基于混沌特性和BP神經(jīng)網(wǎng)絡(luò)的室性早搏的自動(dòng)診斷

劉秀玲，杜海曼，呂方飛，陳飛，劉明

（1.河北大學(xué)電子信息工程學(xué)院數(shù)字醫(yī)療工程重點(diǎn)實(shí)驗(yàn)室，河北保定 071002）

早搏是指異位起搏點(diǎn)發(fā)出的過(guò)早沖動(dòng)引起的心臟搏動(dòng)，為最常見(jiàn)的心律失常.根據(jù)早搏起源部位的不同將其分為房性、室性和結(jié)性，其中以室性早搏最常見(jiàn).室性早搏的發(fā)生具有隨機(jī)性和不確定性，需要長(zhǎng)時(shí)間的觀測(cè)人體的動(dòng)態(tài)心電圖進(jìn)行確診.這使得采集數(shù)據(jù)量巨大，醫(yī)生長(zhǎng)期從事大量圖形的識(shí)別工作，極易疲勞，容易出錯(cuò)，因此，探索新方法以提高診斷的準(zhǔn)確率成為當(dāng)前心電技術(shù)中迫切需要解決的問(wèn)題.目前，國(guó)內(nèi)外很多的研究都集中于此.Yeh YC等［1］對(duì)于心律不齊采用聚類(lèi)分析的方法，通過(guò)檢測(cè)QRS波形，選擇定性特征，確定心跳的情況.該方法不需要復(fù)雜的數(shù)學(xué)計(jì)算，分類(lèi)精度較高.Wang JS［3］提出了一種有效的心電分類(lèi)方法，利用結(jié)合主成分分析和線(xiàn)性判別分析的特征簡(jiǎn)約法以及概率神經(jīng)網(wǎng)絡(luò)分類(lèi)器來(lái)區(qū)分8種不同類(lèi)型的心律失常.曹玉珍等［3］提出了基于小波變換特征提取的支持向量機(jī)的分類(lèi)研究方法，在離散小波變換并提取優(yōu)化特征組合的基礎(chǔ)上，采用標(biāo)準(zhǔn)算法構(gòu)建支持向量機(jī)分類(lèi)器實(shí)現(xiàn)分類(lèi)，相對(duì)于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法在檢測(cè)性能上更優(yōu)，復(fù)雜程度降低.文獻(xiàn)［4］提出利用小波變換和時(shí)間間隔結(jié)合神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)室性早搏的分類(lèi)，該方法利用大數(shù)據(jù)集進(jìn)行測(cè)試，敏感度和精度還有待提高.

以上分析方法，雖然能取得一定的識(shí)別效果，但是需要的特征較多，增加了特征提取的難度和特征篩選的復(fù)雜度.而混沌理論可以很好地解決此問(wèn)題，研究表明，較少的混沌特征就足以實(shí)現(xiàn)心電信號(hào)的自動(dòng)診斷，取得了很好的效果.本文提出了一種根據(jù)早搏異位起搏點(diǎn)發(fā)出過(guò)早沖動(dòng)的特性，識(shí)別出早搏心拍，再基于心電信號(hào)混沌特性分析和Lyapunov指數(shù)計(jì)算的室性早搏的自動(dòng)診斷新方法.根據(jù)室性早搏類(lèi)信號(hào)在Lyapunov指數(shù)相關(guān)分析中的特殊性，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成室性早搏信號(hào)的準(zhǔn)確識(shí)別.

1 理論和方法

1.1 整體框架

本文所提出的方法框架如圖1所示，主要包括3個(gè)階段，即R峰值檢測(cè)，早搏心拍識(shí)別，室性早搏診斷.心電信號(hào)中R波相對(duì)其他波段來(lái)說(shuō)最為明顯，首先采用能量法凸顯QRS波，進(jìn)而通過(guò)閾值處理并優(yōu)化找到R峰值.再根據(jù)早搏特點(diǎn)通過(guò)RR間期不均勻性識(shí)別出早搏心拍.最后根據(jù)室性早搏Lyapunov指數(shù)導(dǎo)數(shù)相關(guān)分析的明顯特征，通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練達(dá)到識(shí)別出室性早搏類(lèi)別心拍的目的.

