基于極限學習機的左束支傳導阻滯輔助診斷研究

王之瓊 吳承暘 信俊昌 趙 越* 李 響

1(東北大學中荷生物醫學與信息工程學院，沈陽 110169)2(東北大學計算機科學與工程學院，沈陽 110004)3(大連醫科大學附屬第二醫院，遼寧 大連 116027)

基于極限學習機的左束支傳導阻滯輔助診斷研究

王之瓊1吳承暘1信俊昌2趙 越1*李 響3*

1(東北大學中荷生物醫學與信息工程學院，沈陽 110169)2(東北大學計算機科學與工程學院，沈陽 110004)3(大連醫科大學附屬第二醫院，遼寧 大連 116027)

左束支傳導阻滯(LBBB)作為臨床常見的一種心律失常，是左心室收縮功能減低、患者死亡率增加的標志；利用機器學習算法對其進行輔助診斷，將對LBBB早發現、早治療起到積極的推動作用。然而，由于目前常用的支持向量機(SVM)等傳統的機器學習算法容易產生局部最優解，準確度有待提高，因此提出一種基于極限學習機(ELM)的LBBB輔助診斷算法。首先，利用小波進行心電信號預處理，包括基線漂移、肌電噪聲及工頻干擾的去除；接著，確定QRS波群與T波位置；然后，根據臨床上LBBB患者比正常人的QRS波群持續時間延長等特點，建立融合時域、形態與能量3類特征的特征模型；最后，利用該模型提取的特征集合，提出基于ELM的LBBB輔助診斷算法。此外，在MIT_BIH數據庫中的5 000份ECG數據上進行實驗驗證，結果表明所提出的預處理與波形提取算法能有效去除噪聲并提取QRS- T特征波；在LBBB的判別上，相比SVM算法、ELM算法的訓練時間縮短了88.5%；同時，在準確率、靈敏度、特異度、LBBB檢出率和正常人檢出率的指標上，分別提升2.4%、5.4%、1.2%、3.6%和2%。因此，基于ELM的LBBB輔助診斷算法具有明顯優勢。

極限學習機；左束支傳導阻滯；機器學習算法；心電信號處理；特征提取

引言

左束支傳導阻滯是臨床常見的一種心律失常，是左心室收縮功能減低、患者死亡率增加的標志[1]，為心源性死亡的獨立危險因素[2]，也是心力衰竭患者心臟再同步化治療后的獨立預測因素[3]。及時地發現并控制LBBB，對于心臟突發疾病的預防、提高生命質量至關重要。在臨床中，基于心電圖(electrocardiogram，ECG)信號的QRS波型診查是LBBB診斷的一種最有效方式。LBBB患者與正常人的ECG信號有較明顯差異，對比如圖1所示，其中(a)為LBBB患者的ECG信號，(b)為正常人的ECG信號。

圖1 正常人與LBBB患者的ECG信號對比。(a) 正常人的ECG；(b) LBBB患者的ECGFig.1 Comparison of LBBB patient and normal in ECG. (a)ECG signal of normal people. (b) ECG signal of LBBB

由于ECG復雜多變、數量龐大，因而計算機輔助LBBB診斷將對LBBB早發現、早治療起到積極推動作用。計算機輔助LBBB診斷的方法通常是通過機器學習進行的，常用的機器學習方法有BP算法、支持向量機(support vector machine, SVM)[4]等。Guler等利用傳統神經網絡算法對四類心拍進行分類，準確率達到96.64%[5]；劉雄飛等利用SVM對心拍進行分類，準確率達到99%以上[6]。但是，這些算法需要人為設置大量的網絡訓練參數，且容易產生局部最優解，輔助診斷的準確度、靈敏度等較低，機器學習算法亟待提高。2004年，Huang等提出了極限學習機(extreme learning machine, ELM)[7- 8]，認為：如果對于一個激勵函數在數據任何部分均可微，則一個含有L節點數的單隱層網絡被賦予任何權值和神經元偏置時，隱層響應矩陣均可逆且能獲得權值的最優解。該法作為一種高效的機器學習算法，在信號處理、人工智能以及大規模計算等領域得到了廣泛應用[9- 11]。

