摘  要： EPIC ECG穿戴裝置是一種基于新型電勢(shì)測(cè)量元件的非接觸電機(jī)的穿戴心電獲取裝置。首先提出了穿戴式心電獲取裝置整體架構(gòu)；其次基于心拍的數(shù)值表征參數(shù)和形態(tài)，在已有的支持向量機(jī)算法對(duì)心電信號(hào)進(jìn)行預(yù)測(cè)分類的基礎(chǔ)上，重點(diǎn)研究如何利用專家?guī)旌洼喞Ｊ阶R(shí)別結(jié)合的綜合特征向量提取方法對(duì)分類準(zhǔn)確度進(jìn)行改進(jìn)；最后利用MIT-BIH數(shù)據(jù)庫(kù)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，綜合特征向量的應(yīng)用提高了SVM的分類準(zhǔn)確度。

　　關(guān)鍵詞： 電勢(shì)集成電路；心電圖；支持向量機(jī)；疾病預(yù)警

0 引言

　　心血管疾病是導(dǎo)致人類死亡的主要病種。ECG的實(shí)時(shí)采集和自動(dòng)識(shí)別，將大幅提高預(yù)防突發(fā)性心臟疾病與早期發(fā)現(xiàn)的能力。Plessey公司的電勢(shì)集成電路（Electric Potential Integrated Circuit，EPIC）傳感器采用電容耦合技術(shù)，電極可不與皮膚接觸，隔著絕緣織物仍可采集到心電信號(hào)[1]。本文旨在研究一種用于ECG穿戴裝置中的分類預(yù)測(cè)算法并進(jìn)行優(yōu)化，提高實(shí)時(shí)預(yù)警能力。

1 EPIC裝置實(shí)時(shí)心臟疾病預(yù)警方案

　　1.1 EPIC ECG系統(tǒng)

　　基于EPIC的穿戴系統(tǒng)與人體的連接如圖1所示[1]?，F(xiàn)有的ECG實(shí)時(shí)采集設(shè)備（如Holter等）仍需將采集的心電信號(hào)送給醫(yī)學(xué)專業(yè)人員進(jìn)行分析，不具備自動(dòng)分析和實(shí)時(shí)預(yù)警功能。

　　1.2 實(shí)時(shí)預(yù)警系統(tǒng)實(shí)現(xiàn)架構(gòu)

　　EPIC的穿戴系統(tǒng)主要包括ECG獲取子系統(tǒng)和后端的支持向量機(jī)（Support Vector Machine，SVM）的模式識(shí)別分類子系統(tǒng)，如圖2所示。

　　該系統(tǒng)可將獲取的ECG心電信號(hào)數(shù)字化以后利用現(xiàn)代通信手段輸出到個(gè)人計(jì)算機(jī)平臺(tái)或移動(dòng)終端顯示并存儲(chǔ)。利用SVM算法，計(jì)算機(jī)或移動(dòng)終端可對(duì)獲取自EPIC傳感器并預(yù)處理完畢后的心電信號(hào)進(jìn)行實(shí)時(shí)分析預(yù)警。

2 心拍與ECG數(shù)據(jù)庫(kù)的建立

　　完整的心電圖由基本單位心拍構(gòu)成。一個(gè)完整的心拍由不同特征的波形組成，各個(gè)波形按照次序依次發(fā)生，如圖3所示。

　　心電圖還包含在診斷中提供重要信息的形態(tài)特征[2]。本文初始化數(shù)據(jù)庫(kù)用到的數(shù)據(jù)主要取樣自MIT-BIH數(shù)據(jù)庫(kù)。用MATLAB讀取該數(shù)據(jù)庫(kù)數(shù)據(jù)，選取表1所示的4種心電圖數(shù)據(jù)，4種心電圖數(shù)據(jù)的典型形態(tài)如圖4所示。

3 ECG特征向量提取

　　3.1 基于專家?guī)斓奶卣魈崛》椒ń榻B

　　醫(yī)生在診斷過(guò)程中以心拍特征為基礎(chǔ)。心電圖屬于典型的圖形信息，本文列出幾類醫(yī)生關(guān)注的心電圖信息類別：數(shù)值特征，即時(shí)間特征與振幅特征，如PR間期、Q波振幅等；病人信息，如性別、年齡；形態(tài)特征，如QRS圖像和ST圖像特征等。

　　振幅特征、時(shí)間特征及病人信息容易表達(dá)及測(cè)量，整理其信號(hào)特征如表2所示。

　　分類時(shí)，利用上述13組實(shí)際值首先進(jìn)行歸一化，然后作為SVM的輸入向量，進(jìn)行分類識(shí)別。

　　3.2 基于輪廓的特征向量提取方法

　　根據(jù)要獲得的目標(biāo)形態(tài)區(qū)域，即QRS形態(tài)、RT間期波形態(tài)、PR間期波形態(tài)，按圖5所示流程計(jì)算得到圖像，使用8連接鄰域?qū)ふ倚呐膱D像的心拍骨架線，把骨架線上各點(diǎn)坐標(biāo)的x、y值輸入一個(gè)二維數(shù)組中。標(biāo)準(zhǔn)化這個(gè)二維數(shù)組，使之變?yōu)橄嗤笮〉男聰?shù)組。依次取新數(shù)組中的兩個(gè)元素，按式（1）將?茲值輸入新數(shù)組。

