基于SVM的ECG傳感器信號(hào)身份識(shí)別方法

陳 曦, 陳冠雄, 沈海斌

(1.浙江大學(xué) 超大規(guī)模集成電路設(shè)計(jì)研究所，浙江 杭州 310027；2.杭州易和網(wǎng)絡(luò)有限公司，浙江 杭州 310012)

基于SVM的ECG傳感器信號(hào)身份識(shí)別方法

陳 曦1, 陳冠雄2, 沈海斌1

(1.浙江大學(xué) 超大規(guī)模集成電路設(shè)計(jì)研究所，浙江 杭州 310027；2.杭州易和網(wǎng)絡(luò)有限公司，浙江 杭州 310012)

通過心電圖(ECG)傳感器采集的信號(hào)在身份識(shí)別中得到了越來越廣泛的應(yīng)用。但小波濾噪結(jié)果往往通過主觀判斷，沒有量化指標(biāo)，濾波效果不理想;同時(shí)，對(duì)于ECG特征的提取沒有考慮心率變化的影響，魯棒性不佳。針對(duì)這2個(gè)問題，提出了一種通過信噪比和相關(guān)系數(shù)衡量預(yù)處理結(jié)果的辦法，并且在特征的提取上只采用QRS波形，避開了易受心率影響的間期特征。最后使用了多種分類識(shí)別方法進(jìn)行測(cè)試，得到了小樣本下支持向量機(jī)(SVM)最適用于ECG識(shí)別的結(jié)論。

心電圖；小波變換；支持向量機(jī)；相關(guān)系數(shù)；特征提取；分類識(shí)別

0 引 言

心電圖(ECG)信號(hào)是非常重要的人體生理信號(hào)，它反映了心臟的工作狀態(tài)，可以用于心律失常、心房肥大、心肌梗死等疾病的檢測(cè)，自1887年誕生以來一直在醫(yī)學(xué)上具有非常重大的臨床參考意義[1]，隨著對(duì)安全的重視不斷提高，傳統(tǒng)指紋、虹膜等技術(shù)存在或多或少的破解可能，尋找一種穩(wěn)定可靠的身份識(shí)別辦法迫在眉睫。ECG信號(hào)作為人體內(nèi)部特征不易被剽竊、不易被仿制，安全系數(shù)高[2]。同時(shí)，由于干電極等便攜式微型ECG信號(hào)采集器的出現(xiàn)，ECG信號(hào)的提取也越來越簡(jiǎn)單。ECG信號(hào)用于身份識(shí)別需要經(jīng)過3個(gè)主要的步驟：ECG信號(hào)預(yù)處理、ECG信號(hào)特征提取、ECG特征的分類識(shí)別。

以往的研究者對(duì)于ECG信號(hào)的濾波預(yù)處理往往根據(jù)經(jīng)驗(yàn)進(jìn)行，同時(shí)他們忽視了心率變化對(duì)ECG特征的干擾，選擇的ECG特征極易受心動(dòng)周期的改變而改變。

本文從ECG信號(hào)預(yù)處理方法入手，提出了通過相關(guān)系數(shù)和信噪比檢驗(yàn)預(yù)處理效果的方法。隨后提取了不受心率影響的ECG特征，分別用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)和樸素貝葉斯模型分別進(jìn)行分類識(shí)別，找出最適合的分類方法。

1 ECG信號(hào)預(yù)處理

1.1 ECG信號(hào)簡(jiǎn)介

ECG來自于心肌細(xì)胞膜的電興奮，該興奮傳到體表形成電位差，由ECG傳感器采集得到[3]準(zhǔn)健康人群的純凈無噪音ECG信號(hào)如圖1。

從圖中可以看到，一個(gè)ECG信號(hào)由P波、P-R段、P-R間期、QRS波群、ST段和T波、Q-T間期組成。不同個(gè)體年齡、性別、健康狀況、心臟功能都有差異，因此，這些特征會(huì)有不同之處，只要能正確提取這些特征點(diǎn)，選擇合適的分類器，就可以完成ECG身份識(shí)別。

圖1 純凈的ECG信號(hào)Fig 1 Pure ECG signal

但是，由于ECG信號(hào)比較微弱，傳感器設(shè)備本身精度也受到制約，在采集和A/D轉(zhuǎn)換過程中會(huì)引入各種噪聲干擾，主要有3種形式：1)工頻干擾；2)肌電干擾；3)基線漂移。

