基于改進(jìn)LS-TWIN-SVM的心律不齊異常輔助診斷

楊青峰, 夏芳, 高海燕, 馮曉菊， 程順達(dá)*

(1. 河北省中醫(yī)院， 河北， 石家莊 050011； 2. 河北經(jīng)貿(mào)大學(xué)， 河北， 石家莊 050011；3. 河北省中醫(yī)藥發(fā)展中心， 河北， 石家莊 050011)

0 引言

伴隨著人工智能與單片機(jī)采集、無線網(wǎng)絡(luò)等技術(shù)的融合，研究者相繼開發(fā)出基于生理信號(hào)的輔助診斷系統(tǒng)，如龐曉燕等[1]結(jié)合大數(shù)據(jù)和人工智能技術(shù)，開發(fā)了具有診斷推薦和治療方案推薦的智能交互系統(tǒng)，從而為臨床疾病的診斷提供了輔助功能；尹天露等[2]結(jié)合知識(shí)圖譜技術(shù)，構(gòu)建疲勞標(biāo)志物對(duì)疲勞相關(guān)疾病潛在篩查價(jià)值模型，從而為患者潛在疾病診斷提供了新的途徑。由此看出，基于智能算法的疾病診斷正在成為當(dāng)前醫(yī)學(xué)領(lǐng)域研究的熱點(diǎn)。而對(duì)于心臟疾病的診斷，往往需長時(shí)間監(jiān)測(cè)ECG信號(hào)，才能發(fā)現(xiàn)心臟可能存在的異常。因此，在實(shí)際診斷中，往往需要對(duì)ECG信號(hào)進(jìn)行去噪和特征提取，最后再結(jié)合智能算法對(duì)ECG進(jìn)行分類。目前，常用的分類算法中包括線性識(shí)別分析、K近鄰分類器、決策樹分類器、最小二乘支持向量機(jī)、支持向量機(jī)合并各種優(yōu)化算法等。盡管這些算法大大提高了分類的精準(zhǔn)性，但仍存在問題，如分類的效率不高，泛化能力不強(qiáng)。雙子支持向量機(jī)憑借自身在運(yùn)行速度、泛化能力上的優(yōu)勢(shì)，近兩年被廣泛應(yīng)用與生物醫(yī)學(xué)信號(hào)的識(shí)別中。對(duì)此，本研究提出一種改進(jìn)LS-TWIN-SVM多分類器的心律診斷方法，并對(duì)該方法的可行性進(jìn)行驗(yàn)證。

1 LS-TWIN-SVM算法建模

LS-TWIN-SVM即最小二乘雙子支持向量機(jī)，是一種在傳統(tǒng)SVM算法基礎(chǔ)上衍生的一種基于最小二乘法和雙子支持向量機(jī)的解決線性與非線性分類的算法。該算法將傳統(tǒng)SVM的不等式約束轉(zhuǎn)化為等式約束，從而極大降低了訓(xùn)練的復(fù)雜度，具有訓(xùn)練速度快的特點(diǎn)。LS-TWIN-SVM將不等式約束轉(zhuǎn)化為式(1)[3]和式(2)[4]的等式約束，

(1)

(2)

式中，X1、X2表示樣本的N維矩陣，K(·)表示核函數(shù)，c1用c1/2替代，e1、e2表示滿足屬性值全部為1的向量，ζ表示非負(fù)的松弛變量，μ、γ表示超平面參數(shù)。

將上述等式代入目標(biāo)函數(shù)，由此二次規(guī)劃問題變?yōu)?/p>

(3)

(4)

根據(jù)式(3)、式(4)，求得兩超平面參數(shù)：

(5)

(6)

式中，G=[K(X1,X)e1],H=[K(X2,X)e2]。

要對(duì)樣本分類，只需計(jì)算超平面與測(cè)試樣本的距離。

最終決策函數(shù)為

(7)

