（计算机应用技术专业论文）动态心电图波形聚类策略研究.pdf

摘要 动态心电图自投入使用以来，就以其简单、方便、无创的特点在临床中得到广泛的 应用。其主要价值是用于发现并记录在通常短暂心电图检查中不易发现的，及日常生活 时发生的心电图改变，为临床诊断和治疗提供依据。但由于动态心电图记录了近1 0 万 次心跳的波形，因此在较短时间内检查到个体变异波形比较困难，如何快速准确的检测 到个体变异波形成为研究的重点。本文将数据挖掘中的聚类算法应用到动态心电图中， 利用聚类将占大部分的先天波形筛选掉，减少用于诊断的动态心电图波形的数量，使得 病变波形更加明显，从而提高诊断的效率。 本文在详细分析动态心电图的波形特点及检测特点的基础上，提出将机器学习技术 中的聚类策略应用于动态心电图的前期分析，为后期的波形筛选分析作准备。但由于动 态心电图信号弱，噪声强且随机性强，因此必须对其进行预处理。绎研究发现，小波变 换具有的良好时频局域化特性，对于时变信号分析有独特的特点，但其计算复杂度较高， 因此不能用于实时分析处理。而另一种阈值检测方法实时性高，但精确度低，针对二者 的优缺点，本文将二者融合用于动态心电图的r 波定位，获得了较好的结果。 聚类策略可大体分为两类：无预先给定聚类类别数k 的聚类方法和需预先给定k 的 聚类方法。k 值的给定对聚类结果影响很大，然而在对数据的实际情况毫不知情的情况 下是无法准确确定k 值的。而无预先给定k 值的聚类算法或者聚类准确度不高，或者产 生较多的聚类类别数，与实际聚类类别数不符。针对以上两种聚类策略的优缺点以及各 个聚类方法的特点，结合动态心电图波形自身的特点，本文提出用无预先给定k 值的方 法确定类别数，然后利用需预先给定k 值的聚类方法进行计算，得到s o ma g gk m e a n s 和m a x m i nd i s t a n c ek m e a n s 两种聚类策略。s o ma g gk m e a n s 聚类策略将自组织特 征映射( s o m ) 神经网络，凝聚聚类和k - m e a n s 算法结合，首先用s o m 算法对初始的动 态心电图进行粗略聚类，获得m 个类别，然后用凝聚聚类算法对该m 条数据进行聚类， 获得初始的聚类中心和初始聚类类别数，最后用k - m e a n s 算法对初始的动态心电图进行 聚类。m a x m i nd i s t a n c ek - m e a n s 聚类策略将最大最小距离和k m e a n s 算法融合，首先， 从初始动态心电图数据中随机选取_ 定比例的样品，其次，用最大最小距离算法对选取 的样品进行聚类，获得初始的聚类中心和初始聚类类别数，然后用k m e a n s 算法对初始 的动态心电图进行聚类。实验表明，这两种聚类策略得出的结果都具有较高的聚类准确 率，且获得的类别数与实际类别数相差不大。 关键词：聚类动态心电图小波变换k - m e a n s 自组织特征映射神经网络凝聚聚类最 大最小距离 a b s t r a c t d y n a m i ce l e c t r o c a r d i o g r a m ( h o l t e r ) h a db e e na p p l i e di nc l i n i ce x t e n s i v e l yw i t ht h e p r o p e r t i e so fs i m p l e ，c o n v e n i e n ta n dh u r t l e s sa f t e ri t sa p p e a r a n c e t h ep r i m a r yv a l u eo ft h e h o l t e rw a st op r e s e n te v i d e n c e sf o rc l i n i c a ld i a g n o s i sa n dt r e a t m e n tb yf i n d i n ga n d r e c o r d i n g e l e c t r o c a r d i o g r a m ( e c g ) w a v e f o r mc h a n g e s ，w h i c hw e r ed i f f i c u l tt oc a t c hi nn o r m a le c g e x a m i n a t i o n s i n c et h e r ew e r e1 0 0 ，0 0 0w a v e f o r m si no n e p e r i o dh o l t e rr e c o r d i n g ( 2 4h o u r s ) ， s t u d yp o i n t sw e r ef o c u s e do nh o wt of i n do u tt h ei n d i v i d u a lv a r i a t i o nw a v e f o r m sq u i c k l ya n d a c c u r a t e l y t h ep a p e ru s