基于極限學習機的室性早搏判別算法的實現

王瑞榮 余小慶 王 敏 葉 楊

1(杭州電子科技大學生命信息與儀器工程學院，杭州 310018)2(杭州紅十字會醫院骨科，杭州 310003)3(杭州紅十字會醫院醫務科，杭州 310003)

基于極限學習機的室性早搏判別算法的實現

王瑞榮1*余小慶1王 敏2葉 楊3

1(杭州電子科技大學生命信息與儀器工程學院，杭州 310018)2(杭州紅十字會醫院骨科，杭州 310003)3(杭州紅十字會醫院醫務科，杭州 310003)

室性早搏是常見的心律異常疾病，給人的生命帶來威脅，準確的心律異常診斷對于幫助人們預防心血管疾病起到重要的作用。以MIT-BIH心律異常數據庫中的數據作為分析對象，提出一種基于極限學習機算法的診斷方法，主要包括信號預處理、特征提取和分類，實現心電信號室性早搏異常的判別。采用小波變換結合形態學算法，對信號進行預處理，去除干擾，得到純凈的心電信號。通過K-means聚類算法提取QRS波群等特征參數，根據這些參數建立正常竇性心律和室性早搏的正樣本和預測樣本，再結合極限學習機分類器進行樣本訓練匹配和分類識別。選取1 260個周期信號進行實驗，結果表明，該算法能準確診斷出室性早搏異常，最終陽性平均檢測率達到95%，平均靈敏度達到96%。該算法相比其他算法，在識別精度相當的情況下，可極大提高算法的實時性，具有很高的研究價值，同時在移動醫療和臨床醫療方面也具有一定的實用價值。

極限學習機；室性早搏；心電信號；MIT-BIH

引言

心血管疾病突發性高，且致死致殘率極高，每年死于心臟病突發的人數占了總死亡人數的1/3。針對此類疾病的控制與預防，需要對心電數據進行長期的實時記錄與監測，通過早期分析與干預才能達到良好的控制效果。若選擇去醫院做長期的檢查，不僅就醫過程繁瑣，而且成本高昂，普通家庭難以承受。目前市場已有的家用式心電監測儀，依然存在體積龐大、不能進行本地診斷等不足之處。而基于移動平臺的心電監測系統，不僅節省了設備的成本，縮小了設備的體積，而且能實現本地實時心電分析以及遠程信息通信，將成為移動醫療產品的設計趨勢。移動平臺計算能力有限，在該平臺上運行的分析算法時間復雜度和空間復雜度都不宜過大。

室性早搏作為一種常見的心律異常疾病，長期拖延會導致嚴重的心律失常、心絞痛、心衰甚至死亡。室性早搏的識別主要通過心電圖分析，目前的心電圖自動分析法是臨床心電信息學的重要手段。室性早搏的自動診斷方法主要有神經網絡法[1]、模板匹配法[2]和支持向量機聚類算法[3]等。傳統的神經網絡算法訓練時間太長，導致計算效率較低，不適用于實時應用場合；支持向量機聚類算法樣本依賴性高，需要大量良好的樣本才能有較高的識別率；模板匹配法建立模板時需要的特征值較多，在一定程度上增加了錯誤率。近幾年提出的深度學習算法[4-5]，同樣存在計算時間不夠收斂的缺點。新加坡南洋理工大學黃教授提出的極限學習機[6]，使得前饋神經網絡的訓練時間大大縮短，同時保持較高的識別準確度。實時心電檢測算法要滿足檢測準確度高和算法時間短兩個要求，而極限學習機算法同時滿足了這兩個要求。

在本研究中，采用小波變換結合心態學濾波對信號進行預處理，去除肌電干擾、工頻干擾和基線漂移，突出QRS波群的特征部分。特征提取過程采用K-means聚類算法，獲得QRS波群等特征值，根據室性早搏的特征建立訓練樣本，結合ELM算法對樣本進行訓練，得到預測模型，最后根據輸入的特征進行匹配診斷。

