基于機器學習的心肺復蘇干擾下心電節律識別算法研究

余明，袁晶，張廣，萬宗明，陳鋒

軍事科學院系統工程研究院 衛勤保障技術研究所，天津 300161

引言

據最新研究數據表明，我國每年因心臟驟停（Cardiac Arrest，CA）的總死亡人數達到50萬以上，位于全球之首[1]。近幾年，越來越多地年輕人開始因為各種原因而出現心臟驟停，這也導致了心臟驟停患者數量快速攀升[2]。院外心臟驟停造成猝死的高發原因是難以得到及時搶救。若發病早期獲得正確有效的心肺復蘇（Cardio-Pulmonary Resuscitation，CPR）和體外電除顫，搶救成功的可能性會增加到60%以上。早期電除顫是復蘇成功的關鍵因素，早1 min進行電除顫，患者得到成功救治的幾率將會提高7%～10%[3]。

然而，胸外按壓過程會造成心電信號中出現偽影（CPR偽跡），使我們對心電節律的分析區分變得更加困難。只有當CPR平均停止時間超過15 s時，現有的自動體外除顫器（Automated External Defibrillato，AED）才能進行可靠的檢測[4]。這些中斷間隔降低了恢復自發循環的可能性。近年來，越來越多的證據表明，減少胸壓中斷，增加血流灌注時間是提高CPR成功率的關鍵[5]。許多學者將研究精力放在濾波器的構建上，試圖通過濾波方式，消除偽影對心電信號的干擾；雖然一些自適應濾波算法在很大程度上抑制了胸部按壓的偽影，但心肺復蘇術的殘余偽影仍不容忽視[6-8]。所以有必要設計一種在心肺復蘇干擾下辨識準確度更高、穩定性更強的一種算法[9-11]。

本文致力于研究一種基于機器學習的心肺復蘇干擾下的心電節律識別算法，準確識別在心肺復蘇干擾下的心臟節律，從而減少心肺復蘇過程偽影中帶來的干擾，提高CA患者的救治率。

1 數據庫

本文的心電數據來源于Creighton University Ventricular Tachyarrhythmia Database（CUDB） 和 MIT-BIH Malignant Ventricular Arrhythmia Database （VFDB）[12]。這些心電圖樣本由專家批注為竇性心律（Sinus Rhythm，SR）、室性心動過速（Ventricular Tachycardia，VT）、心搏停止（Asystole，ASYS）、心室撲動、二聯律、心室顫動（Ventricular Fibrillation，VF）、房顫、噪聲等。本文去除除顫前后的噪聲信號和心電信號，并將室顫與室速標記為VF，竇性節律、二聯律、房顫等標記為SR。文中聯合應用CUDB數據庫以及VFDB數據庫中的相關數據，并對數據進行時間截取采樣，每10 s截取為一段，總計1343段，其中VF信號372個樣本，VT信號254個樣本，SR信號644個樣本，ASYS信號73個樣本。分別對應可電擊節律（VF、VT）、不可電擊節律（SR、ASYS）兩類。

此外，本文從12頭停搏的豬身上獲得24個心電圖CPR偽影。使用數據庫中奇偶記錄順序，將全部的1343個無干擾的心電信號分為對照組和測試組（如將第一個樣本放入對照組，將第二個樣本放入測試組）。對照組包含672個無干擾的心電信號，測試組得到671個無干擾的心電信號。根據相同原則，將24個CPR偽影樣本也分為對照組和測試組兩組，每組包含12個CPR偽影樣本。在不同的信噪比條件下，根據以下公式構建受干擾的心電信號樣本，見公式(1)：

在公式(1)中，SECG_MIXED為構建出的受干擾心電信號，SNR為該干擾信號的信噪比，SECG為原始心電信號，SCPR為CPR偽影信號。由公式信噪比決定所構建信號的受干擾程度：信噪比越大，構建的信號中CPR的偽影越少，干擾越小；信噪比越小，構建的信號中CPR的偽影越多，干擾越大。本文在信噪比分別為0、-3、-6、-9、-12的干擾水平下構建了受干擾的心電信號。在訓練組中，將672個無干擾的心電信號與12個CPR偽影樣本混合，得到40320（672×12×5）個受干擾的心電信號，其中可電擊的心電節律為18780個，不可電擊的節律為21540個；以相同的方式，在測試組得到40260（671×12×5）個受干擾的心電信號，其中可電擊的心電節律為18780個，不可電擊的節律為21480個。根據這種方法，對照組和測試組之間的心電信號和偽影是完全獨立、互不交叉的。

