循環(huán)譜分析在心律失常分類中的應(yīng)用研究*

褚晶輝，盧莉莉，呂 衛(wèi)，李 喆

天津大學(xué) 電子信息工程學(xué)院，天津 300072

循環(huán)譜分析在心律失常分類中的應(yīng)用研究*

褚晶輝，盧莉莉，呂 衛(wèi)+，李 喆

天津大學(xué) 電子信息工程學(xué)院，天津 300072

心電信號(hào)心律失常分類性能主要取決于有效的特征提取和分類器設(shè)計(jì)。針對(duì)傳統(tǒng)心律失常分類研究中，多數(shù)研究直接利用時(shí)域或者頻域特征實(shí)現(xiàn)心律失常分類，對(duì)于多類別的分類性能仍有待提高。鑒于此，選用循環(huán)譜分析方法實(shí)現(xiàn)心律失常多分類任務(wù)。假設(shè)信號(hào)處于非平穩(wěn)狀態(tài)，建立更符合心電信號(hào)實(shí)際狀態(tài)的模型去捕捉心電信號(hào)中的隱含周期實(shí)現(xiàn)心律失常分類。在提取形態(tài)特征和時(shí)頻域小波系數(shù)特征之外，利用循環(huán)譜技術(shù)提取了譜相關(guān)系數(shù)特征用于后續(xù)多分類任務(wù)。除此之外，比較了人工神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)支持向量機(jī)和超限學(xué)習(xí)機(jī)分類器在該實(shí)驗(yàn)環(huán)境下的分類性能，通過多組對(duì)比實(shí)驗(yàn)，結(jié)果表明，利用循環(huán)譜技術(shù)結(jié)合超限學(xué)習(xí)機(jī)分類器進(jìn)行心律失常分類，可以區(qū)分10類心律失常并在MIT-BIH心律失常數(shù)據(jù)庫上實(shí)現(xiàn)了98.13%的平均分類準(zhǔn)確率。

心律失常分類；循環(huán)譜；超限學(xué)習(xí)機(jī)

1 引言

心電圖反映心臟的周期性活動(dòng)，被心臟科醫(yī)師廣泛應(yīng)用于心臟類疾病的診斷。心律失常是指由某種活動(dòng)引起的心臟活動(dòng)規(guī)律異常的現(xiàn)象。由于心電信號(hào)的非平穩(wěn)特性，心臟科醫(yī)師只通過短時(shí)間的心電圖波形變化無法準(zhǔn)確高效地診斷多類心律失常類型，難以避免誤診漏診情況。通常來說，即使是同一個(gè)人的心電波形在不同運(yùn)動(dòng)狀態(tài)或者不同時(shí)刻也會(huì)不同，甚至不同類型的心律失常在心電圖中呈現(xiàn)相似的形態(tài)特征，這增加了人工診斷心律失常的難度。因此，利用計(jì)算機(jī)進(jìn)行自動(dòng)分析和輔助診斷是提高診斷精度和效率的必然趨勢。

正常的心電波形圖通常包含P波、QRS復(fù)合波和T波。其中，P波代表左右心房除極時(shí)的電位變化，QRS復(fù)合波形代表心室去極化過程中的電位變化，同時(shí)描述了心拍的位置、寬度和幅度，T波代表心室復(fù)極時(shí)的電位變化[1]。心電圖中包含的多類心律失常可以總結(jié)為五大類，即房性心律失常、室性心律失常、交界性心律失常、心臟傳導(dǎo)阻滯性心律失常以及起搏器引起的心律失常等。房性心律失常主要包含房性早搏、異常房性早搏、房性逸搏以及房性撲動(dòng)。室性心律失常主要包含室性早搏、室性逸搏以及心室顫動(dòng)。交界性心律失常主要包括交界性早搏和交界性逸搏心拍。心臟傳導(dǎo)阻滯性心律失常主要包含左束支傳導(dǎo)阻滯以及右束支傳導(dǎo)阻滯心拍。準(zhǔn)確診斷多類心律失常類型對(duì)于臨床心臟類疾病的預(yù)防和治療具有重要的意義。

