基于GA-ELM混合模型的急性心肌梗死定位算法研究

張行進 李潤川 張宏坡 逯 鵬 王宗敏,3*

1(解放軍信息工程大學數學工程與先進計算國家重點實驗室 河南 鄭州 450001)2(鄭州大學互聯網醫療與健康服務河南省協同創新中心 河南 鄭州 450000)3(鄭州大學產業技術研究院 河南 鄭州 450000)

0 引 言

心血管疾病是嚴重威脅人類健康的疾病之一，隨著社會經濟的發展和國民生活方式的改變，以及人口老齡化和城鎮化進程的加速，我國心血管病的發病人數快速持續增長。急性心肌梗死[1]指營養心肌的冠狀動脈發生病變，冠狀動脈血供急劇減少或完全中斷，使相應心肌嚴重而持久的缺血缺氧所引起的心肌細胞損傷甚至壞死。心肌梗死具有極高的死亡率和致殘率。對于急性心肌梗死患者，若能在2小時內打通堵塞血管，恢復心肌供血，絕大多數心肌都可以免于壞死。心肌梗死的癥狀很多，但也有許多患者僅出現輕微癥狀或根本沒有癥狀，容易因誤診而錯過最佳救治時機，所以為了輔助醫生快速準確地做出臨床診斷，構建精準的心肌梗死定位算法至關重要。

本文提出了一種結合遺傳算法和極限學習機的GA-ELM混合算法，用于心肌梗死的定位，可行性高、識別率高、速度快、具有可擴展性。

1 相關工作

針對心肌梗死的計算機自動分析診斷，國內外的研究者提出了各種不同的解決方法。他們通常在對采集到的心電信號進行去噪預處理[2]，其次確定R波峰的位置[3-4]，然后用類似的方法定位Q波起點[5]，S波終點[6]，P波和T波的峰值點、起點和終點[7]，最后獲得心電波形的電壓幅值和時間間隔值作為特征。依據這些特征，醫生根據對應的診斷規則實現心肌梗死的檢測和定位。但由于心電波形的多樣性和復雜性以及種族個體的差異性，完全依賴于醫生的臨床經驗，具有一定的局限性。

國內外研究者提出了各種針對急性心肌梗死的自動檢測和定位算法。Sopic等[8]采用隨機森林分層分類方法，實現了心肌梗死的檢測。為了應用于實時分析系統，研究者逐層增加特征數量，以減少分類所需要的時間。Acharya等[9]使用標準II導聯的心電數據，采用卷積神經網絡(Convolutional Neural Networks,CNN)方法實現了心肌梗死的檢測。Lui等[10]使用PTB心電數據庫上標準I導聯的數據，采用卷積遞歸神經網絡實現了心肌梗死的檢測。Chang等[11]首先使用隱馬爾科夫模型(Hidden Markov Model,HMM)從V1～V4胸導聯信號中提取特征，然后采用SVM和高斯混合模型(Gaussian Mixture Model,GMM)，實現了心肌梗死的檢測。Seenivasagam等[12]采用前饋神經網絡(Feed-Forward Neural Network,FFNN)和SVM實現了心肌梗死的檢測。Remya等[13]采用多分辨率方法提取Q波峰值和ST段抬高等特征，使用簡單的自適應閾值(Simple Adaptive Threshold，SAT)方法實現了心肌梗死的定位。文獻[14]使用SVM方法，實現了五類心梗和健康對照的定位。Safdarian等[15]提取T波積分和全積分作為特征，然后采用概率神經網絡(Probabilistic Neural Network，PNN)完成心梗定位。文獻[8-12]僅實現了二分類研究即是否存在心肌梗死的檢測，并沒有進行心梗部位的定位分析。文獻[13-15]在前人的基礎上，研究心肌梗死的定位，但僅使用了部分導聯的心電數據來提取特征。雖然導聯數據的減少，使算法的計算速度有所提升，但是不同導聯下獲取的心電圖記錄具有無可代替的臨床價值，人為減少導聯數據會導致有效信息的缺失，直接影響到心肌梗死定位的準確性。

