基于神经网络的心电高频成份计算及分类.pdfVIP

基于神经网络的心电高频成份计算及分类 黄晓林①宁新宝①史殿秋。韩桂明① ①(南京大学近代声学国家重点实验室，生物医学电子工程研究所210093) ②(深圳飞通光电股份有限公司518051) 摘要心电信号的高频成份往往与一些心脏疾病密切相关。我们利用神经网络的学习能力 和很好的拟合任意非线性函数的能力，将表征心电QRS波群的高频成份特性的特征 参数输入给神经网络进行有监督的学习训练，最终能在由这些特征参数张成的m维 空间中构建出一个m维的曲面来区分心脏病人和健康人的QRS波群高频成份，从而 实现基于心电高频成份的心脏病自动诊断。 关键词 高频心电图，三雏频谱，神经网络，BP算法 早期研究表明，许多心脏疾病与心电波形中的高频成份有着密切的联系【lJ。正常人心肌在 形态和功能上存在着一定程度的不规则性，这导致了心电波形中的高频成份的存在。当心脏 患有疾病时，其组织结构发生细微变化，则其心电活动在传导过程中会引起变异，从而反映 到体表心电信号的高频成份发生显著性变化【lJ。以往临床经验表明，这些含有高频成份的非平 稳心电图(俗称高频心电图High Frequency 尤其是早期心脏病的诊断常常较常规心电图更为灵敏，因此被广泛的应用于心脏病的诊断。 以往对于高频心电图的研究大多集中在对QRS波群时域波形中的切迹、纽结的个数统计 上【2】，这里我们主要基于QRS波群的高频成份的时频两域的特性一一高频三维频谱(即时间 一频率一幅值)，利用神经网络的方法来研究高频心电图对于心脏病临床诊断的意义。 1心电QRS波群高频成份特征参数的提取 高频心电图的高频成份在时域上主要以切迹、纽结等高频小波的形式迭加出现在QRS波 群上，最高频率分量可达2—3KHz。因此，我们采用了高输入阻抗、高共模抑制比、宽频带低 噪声的十二导联同步心电信号放大采集系统采集高频心电信号(频响2KHz)，即同时在十二 导联上描记同一心动周期的心电信号。 心电信号属于非平稳信号，单纯的从时域或频域来分析，都不能全面的展现其特性，而 应该采用时频变换的方法。小波变换作为新近发展起来的现代时频变换方法，既能保证低频 信号的频域分辨率，又能保证高频信号的时域分辨率，而且没有交叉项的干扰，具有优越的 时频特性。 我们采用小波变换的分析方法，对同一心动周期的十二导联QRS波群直接进行时频两域 上的分析，描绘出直观反映各导联QRS波群的高频成份时频特性的三维频谱【3j。 为便于定量分析，我们从这些三维频谱中提取出如下几个反映三维频谱图复杂形态的特 692 征参数，并对十二导联做综合处理： · 高端截止频率，取十二导联中最大的； ‘比值wl：∑U000～1000)Hz／Z13(60～100)Hz，十二导联取平均值： 。 比值W2：∑U(150～250)Hz／ZU(60～100)Hz，十二导联取平均值： · 比值W3：∑U(80～300)Hz／EU(55～80)Hz，十二导联取平均值； ·绝对值P：∑U(80-300)Hz／(300～80)Hz，十二导联取平均值； ·三维频谱图中块信号峰的个数与坡的个数之和，取十二导联之和； ·最高峰频率，取十二导联中最大的。 以上七个参数从不同角度给出了QRS波群高频三维频谱的定量信息。 2神经网络模型的应用 对照比较病人和正常人的上述各参数，我们发现其中任何一个单独的特征参数都找不到 一个确定的临界值来区别病人和正常人的频谱。为此，我们考虑，这些参数之间存在着一定 的关联性，它们在一个由m个特征参数构成的m维的空间中综合的影响决定了QRS波群的 高频三维频谱性质。因此，我们可以找到一个m维的曲面，这个曲面将空间分为两个部分： 有病和健康。 人工神经网络有很好的学习能力。前人已经证明，三层的前馈网络在激励函数为Sigmoid 函数时可以拟合任意非线性函数14J。于是，我们引入了一个三层的前馈型网络，利用改进的 误差反向传播算法(BP算法)训练网络，以期能很好的拟合这个m维的曲面来区分病人和健 康人的QRS波群高频三维频谱。 (