1 材料和方法

1.1 材料

實驗所用數據來自MIT-BIH心律異常數據庫，該數據庫是由美國麻省理工學院提供，共48組數據，存在41種心律失常，數據來自真實的病患。該數據庫中的心電記錄較為全面，一個心電記錄由3個部分組成：頭文件、數據文件和注釋文件，其中頭文件給出采樣頻率、數據存儲格式等信息，數據文件存放心電數據，注釋文件記錄了心電專家對相應心電信號的診斷信息，因此該數據庫作為驗證本研究所提出的算法較為適合。

1.2 方法

ECG信號是心肌的電活動在身體表面上的表達，是重要的生命體征[7]，也是檢測心血管疾病的重要手段。ECG信號存在QRS波群、P波和T波等重要特征，這些特征的畸變與否是判斷病患是否存在心律異常的重要條件。本研究提出的算法包括信號預處理、特征提取、診斷分類3部分(見圖1)，信號首先經過小波變換結合形態學濾波算法的預處理，再通過K-means聚類算法得到特征值，將特征值代入ELM分類器中進行訓練和匹配，實現準確的室性早搏判別。

圖1 本算法的主要流程Fig.1 The main flow of the algorithm in this paper

1.2.1 信號預處理

預處理過程需要去除工頻干擾、肌電干擾和基線漂移3種主要的噪聲，以提高信噪比。本研究采用Mallat[8]，結合形態學濾波，對信號進行預處理，預處理過程主要分為以下步驟:

1)將信號進行4尺度分解，根據小波分解的特點，得到肌電干擾基本在1和2尺度上，工頻干擾在2和3尺度上，心電信號在3和4尺度上；

2)將1、2、3尺度上的細節系數進行閾值處理，設置閾值來確定該細節系數是否置0；

3)將處理后的尺度系數重構信號，再進行形態學濾波，去除基線漂移；

4)最后得到濾波后的信號。

1.2.2 特征提取

如圖2所示，室性早搏信號相比正常心電信號有比較明顯的特點，N為正常，V為室性早搏。室性早搏的畸變主要有：寬大的QRS波，且提前出現；T波方向與主波方向相反；室性早搏后代償間歇完全。

圖2 存在室性早搏的心電信號Fig.2 The ECG with premature ventricular contraction

本研究采用 K-means聚類算法，對波形的斜率絕對值做聚類，實現 QRS 波群的檢測，在QRS波群區域內定位R波波峰點和QS波谷點。準確檢測QRS波群，特別是準確地檢測出R峰，對于ECG信號分析是不可少的，尤其需要得到正確的心率(HR)和心率變異性測量(HRV)[9]。K-means 算法是聚類算法中常用的算法之一，其基本思想是一個反復迭代過程[10]，目的是使聚類域中所有的樣品到聚類中心距離的平方和最小。本研究將心電信號的斜率絕對值作為聚類數據集X={x1,x2,x3,…，xn}，以及將要生成的數據子集數目K=2，得到子集C={c1,c2}，c1和c2集合分別有各自的聚類中心u1和u2。計算該類內各個點到聚類中心ui的距離，若該點距u1的距離小，則屬于c1，反之屬于c2，歸類結束后，分別計算各類的距離平方和，有

(1)

聚類結束的標志是各類總的平方和，達到最小值，即

J(C)=∑kJ(ck)

(2)

此時，可根據聚類中心值，得到最后的分類子集C以及分類結果V={v1,v2,v3,…,vn}。根據聚類結果，確定出各個QRS波群的邊界，在該區域內檢索到最大值，并且波峰的地方就是R波的位置，Q和S是R波的兩邊波谷位置。從圖2中可知，室性早搏信號的T波出現倒置，導致S點比較難判斷，本研究將倒置的T波代替S點，作為QRS波群中的特征點，而正常的信號還是原來的S點，因此室性早搏信號的QRS波群特征就更加突出。