因此，本研究提出了一種基于ELM的左束支傳導阻滯診斷算法。首先，對待檢測的ECG信號進行預處理，包括去除基線漂移、肌電干擾和工頻干擾；接著，利用斜率法定位ECG信號中的R波，從而確定QRS波群與T波；然后，建立特征模型，并基于QRS波群與T波的位置等信息提取特征集；最后，通過ELM算法，對待檢測ECG信號進行LBBB輔助診斷。此外，利用MIT_BIH數據庫中的ECG數據進行了驗證，結果表明：相比SVM算法，ELM算法的訓練時間顯著減少，且準確率、靈敏度和特異度均有較大提升。

1 材料與方法

1.1 實驗數據

ECG數據來源于MIT_BIH提供的ARRHYTHMIA心律失常數據庫。為避免同一患者的特異性對結果的影響，分別從LBBB患者與正常人的ECG中各截取時長為10 min的心電數據作為實驗數據單元。共使用5 000份實驗數據單元，且已由有經驗的醫生進行了確診。其中，正常人3 636份，LBBB患者1 364份。

1.2 方法流程

提出基于ELM的LBBB輔助診斷方法，處理流程如下：首先對ECG信號進行預處理，然后確定QRS波群與T波位置，接著建立LBBB的特征模型并提取特征集合，最后基于ELM對LBBB進行輔助診斷。方法的處理框架如圖2所示。

圖2 LBBB輔助診斷處理框架Fig.2 Framework of LBBB aided diagnosis algorithm

1.3 ECG預處理與波形檢測

ECG信號往往存在3種噪聲，分別為由測試設備誤差及測試者運動產生的基線漂移、肌肉緊張帶來的肌電干擾及市電對設備產生的工頻干擾。由于小波變換能體現更多的細節信息，對特異點的檢測具有更好的效果[12- 16]，因而將采用小波變換方法去除ECG信號中的噪聲。

當心臟跳動時，心臟各部位會產生生理運動，運動會導致心肌細胞產生電信號，而電信號的幅值往往不同，從而形成各種波形。這些波形可以反映出心臟存在的各類疾病，準確地檢測并確定各個波的位置是進行LBBB輔助診斷的前提。從圖1可知，LBBB患者與正常人的ECG信號異常之處主要集中在QRS- T波中，因而將針對ECG信號中的QRS- T波進行檢測[17- 18]。

1.4 特征建模與提取

LBBB輔助診斷需要通過機器學習完成，而提取合適的特征集合是進行高效輔助診斷的保證。因而，考慮相比正常人LBBB患者的ECG信號特點，并據此構建特征模型，繼而提取特征集合。

臨床上，由于LBBB患者常伴有器質性心臟病，因而其心室除極過程緩慢，從而使室內傳導受阻，導致患者ECG信號通常有如下特點：1)QRS波群持續時間延長；2)V1導聯呈現寬大而縱深的rS波；3)V1導聯T波倒置；4)T波直立；5)ST段上升。其中，特點1)可通過時域特征表示，特點2)可通過時域和能量特征表示，特點3)～5)可通過形態特征表示。

因而，構建的LBBB輔助診斷特征模型由時域特征、形態特征與能量特征構成，特征模型如下：

f={ft,fm,fp}

(1)

式中，ft為時域特征，fm為形態特征，fp為能量特征。

時域特征ft、形態特征fm以及能量特征fp內對應特征如下：

ft={ft1，ft2}

(2)

fm={fm1,fm2,fm3,fm4}

(3)

fp={fp1}

(4)

具體特征名稱及正常人和LBBB患者中的各特征范圍值如表1所示。

表1 特征名及其范圍值Tab.1 Characteristic name and value range

1.4.1 時域特征

時域分析作為ECG分析中的一種常用方法，通常是將QRS波群或其他特征波間期作為特征進行分析的，如R- R間期、QRS間期等。本研究采用兩種特征，ft1為MKII_QRSTime，ft2為V1_STime，描述如下：

1)MKII_QRSTime(ft1)：肢體II導聯Q波與S波的時間差。正常人的心室除極過程的持續時間為0.06～0.10 s，而LBBB患者的此過程通常大于0.12 s；QRS波群反映了心室除極的全過程。可見，LBBB患者的QRS波群持續時間延長，因此本研究將其作為一類時域特征。計算MKII_QRSTime如下：

ft1=STime-QTime

(5)

式中，STime為一個心動周期內S波出現時間，QTime為該心動周期內Q波出現時間。

2)V1_STime(ft2)：V1導聯S波起點與終點時間差。LBBB患者的心電圖中通常呈現寬大而深的rS波，在時域中表現為S波的持續時間延長。因此，在獲取到S波的起始位置與終止位置后，計算各個周期的時間差即可作為一類時域特征。計算V1_STime如下：

ft2=SEnd-SStart

(6)