2 實驗數據

常見類型的心肌梗死病癥可以根據常規心電圖的波形特征改變來判斷。其典型特征有：ST段斜型抬高，T波高聳；ST段弓背或水平型抬高；T波對稱性倒置；對稱性倒置T波由深變淺；T波恢復正常或長期無變化；加深而增寬的病理性Q波。在心肌梗死發作期間，患者可能經歷許多嚴重癥狀，例如：劇烈而持久的胸骨后疼痛，呼吸短促，意識喪失，并伴有心電圖進行性改變。

本文采用國際權威的公開心肌梗死臨床PTB數據庫作為驗證。該數據集包含549條心電圖記錄，分別采集自290名受試者，其中男性209名，女性81名，男女比例約為2.6∶1。每條記錄大約2分鐘，包括同步測量的15個信號：臨床常用的標準12導聯以及3個Frank導聯心電信號。心肌梗死臨床數據庫主要包括有心肌梗死、心率衰竭、房室束支傳導阻滯患者和健康對照者等，受試者平均年齡約為57歲。PTB臨床診斷類別及受試者人數統計情況如表1所示。

表1 PTB診斷類別及受試者人數統計表

3 數據處理

由于心電信號的不穩定性、非線性和微弱性，振幅僅為幾毫伏，頻率范圍在0.05 Hz到100 Hz之間，在信號采集過程中非常容易受到人體活動和儀器等各種因素的干擾，甚至會影響到ECG信號的特征提取和進一步分析診斷。因此有必要對采集到的ECG信號進行去噪預處理，以便獲得高質量的心電信號，這些噪聲主要包括基線漂移、工頻干擾和肌電干擾。

由人體呼吸或者電極移動引起的基線漂移頻率較低，與緩慢變化的正弦曲線相似。本文采用中值濾波算法去除基線漂移。首先設置一定長度的滑動窗口，利用中值濾波器來提取基線漂移，然后用原始心電信號減去提取出的這個基線部分，就得到去除基線漂移后的心電信號。中值濾波算法簡單，速度快，準確率高，失真較小，對ST段有一定的保護作用，ST段是診斷心肌缺血等疾病的重要依據。因市電產生電磁波輻射而產生的工頻干擾會導致心電信號采集的異常，大大降低心電信號的信噪比。PTB心電數據取自德國的一所醫學大學，工頻干擾的頻率主要集中在50 Hz及其諧波。本文采用的是陷波濾波器，即帶阻濾波器，其效果較好，處理速度快。由肌肉震顫引起的肌電干擾近似于白噪聲，屬于高頻干擾，去除不規則的肌電干擾通常采用低通濾波方法。本文采用切比雪夫數字低通濾波器，從原始心電信號中去除肌電干擾信號成分。

經過去噪預處理后就得到了高質量的心電信號，再進行心搏分割。采用基于小波變換的檢測算法定位R波峰，由于QRS復合波是心電信號中能量最大的部分，包含了一個心搏的大部分信息，而DB6小波在形態上與QRS復合波近似度很高，所以本文使用DB6小波作為母小波。經過小波變換后，得到一系列能量峰值點，以每個能量峰值點所在時刻為中心，在前后一定范圍內尋找極大值點，該點就是R波峰值點所在位置。據統計，成年人每分鐘心跳次數大約是60到100，考慮到心跳較緩的老人和心跳較快的兒童，如果以R的峰值點為基準向前向后提取若干采樣點的值，基本上可以覆蓋一個心搏波形的主要特征。本文以R波峰值點為基準，向前向后分別選擇250 ms和400 ms的原始采樣數據，將這些值組合為一個心搏的特征向量。