基于信號(hào)處理技術(shù)的心電圖（electrocardiogram，ECG）信號(hào)分類方法通常是通過特征提取來選擇有效特征或者通過改善分類器設(shè)計(jì)來提高分類性能。研究人員在心律失常分類算法方面做了大量研究，并取得了不錯(cuò)的進(jìn)展。其中，Thomas等人[2]提取QRS復(fù)合波段的功率、峰態(tài)、偏態(tài)以及RR間隔特征，并利用雙樹復(fù)小波變換系數(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)分類器，將心律失常分為5類。文獻(xiàn)[3]對(duì)R-T間隔樣本數(shù)據(jù)進(jìn)行離散小波變換實(shí)現(xiàn)心拍分類。除此之外，高階累積量特征作為非線性特征用于房性心律失常分類[4]，利用線性判別方法取得較好的分類效果。Karaye等人[5]也利用了高階譜特征對(duì)ECG心拍進(jìn)行分類，并給出雙譜圖和譜系數(shù)圖用于分析。除以上特征外，心率變異性（heart rate variability，HRV）特征也常用于心律失常分類，其中Kim等人結(jié)合不同分類器將心律失常分為3類[6]，Jovic等人對(duì)比使用隨機(jī)森林和Ada-Boosted C4.5作為分類器將心律失常類型分為9類[7]。基于S變換的方法也用于心律失常檢測，Das等人[8]分別使用了基于S變換神經(jīng)網(wǎng)絡(luò)（S-transform neural networks，ST-NN）和基于S變換支持向量機(jī)分類器進(jìn)行5類心律失常分類的對(duì)比實(shí)驗(yàn)。

多數(shù)方法均直接利用從時(shí)域或者頻域提取的特征，忽略了使用非線性變換提取新的特征。目前多數(shù)學(xué)者提取的特征可以實(shí)現(xiàn)心律失常分類，但是對(duì)于多分類的性能仍有待提高，因此需要挖掘ECG信號(hào)中的隱藏信息提高分類性能。鑒于此，本文采用循環(huán)平穩(wěn)信號(hào)分析方法，通過假設(shè)信號(hào)處于非平穩(wěn)狀態(tài)，建立更符合ECG信號(hào)實(shí)際狀態(tài)的模型去捕捉ECG信號(hào)中的隱含周期用于心律失常分類。分別采用人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）[2]、支持向量機(jī)（support vector machine，SVM）[9]和超限學(xué)習(xí)機(jī)（extreme learning machine，ELM）[10]作為分類器進(jìn)行多分類心律失常對(duì)比實(shí)驗(yàn)，結(jié)果表明選用本文所提特征可獲得更好的分類性能。在實(shí)驗(yàn)中，ELM和SVM分類器具有相近的平均分類準(zhǔn)確率，同時(shí)ELM的分類時(shí)間要小于SVM。

本文組織結(jié)構(gòu)如下：第2章介紹心律失常分類特征提取過程；第3章進(jìn)行實(shí)驗(yàn)分析；第4章總結(jié)全文。

2 特征提取

ECG信號(hào)心律失常分類過程共分為3個(gè)步驟：信號(hào)預(yù)處理，特征提取，模型訓(xùn)練和預(yù)測。信號(hào)預(yù)處理的目的是提高心拍檢測精度，鑒于目前一些文獻(xiàn)報(bào)道的心拍檢測算法的檢測準(zhǔn)確率已經(jīng)高達(dá)99%[11]，本文不再對(duì)心拍檢測過程進(jìn)行討論。本文方法的系統(tǒng)框圖如圖1所示，主要包含兩部分：特征提取和模型訓(xùn)練與預(yù)測。

2.1 特征子集

提取ECG信號(hào)特征常用處理方法主要是時(shí)域分析[12]、頻域分析[13]以及時(shí)頻域分析[14]，這些方法具有較好的二分類效果，但是對(duì)于心律失常多分類任務(wù)的分類性能仍有待提高。尋找合適的ECG信號(hào)特征捕捉ECG信號(hào)中隱藏周期，并提取隱藏周期中的隱藏特征信息是更可取的方法。本文使用3種不同類別的特征進(jìn)行心律失常類型識(shí)別，包括形態(tài)特征子集、小波變換系數(shù)特征子集和譜相關(guān)系數(shù)特征子集。其中形態(tài)特征子集用于捕捉其形態(tài)特征，小波變換系數(shù)特征子集用于捕捉心電信號(hào)時(shí)頻域特征，譜相關(guān)系數(shù)特征子集用于捕捉ECG信號(hào)中隱藏周期的隱藏特征。