　　其中，?茲是求得的每?jī)蓚€(gè)相鄰邊界點(diǎn)的角度值。?茲作為圖像的特征向量，通過(guò)一次SVM方法將圖像分類，最后將分好的類別值作為3個(gè)新特征向量，去除表1中3個(gè)特征向量，組成13組新特征向量作為SVM的輸入，重新進(jìn)行分類識(shí)別。

4 SVM分類平臺(tái)設(shè)計(jì)

　　SVM從在線性可分類條件下求取最優(yōu)化分類逐漸發(fā)展而來(lái)。過(guò)距離兩類樣本分類面最近的點(diǎn)并且與兩類樣本最優(yōu)分類面平行的超平面上的所有訓(xùn)練樣本，被稱做支持向量[3]。

　　常用構(gòu)造拉格朗日乘子法求解帶有約束條件的優(yōu)化問(wèn)題[4]。對(duì)于高維特征空間，SVM算法引入核函數(shù)，然后轉(zhuǎn)化為類比于式（2）的優(yōu)化問(wèn)題：

　　內(nèi)積函數(shù)k（xi，xj）采用不同的函數(shù)形式，得到不同的支持向量機(jī)，分類效果也各不相同。對(duì)于多分類問(wèn)題，可采用兩類問(wèn)題的“一對(duì)一”和“一對(duì)多”方案實(shí)現(xiàn)[5]。

5 實(shí)驗(yàn)方案與結(jié)果分析

　　5.1 輸入

　　以初始化數(shù)據(jù)庫(kù)中的部分?jǐn)?shù)據(jù)為訓(xùn)練集樣本，見(jiàn)表1。對(duì)樣本取均值以消除基線漂移，再與標(biāo)準(zhǔn)偏差做商，可避免由于不同儀器產(chǎn)生的幅度偏差造成的誤判。特征值按表2特征值選取。以MITBIH數(shù)據(jù)庫(kù)中的一部分?jǐn)?shù)據(jù)為測(cè)試樣本，處理方法同訓(xùn)練樣本。

　　5.2 核函數(shù)選擇

　　SVM輸出性能的優(yōu)劣與內(nèi)積函數(shù)及其系數(shù)、懲罰因子等參數(shù)的選擇有較大關(guān)系。本文選擇徑向積核函數(shù)作為核函數(shù)[6]：

　　其中，ρsens為敏感度，ρindiv為特異度，ρa(bǔ)cc為準(zhǔn)確度[7]。

　　現(xiàn)在對(duì)屬于MIT-BIH數(shù)據(jù)庫(kù)中的測(cè)試樣本做詳細(xì)分析。選擇表2中13組特征向量和去除表2中3組向量再加入3組形態(tài)特征向量后的13組新特征向量作為SVM輸入，其分類準(zhǔn)確度根據(jù)選取的被替換3組特征向量的不同而不同。表3列出了3種不同替換選擇對(duì)分類準(zhǔn)確度的影響結(jié)果。

　　實(shí)驗(yàn)結(jié)果表明，綜合特征向量輸入的分類準(zhǔn)確度有所提高，提高程度依賴于被替換特征向量的類型。當(dāng)S波振幅、PQ間期、ST間期3個(gè)特征向量被替換時(shí)，分類準(zhǔn)確度提高程度最明顯，總分類準(zhǔn)確度提高了6.2%。EGG信號(hào)測(cè)試集識(shí)別結(jié)果如表4所示，S波振幅、PQ間期、ST間期3個(gè)特征被替換后的性能指標(biāo)如表5所示，其中V、B兩種類型數(shù)據(jù)測(cè)試結(jié)果最優(yōu)，N、A測(cè)試結(jié)果較差。

6 結(jié)論

　　本文所提出的算法在個(gè)人計(jì)算機(jī)上的應(yīng)用的技術(shù)難題已經(jīng)解決，而在移動(dòng)終端上SVM算法的實(shí)現(xiàn)、數(shù)據(jù)庫(kù)的全面性建設(shè)和已獲取信號(hào)的重利用是作者今后研究的方向和重點(diǎn)。

　　參考文獻(xiàn)

　　[1] LOWNE A， BREAKSPEAR R. Non-contact ECG measurement using EPIC sensors[R/OL]. UK： Plessey Semiconductors Inc， 2012[2012-3-26]. http：//www.plesseysemiconductors.com/epic-fitness-plessey-semiconductors.php.

　　[2] ?魻ZLEM ?魻ZCAN N， G?譈RGEN F. Fuzzy support vector machines for ECG arrhythmia detection[J]. International Conference on Pattern Recognition， 2010，2973-2976

　　[3] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M].北京：科學(xué)出版社，2004.

　　[4] Vapnik.統(tǒng)計(jì)學(xué)習(xí)理論[M].張學(xué)工，譯.北京：電子工業(yè)出版社，2004.

　　[5] 唐孝，唐麗，莫智文.基于支持向量機(jī)算法的ECG分類策略[J].生物醫(yī)學(xué)工程學(xué)雜志，2008，25（2）：246-249.

　　[6] 周珂，彭宏，胡勁松.支持向量機(jī)在心電圖分類診斷中的應(yīng)用[J].微計(jì)算機(jī)信息，2006（22）：237-239.

　　[7] 謝亮，汪曉東.基于改進(jìn)的快速獨(dú)立分量分析與支持向量機(jī)的ECG分類診斷[J].儀器儀表學(xué)報(bào)，2009，30（12）：2599-2604.