2 基于改進(jìn)LS-TWIN-SVM的診斷模型構(gòu)建

2.1 改進(jìn)思路

實(shí)踐表明，LS-TWIN-SVM分類包括“一對(duì)一”和“一對(duì)多”兩種策略。這兩種分類策略在訓(xùn)練過程中計(jì)算復(fù)雜度會(huì)隨樣本增加而增加，進(jìn)而造成訓(xùn)練時(shí)間長、類別數(shù)過多、分類準(zhǔn)確率低等問題[5]。本研究是以可穿戴式設(shè)備采集到的患者ECG信號(hào)為樣本進(jìn)行智能診斷，通過分類找到ECG信號(hào)中存在的異常信號(hào)，進(jìn)而判斷患者心律是否異常。因此，隨著樣本的增多，維度必然增加，進(jìn)而造成分類不準(zhǔn)確的問題。為解決上述問題，結(jié)合楊偉敏[4]的研究，認(rèn)為有向無環(huán)圖的分類策略與傳統(tǒng)的OVA-SVM、OVO-SVM、DTLS-TWIN-SVM等分類策略的計(jì)算復(fù)雜度相比，有向無環(huán)圖的LS-TWIN-SVM分類策略的計(jì)算復(fù)雜度更低。因此，用有向無環(huán)圖改進(jìn)LS-TWIN-SVM，可解決數(shù)據(jù)多樣性和多類別性帶來的超平面維度多的問題，縮短訓(xùn)練時(shí)間，提高訓(xùn)練效率和正確率。

同時(shí)，SVM 核函數(shù)參數(shù)選擇的好壞將直接影響最終的 SVM 分類器泛化能力的優(yōu)劣。理論研究表明，參數(shù)的選擇能很大程度地提高支持向量機(jī)的識(shí)別率。目前，參數(shù)尋優(yōu)方法有網(wǎng)格尋優(yōu)、交叉驗(yàn)證尋優(yōu)、PSO 尋優(yōu)等，傳統(tǒng)的參數(shù)選取方法具有一定的不足，如人為選取參數(shù)取決于個(gè)人經(jīng)驗(yàn)，受人為影響較大；交叉驗(yàn)證法選取參數(shù)一般計(jì)算量比較大，程序也復(fù)雜。而遺傳算法具有很強(qiáng)的適應(yīng)性，是一種全局最優(yōu)化算法，具有很好的魯棒性能和搜索能力，在諸多領(lǐng)域都有廣泛應(yīng)用。因此，引入遺傳算法對(duì)SVM參數(shù)進(jìn)行尋優(yōu)，取最終測(cè)試集數(shù)據(jù)和預(yù)測(cè)集數(shù)據(jù)誤差最小的c和g進(jìn)行分類。

2.2 基于有向無環(huán)圖的LS-TWIN-SVM的心電信號(hào)診斷

結(jié)合以上的分析，將有向無環(huán)圖的LS-TWIN-SVM心律不齊診斷流程分為以下幾步：

(1) 采用小波去噪處理心電信號(hào)，并對(duì)處理后的心電信號(hào)進(jìn)行特征提取；

(2) 初始化基于有向無環(huán)圖的LS-TWIN-SVM診斷模型，包括最大迭代次數(shù)、種群大小、模型懲罰參數(shù)、核參數(shù)等；

(3) 訓(xùn)練模型，并計(jì)算模型適應(yīng)度函數(shù)；

(4) 判斷是否滿足迭代條件，若滿足則獲取模型的最優(yōu)懲罰參數(shù)和核參數(shù)；反之則返回步驟(3)；

(5) 對(duì)心電信號(hào)數(shù)據(jù)進(jìn)行分類識(shí)別，并輸出預(yù)測(cè)結(jié)果。

以上步驟可用圖1示意。

圖1 模型診斷流程

3 仿真實(shí)驗(yàn)

3.1 數(shù)據(jù)來源及預(yù)處理

3.1.1 數(shù)據(jù)來源

本研究仿真實(shí)驗(yàn)數(shù)據(jù)來自美國麻省理工MIT-BIH心律失常數(shù)據(jù)庫中標(biāo)準(zhǔn)12導(dǎo)聯(lián)數(shù)據(jù)，包括左束支阻滯、右束支阻滯、正常心電圖、室性早搏和房性早搏五類心律不齊記錄。為使實(shí)驗(yàn)更具普遍性，研究從每類心律不齊數(shù)據(jù)中，選擇50個(gè)具有代表性的心搏用于訓(xùn)練分類器，選擇1 000個(gè)心搏用于測(cè)試分類器，并保證用于訓(xùn)練和測(cè)試的數(shù)據(jù)不重復(fù)。

