基于卷積神經網絡的T 波形態分類

劉明　李國軍　郝華青　侯增廣　劉秀玲

基于卷積神經網絡的T 波形態分類

劉明1李國軍1郝華青1侯增廣2劉秀玲1

T波形態分類有助于診斷心肌缺血、急性心包炎和心臟猝死等疾病，是心電圖遠程監控中一個重要的研究課題.傳統的T波分類算法依賴于T波檢測，在準確定位T波的關鍵點之后再提取T波特征，完成分類.但是由于T波位置可能發生一定程度偏移，T波的形態多變且受到多種噪聲的干擾，T波檢測是一個難題.為了解決上述問題，本文提出基于卷積神經網絡的T波分類算法：首先根據QRS波群位置及醫學統計規律確定一個T波候選段，然后采用卷積神經網絡直接完成T波分類.由于卷積神經網絡有稀疏連接、權值共享的特性，能夠通過訓練自動獲取T波特征，并且其特征對微小平移具備不變性且對噪聲不敏感，從而能夠有效解決T波形態分類問題.最后在MIT-BIH QT心電數據庫上對本文方法進行測試，實驗結果表明，本文方法可以在T波起始點未確定的情況下，能夠識別單峰直立、單峰倒置、低平、負正雙向、正負雙向五類T波形態，正確率達到了99.1%.

心血管病，T波形態，卷積神經網絡，分類

引用格式劉明，李國軍，郝華青，侯增廣，劉秀玲.基于卷積神經網絡的T波形態分類.自動化學報，2016，42（9）：1339-1346

近年來，心血管病的發病率呈明顯上升趨勢，全國疾病監測系統的監測數據顯示，我國心血管病患者由2010年的2.7億上升至2014年的2.9億，其中高血壓患者2.7億，腦卒中患者700萬，心肌梗死患者250萬，心力衰竭患者450萬，肺心病患者500萬，風濕性心臟病患者250萬，先天性心臟病患者200萬，即每5個成人中就有1名患心血管病.心血管病的死亡率在農村占總死亡率的44.8%，在城市為41.9%，已然超過腫瘤及其他疾病，位居死亡率第一，大概每5例死亡者中就有2例死于心血管病，心血管病防治工作刻不容緩.采用動態心電圖對心血管疾病患者進行監控是降低心血管疾病的致死率和避免并發癥的有效手段.心電圖自動分類是動態心電圖監控的核心技術.

現有醫學成果表明［1-3］，T波形態改變是心臟猝死等疾病的重要標志，T波形態分類具有重要的醫學意義.然而由于心電信號包含復雜噪聲，而T波能量低、持續時間短、形態多變、位置可能發生偏移，這些因素導致T波分類技術研究成為心電信號分析領域一個重要課題.

Vila等［4］建立了T波的數學模型，然后根據該模型檢測T波并完成分類.但是由于噪聲的干擾，以及T波形態變化，采用數學模板檢測T波非常困難.事實上，到目前為止，T波檢測依然是心電信號處理領域的難題.王云鶴等［5］提取T波形態模極大值的個數和正負順序作為特征，然后利用支持向量機（Support vector machine，SVM）實現了T波分類，盡管該方法取得了較高的正確率，但是仍然需要準確定位T波峰值.Hadjem等［6］設計了一種基于分類器集成的T波異常檢測算法，首先檢測QRS波群中Q波端點和T波端點，然后提取QT段形態特征，最后集成決策樹、支持向量機和邏輯回歸等分類器，判斷T波是否異常，該方法也需要準確定位T波.上述方法取得了一定效果，但是這些方法依賴于對T波的準確定位，在準確確定T波關鍵點之后才能判斷T波形態.而由于噪聲干擾、T波形態變化及T波位置偏移等因素的影響，T波準確定位是難以實現的，在實際系統中只能獲取一個包含T波的候選段.基于此，本文研究了基于T波候選段的T波分類技術，并且采用卷積神經網絡自動提取特征并完成分類.