工頻干擾主要由電源噪聲導(dǎo)致，頻率為我國(guó)的電網(wǎng)頻率50 Hz[4]；肌電干擾[5]主要由被測(cè)者的肌肉電位造成，頻帶非常寬泛為5～20 000 Hz；基線漂移主要由皮膚和電極之間的阻抗產(chǎn)生，頻率小于1 Hz[6]。

1.2 小波變換消噪

小波分析誕生于20世紀(jì)80年代，與其前身傅里葉變換相比，小波變換具有多分辨率的特點(diǎn)，特別適合非平穩(wěn)性信號(hào)的分析研究。目前，研究者已經(jīng)利用小波分析在ECG信號(hào)的濾波上取得一定的成果。因此，本文主要利用小波分析來進(jìn)行ECG信號(hào)的濾波。

小波變換消噪主要分3個(gè)步驟[7]：1)選擇適當(dāng)?shù)男〔ê瘮?shù)并結(jié)合一定的分解尺度；2)選用恰當(dāng)?shù)拈撝禐V波方法對(duì)分解后的各層小波系數(shù)進(jìn)行閾值操作；3)將閾值濾波后的各層重構(gòu)還原。

小波函數(shù)的選擇作為第一環(huán)節(jié)，有非常重要的意義。Matlab庫(kù)提供多達(dá)16種小波函數(shù)[8]，不同的小波函數(shù)應(yīng)用場(chǎng)合和工作性能，最終結(jié)果各不相同。

將各種小波函數(shù)的性質(zhì)收集整理，得到表1。

表1 幾種小波的性質(zhì)對(duì)比Tab 1 Properties comparison of several kinds of wavelets

小波函數(shù)處理后的各層信號(hào)可以用下式表示

dj(k)={x(t),φj,k(t)}.

適當(dāng)?shù)膶訑?shù)選擇可以把信號(hào)能量集中到少數(shù)小波系數(shù)上，從而方便高效地濾除噪聲干擾。這對(duì)小波的緊支性、消失矩、正交性提出了要求。同時(shí)，由于ECG數(shù)據(jù)量巨大，擁有快速算法對(duì)于實(shí)際應(yīng)用中的計(jì)算速度是很有幫助的。

以上這些小波中，Haar小波光滑性差，重構(gòu)效果不佳；Morlet小波沒有正交性，因此,無法對(duì)濾波后的信號(hào)進(jìn)行重構(gòu)；Bior小波緊支性不好，不能突出特征點(diǎn)。以往的研究者認(rèn)為db小波由于對(duì)稱性差，會(huì)導(dǎo)致重構(gòu)后的信號(hào)相位嚴(yán)重失真，并不適用于信號(hào)的分解重構(gòu)處理，都回避了這種小波基。但是考慮到本文接下去所采用的特征提取方案與信號(hào)相位并沒有直接聯(lián)系，因此,Coiflet,Symlet,db小波系相對(duì)來說，都適合用來分解重構(gòu)ECG信號(hào)。

1.3 實(shí)驗(yàn)步驟與結(jié)果分析

實(shí)驗(yàn)在Matlab平臺(tái)上進(jìn)行。首先構(gòu)造一個(gè)標(biāo)準(zhǔn)無噪音ECG信號(hào)，并將50 Hz工頻干擾、肌電干擾和基線漂移這三者加入到純凈的ECG信號(hào)之中，得到含噪聲干擾的ECG信號(hào)，如圖2所示。

圖2 帶噪聲的ECG信號(hào)Fig 2 ECG signal with noise

信噪比為27.4375。

閾值的選取上，采用改進(jìn)的軟閾值法，公式如下

相比于Dohono提出的閾值濾波法，該法當(dāng)系數(shù)大于閾值時(shí)平滑地將系數(shù)減小到閾值。同時(shí)，不同于Dohono的全局采用同一閾值，本實(shí)驗(yàn)對(duì)于小波分解后的各層設(shè)定獨(dú)立的閾值，以免不同層之間的相互干擾。閾值的取值如下式