e dc l u s t e r i n gt op i c ko u tb o r nw a v e f o r m si no r d e rt or e d u c et h eh o l t e r w a v e f o r m sf o rd e e pd i a g n o s i s a c c o r d i n gt ot h i sm e t h o d ，t h ei n d i v i d u a lv a r i a t i o nw a v e f o r m s w e r ec l e a ra n dt h ed i a g n o s i se f f i c i e n c yw a si m p r o v e d b a s e do na n a l y z i n gt h ep r o p e r t i e so fh o l t e rw a v e f o r ma n dt h ee x a m i n a t i o nf e a t u r e s ， c l u s t e r i n gs t r a t e g yi nm a c h i n el e a r n i n gw a sp r e s e n t e dt od ot h ef i r s ta n a l y s i so ft h eh o l t e r w a v e f o r m s ，a n dr e s u l tw a su s e df o rt h el a t t e rw a v e f o r ms e l e c t i o na n a l y s i s p r e t r e a t m e n t sw e r e n e e df o rh o l t e ra n a l y s i s ，b e c a u s ei tw a saw e a ks i g n a l ，a n dc o n t a i n e ds t r o n gn o i s ya n d s t r o n g r a n d o m i c i t y t h r o u g hs t u d y , t h ew a v e l e tt r a n s f o r m ( w dw a su s u a l l yu s e di na n a l y z i n gt h e t i m e - v a r y i n gs i g n a lu n i q u e l y b e c a u s eo fi t se x c e l l e n t t i m e - 仃e q u e n c y l o c a l i z a t i o n c h a r a c t e r i s t i c b u ti tc a nn o tb ea p p l i e dt or e a l - t i m ea n a l y s i sa n dt r e a t m e n td u et oi t sh i g h e r c o m p u t a t i o n a lc o m p l e x i t y a n o t h e rt h r e s h o l dd e t e c t i o nm e t h o dh a dt h ep r o p e r t i e so fh i g h r e a l - t i m ea n a l y s i sb u tl o w p r e c i s i o n b ya p p l y i n ga b o v et w om e t h o d ss y n c h r o n o u s l yw eg o ta b e t t e rr e s u l ti nd e t e c t i n grw a v e f o r mi nt h eh o l t e r n o r m a l l y , t h e r ew e r et w ok i n d so fc l u s t e r i n gs t r a t e g y ：o n en e e d e dt ok n o wt h en u m b e ro f c a t e g o r i e sk i na d v a n c e ，t h eo t h e rk i n dd i d n t s i n c et h ev a l u eo fkh a dab i gi n f l u e n c eo nt h e c l u s t e r i n gr e s u l t ，i tc a nn o tb ea s c e r t a i n e da c c u r a t e l yw i t h o u ta c t u a ld a t a t h em e t h o dt h a t d i d n tn e e dkh a dal o wc o m p u t a t i o n a la c c u r a c yo rg e n e r a t e