式中，SEnd為V1導聯S波末端時間，SStart為S波起始時間。

1.4.2 形態特征

醫生在診斷心臟疾病時，通常會觀察ECG的形狀(如S波、T波的直立性以及縱深程度等)進行評估，從而確認疾病類型。本研究采用4種特征：fm1為T_DIR，fm2為T_Orthostatic，fm3為ST_Rise，fm4為ST_Degree。

1)T_DIR(fm1)：V1導聯T波的方向。由于LBBB常伴有器質性病變，患者會在V1導聯的心電圖中存在T波倒置現象，即T波方向與主峰方向相反。因此，本研究將其作為一類形態特征。計算T_DIR如下：

fm1=TRdiff-TLdiff

(7)

式中，TRdiff為T波右導數值，TLdiff為T波左導數值。

2)T_Orthostatic(fm2)：V1導聯T波周圍的變化率。LBBB患者在V1導聯中T波高聳且恒定，其直立性高于正常人，因而可通過T波變化率作為形態特征來表現這一特點。而其變化率可通過其周圍的導數值計算。計算T_Orthostatic如下：

fm2=Abs(Tdiff)

(8)

式中，Tdiff為V1導聯T波周圍導數值。

3)ST_Rise(fm3)：V1導聯S波末端至T起始處的平均斜率。由于LBBB患者的除極過程異常，將導致繼發性復極過程的改變，使得LBBB患者的ST- T段往往容易升高，因此，可將ST- T段的平均變化率作為一種形態特征。計算ST_Rise如下：

(9)

式中，STDiff為ST段導數值，STTime為ST- T段的時間。

4) ST_Degree(fm4)：ST段電壓上升幅度。由于LBBB患者的除極過程異常，還將導致ST段上升幅度過大，因此可將其作為一類形態特征。計算ST_Degree如下：

fm4=STEnd-SEnd

(10)

式中，STEnd為T波起始處電壓幅值，SEnd為S波末尾處電壓幅值。

1.4.3 能量特征

波形能量也常用于疾病診斷中。通過觀察波形能量，可判斷出各類心臟病。本研究采用的能量特征fp為S_Area，因LBBB患者在V1導聯呈現縱深的S波，故將V1導聯的S波能量作為能量特征，有

fp=∑(Si-Q)

(11)

式中，Si為S波采樣點縱坐標，Q為Q波波峰縱坐標。

圖3 節點數對ELM性能的影響Fig.3 Number of nodes effect on ELM

1.5 基于ELM的LBBB輔助診斷

1.5.1 ELM中的參數設置

通過實驗手段，獲得了ELM中合適的隱層節點個數，結果如圖3所示。當隱層節點數從100上升至500時，基于ELM的診斷準確率穩步上升；當隱層節點數大于500個節點后，準確率上升較小；當隱層節點數大于700后，基于ELM的診斷準確率逐漸下降。因此，本研究設置隱層節點數為500。

1.5.2 基于ELM的LBBB輔助診斷

1)在基于ELM對LBBB進行輔助診斷中，首先根據建立的特征模型提取ECG信號的特征集合，如算法1所示。該算法首先對ECG信號進行讀取；接著對ECG信號進行基線漂移、肌電干擾與工頻干擾的去除，檢測并確定QRS- T波位置；最后提取該ECG信號的時域、形態和能量3類特征，共計7種，并建立特征集合。

算法1: LBBB特征集合提取算法。

//輸入N，Data: 心動次數與未經處理的ECG數據

//輸出F: LBBB特征集合

Read (Data); //讀取ECG信號

去除基線漂移;

去除肌電干擾;

去除工頻干擾;

Fori=1 toNDo

尋找QRS波群與T波;

LBBB特征提取;

建立特征集合;

returnF.

2)將特征矩陣帶至ELM中進行訓練，如算法2所示。首先，ELM會隨機產生第i個隱層節點的輸入權值wi與神經元偏置b；接著，輸入節點數L，進行數據訓練。最后，得到輸出矩陣H，通過H確定輸出權重β。

算法2: ELM特征訓練。

//輸入F、N、L: 特征集，心動次數與節點數

//輸出β: 隱層輸出權重

Fori=1 toLDo

隨機生成wi與b;

Fori=1 toNDo

x=F[i];

Fori=1 toLDo

H=g(wi*xj+bi);

β=TH-1;

returnβ.