1.2.3 極限學習機的分類

1.2.3.1 特征向量的選擇

根據特征提取的結果，可以得到R波幅值和位置、Q波幅值和位置、S波幅值和位置，以及QRS波群起終點的位置等；根據這些特征，還可以擴展出Q點與S點值之差、R點與S點值之差、S波幅與R波幅的比、QRS波群寬度以及R-R寬度等特征。如圖2所示，根據室性早搏的特征可知，R波幅值、Q波幅值等部分特征并不能區分出正常信號和室性早搏信號，而且多余的特征值增加了計算復雜度，因此本研究只選取QRS波寬、R波和S波點值之差以及R波和S波幅值之比3個特征值作為特征向量，即

(3)

1.2.3.2 極限學習機分類原理

極限學習機是一種單隱層前饋神經網絡(single-hiddenlayerfeedforwardneuralnetworks，SLFN)學習算法，它的本質是隱含層參數不需要手動調節[11]，而是隨機產生，并且通過尋找最小二乘解得到輸出權重，因此加快了計算速度，降低了時間復雜度。假設在訓練集中有N個樣本，有

(4)

式中，xj是一個p×1的輸入向量，tj是一個q×1的目標向量，該樣本的M個隱藏節點的ELM模型為

(5)

式中，wi=[wi1,wi2,wi3,…，wip]表示輸入結點與i個隱藏結點的連接權重向量，g(x)是激活函數，βi=[βi1,βi2,βi3,…，βiq]表示第i個隱藏層結點與輸出結點的連接權重向量，表示第i個隱藏層結點的偏移值。

式(5)也同樣可以表示為

Hβ=T

(6)

其中

為了獲得較小的非零訓練誤差，黃教授等人提出隨機分配參數給wi和bi，從而使系統變成線性的，使得輸出的權重可以通過公式估計得到，即

β=H+T

(7)

式中，H+為隱藏層輸出矩陣H的Moore-Penrose泛化逆矩陣。

總的來說，ELM算法可以總結如下：輸入訓練數據的特征向量xi和已知結果向量tj；隨機產生參數分配給wi和bi；將參數wi和bi代入激活函數g(x)，計算隱藏層輸出矩陣H，轉為H+；根據式(7)，計算輸出權值向量β；得到完整的ELM模型，見式(5)；將測試數據的特征向量xi代入式(5)，得到目標向量tj。

2 結果

2.1 特征提取結果

MIT-BIH數據庫中的數據都是實際病患數據，存在各類異常，其中100、114、121等是正常心電，102、217等存在起搏心跳異常心電，109、111等存在左束支傳導阻滯異常，124、212、231等存在右束支傳導阻滯異樣，119、200存在室性早搏異常，109、121等存在嚴重基線漂移。其中，室性早搏是本研究特征提取的重點，特征提取結果如圖3所示。

圖3 QRS復合波檢測結果Fig.3 The result of the QRS complex detection

從圖3中可以看出，室性早搏信號的QRS波寬、R波波峰和S點等特征相比正常信號非常突出。根據這些特征，可以準確區分出室性早搏異常信號。

為了驗證本研究中特征提取的優勢，將所提算法與其他方法進行檢測對比。對比結果見表1，可用敏感度(Se)和陽性檢測率(P+)來評估檢測算法的可靠性。

從表1中可以得到，K-means聚類特征提取方法相比其他方法，兼顧了陽性檢測率P+和靈敏度Se，兩者最終檢測準確度都達到99%以上。

表1 QRS檢測準確度對比Tab.1 The comparison of QRS complex detection accuracy

2.2 分類診斷結果

選取MIT-BIH數據庫中119、200、221、228等4組帶有室性早搏的信號，根據本方法提取出QRS復合波，得到式(3)中的3個特征值。選取3個特征中的任意2個特征值的分類結果，如圖4(a)～(c)所示，3個特征值的分類結果如圖4(d)所示(見下頁)。可以看出，任意兩個特征值的分類結果存在少量重疊，3個特征值的分類結果能清楚地區分出室性早搏信號和正常搏動信號。經過多次實驗對比篩選，最終選擇這3個特征值組成特征向量，作為輸入向量，代入極限學習機模型。