3.1.2 數(shù)據(jù)預(yù)處理

(1) 數(shù)據(jù)預(yù)處理

ECG信號(hào)中包含大量的噪聲，如肌電干擾噪聲、運(yùn)動(dòng)偽影、基線漂移噪聲等，這些噪聲的存在會(huì)影響ECG信號(hào)的形態(tài)特征，進(jìn)而降低智能診斷的精度。而對(duì)于臨床用的心電圖，通常采用50 Hz的陷波器濾除ECG信號(hào)中的工頻干擾，用數(shù)學(xué)形態(tài)學(xué)、中值濾波等方式去除ECG采集信號(hào)中存在的基線漂移問題[6-7]。但ECG中的ST通常被認(rèn)為是判斷心律異常和心梗的一個(gè)重要指標(biāo)，由于ST段頻率不高的問題，往往會(huì)存在部分與基線漂移的頻段存在重合的部分。另外在選擇頻率時(shí)，濾波器截止頻率的選擇應(yīng)盡量不低于50 Hz，但又很難徹底去除高頻干擾?；谝陨戏治觯瑢?duì)工頻信號(hào)的去除再用陷波濾波濾除，對(duì)ECG信號(hào)中的運(yùn)動(dòng)偽影采用閾值濾波，為防止基線漂移與ST段頻率重疊問題，采用小波分解及小波自適應(yīng)閾值進(jìn)行處理。

(2) 特征提取

為準(zhǔn)確反映心率異常，研究提取了數(shù)據(jù)樣本的時(shí)間間期特征和形態(tài)特征兩類特征的混合特征。其中，針對(duì)數(shù)據(jù)樣本時(shí)間間期特征提取，研究提取了本次與前次心搏間期、本次與后次心搏間期、兩個(gè)間期比值三個(gè)時(shí)間間期特征。針對(duì)數(shù)據(jù)樣本形態(tài)特征提取，研究采用可有效保存窗口截?cái)嘈盘?hào)信息的最大熵功率譜對(duì)五類心律不齊心搏信號(hào)進(jìn)行特征提取。通過上述操作，本研究提取到每個(gè)心搏132個(gè)特征作為訓(xùn)練樣本和測(cè)試樣本。

3.2 評(píng)價(jià)指標(biāo)

為評(píng)估提出的心律不齊診斷模型的識(shí)別效果，采用準(zhǔn)確率、敏感性、特異性、陽性率4項(xiàng)指標(biāo)進(jìn)行評(píng)價(jià)。其計(jì)算公式如式(8)～式(11)[8-11]。

(8)

(9)

(10)

(11)

式中，Acc表示正確率，Sp表示特異性，Se表示敏感性，Pp表示陽性率，TP表示真陽性，F(xiàn)P表示假陽性，TN表示真陰性，F(xiàn)N表示假陰性。

3.3 算法驗(yàn)證

3.3.1 分類器參數(shù)對(duì)識(shí)別效果的影響

由于分類器參數(shù)同樣會(huì)對(duì)基于有向無環(huán)圖的LS-TWIN-SVM診斷模型最終識(shí)別效果產(chǎn)生巨大影響，因此本研究采用交叉驗(yàn)證算法用于驗(yàn)證懲罰參數(shù)c和核參數(shù)σ對(duì)該分類器的影響。令C1=C2=C，c∈{10-8，…，104}，σ∈{2-4，…，28}，并使用300個(gè)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，得到分類器5折交叉驗(yàn)證的分類結(jié)果如圖2所示。由圖2可知，高斯核函數(shù)參數(shù)σ對(duì)心電信號(hào)數(shù)據(jù)的分類結(jié)果影響較大；網(wǎng)格搜索方法可獲得準(zhǔn)確率較高的分類結(jié)果，最高分類準(zhǔn)確率達(dá)到98.32%時(shí)，σ和c分別為23和10-8。