圖1 方法框架Fig.1 Block diagram of the method

1.2 理論基礎(chǔ)

其中x1＝f（x0），x2＝f（x1）＝）L，則Lyapunov指數(shù)為

一維映射就對(duì)應(yīng)一個(gè)Lyapunov指數(shù)，而且當(dāng)Lyapunav指數(shù)大于0時(shí)該系統(tǒng)具有混沌特性.

1.2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)［8］是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一.BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲(chǔ)大量的輸入、輸出模式映射關(guān)系，而無(wú)需事先揭示描述這種映射關(guān)系的數(shù)學(xué)方程.它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小.BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層.典型的3層BP神經(jīng)網(wǎng)絡(luò)如圖2所示.

圖2 3層BP神經(jīng)網(wǎng)絡(luò)Fig.2 BP neural network of three layers

1.3 實(shí)現(xiàn)方法

1.3.1 R波峰值檢測(cè)

首先，采用小波變換［9－10］去除心電信號(hào)中的噪聲，選擇DB6（Daubechies 6）作為小波基進(jìn)行小波分解；在閾值處理時(shí)，使用一種自適應(yīng)的閾值方法，對(duì)于不同類(lèi)噪聲的適應(yīng)性得到提高.其次，對(duì)信號(hào)進(jìn)行小波重構(gòu)，從能量和頻率方面進(jìn)行處理，心電信號(hào)的絕大部分能量集中于QRS波群，而P波和T波能量較小，該重構(gòu)方法能很好地包容大部分的QRS信息，濾除大部分的P波和T波.R峰值即能量峰值，每1個(gè)能量峰值點(diǎn)對(duì)應(yīng)1個(gè)QRS波群.采用閾值法得到粗略的能量峰值點(diǎn)，并對(duì)其進(jìn)行優(yōu)化.對(duì)濾波信號(hào)加適當(dāng)?shù)臅r(shí)間窗，每1個(gè)窗口范圍內(nèi)尋找極大值點(diǎn)，該點(diǎn)即為R峰值位置.圖3為一段R波峰值檢測(cè)的心電圖，峰值用圓點(diǎn)標(biāo)出.

1.3.2 早搏心拍識(shí)別

早搏是指異位起搏點(diǎn)發(fā)出的過(guò)早沖動(dòng)引起的心臟搏動(dòng)，這也是和其他心臟疾病區(qū)分的重要特征.因此，通過(guò)R峰值位置，確定出RR間期長(zhǎng)度，從圖4中看出在早搏出現(xiàn)時(shí)，RR間期長(zhǎng)度不均勻，早搏心拍R峰離前一個(gè)心拍的R峰較近，離后一個(gè)心拍的R峰較遠(yuǎn).在一段心電數(shù)據(jù)中一般正常心拍占據(jù)主要部分，并且室性早搏心拍通常有完全性代償間歇，即早搏前后兩竇性心搏相隔的時(shí)間為正常心動(dòng)周期的2倍，這樣得到平均間期基本接近于正常心拍的間期.經(jīng)過(guò)不斷測(cè)試，將小于平均間期長(zhǎng)度85%的間期視為非正常間期段，非正常RR間期的后一R峰即為早搏心拍所包含的R峰，從而識(shí)別出早搏心拍.

1.3.3 室性早搏的診斷

通過(guò)間期長(zhǎng)度不均勻識(shí)別出早搏心拍，再通過(guò)室性早搏和房性早搏在混沌特性上的區(qū)別識(shí)別出室性早搏，完成室性早搏的診斷.

圖3 R波峰值檢測(cè)Fig.3 R peak detection

圖4 含有室性早搏和房性早搏的心電信號(hào)Fig.4 ECG signal include PVC beat and PAC beat

1.3.3.1 混沌特征提取

對(duì)室早心拍與房早心拍進(jìn)行混沌特性的分析，將每個(gè)早搏心拍的所有Lyapunov指數(shù)計(jì)算出來(lái).圖5a和圖5b分別為典型的室性早搏心拍、房性早搏心拍的Lyapunov指數(shù)曲線(xiàn).從這2組圖中發(fā)現(xiàn)室性早搏Lyapunov指數(shù)曲線(xiàn)線(xiàn)條平緩，房性早搏Lyapunov指數(shù)曲線(xiàn)波動(dòng)程度較大，為更明確的表現(xiàn)出這一差異性，將曲線(xiàn)進(jìn)行求導(dǎo)處理，因?yàn)槟骋稽c(diǎn)的導(dǎo)數(shù)可以描述這一點(diǎn)附近的變化率.

