基于神經網絡的心電信號分類識別

王潤，賀兵兵

（西華大學計算機與軟件工程學院，成都 610039）

基于神經網絡的心電信號分類識別

王潤，賀兵兵

（西華大學計算機與軟件工程學院，成都 610039）

心電信號是心臟活動時心肌激動產生的生物電信號，是反映心臟健康情況的依據，用計算機對心電信號進行分類識別具有重要的應用價值，采用RBF神經網絡對心電信號的波形進行分類識別。實驗證明該網絡能實現心電信號的自動分類識別。

心電信號；RBF神經網絡；分類

0 引言

隨著物質生活水平的提高和生活節奏的改變，心血管疾病已成為僅次于惡性腫瘤的第二號殺手，是造成死亡的主要原因之一，如何及時發現、盡早治療心血管疾病成為醫學領域研究的重點課題。神經網絡具有很強的魯棒性、容錯性、記憶能力以及強大的自學能力，采用并行分布式處理方法能夠快速進行大量運算，因此在神經網絡在進行心電信號分類識別具有較明顯的優勢。本文采用MIT-BIH數據庫的前24組數據中選取訓練樣本送入RBF神經網絡進行訓練，待網絡誤差達到設定值時，完成訓練。再將后24組數據作為識別樣本送入網絡進行分類識別。

1 RBF神經網絡原理

RBF（Radial-Basis Function）網絡，用徑向基函數作為隱含層單元的基，構成隱含層空間，它是一種三層前向網絡，由輸入層、隱含層和輸出層組成，能夠逼近任意非線性函數，解決了局部最小值的問題。本文選取的RBF神經網絡網絡模型如圖1所示。第一層輸入層，由信號源節點組成。第二層隱含層，RBF神經網絡只有一個隱含層，節點激活函數為徑向基函數。第三層輸出層是對輸入模式的響應。

圖1 RBF網絡結構

（1）輸入層：

輸入信號X=[x1,x2,…,xn]其中，n表示輸入層節點數量，神經網絡的核心工作是通過對輸入樣本進行學習，然后根據獲取知識不斷優化網絡結構。

（2）隱藏層：

在隱藏層中H=[h1,h2,…,hi,…hm]為徑向基向量，m為隱藏層節點數，hi為高斯基函數，如公式（1）：

（3）輸出層：

ykj為網絡的輸出，其中m為隱含層神經元數，ci為中心矢量與x的維數相同，中心矢量的取值對網絡的性能有較大的影響。輸入/輸出關系表達式如（2）：

2 特征提取

心電信號是心臟活動時心肌激動產生的生物電信號，是反映心臟健康情況的依據。因此心電數據的特征提取是心電信號自動分類識別的核心。心電信號的特征參數主要有心率、QRS波、P波、T波幅度與時限，RR間期等等。本文采用的心電數據源于麻省理工學院的MIT-BIH數據庫。每組數據采樣頻率為360Hz、長為30min，包括正常與異常心拍，且每個心拍的類型均做出了注釋[1]。本文采用MIT-BIH數據庫中注釋時間對R波峰定位，分別選取兩側61個數據點表示一個QRS波的信息。如圖2所示。

圖2 一個QRS波

為了降低數據的冗余度，同時將QRS波的有效信息保留下來，我們需要提取QRS波的特征參數。小波變換具有良好的時域和頻域局部化特性，能有效地從信號中提取信息[2]。雙正交小波解決了線性相位和正交性要求的矛盾，通常采用一個函數進行分解，用另一個函數進行重構[3]。本文采用中心電數據特征值，由雙正交小波進行2尺度的小波變換提取。QRS波特征如圖3所示。

在完成QRS波特征參數的提取后，為了提高分類識別率可以增加其他的特征輔助分類識別。在病態心搏中除了QRS波異于正常QRS波外，RR波之間的時間間隔也是一個重要的信息，相鄰R波出現的位置明顯提前或滯后即RR波之間的時間間隔明顯大于或小于正常心搏間的間隔，如圖4所示。因此，本文將R波與RR波間期作為心電信號的特征值。

圖3 QRS波小波特征

圖4 房性早搏與正常心搏的RR間期

RBF神經網絡對數據輸入很敏感，數據在數量級上是否統一對網絡的性能有很大影響。

由于所選取的數據單位不相同，如果直接使用樣本數據，在訓練神經網絡時，就會出現“偏愛”數量級大的數據，而將數量級小的數據忽略掉。使得影響到后續的識別精度，為了避免神經網絡中的主觀錯誤，消除數量級的影響，通常在送入神經網絡之前要求數據要統一標準。歸一化就是將數據通過一定的處理后，隱射到0到1之間，它能把不同數量級上的數據統一到一個范圍，方便處理。常用最值法進行歸一化處理，公式如（3）：