特征向量確定后，選取MIT-BIH心電數據庫中含有較多PVC的幾組心電記錄作為訓練樣本和測試樣本數據驗證，如119、200、221、228信號。這4組信號中的5 min數據，共有1 260個的信號周期，其中存在289個PVC、971個Normal。在實驗過程中，取160個PVC和 530個Normal作為訓練樣本，取4組信號的所有數據作為測試樣本，測試結果如表2所示。采用敏感度(Se)和陽性檢測率(P+)來評估檢測算法的可靠性，其中Na表示實際PVC個數，Nd表示檢測到的PVC個數，FP表示錯檢，FN表示漏檢，TP表示正確檢測。

圖4 特征分類效果。(a)R波與S波點值之差、R波與S波幅值之比的分類結果；(b)QRS波寬、R波與S波點值之差的分類結果；(c)QRS波寬、R波與S波幅值之比的分類結果；(d)3個特征值的分類結果Fig.4 Classification results diagram of features. (a)The classification result based on difference between R wave and S wave and ratio of R wave and S wave amplitude；(b)The classification result based on width of QRS complex and difference between R wave and S wave；(c)The classification result based on width of QRS complex and ratio of R wave and S wave amplitude；(d)The classification result based on the three features

表2 測試結果Tab.2 Test results

從表2可知，PVC檢測的Se和P+保持在96%波動，其中200和228兩組信號的檢測精度較低，造成這個現象的原因是噪聲干擾和信號畸變嚴重。4組信號，共有289個PVC，本算法正確檢測出279個，檢測準確度達到96.54%。

目前，常用的分類算法有BP(back propagation)神經網絡和支持向量機(support vector machine)，為了驗證ELM算法的優勢，本研究進行了對比實驗。同樣取160個PVC和 530個Normal作為訓練樣本，以200號信號作為測試樣本，在Matlab平臺上實現3種算法。對比3種算法的訓練時間、測試時間、分類準確度、ROC(receiver operating characteristic)曲線和AUC(area under curve)的值，對比結果見表3和圖5。

表3 3種算法對比Tab.3 Comparison among three algorithm

圖5 ROC曲線Fig.5 The chart of ROC curve

ROC曲線是機器學習領域中常用的分類性能評估曲線，AUC是ROC曲線和XY坐標形成圖形的面積；ROC曲線越靠近左上角，表示分類器的分類效果越好，同時AUC的值也越大。從表3和圖5可以看出，3種算法的分類效果都非常好，AUC值都在0.97以上，測試準確度都超過了95%，ELM算法的實時性優于BP算法和SVM算法。

2.3 算法實際應用結果

為了驗證算法的實際運行效果，將算法移植到JAVA虛擬機上進行實驗。本研究將MIT-BIH數據庫中121號、280 s的信號作為測試數據，在JAVA虛擬機上實現算法，模擬診斷過程。運行環境參數為主頻2.4 GB，運行內存4 GB。在此硬件環境下，本算法實現所需要消耗的資源以及運行時間如表4所示。

表4列出了整個過程中濾波、特征提取和分類占用處理器資源的情況，處理280 s的心電信號只需要104 ms運行時間，占用8%的CPU資源和6%的內存資源。圖6表示在JAVA虛擬機上實現本算法所得到的診斷結果，得到心率等基本參數，并用數字5表示室性早搏，用1表示正常搏動。

表4 算法運行所占資源Tab.4 The resources required to run the algorithm

圖6 JAVA虛擬機上室性早搏診斷的界面Fig.6 The interface of PVC diagnosis in JAVA virtual machine

3 討論

自動判別診斷的目的是在準確提取信號特征的基礎上，根據特征判別出這個心電周期屬于正常竇性心律還是室性早搏，傳統診斷需要人工觀察心電圖后給出診斷結果，而自動診斷過程不需要人工參與，便可得到診斷結果。心電圖自動診斷方法主要集中在機器學習領域，常用的分類器有神經網絡和支持向量機[15]，并有了一定的研究成果。Lagerholm等采用神經網絡對MIT-BIH心律異常數據庫中的數據進行無監督學習分類，最后的錯誤率只有1.5%[16]，比有監督學習分類和模板匹配分類的結果略好。在Shen等提出改進的SVM算法應用中，最終的平均檢測精度達到98.92%[3]。筆者最初分別采用神經網絡分類器和支持向量機分類實現室性早搏的判別，識別效果良好，但算法實時性都較差，對運行環境要求高。Liu等將ELM算法運用于實時HRV(heart rate variability)的診斷，發現ELM算法能在短時間內得到診斷結果[17]。因此，筆者采用相同的樣本集做對比實驗，將BP神經網絡、SVM和ELM算法同時應用在室性早搏識別中，對比結果如表3和圖5所示。