本文對PTB數據庫進行去噪預處理，經過心搏分割后，去除樣本數量太少的類型，最后提取出54 753個心搏，這些心搏分屬于6個類別：前壁心肌梗死(anterior,AMI)、前外壁心肌梗死(antero-lateral,ALMI)、前間隔心肌梗死(antero-septal,ASMI)、下壁心肌梗死(inferior,IMI)、下外壁心肌梗死(infero-lateral,ILMI)和健康對照(healthy control,HC)，各類心搏的樣本數量如表2所示。如果使用PTB數據庫提供的所有15個導聯的數據，學習的信息會更全面，能夠獲得總體上更好的結果，但這不符合臨床實際情況，臨床通常僅有12導聯可用。另外由于六個肢體導聯的數據是由兩個測量電壓(例如Ⅰ和Ⅲ)經過線性組合而成，因此本文僅使用兩個肢體導聯的數據，以去除肢體導聯之間的數據相關性，去掉冗余特征，降低特征維度，提高機器學習效率。因此，本實驗只考慮臨床應用中常用的且非冗余的8個導聯的心電數據。

表2 各類別心肌梗死的心搏數

4 GA-ELM算法

神經網絡有很強的非線性擬合能力，可映射任意復雜的非線性關系，而且學習規則簡單，便于計算機實現。BP神經網絡是目前應用最多的一種神經網絡形式[16]。但BP神經網絡也不是完美無缺的，其網絡結構復雜，收斂速度慢，容易陷入局部極小化，可能出現過擬合現象。極限學習機(Extreme Learning Machine，ELM)[17]是一種單隱層前饋神經網絡[15]，與BP神經網絡相比，ELM不需要設置大量的網絡訓練參數，所以訓練速度非常快，對于異質的數據集其泛化能力很強，被廣泛應用于分類、回歸、聚類、特征學習等問題中[18]。

ELM隨機選取網絡輸入權重以及隱層單元偏置，而且在訓練過程中不需要調整。只需要設置好隱層節點數L，激活函數g(x)、輸入權重wi和偏置bi，就能得到唯一的最優解。由于ELM具有速度快、參數設置容易、算法簡單等優點，該方法在許多領域都得到了應用。

假設有N個任意不同的心搏樣本(xi,ti),其中xi=[xi1,xi2,…,xin]T∈Rn是n維特征向量，ti=[ti1,ti2,…,tim]T∈Rm是one-hot編碼的心肌梗死類別，只有一位為1。ELM算法對于一個有L個隱層節點的單隱層神經網絡可以表示為：

(1)

式中:g(x)為激活函數，i指的是第i個隱層，wi=[wi1,wi2,…,win]T為輸入權重，βi為輸出權重，bi是偏置。wi·xj表示wi與xj的內積。

ELM模型對于輸入權重和偏置是隨機選取的，這就會導致網絡隱層喪失調節能力，網絡不穩定。另外，通過增加隱層神經元個數來提高訓練精度，容易出現過擬合現象，從而降低模型的泛化能力。針對ELM的不足，本文首先采用遺傳算法(Genetic Algorithm，GA)[19]對ELM中隨機選取的參數尋找最優解，然后根據最優參數建立基于GA-ELM的心肌梗死定位模型。作為一種基于自然選擇和遺傳原理以自適應啟發式方法搜索全局最優解。模擬生物種群內部染色體的隨機信息交換機制，首先將需要優化的ELM參數采用二進制編碼，設定進化代數Gen，定義適應度函數，初始化種群。然后計算適應度值并判斷是否滿足結束條件，若滿足則結束，否則通過選擇、交叉和變異運算更新種群中染色體的信息，迭代次數計數器加1，返回再次計算適應度值并判斷是否結束。通過逐次迭代種群得到不斷進化，最優解就是經過優化后的ELM參數。GA-ELM算法的流程如圖1所示。

圖1 GA-ELM算法流程圖

種群中的每個個體都是一個二進制串，個體的維度即為需要優化的ELM參數的個數。

λ=[w11,w12,…,w1L,

w21,w22,…,w2L,

…,

wn1,wn2,…,wnL,

b1,b2,…,bL]

(2)

式中：λ表示種群中的一個個體；wij和bj分別表示輸入權重和偏置。將二進制編碼串解碼得到輸入權重和偏置，并送給ELM訓練網絡，對種群中每一個個體分別使用測試樣本進行測試，適應度值fit定義為預測值與實際值的均方誤差。

