基于小波包和PSOBPNN的心電特征識(shí)別

郭 慶，迮良佳，胡鴻志

(1.桂林電子科技大學(xué)電子工程與自動(dòng)化學(xué)院，廣西桂林 541004;2.桂林電子科技大學(xué)廣西自動(dòng)檢測(cè)技術(shù)與儀器重點(diǎn)實(shí)驗(yàn)室，廣西桂林 541004)

1 引言

心電信號(hào)是人體心臟電活動(dòng)在體表的綜合反映，能夠?yàn)樵\斷心臟疾病提供可靠的依據(jù)[1]?；谛碾娦盘?hào)的特征識(shí)別方法研究對(duì)檢測(cè)和診斷心臟疾病具有重要的指導(dǎo)意義。由于心電信號(hào)自身波形的復(fù)雜多變性以及噪聲干擾，對(duì)心電信號(hào)做特征識(shí)別存在特征提取比較困難、識(shí)別精度不夠高等問題。

本文對(duì)心電信號(hào)的特征提取和特征識(shí)別方法進(jìn)行研究，旨在提取能夠最大化反映心電信號(hào)原始信息的特征，并獲取較高的心電特征識(shí)別正確率。

特征提取是進(jìn)行特征識(shí)別的首要環(huán)節(jié)。首先針對(duì)心電信號(hào)易受噪聲干擾等問題，本文采用強(qiáng)制濾波的方法對(duì)基線漂移、工頻干擾和肌電干擾等噪聲信號(hào)做處理，保證了后期特征提取的質(zhì)量。其次采用小波包變換對(duì)心電信號(hào)做三尺度分解，并對(duì)第三尺度上的8個(gè)節(jié)點(diǎn)相應(yīng)的頻帶信號(hào)進(jìn)行能量特征提取，獲取心電信號(hào)的8維特征向量。

特征識(shí)別模型的優(yōu)劣直接影響著分類的效果。本文根據(jù)PSO算法收斂速度快、尋優(yōu)精度高等優(yōu)點(diǎn)，融合BP神經(jīng)網(wǎng)絡(luò)構(gòu)建PSO-BPNN識(shí)別模型。利用PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值參數(shù)進(jìn)行優(yōu)化，將得到的心電特征數(shù)據(jù)作為模型的輸入。引入LM-BPNN和RBF網(wǎng)絡(luò)分類模型，與PSO-BPNN模型作對(duì)比分析并總結(jié)。

仿真結(jié)果表明，小波包變換提取心電信號(hào)能量特征，PSO-BPNN為分類模型的心電特征識(shí)別方法較其它方法能高準(zhǔn)確度地識(shí)別出MIT-BIH心律失常數(shù)據(jù)庫中正常、左束支傳導(dǎo)阻滯(LBBB)、右束支傳導(dǎo)阻滯(RBBB)、心室早期收縮(PVC)和心房早期收縮(APC)等5種類型的心電信號(hào)，驗(yàn)證了本文方法在心電信號(hào)特征識(shí)別方面的可行性和一定的優(yōu)越性。

2 心電特征提取

2.1 實(shí)驗(yàn)數(shù)據(jù)的來源

本文以MIT-BIH心電數(shù)據(jù)庫[2]中的5種不同類型心電信號(hào)片段作為仿真樣本的來源。這5種類別分別為正常、左束支傳導(dǎo)阻滯、右束支傳導(dǎo)阻滯、心室早期收縮和心房早期收縮。從庫中的5個(gè)心電信號(hào)數(shù)據(jù)片段中采集仿真所需的樣本數(shù)據(jù)。分別從每個(gè)心電信號(hào)片段中取樣200組樣本，并對(duì)其劃分為兩種樣本，一種有150組用于學(xué)習(xí)，另一組有50組用于測(cè)試。那么總共可以從5個(gè)心電信號(hào)數(shù)據(jù)片段中采集到1000組數(shù)據(jù)片段，其中用作訓(xùn)練的樣本總數(shù)目為750組，用作測(cè)試樣本的總數(shù)目為250組。

