基于自適應多元多尺度熵的心電信號分類研究

摘 要： 針對目前單通道心電信號識別精度不高、現存多元分解方法效果不佳、多元非線性心電信號分析復雜等問題，提出了一種基于自適應多元多尺度色散熵的心電信號分類方法。首先利用頻譜分析，創新性地引入了正弦輔助多元經驗模態分解方法，對心電信號進行分解得到多元模態分量；然后結合多模態分解和色散熵的優越性，通過累加多元本征模態分量代替粗粒化采樣，提出了自適應多元多尺度色散熵的方法獲取特征熵值；最后將特征輸入到多個分類器上進行分類，通過實驗對比分析，在模擬信號和MIT-BIH數據上驗證該方案的有效性。

關鍵詞： 心電信號； 模態混疊； SA-MEMD； 熵； 信號分類

中圖分類號： TN911.7"" 文獻標志碼： A

文章編號： 1001-3695（2022）05-037-1505-05

doi：10.19734/j.issn.1001-3695.2021.10.0450

Classification of ECG signal based on adaptive multivariate multiscale entropy

Zhang Langfei， Li Shinan， Liang Zhuguan， Ding Hongwei

（School of Information Science amp; Engineering， Yunnan University， Kunming 650500， China）

Abstract： In order to solve the problems of low accuracy of single channel electrocardiogram signal identification and the complexity of multivariate nonlinear electrocardiogram signal analysis by existing multivariate decomposition methods，

this paper proposed a classification method of ECG signals based on adaptive multiscale dispersion entropy.Firstly，it used spectrum analysis，innovatively introduced sinusoidal assisted multivariate empirical mode decomposition method to decompose ECG signals to obtain multivariate modal components.Then it combined the advantages of multi-mode decomposition and dispersion entropy，proposed an adaptive multi-scale dispersion entropy method to obtain the characteristic entropy value by adding multiple eigenmode components instead of coarse-grained sampling.Finally，the features were input to multiple classifiers for classification.The effectiveness of the proposed scheme is verified on analog signals and MIT-BIH data by experimental comparison and analysis.

Key words： electrocardiogram； mode mixing； SA-MEMD； entropy； classification

0 引言

心電信號（electrocardiogram，ECG）是一種用于記錄心臟生理活動的信號［1］，通常由P、QRS、T波構成［2］，具有低頻、微弱、非線性等特點。心電信號具有反映心律失常、室性早搏、心肌缺血和心肌梗死等心臟疾病的能力［3］，對心電信號的處理研究對于疾病診療具有重要臨床意義。

近年來，因時頻分解算法和熵算法在分析非線性信號方面的優異性，從而在心電信號的處理中得到了廣泛的應用［4］。王金海等人［5］將經驗模態分解（empirical mode decomposition，EMD）和近似熵（approximate entropy，ApEn）相結合，用于ECG分類獲得了良好的分類效果；王鳳等人［6］基于集合經驗模態分解（ensemble empirical mode decomposition，EEMD）和多尺度模糊熵（multiscale fuzzy entropy，MFE）對ECG進行分類識別，平均識別率達到了98%。雖然EMD和EEMD避免了預設函數，但在分解信號時，存在模態混疊和偽分量等問題，且只能處理一維信號，無法體現多通道采集對于ECG研究的優勢。

隨著多傳感器技術的發展，多元數據可以克服單元數據容易丟失、識別精度低、穩定性差等問題而受到研究者的關注［7］。張毅等人［8］將多變量經驗模態分解（multivariate empirical mode decomposition，MEMD）方法用于想象腦電信號特征分析，有效地解決了多元本征模態分量（multivariate intrinsic mode function，MIMF）個數、頻率不匹配的問題。相較于EMD分類準確率提升了10％左右。為解決MEMD的混疊和冗余分量問題，韓笑等人［9］提出了噪聲輔助的多變量經驗模式分解（noise-assisted multivariate empirical mode decomposition，NA-MEMD）和互信息結合的特征提取方法，提升了腦電信號的分類準確率。利用MEMD的二元濾波器組特性、輔助信號的尺度對齊原理，Ge等人［10］提出了正弦輔助噪聲的多元經驗模態分解（sinusoidal signal assisted multivariate empirical mode decomposition，SA-MEMD）用于腦電信號的多元分解。吳利鋒等人［11］在此基礎上提出了改進的正弦輔助多元經驗模式分解（improved sinusoidal assisted multivariate empirical mode decomposition，ISA-MEMD），減輕了傳統多元分解模式混合的現象。