圖5 Lyapunov指數(shù)Fig.5 Lyapunov exponents

圖6 Lyapunov指數(shù)導(dǎo)數(shù)絕對(duì)值曲線(xiàn)Fig.6 Absolute values of the derivatives of Lyapunov exponents

3）統(tǒng)計(jì)｜f′i｜＞0.001的個(gè)數(shù).

對(duì)數(shù)據(jù)庫(kù)中隨機(jī)選取的300個(gè)室性早搏心拍和300個(gè)房性早搏心拍進(jìn)行分析，統(tǒng)計(jì)其Lyapunov指數(shù)導(dǎo)數(shù)絕對(duì)值的和（記為參數(shù)1）以及Lyapunov指數(shù)導(dǎo)數(shù)絕對(duì)值中大于0.001的個(gè)數(shù)（記為參數(shù)2）.以1個(gè)心拍的2個(gè)參數(shù)分別作為橫、縱坐標(biāo)對(duì)該心拍進(jìn)行描點(diǎn)，如圖7所示，從圖中很容易看出室性早搏心拍相對(duì)比較集中.

1.3.3.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

因圖7混沌參數(shù)坐標(biāo)圖中室性早搏集中程度相對(duì)較高，由此可以利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法通過(guò)心拍參數(shù)的特征識(shí)別出室性早搏心拍.神經(jīng)網(wǎng)絡(luò)的每1個(gè)輸入節(jié)點(diǎn)對(duì)應(yīng)樣本1個(gè)特征，將2個(gè)參數(shù)放在1個(gè)二維矩陣中作為1個(gè)特征輸入到神經(jīng)網(wǎng)絡(luò)中；輸出層節(jié)點(diǎn)有1個(gè)，輸出室早類(lèi)和非室早類(lèi)，圖8為本實(shí)驗(yàn)所用的單輸入單輸出的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖.在BP神經(jīng)網(wǎng)絡(luò)當(dāng)中，對(duì)室性早搏心拍特征參數(shù)進(jìn)行訓(xùn)練，將屬于這一類(lèi)的期望輸出設(shè)為1，表示室早類(lèi)；不滿(mǎn)足這類(lèi)的期望輸出設(shè)為0，表示非室早類(lèi).在識(shí)別階段，將未知類(lèi)別的樣本輸入到該網(wǎng)絡(luò)中，根據(jù)訓(xùn)練準(zhǔn)則判定其所屬的類(lèi)別.本文實(shí)驗(yàn)中將已隨機(jī)選取的300個(gè)室性早搏的心拍作為訓(xùn)練樣本進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練.

圖7 室早和非室早參數(shù)坐標(biāo)Fig.7 Parameters plot of PVC and PAC

圖8 單入單出型神經(jīng)網(wǎng)絡(luò)Fig.8 Neural network of single input and single output

2 結(jié)果和討論

2.1 數(shù)據(jù)來(lái)源

本實(shí)驗(yàn)采用的數(shù)據(jù)來(lái)自于美國(guó)麻省理工學(xué)院的心律失常數(shù)據(jù)庫(kù).數(shù)據(jù)庫(kù)包含48組數(shù)據(jù)，包含2個(gè)導(dǎo)聯(lián)，包括肢體導(dǎo)聯(lián)中的Ⅱ?qū)?lián)和胸導(dǎo)聯(lián)中的1個(gè)，每個(gè)導(dǎo)聯(lián)含0.5h的心電信號(hào)，平均采樣頻率為360Hz，提供了各種心律異常信號(hào)的標(biāo)準(zhǔn)數(shù)據(jù)，為科學(xué)研究心電信號(hào)提供了參照.實(shí)驗(yàn)中分別選擇了Ⅱ?qū)?lián)數(shù)據(jù)中的室性早搏節(jié)拍（PVC）、房性早搏節(jié)拍（PAC）、左束支傳導(dǎo)阻滯（L）、右束支傳導(dǎo)阻滯（R）等進(jìn)行分析.