表1 采集的心電信號(hào)樣本數(shù)據(jù)信息表

2.2 心電信號(hào)的預(yù)處理

心電信號(hào)具有微弱的特點(diǎn)，且往往夾雜著諸如基線漂移、工頻干擾和肌電干擾等類型的噪聲[3]。由此造成的干擾會(huì)影響心電信號(hào)波形中奇異點(diǎn)的精準(zhǔn)檢測(cè)和提取特征的質(zhì)量以及分類識(shí)別模型的準(zhǔn)確度。故預(yù)處理原始心電信號(hào)以盡可能減弱噪聲干擾的工作很有意義。

小波變換具有許多良好特性，使其比較適合對(duì)心電信號(hào)進(jìn)行濾波。強(qiáng)制濾波法[4]是一種常用的預(yù)處理方法，其能夠充分運(yùn)用小波分析的良好特性，將原始心電信號(hào)進(jìn)行多層次不同分辨率的分解，并將噪聲所在頻帶相應(yīng)的系數(shù)置零，重構(gòu)剩下的系數(shù)就能得到去噪處理過的心電信號(hào)。強(qiáng)制濾波法簡單易行，且最終得到的信號(hào)效果較好，故本文選取此方法對(duì)心電樣本信號(hào)進(jìn)行消噪。以LBBB類型心電信號(hào)為例，去噪后的波形對(duì)比圖如圖1所示。

圖1 原始心電信號(hào)VS去噪后的心電信號(hào)

2.3 心電信號(hào)的采樣

心電樣本數(shù)據(jù)的采集主要為分為兩個(gè)部分，第一部分是對(duì)去噪后的心電信號(hào)中R波的定位，第二部分是有限時(shí)間心電樣本數(shù)據(jù)的采集。

利用小波變換定位R波，具體實(shí)現(xiàn)步驟如下：

1)通過二次樣條函數(shù)四尺度分解5種類型去噪后的心電樣本。

2)以閾值為基準(zhǔn)，尋找尺度三下模極大值對(duì)的零交叉位置。

3)定位R波位置。

通過該方法所標(biāo)記的R波波形示意圖見圖2。

圖2 R波波峰被標(biāo)記的波形示意圖

然后，以R波的波峰位置為中心，取該點(diǎn)前后總共250個(gè)數(shù)據(jù)點(diǎn)作為一組樣本數(shù)據(jù)，并間隔一個(gè)R波采集下一組樣本數(shù)據(jù)。這種采集250個(gè)數(shù)據(jù)點(diǎn)的方式一方面能保證采集得到較為完整的心拍，利于后面的分類識(shí)別，另一方面不需要對(duì)Q波和S波定位，降低了特征提取難度，能實(shí)現(xiàn)用較少的工作量獲取較優(yōu)的特征提取效果。間隔采樣能保證采集得到的相鄰的樣本數(shù)據(jù)不存在數(shù)據(jù)交錯(cuò)現(xiàn)象。使用上述方法采集得到的部分?jǐn)?shù)據(jù)樣本數(shù)據(jù)如圖3所示。

圖3 采集到的部分樣本圖

2.4 基于小波包的能量特征提取

不同類型心電信號(hào)的幅度和能量不相同，經(jīng)小波包分解后，其在各子頻帶上的投影也將不相同。同時(shí)，倘若有時(shí)移各子頻帶信號(hào)的能量值不會(huì)發(fā)生變化，各子頻帶信號(hào)能量值的總和等于原始信號(hào)的能量值，故可以考慮將各子頻帶信號(hào)的能量作為心電特征[5-7]。