2 算法構建

分析中涉及21個特征值，依次為Count1，Count2，Count3[13]，Kurtosis[14]，ACF_VR[15]，Leakage[16]，AMSA，FSMN，A1，A2，A3[17]，CovarBin，FreqBin，AreaBin[18]，Complex[19]，Mean_TCI，Std_TCI，F_TCI[20]，TimeDelay[21]，H2，H3[22]。這些特征值可以表示心電信號在時域、頻域、相空間、二值空間和聯合時頻域五個不同空間中的形態分布、高斯性、振幅譜、變異性和復雜性。

本文中的BP神經網絡設計為三層結構，分別對應于輸入層、隱藏層和輸出層。對于輸入層，輸入特征向量的維度對應于神經元數量（2個）[23]。且對應于可電擊和不可電擊的心電信號節律。將隱藏層中的神經元數量設置為與輸入層中的神經元數量相同，并進行了仿真驗證。在大多數情況下，這樣的設置使神經網絡具有更好的性能。由于得到的信號表現出明顯的不均衡性，考慮到節律信號數據所收到的訓練量并不一致，本文對每一類樣本信號賦予相同的權重，見公式(2)～(3)：

在公式(2)～(3)中，Nall為樣本總數，Nshockable、Nnon-shockable分別為可電擊和不可電擊的總數。

將訓練中每個樣本產生的誤差乘以相應的權值作為網絡參數校正的基礎，這樣可以使訓練網絡在識別可電擊和不可電擊的心電時達到較高的精準度。這些權重還用于將識別精度校正為穩定性（ACbalanced），見式(4)：

式中NTshockable、NTnon-shockable、Nshockable、Nnon-shockable分別表示正確識別的可電擊的樣本個數、正確識別的不可電擊的樣本個數、可電擊的樣本總數和不可電擊的樣本總數。

訓練結束后，將對照組輸入所得到的神經網絡，計算神經網絡在心電圖心律識別中的敏感度、特異性和穩定性。

上述21個特征值不一定可用于構建可電擊的節律識別算法，這是因為特征值的增加將會在很大程度上增大算法運算量。同時由于采用神經網絡訓練，特征值的增加意味著訓練量大幅增加，而過度的訓練將會導致分類器適應性降低。考慮到這一點，文中基于遺傳算法完成了特征值擇選。

遺傳算法中設置染色體基因編碼為21個。每個基因分別與本文研究特征值相對應。基因選擇1表示選擇了相應的特征值，0表示放棄了相應的特征值。隨機產生N條染色體。染色體的群體適應度由相應輸入載體的穩定性決定。通過選擇、雜交和突變，得到了最優載體。反復進行遺傳算法選擇，將特征值按照被選擇次數進行排序，并按照排序將其依次加入神經網絡構建中。

經驗證，當特征值依次加入到神經網絡中時，準確性在開始時迅速提高。當特征值數目增加到4時，準確性提高到98.75%，在此之后，特征值增加準確率反而降低。當特征值數目增加到13時，準確性達到最大值99.31%。在此之后，隨著特征值數目的持續增加，準確性降低，結果依次為：60.69%、88.62%、91.11%、98.75%、98.91%、98.97%、98.96%、98.96%、99.10%、99.15%、99.15%、99.22%、99.31%、99.25%、99.24%、99.23%、99.22%、99.26%、99.23%、99.19%、99.15%。所以本文選取前13個特征值（count1, count2, count3, TimeDelay, FreqBin,AMSA, A1, A2, Leakage, H2, F_TCI, mean_TCI, ACF_VR）構建神經網絡。

3 結果

將信噪比為0、-3、-6、-9、-12的測試組受干擾的心電信號輸入到神經網絡，分別計算了不同心電節律被正確分類的準確性（表1）。

表1 在不同干擾下的心電節律識別準確率（%）

為驗證本文所構建算法的性能，本文還運用了兩種性能得到公認的算法進行對照比較實驗：時延算法[21]，記作：Amann-Time-delay methods（表2中簡稱算法A），與VF濾波算法[16]，記作Kuo-Proc Computers算法（表2中簡稱算法K），兩種算法簡介如下：