sm o r ec a t e g o r i e st h a nt h ea c t u a l c l a s sn u m b e r a c c o r d i n gt ot h ep r o p e r t i e so fc l u s t e r i n gs t r a t e g i e sa n dt h ef e a t u r e sh o l t e r w a v e f o r m ，t h ep a p e rp r e s e n t e dt w oc l u s t e r i n gs t r a t e g i e so nw a v e f o r ms h a p es e l e c t i o n i nt h e s o m a g g k - m e a n ss t r a t e g y , s o mn e u r a ln e t w o r kw a su s e dt od oar o u g hc l u s t e r i n ga tf i r s t t h er e s u l to ft h a tc a ng i v eu saf u z z yc l a s sn u m b e r a n dt h e n ，a g g l o m e r a t i v ec l u s t e r i n g a l g o r i t h mw a su s e dt oo b t a i na c c u r a t ec l a s sn u m b e r a tl a s tk - m e a n sw a su s e dt og e tt h e s a t i s f i e d c l u s t e r i n gr e s u l t i nt h em a x - m i nd i s t a n c e k - m e a n ss t r a t e g y , m a x m i nd i s t a n c e c l u s t e r i n ga l g o r i t h mw a su s e df i r s tt oc a l c u l a t et h ee x a c tc l u s t e r i n gn u m b e rka n do b t a i nt h e r e l e v a n tr e p r e s e n t a t i o n a lc l u s t e r i n gc e n t e r t h e nk - m e a n sa l g o r i t h mw a su s e dt oo b t a i nt h e c l u s t e r i n gs a m p l e sf o rh o l t e rd a t a t h er e s u l ts h o w e dt h a tb o t hs t r a t e g i e sc a nr e a c ht h et a r g e t o fc l u s t e r i n gs i m i l a rw a v e f o r m st o g e t h e r f r o mt h ev i e wo fc l a s s v a l i d i t y , t h em a x m i n d i s t a n c ek m e a n ss t r a t e g yg a v em o r ea c c u r a t er e s u l tt h a nt h ef i r s to n e k e yw o r d s - c l u s t e r i n g ，h o l t e r , w a v e l e tt r a n s f o r m ，k - m e a n s ，s e l f - o r g a n i z i n gf e a t u r em a p n e u r a ln e t w o r k ，a g g l o m e r a t i v ec l u s t e r i n g ，m a x - m i nd i s t a n c e 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取 得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含为获得 墨盗堡墨太鲎 或 其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研 究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名：岳请学 签字日期：劢留年f 月三日 学位论文版权使用授权书 本学位论文作者完全了解 墨盗墨兰太堂有关保留、使用学位论文 的规定。特授权墨盗墨墨太堂 可以将学位论文的全部或部分内容编入 有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编， 以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复本和电子 文件。