小波包變換提取心電信號(hào)的能量特征首先是通過小波包變換對(duì)心電信號(hào)做多層分解用以獲取各節(jié)點(diǎn)系數(shù)。然后，利用小波包重構(gòu)對(duì)各節(jié)點(diǎn)的系數(shù)做計(jì)算處理，以獲取各頻帶范圍所對(duì)應(yīng)的重構(gòu)信號(hào)。最后，求解子頻帶信號(hào)各自對(duì)應(yīng)的能量值，并將該能量值按照一定順序進(jìn)行排列組成特征向量，該特征向量即為原始心電信號(hào)的能量特征。

假定重構(gòu)各節(jié)點(diǎn)系數(shù)后，第i層中的第j個(gè)節(jié)點(diǎn)Si，j相應(yīng)的重構(gòu)信號(hào)的能量為Ei，j，則重構(gòu)信號(hào)的能量值可根據(jù)下式進(jìn)行求取。

(1)

式中，dj，k代表節(jié)點(diǎn)Si，j的系數(shù)，并且j=0，1，2，…，2i-1。由此求取的能量值所組成的特征向量即為心電信號(hào)的能量特征。

以單個(gè)心電樣本信號(hào)為例，在經(jīng)過分解并重構(gòu)后，獲得的系數(shù)重構(gòu)圖如圖4所示。

圖4 單個(gè)心電樣本信號(hào)的系數(shù)重構(gòu)圖

其中，第一張為原始樣本信號(hào)，其余8張分別表示經(jīng)三層小波包分解后，所得到的第三層中各頻率范圍信號(hào)對(duì)應(yīng)的系數(shù)重構(gòu)圖。

計(jì)算各頻率范圍信號(hào)所對(duì)應(yīng)的能量值。并將求取到的8個(gè)能量值組成特征向量。其即為通過小波包變換獲取的心電特征。

本文選取的樣本總數(shù)為1000，那么心電樣本經(jīng)過小波包變換提取的總特征向量數(shù)目為1000×8。在此列舉提取到的5種病理類型各自子頻帶重構(gòu)信號(hào)的部分能量值，如上表2所示。

表2 五種病理各自子頻帶重構(gòu)信號(hào)的部分能量值

3 心電特征識(shí)別

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種最常用的多層前饋型網(wǎng)絡(luò)[8]，其構(gòu)架由輸入層、隱含層和輸出層組成。逐層之間的交流互通是依靠內(nèi)部神經(jīng)元節(jié)點(diǎn)之間的連接，這種節(jié)點(diǎn)連接方式的面向?qū)ο髢H為不同層落，同層落節(jié)點(diǎn)之間則未有連接。

BP網(wǎng)絡(luò)能夠逼近任何復(fù)雜的非線性映射關(guān)系，并且具有很強(qiáng)的分類性能，常被用于處理內(nèi)部機(jī)制較為復(fù)雜的問題。同時(shí)，BP網(wǎng)絡(luò)具有一定的局限性，主要表現(xiàn)在以下幾個(gè)方面：

1)所需參數(shù)的數(shù)量繁多且沒有簡單有效的參數(shù)選擇方法。

2)易陷入局部最優(yōu)。

3)收斂速度慢。

這些局限性使得BP網(wǎng)絡(luò)在某些情況下難以滿足需求，若對(duì)BP網(wǎng)絡(luò)進(jìn)行優(yōu)化，則可以使其應(yīng)用范圍更加寬廣。

3.2 PSOBPNN模型

粒子群算法(Particle Swarm Optimization，PSO)最初是由美國電氣工程師Russell Eberhart和社會(huì)心理學(xué)家James Kennedy在1995年聯(lián)手提出的，其為一種以鳥類群智能為基礎(chǔ)的優(yōu)化算法[9]。PSO算法主要是通過優(yōu)化函數(shù)進(jìn)行尋優(yōu)的，即通過適應(yīng)度函數(shù)來求解各粒子的適應(yīng)值。該過程中，無需加入外界信息，只需根據(jù)適應(yīng)度函數(shù)來評(píng)價(jià)PSO算法性能的好壞。同時(shí)，各粒子將跟隨當(dāng)前速度和位置最優(yōu)的粒子來搜索極值點(diǎn)。PSO算法優(yōu)化BP網(wǎng)絡(luò)的流程圖如圖5，詳細(xì)步驟如下[10]：