（1）Amann-Time-delay methods算法，是將心電信號以一定的頻率重新采樣，并在空間內進行重構，將其表達在一個40×40的網格中，網格的橫向和縱向坐標的范圍就是心電信號的波幅范圍；此時，該信號樣本所填充的網格占比即為區分信號節律類型的依據。

（2）Kuo-Proc Computers算法，是將一個窄帶寬帶阻濾波器應用到心電信號樣本中，其中心頻率為心電信號的平均頻率。該信號樣本通過濾波器后的殘余信號能量即可用來進行節律辨識。

將以上兩種算法在相同干擾水平下基于完全相同的數據庫進行心電節律識別，識別正確率的計算結果表2所示。

表2 兩種算法在不同干擾下的心電節律識別準確率（%）

從表2中可以看出Amann-Time-delay methods和Kuo-Proc Computers算法在識別可電擊節律時表現較好，即使在偽跡干擾下依然能準確辨識出VF和VT；但對于不可電擊節律效果較差。

算法A和算法K在無干擾條件下辨識SR具有很高的準確性，但魯棒性較差，在有干擾時準確率迅速下降，在SNR達到-12時，算法K基本上無法完成對SR的辨識；在識別ASYS時，即使在SNR=0的低干擾水平下，兩種算法的表現都較差，并且隨著干擾增加，辨識準確率更是急劇降低。

對比表1與表2，本文設計的算法，無論有無干擾對心電信號的識別準確率均較高，尤其在VT的識別上，更是有100%的準確率，即使在SNR=-12時，對各種類型節律的辨識準確率在95%以上。

由圖1～2可知，本文設計的算法在識別不可電擊節律時，識別準確率較高且隨著干擾增加識別結果較為穩定；算法A、K在識別SR時穩定性較差，隨著干擾增加識別準確率急速下降；在識別ASYS時，無干擾情況下識別率低于40%，隨著干擾增加，識別成功率依然呈下降趨勢，基本無法完成對ASYS的識別。

圖1 在不同干擾下識別SR對比

圖2 在不同干擾下識別ASYS對比

4 討論

本文提出并設計了一種基于機器學習的心肺復蘇干擾下心電節律識別算法研究，通過對算法的訓練以及特征值的加入，將不同心電節律在干擾下的識別成功率大大提升。

由表1可以看出，無論有無干擾本文設計的算法在識別VF節律上都有98.9%以上的準確性；在識別VT節律上在強干擾下仍然可以保持在100%的識別準確性；在識別不可電擊的心電節律時準確性也在95%以上。

由表2可知，無論是否存在干擾，算法A和算法K在識別VF、VT時成功率均較高；在無干擾條件下辨識SR具有很高的準確性，但魯棒性較差，因為SR節律的典型特征就是其周期性和規律性，所以隨著干擾程度的增強，其規則性被破壞，因此容易被誤歸類為VF、VT。而ASYS原始的信號波形中幾乎不包含任何能量，因此輕微干擾引入的能量就足以導致其被錯誤歸類。

對比表1和表2，突顯出本文設計的算法有較強的穩定性，相比較于目前應用較廣的兩種算法，在相同干擾下識別VF、VT的能力略微優于其他兩種算法，但在不可電擊節律的識別上差異較大。從圖1和圖2中可以得出，在識別SR和ASYS上本文設計的算法相比較于A、K兩種算法特異性更高、穩定性更強。設計算法相比較于A算法，在SNR=-12時識別SR，準確率提高約20%；在SNR=-12時識別ASYS，準確率提升約75%。設計算法相比較與K算法，在SNR=-12時識別SR，準確率提高約94%；在SNR=-12時識別ASYS，準確率提升約99%。

通過上述結果證明，本文設計的神經網絡對心電信號的識別具有很高的正確性和穩定性，同時在心電節律識別時魯棒性能力較為突出。

5 結論

近年來，越來越多的證據表明，減少胸部按壓的中斷可以有效提高CA患者的救治率[23]，因此對心肺復蘇過程中的心電節律辨識研究至關重要，本文通過對現有的可電擊節律辨識算法的大量回顧性研究，從心電信號中提取了21個特征值。特征選擇后，選取13個特征值參與BP神經網絡的構建。該網絡對構建的受干擾心電信號的性能進行了評估，即使在干擾程度特別高的情況下，也能非常準確地區分出可電擊節律與不可電擊節律。