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：舀庸竿 签字日期：功o g 年f 月2 ，日 导师签名：玩吲 签字日期：工a o 扩年月，上日 第一章绪论 1 1 研究目的及意义 第一章绪论 心电图( e l e c t r o c a r d i o g r a m ，简称e c g ) 是反映心脏兴奋的电活动过程，是人类生 命活动中一个明显的体现。心脏在每个心动周期中，由起搏点、心房、心室相继兴奋， 伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形【u 。心电 图检查是临床常用的器械检查方法之一，其临床应用已有百年之余。它在监测心肌缺血、 捕捉心律失常，帮助临床医生掌握患者各种情况下的心电变化、了解患者病症和药物疗 效与心电活动等方面具有独特的功能，而且由于其简单、方便、无创的特点，在临床得 到了广泛的应用【2 , 3 1 。 在现代医学中，心电图正越来越成为医生诊断心脏疾病的依据。由于普通心电图仪 仅能记录受检者处于静态时的且为时甚短的心电资料，检查过程仅为短暂的几分钟，记 录的心搏一般仅为数十次，对于一过性心律失常和短暂心肌缺血不能轻易发现，尤其对 于受检者在睡眠、运动、工作劳累或情绪激动等特定状态下出现的病症和变化，无法记 录当时的心电状况。同时许多病人在发生突然死亡之前并没有明显的症状，一些异常心 电信息只有在某些特殊情况下才出现，其心律失常的发生频率非常低。针对以上问题， 为了及时发现和治疗早期心脏病和各类隐性、偶发性心律失常、心肌局部缺血，就必须 有一种心电图仪能让病人随身携带，在病人正常工作、生活状态下，2 4 小时以上长时间 对病人进行检测，随时捕捉病人在工作紧张或者精神受到刺激、情绪激动或者特殊状态 下心脏发生的病变反应。1 9 5 7 年，美国n o r m a nj h o l t e r 提出设想用于长时间连续的记 录体表心电图的动态心电图分析仪( a m b u l a t o r ye l e c t r o c a r d i o g r a p h ，a e c g ) ，并在1 9 6 1 年投入l 隘床使用。经过4 0 余年的不断发展和完善，动态心电图分析仪已经成为无创心 电辅助诊断技术领域应用非常广泛的、临床上最为常用的心电图检查工具之一。最近2 0 年来，在动态心电图分析仪上又增加了多项新的分析功能，将其临床辅助诊断功能扩展 到对临床治疗的随访和愈后的评价，为其临床应用丌扩了更广泛的领域，提高了动态心 电图分析仪的临床应用价值【4 1 。 动态记录心电图与常规心电图相比更易获得一过性心电变化( 心律失常、心肌缺 血) ，明确有关症状与心电图改变及生活状态的关系，有助于明确诊断；并能对心律失 常和心肌缺血做出定量诊断，明确发生规律，指导治疗、分析愈后等多方面做出综合评 价。临床己广泛用于：( 1 ) 评价与心律失常有关症状；( 2 ) 诊断和评价心肌缺血；( 3 ) 评价心肌缺血和心律失常的药物疗效；( 4 ) 评价心脏病患者的日常生活能力；( 5 ) 评价 心脏病患者愈后：( 6 ) 评价起搏器功能。而随着电子技术和计算机技术的发展，计算机 的应用开始渗透到医学领域。计算机在心电信号的自动分析、心电数据的压缩，以及心 电仿真建模等领域中都得到了广泛的应用。这也为动态心电图的进一步发展奠定了良好 第一章绪论 的基础。动态心电图的主要价值是用于发现并记录通常短暂心电图检查时不易发现的， 及日常活动时发生的心电图改变，为临床诊断和治疗提供依据。由于动态心电图可以长 时间( 通常为2 4 小时) 地记录心脏的状况，记录1 0 万次左右的心跳所产生的心电图( 平 均7 0 次心跳分钟) ，因此在较短时间内检查到病变波形比较困难，如何快速准确的检测 到病变波形成为研究的热点l 孓7 1 。本文将数据挖掘中的聚类算法应用到动态心电图中， 利用聚类将占大部分的先天波形筛选掉，减少用于诊断的动态心电图波形的数量，使得 病变波形更加明显，从而提高诊断的效率。 1 2 动态心电图波形特点 1 2 1 心电图波形简介 心电图是在心脏有规律地收缩和舒张过程中，各部分心肌细胞产生的动作电位综合 而成的电信号由电极从体表或胸腔测得，经放大后显示或描记下来的波形。图1 - 1 是一 个完整的正常心电图波形。 图1 - 1 正常心电图波形 下面简要介绍一下各个波i 剐。 ( 1 ) p 波。p 波是最早出现的波，反映的是心房除极产生的电活动，代表左右心房去极 过程的电位变化。历时o 0 8 一o 1 l s ，波幅不超过0 2 5 m v ，其波形小而圆钝。 ( 2 ) p 。r 段。p 波之后出现的水平线段，被称为p r 段，反映的是心电复极过程及房室 结、希氏束、束支的电传导时间。 ( 3 ) p r 问期。p 波与p r 段合计为p r 问期，反映的是自心房除极至心室开始除极所 需的时间。 ( 4 ) o r s 波群。由一组波构成，是心电图波幅最大的波，反映的是心室除极的全过程， 代表左右两心室去极化过程的电位变化。历时o 0 6 0 1 0 s 。典型的q r s 波群包含三个 紧密相连的波，第一个向下的波为q 波，其后向上的高尔尖的为r 波，继r 波之后的 一个向下的波为s 波。 ( 5 ) s t 段。q r s 波群后出现的一水平段，反映的是心室缓慢复极的电位变化。 第一章绪论 ( 6 ) t 波。紧接s t 段之后出现的与q r s 波群主波方向一致的波形圆钝、占时较长的 波，反映的是心室快速复极的电位变化，代表心室复极过程中的电位变化。其波形的前 肢较长，而后肢较短。 ( 7 ) q t 问期。由q r s 波群开始至t 波结束的时间，为心室开始除极至心室复极完毕 的全过程的时间。 1 2 2 动态心电图波形类型的分布特点 动态心电图采集记录的心电活动的节律、频率、心律失常、s t 段及t 段改变的检 测分析及诊断评价基本上是参照和依据常规心电图的检测分析方法及诊断评价标准进 行的，但又有其自身的特点。动态心电图包含了至少2 4 小时的被检测人的心电波形， 其中波形的种类很多，包括正常窦性心律、窦性心律失常、心房心室肥大、心绞痛、心 肌梗死、先天性心脏病、心律失常等。在聚类情况下将其分成三大类：先天波形、病变 波形和干扰波形。 先天波形是指2 4 小时动态心电图中存在的大部分的相似波形，此类波形是动态心 电图波形的主体，其数量可达全部波形的9 0 以上。由于心脏器质变的过程比较缓慢， 因此被检测人2 4 小时之内心脏状态的波形发生突发性变化的机率较小。在动态心电图 记录期间，被检测人的先天波形不会有很大变化。如图1 2 是一位被检测人( 女，3 2 岁， 健康) 的动态心电图中的先天波形部分。 和7 - 2 - 2 6 2 l ：3 3 ：4 5 图1 - 2 心电先天波形例图 病变波形是指被检测人进行动态心电图检测的2 4 小时中发生的突发性心脏波形， 如房性早搏、室性早搏、房颤、窦性心律失常等。此类波形与先天波形有明显的区别， 但在数量上相对较少，一般最多占至5 1 0 ，这部分波形是医生进行诊断的重要依据， 图1 3 ( 见下页) 是病变波形的示意图。( a ) ：房颤；( b ) ：室早。从图中也可以看出， 病变波形与先天波形有很大的差异性，有利于自动筛选。 干扰波形一般发生在数据采集的开始和结束，以及被检测人状态变化初期时，如从 静坐到步行、从静卧到站立等状态。如图1 4 ( 见下页) 所示，此类波形的特点是无规 律、没有心电波形重复性发生的特点、筛选起来比较复杂，但此类波形所占比例较小， 第一章绪论 只有1 以下。 一d ，l，十 t 。 1l n1一if 、n k，儿h l 茫 当 j：j 。j i 一、l 。、j卜”j、 、- f1 u t 一、止 v t 一f i l 图1 - 3 心电病变波形例图 图1 - 4 心电干扰波形例图 1 2 3 动态心电图波形的检测特点 动态心电图记录了被检测者2 4 小时的心脏状况，在利用计算机进行分析时，与传 统的静态心电图检测不同，其检测内容具有数据量大、心动事件时间不等性、心电类别 完整性、心电波形连续性和个体差异性等特点： ( 1 ) 数据量庞大。动态心电图实时地记录了被检测人2 4 小时的心脏波形，包括1 0 万 次左右完整的心电波形，相对于静态心电图而言，其数据量庞大。这1 0 万次左右的心 电波形中的大部分是相似的( 约占9 0 左右) ，这部分波形在进行诊断时只需要很小的 一部分即可，一般情况下3 0 5 0 个波形即可。但对于如此庞大的数据量，如何提取有 价值的波形是研究的重点。 ( 2 ) 心动事件时间不等性。由于人的心跳是有节律的，反映到心电图上，我们见到的 心电图的r r 间期( 如图1 5 所示的两个相邻r 波之间的时间差) 是基本上相同的，但 实际上每一个r r 间期都是不相同的。因此在对波形进行特征提取的过程中，需要对 r r 间期进行归一化处理，使获得的独立心电波形在数据格式上是一致的，保证进一步 分析的顺利进行。 图1 5e c g 中r r 间期示意图 ( 3 ) 心电类别完整性。动态心电图的检测内容除了传统e c g 心电图中的波峰检测之外， 更加强调e c g 在2 4 小时中的变化情况，特别是寻找一些在短时间内没有发生过的心脏 - 4 第一章绪论 事件所对应的心电图。因此检测的重点从检测的准确性向检测的完整性方向偏移。除了 需要判断e c g 所代表的诊断意义，还需归纳e c g 心电图的类别以辅助医生做出诊断。 这就要求，在分析e c g 心电图的过程中，尽量不能漏掉某一类波形，即使这种类型只 包括一个完整的心电波形。 ( 4 ) 心电波形连续性。就物理意义而言，心电图是心电电压随时间变化的曲线表示， 因此心电图是连续的。静态心电图记录的时间较短，很难发现突发性、一过性心脏状况 变化导致的心电图波形变化。另外，心脏状况发生变化是有前因后果的，单独一段静态 心电图不能说明问题。而动态心电图记录了2 4 小时的心电波形，波形是连续的，可以 发现上述问题。