神經網絡算法研究一直是模式識別領域的熱點課題.Liu等［7-8］對自適應神經網絡進行改進并且應用于非線性系統跟蹤控制.Zhang等［9］對連續時間遞歸神經網絡的穩定性進行了全面探討.卷積神經網絡是神經網絡的衍生改進，它的稀疏連接、權值共享的特殊結構不僅大大降低了模型的復雜度，而且使其獲取的特征對于噪聲干擾以及目標的位置變化和尺度縮放具有良好的魯棒性.目前卷積神經網絡已經被廣泛應用到各種模式分類問題中.其中，McDonnell等［10］利用一種快速學習的淺層卷積神經網絡模型進行圖像分類，利用谷歌網絡中街景門票號碼數據庫進行驗證，正確識別率高達96%. Kalchbrenner等［11］利用卷積神經網絡模型處理不同長度的語句，采用捕捉到的語句的長短和特征圖實現情感識別.Dosovitskiy等［12］利用卷積神經網絡構造椅子、桌子、汽車的三維模型，經過訓練后可以準確計算不同對象之間的相似度.將卷積神經網絡引入T波分類問題，可以克服心電噪聲和T波位置改變等因素對T波形態分類的干擾.

本文提出基于卷積神經網絡的T波分類算法，首先利用小波重構的辦法檢測R波峰值，從而確定QRS波群位置，然后根據醫學統計規律確定一個T波候選段，最后將構建好的數據集輸入卷積神經網絡中完成T波的形態學分類.與傳統的先通過T波檢測定位T波位置再對T波分類的方法相比，本文利用卷積神經網絡能夠自動提取特征，并且其特征對噪聲和目標位置改變等因素魯棒的特點，直接對T波候選段進行分類，避開了T波檢測這一難點，成功實現了T波形態分類.

1　算法實現

本文利用卷積神經網絡的稀疏連接、權值共享的特點對T波形態進行特征提取、形態學分類.本文首先利用小波重構的辦法檢測R波峰值，然后根據檢測到的R波峰值提取T波候選段，最后結合心電信號具有的大數據特征，構建數據集并輸入卷積神經網絡中完成T波的形態學分類.本文算法流程圖如圖1所示.

1.1數據預處理

采用小波變換［13］對心電信號進行數據預處理，去噪并標記出R波波峰位置.

步驟1.采用自適應閾值法去噪.相比于固定閾值方法，算法自適應地調節閾值，使得不同尺度具有不同閾值，增強了算法對不同類噪聲的適應性，提高了算法的穩定性.自適應閾值定義為

其中，Sk=2（L-k）/L，L為小波的總分解尺度，k為閾值小波尺度，與小波分解尺度相關，不同尺度具有不同閾值，正好與小波分析的多分辨率相適應.

步驟2.對信號小波重構［13］.心電信號的絕大部分能量集中于QRS波群，P波和T波能量很小，重構信號中能量小的P波和T波被減弱，能量大的QRS波群被增強和凸顯，而能量峰值即是R波峰值.然后對濾波信號加時間窗，并在窗內搜索極大值點，該點即為R波峰值位置.圖2為一段R波峰值檢測的心電圖，峰值用三角形符號標出.

圖2　R波波峰檢測示意圖Fig.2Illustration of the R wave peak detection

1.2T波候選段獲取

1.2.1T波形態

T波位于S-T段之后，是一個比較低而占時較長的波，是由心室復極產生的.正常T波鈍圓占時較長，從基線開始緩慢上升然后較快下降，形成前肢較長、后肢較短的波形.T波方向常和QRS波群的主波方向一致.根據醫學統計，T波從形態學上可以分為五類：單峰倒置（A）、單峰直立（B）、正負雙向（C）、負正雙向（D）、低平（E），如圖3所示.

1.2.2T波候選段獲取

以測到的R波為基準點定位，在R波之后定義一個包含有T波的長度和位置的數據候選段，然后把得到的數據段截取出來，如圖4和圖5所示，其中，每個T波候選段截取的步驟如下：

步驟1.根據RR間期估算出T波起點［14］

其中，T表示T波起點，RR表示RR間期.

步驟2.根據RR間期估計QT間期長度（它表示了Q波起點至T波終點的間期）.已知R波通常滯后Q波30～70ms左右，因此可以采用下面的Ashmsn公式估計QT間期長度

其中K取值0.380.