從表3中可以得到，ELM算法在檢測精度上和BP和SVM算法差距不大，但是在實時性方面遠優于BP和SVM算法。從圖5中的ROC曲線和表3中AUC的值也可以看出，3種分類器在采用相同的特征值提取算法下，最終的檢測結果都獲得很高的準確度，原因是室性早搏與正常信號的特征差異明顯，并且再次驗證本研究中K-means聚類算法選取的特征也能很好地區分出兩者。在分類效果都相當的情況下，需要考慮算法的實時性，ELM算法所消耗的時間是BP算法的1/10，是SVM算法的1/3，綜合比較之下，ELM算法不僅具有優秀的檢測結果，而且在算法實時性方面還遠遠優于常見的分類算法，因此ELM算法更加適用于實時室性早搏自動診斷。

MIT-BIH心律異常數據庫中存在41種心律異常的類別，而實際生活中的心律異常種類遠遠超過41種，雖然目前終端設備處理能力飛速提升，但是要實現所有心律異常的診斷分類，對普通設備來說仍然非常困難，不斷提升算法實時性是改善這個問題的有效方法。近幾年提出的深度學習算法[5]，同樣存在計算時間不夠收斂的缺點，只適用于理論研究或者是運行環境參數較高的設備上，而本研究提出的ELM算法，適用于便攜式、家用式等需要實時分析的設備上。

4 結論

心臟病是人們健康的巨大隱患，但病人長期住院治療既浪費醫療資源，又帶來極大的經濟負擔，家用式或便攜式心電檢測設備給心臟病患者帶來福音。目前，心電信號處理算法已相對成熟，檢測準確度已達到一定高度，降低算法的時間復雜度是當前心電處理算法考慮的重要因素。本研究提出基于極限學習機的室性早搏診斷算法，能準確診斷出最常見的心律異常疾病——室性早搏，且較其他算法具有更好的實時性。在本文中，介紹了診斷過程的算法流程，對比其他算法，體現出本算法的優勢。今后，將本算法優化后移植到Android或者IOS等移動平臺上，實現沒有地點、時間限制的實時診斷，是繼續研究的方向。

(致謝：感謝朱廣明、王培力、高鵬、汪友明、許春璐、韓淼、鮑楓林等對本文撰寫的幫助和支持。)

[1] Benali R, Reguig FB, Slimane ZH. Automatic classification of heartbeats using wavelet neural network[J]. Journal of Medical Systems, 2012, 36(2): 883-892.

[2] 楊波, 張躍. 基于多模板匹配的室性早搏判別算法[J]. 計算機工程, 2010, 36(16):291-293.

[3] Shen Chiaping, Kao Wenchung, Yang Yuehying, et al. Detection of cardiac arrhythmia in electrocardiograms using adaptive feature extraction and modified support vector machines[J]. Expert Systems with Applications, 2012, 39(9): 7845-7852.

[4] Hinton GE, Osindero S, Teh YW. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[5] Hinton G. A practical guide to training restricted Boltzmann machines[J]. Momentum, 2010, 9(1): 926.

[6] Huang Guangbin, Zhu Qinyu, Siew CK. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

[7] 鐘維, 黃啟俊, 常勝, 等. 基于SOPC 的復合式生理信號檢測系統設計[J]. 傳感技術學報, 2014, 27(4): 446-451.

[8] 張杰. Mallat算法分析及C語言實現[J]. 微計算機信息, 2010, 26(9):229-230.

