基于EEMD多尺度模糊熵的心電分類算法*

王 鳳， 潘廣貞， 孫艷青

(中北大學 軟件學院，山西 太原 030051)

0 引 言

心電(electrocardiogram，ECG)信號是心臟系統生物電活動的記錄，通過分析ECG信號模式，可以診斷心率失常[1]。ECG信號中的波形特征，在正常搏動和心率失常搏動中不同，在不同病患身上會表現出不同形態，同一個體在不同條件下正常心跳常表現出不同形態，使得心率失常識別更加困難，因此，提升ECG識別準確度尤為重要[2～4]。

心電分類過程為預處理、特征提取和分類。文獻[5]提出基于數學形態學及機器學習心率失常識別；文獻[6]采用經驗模式分解(empirical mode decomposition，EMD)法選擇ECG信號特征，并結合支持向量機(support vector machine,SVM)分類；文獻[7]使用基于塊的神經網絡將ECG心跳分為5類；文獻[8]用離散余弦變換提取ECG心跳特征，并采用費舍爾線性判別器對心率失常進行檢測和分類。

特征選擇對心率失常識別有重要作用。上述特征選擇方法基于時域或頻域特征，只能在一定程度上反映ECG心跳特征，而基于非線性動力學參數的特征提取方法在生理信號處理中取得良好效果，卻在ECG心跳中少有涉及[9]。動力學特征能顯示ECG更深層次的信息，包含了ECG全部信息。不同類別心跳在不同時間尺度上表現出不同復雜度，因此本文提出將ECG心跳的模糊熵作為特征度量輸入徑向基函數(radial basis function,RBF)神經網絡，從而實現ECG分類的算法。

1 基于模糊熵和RBF神經網絡的心電分類算法

1.1 集合EMD算法

為了對ECG心跳進行深層次特征提取，將經過預處理的ECG心跳分解為若干分量，集合EMD(ensemble EMD,EEMD)方法能夠根據信號自身特點分解信號，具有良好抗模態混疊性能[9,10]。該方法在處理生物信號時具有獨特優勢，通過對原始信號執行多次EMD，在加入每次分解白噪聲，將每次EMD得到的內蘊模態函數(intrinsic modal function,IMF)分量求和再取平均得到最終IMF分量[11]。

1.2 基于模糊熵的特征提取

ECG心跳經EEMD得到IMFs分量，模糊熵作為ECG心跳動力學特征可以反映ECG心跳特點，故提取有效IMFs分量模糊熵作為特征值。熵是用來衡量信號復雜度的非線性方法，其值越大代表序列復雜度越大，一般定義為[12]：

4)最終計算出的模糊熵為FuzzyEn(m,n,r,N)=lnφm(n,r)-lnφm+1(n,r)。

序列長度N，模式維數m和相似容限r的選取直接影響實驗結果。大量實驗表明，N=1 000，m=1或2，r=(0.1～0.25)Std(Std為x(i)(i=1,2,…,N)的標準差)，才能保證有效統計特性和較小誤差。

1.3 基于RBF神經網絡的心電分類

所提心電分類算法流程如圖1所示。

圖1 算法總體流程

2 實驗分析

實驗平臺MATLAB 10.0搭建在Windows 7操作系統上。實驗對5種常見ECG心跳進行識別，分別為：正常心跳(normal)，左束支傳導阻滯(LBBB)，右束支傳導阻滯(RBBB)，房性早搏(APC)和室性早搏(PVC)。

2.1 評估指標

采用F值(Fmeasure)和總精確度(Acc)對識別效果進行性能評估

(1)

式中TPi為正確分類為第i類的心跳數,TNi為本不屬于第i類的且不被分為第i類的心跳數目,FPi為本不屬于第i類卻被錯誤劃分為該類的心跳數目,FNi為本該屬于第i類卻被劃分到其他類的數目,NT為總分類文件數目,NE為總分類文件中被錯誤分類的數目。

2.2 數據集

ECG數據源取自MIT-BIH Arrthythmia 數據庫導聯II(MLII)，采樣頻率為360 Hz。選取5種不同心跳類型，在每種類型ECG心跳中各選取120組樣本(每個樣本以R波為基準點，向前、向后共取300個采樣點)，將數據集分為訓練集和測試集。得到訓練集與測試集樣本數量均為300組，樣本集劃分如表1所示。

表1 MIT-BIH數據集

2.3 實驗結果

2.3.1 特征提取

以MIT-BIH/100號為例，對其EEMD得到各IMFs分量,各IMF分量未見模態混疊，且各分量QRS波群集，分解效果比較理想。大量實驗證明，第2～6個IMFs分量與原始信號最為相關，說明這5個分量包含ECG心跳主要特征信息，以MIT-BIH/100為例，選取這5個分量進行重構。圖2為原始信號和重構信號對比，可見重構信號良好保留ECG心跳峰值和特征，所以選取IMF2～IMF6 5個IMF分量作為提取模糊熵的分量。

圖2 IMF2～IMF6重構信號

由于樣本數量較多，僅在每種類型心跳中各選取2組測試樣本，并分別對5個IMF分量計算模糊熵值，本文取N=300，m=2，r=0.2 Std。計算結果如表2所示。

表2 各IMF分量模糊熵值

實驗結果表明各類型心跳模糊熵有明顯區別，不同類型心跳在不同時間尺度上表現出不同熵值，故可以用此作為特征值區別不同心跳類型。

圖3為各心跳類型10組數據的IMF2分量對比，可見不同心跳類型的模糊熵差異。其中，Normal型心跳的IMF分量模糊熵最大，這是因為Normal型心跳隨機性大。

圖3 IMF2分量的模糊熵

2.3.2 心率失常識別

將IMF2～IMF6分量模糊熵組成的特征向量送入RBF神經網絡進行識別。圖4為數據集分類結果，其中縱坐標1～5分別表示Normal，LBBB，RBBB，PVC，APC心跳類型。

圖4 分類結果

圖4顯示300組測試集中錯誤識別6組數據。其中，Normal類型樣本全部分類正確，1個LBBB樣本被錯誤劃分為RBBB類型，1個RBBB樣本被錯誤劃分為PVC類型，1個PVC樣本被錯誤劃分為LBBB類型，2個PVC樣本被錯誤劃分為RBBB類型，1個APC樣本被錯誤劃分為Normal類型。結果表明，所提算法可以有效分類5種心跳。

由分類結果計算得到F值和Acc如表3所示。

表3 性能指標

可知，該分類方法具有較高準確率，對不同類別心跳均有效，其中對Normal類型的識別精確度達到100 %，對PVC類型識別精確度不高與其病癥特點不明顯有關。

為進一步顯示該算法在心率失常識別上的優越性，分別采用模糊熵、EMD多尺度模糊熵和本文方法進行性能對比，對比結果如表4所示。性能指標顯示，本文方法提取的特征量能更好地反映ECG心跳特點。

表4 各方法心律失常識別率對比 %

3 結束語

基于多尺度模糊熵和RBF神經網絡的心電分類算法，可以對ECG進行特征提取和模式識別。采用EEMD對ECG進行多尺度分解，將有效IMF分量的模糊熵組合成特征向量以分類5種不同ECG心跳。實驗結果表明該方法能夠有效地提高心電分類準確率。這種分類識別方法還可以應用到其它類似生物信號處理上，但由于數據局限于MIT-BIH數據庫，存在樣本類別不平衡問題，對病人適應性未知。這也是下一步要探究的問題。