2.1.1 形態(tài)特征

QRS復(fù)合波特征和RR間隔特征是檢測ECG心律失常最直接的兩種臨床診斷依據(jù)。其中，QRS復(fù)合波蘊(yùn)含了心電周期的絕大部分能量，而RR間隔反映了兩個(gè)連續(xù)心電周期的R波峰值間隔變化特征[15]。本文提取前向RR間隔（Pre-RR）、后向RR間隔（Post-RR）、局部RR間隔（Local-RR）、QRS復(fù)合波以及T波構(gòu)成形態(tài)特征子集。其中，前向RR間隔是指當(dāng)前R波和前一個(gè)R波之間的間隔，后向RR間隔是指當(dāng)前R波和后一個(gè)R波之間的間隔，局部RR間隔定義如下：

其中，PreRRi(i=1,2,…,5)，PostRRi(i=1,2,…,5)分別表示當(dāng)前R點(diǎn)的第i個(gè)Pre-RR間隔和第i個(gè)Post-RR間隔。

2.1.2 離散小波變換系數(shù)特征

小波變換在時(shí)域和頻域具有多尺度分析特性，因此小波變換適合處理時(shí)變信號(hào)，且多數(shù)醫(yī)學(xué)信號(hào)均屬于時(shí)變信號(hào)。本文為選擇合適的母小波，分別比較了“Coif”、“Sym”、“Db”小波家族，各小波家族的識(shí)別準(zhǔn)確率如表1所示，其中識(shí)別準(zhǔn)確率根據(jù)式（10）計(jì)算，最終選擇“Coif4”作為本文實(shí)驗(yàn)方法的母小波。對(duì)于離散小波變換（discrete wavelet transform，DWT），采樣ECG信號(hào)x(n)可以表示為：

Table 1 Recognition rate comparison of wavelet families表1 小波家族的識(shí)別率比較

其中，Ai,k代表第i尺度的概貌信號(hào)；Di,k代表第i尺度的細(xì)節(jié)信號(hào)；k是母小波函數(shù)的位置。

ECG信號(hào)通過DWT進(jìn)行四尺度分解。已知ECG信號(hào)的大部分能量分布在0.5～40 Hz[11]范圍，可見小波系數(shù)能量主要集中在第3和第4尺度。本文DWT系數(shù)特征矢量由第2、3、4尺度的細(xì)節(jié)系數(shù)和第4尺度的概貌系數(shù)的歸一化標(biāo)準(zhǔn)差、均值、最小值和最大值組成。

2.1.3 譜相關(guān)系數(shù)特征

大多數(shù)的信號(hào)分析處理技術(shù)中利用的信號(hào)是人工合成信號(hào)，或是假設(shè)信號(hào)的統(tǒng)計(jì)參數(shù)是相對(duì)時(shí)間固定。實(shí)際上，多數(shù)待分析信號(hào)均具有時(shí)變特性。為了獲得可靠的信號(hào)參數(shù)估計(jì)，信號(hào)應(yīng)被建模為具有時(shí)變統(tǒng)計(jì)參數(shù)的非平穩(wěn)過程。循環(huán)譜分析即是對(duì)非平穩(wěn)過程信號(hào)進(jìn)行信號(hào)分析。循環(huán)譜分析的另一個(gè)優(yōu)點(diǎn)是它能夠揭示隱藏的信號(hào)周期性，離散時(shí)間信號(hào)x(n)被認(rèn)為是n階周期平穩(wěn)過程，經(jīng)過n階的非線性變換之后，它可以被分解成一系列正弦波分量[16]，檢測隱藏信息的同時(shí)可以去除噪聲的影響，因?yàn)樵肼暡淮嬖谌魏窝h(huán)統(tǒng)計(jì)參數(shù)[17]。

心電信號(hào)是由心臟肌肉收縮引起的自然周期現(xiàn)象具有近似循環(huán)統(tǒng)計(jì)參數(shù)，因而可被建模為循環(huán)平穩(wěn)過程。本文用二階統(tǒng)計(jì)量即譜相關(guān)來描述ECG信號(hào)的二階循環(huán)平穩(wěn)過程。

