一种新的冠心病心电信号的模式识别方法
中国医学物理学杂志 2000年第3期第17卷 医学信号处理与医疗仪器
作者：聂邦畿 何蕾 艾超
单位：中山医科大学 生物医学工程教研室, 广东 广州 510089
关键词：冠心病；心电图；模式识别；神经网络
摘要: 目的:本文研究一种利用微机神经网络识别冠心病心电信号的模式识别方法。方法:本项研究利用心电电极、12位模/数转换器和奔腾-II/233多媒体微机系统等硬件采集心电信号,采用改进的反向传播人工神经网络方法进行冠心病心电信号模式识别。该神经网络采用三层结构:输入层、隐含层和输出层。其中输入层的节点数为4,隐含层的节点数为3,输出层的节点数为2。从心电信号中提取如下四项特征参数作为输入层的输入量。这四项特征参数是:R-R间期、QRS波间期、ST段斜率和ST段电平。输出层的节点输出模式识别后的结果。结果:本项研究所采用的BP神经网络能对16例训练样本正确地进行模式识别,准确地区分冠心病和非冠心病病例。经训练后的神经网络也能对10例未参加训练的样本正确地进行模式识别,准确地区分冠心病和非冠心病病例。神经网络模式识别的结果和临床专家诊断结果完全一致。结论:它是一种新的有应用前景的冠心病心电信号模式识别方法
中图分类号: R540.4 文献标识码: A 文章编号: 1005-202X(2000)03-0152-02
A new method of pattern recognition for coronary heart disease＇s ECG signals
NIE Bang-ji, HE Lei, AI Chao
(Department of Biomedical Engineering, Sun Yat-sen University of Medical Sciences, Guangzhou 510089, China)
Abstract：Objective：The paper researches a method of pattern recognition for Coronary Heart Disease＇s ECG using a microcomputer-based neural network. Method：It samples ECG signal using a set of ECG electrodes, a 12-bit A/D converter and a P-II/233 microcomputer,et al,in this research,an improved BP neural network arithmetic for Coronary Heart Disease＇s ECG recognition has been developed.The neural network has three layers, input layer, hidden layer and output layer.There are 4 nodes in the input layer 3 nodes in the hidden layer and 2 nodes in the output layer. It picks up four parameters from ECG as input parameters of the input layer. These four parameters are interval of R-R segment, span of QRS, slop of S-T segment, altitude of S-T segment. The nodes in the output layer output the results after pattern recognition. Result：The BP neural networks in the paper can correctly recognize for 16 trained samples. It accurately distinguishes samples of Coronary Heart Disease from samples of non-Coronary Heart Disease. The trained BP neural network can also correctly recognize for 10 non-trained samples. The result of pattern-recognition with neural network method is identical with diagnostic result by clinical experts. Conclusion：It is a new and great benefit method for pattern recognition for ECG signals of Coronary Heart Disease.
