測評方法，它是精確率和靈敏度的調(diào)和平均數(shù)，范圍在0到1之間。

式中：P表示精確度，R表示靈敏度。為了更直觀地呈現(xiàn)出這兩種模型的分類效果，對兩種模型的平均F1?score進行計算并繪制折線圖進行對比，結(jié)果如圖8所示。圖中觀察得到，BP網(wǎng)絡分類模型的F1?score為94.218%，RF分類模型的F1?score為87.991%，相較之下，BP模型分數(shù)更高，因此選用BP神經(jīng)網(wǎng)絡進行心率異常的分類。

圖8 BP與RF模型F 1-score對比模型Fig.8 Comparison of F 1-score between BP and RF models

3 實驗及其數(shù)據(jù)分析

基于BP神經(jīng)網(wǎng)絡的心率異常分類已完成了網(wǎng)絡的構(gòu)建和網(wǎng)絡的訓練，對于網(wǎng)絡的分類，通過采集到的BCG信號提取HRV特征參數(shù)［RR，NN50，PNN50，SDNN，RMSDD］作為網(wǎng)絡輸入，送入訓練好的神經(jīng)網(wǎng)絡模型進行心率異常預測分類，并統(tǒng)計準確率。

3.1 實驗平臺搭建

系統(tǒng)的現(xiàn)場測試平臺如圖9所示，該實驗系統(tǒng)由醫(yī)療床、壓電傳感器、下位機和上位機組成。采用壓電傳感器定制成的床墊平鋪在測試者胸口，壓電床墊內(nèi)部采用了S形結(jié)構(gòu)增大了與人體的接觸面積，提高了信號強度；下位機由信號調(diào)理電路和STM 32構(gòu)成，其中信號調(diào)理電路由電荷放大器、電壓抬升器和電壓比較器構(gòu)成，電荷放大器負責將微弱電荷轉(zhuǎn)換成電壓1，1.65 V電壓抬升器負責將電壓1抬升至電壓2來滿足ADC轉(zhuǎn)換范圍，1.65 V電壓比較器將所得信號輸出成占空比不同的矩形波即電壓信號3，STM 32內(nèi)部ADC精度配置為12位且采樣頻率為1 k Hz，轉(zhuǎn)換后的數(shù)字信號通過串口傳送至上位機；上位機主要負責下位機無線的通信功能，包括接收下位機發(fā)送的BCG數(shù)據(jù)并將數(shù)據(jù)保存至本地，后臺對數(shù)據(jù)進行分析，實現(xiàn)心率異常預測診斷。

圖9 系統(tǒng)測試平臺Fig.9 System test platform

3.2 BCG數(shù)據(jù)采集

為驗證BP神經(jīng)網(wǎng)絡模型對心率異常的分類效果，招募了10名健康成年人（男性4名，女性6名）和10名室性早搏患者（男性5名，女性5名）進行BCG信號采集。采集時，測試者需平躺在床墊之上保持靜止，待單片機穩(wěn)定之后進行測試。

3.3 HRV參數(shù)提取

選取的HRV參數(shù)都依賴于特征參數(shù)RR，在心沖擊圖中RR表示相鄰J峰的時間間隔，因此需有效定位出J峰位置。BCG信號具有周期性，波形中最顯著的是IJK波群，例如患有室性早搏PVC的人群單個周期波形較為平緩且J波幅度不明顯。傳統(tǒng)提取算法容易造成漏檢，因此采用改進差分閾值算法來突出IJK波群。由于原始BCG信號中存在部分高頻噪聲和低頻呼吸噪聲，需提前濾除，具體提取流程如下：

（1）截取10 s長度的信號，借用Fdatool設計矩形窗帶通濾波器：濾波類型函數(shù)為Fir2，階數(shù)20，通帶頻率0.9～50 Hz，去除噪聲干擾；