對(duì)于連續(xù)時(shí)間信號(hào)x(t)的非線性變換y(t)在頻率f處會(huì)產(chǎn)生一條譜線，其中f＞0，在f處的傅里葉變換系數(shù)不為0，其計(jì)算公式如下：

其中，T是循環(huán)周期；f為循環(huán)頻率。

x(t)的相關(guān)函數(shù)計(jì)算如下：

其中，τ為時(shí)延參數(shù)。將式（4）帶入式（3），可以得到循環(huán)自相關(guān)函數(shù)：

將函數(shù)分解為一組具有不同振幅的正弦波是譜分析的主要目的，這種方法可以提取到隱含的信息。譜相關(guān)函數(shù)是循環(huán)自相關(guān)函數(shù)的傅里葉變換，變換過程如下：

(f0)是關(guān)于頻率f0和循環(huán)頻率f的雙頻平面函數(shù)。譜相關(guān)平面上若存在f0=f≠0的譜線，則循環(huán)自相關(guān)具有一階周期性，而對(duì)應(yīng)的信號(hào)x(t)具有二階周期性。

本文將在循環(huán)頻率f處的譜相關(guān)系數(shù)的均值、最大值和方差作為實(shí)驗(yàn)的譜相關(guān)特征，圖2給出了8類典型心律失常對(duì)應(yīng)的譜相關(guān)輪廓圖。

2.2 分類器

對(duì)于心律失常多分類任務(wù)，為了有足夠的樣本數(shù)據(jù)建立模型，本文使用了MIT-BIH心律失常數(shù)據(jù)庫[18]第一通道的所有心電記錄。除選取有效的特征之外，選擇合適的分類器，對(duì)于精確診斷心律失常類型也是至關(guān)重要的。本文的對(duì)比實(shí)驗(yàn)分別選用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和超限學(xué)習(xí)機(jī)作為分類器，并通過實(shí)驗(yàn)測試選擇各分類器的最佳參數(shù)設(shè)置。

2.2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）分類器采用誤差反轉(zhuǎn)算法和自適應(yīng)學(xué)習(xí)算法可以實(shí)現(xiàn)對(duì)模型中輸入特征和待分類間的映射[19]。傳統(tǒng)ANN網(wǎng)絡(luò)結(jié)構(gòu)一般采用三層架構(gòu)，輸入層、隱含層和輸出層。在模型訓(xùn)練學(xué)習(xí)過程中，一般輸入層中的神經(jīng)元數(shù)量取決于輸入特征向量的維數(shù)，同時(shí)輸出中的神經(jīng)元數(shù)量等于特征向量所屬的類的數(shù)量。隱含節(jié)點(diǎn)的選擇影響著ANN分類器的分類性能，但是目前沒有最優(yōu)的隱含層節(jié)點(diǎn)選擇技術(shù)，一般依靠經(jīng)驗(yàn)設(shè)定。如果神經(jīng)元數(shù)量較少，則建立的神經(jīng)網(wǎng)絡(luò)可能不足以對(duì)復(fù)雜的模型進(jìn)行建模；如果神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)量過多，可能會(huì)導(dǎo)致訓(xùn)練集過擬合問題，降低分類器的泛化能力。由此可見，合理選擇神經(jīng)元數(shù)量進(jìn)行心律失常分類是很有必要的。

2.2.2 支持向量機(jī)

Vapnik提出SVM可以用來進(jìn)行分類任務(wù)[9]，但是在多分類任務(wù)中使用SVM經(jīng)常會(huì)遇到因不同類別具有相似信息帶來的類間不可分問題。為了解決這個(gè)問題，許多方法采用多分類策略，常用的策略是一對(duì)多分類（one against all，OAA）和一對(duì)一策略（one against one，OAO）。兩種策略相比，OAA分類策略使用較少的SVM模型，同時(shí)具有高效的性能，分類結(jié)果至少和其他方法一樣準(zhǔn)確[20]。因此本文選擇LIBSVM（a library for support vector machines）[21]實(shí)現(xiàn)SVM，并采用一對(duì)多分類策略，進(jìn)行心律失常分類實(shí)驗(yàn)。

Fig.2 Eight typical types of arrhythmias contour plot for spectral correlation圖2 8類典型心律失常譜相關(guān)輪廓圖

2.2.3 超限學(xué)習(xí)機(jī)

