基于改進K均值聚類生成匹配模板的心搏分類方法

陳永波， 徐靜波， 王云峰， 張海英

(1.中國科學院大學 微電子學院，北京 101047；2.中國科學院 微電子研究所 新一代通信射頻芯片技術實驗室北京市重點實驗室，北京 100029)

0 引 言

作為心血管疾病診斷中一種重要的方法,動態心電圖(electrocardiogram，ECG)具有無創傷、操作簡單、出圖快等特點,在臨床上得到了廣泛應用,并成為心臟病臨床檢查中的一種常規手段[1]。動態心電圖能夠在長時間(24 h以上)連續記錄多達10萬次以上的心跳(70次心跳/min)，若采用逐個心搏檢測的方式，工作量巨大、易產生誤判[2]。

為了提高分析效率和分類方法的普適性，本文提出了一種改進的K均值聚類生成可變寬心電模板，并匹配心搏的方法。選取心搏的QRS波群(即正常心電圖中幅度最大的波群)特征值為聚類特征向量，使用經過波形反混淆(DEMIX)糾錯的K均值聚類生成可變寬心搏模板，建立心搏模板庫，使用心搏模板庫對心電信號進行匹配分類。最終實驗結果顯示，本文方法顯著提高了心搏分類算法的準確性和分類效率，為動態心電檢測的臨床應用提供了參考。

1 基本原理

1.1 心電標準數據庫介紹與分類標準

MIT-BIT是研究心電節拍分類算法公認的權威心電數據庫，共48組兩導聯心電數據，心電診斷專家對每組數據文件中的每一個心搏都做出了分析結果，主要包括心率(心搏的R波位置)、心搏的類型以及信號質量等[3]。

本文參照美國醫療促進協會(Association for the Advancement of Medical Instrumentation，AAMI)制定的ANSI/AAMI EC57 2012[4]心搏分類標準，將心搏分為5類：N(正常或者束支傳導阻滯節拍)、S(室上性異常節拍)、V(心室異常節拍)、F(融合節拍)、U(未識別節拍)。ANSI分類標準與MIT-BIT心電數據庫注釋的心電節拍類型是2種不同的分類方法，所以需要進行心搏類型轉換。本文參照文獻[3，4]，將MIT-BIT標注的心搏類型轉化為ANSI標準，其對應關系如表1所示。

表1 MIT-BIT心搏注釋映射

1.2 心電信號預處理和QRS波群特征提取

心電信號為典型強噪聲非平穩、非線性的微弱信號，主要頻段集中于0.05～100 Hz，采集過程中容易受到3種噪聲干擾：50 Hz工頻干擾、肌電噪聲和基線漂移。為濾除噪聲干擾，本文使用文獻[5]中提出的巴特沃斯數字濾波器進行濾波處理，其轉移方程式如下

(1)

(2)

心搏節拍的R波峰位置常作為定位心搏的重要依據，且檢測算法成熟。采用文獻[6]中提出的方法對濾波后的心電信號進行R波峰值點的檢測，并由心搏的R波峰值點為基準中心點，參照文獻[6，7]選取心搏的RR間期、QRS波群時限、QRS波群絕對面積、QRS波群極性、R峰值作為描述QRS波群的特征向量。

1.3 K均值聚類

K均值聚類算法是聚類算法中常用算法之一，其基本思想是不斷迭代分類結果與聚類中心點向量，直至劃分的結果不再變化或迭代次數達到上限，即劃分簇中的樣本與樣本均值的誤差平方和達到最優，聚類時使用誤差平方和準則函數E定義為

(3)

式中xi為屬于簇的樣本；ci為簇Ci的平均值。E越大說明簇內樣本相似度越低，E越小說明簇內樣本相似度越高，為提升計算效率，本文選取心搏的特征向量為作為聚類樣本。常規K均值算法存在以下缺點：1)聚類結果容易受到聚類起始質心選擇問題的干擾；2)分析方向單一，容易出現局部最優解，造成孤立點等問題[8]。本文根據聚類后同類種群心搏波形具有相似性特點，引入DEMIX用于改善K均值聚類存在的問題。

1.4 波形反混淆糾錯

心電信號發生的機理相似，屬于同種類型的心搏波形在形態上具有很大的相似性，而不同種類的心搏波形之間有較明顯差異[9]。本文利用同種類型心搏波形相似性的特點，采用波形反混淆技術將屬于某個分類的心搏波形全部疊加，然后利用疊加權值去除錯誤分類。

記經K均值聚類后屬于第i類(i=N,S,V,F,U)的心搏類型的心搏總數為Ni，將該分類下所有心搏波形以R波峰值為基準中心點，前后取0.6倍RR間期，上下取1.1倍R波峰值進行區域波形疊加，計算區域{x(u,v)|-0.6RR≤u≤0.6RR,-1.1Rv≤v≤1.1Rv}內每個采樣點的疊加權值F(u，v)為

(4)

圖1為Ni取1,154,1847,3 024 時同類型心搏的疊加效果。從圖中可以看出，Ni越大，同類波形疊加區域越清晰可見，利用該特點進行分類結果的糾錯。

圖1 不同數量i類型心搏疊加顯示

1.5 改進的K均值聚類方法

本文根據同一類型心搏信號波形具有相似性特點、通過將K均值聚類與波形反混淆相結合，設計了一種改進的K均值聚類方法，能夠保留較好的聚類結果，在增強了算法全局收斂性的同時加快算法后期收斂速度，提高算法的收斂效率。具體步驟如下：