但同时这种连续性在一定程度上也加大了分析的难度。 ( 5 ) 个体差异性。动态心电图的个体差异性包括两个方面：一是同一个体间的差异性， 一是不同个体之间的差异性。由于动态心电图心动事件时间的不等性，使得同一个体的 同一类波形也有所不同，且当个体的运动状态发生改变时，其心电图波形也会有一定的 变化。不同个体之间的差异性是指即使针对同一类型的波形，由于个体与个体之间的心 脏的总体积、心房形状、心室形状、心脏壁膜厚度、冠状动脉血管状况的不同，导致即 使同一种波形在不同人的身上也有些许的差异。这就导致很难对动态心电图波形用统一 的标准去度量。 1 3 计算机技术用于动态心电图的发展历史和现状 目前的e c g 信号分析是由医生完成的，利用计算机进行e c g 信号自动分析开始于 二十世纪五十年代末，七十年代后，e c g 自动分析与诊断进入实用化和商业化阶段1 9 1 。 经过四十多年的发展，其已发展成为几个不同的领域：静态e c g 系统、心律失常检测 及监护系统、运动e c g 系统、动态心电图系统【1 0 1 。目前e c g 自动分析技术主要向着两 个方向发展，即进一步提高信号的检测率、准确率以及使分析诊断系统小型化。 心电图的计算机自动分析能明显提高工作效率，便于大量贮存心电图资料；建立数 据库，便于资料检索，尤其适用于心血管疾病筛选和流行病学研究。同时也有利于严格 的质量控制，统一测量标准，减少人工阅读心电图时人为因素造成的误差。通过将心电 图模拟信号转换成数字信号，采用定量的方法进行正确的分类，从而保证了心电图解释 的准确性。 e c g 自动分析的内容主要包括：信号的预处理、数字滤波、波形检测、特征提取与 分类、数据压缩等。随着计算机技术的不断发展，自动分析技术的内容也在不断地增加。 心电信号比较微弱，极易受到环境的干扰。为了增强心电信号中的有效成分、抑制噪声 和干扰、提高波形检测的准确率，除了对心电记录仪的硬件抗干扰能力有较高的要求外， 还需要对e c g 信号进行滤波预处理。预处理之后的波形检测和特征参数是心电自动分 析系统的关键，其准确性和可靠性决定着诊断的效果l l 。这- 工部分将检测出e c g 信号 中各个波形的具体位置，识别各波波界的特征点，提取各项特征参数。所提取的特征参 数，包括各波的时限、幅度和各间期时间等，并用于下一步的心电图分类识别及疾病诊 断。分类识别是对e c g 进行自动诊断和解释，运用具体的分类算法对送入的心电波形 第一章绪论 或特征参数进行判别，并由此判断该e c g 信号是否对应某一病症。下面分别介绍一下 在e c g 自动分析中的一些研究成果。 1 3 1e c g 信号的滤波预处理 人们在数字滤波软件方面作了许多工作，如t h a k o r 设计的巴特沃斯型带通滤波器， 考虑了心电图信号的频谱分布特性；l y n n 提供的整系数数字滤波器具有线性相位，可 以实现低通、高通和带通等不同形式的滤波。也有人用n o t c h 、改进的l e v k o v 法 滤除工频干扰，用自适应相干模板法同时抑制工频干扰和基线漂移等1 1 2 。1 4 j 。 近几年来，小波分析被引入到e c g 滤波处理中【1 5 d 7 1 。小波变换具有良好的时频局 部化特性，实现了信号从时频到时间一尺度相平面的转换。通过多尺度分析可以在不同 尺度下观察信号不同的局部化特征，十分适用于像e c g 信号这样的具有较强随机性、 信噪比较低、非线性、非平稳和奇异点较多的生物医学信号的分析处理。小波变换用于 e c g 滤波，常采用的算法有：去除噪声干扰所对应的小波多分辨率分解尺度上的细节分 量、小波空间的阈值化处理、小波变换模极大值方法。这几种算法都可以有效去除e c g 中的噪声、干扰。 1 3 2e c g 信号的q r s 波检测 q r s 波的检测【1 8 之1 1 是e c g 自动分析的关键问题，是诊断心律失常的重要依据，而 且只有在q r s 波确定以后才能分析e c g 的其它细节信息。q r s 波检测包括o r s 波位 置、宽度、面积的检测。关于q r s 波检测的方法，已有不少研究成果，但是各种方法 均有不足之处，因为各种类型噪声( 如肌电干扰、基线漂移、工频干扰等) 的影响以及 心电信号自身波形的复杂性和人生理上的变异性，都使q r s 波的精确检测有很大的困 难。 目前q r s 波的检测既有硬件方法也有软件方法。其中o r s 波的软件检测技术是随 着计算机技术的发展而迅速发展起来的。用软件处理的方法可以方便地进行数字滤波、 线性和非线性变换以及判定处理等，并可灵活选择调整各类参数，对复杂情况进行判断 处理，具有许多优越性。软件检测q r s 波的方法大致可分为两种：基于信号处理的检 测和基于图象识别的检测。动态心电图检测是基于信号处理的检测，因此主要对该方法 作介绍。 基于信号处理的q r s 波检测方法是对滤波以后的e c g 信号进行某种变换，以提高 o r s 信号的分量，然后采用一系列阈值进行判别。这是检测技术中的关键，也是各类检 测技术的不同点。早期研究中，对e c g 进行变换运用较多的方法是求e c g 的一阶或二 阶差分，然后采用固定阈值或可变阈值进行判决。