文獻標(biāo)識碼: A
文章編號: 0258-7998(2013)03-0136-02
心電圖是診斷心血管疾病的重要依據(jù),對心電圖的自動診斷具有很高的臨床價值。近幾年國內(nèi)外對于心電圖分類進行了廣泛的研究,基于反向傳播神經(jīng)網(wǎng)絡(luò)(BP)分類[1]方法,不能保證高實時性;支持向量機的方法[2],在訓(xùn)練樣本較多時難以實施;參考文獻[3]應(yīng)用心電圖的病理特點進行分類,但心電圖的不規(guī)律性將對分類正確率有很大影響;靜態(tài)鏈接庫支持向量機分類器[4],但機器的學(xué)習(xí)能力過強,反而降低了其推廣性。綜上考慮,設(shè)計了小波濾波與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的心電圖分類模型。
1 心電圖濾波及特征提取
1.1小波變換的心電圖濾波
對心電圖提升雙正交小波變換[5]的六層小波進行分解、分析可知,心電信號的頻率成分主要集中于3、4、5尺度中;而肌肉震顫、工頻干擾及基線漂移頻率成分主要在1、2、6尺度中,所以在進行小波重組時,將1、2、6尺度的細節(jié)信號系數(shù)置零,可去除大部分干擾。以美國MIT/BIH心律失常庫的100.mat中前兩秒的波形為例,可明顯發(fā)現(xiàn),除噪后的波形更加平滑,特征更加明顯。如圖1所示。
1.2 心電圖特征提取
MIT/BIH標(biāo)準心電數(shù)據(jù)庫中的波形采樣,頻率為360 S/s, 精度為11位實驗環(huán)境為Matlab 7.4.0(R2007a)。在2 s內(nèi)的樣本波形中,首先利用數(shù)學(xué)形態(tài)學(xué)定位QRS波群[6]的起始點和大致范圍,然后依次定位R波峰[7] (五角星表示的點)、 Q波峰、S波峰、T波峰、P波峰[8]。最后,用峰間間距和峰間斜率表示其余的特征值。以美國MIT/BIH心律失常庫的100.mat中前2 s的波形為例,如圖2所示。
由于肌肉震顫、工頻干擾和基線漂移等對心電圖干擾較大,所以必須先進行除噪。而概率神經(jīng)網(wǎng)絡(luò)具有很高的正確率及較好的實時性,所以本文將小波濾波與概率神經(jīng)網(wǎng)絡(luò)進行組合。經(jīng)仿真可知,本文設(shè)計的網(wǎng)絡(luò)有較好的容錯能力,在實際應(yīng)用中若想判別更多類型的心臟疾病,只需將概率神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層神經(jīng)元個數(shù),按本文對應(yīng)的設(shè)置方式加以拓展即可實現(xiàn)。
參考文獻
[1] 劉金江,王春光,孫即祥.基于稀疏分解和神經(jīng)網(wǎng)絡(luò)的心電信號波形檢測及識別[J].信號處理,2011,27(6):843-850.
[2] MELGANI F,BAZI Y. Classification of electrocardiogram signals with support vector machines and particle swarm optimization[J].IEEE Transactions on Information Technology in Biomedicine, 2008,12(5):667-677.
[3] 李坤陽,胡廣書.基于心電圖分析的心律失常分類[J].清華大學(xué)學(xué)報(自然科學(xué)版),2009,49(3):418-421.
[4] 陳學(xué)琴.基于心電圖分析的心律失常分類[D].北京:北京交通大學(xué),2011.
[5] 凌朝東,劉蓉,錢江,等.基于5 /3 提升小波變換的心電信號壓縮算法及VLSI實現(xiàn)[J]. 信號處理2010,26(6):930-935.
[6] ZHANG C F, BAE T W.VLSI Friendly ECG QRS complex detector for body sensor networks[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems,2012,2(1):52-59.
[7] BENMALEK M, CHAREF A. Digital fractional order operators for R-wave detection in electrocardiogram signal[J]. IET Signal Processing, 2009,5(3):381-391.
[8] LIN C, MAILHES C, TOURNERET J Y. P- and T-Wave delineation in ECG signals using a bayesian approach and a partially collapsed gibbs sampler[J]. IEEE Transactions on Biomedical Engineering, 2010,57(12):3242-3255.