圖5 PSO算法優(yōu)化BP網(wǎng)絡(luò)流程圖

1)確定PSOBPNN網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。確定輸入層、隱含層和輸出層的神經(jīng)元個(gè)數(shù)以及群體粒子的規(guī)模，設(shè)置學(xué)習(xí)步長、連接權(quán)值和網(wǎng)絡(luò)訓(xùn)練過程中的最大迭代次數(shù)等參數(shù)。

2)計(jì)算各粒子的適應(yīng)度值。其可以通過計(jì)算網(wǎng)絡(luò)輸出的均方誤差和來獲得。

3)依據(jù)所獲得的適應(yīng)度值更新個(gè)體極值和全局極值。

4)更新粒子的速度和位置。

5)判斷是否符合結(jié)束條件。倘若滿足最大迭代次數(shù)或達(dá)到誤差精度要求則執(zhí)行步驟6)，否則執(zhí)行步驟2)。

6)結(jié)束尋優(yōu)過程，輸出最優(yōu)參數(shù)。

3.3 PSOBPNN的心電特征識(shí)別

建立PSOBPNN模型，設(shè)置目標(biāo)精度為0.001，PSO最多可以迭代100次。將由前一章仿真得到的特征數(shù)據(jù)作為該模型的輸入，用以完成分類實(shí)驗(yàn)。其中，PSOBPNN模型的優(yōu)化適應(yīng)度下降曲線如圖6所示。

圖6 PSOBPNN的適應(yīng)度曲線

由圖可知，在經(jīng)歷了100次的PSO尋優(yōu)后，網(wǎng)絡(luò)適應(yīng)度值下降到了0.1628。將特征樣本繼續(xù)帶入PSO優(yōu)化后的BP網(wǎng)絡(luò)，得到的優(yōu)化后的BP網(wǎng)絡(luò)的訓(xùn)練過程如圖7所示。

圖7 PSO優(yōu)化后的BP網(wǎng)絡(luò)的誤差下降曲線

由圖7可得，PSO優(yōu)化后的BP網(wǎng)絡(luò)的訓(xùn)練誤差經(jīng)過128次訓(xùn)練后就達(dá)到了目標(biāo)精度，收斂精度為0.0092。將PSO優(yōu)化BP網(wǎng)絡(luò)所構(gòu)建的PSOBPNN分類模型最終的識(shí)別結(jié)果建表，如表3所示。

表3 PSOBPNN的心電識(shí)別結(jié)果

表3中上側(cè)的FEI代表不屬于5種類型之中的任何一個(gè)類型，即網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)做測(cè)試分類后將數(shù)據(jù)化分為5種類型之外的類型。

由圖7和表3可得，雖然所構(gòu)建的PSOBPNN模型的收斂速度達(dá)不到LM-BPNN模型的收斂速度，但是其不容易陷入局部極值且收斂精度高，獲得了更高的識(shí)別正確率。并且5種類型中，LBBB、RBBB和PVC這三種類型的識(shí)別率都高達(dá)100.00%。求取五種類型識(shí)別率的平均值，可知PSOBPNN模型對(duì)心電特征的平均識(shí)別正確率達(dá)到了98.40%。

4 分類模型效果對(duì)比

為了更加清晰直觀的看出PSOBPNN模型的良好性能，將其分別與LM-BPNN和RBF模型的識(shí)別效果作比較。

4.1 LM-BPNN模型

首先設(shè)計(jì)LM算法優(yōu)化的BP網(wǎng)絡(luò)分類模型，即LM-BPNN，用以對(duì)數(shù)據(jù)做識(shí)別分類。然后設(shè)定訓(xùn)練期望誤差為1.00e-03，網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1000，學(xué)習(xí)速率為0.1，訓(xùn)練函數(shù)采取“trainlm”函數(shù)。網(wǎng)絡(luò)訓(xùn)練的誤差下降曲線如圖8所示。