采用可变阈值进行判决，可以减少由 于干扰或高p 、高t 波的存在而产生的假阳性结果以及由于心律失常或q r s 波幅度变 小导致漏检而产生的假阴性结果。所采用的可变阈值有幅度阈值、斜率阈值和时间间隔 阈值等。 另外一种基于信号处理的方法是相关法，其原理是把e c g 信号采样点与预先存储 的心电图波形模版逐点进行比较，当待处理信号与模版耦合时其相关值最大。常用的比 第一章绪论 较方法有平均平方法、最d * - - 乘法和面积差分法等。所存储的信号可以是正常或非正常 的q r s 信号。这种方法不仅可以检测出q r s 波，而且可以提取心律失常下的q r s 波， 但它对高频噪声和基线漂移很敏感。 也有研究者提出了基于数学形态学的o r s 波检测方法【2 2 】。该方法每次适用一个导 联的信号，通过对心电图信号作形态运算，将q r s 波群检测出来，其具有数学上的严 谨性、准确性和鲁棒性，而且计算过程简单，仅需做形态运算( 开、关) ，但是这种方 法对噪声比较敏感。 近年来，人们又将小波变换( w t ，w a v e l e tt r a n s f o r m ) 引入到q r s 波检测【2 3 。2 7 1 。 小波变换应用于q r s 波检测，都是基于m a l l a t 等人在信号奇异性检测和信号的小波系 数局部极值分析之上的，检测效果不错。小波变换的基本思想是用一族函数去表示或逼 近一信号或函数，这一族函数称为小波函数系，它通过一基本小波的平移和伸缩构成。 该变换具有以下三个特点：多分辨率；品质因素即相对带宽恒定；适当选择基本小波， 可使小波在时、频两域都具有表征信号局部特征的能力。形象的讲，小波变换有“变焦 距 的功能，在高频部分，它有“显微 能力，这一特点在处理突变信号时很有用，保 证了小波变换应用于q r s 波检测的可行性。该技术利用信号在不同尺度( 频段) 上的 不同分布来检测q r s 波。用小波变换方法检测q r s 波具有以下一些特点： ( 1 ) 由于小波变换时l ( n ) 能代表信号不同频道上的分量，在s 一2 3 的尺度上，高频噪 声有很大衰减，而基漂、高p 波、高t 波等容易造成误判的低频成分在s 一2 3 尺度上较 小，检测该尺度上的小波变换大大提高了q r s 波检测率。 ( 2 ) e c g 信号记录中出现伪迹很容易造成误判，在小波变换检测方法中，通过去掉孤 立极值点能很好地解决这个问题。 ， 1 3 3e c g 的分类识别及疾病诊断 e c g 自动分析的最终目的是让计算机代替医生完成心电波形分类，并根据其它一些 临床特征自动地做出疾病诊断。早期医生和科研人员是根据e c g 分析得出某些特征参 数，如r r 间期、s t 段电平等，再利用功率谱分析等信号处理技术对病人的某一类疾病 做出诊断。随着长时间动态心电信号分析应用的逐步普及，人们对心电图分析的精度提 高到了单个心拍的水平，即根据每个心拍的波形和特征，判别心拍正常或异常、以及异 常的种类，并进一步分析其心律的种类。e c g 心拍分类识别的方法大致分为统计分类法、 句法分析、模糊技术、人工智能等几种类型。其中统计分类法包括特征提取、模板匹配、 数据聚类、分形等；人工智能方法包括专家系统和神经网络两种。 1 4 机器学习用于动态心电图筛选 本文应用机器学习技术对动态心电波形进行筛选，目的是通过波形筛选，获得具有 诊断意义的心电波形，因此需要在大量数据集上进行研究，而不是单纯局限于较少的心 电波形。但由于动态心电图自身的特点，。使得将机器学习应用于动态心电图波形的筛选 存在一定困难。 第一章绪论 1 4 1 动态心电图自动筛选存在的问题 由于动态心电图的检测具有数据量大、心动事件时间不等性、心电类别完整性、心 电波形连续性和个体差异性等特点，使得机器学习用于动态心电图自动筛选存在如下问 题： ( 1 ) 心电波形数据量大，且具有连续性导致确定完整波形比较困难。由于每个人的动 态心电囹都包含至少2 4 小时的心电图波形数据，波形达到1 0 万个左右，数据量庞大。 而心电波形的连续性使得很难用量化的位置信息对每个波形的起始和终止位置进行标 注，因此如何准确的确定一个完整的波形是动态心电图自动筛选所遇到的第一个问题， 只有确定了完整波形并将其数字化才能利用机器学习技术进行自动分析和筛选。 ( 2 ) 心动事件时间不等性和个体差异性导致数据格式的变异。由于动态心电图具有心 动事件时间不等性，使得对动态心电波形的数字化产生影响。在静态心电图中利用波峰 检测技术时并不考虑r r 间期的变化，只要确定波峰的位置即达到检测的目的。但对于 动态心电图而言，由于心电波形的连续性，使得在用波峰检测技术时需要考虑r r 间期 的不稳定变化导致数据格式变异带来的影响，这也给心电图的自动筛选带来困难。 ( 3 ) 转换为向量后单个波形的数据量大。本文研究的心电波形的采集频率是2 4 0 次秒， 普通人的心跳在7 0 次秒，这样一次心跳的采集点为2 0 0 个左右，即取得2 0 0 个左右的 心电电压值，向量化的心电波形的维度在不进行处理的情况下为2 0 0 维左右。