基于差分閾值法和BP神經網絡算法的心肌梗死診斷

凌振寶 王大任 蔡靖

(吉林大學儀器科學與電氣工程學院，吉林 長春 130012)

心肌梗死即指心臟因為冠狀動脈發生急性或者持續性的缺血缺氧現象，進而造成心肌壞死等癥狀。在臨床多表現為腹部疼痛、胸部壓迫性疼痛、心力衰竭、低血壓、心律失常等。在近些年來，現代人的心肌梗死病發率不斷上升，所以對心肌梗死診斷愈發重要。傳統的心肌梗死診斷方式有心肌酶化驗、心電圖及回聲心動圖等〔1〕，但這些測試方法大多需要較長時間而且測試設備價格極高，所以研制一種實時的、方便的心肌梗死疾病診斷裝置是當務之急。現有研究主要包括：利用閾值法得到心電信號的RR間期及其他特征點的幅值和持續時間作為特征進行疾病診斷〔2〕。使用頻率域的方式對心電圖〔3〕進行變換得到頻域相關的特征點〔4〕進行疾病診斷。通過檢測特定物質含量的方式鑒定心血管疾病〔5〕。2013年萬志云〔6〕采用GPU大規模并行計算方案設計學習算法結合心電向量圖和心電圖對心臟疾病進行了輔助診斷。2017年劉光達等〔7〕采用小波變換和Adaboost算法建立了心搏驟停的預測模型實現在疾病發作5 min之前97.56%的成功預測率。就心肌梗死疾病而言，本研究提出了基于差分閾值法和BP神經網絡算法的心肌梗死診斷方法，通過提取ST段起始點幅值(J點)、R波峰值、輸出網絡預測誤差平均值、輸出網絡平均值。4種特征參數進行分類，進行心肌梗死疾病診斷。

1 心肌梗死診斷模型建立方法

本研究主要有7個步驟，具體過程如圖1。

圖1 研究方法示意圖

首先從數據庫中獲取心電信號數據，通過差分閾值法提取信號特征點。通過凸點算子變換提取R波峰值〔8〕。

Con(i)=|2x(i)-x(i-t)-x(i+t)|(1)

對提取數據進行差分處理得到差分后數據的斜率計算閾值得到ST段起點(J波)位置和數據，通過R+X法確定ST段終點。將ST段波輸入值BP神經網絡算法中。將ST-T波段數據輸入至神經網絡，將輸入記為x。初始化隱含層閾值a，輸出層閾值b隱含層權值W1和隱含層至輸出層權值W2，隱含層神經元n，輸出層神經元p。計算輸入層輸出

計算隱含層的輸出

yj=φ(Ij)(3)

計算輸出層輸出得到輸出網絡平均值：

計算誤差：計算期望輸出Y與OYs之間的差值得到公式如下得到輸出網絡預測誤差平均值：

ek=Yk-Ok(k=1,2,…p)(5)

將得到ST段起始點幅值(J點)、R波峰值、輸出網絡預測誤差平均值、輸出網絡平均值4種特征參數兩兩輸入至神經網絡算法種輸入層和隱含層的得到診斷結果公式。

bk=bk+ek(k=1,2,…p)(7)

通過將得到的a,b繪制二維坐標得到分類圖

本研究采用預測結果精度和預測誤差率預測陽性率3個指標來評價心肌梗死診斷效果。

其中TH表示正確分類正常心電信號，WH表示錯誤分類正常心電信號，TU表示正確分類心肌梗死心電信號，WU表示錯誤分類心肌梗死心電信號。

2 結果及分析

為驗證本研究算法的有效性，本實驗使用的心電數據來源于美國權威的 Physionet 數據庫。其中選取正常心律數據庫中(ECG-ID數據庫)15例正常男性心電圖(20～58)和15例正常女性心電圖(16～55)同時從Computers in Cardiology Challenge 2007競賽中測量的4組(每組隨機選取時長為2 s的信號)心肌梗死權威數據用于構建診斷模型。先提取正常心電數據和患有心肌梗死的心電數據進行分析。再運用差分閾值法提取ST-T波段〔0，10〕。

圖2顯示的是對采集數據進行差分閾值提取之后的結果，從圖中可以看出正常心電信號的信號幅度在-0.5～2 mV之間，心肌梗死信號的幅度范圍是-0.5～1.5 mV之間，二者在信號峰值數據相差較大；正常心電信號在ST-T段開始的J點之間有明顯的波谷，而心肌梗死信號在J點之前基本無波動。

通過預處理的差分閾值法可以得到ST段起始點幅值和 R波峰值，正常心電信號和心肌梗死信號的參數如表1(部分)。將得到的ST-T段輸入至BP神經網絡輸入層，初始化BP神經網絡的權值得到圖3，可以看出心肌梗死信號的BP神經網絡預測誤差在-1.7～-1.35 mV之間，正常心電信號的預測誤差在-2.7～-1.9 mV之間，二者幅度相差較大，幅值相差較大；心肌梗死信號的BP神經網絡輸出0.4～2.0 mV之間，正常心電信號的BP神經網絡輸出0.4～2.2 mV之間。二者的峰值位置不同，均值相差不多。通過BP神經網絡算法可以得到輸出網絡預測誤差平均值和輸出網絡平均值，輸出網絡預測誤差平均值和輸出網絡平均值的參數(部分)見表1。不同特征參數對分類效果影響很大，特征參數之間差異越大對分類效果提升越明顯。4種特征參數之中神經網絡預測平均誤差和R波峰值和ST-T段起點值相差較大，而神經網絡輸出相差較小。所以先將除神經網絡輸出以外其他3種特征參數建立二維坐標函數進行分類。表2顯示的是10次獨立重復實驗，對正常心電信號的RR峰值和輸出網絡平均值誤差及心肌梗死信號的RR峰值和輸出網絡平均值誤差的預測結果，其中10次的重復實驗是選取10組數據中不同時間的23組波段的數據進行實驗，本研究提出的心肌梗死疾病診斷的預測精度能夠到95.65%。

圖2 心肌梗死及正常心電信號的BP神經網絡輸出和預測誤差圖

信號編號R波峰值ST段起點(J點)輸出網絡平均值預測誤差平均值正常心電信號01041.618-0.0380.828-2.48601031.7490.0410.795-2.59504181.687-0.0140.767-2.51413041.8450.1020.805-2.556心肌梗死信號1組0.832-0.1820.762-1.4452組0.958-0.1530.689-1.5683組0.924-0.2020.742-1.6824組1.015-0.1740.719-1.496

圖3 BP神經網絡輸出誤差平均值和R波峰值、誤差平均值和ST段起點幅值的分類標準圖

分類標準TH(10次)WH(10次)TU(10次)WU(10次)精度誤差率陽性率R峰值和平均誤差22822201095.65%2.60%99.13%ST段起點和RR峰值22642062489.56%6.08%98.26%

3 討 論

本研究結合了差分閾值法和BP神經網絡算法，提取了心電信號當中的特征點，研究了多種特征點對心肌梗死疾病診斷情況的影響，在以往的心電向量圖的基礎之上提出了結合神經網絡算法和心電特征點結合的心肌梗死預測方法，其預測精度高達95.65%，效果理想。本研究可以在臨床方面對心肌梗死的產生進行診斷，可以幫助患有心肌梗死疾病風險的亞健康人群進行日常監測。