超限學(xué)習(xí)機(jī)屬于單隱層前饋神經(jīng)網(wǎng)絡(luò)，近年來在許多應(yīng)用方面取得了不錯(cuò)的進(jìn)展，其特點(diǎn)是隱層參數(shù)均為隨機(jī)產(chǎn)生，不需要迭代性地調(diào)整隱含層參數(shù)[10]。對(duì)于N個(gè)樣本的數(shù)據(jù)集{xi,yi}，其中xi∈R，yi是其對(duì)應(yīng)的標(biāo)簽，ELM的表達(dá)式輸出為：

其中，aj、bj分別為第j個(gè)隱節(jié)點(diǎn)的輸入?yún)?shù)；βj是第j個(gè)隱節(jié)點(diǎn)的輸出權(quán)值；G(aj,bj,xi)是第j個(gè)隱含層節(jié)點(diǎn)相應(yīng)輸入變量xi的輸出函數(shù)；h(xi)是輸出函數(shù)G的向量形式。

上式可以表示為：

則結(jié)合式（7）、式（8）可知，給定任意aj、bj，可以求得β而不必調(diào)節(jié)隱含層的節(jié)點(diǎn)。

ELM算法可以分為3個(gè)步驟：

步驟1根據(jù)樣本分布，通過隨機(jī)生成隱含層參數(shù)(aj，bj)分配隱含層節(jié)點(diǎn)。

步驟2計(jì)算隱含層輸出矩陣H。

步驟3計(jì)算輸出權(quán)重β，β=H-1Y。

3 實(shí)驗(yàn)

3.1 ECG數(shù)據(jù)

樣本數(shù)據(jù)來自MIT-BIH心律失常數(shù)據(jù)庫，包含48條30 min的兩通道ECG記錄，其中心電信號(hào)采樣頻率為360 Hz。表2給出了MIT-BIH心律失常數(shù)據(jù)庫中心律失常類型和數(shù)據(jù)分布。多數(shù)研究者選用第一通道數(shù)據(jù)進(jìn)行訓(xùn)練和性能評(píng)估，本文也選用第一通道數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，并選擇五折交叉驗(yàn)證方法[22]進(jìn)行6組對(duì)比實(shí)驗(yàn)。

Table 2 Types of arrhythmias and data distribution in MIT-BIH database表2 MIT-BIH數(shù)據(jù)庫心律失常類型及數(shù)據(jù)分布

3.2 實(shí)驗(yàn)結(jié)果

本文的分類性能評(píng)估準(zhǔn)則由準(zhǔn)確率(Acc),靈敏度(Sen)和特異性(Spe)組成，其計(jì)算公式如下：

其中，TP是正陽性代表正樣本正確分類的數(shù)量；FN是負(fù)陰性代表為正樣本被誤分為負(fù)樣本的數(shù)量；TN為正陰性代表負(fù)樣本正確分類的數(shù)量；FP為負(fù)陽性代表負(fù)樣本被錯(cuò)誤分類的數(shù)量。

為驗(yàn)證本文所提譜相關(guān)系數(shù)特征的有效性，實(shí)驗(yàn)中使用了SVM、ELM、ANN這3種在心律失常分類中表現(xiàn)優(yōu)異的分類器，分別使用不包含循環(huán)譜特征的特征向量(mf+wtf)和包含循環(huán)譜特征的特征向量(mf+wtf+csf)進(jìn)行分類。表3對(duì)分類結(jié)果進(jìn)行了對(duì)比并給出了每類心律失常類型的靈敏度和特異性情況以及整體平均分類準(zhǔn)確率。由表3可以看出，在同一分類器下，帶有譜相關(guān)系數(shù)特征的特征集獲得了更好的分類效果，實(shí)驗(yàn)表明譜相關(guān)系數(shù)特征在心律失常分類中的有效性。同時(shí)通過表3可知，在3種不同的分類器下，在加入譜相關(guān)系數(shù)特征后均獲得了更好的分類效果，表明了譜相關(guān)系數(shù)特征具有較好的通用性。

在包含譜相關(guān)系數(shù)特征的3組實(shí)驗(yàn)中，由表3可知，采用ANN分類器獲得的平均分類準(zhǔn)確率低于SVM和ELM。一般地，ANN分類器在實(shí)際應(yīng)用中對(duì)于樣本數(shù)據(jù)間的類別平衡要求較高，且學(xué)習(xí)過程易陷入局部極小值。在本次實(shí)驗(yàn)中，盡管ANN分類器已經(jīng)取得了較好的分類效果，但是其訓(xùn)練時(shí)間較長，且分類效果不如SVM和ELM。