Key words：coronary heart disease;ECG;pattern recognition;neural network
冠心病是一种严重威胁人类健康的常见病[1]。准确地检测和识别有关的心脏信号如心电信号等,对于冠心病的及早确诊和治疗是非常重要的。本文作者利用自行研究的一套基于微机的多功能多参数系统采集心电信号,建立和采用改进的反向传播人工神经网络方法进行冠心病心电信号模式识别。实验结果表明,采用本文的神经网络方法的模式识别结果和临床专家诊断结果完全一致。
1 材料与方法
1.1 实验系统
本项研究的实验系统是本文作者自行研究的一套基于微机的可以采集多项生理信号参数(心电、心音和脉搏波)的多功能系统[2]。该系统包括心电电极、心音传感器和脉搏波传感器,放大器和滤波器,12位多路模/数转换器和奔腾-II/233多媒体微机系统等硬件。奔腾-II/233多媒体微机系统包括P-II/233 CPU,64 MRAM,4.3 GB硬盘,14吋高分辨率彩显,24速CD-ROM,声霸卡,扬声器和激光打印机等。
1.2 方法[3～10]
(1) 利用上述实验系统采集被测对象的肢体2导联的心电信号,同时对心电信号进行放大和硬件滤波,再输入到模/数转换器,使之转换为数字信号,由计算机中央处理单元(CPU)进行处理。
(2) 计算机进一步对上述心电信号进行5点平滑滤波(软件滤波),尽量滤除外部干扰和噪音。
(3) 对经过软、硬件滤波后的心电信号进行数据预处理,从中提取如下四项特征参数作为神经网络的输入层的4个输入量。这四项特征参数是:R-R间期、QRS波间期、ST段斜率和ST段电平。
(4) 建立一个改进的反向传播人工神经网络,进行冠心病心电信号模式识别。该神经网络采用三层结构:输入层、隐含层和输出层。其中输入层的节点数为4,隐含层的节点数为3,输出层的节点数为2。输出层的2个输出节点分别输出经模式识别后的结果。本项研究建立的人工神经网络的拓扑结构为BPN(4-3-2)。
(5) 利用上述神经网络对训练集样本进行学习和训练,得到优化结构的神经网络。将神经网络方法模式识别结果和训练集样本的临床诊断结果予以比较。输出并打印上述神经网络对训练集样本进行模式识别后的结果。
(6) 将训练后已掌握分类规律的神经网络对未参加训练的样本进行识别比较。输出并打印训练后的神经网络对未参加训练的样本进行模式识别后的结果。
2 结 果
(1) 利用本研究所建立的实验系统和人工神经网络方法对训练集16例样本进行学习和训练,得到优化结构的神经网络。训练集中的12例样本经临床诊断是冠心病,4例样本经临床诊断是正常(因为本项研究采用的这4个样本是健康人)。将神经网络方法模式识别的结果和训练集16例样本的临床诊断结果予以比较。输出并打印上述经神经网络对训练集样本进行模式识别后的结果,其结果如表1所示。实验结果表明,经过训练后的神经网络能正确地识别这些训练样本,模式识别结果和临床诊断结果完全一致。
表1 神经网络对训练样本的模式识别结果
| 训练集样本 |
输出层 |
类别 |
模式识别结果 |
| 输出节点1 |
输出节点2 |
| 1 |
0.0002 |
0.9998 |
2 |
冠心病 |
| 2 |
0.0001 |
0.9999 |
2 |
冠心病 |
| 3 |
0.0003 |
0.9997 |
2 |
冠心病 |
| 4 |
0.0000 |
1.0000 |
2 |
冠心病 |
| 5 |
0.0080 |
0.9920 |
2 |
冠心病 |
| 6 |
0.0258 |
0.9742 |
2 |
冠心病 |
| 7 |
0.0001 |
0.9999 |
2 |
冠心病 |
| 8 |
0.0217 |
0.9783 |
2 |
冠心病 |
| 9 |
0.0313 |
0.9687 |
2 |
冠心病 |
| 10 |
0.0135 |
0.9865 |
2 |
冠心病 |
| 11 |
0.0003 |
0.9997 |
2 |
冠心病 |
| 12 |
0.0003 |
0.9997 |
2 |
冠心病 |
| 13 |
0.9582 |
0.0418 |
1 |
正常 |
| 14 |
0.9753 |
0.0247 |
1 |
正常 |
| 15 |
0.9966 |
0.0034 |
1 |
正常 |
| 16 |
0.9932 |
0.0068 |
1 |
正常 |
表2 训练后的神经网络对未参加训练的样本的模式识别结果
| 未训练样本集 |
输入节点 |
输出节点 |
类别 |
模式识别结果 |
| 节点1 |
节点2 |
节点3 |
节点4 |
节点1 |
节点2 |
| 1 |
0.8 |
0.08 |
0.5 |
0.017 |
0.0001 |
0.9999 |
2 |
冠心病 |
| 2 |
0.74 |
0.085 |
1.25 |
0.364 |
0.0067 |
0.9933 |
2 |
冠心病 |
| 3 |
0.615 |
0.1 |
0.75 |
-0.18 |
0.0203 |