步驟3.找到T波候選段之后，截取并儲存T波候選段.

圖3　T波形態示例Fig.3Illustration of the shapes of the T wave

圖4　心電信號示意圖Fig.4Illustration of the electrocardiograph（ECG）signal

1.3卷積神經網絡模型

卷積神經網絡的設計受到早期的時延神經網絡的啟發，是一種特殊的深層神經網絡模型.一方面它的神經元間的連接是稀疏連接的；另一方面同一層中某些神經元之間連接的權重是共享的，通過挖掘數據空間上的相關性，減少網絡中的可訓練參數的數量，提高其優化算法的效率.

卷積網絡通過在相鄰兩層之間強制使用稀疏連接模式來利用信號的空間局部特性，如圖6在第m層的隱層單元只與第m-1層的輸入單元的局部區域有連接，第m-1層的這些局部區域被稱為空間連續的接受域，如果第m-1層為輸入層，第m層的接受域寬度為3，即該層的每個單元僅與輸入層的3個相鄰神經元相連，第m層與第m+1層具有類似的鏈接規則，這種結構將學習到的特征限制在局部空間模式.從圖6可以看出，多個這樣的層堆疊起來后會使得局部空間逐漸成為全局.如圖7所示，每個稀疏過濾器通過共享權值都會覆蓋全局可視域，這些共享權值的單元構成一個特征映射，重復單元能夠對特征進行識別而不考慮它在可視域中的位置，使得我們能更有效地進行特征提取，極大減少了需要學習變量的個數.

圖6　稀疏鏈接示意圖Fig.6Illustration of the sparse connection

圖7　權值共享示意圖Fig.7Illustration of the weight share

稀疏鏈接和權值共享的網絡結構使卷積神經網絡更類似于生物神經網絡，降低了網絡模型的復雜度，減少了權值的數量，對平移、比例縮放、傾斜或者其他形式的變形具有高度不變性.此外，通過對網絡中卷積核進行優化，可使其獲得的特征對噪聲魯棒.

1.3.2針對T波搭建的卷積神經網絡模型

將卷積神經網絡分為兩部分，特征提取部分負責學習T波有效特征以助于分類結果；特征分類部分利用提取特征對T波進行準確分類.二者協作完成對T波的形態學分類.由于卷積神經網絡本來是用來處理二維數據的，想要用來處理一維信號，必須對其進行調整.

特征提取部分由卷基層和下采樣層交替組成.卷基層（C—層）可以看作是模糊濾波器，使原信號特征增強并且降低噪音.在卷積層中，上一層的特征向量與當前層的卷積核進行卷積，卷積運算的結果經過激活函數后形成了這一層的特征映射.卷積層輸出可以用下式表示：

下采樣層（S—層）利用局部相關性的原理對數據進行子抽樣，在減少數據維數的同時保留有用信息，同時采用池化技術來保持特征，使特征具有位移、縮放和不變性.下采樣層具有二次特征提取的作用，隱層與隱層之間空間分辨率遞減，其計算公式為

就這樣我回憶著他們的一些生活片斷，在這天上午來到他們的寓所，我覺得自己很久沒來敲他們的門了，當萍萍為我打開他們的房門時，我發現萍萍的樣子變了一些，她好像是胖了，要不就是瘦了。

圖8是針對T波分類構建的神經網絡模型，包括輸入層、卷積層、采樣層、輸出層.每個神經元的輸入與前一層的輸出相連，提取局部特征.在卷積層C1中分布了3個長度為15個采樣點的卷積核，其輸入為116個采樣點的T波候選段，輸出3個長度為102個采樣點的特征向量；下采樣層S1對C1層中輸出的特征向量進行池化操作，將特征向量壓縮為51個采樣點.C2層包含3個長度為22個采樣點的卷積核，輸出是9個長度為30個采樣點的特征向量，卷積之后的特征向量被S2層再次池化之后，最終送入輸出層計算分類結果.這種卷積神經網絡特有的兩次特征提取結構使網絡在識別時對輸入數據有較高的畸變容忍能力.