熵作為量化時間序列復雜性和不規則程度的有效特征，如多尺度樣本熵（multiscale sample entropy，MSE）［12］、多尺度色散熵（multiscale dispersion entropy，MDE）［13］等，在一元信號處理領域得到了廣泛的應用。基于多維嵌入重構理論，MSE和MFE被進一步擴展，提出了多元多尺度樣本熵（multivariate multiscale sample entropy，MMSE）和多元多尺度模糊熵（multivariate multiscale fuzzy entropy，MMFE）［14］，既關注了信號的復雜性，又考慮了多通道間的相互預測性［8］。石鵬等人［15］基于MEMD的MMSE特征提取方法分析多模態信號，進行人體靜態平衡能力評估，準確率提升了10%左右。李春艷等人［16］提出了基于MEMD-MMFE的勵磁涌流識別方法，很好地解決了差動保護誤制動的問題，且與MEMD-MMSE相比誤制動次數有效減少。而后，Azami等人［17］又提出了多元多尺度色散熵（multivariate multiscale dispersion entropy，MMDE）的算法，并通過實驗論證了MMDE較于MMSE和MMFE在計算效率和穩定性上的優越性。然而，傳統的多尺度粗粒化方式存在著明顯缺陷，即隨著尺度因子增加，粗粒化時間序列逐漸變短，導致熵值不穩定［18］。Hu等人［19］通過連續去除低頻或高頻MIMF，提出了MEMD的自適應尺度熵來計算特征，特征識別度相較于MMSE有所提升，但分解效率低。

綜上所述，心電信號分析領域依然存在以下問題：a）單元數據易丟失、穩定性差；b）多元數據分解效果不理想；c）粗粒化尺度依賴經驗手工調參，不具自適應性以及尺度增加熵值不穩定，分類準確率低。為此，本文提出了基于SA-MEMD算法和自適應多元多尺度色散熵（adaptive multivariate multiscale dispersion entropy，AMMDE）的心電信號分類方法，以求取得更優的分解效果，避免復雜的手工調參，熵值不穩定等問題。

3.2 數據集驗證

目前國際上應用最多的數據庫MIT-BIH心電數據庫，本文選用該數據庫以評測SA-MEMD和自適應多元多尺度色散熵分類算法的性能。心律失常數據庫記錄了48個30 min時限的雙導聯（MLII導聯和胸導聯V5）心電信號，其中信號采樣頻率為360 Hz，心拍持續周期為0.6～0.8 s，因此推斷出一個心拍的采樣點數在221～283［20］。本文以醫師標記和QRS波位置為基準，向前向后分別截取90個和165個，即256個樣本點組成一個心拍樣本，取正常（N）、左束支傳導阻滯（LBBB）、右束支傳導阻滯（RBBB）三類心拍信號各600（共1 800）個樣本進行分類驗證，如表1所示。

3.2.1 數據集的IMF分解

圖4為處理后的數據集在三種分解算法下的分解示意圖（篇幅限制，僅展示部分）。第一行為信號原始波形，圖4（a）（d）為MILL、V5通道經MEMD分解所得模態圖，共產生七個模態分量，如標記所示，兩通道的IMF1、IMF2和IMF3均存在嚴重的混疊；經NA-MEMD分解的模態圖如圖4（b）（e）所示，共產生八個分量，其中IMF2和IMF3中仍存在不同程度混疊；兩通道信號通過SA-MEMD分解模態圖如圖4（c）（f）所示，基本不存在偽分量和混疊分量，各模態均是最優分解。

為進一步量化SA-MEMD對于心電信號分解的有效性，對兩通道進行相關性分析，相關性越大，說明分解越有效。依據經驗，本文預設閾值為0.3，閾值大于0.3的被視為相關分量，閾值小于0.3則被視為無關分量。如表2所示，MEMD的重要分量主要集中在少數模態中，多數分量低于0.3，為無關分量。同理，NA-MEMD對比前者獲得了提升，而SA-MEMD則能取得最優分解效果。

3.2.2 心電信號的識別分類

經多元分解得到的IMF分量是頻率調制信號，如圖4分解結果所示，每個IMF均能反映出原信號的不同波形特性，在不同頻帶上表征同一信號的不同特征，此外，多元色散熵在量化不同頻帶的復雜度上具有優異的穩定性，且能在不斷累加中放大區分度。由于左束支遲滯和右束支遲滯會使心肌激動延遲和異常，使得以R波為基準向前向后取得的波形幅度、間隔寬度、斜率等與正常信號均不相同，由此分解得到的不同頻帶的IMF必然具有較大的信號特征差異，所以，結合SA-MEMD分解算法和自適應多元多尺度色散熵的優勢對不同心電信號進行分類識別變得切實可行。