0.9797 |
2 |
冠心病 |
| 4 |
0.68 |
0.06 |
0.55 |
0.158 |
0.0002 |
0.9998 |
2 |
冠心病 |
| 5 |
0.94 |
0.105 |
1.5 |
0.035 |
0.0063 |
0.9937 |
2 |
冠心病 |
| 6 |
0.92 |
0.08 |
0.25 |
-0.04 |
0.0000 |
1.0000 |
2 |
冠心病 |
| 7 |
0.68 |
0.08 |
0.6 |
-0.03 |
0.0000 |
1.0000 |
2 |
冠心病 |
| 8 |
0.92 |
0.08 |
0.8 |
1.0 |
0.0002 |
0.9998 |
2 |
冠心病 |
| 9 |
0.72 |
0.075 |
0.95 |
0 |
0.9940 |
0.0060 |
1 |
正常 |
| 10 |
0.96 |
0.07 |
1.15 |
0 |
0.9986 |
0.0014 |
1 |
正常 |
注: 输入节点1 指R-R间期; 输入节点2 指QRS波宽度; 输入节点3 指ST段电平; 输入节点4 指ST段斜率;0.9＜输出节点1＜1.1, 且-0.1＜输出节点2＜0.1,则识别结果为类别1,即正常;-0.1＜输出节点1＜0.1, 且0.9＜输出节点2＜1.1,则识别结果为类别2,即冠心病。 (2) 将训练后已掌握分类规律的神经网络对未参加训练的10例样本进行识别,其中8例样本是冠心病,2例样本是正常(因为本项研究采用的这2个样本是健康人),输出并打印模式识别后的结果,其结果如表2所示。实验结果表明,训练后的神经网络对未参加训练的样本进行模式识别后的结果与临床诊断结果完全一致。
3 讨 论
(1) 实验结果表明,本项研究所采用的BP神经网络在训练后能对16例训练样本正确地进行模式识别,准确区分冠心病和非冠心病病例。经训练后的神经网络也能对10例未参加训练的样本正确地进行模式识别,准确区分冠心病和非冠心病病例。神经网络模式识别的结果和临床专家诊断结果完全一致。神经网络方法是一种新的有应用前景的冠心病心电信号模式识别方法。
(2) 适当增加神经网络的输入参数,如患者的年龄、体重、是否吸烟和病史等,也从心音和脉搏波信号中提取更多与冠心病有关的特征参数,将更准确地识别冠心病。
(3) 基于神经网络的心电图模式识别方法比基于专家系统的模式识别方法有更大的灵活性。神经网络有较强的抗干扰能力和扩展能力及较好的容差特性。
(4) 进一步改进神经网络的拓扑结构和算法等,将更有效地改善神经网络的性能,缩短神经网络的学习和模式识别时间,满足临床的实际需要。
(5) 本文研究的是冠心病心电信号模式识别方法,它也可以借鉴和移植到其它心血管疾病的模式识别方面,这时需要选择不同的神经网络的拓扑结构和算法及特征参数等。
基金项目:广州市重点科研项目基金资助课题(97-Z-39-02)
作者简介:聂邦畿(1945- ),男,广东南雄市人,副研究员,硕士生导师,1986年赴美国Digital公司学习小型计算机系统软件,1987～1988年赴意大利热那亚大学研修生物医学工程,多年来从事生物医学工程教学和科研工作,主要的教学和研究领域是计算机在医学中的应用,生物医学信号检测和控制及医学传感器等。
参考文献:
1，黄元伟.心血管病诊疗手册[M].杭州:浙江科学技术出版社,1983.
2，聂邦畿,等.计算机辅助的心血管信号检测和处理系统的研究[J].中山医科大学学报,2000,21(5):(注:已修稿,即将出版,页码待定)
3，杨福生,吕扬生.生物医学信号的处理和识别[M].天津:天津科技翻译出版公司,1997.
4，冯焕清,张更生,张作生,等.心电计算机辅助诊断中的波形检测和识别方法研究[J].中国科学技术大学学报,1991,21(1):47-55.
5，施鸿宝.神经网络及其应用[M].西安:西安交通大学出版社,1993.
6，田立军,王爱莉.一种检测与分析QRS波的算法[J]. 中国医疗器械杂志,1992,16(3):140-147.
7，范晓东,等.动态心电图ST段的测量方法[J].生物医学工程学杂志,1992,15(2):71-77.
8，曹德本,徐卓立.新编心电图诊断学[M].北京:中国医药科技出版社,1999.
9，Vijaya-G, Kumar-V, Verma-HK, et al. ANN-based QRS-complex analysis of ECG[J]. J-Med-Eng-Technol, 1998,22(4):160-167.
10，Wang-ZS, Cheung-JY, Chen-JD. Blind separation of multichannel electrogastrograms using independent component analysis based on a neural network[J].Med-Biol-Eng-Comput,1999,37(1):80-86.
收稿日期:2000-04-30
用户登录 
新用户注册