分別使用3種小波函數(shù)重復(fù)實(shí)驗(yàn)3次，測(cè)量處理后的信噪比和相關(guān)系數(shù)繪制表2。

表2 各函數(shù)處理后信噪比Tab 2 SNR after prccessed by each function

從表2可以得出，使用db2小波函數(shù)濾波后，信噪比優(yōu)于另外2種算法。

除了信噪比，波函數(shù)的相關(guān)系數(shù)(表3)也是考量波形還原能力的一項(xiàng)重要指標(biāo)。高的相關(guān)系數(shù)表明波形的還原能力強(qiáng)，ECG信號(hào)特征點(diǎn)保持的好，波峰沒有明顯削峰，這對(duì)于特征點(diǎn)的提取是很有意義的。

表3 各函數(shù)處理后相關(guān)系數(shù)Tab 3 Correlation coefficient after processed by each function

從表3中可以看到，db2小波處理后的相關(guān)系數(shù)優(yōu)于另外2種小波函數(shù)。

因此,在進(jìn)行特征提取前，采用db2小波處理MIT—BIH庫(kù)中的ECG信號(hào)。

2 特征提取與分類識(shí)別

李延軍[9]對(duì)6名健康男性樣本，分別在睡眠、平靜、精神負(fù)荷和運(yùn)動(dòng)負(fù)荷4種狀態(tài)下進(jìn)行ECG測(cè)量，發(fā)現(xiàn)隨著運(yùn)動(dòng)負(fù)荷的提高，變化最明顯的是T-P間期，T-P間期大幅縮短，而PR間期基本保持不變。

孫淑珍[10]對(duì)30例劃船運(yùn)動(dòng)員分別測(cè)量運(yùn)動(dòng)前、運(yùn)動(dòng)時(shí)、力竭時(shí)、恢復(fù)后的ECG數(shù)據(jù)，得到運(yùn)動(dòng)后最直觀反應(yīng)是運(yùn)動(dòng)員心率加快，到達(dá)力竭最高點(diǎn)后，心率逐漸恢復(fù)至平靜值，P-R間期表現(xiàn)為微弱變化，而QRS間期沒有顯著改變，Q-T前期略有縮短的結(jié)論。

不同于疾病檢測(cè)通常在安靜的醫(yī)療環(huán)境中，身份識(shí)別應(yīng)用環(huán)境復(fù)雜，受測(cè)者心率未必能保持一致，以往的研究者在特征提取時(shí)忽略了這一點(diǎn)，使用了R-R間期，T-P間期等易受心動(dòng)周期干擾的特征。

本文避開這些特征間期特征，將特征提取的重點(diǎn)放在穩(wěn)定可靠的QRS波形上。

R波峰值的尋找方法為：首先提取一個(gè)時(shí)間窗內(nèi)的最大值，正常成年人體心跳大約在75 min，因此,一個(gè)時(shí)間窗設(shè)定為800 ms。在這樣一個(gè)短的時(shí)間間隔內(nèi)，最多只會(huì)有一個(gè)R峰，取該時(shí)間間隔內(nèi)的最大值即為R波峰值。用同樣的方法再定位第二個(gè)R波波峰，此時(shí)就可以得出一個(gè)心動(dòng)周期的時(shí)間，該時(shí)間就是2個(gè)R波波峰之間的間隔。利用該心動(dòng)周期作為時(shí)間窗，利用前一個(gè)R波幅值的70 %作為閾值尋找下一個(gè)極大值點(diǎn)。

使用該方法取得了100 %的R波提取率，在R波前后各50 ms的時(shí)間窗內(nèi)就能得到Q波和S波。

本實(shí)驗(yàn)最終提取了13個(gè)樣本的Q波位置、S波位置、QRS間期、RQ幅值差、RS幅值差5個(gè)特征組成特征向量。

ECG信號(hào)身份識(shí)別屬于模式分類的問題,該領(lǐng)域中比較經(jīng)典的有RBF神經(jīng)網(wǎng)絡(luò)算法[11]、SVM分類算法、貝葉斯等。其中神經(jīng)網(wǎng)絡(luò)發(fā)展最為成熟，應(yīng)用面最廣[12],SVM對(duì)于小樣本有很好的支持,樸素貝葉斯模型數(shù)學(xué)原理簡(jiǎn)單，分類速度快。

因此，本實(shí)驗(yàn)分別用3種分類方法進(jìn)行測(cè)試如表4。

表4 各分類方法的處理時(shí)間和正確率Tab 4 Processing time and accuracy of each classification method