圖2 模型參數(shù)對(duì)心電信號(hào)分類結(jié)果影響

3.3.2 不同SVM方法的診斷識(shí)別率

為了驗(yàn)證基于有向無環(huán)圖的LS-TWIN-SVM心律不齊診斷模型對(duì)心電信號(hào)分類效果及其泛化能力，研究在有向無環(huán)圖分類策略和同等實(shí)驗(yàn)環(huán)境及相同數(shù)據(jù)集上，對(duì)比標(biāo)準(zhǔn)支持向量機(jī)(SVM)及雙子支持向量機(jī)(TWSVM)對(duì)心電信號(hào)診斷進(jìn)行了測(cè)試。為簡化運(yùn)算，研究將TWSVM和基于有向無環(huán)圖的LS-TWIN-SVM參數(shù)范圍設(shè)置為10-8～104[12]，測(cè)試結(jié)果如表1所示。由表1可知，基于有向無環(huán)圖的LS-TWIN-SVM心律不齊診斷模型識(shí)別心律不齊異常癥狀的正確率為99.32%，標(biāo)準(zhǔn)SVM分類器識(shí)別正確率為94.12%，TWSVM模型識(shí)別正確率為98.03%；基于有向無環(huán)圖的LS-TWIN-SVM的敏感性、特異性、陽性率3項(xiàng)指標(biāo)均高于標(biāo)準(zhǔn)SVM模型和TWSVM模型。由此可知，本研究提出的基于有向無環(huán)圖的LS-TWIN-SVM心律不齊診斷模型可準(zhǔn)確識(shí)別心律不齊異常癥狀，且識(shí)別效果優(yōu)于標(biāo)準(zhǔn)SVM模型和TWSVM模型的識(shí)別效果。

表1 不同模型識(shí)別結(jié)果

3.3.3 本算法與其他分類算法的比較

為了驗(yàn)證提出基于有向無環(huán)圖的LS-TWIN-SVM診斷模型的可行性，研究使用同一數(shù)據(jù)集，對(duì)比PNN、MLP、BP神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)數(shù)據(jù)的分類效果進(jìn)行了測(cè)試。測(cè)試結(jié)果如表2所示。由表2可知，基于有向無環(huán)圖的LS-TWIN-SVM模型的分類準(zhǔn)確率最高，達(dá)到99.21%；PNN分類準(zhǔn)確率最低為65.98%?；谟邢驘o環(huán)圖的LS-TWIN-SVM模型訓(xùn)練時(shí)間最短為0.72 s；BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間最長為268.36 s。由此說明，本研究提出的基于有向無環(huán)圖的LS-TWIN-SVM模型分類準(zhǔn)確率和效率較好，優(yōu)于PNN、MLP、BP神經(jīng)網(wǎng)絡(luò)。

表2 不同機(jī)器學(xué)習(xí)測(cè)試結(jié)果

綜上可知，本研究提出的面向社區(qū)家庭醫(yī)生的基于有向無環(huán)圖的LS-TWIN-SVM心律不齊診斷模型性能優(yōu)于標(biāo)準(zhǔn)SVM模型和TWSVM模型，且其診斷正確率較高，達(dá)到99.32%，說明該模型可用于實(shí)際診斷心律不齊異常癥狀，具有實(shí)際應(yīng)用價(jià)值，可促進(jìn)對(duì)面向社區(qū)的家庭醫(yī)生進(jìn)行輔助診斷。此外，該模型將QPP問題中不等式約束問題轉(zhuǎn)化為等式約束，有利于面向社區(qū)的家庭醫(yī)生輔助診斷模型構(gòu)建，進(jìn)而提高了診斷的實(shí)時(shí)性和準(zhǔn)確率。

4 總結(jié)

心電信號(hào)等生物信號(hào)的分類識(shí)別是建立智慧醫(yī)療系統(tǒng)，構(gòu)建面向社區(qū)的家庭醫(yī)生輔助診斷模型的關(guān)鍵。本研究通過基于有向無環(huán)圖的LS-TWIN-SVM分類算法，實(shí)現(xiàn)了對(duì)心電信號(hào)的分類識(shí)別及自動(dòng)診斷。該算法具有計(jì)算復(fù)雜度低，較快獲取分類結(jié)果等優(yōu)勢(shì)，可深入識(shí)別生物信號(hào)心電信號(hào)的特點(diǎn)，對(duì)心律不齊異常癥狀診斷正確率高達(dá)99.32%。由此說明，基于有向無環(huán)圖的LS-TWIN-SVM分類算法對(duì)實(shí)現(xiàn)大數(shù)據(jù)輔助診斷心律不齊異常癥狀具有實(shí)際意義和應(yīng)用價(jià)值，建立面向社區(qū)的家庭醫(yī)生輔助診斷奠定了理論基礎(chǔ)。