面向躯感网的心电融合特征分析方法*

周金治，郑淋文，黄 静, 涂道鑫，赖健琼

(1.西南科技大学 信息工程学院，四川 绵阳 621000；2.特殊环境机器人技术四川省重点实验室，四川 绵阳 621000)

0 引 言

随着微机电系统(MEMS)技术、物联网(IoT)技术的发展，低能耗的微小传感器已经能完成信息采集、处理、无线通信等多种功能，无线躯感网应运而生，并得到了迅猛发展，在医疗护理和智能家居等领域都有广阔的应用前景[1]。

由于穿戴式设备资源受限，对算法的时间和空间复杂度要求较高，使得面向躯感网(body sensor network,BSN)的心电(electrocardiograph,ECG)分析方法研究的难点主要在于精确、实时的波形识别和特征提取[2]。文献[3]采用自适应加窗二样条小波来定位R波位置，同时解决QRS波抖动的问题，应用差分阈值方法来确定ECG波群的边界值，提取出ECG的时频域特征。文献[4]将二维主分量判别法(2D-PCA)和能量百分比法结合起来对12导联高频ECG信号进行融合特征提取，提取出HF-ECG的全局特征和本征向量。文献[5]利用Baum-Welch算法优化离散隐形马尔科夫模型参数，采用Viterbi 算法提取出ECG特征。文献[6]利用长短时记忆(long short term memory,LSTM)网络捕捉ECG序列的前后依赖关系，卷积神经网络(convolutional neural network,CNN)取出信号的局部相关特征，同时完成特征提取和分类。在上述特征提取算法中，小波变换(WT)算法实现复杂，主成分特征值分解具有局限性，马尔科夫模型中的状态转换概率矩阵的存储复杂率较高，神经网络训练需要大量的计算参数和设备的存储能力，无法应用于受限设备中。

自编码器(auto encoders,AEs)是一种可从无标签数据中自动学习数据特征的神经网络，相比于CNN和循环神经网络(recurrent neural network,RNN)，网络层少，实现简单。本文面向躯感网中ECG特征提取性能的要求，提出一种高效、高准确率的ECG融合特征分析方法。采用Pan-Tompkins算法进行快速QRS波群识别，并提取出时域特征。应用堆叠稀疏自编码器(sparse AEs,SAEs)进行深度特征提取，最后以融合特征表征ECG信号。在SAEs训练模式中以单图方式训练，采用Adam优化器，捆绑权重，可大大减少模型训练时间。

1 面向躯感网的心电融合特征提取

特征的提取是ECG智能分析诊断模型的基础和核心，特征质量的高低决定着后续分类结果和心血管疾病的诊断效果。为了得到更好的分类效果，往往组合运用多种类型特征集合[7]。本文采用时域特征和深度特征组合的方式进行单导联特征提取。

1.1 基于Pan-Tompkins的信号检测与时域特征提取

在穿戴式健康监测系统中，传感器节点需要将采集到的ECG信号，通过无线传送至监控中心或显示设备，为进一步的分析与诊断提供依据。因此，对于ECG波形检测，需要正确性与实时性的统一[8]。Pan-Tompkins(PT)算法具有鲁棒性强，计算量低的特点，被广泛应用于穿戴式ECG设备的波形检测当中[9]。因此本文选用PT算法来检测QRS波群。具体步骤如下：

1)带通滤波器：级联了低通滤波器和高通滤波器，可降低信号噪声干扰，仅在单位圆上具有极点和零点，通带设计灵活。其低通滤波器的为整系数，可以降低计算复杂度。截止频率约为11 Hz，增益为36 dB，有6个样本的延迟，传递函数H(z)=(1-z-6)2/(1-z-1)2。高通滤波器的截止频率为5 Hz，16个样本延迟，传递函数H(z)=(-1+32z-16+z-32)/(1-z-1)。

2)微分:主要用于滤除输入的直流分量，高频获得线性增益。可看作一个高通滤波器，有2个样本的延迟。传递函数为H(z)=(-z-2-2z-1+2z+z2)/8。

3)平方：可以确保每个样本值都为正数，增强P，T波和QRS波斜率，凸显Q，S波。具体计算y(n)=x2(n)。

4)滑窗积分：通过微分后，QRS波群将产生许多波，采用滑窗积分可将其进行平滑输出，并得到R波斜率以及其他波形特征信息。计算方式：y(n)=[x(n-(N-1))+x(n-(N-2))+…+x(n)]/N。式中,N为滑动窗口内采样点的数量，N过大时,会将QRS波和T波复合在一起，N过小时，会在QRS波群中产生很多峰值。滑动积分有21个样本延迟。

5)自适应阈值：PT算法采用双阈值检测QRS波群。令SPKI代表QRS波群峰值，NPKI代表非QRS波群峰值，THRESHOLD I1为阈值1，THRESHOLD I2为阈值2。阈值1用于搜索滤波后的ECG信号，阈值2搜索滑窗积分产生的信号。如果峰值大于阈值1，则判定为SPKI，否则为NPKI。PEAKI 表示总体的峰值。阈值更新方式:SPKI=0.125PEAKI+0.875SPKI,if PEAKI is signal peak;NPKI=0.125PEAKI+0.875SPKI,if PEAKI is signal peak;THRESHOLD I1=NPKI+0.25(SPKI-NPKI);THRESHOLD I2=0.5THRESHOLD I1。