SVM和ELM在本實(shí)驗(yàn)條件下獲得了相似的平均分類準(zhǔn)確率。其中對(duì)SVM分類器通過網(wǎng)格尋優(yōu)進(jìn)行參數(shù)尋優(yōu)，選擇徑向基函數(shù)為SVM分類器的核函數(shù)，核函數(shù)中g(shù)amma參數(shù)設(shè)為0.095 5，懲罰因子C設(shè)為9.189 6；ELM分類器選擇Sigmoid核函數(shù)，同時(shí)通過多次實(shí)驗(yàn)，設(shè)置隱含層節(jié)點(diǎn)數(shù)為3 000。在圖3和圖4中給出了各自的混淆矩陣，可以得知，SVM作為分類器得到的平均準(zhǔn)確率為97.95%，ELM作為分類器得到的平均準(zhǔn)確率為98.13%。

從圖3和圖4中可以看出，L、R、E、j、！以及起搏心拍，這6類心律失常幾乎完全可分，但N和V、F、A會(huì)產(chǎn)生少數(shù)誤分類情況，特別是正常竇性心律和房性早搏，觀察圖2可以發(fā)現(xiàn)，兩者循環(huán)譜輪廓比較相似，且具有相似的譜線分布，僅在幅度上有差別，因此在某些情況下容易產(chǎn)生誤分類情況。

Table 3 Classification performance of six groups of experiments表3 6組實(shí)驗(yàn)分類性能比較表 %

Fig.3 Confusion matrix of SVM classifier in MIT-BIH arrhythmia database圖3SVM分類器在MIT-BIH數(shù)據(jù)庫上分類混淆矩陣

Fig.4 Confusion matrix of ELM classifier in MIT-BIH arrhythmia database圖4ELM分類器在MIT-BIH數(shù)據(jù)庫上分類混淆矩陣

在相近平均分類準(zhǔn)確率的情況下，ELM的分類速度快于SVM分類器，因此本文最終選擇ELM作為分類器。表4給出了本文方法和其他方法的性能比較結(jié)果。將本文方法和其他現(xiàn)有方法進(jìn)行t-test檢驗(yàn)，在檢驗(yàn)精度為0.05時(shí)，本文實(shí)驗(yàn)結(jié)果顯著性明顯(p=0.026 6)，說明本文方法在性能上顯著優(yōu)于其他幾種對(duì)比方法。表4的實(shí)驗(yàn)結(jié)果說明本文方法通過利用譜相關(guān)技術(shù)挖掘隱藏特征具有較高的平均分類準(zhǔn)確率，獲得了較好的分類性能。

Table 4 Classification accuracy of proposed method compared with other methods表4 本文方法與其他方法平均分類準(zhǔn)確率比較表

4 結(jié)論

本文將循環(huán)譜分析技術(shù)用于多類心律失常分類，除提取常用的形態(tài)特征和小波系數(shù)特征之外，提取了循環(huán)譜特征，用于表征形態(tài)和時(shí)頻域不能捕捉的隱藏周期特征。本文分別選取ANN、SVM和ELM作為分類器，進(jìn)行10類心律失常分類實(shí)驗(yàn)。在本實(shí)驗(yàn)環(huán)境下，SVM和ELM具有相近的平均分類準(zhǔn)確率，ELM分類速度快于SVM分類速度，因此最終選擇ELM作為本文方法的分類器。實(shí)驗(yàn)結(jié)果表明，本文的方法在MIT-BIH心律失常數(shù)據(jù)庫上實(shí)現(xiàn)了98.13%的平均準(zhǔn)確率，相比于其他分類方法，具有更好的分類性能，同時(shí)支持更多類型的心律失常分類。

[1]Zhang Wenbo,Li Yuerong.ECG diagnostic manual[M].3rd ed.Beijing:People's Military Medical Press,2007.

[2]Thomas M,Das M K,Ari S.Automatic ECG arrhythmia classification using dual tree complex wavelet based features[J].AEU-International Journal of Electronics and Communications,2015,69(4):715-721.