1)對需要進行聚類的心電數據預處理，提取QRS波群特征值；

2)設定初始聚類中心、種群數和迭代上限；

3)K均值聚類生成聚類結果；

4)對聚類結果進行波形反混淆糾錯，將每個種群糾錯結果中的xⅢ(i)型心搏特征向量的平均值作為聚類中心點，將xⅠ(i)型心搏和xⅡ(i)型心搏作為新的聚類輸入，返回步驟(3)迭代計算，至迭代上限或者聚類結果不再糾錯為止。

1.6 可變寬心搏模板生成

圖2 可變寬心搏模板

1.7 心博模板匹配原理

本文采用可變寬心搏模板進行心搏匹配，可以消除RR間期差別和心搏細微變異給模板匹配帶來的影響，以增強心搏模板的普適性。與待測心搏匹配時，首先將待檢心搏R峰值點與模板基線的R峰值點對齊，若待檢心搏落于該模板可變寬區域內，則判定該心搏與該模板匹配。若待檢心搏有部分落于匹配模板之外，則選取模板基線與待測心搏進行相關系數計算，其相關函數為

(5)

式中D(X)為心搏信號的方差

D(X)=E{|X-E(X)|2}

(6)

cov(X，T)為待測心搏X和心搏模板基線T的協方差

cov(T，X)=E{[T-E(T)][X-E(X)]}

(7)

當相關系數r越接近于1說明待測心搏與模板基線越相似，r越小說明兩者形態差異性越大。選取經驗閾值Thread=0.9，當待檢心搏與模板的相關系數大于該值時，認為匹配成功;若低于該閾值，使用二分查找方式在模板庫中選取匹配模板再次進行匹配，直至模板庫中無可匹配的模板時，取最大相關系數的模板類型作為該心搏的分類。

2 實驗過程與結果

本文使用VC 6.0作為算法實現的軟件平臺，使用MIT-BIT心率失常數據庫、ANMA/ANSI分類標準作為算法準確性驗證。MIT-BIT數據庫中第102，104號數據中含有起搏信號，將其剔除后從余下的46組病例中隨機選取24組數據作為實驗數據，取12組心電數據混合后構造心電模板，然后使用生成的心電模板對剩余的12組數據的心搏進行分類。

考慮到最終將心搏分類結果為5類，所以，本文在生成心電模板時，設定初始心搏模板數為5～12。根據結果表明，心搏模板個數設為8時，使用生成的心電模板進行分類得到準確性和靈敏度最高，最終得到心搏分類的混合矩陣如表2。

表2 種群數為8時分類結果

按照ANMA/ANSI標準選取靈敏度Sen、真陽性率Ppr和總精確度Acc作為評價指標，將本文與文獻[10，11]提出方法的分類結果比較如表3。

從表3可以看出：本文方法能夠提高心電數據分類準確性，比較文獻[11]方法S類心搏分類有明顯的提高，并且可變寬心搏模板能夠適應心變異性帶來的差異，適用性得到了改善。

表3 分類準確率對比 %

3 結束語

本文通過使用K均值聚類和DEMIX糾錯相結合的方式生成可變寬心搏模板，然后使用模板庫進行心電波形匹配的方法，改進了K均值聚類時易陷入局部極值問題和初始質點選取敏感的缺點，使用可變寬區域模板匹配的方法一定程度上解決了心變異性帶來的模板匹配問題。通過對MIT-BIT心電數據庫的實驗表明:本文方法提高了心搏分類的準確率，使其能夠適用于遠程醫療中長時間的心電監護數據的輔助診斷和分析。

參考文獻:

[1] 李 倩,劉志貴,彭貴力,等.心電監測技術及其在遠程醫療中的應用[J].傳感器與微系統,2008,27(1):1-7.

[2] 盧喜列,盧亦偉.12導同步動態心電圖學[M].北京:化學工業出版社,2007.

[3] Song X,Deng Q.On the format of MIT-BIH arrhythmia database[J].Chinese Journal of Medical Physics,2004,21(4):230-232.

[4] Association for the Advancement of Medical Instrumentation.ANSI/AAMI EC57:2012,Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms[S].Arlington:Association for the Advancement of Medical Instrumentation,2012:1-22.

[5] Shens A M.The discrete wavelet transform:Wedding the a trous and Mallat algorithms[J].IEEE Transactions on Signal Proces-sing,1992,50(10):2464-2482.

[6] 俞文斌,謝志軍.基于穿戴式心電信號檢測系統設計[J].傳感器與微系統,2015,34(9):64-68.

[7] Moreas J C T B,Seixa M O,Vilani F N,et al.A real time QRS complex classification method using Mahalanobis distance[J].Comput Cardiol,2002,29:201-204.

[8] 安計勇,高貴閣,史志強,等.一種改進的K均值文本算法[J].傳感器與微系統,2015,34(5):130-133.

[9] 楊 波，張 躍.基于多模板匹配的室性早搏辨別方法[J].計算機工程,2010,36(16):291-293.

[10] Osowski S,Hoai L T,Markiewic Z T.Support vector machine based expert system forreliable heart beat recognition[J].IEEE Transactionson Biomedical Engineering,2004,51(4):582-580.

[11] Kiranyaz S,Ince T,Pulkkine N J,et al.Personalized long-term ECG classification:A systematic approach[J].Expert Systems with Applications,2011,38(4):3220-3226.