《電子技術應用》
您所在的位置：首頁 > 其他 > 設計應用 > 小波變換與概率神經網絡的心電圖分類
小波變換與概率神經網絡的心電圖分類
來源：電子技術應用2013年第3期
范玉慶,， 王小華,， 曹志鋒,， 程 歡
長沙理工大學 電力與交通安全監(jiān)控及節(jié)能技術教育部工程研究中心,，湖南 長沙410004
摘要： 提出了一種實時高效的心電圖分類理論與方法。首先對心電圖進行六尺度小波分解,，將含有主要噪聲的尺度進行系數置零,，再將剩余層進行小波重構，從而達到除噪的目的,。利用數學形態(tài)學定位心電圖P,、Q、R,、S,、T波位置，并提取計算各波間距離和斜率等12個特征值作為概率神經網絡的輸入向量,，從而實現(xiàn)心電圖的六分類,。
中圖分類號： R318.04
文獻標識碼： A
文章編號： 0258-7998(2013)03-0136-02
An electrocardiogram classification approach based on wavelet transform and probabilistic neural network
Fan Yuqing, Wang Xiaohua, Cao Zhifeng, Cheng Huan
Engineering Research Center of Electric Power & Traffic Safety Monitoring & Control and Energy Conservation Technology, Ministry of Education, Changsha University of Science and Technology, Changsha 410004, China
Abstract： An effective electrocardiogram(ECG) classification approach based on wavelet de-noising and probabilistic neural network is proposed. Firstly the ECG signal is taken six scaling wavelet decomposition.The coefficient of the scales, which contain main noise, are set to zero, inverse the wavelet transform. The mathematical morphology is used to find the positions of P,Q,R,S and T wave, then the 12 feature values are taken as the input of probability neural network to realize the six classification of ECG.
Key words : electrocardiogram(ECG); classification; wavelet transform; probabilistic neural network

    心電圖是診斷心血管疾病的重要依據，對心電圖的自動診斷具有很高的臨床價值,。近幾年國內外對于心電圖分類進行了廣泛的研究,，基于反向傳播神經網絡(BP)分類[1]方法，不能保證高實時性,；支持向量機的方法[2],，在訓練樣本較多時難以實施；參考文獻[3]應用心電圖的病理特點進行分類,，但心電圖的不規(guī)律性將對分類正確率有很大影響,；靜態(tài)鏈接庫支持向量機分類器[4]，但機器的學習能力過強,，反而降低了其推廣性,。綜上考慮，設計了小波濾波與概率神經網絡相結合的心電圖分類模型,。

1 心電圖濾波及特征提取
1.1小波變換的心電圖濾波
     對心電圖提升雙正交小波變換[5]的六層小波進行分解,、分析可知，心電信號的頻率成分主要集中于3、4,、5尺度中,；而肌肉震顫、工頻干擾及基線漂移頻率成分主要在1,、2,、6尺度中，所以在進行小波重組時,，將1、2,、6尺度的細節(jié)信號系數置零,，可去除大部分干擾。以美國MIT/BIH心律失常庫的100.mat中前兩秒的波形為例,，可明顯發(fā)現(xiàn),，除噪后的波形更加平滑，特征更加明顯,。如圖1所示,。

1.2 心電圖特征提取
    MIT/BIH標準心電數據庫中的波形采樣,頻率為360 S/s, 精度為11位實驗環(huán)境為Matlab 7.4.0(R2007a)。在2 s內的樣本波形中,，首先利用數學形態(tài)學定位QRS波群[6]的起始點和大致范圍,，然后依次定位R波峰[7] (五角星表示的點)、 Q波峰,、S波峰,、T波峰、P波峰[8],。最后,用峰間間距和峰間斜率表示其余的特征值,。以美國MIT/BIH心律失常庫的100.mat中前2 s的波形為例,如圖2所示。


    由于肌肉震顫,、工頻干擾和基線漂移等對心電圖干擾較大,，所以必須先進行除噪。而概率神經網絡具有很高的正確率及較好的實時性,，所以本文將小波濾波與概率神經網絡進行組合,。經仿真可知，本文設計的網絡有較好的容錯能力,，在實際應用中若想判別更多類型的心臟疾病,，只需將概率神經網絡的輸入層和輸出層神經元個數，按本文對應的設置方式加以拓展即可實現(xiàn),。
參考文獻
[1] 劉金江,，王春光，孫即祥.基于稀疏分解和神經網絡的心電信號波形檢測及識別[J].信號處理,2011，27(6):843-850.
[2] MELGANI F,BAZI Y. Classification of electrocardiogram signals with support vector machines and particle swarm  optimization[J].IEEE Transactions on Information Technology  in Biomedicine, 2008,12(5):667-677.
[3] 李坤陽,，胡廣書.基于心電圖分析的心律失常分類[J].清華大學學報（自然科學版）,，2009，49（3）:418-421.
[4] 陳學琴.基于心電圖分析的心律失常分類[D].北京：北京交通大學,，2011.
[5] 凌朝東,劉蓉,錢江,等.基于5 /3 提升小波變換的心電信號壓縮算法及VLSI實現(xiàn)[J]. 信號處理2010,，26(6)：930-935.
[6] ZHANG C F， BAE T W.VLSI Friendly ECG QRS complex detector for body sensor networks[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems,2012,2(1):52-59.
[7] BENMALEK M, CHAREF A. Digital fractional order operators for R-wave detection in electrocardiogram signal[J].  IET Signal Processing, 2009,5(3):381-391.
[8] LIN C, MAILHES C, TOURNERET J Y. P- and T-Wave  delineation in ECG signals using a bayesian approach and a partially collapsed gibbs sampler[J]. IEEE Transactions on Biomedical Engineering, 2010,57(12):3242-3255.

此內容為AET網站原創(chuàng),，未經授權禁止轉載,。