圖8 LM-BPNN訓(xùn)練誤差下降曲線

由圖可知，LM-BPNN模型在第28次迭代后在沒有達(dá)到目標(biāo)誤差情況下就停止迭代，收斂于0.0013。此圖一方面說明由LM改進(jìn)的LM-BPNN模型具有一定的成效且收斂速度極快，另一方面表明在心電信號(hào)特征的識(shí)別方面，其精度不是非常的高。將測(cè)試數(shù)據(jù)的分類結(jié)果建表，詳情如表4所示。

表4 LM-BPNN的識(shí)別效果

由表4可知，LM-BPNN分類模型對(duì)LBBB類型的識(shí)別效果最好，獲得了100.00%的識(shí)別準(zhǔn)確率，對(duì)Normal、RBBB、PVC和APC四種類型的識(shí)別分別有3、5、1、5個(gè)的誤分類個(gè)數(shù)。通過計(jì)算可得LM-BPNN模型識(shí)別心電信號(hào)的平均正確率為94.40%。

4.2 RBF模型

RBF網(wǎng)絡(luò)中神經(jīng)元靈敏度的調(diào)節(jié)是通過閾值b來實(shí)現(xiàn)的。在解決實(shí)際問題的過程中，通常利用擴(kuò)展常數(shù)C(擴(kuò)展速度)去代替閾值b來調(diào)節(jié)靈敏度，同時(shí)，C又對(duì)應(yīng)著MATLAB自帶的RBF網(wǎng)絡(luò)函數(shù)中的參數(shù)spread，由此通過該函數(shù)對(duì)心電信號(hào)進(jìn)行特征識(shí)別。并且，RBF網(wǎng)絡(luò)的生成函數(shù)程序?yàn)閚et=newrbe(P，T，Spread)，其中，p為輸入樣本數(shù)據(jù)，T為目標(biāo)輸出，spread為擴(kuò)展速度。設(shè)定spread的初始值為5，并改變其值，最終得到不同擴(kuò)展速度下的心電特征識(shí)別結(jié)果，如表5所示。

表5 不同擴(kuò)展速度下的心電特征識(shí)別結(jié)果

從表5中可看出，spread的值對(duì)RBF的網(wǎng)絡(luò)性能影響很大，不同spread值對(duì)應(yīng)的心電特征識(shí)別結(jié)果之間差別比較大。在Spread=25附近，RBF的性能最好，得到的識(shí)別率最高。將Spread=25時(shí)RBF網(wǎng)絡(luò)對(duì)不同類型心電信號(hào)的分類結(jié)果建表，如表6所示。

表6 RBF網(wǎng)絡(luò)的心電特征識(shí)別結(jié)果

4.3 三種模型的對(duì)比

將三種模型的分類結(jié)果建表，如表7所示。

表7 本文使用的三種分類模型識(shí)別結(jié)果對(duì)比

由表7可知PSOBPNN模型的分類準(zhǔn)確率明顯高于其它兩種模型，為98.40%。說明PSOBPNN分類模型在心電特征識(shí)別中具有一定的可行性和優(yōu)越性。

5 結(jié)論

提出了基于小波包和PSOBPNN的心電特征識(shí)別方法，利用小波包變換的時(shí)頻域分析特性提取8維特征。結(jié)合PSO算法和BPNN網(wǎng)絡(luò)的優(yōu)點(diǎn)建立快速尋優(yōu)的PSOBPNN分類模型，并通過對(duì)比分析驗(yàn)證該方法的優(yōu)劣性。仿真結(jié)果表明，本文心電分類方法較其它方法具有相當(dāng)大的優(yōu)越性，平均分類正確率為98.40%。