1.3.3訓練算法

卷積神經網絡是輸入到輸出的映射，能夠在不需要任何輸入和輸出之間的精確數學表達式的前提下，利用已標記的數據進行訓練，建立輸入輸出對之間的映射關系.

如圖9所示，卷積神經網絡訓練流程如下：

圖8　T波分類的卷積神經網絡結構Fig.8Architecture of the convolution neural network for T wave classification

圖9　參數優化示意圖Fig.9Diagram of the parameter optimization

步驟1.訓練開始之前，將各權值W和后續步驟需要用到的閾值參數δ設置為近似0的隨機數，將卷積神經網絡模型初始化.

步驟2.從構建的訓練集中，隨機取出100個樣本構成一個訓練組，作為輸入加入卷積神經網絡，同時給目標指定輸出矢量.

步驟3.利用式（5）～（7）計算實際輸出矢量，與給定目標輸出矢量比較，根據式（10）計算誤差E；并計算權值W和閾值δ的調整量.

其中，α代表學習率，j代表隱含層神經單元，k代表輸出層神經單元，M代表輸出層神經單元個數，hj代表隱含層輸出矢量，W為需要調整的權值，δ為需要調整的閾值.

步驟4.判斷是否滿足精度要求

其中，E是總誤差函數，yk代表輸出矢量，dk代表目標矢量.如果不滿足，則返回步驟3，繼續迭代；如果滿足，則訓練結束，將權值和閾值保存，認為各個權值已經達到穩定，分類器形成.再進行訓練時，直接從文件導出權值和閾值進行訓練，不需要進行初始化.

2　測試結果及分析

本文是利用QT數據庫進行的實驗驗證，該數據庫的數據是由MIT-BIH心律失常數據庫和歐洲的ST-T數據庫提供的.QT數據庫是按照MITBIH數據庫標準格式設置的，它以selnnnn記錄名稱，其中，nnnn是源數據庫中的原始記錄的名稱.每個記錄包含一個信號文件（record.dat）、頭文件（record.hea）和幾個注釋的文件.該數據庫包括105個雙通道動態心電記錄，每個記錄時長15分鐘.這些數據可以通過QT數據庫提供的算法自動標注T波位置，甚至其中每條記錄中部分數據（至少30個節拍）的T波位置是由專家手工標注.同時這些記錄中的每個子集的節拍都可以使用交互式圖形顯示，這使我們能夠更好地進行T波變異的研究.為了驗證卷積神經網絡的性能，本文從QT數據庫中取得并標注了8000個長度為116采樣點的標準數據，用來構建訓練數據集和測試數據集，這兩個數據集之間沒有重復的數據.在訓練完成之后，用卷積神經網絡對測試集進行分類識別，最終把實驗取得的結果和專家標注結果進行對比，T波檢測并分類出來的正確率到達了99.1%，其分類結果如表1所示.

表1　分類結果Table 1Classification results

2.1卷積神經網絡模型參數優化

2.1.1訓練次數選擇

為了探究卷積神經網絡訓練次數與數據識別率的關系，本文在卷積核個數固定為3的情況下，通過調整訓練次數來觀察相應的數據集的正確識別率變化.實驗發現，當訓練集只訓練一次的時候，測試集正確識別率只有85.7%，隨著訓練次數的增加，當訓練次數達到10次，測試集正確率達到99.1%，并且即使訓練次數繼續增加，測試集識別率也并沒有變化.這說明，隨著訓練次數的增加，卷積神經網絡學習到的特征也會越發準確，數據集的正確識別率也會增加.但是數據的識別率并不會越來越高，當訓練次數達到一定程度以后，網絡已經學習到足夠的有效特征，識別率趨于穩定.訓練次數和測試集識別率的關系如表2所示.

表2　不同訓練次數下的識別率（%）Table 2Recognition rates under different training times（%）

2.1.2卷積核個數選擇

由于我們獲得T波候選段含有復雜信息（它不僅需要學習形態和幅值兩種特征，而且包含復雜冗余信息），所以卷積核的個數選擇也非常重要.為了探究卷積神經網絡卷積核個數與數據識別率的關系，本文在訓練次數固定為10次的情況下，通過調整卷積核個數來觀察相應的數據集的正確識別率變化.實驗發現，當卷積核個數選擇2個時，完成訓練消耗的時間為22.95s，其測試集識別率為95.7%，當卷積核為3個時，完成訓練消耗的時間為39.8s，但是測試集識別率提高到了99.1%.隨著卷積核的增多，消耗的時間也越來越長.因此在保證識別準確率的基礎上，在訓練樣本的時候，需要選擇合適的卷積核個數，以減少時間的消耗.卷積核個數和系統需要消耗的時間、測試集正確率的關系如表3所示.