(3)

ELM學習的目標是使得輸出誤差最小，可以表示為:

(4)

式(1)中的N個方程可以用矩陣表示為Hβ=T。其中，H是隱層節點的輸出，β為輸出權重，T為期望輸出。

H(w1,w2,…,wL,b1,b2,…,bL,x1,x2,…xN)=

(5)

(6)

通過GA算法已經得到最優的輸入權重wi和隱層偏置bi，隱層的輸出矩陣H也就可以被唯一確定。網絡訓練可以轉化為求解一個線性系統Hβ=T，并且輸出權重可以被確定為：

(7)

5 實驗結果與分析

實驗首先對ECG信號進行去噪預處理，然后確定R波的位置，將每條大約兩分鐘的心電信號分割為心搏序列。對每一個心搏，以R波峰為基準前后分別取250 ms和400 ms的采樣數據，構成單導聯心電向量，對8個導聯分別采用相同的方式進行處理，將8個心電向量合成為一個多導聯心電向量。將心電向量序列送入GA-ELM，首先利用GA確定ELM模型輸入權值和偏置的最優解，然后用得到的最優參數訓練ELM網絡，最后使用訓練好的網絡來定位心肌梗死。在優化參數的過程中，預測準確率隨進化代數變化的曲線如圖2所示。

圖2 預測準確率隨進化代數變化曲線

為了評價本文提出的心肌梗死定位算法的性能，我們使用了4個指標：分類靈敏度(Sen)、特異性(Spe)、精度(Ppr)和準確率(Acc)。分類準確率評估所提出的方法在所有心搏上的整體性能。由于正異常心搏的數量不同，Sen、Spe和Ppr在評估分類器性能方面會出現較小的偏差。評價指標計算公式如下：

(8)

(9)

(10)

(11)

式中：TP是正確檢測為MI的MI心搏的數量；TN是正確識別為HC的HC心搏的數量；FN是錯誤檢測為HC的MI心搏的數量；FP是錯誤診斷為MI的HC心搏數量。

在搜尋最優參數的過程中，進化迭代次數設置為50。混淆矩陣如表3所示，該算法在心肌梗死定位上的總體準確率為98.42%，歸一化后的混淆矩陣如圖3所示。文獻[9-10]使用卷積神經網絡僅僅實現了有無心肌梗死的檢測，得到的準確率分別為95.22%和95.30%。文獻[15]僅使用T波積分和完整心搏積分這兩個值作為特征，在心肌梗死的定位上得到76.67%的準確率。文獻[13]使用簡單的自適應閾值方法實現心肌梗死定位，準確率達到93.61%。文獻[14]使用SVM方法實現心肌梗死的定位，得到的準確率為98.15%。表4是本文與其他文獻算法在性能上的對比結果，在心肌梗死檢測和定位準確率方面，本文比其他文獻方法獲得更好的性能。

表3 混淆矩陣及分類性能

圖3 定位結果歸一化后的混淆矩陣

表4 與其他文獻算法性能對比結果

本文提出的GA-ELM混合模型分析了多導聯的心梗數據，信息更加全面。該方法不局限于醫學專家所設計的手工特征，通過自動提取特征，能夠充分挖掘出隱藏在數據內的有效信息，在心肌梗死疾病的定位上得到了優異的結果。

6 結 語

本文提出了一種基于GA-ELM混合模型的多導聯心肌梗死定位算法。首先采用濾波器組對心電信號進行去噪預處理，然后采用DB6小波變換方法定位R波峰，接下來把每條心電記錄分割成心搏序列，最終構建GA-ELM混合模型進行定位識別。該模型相比卷積神經網絡(CNN)算法不需要設置大量的網絡訓練參數，結構更簡單，訓練速度更快。實驗結果表明，本文構建的混合模型能夠充分挖掘出多導聯的ECG心梗信號中潛在的有用特征，得到了優異的結果，有較高的臨床應用價值。