[3]Saminu S,?zkurt N,Karaye I A.Wavelet feature extraction for ECG beat classification[C]//Proceedings of the 6th International Conference on Adaptive Science&Technology,Ota,Nigeria,Oct 29-31,2014.Piscataway,USA:IEEE,2014:1-6.

[4]Martis R J,Acharya U R,Prasad H,et al.Application of higher order statistics for atrial arrhythmia classification[J].Biomedical Signal Processing&Control,2013,8(6):888-900.

[5]Karaye I A,Saminu S,?zkurt N.Analysis of cardiac beats using higher order spectra[C]//Proceedings of the 6th International Conference on Adaptive Science&Technology,Ota,Nigeria,Oct 29-31,2014.Piscataway,USA:IEEE,2014:1-8.

[6]Kim W S,Jin S H,Park Y K,et al.A study on development of multi-parametric measure of heart rate variability diagnosing cardiovascular disease[C]//Proceedings of the World Congress on Medical Physics and Biomedical Engineering,Seoul,Aug 27-Sep 1,2006.Berlin,Heidelberg:Springer,2007:3480-3483.

[7]Jovic A,Bogunovic N.Evaluating and comparing performance of feature combinations of heart rate variability measures for cardiac rhythm classification[J].Biomedical Signal Processing&Control,2012,7(3):245-255.

[8]Das M K,Ari S.Electrocardiogram beat classification using S-transform based feature set[J].Journal of Mechanics in Medicine and Biology,2014,14(5):396-411.

[9]Vapnik V N.Statistical learning theory[J].Encyclopedia of the Sciences of Learning,2010,41(4):3185-3185.

[10]Huang Guangbin,Zhu Qinyu,Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70(1/3):489-501.

[11]Pan Jiapu,Tompkins W J.A real-time QRS detection algorithm[J].IEEE Transactions on Biomedical Engineering,1985,32(3):230-236.

[12]Javadi M,Arani S AAA,Sajedin A,et al.Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning[J].Biomedical Signal Processing&Control,2013,8(3):289-296.

[13]Nygards M E,Hulting J.Recognition of ventricular fibrillation utilizing the power spectrum of the ECG[J].Computers in Cardiology,1977:393-397.

[14]Nikias C L.Higher-order spectral analysis[C]//Proceedings of the 15th Annual International Conference on Engineering in Medicine and Biology Society,San Diego,USA,Oct 28-31,1993.Piscataway,USA:IEEE,1993:319.

[15]De C P,Reilly R B.A patient-adapting heartbeat classifier using ECG morphology and heartbeat interval features[J].IEEE Transactions on Biomedical Engineering,2006,53(1):2535-43.

[16]Gardner W A.Cyclostationarity in communications and signal processing[R].Piscataway,USA:IEEE,1994.

[17]Derakhshani M,Le-Ngoc T,Nasiri-Kenari M.Efficient cooperative cyclostationary spectrum sensing in cognitive radios at low SNR regimes[J].IEEE Transactions on Wireless Communications,2011,10(11):3754-3764.

[18]Moody G B,Mark R G.The impact of the MIT-BIH arrhythmia database[J].IEEE Engineering in Medicine&Biology Magazine the Quarterly Magazine of the Engineering in Medicine&Biology Society,2001,20(3):45-50.

[19]Yao Xin.Evolving artificial neural networks[J].Proceedings of the IEEE,1999,87(9):1423-1447.

[20]Rifkin R,Klautau A.In defense of one-vs-all classification[J].Journal of Machine Learning Research,2004,5(1):101-141.

[21]Chang C C,Lin C J.LIBSVM:a library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology,2011,2(3):389-396.

[22]Kohavi R.A study of cross-validation and bootstrap for accuracy estimation and model selection[C]//Proceedings of the 14th International Joint Conference on Artificial Intelligence,Montreal,Canada,Aug 20-25,1995.San Francisco,USA:Morgan Kaufmann Publishers Inc,1995:1137-1143.

[23]Karpagachelvi S,Arthanari M,Sivakumar M.Classification of electrocardiogram signals with support vector machines and extreme learning machine[J].Neural Computing&Applications,2012,21(6):1331-1339.

附中文參考文獻(xiàn)：

[1]張文博,李躍榮.心電圖診斷手冊[M].3版.北京:人民軍醫(yī)出版社,2007.