表3　卷積核個數選擇Table 3Choice of the number of the convolution kernel

2.2與經典BP神經網絡對比

卷積神經網絡通過稀疏連接、權值共享的特點將特征提取功能融合進多層感知器，能夠通過訓練自動獲取T波特征，并且其特征對微小平移具備不變性，且對噪聲不敏感，從而能夠有效解決T波形態分類問題.為了測試卷積神經網絡在T波分類識別方面的優越性，本文選擇了經典的BP神經網絡與其進行對比驗證.BP神經網絡是經典的神經網絡，至今仍然被廣泛使用.我們設計了一個BP神經網絡，其輸入層有116個節點，輸出層有5個節點，每一個輸出節點對應一類樣本，并采用非線性的Sigmoid函數作為傳輸函數.接著我們用對卷積神經網絡性能測試的數據集對BP神經網絡測試，測試結果表明BP神經網絡的測試正確率達到了96.7%.它的正確率比卷積神經網絡低2.4%.這是由于T波候選段本身能量低和含有復雜冗余信息，對BP神經網絡權值運算容易陷入局部最優值和易出現過訓練的情況，對分類正確率造成影響.結果如表4所示.

表4　與經典BP神經網絡對比（%）Table 4Comparison with the classical BP neural network（%）

2.3與傳統T波分類方法的對比

文獻［5］提出利用支持向量機（SVM）的方法對T波進行識別分類.首先進行T波峰值的檢測定位，找到T波之后，利用找到的T波段構建數據集，利用SVM針對同一人同一類的T波單獨進行識別分類，其各形態綜合正確率達到98.2%左右.與文獻［5］的方法相比，本文不僅避開了T波檢測這一難題，而且實現了多形態T波數據集的準確分類.在醫學實例中，病人T波形態復雜多變，同一個人往往含有不同形態的T波，與前人工作相比，本文方法顯然更快捷有效、簡單具有實用性.文獻［6］設計了一種基于分類器集成的T波異常檢測算法，首先檢測QRS波群中Q波端點和T波端點，然后提取QT段形態特征，最后集成決策樹、支持向量機和邏輯回歸等分類器，判斷T波是否異常.并通過采集真實心電數據對其方法進行驗證，其精度最后達到了92.54%.然而，該方法需要準確地定位T波.但是在醫學實例中，由于T波形態具有復雜的個體差異、位置偏移嚴重，如果對每個病人單獨檢測QT特征，不僅工作量巨大，而且消耗的時間過多.本文方法與文獻［5-6］中的方法數據對比如表5所示.

表5　與傳統T波分類方法的對比（%）Table 5Comparison with traditional T wave classification methods（%）

3　結論

T波形態分類有助于診斷心肌缺血、急性心包炎、腦血管意外等疾病，是心電圖遠程監控中一個重要的研究課題.傳統的T波分類算法依賴于T波檢測，在準確定位T波的關鍵點之后再提取T波特征，完成分類.但是由于T波位置可能發生一定程度偏移，T波的形態多變且受到多種噪聲的干擾，T波檢測是一個難題.本文提出基于卷積神經網絡的T波分類算法，利用QRS波群位置及醫學統計規律確定一個T波候選段，然后采用卷積神經網絡直接完成T波分類.由于卷積神經網絡有稀疏連接、權值共享的特性，其能夠通過訓練自動獲取T波特征，并且其特征對微小平移具備不變性，且對噪聲不敏感，從而能夠有效解決T波形態分類問題.最后在QT心電數據庫上對本文方法進行測試，實驗結果表明，本文方法在T波起始點未確定的情況下，能夠識別單峰直立、單峰倒置、低平、負正雙向、正負雙向五類T波形態，正確率達到了99.1%.但是本文由于采取的數據依然有限，提供給卷積神經網絡訓練的樣本也不夠完備，導致在識別差異比較大的T波時會出現些誤差，分類的結果具有一定的局限性.在下一步的工作中，一方面應該加大數據集，充分發揮卷積神經網絡對大數據處理方面的優勢；另一方面尋找更簡單有效的分類方法，對卷積神經網絡進行優化.