（2）利用Mapmaxmin函數(shù)進行歸一化處理，將信號幅值限定在［-1，1］之間；

（3）進行一階差分運算y'(n)和二階差分運算y''(n)，并計算差分平方和；

（4）利用峰值檢測算法對J峰進行檢測，標記出J峰位置并計算相鄰J峰時間間隔記為RR；

（5）根據(jù)RR計算相應特征值NN50、SDNN、RMSSD和PNN50。

圖10顯示了10 s內(nèi)1名健康男性與1名室性早搏患者的HRV參數(shù)提取流程。圖中采用差分閾值算法和峰值檢測算法相結(jié)合來提取J峰。橫坐標數(shù)值0到10 000代表10 s波段內(nèi)的BCG信號采樣個數(shù)，縱坐標代表ADC轉(zhuǎn)換值；a行表示由PVDF壓電電纜采集、經(jīng)過信號調(diào)理電路處理，再由ADC模數(shù)轉(zhuǎn)換后的原始信號，b行為帶通濾波處理后歸一化的波形，其中室性早搏患者在5 000左右出現(xiàn)早搏現(xiàn)象，BCG波形幅度有了顯著的降低，而在之后階段幅度恢復；c行為差分處理后的信號波形；d行為峰值檢測算法提取J峰后的信號波形，紅色“+”標記點表示獲得有效的J峰點，RR表示相鄰兩段J峰，依照此流程，截取2 min為一個波形段并提取特征參數(shù)RR，從而計算NN50、SDNN、RMSSD和PNN50。

圖10 HRV參數(shù)提取流程圖Fig.10 Flow chart of HRV parameter extraction

3.4 實驗數(shù)據(jù)分析

按照上述方法從這10名正常健康成年人的BCG數(shù)據(jù)中分別提取5組共50組特征向量作為樣本A，從這10名室性早搏患者的BCG數(shù)據(jù)中分別提取5組共50組特征向量作為樣本B。本文主要對正常心跳和室性早搏的BCG心跳類型進行識別分類，提取的數(shù)據(jù)樣本結(jié)果如表3所示。

表3 BCG信號HRV指標數(shù)據(jù)樣本Table 3 HRV indicator data samples based on BCG signal

得到數(shù)據(jù)樣本A和B后，將數(shù)據(jù)送入本文設計的BP神經(jīng)網(wǎng)絡模型中，通過模型輸出的Predict_lable與事先已知的樣本中的Test_lable對比，得到模型用于BCG心率異常診斷的準確性。測試結(jié)果如表4所示，其中數(shù)字代表模型預測為不同心跳類別的數(shù)量。

根據(jù)表4中的實驗結(jié)果數(shù)據(jù)，可以得到50組室性早搏樣本中模型預測為室性早搏的有40組，因此該模型對心率異常的識別準確率為80%。經(jīng)過試驗驗證，該模型用于實際的BCG信號心率異常診斷和模型預測的識別效果有一些差別，推測這主要和采集的BCG樣本量以及樣本類別比例有關。但是對于本文心率異常診斷研究的目標來說，該模型對于BCG信號的異常分類效果能夠在家庭日常生活生理健康監(jiān)護中起到較好的心率異常疾病的預防作用，因此具有一定的參考價值。該研究為以后基于BCG信號的心率異常分類研究奠定了基礎。另外本文進行心率異常分類研究的目的是利用BCG信號對心率異常狀況進行預測，實現(xiàn)在家庭健康監(jiān)護中對人體的心率異常狀況早發(fā)現(xiàn)、早治療，因此基本達到了預期功能。

表4 BP分類模型對BCG心率異常預測結(jié)果Table 4 Abnormal beart rate prediction of BCGbased on BP classification model

4 結(jié)束語

本文主要進行了BCG中HRV參數(shù)應用于心率異常分類的研究，分析了當前ECG、PPG和RPPG存在的不足，提出了一種非接觸式BCG進行心率異常分類的方法。實驗結(jié)果表明，從BCG信號提取的HRV參數(shù)進行心率異常分類具有可靠性和參考價值。本文研究的BCG心率異常分類只是在日常生活中起到對人體生理健康監(jiān)測的參考以及對心率失常的一個提醒作用，在醫(yī)學輔助方面發(fā)揮了一定的價值，但并不能真正取代醫(yī)療診斷方法。該相關研究為進行心率異常診斷提供了一種新方式，為后續(xù)研究BCG信號心率異常分類提供了分類理論模型參考。