3)通過訓練，從結果中獲取了wi、b與輸出權重β。輔助診斷算法如算法3所示。首先該算法提取輸入ECG信號的特征向量，然后根據wi、b與L得到輸出矩陣H，最后通過輸出權重β計算出輔助診斷結果T。

算法3: ELM特征測試。

//輸入F,N,: 測試特征集，心動次數與ELM參數

//輸出T: 輔助診斷結果

Fori=1 toNDo

x=F[i];

For j=1 to LDo

H=g(wi*xj+bi);

T=Hβ;

returnT.

1.6 實驗方法評價指標

本研究從訓練時間、準確率、靈敏度、特異度、LBBB檢出率和正常人檢出率6個指標進行實驗評價，部分評價指標描述如表2所示。

表2 評價指標Tab.2 Valuation index

其中：TP表示真陽性，即輔助診斷結果判定患有LBBB，且醫生認為患有該病；TN表示真陰性，即輔助診斷結果判定未患有LBBB，且醫生認為正常；FP表示假陽性，即輔助診斷結果判定患有LBBB，但醫生認為正常；FN表示假陰性，即輔助診斷結果判定未患有LBBB，但醫生認為患病。本研究采用十折交叉驗證獲得了上述指標的結果。

2 結果

首先，利用小波變換方法去除ECG信號中的噪聲，從而完成ECG的預處理，其處理效果如圖4所示。接著，針對ECG信號中的QRS- T波進行檢測，檢測效果如圖5所示。然后，再根據該特征波提取出心電信號的時域特征、形態特征及能量特征。

圖4 ECG信號的去噪效果。(a)去除前；(b)去除后Fig.4 Removal of ECG noise. (a)Original (b)Removed

圖6 ELM與SVM時間對比Fig.6 Comparison of ELM time and SVM time

在獲得上述特征后，將基于ELM的LBBB輔助診斷方法與基于SVM的LBBB輔助診斷方法在各項試驗方法的評價指標上進行了比較。首先，比較了基于ELM和基于SVM的LBBB輔助診斷方法的訓練時間，實驗結果如圖6所示。從中可知，在數據訓練量較小時，ELM與SVM的時間成本相差較小，ELM略少于SVM；但是隨著數據量的逐漸增大，ELM的訓練時間大幅小于SVM的訓練時間，且SVM的訓練時間增長速度越來越快，幾近成倍數增長，當增至最大時，ELM的訓練時間為0.23 s，而SVM的訓練時間為2.0 s。

然后，比較了基于ELM和基于SVM的LBBB輔助診斷方法的總錯誤數。從表3中可知，ELM算法檢測患者錯誤數為15個，SVM算法的錯誤數為87個；ELM算法檢測正常人錯誤數為15個，SVM算法的錯誤數為64個；ELM算法的總錯誤數為30個，SVM算法的總錯誤數為152個。

表3 ELM與SVM檢錯統計Tab.3 Error of ELM and SVM diagnosis

最后，比較了基于ELM和基于SVM的LBBB輔助診斷方法的準確率、靈敏度、特異度、LBBB檢出率和正常人檢出率，實驗結果如圖7所示。

圖7 分類性能對比Fig.7 Classification performance comparison chart

由圖7可知，ELM的準確率為99.4%，而SVM準確率為97.0%；ELM的靈敏度為98.9%，而SVM靈敏度為93.5%；ELM的特異度為99.5%，而SVM特異度為98.3%；ELM對LBBB的檢出率為98.8%，而SVM對LBBB的檢出率為95.2%；ELM對正常人的檢出率為99.6%，而SVM對正常人的檢出率為97.6%。

3 討論

在本文中，首先討論了基于SVM方法與ELM方法的LBBB輔助診斷結果的對比，然后討論了基于ELM方法中隱層節點參數設置的必要性，并分析了本研究提出的基于ELM的LBBB輔助診斷方法的局限性。

3.1 關于兩種方法結果對比的討論

20世紀90年代，Vapnik等提出了支持向量機(SVM)算法[4]。SVM可進行二維或多維的模式識別，是一種良好的分類與回歸識別工具。但是，SVM也存在泛化能力不強、學習速度較慢以及無法對較大規模數據進行分類的問題。同時，SVM中核函數的選取直接影響其分類準確性，且容易陷入局部最優解，從而使該算法的準確率較低。2004年，Huang等提出了極限學習機(ELM)算法[7]。ELM是一種單隱層前饋神經網絡算法[19]，可以隨機產生權重和偏置量，從而得出單隱層輸出矩陣，并產生唯一解，該解即為全局最優解。ELM泛化能力較強、學習速度更快，且不需要設置大量網絡參數。