References

1 Xia Yun-Long，Yang Yan-Zong.Controversial in mechanisms of genesis of T wave.Advances in Cardiovascular Diseases，2010，31（4）：497-499（夏云龍，楊延宗.T波形成的心電生理機制及其爭議.心血管病學進展，2010，31（4）：497-499）

2 Qian Min.The diagnosis and clinical significance of T wave changes in electrocardiogram.Chinese Journal of Convalescent Medicine，2014，23（8）：684-686（錢敏.心電圖T波改變的診斷與臨床意義.中國療養醫學，2014，23（8）：684-686）

3 Kania M，Fereniec M，Maniewski R.Evaluation of T-wave morphology dispersion in high-resolution ECG for risk stratification of sudden cardiac death.In：Proceedings of the 2012 Computing in Cardiology.Krakow：IEEE，2012.785-788

4 Vila J，Gang Y，Presedo J，Fernandez-Delgado M，Barro S，Malik M.A mathematical model for the T-wave pattern classification.In：Proceedings of the 1998 Computers in Cardiology.Cleveland，OH：IEEE，1998.421-424

5 Wang Yun-He，Qian Meng-Yao，Liu Ding-Yu，Rao Ni-Ni. Study on detection method of T waves with different morphologies in electrocardiogram.Space Medicine and Medical Engineering，2013，26（4）：295-298（王云鶴，錢夢瑤，劉定宇，饒妮妮.心電信號多形態T波檢測方法研究.航天醫學與醫學工程，2013，26（4）：295-298）

6 Hadjem M，Nait-Abdesselam F.An ECG T-wave anomalies detection using a lightweight classification model for wireless body sensors.In：Proceedings of the 2015 IEEE International Conference on Communication Workshop.London，UK：IEEE，2015.278-283

7 Liu Y J，Tang L，Tong S C，Chen C L P.Adaptive NN controller design for a class of nonlinear MIMO discretetime systems.IEEE Transactions on Neural Networks and Learning Systems，2015，26（5）：1007-1018

8 Liu Y J，Gao Y，Tong S C，Chen C L P.A unified approach to adaptive neural control for nonlinear discrete-time systems with nonlinear dead-zone input.IEEE Transactions on Neural Networks and Learning Systems，2016，27（1）：139-150

9 Zhang H G，Wang Z S，Liu D R.A comprehensive review of stability analysis of continuous-time recurrent neural networks.IEEE Transactions on Neural Networks and Learning Systems，2014，25（7）：1229-1262

10 McDonnell M D，Vladusich T.Enhanced image classification with a fast-learning shallow convolutional neural network. In：Proceedings of the 2015 International Joint Conference on Neural Networks.Killarney，Ireland：IEEE，2015.1-7

11 Kalchbrenner N，Grefenstette E，Blunsom P.A convolutional neural network for modelling sentences.In：Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics.Baltimore，USA：Association for Computational Linguistics，2014.655-665

12 Dosovitskiy A，Springenberg J T，Brox T.Learning to generate chairs with convolutional neural networks.In：Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition.Boston，US：IEEE，2015.1538-1546

13 Liu X L，Yang J L，Zhu X Y，Zhou S P，Wang H R，Zhang H.A novel R-peak detection method combining energy and wavelet transform in electrocardiogram signal.Biomedical Engineering：Applications，Basis and Communications，2014，26（1）：1-9

14 Zhang Shi-Jie.Detection Method Research for T Wave Alternans in Electrocardiogram［Master dissertation］，Wuhan University of Technology，China，2009.（張世杰.心電信號中T波交替的檢測方法研究［碩士學位論文］，武漢理工大學，中國，2009.）

劉明河北大學副教授.主要研究方向為模式識別，心電信號處理.