2016-08,Accepted 2016-12.

ECGArrhythmias Classification with Cyclic SpectralAnalysis*

CHU Jinghui,LU Lili,LV Wei+,LI Zhe
School of Electronic Information Engineering,Tianjin University,Tianjin 300072,China
+Corresponding author:E-mail:luwei@tju.edu.cn

The performance of ECG arrhythmia classification mainly depends on both the effective feature extraction and the optimal design of the classifier.Most of the classic methods extract the time domain features or frequency domain features directly to achieve the arrhythmia classification,but the classification performance still needs to be improved for multi-classification tasks.For this issue,the cyclic spectrum analysis technique is used to achieve the multi-arrhythmia classification.The method assumes that the signal is in non-stationary state,and arrhythmia classification can be implemented through establishing a model to capture the hidden period in the ECG signal,which is more appropriate with the actual state of ECG signals.In order to implement the arrhythmia classification,the morphological features and wavelet coefficients time-frequency domain features are extracted.In addition,the cyclic spectrum technology is adopted for extracting the spectral correlation features for the subsequent multi-classification task.Besides,a comparison on the classification performance is also conducted among the artificial neural networks,the traditional support vector machine classifier and extreme learning machine.Experimental results show that the proposed method based on the extreme learning machine can classify ten types of arrhythmias and achieve an average classification accuracy of 98.13%on the MIT-BIH arrhythmia benchmark dataset.

arrhythmia classification;cyclic spectral;extreme learning machine

10.3778/j.issn.1673-9418.1608083

*The National Natural Science Foundation of China under Grant No.61271069(國家自然科學(xué)基金).

CNKI網(wǎng)絡(luò)優(yōu)先出版:2016-12-07,http://www.cnki.net/kcms/detail/11.5602.TP.20161207.0922.006.html

CHU Jinghui,LU Lili,LV Wei,et al.ECG arrhythmias classification with cyclic spectral analysis.Journal of Frontiers of Computer Science and Technology,2017,11(11)：1783-1791.

A

TP391

CHU Jinghui was born in 1969.She received the Ph.D.degree in signal and information processing from Tianjin University in 2006.Now she is an associate professor at Tianjin University.Her research interests include digital video technology and pattern recognition,etc.

褚晶輝（1969—），女，天津人，2006年于天津大學(xué)獲得博士學(xué)位，現(xiàn)為天津大學(xué)Altera EDA/SOPC聯(lián)合實(shí)驗(yàn)室副教授，主要研究領(lǐng)域?yàn)閿?shù)字視頻技術(shù)，模式識(shí)別等。

LU Lili was born in 1994.She is an M.S.candidate at Tianjin University.Her research interests include digital video technology and pattern recognition,etc.

盧莉莉（1994—），女，內(nèi)蒙古人，天津大學(xué)Altera EDA/SOPC聯(lián)合實(shí)驗(yàn)室碩士研究生，主要研究領(lǐng)域?yàn)閿?shù)字視頻技術(shù)，模式識(shí)別等。發(fā)明專利受理2篇。

LV Wei was born in 1976.He received the Ph.D.degree in signal and information processing from Tianjin University in 2003.Now he is an associate professor at Tianjin University.His research interests include digital video technology,embedded system design and pattern recognition,etc.

呂衛(wèi)（1976—），男，江蘇常熟人，2003年于天津大學(xué)獲得博士學(xué)位，現(xiàn)為天津大學(xué)Altera EDA/SOPC聯(lián)合實(shí)驗(yàn)室副教授，主要研究領(lǐng)域?yàn)閿?shù)字視頻技術(shù)，嵌入式系統(tǒng)設(shè)計(jì)，模式識(shí)別等。發(fā)表學(xué)術(shù)論文10余篇，主持國家自然科學(xué)基金1項(xiàng)。

LI Zhe was born in 1992.He is an M.S.candidate at Tianjin University.His research interests include data mining,machine learning,pattern recognition and recommender systems,etc.

李喆（1992—），男，山西太原人，天津大學(xué)Altera EDA/SOPC聯(lián)合實(shí)驗(yàn)室碩士研究生，主要研究領(lǐng)域?yàn)閿?shù)據(jù)挖掘，機(jī)器學(xué)習(xí)，模式識(shí)別，推薦系統(tǒng)等。發(fā)表科研論文3篇。