趙勇等提出了基于SVM算法的LBBB輔助診斷方法[20]，筆者提出了基于ELM的LBBB輔助診斷方法。從實驗結果中可以看出，相比SVM算法，ELM算法的準確率、靈敏度、特異度、LBBB檢出率和正常人檢出率均有提升，分別提升了2.4%、5.4%、1.2%、3.6%和2%。相比SVM算法，基于ELM的訓練時間縮短了88.5%。這是由于ELM可以無限地投影到高維空間，而SVM的投影方式需依核函數而定，因而SVM得到的通常為次優解；且ELM不需要大量迭代計算，所以其運算速度幾何倍地快于SVM[7]。可見，本研究提出的基于ELM的LBBB輔助診斷算法具有明顯優勢。

3.2 關于ELM方法中隱層節點參數設置的討論

在基于ELM的輔助診斷中，隱層節點數的設置是對ELM精確度造成影響的唯一人為因素。理論上講，神經網絡的節點數越多，神經網絡算法就可更好地擬合訓練數據。但是，過多的節點數會增加時間成本，且從訓練數據中獲得的最佳分類面并不一定為測試數據的最佳分類面。

Liao等基于ELM進行數據訓練時，節點數從330增加到605，但時間成本從2.9 s增加至209.9 s[21]。因此，本研究測試了不同隱層節點數對基于ELM的LBBB輔助診斷準確率的影響，結果表明，隱層節點為500左右時，輔助診斷準確率基本穩定，且相比更高的節點數可節省大量訓練時間。

3.3 本方法的局限性

在臨床上，LBBB的ECG中的某些特征與左心室肥大、心肌缺血與心肌梗死等的某些特征有相似之處，常規的診斷辦法往往是利用多導聯的心電圖進行綜合分析。本研究未考慮此種情況下的鑒別，這部分工作可在后續的研究中解決。

4 結論

如今，機器學習算法已經廣泛地應用于各個領域。在醫學領域中，利用機器學習算法針對疾病進行輔助診斷已經成為研究的熱點。隨著經濟的發展、人類對健康的重視，LBBB作為心律失常類疾病，已得到了越來越多的關注。基于機器學習的輔助診斷算法將對LBBB早發現、早治療起到積極的推動作用。

本研究提出了一種基于ELM的左束支傳導阻滯的輔助診斷算法。首先，將ECG信號進行基線漂移、肌電干擾與工頻干擾的去除；然后，對QRS波群與T波檢測，并進行時域特征、形態特征與能量特征的提取；最后，將特征值作為ELM與SVM的輸入對LBBB進行輔助診斷。此外，使用MIT_BIH的心律失常數據庫對該算法進行了驗證，結果表明ELM在分類時間、準確率、靈敏度、特異度、LBBB檢出率和正常人檢出率上均優于SVM。

[1] Christian L, Christian TP, Cleland JGF, et al. Right and left bundle branch block as predictors of long- term mortality following myocardial infarction [J]. European Journal of Heart Failure, 2011, 13(12): 1349- 1354.

[2] Ng AC, Tallman TD. Prognostic implications of left ventricular dyssynchrony early after non- ST elevation myocardial infarction without congestive heart failure [J]. European Heart Journal, 2010, 31(3): 298- 308.

[3] Seo Y, Ito H, Nakatani S, et al. The role of echocardiography in predicting responders to cardiac resynchronization therapy [J]. Circulation Journal, 2011, 75(5): 1156- 1163.

[4] Cortes C, Vapnik V. Support- vector networks [J]. Machine Learning, 1995, 20(3): 273- 297.

[5] Guler I, Ubeyh E. ECG beat classifier designed by combined neural network model [J]. Pattern Recognition. 2005, 38(2): 199- 208.

[6] 劉雄飛, 晏晨偉, 胡志坤. 基于數學形態學及支持向量機的心率失常識別 [J]. 計算機應用, 2013, 33(4): 1173- 1175.

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

[8] Deng Chenwei, Huang Guangbin, Xu Jia, et al. Extreme learning machines: new trends and applications [J]. Sciece China Information Sciences, 2015, 58(2): 1- 16.

[9] 劉龍飛, 孫學斌, 周正. 一種基于極限學習機的頻譜感知方法 [J]. 無線電工程, 2015, 45(3): 25- 29.