利用PT算法检测到QRS波群后，提取出R-R间期、Q-R间期、R-S间期、R波幅值和QRS波斜率作为时域特征。

1.2 基于深度学习的特征提取

有研究表明，稀疏的表达往往比其他的表达要更有效[10]。SAEs是通过在自编码器(AEs)的误差函数中添加散度来对隐含层进行稀疏性约束，改善发现数据隐藏结构的性能，同时加快模型收敛。对于输入ECG数据x={x1,x2,…，xT+D}，T代表训练样本，D代表测试样本。为了避免模型出现过拟合，本文在误差函数中加入正则项。以Sigmoid为激活函数，均方误差为损失函数，SAEs的误差函数表达式如下

(1)

(2)

SAEs隐含层的输出为所提取到的ECG抽象特征，特征向量的表达式为

(3)

图1 堆叠SAEs单图训练

将训练过程分为两个阶段:第一阶段跳过隐含层2和隐含层3的输出层，训练隐含层1和输出层的权重和偏置，输出层与栈式自编码器的输出层具有相同的权重和偏置;第二阶段冻结隐含层1，训练隐含层2和隐含层3的权重和偏置，使得隐含层3尽可能逼近隐含层1。为了避免反复计算隐含层1的输出，在第一阶段结束时使用整个训练集计算，在第二阶段只需输入隐含层1的缓存输出，可大大提高模型性能和减少训练时间。

为了降低堆叠SAEs的算法复杂度，提高效率，在算法进行训练和微调时，采用Adam进行参数寻优。Adam算法[11]实现简单，计算高效，对内存需求少，梯度对角缩放具有不变性，对超参数具有较好的解释性，经验值能解决大多数问题。

1.3 面向躯感网的特征融合

本文利用PT进行ECG信号的特征点识别与切割，提取出5维时域特征;通过归一化和标准化后，存储为行向量的形式。利用堆叠SAEs网络对统一长度的ECG信号进行深度特征提取，提取出10维深度特征，也存储为行向量的形式。然后以向量张成的方式进行特征融合，得到一个15维的特征行向量来表征ECG信号。

2 实验分析

本文实验平台为Intel Core i5—3230M，CPU主频为2.6 GHz，64位Window10操作系统 MATLAB2016a。仿真数据来自MIT-BIH心律失常数据库中100#，105#，111#，114#，116#，118#，201#，203#，207#，210#，213#，215#，228#，232#样本。按照数据库中专家的标注信息，在融合特征末尾添加类别标签向量为Y=[Y1,Y2,…，Y5]，Yi取值为1或0，代表是否属于第i类ECG类型。

2.1 基于PT的信号检测

PT算法利用斜率、振幅和宽度信息对QRS波群进行快速检测，如图2所示为119#样本中一段波形检测的实验图。

图2中(a)为原始信号，(b)～(d)分别为经过带通、微分和平方后的信号，(e)为最后识别的结果图，黑色虚线代表噪声，浅灰色虚线表示自适应阈值，深灰色虚线代表信号电平，圆圈为R波位置。

图2 PT算法波形定位

2.2 基于融合特征的模型有效性测试

本文分别对时域、深度以及融合特征的有效性进行测试。分类器采用基于高斯径向基核函数(RBF)的支持向量机(SVM)，惩罚因子c为2.863 3, 核参数g为4.542 3。堆叠SAEs的权重衰减参数λ=0.000 1，稀疏参数ρ=0.05，惩罚稀疏β=3，网络结构为：200—100—50—10—50—100—200，输入为200个采样点的连续ECG信号，取R波峰值前后各100个采样点，第四层10个单元为深度特征。实验中采用5折交叉验证方法，训练数据量为28 660，测试数据量为7 165。实验结果如表1所示。

从表1中可以看出，时域特征的平均识别率为67.23 %，识别率征不高是因为选取的特仅从时域方面描述，维度较少。深度特征的平均识别率为94.29 %，说明本文使用深度特征是有效的。利用融合特征进行分类时，融合特征较单一特征的识别率均有所提高，其中较时域特征平均提升了30.58 %，较深度特征提升了3.52 %，平均识别率达到了97.81 %。表明利用时域特征和深度特征进行融合表征ECG信号的方法是有效的。

表1 融合特征交叉验证结果

表2是本文融合特征提取与其他文献结果进行对比。通过数据分析，在相同分类器的情况下，本文采用的融合特征总体效果更好，平均识别率为97.81 %，能达到较为理想的效果。

表2 与其他研究结果的对比

为了突出本文SAEs的特点，在训练时通过限制计算机的CPU个数和性能，来证明模型在受限设备上的适应能力。与其他两个模型的训练时间对比结果如图3所示。图中模型1为Adam单图训练方式，模型2为采用梯度下降(gradient descent,GD)进行单图训练，模型3为SGD传统训练方式。从图3中可以看出，模型3训练消耗的时间最长，使用Adam优化器比SGD优化器时的训练时间更短，表明本文采用的优化器和训练方式能有效减少模型的训练时间，优化模型性能，在受限设备上也具有较好的适应能力。

图3 模型训练时间对比

3 结 论

本文提出一种面向躯感网的ECG融合特征分析方法。采用PT算法进行快速波形检测并提取出时域特征，利用堆叠SAEs对连续ECG信号进行深度特征提取，并在模型中加入正则项，捆绑编解码权重，以单图方式进行训练，应用Adam优化器进行参数寻优。实验结果表明:本文的融合特征能有效表征ECG信号，在五种心律识别中达到97.81 %的识别率，模型总体训练时间也大幅减少，适合于资源受限的可穿戴式健康监测系统。