心电信号（ECG）对医生诊断心脏疾病极为重要现存许多ECG分类 .DOC

心电信号（ECG）对医生诊断心脏疾病极为重要。现存许多ECG分类技术存在实现困难、处理时间长和只能对2～3类ECG进行分类的不足。本文介绍了计算简单的ARMA模型的ECG分类法，利用ARMA模型系数作为特征对ECG信号进行分类和压缩。在对信号特征分类时，采用了非线性二次判别函数的形式。利用文中方法对MIT－BIH标准数据库中NSR、APC、PVC、SVT、VT和VF各200个样本信号进行测试，获得了94．28％～99．28％的分类精度。 　　 　　心电信号（ECG）是医生进行诊断的重要依据，关于ECG的分类已有许多现有技术，但现存许多ECG分类技术存在实现困难、处理时间长和只能对2～3类ECG进行分类的不足，如相关波形法（CWA）［1］、直接ECG特征检测法［2］、傅立叶变换法［3］、功率谱分析法［4］、复杂度测量法［5］、TLS（TotalLeast Squares）Prony建模法［6］、自适应卡尔曼滤波器法［7］、使用LPC系数和模糊ARTMAP神经网络分类法等［8］。 　　本文介绍了基于ARMA模型的ECG分类方法，ARMA系数被作为特征来进行ECG的分类，在分类时，采用了二次判别函数分类法［9］。ARMA建模技术有着容易实现、处理快速和同时能对多类ECG进行分类的优点。本文利用ARMA建模技术对MIT－BIH标准数据库中的以下几类ECG进行了分类测试：正常窦性心律（NSR）、心房早期收缩（APC）、心室早期收缩（PVC）、室上性心动过速（SVT）、心室性心动过速（VT）和心室纤维性颤动（VF）。结果表明，该方法可获得94．28％～99．28％的分类精度。 　　ECG的压缩方法对计算机辅助远程自动诊断的快速性有着直接的影响。ECG的压缩方法可分为三类［10］：①直接方法，该方法计算简单而且效率很高，但计算机辅助远程自动诊断必须在信号重建、特征提取以后才能进行，这便造成诊断工作的延误；②变换方法，该方法计算复杂，特别是在单导联情况下压缩率很低；③参数方法，该方法用信号特征进行ECG数据压缩，信号的特征可同时被用来信号重建和分类。因此，基于参数方法的信号分类和重建是个并行的过程，可以极大地提前ECG诊断的时间。基于ARMA建模技术的ECG压缩是属于参数压缩的方法，该方法可获得7．8倍的压缩率。可见，ARMA模型非常适于远程心电诊断中的ECG压缩和分类。 1　方　法 1．1　ECG信号的滤波和分割 　　本文中所使用的ECG信号取自MIT－BIH数据库：NSR信号、APC信号和PVC信号取自“MIT－BIH arrhythmia database”，其采样频率是360 Hz；VT信号和VF信号取自“MIT－BIH Ventricular Arrhythmiadatabase”，其采样频率是250 Hz；SVT信号取自“MIT－BIH superventricular arrhythmia database”，其采样频率是128 Hz。在建模时，所有ECG信号的频率都转化为250 Hz。在建模以前，先对ECG信号进行滤波以消除由电源、呼吸等原因引起的噪音。为了满足医生和护士监视的需要，ECG信号的带宽应保持在1 Hz到50 Hz之间［11］。用一个带通滤波器（BPF）对ECG信号进行滤波［11］，其上下边带截止频率是1 Hz和50 Hz。这能有效地消除电源引起的噪音（60 Hz）、呼吸引起的噪音（0．2 Hz左右）、电极移动引起的低频噪音以及肌肉收缩引起的高频噪音。 　　不同种类的ECG有着不同的心跳率和RR间期。本文使用通常情况下的NSR信号，其心跳率是60～100次／min。APC的RR间期比NSR的RR间期短，而且紧跟其后的RR间期不会比NSR的RR间期长，VT和VF的RR间期比NSR的RR间期更要短得多。可见，300个采样点的数据窗口能足以包含一个周期的ECG信息。因此，本文采用300个采样点的数据窗口对ECG进行分割，其中，100个采样点在ECG峰值R以前，200个采样点在ECG峰值R以后。 1．2　ARMA模型的建立 　　ARMA模型是一个线性输出模型，其方程式是［11］： 其中，HR（k）为ECG信号的时间序列；ai和bj分别为AR系数和MA系数；P和Q分别为AR阶次和MA阶次；R［k］为AR误差的序列；n（k）为ARMA预测误差，即ARMA建模误差。本文利用Burg算法分别对ARMA模型的AR过程和MA过程进行参数估计。在建模中，阶次P和Q的选择至关重要。这里引用MDL（Minimizes the Description Length）准则来确定模型阶次。 　 式中，为建模误差的方差，N为数据窗口的宽度，Np为模型的阶次，在这里Np＝P（AR过程）或