2.2 樣本測(cè)試

采用了美國(guó)麻省理工學(xué)院的心律失常數(shù)據(jù)庫(kù)中20組數(shù)據(jù)進(jìn)行校驗(yàn).將20組數(shù)據(jù)歸為3種類(lèi)型，將數(shù)據(jù)中不包含室早心拍的類(lèi)型視為‘無(wú)PVC’，包含3組數(shù)據(jù)（101，103，112）；數(shù)據(jù)中早搏心拍只有室早而無(wú)房早的視為‘只有PVC’，包含7組數(shù)據(jù)（102，104，105等）；將同時(shí)包含室早和房早2種類(lèi)型的視為‘PVC混PAC’，包含10組數(shù)據(jù)（108，114，116等）.其中取每個(gè)病人長(zhǎng)約30min的心電數(shù)據(jù)，將通過(guò)本文方法所檢測(cè)出的早搏心拍的特征參數(shù)輸入到單入單出的BP神經(jīng)網(wǎng)絡(luò)中，根據(jù)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)則進(jìn)行室性早搏的分類(lèi).本實(shí)驗(yàn)通過(guò)式（6）－（9）進(jìn)行了誤差分析，R代表數(shù)據(jù)中實(shí)際室早心拍個(gè)數(shù)，TP為室早被正確診斷的個(gè)數(shù)，F(xiàn)N為漏檢數(shù)，F(xiàn)P為誤檢數(shù).Se為靈敏度，Pp為正檢測(cè)率，Er為錯(cuò)誤率，Acc表示總的精度，實(shí)驗(yàn)驗(yàn)證結(jié)果如表1，通過(guò)表1可以看出室性早搏的診斷情況，在無(wú)PVC類(lèi)型中，沒(méi)有出現(xiàn)誤檢情況；在只有PVC和PVC混PAC類(lèi)型中，一般來(lái)說(shuō)數(shù)據(jù)中所含早搏心拍數(shù)量越多，誤檢和漏檢數(shù)相對(duì)也會(huì)較多，可能原因在于早搏心拍越多該數(shù)據(jù)心律不齊情況就越嚴(yán)重，心電信號(hào)變化也越多.整體上來(lái)看，不同病人的靈敏度、正檢測(cè)率和檢測(cè)精度差異并不是很大，說(shuō)明本文的方法穩(wěn)定性較強(qiáng)，總的靈敏度為94.19%，總的正檢測(cè)率達(dá)94.52%，總的精度達(dá)99.48%，檢測(cè)精度較高.

表1 實(shí)驗(yàn)驗(yàn)證Tab.1 Experimental verification

將本文中對(duì)于室性早搏的診斷方法與前人的方法［4］進(jìn)行了結(jié)果上的數(shù)據(jù)對(duì)比，如圖9所示.在圖9中，按照數(shù)據(jù)序號(hào)排序，將本文方法和前人利用的基于小波變換法診斷室性早搏的靈敏度和正檢測(cè)率進(jìn)行了對(duì)比，通過(guò)對(duì)比發(fā)現(xiàn)本文方法穩(wěn)定性更高，靈敏度和正檢測(cè)率相對(duì)較高，只在114，119，205這3組數(shù)據(jù)中略低.由此可以肯定本文的方法對(duì)于診斷室性早搏來(lái)說(shuō)具有較高的準(zhǔn)確率和穩(wěn)定性.