本文按照相同原理提出自適應多元多尺度樣本熵（adaptive multivariate multiscale sample entropy，AMMSE）和自適應多元多尺度模糊熵（adaptive multivariate multiscale fuzzy entropy，AMMFE），與AMMDE進行對比實驗。因深度學習需要龐大的數據樣本進行訓練，本文選用傳統分類器隨機森林（random）、K近鄰（KNN）和支持向量機（SVM）進行識別分類。

不同熵算法下，三種分解方法獲得的分類準確率柱狀圖如圖5所示。在同一種熵值算法中，SA-MEMD在不同的分類器上始終可以獲得最高的準確率，其原因是SA-MEMD算法有著最優的分解性能，模態得到有效分離，累加之后得到的熵值區分度高于前兩者，識別精度達到最大，從而表明了分解算法的高效性。

縱向來看，對于同一種分解算法，在同種分類器上，所提出的AMMDE始終能獲得最高準確率，其原因是AMMDE在算法的穩定性和數據長度敏感度上均優于AMMSE和AMMFE，而AMMFE對數據的穩定性和敏感度又優于AMMSE，最終導致分類精度為AMMDEgt;AMMFEgt;AMMSE，從而驗證了所提自適應熵的有效性。綜合全局，受分解性能、熵算法敏感性和穩定性等因素影響，AMMSE+MEMD獲得的分類準確率最低，而AMMDE+SA-MEMD的聯合算法獲得的準確率最高。

4 結束語

首先，本文首次引入SA-MEMD算法以提升心電信號的分解效果；然后將自適應分解得到的一系列模態分量累加，以代替粗粒化尺度因子，提出了自適應多元多尺度色散熵的特征計算方法；最后，將熵值作為特征輸入到分類器中進行分類。在模擬信號和MIT-BIH數據集上分別對本文方法進行了驗證，實驗結果表明，相較于MEMD、NA-MEMD，SA-MEMD分解所得的模態分量少、相關度高、能有效抑制混疊和偽分量的產生，得到最優分解效果。通過累加，創新性地提出了自適應多元熵算法，避免了粗粒化采樣手工設參、尺度增大導致熵值不穩定等問題。同AMMSE、AMMFE相比，所提的AMMDE在各個分類器上均能一直取得最優分類準確率。

參考文獻：

［1］牛曉東，盧莉蓉，王鑒，等.基于改進經驗模態分解域內心動物理特征識別模式分量的心電信號重建［J］.物理學報，2021，70（3）：311-319. （Niu Xiaodong，Lu Lirong，Wang Jian，et al.Reconstruction of ECG signals based on pattern components of inner animal feature recognition in improved EMD domain［J］.Acta Physica Sinica，2021，70（3）：311-319.）

［2］張培玲，李小真，崔帥華.基于改進小波閾值-CEEMDAN算法的ECG信號去噪研究［J］.計算機工程與科學，2020，42（11）：2067-2072. （Zhang Peiling，Li Xiaozhen，Cui Shuaihua.ECG signal denoising based on improved wavelet thresholding and CEEMDAN algorithm［J］.Computer Engineering amp; Science，2020，42（11）：2067-2072.）

［3］彭良廣，龐宇，王元發，等.多導聯心電信號特征檢測系統的設計［J］.計算機工程與設計，2020，41（3）：896-901. （Peng Liangguang，Pang Yu，Wang Yuanfa，et al.Design of feature detection system of multi-lead ECG signal［J］.Computer Engineering and Design，2020，41（3）：896-901.）

［4］劉萌萌，王敏，熊慧，等.基于EMD方法的心電信號帶內噪聲濾除［J］.天津工業大學學報，2014，33（4）：62-65，69. （Liu Mengmeng，Wang Min，Xiong Hui，et al.Intra band noise filtering of ECG signal based on EMD method［J］.Journal of Tiangong University，2014，33（4）：62-65，69.）

［5］王金海，史夢穎，張興華.基于EMD和ApEn特征提取的心律失常分類研究［J］.儀器儀表學報，2016，37（S1）：168-173. （Wang Jinhai，Shi Mengying，Zhang Xinghua.Classification of arrhythmia based on EMD and ApEn feature extraction［J］.Chinese Journal of Scientific Instrument，2016，37（S1）：168-173.）

［6］王鳳，潘廣貞，孫艷青.基于EEMD多尺度模糊熵的心電分類算法［J］.傳感器與微系統，2018，37（12）：125-127，135. （Wang Feng，Pan Guangzhen，Sun Yanqing.ECG classification algorithm based on EEMD multiscale fuzzy entropy［J］.Transducer and Microsystem Technologies，2018，37（12）：125-127，135.）