[10] 王之瓊, 曲璐渲, 隋雨彤, 等. 基于極限學習機的跌倒檢測分類識別研究 [J]. 中國生物醫學工程學報, 2014, 33(4): 418- 424.

[11] Osowski S, Linh TH. ECG beat recognition using fuzzy hybrid neural network [J]. IEEE Transactions on Biomedical Engineering, 2001, 48(11): 1265- 1271.

[12] Mallat SG. A Theory for multiresolution signal decomposition: The wavelet representation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1989, 11(7): 674- 693.

[13] Smital L, Vitek M, Kozumplik J, et al. Adaptive wavelet Wiener filtering of ECG signals [J]. IEEE Transactions on Biomedical Engineering, 2013, 60(2): 437- 445.

[14] 楊慧中, 鐘豪, 丁鋒. 基于多重小波變換的信號去噪及其在軟測量中的應用 [J]. 儀器儀表學報, 2007, 28(7): 1245- 1249.

[15] 王曉花, 徐學軍, 何秋婭. 一種ECG信號肌電干擾去除方法的研究 [J]. 智能計算機與應用, 2015, 5(1): 59- 62.

[16] 歐陽波, 程棟, 王玲. 改進小波閾值算法在心電信號去噪中的應用 [J]. 計算機工程與應用, 2015, 51(4): 213- 217.

[17] 劉少穎, 盧繼來, 郝麗, 等. 基于數學形態學和小波分解的QRS波群檢測算法 [J]. 清華大學學報, 2004, 44(6): 852- 855.

[18] 李翠微, 鄭崇勛, 袁超偉. ECG信號的小波變換檢測方法 [J]. 中國生物醫學工程學報, 1995, 14(1): 59- 66.

[19] Huang Guangbin, Zhou Hongming, Ding Xiaojian, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems Man & Cybernetics: Part B: Cybernetics, 2012, 42(2): 513- 529.

[20] 趙勇, 洪文學, 孫士博. 基于多特征和支持向量機的心律失常分類[J]. 生物醫學工程學雜志, 2011(2):292- 295.

[21] Liao Shizhong, Feng Chang. Meta- ELM: ELM with ELM hidden nodes[J]. Neurocomputing, 2013, 128(5):81- 87.

Algorithm of Left Bundle Branch Block Diagnosis Based on ELM

Wang Zhiqiong1Wu Chengyang1Xin Junchang2Zhao Yue1*Li Xiang3*

1(Sino- Dutch Biomedical and Information Engineering School of Northeastern University, Shenyang 110169, China)2(College of Information Science and Engineering of Northeastern University, Shenyang 110004, China)3(The Second Hospital of Dalian Medical University, Dalian 116027, China)

As a common clinical arrhythmia, left bundle branch block is a signal of left ventricular systolic function decreased and mortality increased in patients, machine learning algorithm aided diagnosis of the disease will play a positive role in detection and diagnosis. Currently, left bundle branch block automatic identification mode is still using support vector machines and other traditional machine learning algorithms for training and testing, these traditional neural network algorithms prone to local optimal solution, which is not suitable to classified LBBB. Herein, this paper proposed an algorithm about automatic diagnosis of left bundle branch block based on ELM. Firstly, the ECG signal was preprocessed, including the removal of baseline drift, high- frequency noise and power- line interference; then, we created the model by features of LBBB such as the length of QRS after the location of QRS- T wave was determined. Finally, we provided the LBBB diagnosis algorithm based on ELM. Additionally, we tested 5000 groups of data in MIT_BIH. Results showed the algorithm was effective in noise removal and wave extraction. ELM was 88.5% that is shorter than SVM in training time, and ELM had improvement of 2.4%, 5.4%, 1.2%, 3.6%, 2% in time, accuracy, sensitivity, specificity, FP ratio and FN ratio respectively. Accordingly, ELM had more advantages in LBBB diagnosis.

extreme learning machine; left bundle branch block; machine learning; procession of ECG; feature extraction

10.3969/j.issn.0258- 8021. 2017. 03.005

2016- 06- 21， 錄用日期:2016- 11- 30

國家自然科學基金青年項目(61402089)；遼寧省自然科學基金面上項目(2015020553)；中國博士后科學基金項目(2016M591447)

R318

A

0258- 8021(2017) 03- 0293- 07

*通信作者(Corresponding author)，E- mail: zhaoyue@bmie.neu.edu.cn;lixiang_5007@163.com