從表4可以得出：在小樣本情況下，使用了傳統(tǒng)樸素貝葉斯核函數(shù)的SVM確實(shí)擁有很好的分類性能。而樸素貝葉斯模型則擁有最快的分類速度。

3 結(jié) 論

本文首先提出了用信噪比和相關(guān)系數(shù)檢驗(yàn)濾波效果的方法，對(duì)ECG信號(hào)進(jìn)行建模，得出db2最適用于ECG信號(hào)預(yù)處理的結(jié)論。然后在特征提取上，避開了易受心率影響的間期特征，使得身份識(shí)別的魯棒性大大提高。最后使用RBF神經(jīng)網(wǎng)絡(luò)、SVM和樸素貝葉斯模型分別對(duì)特征向量進(jìn)行分類識(shí)別，其中在SVM下針對(duì)13個(gè)樣本得到了96.461 5 %的識(shí)別率，證明了這種預(yù)處理方法和特征提取方法的可行性。

[1] 王 祁,于 航.傳感器技術(shù)的新發(fā)展: 智能傳感器和多功能傳感器[J].傳感器技術(shù),1998,17(1):56-58.

[2] 汪 莉.基于ECG信號(hào)的身份識(shí)別技術(shù)研究[D].濟(jì)南：山東大學(xué),2005.

[3] 趙 捷,華 玫.一種濾除 ECG 基線漂移和交流干擾的簡(jiǎn)單算法[J].中國(guó)醫(yī)療器械雜志,1991,15(5):262-265.

[4] 張艷麗,楊仁弟.基于小波變換自適應(yīng)濾波方法的ECG信號(hào)消噪[J].安徽大學(xué)學(xué)報(bào)：自然科學(xué)版,2006(6):010.

[5] 劉雪紅,吳愛平,王立業(yè),等.小波變換去除ECG信號(hào)中呼吸信號(hào)干擾[J].生物醫(yī)學(xué)工程與臨床,2003,7(2):78-80.

[6] 陸英北,張?jiān)龇?蔡坤寶.基于小波變換的ECG信號(hào)基線矯正方法[J].北京生物醫(yī)學(xué)工程,2000,19(4):235-239.

[7] Van Alste J A,Schilder T S.Removal of base-line wander and power-line interference from the ECG by an efficient FIR filter with a reduced number of taps[J].IEEE Transactions on Biomedical Engineering,1985(12):1052-1060.

[8] Daqrouq K.ECG baseline wandering reduction using discrete wavelet transform[J].Asian Journal of Information Technology,2005,4(11):989-995.

[9] Li C,Zheng C,Tai C.Detection of ECG characteristic points using wavelet transforms[J].IEEE Transactions on Biomedical Engineering,1995,42(1):21-28.

[10] Anderson T W.The integral of a symmetric unimodal function over a symmetric convex set and some probability inequalities[J].Proceedings of the American Mathematical Society,1955,6(2):170-176.

[11] Cohen A,Daubechies I,Jawerth B,et al.Multiresolution analysis,wavelets and fast algorithms on an interval[J].Comptes Rendus De l’Académie Des Sciences，Série 1,Mathématique,1993,316(5):417-421.

[12] 徐效文,曾 超,崔松野,等.MIT—BIH數(shù)據(jù)庫(kù)ECG數(shù)據(jù)重采樣研究[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(8):245-248.

ECG sensor signal identification method based on SVM

CHEN Xi1，CHEN Guan-xiong2，SHEN Hai-bin1

(1.Institute of VLSI Design,Zhejiang University,Hangzhou 310027,China;2.Yihe Company Limited, Hangzhou 310012,China)

ECG signal collected by ECG sensor is widely used in field of identification.Firstly,wavelet de-noising results are often judged subjectively,no quantitative indicators,and filtering effect is not ideal.Secondly,influence of change of heart rate isn’t taken into consideration,robustness is poor.In order to solve these two problems,put forward a kind of methods to measure results of pretreatment by SNR and correlation coefficient,and only adopt QRS waveform in feature extraction,avoiding interval feature easily influenced by heart rate.Finally,use a variety of classification and recognition methods for testing, for small sample,SVM is most suitable for ECG identification.

ECG; wavelet transform; SVM; correlation coefficient; feature extraction; classification identification

10.13873/J.1000—9787(2014)10—0040—03

2014—03—05

TP 212; TP 18

A

1000—9787(2014)10—0040—03

陳 曦(1988-)，男，浙江杭州人，碩士研究生，研究方向?yàn)橹悄馨踩c芯片設(shè)計(jì)。