［7］李鵬，劉澄玉，李麗萍，等.多尺度多變量模糊熵分析［J］.物理學報，2013，62（12）：130-138. （Li Peng，Liu Chengyu，Li Liping，et al.Multiscale and multivariable fuzzy entropy analysis［J］.Acta Physica Sinica，2013，62（12）：130-138.）

［8］張毅，周春雨，羅元.基于MEMD的運動想象腦電信號的特征提取與分析［J］.重慶郵電大學學報：自然科學版，2015，27（3）：386-391. （Zhang Yi，Zhou Chunyu，Luo Yuan.Feature extraction and analysis of motor imagery EEG based on MEMD［J］.Journal of Chongqing University of Posts and Telecommunications：Natural Science，2015，27（3）：386-391.）

［9］韓笑，佘青山，高云園，等.基于NA-MEMD和互信息的腦電特征提取方法［J］.傳感技術學報，2016，29（8）：1140-1148. （Han Xiao，She Qingshan，Gao Yunyuan，et al.EEG feature extraction based on NA-MEMD and mutual information［J］.Chinese Journal of Sensors and Actuators，2016，29（8）：1140-1148.）

［10］Ge Sheng，Shi Yanhua，Wang Ruimin，et al.Sinusoidal signal assisted multivariate empirical mode decomposition for brain-computer interfaces［J］.IEEE Journal of Biomedical and Health Informatics，2017，22（5）：1373-1384.

［11］吳利鋒，呂勇，袁銳，等.改進的正弦輔助多元經驗模式分解及其在滾動軸承故障診斷中的應用［J/OL］.中國機械工程.［2021-12-10］.http：//kns.cnki.net/kcms/detail/42.1294.th.20210917.2205.006.html. （Wu Lifeng，Lyu Yong，Yuan Rui，et al.Improved sinusoidal assisted multivariate empirical mode decomposition and its application to rolling bearing fault diagnosis［J/OL］.China Mecha-nical Engineering.［2021-12-10］.http：//kns.cnki.net/kcms/detail/42.1294.th.20210917.2205.006.html.）

［12］Nikulin V V，Brismar T.Comment on multiscale entropy analysis of complex physiologic time series［J］.Physical Review Letters，2004，92（8）：705-708.

［13］Azami H，Kinney-Lang E，Ebied A，et al.Multiscale dispersion entropy for the regional analysis of resting-state magnetoencephalogram complexity in Alzheimer’s disease［C］//Proc of the 39th Annual International Conference of IEEE Engineering in Medicine and Biology Society.Piscataway，NJ：IEEE Press，2017：3182-3185.

［14］Costa M，Goldberger A L，Peng C K.Multiscale entropy analysis（MSE）［EB/OL］.（2005-06-24）.https：//archive.physionet.org/physiotools/mse/tutorial/tutorial.pdf.

［15］石鵬，張啟忠，張華平，等.基于多元經驗模態分解的多元多尺度熵靜態平衡能力評估［J］.電子學報，2020，48（4）：670-674. （Shi Peng，Zhang Qizhong，Zhang Huaping，et al.Evaluation of multivariate multiscale entropy static equilibrium capability based on multivariate empirical mode decomposition［J］.Acta Electronica Sinica，2020，48（4）：670-674.）

［16］李春艷，周念成，廖建權，等.基于MEMD-MMFE的雙饋風電場送出變壓器勵磁涌流識別方法［J］.中國電機工程學報，2019，39（17）：5061-5073，5287. （Li Chunyan，Zhou Niancheng，Liao Jianquan，et al.Identification method of inrush current of output transfor-mer in double-fed wind farm based on MEMD-MMFE［J］.Procee-dings of the CSEE，2019，39（17）：5061-5073，5287.）

［17］Azami H，Fernandez A，Escudero J.Multivariate multiscale dispersion entropy of biomedical times series［EB/OL］.（2017-04-12）.https：//arxiv.org/abs/1704.03947.

［18］周付明，申金星，楊小強，等.基于改進多元多尺度色散熵的齒輪箱多通道振動信號故障診斷［J］.機械傳動，2021，45（4）：112-122. （Zhou Fuming，Shen Jinxing，Yang Xiaoqiang，et al.Fault diagnosis of gearbox multichannel vibration signals based on improved multivariate multi-scale dispersion entropy［J］.Journal of Mechanical Transmission，201，45（4）：112-122.）

［19］Hu Meng，Liang Hualou.Adaptive multiscale entropy analysis of multivariate neural data［J］.IEEE Trans on Biomedical Engineering，2012，59（1）：12-15.

［20］孫夢莉.基于深度遷移學習的心電信號分類算法研究［D］.大連：大連海事大學，2020. （Sun Mengli.Research on ECG signal classification algorithm based on deep transfer learning［D］.Dalian：Dalian Maritime University，2020.）