圖9 靈敏度和正檢測(cè)率曲線(xiàn)Fig.9 Sensitivity and Positive predictivity curve

3 總結(jié)

從心電信號(hào)的混沌特性出發(fā)，通過(guò)Lyapunov指數(shù)的相關(guān)分析來(lái)實(shí)現(xiàn)室性早搏的自動(dòng)診斷.該方法通過(guò)MIT－BIH心律失常數(shù)據(jù)庫(kù)進(jìn)行了驗(yàn)證.實(shí)驗(yàn)結(jié)果表明，它具有良好的分類(lèi)精度和較高的穩(wěn)定性.該方法能從醫(yī)生診斷角度定位異常，依靠混沌特性能將室性早搏識(shí)別出來(lái).該方法中的特征提取和時(shí)域頻域特征相比，避免了復(fù)雜的特征提取過(guò)程，極大地減少了其他非直接因素對(duì)自動(dòng)診斷準(zhǔn)確度造成的影響.作為心電研究的其中一部分，室早的診斷獲得了廣泛的關(guān)注，對(duì)于指導(dǎo)治療和估計(jì)預(yù)后有重要意義.通過(guò)和醫(yī)生探討，用1～2個(gè)導(dǎo)聯(lián)做室性早搏診斷相對(duì)其他疾病類(lèi)型的診斷可行性最大，準(zhǔn)確率最高，該方法得到了醫(yī)生的充分肯定，算法易實(shí)現(xiàn)，并且使用單導(dǎo)聯(lián)的數(shù)據(jù)相對(duì)于多導(dǎo)聯(lián)數(shù)據(jù)遠(yuǎn)程傳輸時(shí)間較短，更易集成到筆者正在開(kāi)發(fā)的遠(yuǎn)程健康監(jiān)護(hù)系統(tǒng)中，以實(shí)現(xiàn)對(duì)病人的及時(shí)救治和對(duì)醫(yī)生的輔助診斷.

［1] YEH YC，CHIOU C W，LIN HJ.Analyzing ECG for cardiac arrhythmia using cluster analysis［J］.Expert Systems With Applications，2012，39（1）：1000－1010.

［2] WANG JS，CHIANG WC，HSU YL，et al.ECG arrhythmia classification using aprobabilistic neural network with a feature reduction method［J］.Neurocomputing，2013（116）：38－45.

［3] 曹玉珍，李廣，范增飛.基于小波變換特征提取的支持向量機(jī)心搏分類(lèi)研究［J］.天津大學(xué)學(xué)報(bào)，2007，40（7）：811－815.CAO Yuzhen，LI Guang，F(xiàn)AN Zengfei.ECG beat classification using support vector machine with wavelet transform based feature extraction［J］.Journal of Tianjin University，2007，40（7）：811－815.

［4] INAN OT.Robust Neural－Network－Based classification of premature ventricular contractions using wavelet transform and timing interval features［J］.IEEE Transactions on Biomedical Engineering，2006，53（12）：2507－2515.

［5] 彭靜，彭承琳.混沌理論和方法在醫(yī)學(xué)信號(hào)處理中的應(yīng)用［J］.國(guó)際生物醫(yī)學(xué)工程雜志，2006，29（02）：124－127.PENG Jing，PENG Chenglin.Application of medical signal processing based on theory and method of chaos［J］.International Journal of Biomedical Engineering，2006，29（02）：124－127.

［6] 鄭會(huì)永，肖田元，韓向利，等.心電信號(hào)的混沌分形特性分析［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，1999，39（9）：103－105.ZHENG Huiyong，XIAO Tianyuan，HAN Xiangli，et al.ECG analysis based on Chaos and fractal characteristics［J］.Journal of Tsinghua University：Science and Technology，1999，39（9）：103－105.

［8] 江虹，曾立波，胡繼明.優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的設(shè)計(jì)與實(shí)現(xiàn)［J］.計(jì)算機(jī)工程與應(yīng)用，2001（5）：122－125.JIANG Hong，ZENG Libo，HU Jiming.The design and performance of optimal BP neural network classitier［J］.Computer Engineering and Applications，2001（5）：122－125.

［9] 廖云朋，何繼善，張飛.小波分析在心電信號(hào)處理中的應(yīng)用［J］.山東生物醫(yī)學(xué)工程，2003（2）：54－56.LIAO Yunpeng，HE Jishan，Zhang Fei.Application of wavelet analysis in processing ECG signals［J］.Shandong Journal of Biomedical Engineering，2003（2）：54－56.

［10] ZHANG Meng，F(xiàn)U Lihua，LI Hongwei，et al.Harmonic retrieval in complex noises based on wavelet transform［J］.Digital Signal Processing，2008（18）：534－542.