E-mail：liuming@hbu.cn

（LIU MingAssociate professor at Hebei University.His research interest covers pattern recognition and ECG signal processing.）

李國軍河北大學碩士研究生.主要研究方向為模式識別，心電信號處理.

E-mail：l631440866@163.com

（LIGuo-JunMaster student at Hebei University.His research interest covers pattern recognition and ECG signal processing.）

郝華青河北大學碩士研究生.主要研究方向為模式識別，心電信號處理.

E-mail：huaqingdeyouxiang@163.com

（HAO Hua-QingMaster student at Hebei University.Her research interest covers pattern recognition and ECG signal processing.）

侯增廣中國科學院自動化研究所研究員，復雜系統管理與控制國家重點實驗室副主任.主要研究方向為嵌入式系統軟硬件開發，機器人控制，智能控制理論與方法，醫學和健康自動化領域的康復與手術機器人.

E-mail：zengguang.hou@ia.ac.cn

（HOU Zeng-GuangProfessor at the Institute of Automation，Chinese Academy of Sciences，and deputy director of the State Key Laboratory of Management and Control for Complex Systems.His research interest covers embedded software and hardware development，robotics and intelligent control with applications to rehabilitation and surgical robots for medical and health automation.）

劉秀玲河北大學電子信息工程學院教授.主要研究方向為心血管系統智能分析.本文通信作者.

E-mail：liuxiuling121@hotmail.com

（LIUXiu-LingProfessor at the College of Electronic and Information Engineering，Hebei University.Her main research interest is intelligent analysis of cardiovascular system.Corresponding author of this paper.）

T Wave Shape Classification Based on Convolutional Neural Network

LIU Ming1LI Guo-Jun1HAO Hua-Qing1HOU Zeng-Guang2LIU Xiu-Ling1

T wave shape classification which is helpful for the diagnosing of many cardiovascular diseases such as myocardial ischemia，acute pericarditis and sudden cardiac death，is an important research topic in electrocardiogram remote monitoring.The method of traditional T wave shape classification is based on the accurate detection of the T wave.It is implemented after the T wave delineation and feature extraction.However，T wave detection is difficult because of the position shift，morphologic variation and multi-noise.To resolve this problem，this paper proposes to classify T wave shape based on convolutional neural network.In the new method，firstly，a candidate data segment which contains the T wave is intercepted based on the location of the QRS wave and the medical statistical knowledge.Then the T wave is classified directly based on the convolutional neural network.Due to the advantages of sparse connection and weight share，the convolutional neural network can extract T wave feature by data training and it is robust to the poison shift and noise.So the convolutional neural network can resolve the T wave shape classification problem efficiently.The new method is tested on the MIT-BIH QT database；the experimental results show that the new method performs well in T wave shape classification without T wave delineation and the classification accuracy is 99.1%.

Cardiovascular disease，T wave morphology，convolutional neural network，classification

Manuscript December 8，2015；accepted February 27，2016

10.16383/j.aas.2016.c150817

Liu Ming，Li Guo-Jun，Hao Hua-Qing，Hou Zeng-Guang，Liu Xiu-Ling.T wave shape classification based on convolutional neural network.Acta Automatica Sinica，2016，42（9）：1339-1346

2015-12-08錄用日期2016-02-27

國家自然科學基金（61473112），河北省杰出青年基金（F20162011 86），河北省自然科學基金（F2015201112），河北省高等學校科學技術研究項目（ZD2015067）資助

Supported by National Natural Science Foundation of China（61473112），Foundation for Distinguished Young Scholars of Hebei Province（F2016201186），Natural Science Foundation of Hebei Province（F2015201112），and Science and Technology Research Project for Universities and Colleges in Hebei Province（ZD2015067）

本文責任編委劉艷軍

Recommended by Associate Editor LIU Yan-Jun

1.河北大學河北省數字醫療工程重點實驗室保定0710022.中國科學院自動化研究所復雜系統管理與控制國家重點實驗室北京100190

1.Hebei Provincial Key Laboratory of Digital Medical Engineering，Hebei University，Baoding 0710022.State Key Laboratory of Management and Control for Complex Systems，Institute of Automation，Chinese Academy of Sciences，Beijing 100190