3 實驗過程

本實驗是在MATLAB平臺上進行，選取MIT-BIH數據庫前24組數據作為訓練樣本集，通過隨機選取訓練樣本送入神經網絡進行訓練，訓練好的神經網絡我們采用數據庫中后24組數據作為識別樣本來檢測RBF神經網絡的性能。具體學習與識別流程圖如圖5所示。

圖5 RBF神經網絡學習、識別流程圖

RBF網絡學習、識別：

（1）數據輸入

訓練樣本的選擇對神經網絡的性能有很大影響，若訓練樣本太少，則造成網絡訓練不足，由于部分心拍由于數據量小，易造成網絡訓練不足。因此本文訓練樣本選擇心拍類型為 1、2、3、5，即正常樣本（Normal QRS）、左束支傳導阻滯（Left Bundle Branch Block Beat）、右束支傳導阻滯（Right Bundle Branch Block Beat）、室性早搏（Premature Ventricular contraction）。通過讀入MIT-BIH前24組數據，根據注釋選取病態心拍作為訓練樣本。

（2）特征參數提取

將輸入的數據根據MIT-BIH的注釋文件進行QRS波的提取和RR間期的計算，并利用雙正交小波變換壓縮到心電特征數據，然后根據選取的心拍進行特征參數提取并進行歸一化處理。

（3）訓練RBF神經網絡

RBF神經網絡是一種三層前饋式網絡，除去輸入層、輸出層之外僅有一個隱含層。在心電數據對神經網絡進行訓練中，采用32個特征參數作為一組輸入向量，其中31個特征參數為QRS波經雙正交變換得到，1個為相鄰兩個R波的時間間隔。神經網絡對輸入數據進行學習，不斷修改權重，直到誤差小于預設值，完成學習。

（4）心電信號分類識別

通過讀入 MIT-BIH 后 24組數據，按照（1）（2）將所有數據進行歸一化處理，然后將樣本數據送入訓練完成的網絡中進行識別，輸出對應心拍五種類型。

4 實驗結果

神經網絡訓練完成后，將識別樣本送入神經網絡進行識別，并通過識別率對網絡性能進行判定，識別率公式如公式（4）：

其中 ρ為識別率，R'為識別正確心拍，R為總心拍數。

通過仿真實驗，采用RBF神經網絡對病態心拍進行分類識別，分類結果如表1。

表1

由實驗結果可看出網絡對類型2的識別率較低，對其他幾種類型都有較好的識別率。造成類型2的識別率較低原因可能是通過隨機選取的訓練樣本包含該類型較少，神經網絡對知識獲取不足。

5 結語

心電信號分類識別一直是國內外學者的研究熱點，本文采用MIT-BIH數據庫，將前24組數據隨機選擇樣本送入RBF神經網絡進行訓練，在完成網絡訓練后，將后24組數據作為識別樣本送入網絡中進行識別。由仿真結果可看出訓練過的RBF神經網絡對部分心拍類型有較高的識別率，但是，若樣本數據較少會造成網絡知識獲取不足，使得識別率較低。所以我們應該考慮采用新的網絡模型、改良提取特征參數算法、增加訓練樣本來提高網絡的識別率。

參考文獻：

[1]朱澤煌,胡廣書,郭恒,崔子經.MIT-BIH心電數據庫的開發及用作檢測標準[J].中國生物醫學工程學報,1993,04：244-249+243.

[2]蘇麗敏,戴啟軍,王杰.基于B-樣條雙正交小波R波的標定和QRS波檢測[J].中國組織工程研究與臨床康復,2009,09：1657-1660.

[3]李彩玉.基于RBF神經網絡的心電信號分類識別技術研究[D].云南大學,2012.

Classification and Recognition of ECG Signals Based on Neural Network

WANG Run，HE Bing-bing
（School of Computer and Software Engineering,Xihua University,Chengdu 610039）

ECG is the bioelectrical signal produced by the activation of the heart muscle during cardiac activity.It is the basis for the health of the heart,it has important application value to classify and recognize ECG signals by computer.Uses RBF neural network to classify and identi?fy the waveform of ECG signals.Experiments show that the network can realize automatic classification and recognition of ECG signals.

1007-1423（2017）23-0037-04

10.3969/j.issn.1007-1423.2017.23.008

王潤（1988-），男，四川廣安人，碩士研究生，研究方向為嵌入式系統軟件賀兵兵（1991-），男，河南商丘人，碩士研究生，研究方向為嵌入式系統軟件

2017-05-08

2017-08-10

ECG;RBF Neural Network;Classification