[9] Hasan MA, Ibrahimy MI, Reaz MBI. NN-Based R-peak detection in QRS complex of ECG signal[C]//4th Kuala Lumpur International Conference on Biomedical Engineering. Berlin: Springer-Verlag, 2008:217-220.

s[10] 何云斌, 張曉瑞, 萬靜, 等.基于改進遺傳模擬退火 K-means 的心電波形的分類研究[J]. 計算機應用研究, 2014, 31(11): 3328-3332.

[11] Scardapane S, Comminiello D, Scarpiniti M, et al. Music classification using extreme learning machines [C] //2013 8th International Symposium on Image and Signal Processing and Analysis (ISPA). Trieste: IEEE, 2013: 377-381.

[12] Rodriguez R, Mexicano A, Ponce-Medellin R, et al. Adaptive Threshold and Principal Component Analysis for Features Extraction of Electrocardiogram Signals [C] //2014 International Symposium onComputer,Consumer and Control (IS3C). Taichung: IEEE, 2014: 1253-1258.

[13] Tekeste T, Bayasi N, Saleh H, et al.Adaptive ECG interval extraction[C]//2015 IEEE International Symposium onCircuits and Systems (ISCAS). Lisbon: IEEE, 2015: 998-1001.

[14] Mironovova M, BilaJ.Fastfourier transform for feature extraction and neural network for classification of electrocardiogram signals[C]//2015 Fourth International Conference on Future Generation Communication Technology (FGCT). Luton: IEEE, 2015: 1-6.

[15] Rojo-Alvarez JL, Camps-Valls G, Caamano-Fernández AJ, et al. A review of Kernel methods in ECG signal classification [M]//ECG Signal Processing: Classification and Interpretation. London: Springer, 2012: 195-217.

[16] Lagerholm M, Peterson C, Braccini G, et al. Clustering ECG complexes using Hermite functions and self-organizing maps[J]. IEEE Transactions on Biomedical Engineering, 2000, 47(7): 838-848.

[17] Liu Nan, Cao Jiuwen, Koh Zhixiong, et al. Analysis of patient outcome using ECG and extreme learning machine ensemble [C] //2015 IEEE International Conference on Digital Signal Processing (DSP).Singapore city: IEEE, 2015: 1049-1052.

Implementation of the Algorithm for Premature Ventricular Contraction Discrimination Based on Extreme Learning Machine

Wang Ruirong1*Yu Xiaoqing1Wang Min2Ye Yang31

(CollegeofLifeInformationScience&InstrumentEngineering,HangzhouDianziUniversity,Hangzhou310018,China)2(DepartmentofOrthopedics,HangzhouRedCrossHospital,Hangzhou310003,China)3(MedicalServicesSection,HangzhouRedCrossHospital,Hangzhou310003,China)

Premature ventricular contraction (PVC) is a common heart rhythm disorders, which threatens humanity’s health, therefore accurate diagnosis of abnormal heart rhythms plays an important role to help humanity prevent cardiovascular disease. This paper proposed a diagnosis method based on ELM (extreme learning machine, ELM) to realize the discrimination of PVC from normal ECG (electrocardiograph) using the data from the MIT-BIH database as analysis object, and process of the method includes signal preprocessing, feature extraction and classification. The first step was to apply the wavelet transform combined with morphological filtering method for signal preprocessing to get the relatively clean signal, Then extracted feature parameters of QRS complex by using K-means clustering algorithm. Meanwhile, the calibration samples and prediction samples were established according to the feature parameters, and finally the ELM classifier for sample training match and classification recognition was adopted. 1260 cycles of signal were chosen to do experiment, and the results demonstrated that this algorithm could accurately diagnose the PVC, whose positive detection rate was up to 95% and sensitivity was up to 96% on average. Compared with other algorithms in the condition of similar detection accuracy, this algorithm can improve the real-time performance of the algorithm, which has high research value and certain practical value in mobile medical treatment and clinical medical treatment.

extreme learning machine; premature ventricular contraction; ECG; MIT-BIH

10.3969/j.issn.0258-8021. 2017. 02.005

2016-05-26， 錄用日期:2016-11-29

國家自然科學基金(61374005)

R318

A

0258-8021(2017) 02-0158-07

*通信作者(Corresponding author)，E-mail: wangrr@hdu.edu.cn