那么，当 心电波形进行向量化后将得到近1 0 万个2 0 0 维左右的数据，这在一定程度上增加了算 法的计算复杂度。 ( 4 ) 分析的实时性问题。动态心电图数据量大，其波形筛选速度上必然要比静态心电 图慢。但最理想的状态是在心电图采集后不久就可得到分析结果，这对于筛选系统的可 用性来说十分重要，而如何快速、有效的筛选心电图依然是一个难题。 1 4 2 机器学习用于动态心电图自动筛选 由上一小节可知，由于动态心电图数据量大，格式化困难且存在数据格式变异的问 题，因此涉及到很多复杂的数据处理过程，但这对于机器学习来说，却是一个潜在的优 势。机器学习【2 8 _ l 从本质上讲也是一种融合多学科领域知识的技术，它吸取了人工智能、 概率统计、计算复杂性理论、控制论、信息论、哲学、心理学和神经生物学、统计学等 领域的成果，而且面向个体，面向具体应用，其在很多应用领域被证明很有实用价值， 尤其在以下方面：( a ) 数据挖掘问题，即从大量数据中发现可能包含在其中的有价值的 规律；( b ) 在某些比较困难的领域，人们可能还不具有开发出高效算法所需要的知识； ( c ) 计算机程序必须动态地适用变化的领域。 在数据挖掘领域，机器学习算法理所当然地被用来从包含金融交易、医疗记录等此 类信息的大型数据库中发现有价值的信息。它通过对实例数据的处理、归纳，建立用于 分析新数据的模型或归纳形成某种概念。在理论研究方面包含很多内容，如聚类分析， 包括基于划分、基于层次、基于模型、基于密度、基于网格等算法；分类分析，包括人 工神经网络、贝叶斯分类、决策树，基于案例，回归分析算法；遗传算法、进化计算等。 第一章绪论 对于包含1 0 万个左右波形的动态心电图检测而言，机器学习可以在动态心电图自 动筛选的诸多重要环节中发挥优势，包括： ( 1 ) 心电波形格式定义。由于动态心电图的心动事件时间不等性使得对其波形进行格 式化存在一定困难。本文通过机器学习方法定位心电图中的r 波，及r r 间期中的多 个极值点，同时保持每个心电波形数字化后的维度相同，为进一步分析处理心电图波形 打下基础。 ( 2 ) 心电波形聚类分析中聚类类别数选定问题。将心电图波形经前面的心电波形格式 化后转化为独立的向量形式，然后采用一定的聚类策略对其进行聚类。本文采用了 s o ma g gk m e a n s 和m a x m i nd i s t a n c ek m e a n s 两种聚类策略：s o ma g gk m e a n s 策略首先用s o m 算法聚类获得较多类别的聚类结果，再利用凝聚聚类获得比较接近的 类别数，最后用k m e a n s 算法对其进行聚类；m a x m i nd i s t a n c ek m e a n s 策略首先对抽 取出的部分心电图用最大最小距离算法获得初始的聚类类别数，然后用k m e a n s 算法对 其进行聚类。 1 5 文章主要内容及框架 全文共分五章，第一章大体介绍了研究动态心电图的目的，以及将计算机技术用于 动态心电图研究的背景，其中包括动态心电图的发展历程，国内外研究的热点，动态心 电图波形的特点以及所采用的聚类策略；第二章对动态心电图的数据预处理给出详细的 说明，提出将小波变换应用于动态心电图中r 波的定位；第三章和第四章是本文的重点， 在第三章中给出聚类的相关知识，适合动态心电图的相似性度量，以及影响k - m e a n s 聚 类精度的两个关键因素，同时根据这两个关键因素的研究，提出了两种动态心电图聚类 策略；第四章详细介绍了动态心电图的两种聚类策略，并给出相关算法的详细介绍，对 每种策略都给出了详细的实验步骤和实验数据分析；最后一章为全文总结，得出课题研 究的结论，并对将来的研究方向给出一定的展望。 1 6 本章小结 在这一章罩描述了动态心电图的发展历史以及本文的研究目的和意义，并详细介绍 了动态心电图的波形特点，检测特点以及自动筛选时所存在的问题，同时根据国内外的 研究内容和动态心电图的特点，提出将机器学习技术用于动态心电图的自动筛选所存在 的优点及需要解决的问题，在最后给出了文章的主要内容和框架安排。 第二章动态心电图计算机分析预处理 第二章动态心电图计算机分析预处理 2 1 心电数据的来源 本文所采用的数据是通过便携式心电信号采集器获得的，采样率为2 4 0 次秒，分辨 率为8 b i t 。如图2 - 1 为从8 个被检测人的相同心脏位置所获取的心电波形。 l l l ll l | 6 | | l l | | l ll li | l l | 乳 触i 川| h o k ：川 、 | 。一vj ；jr lh _ jl 峰 ( 3 ) l 乳l l |ni ll ll | l 氅 h*_ 刊坟h 给啉 l j l _ 沭卅 一， _ l1 ；l一y ，l 卜拱l i ：i ； q 4 ：一 二il i l i ；l | l ；il l v ! i l h ( 5 ) 鞲 卜 # 支 纛霸= 甜三辨 j 二：l f；l ；j l ； 生 ，；l i l i ll l豇，l ll ； 4l jf。l 、iiu 、 l u l ( 2 ) 瞵 h 卜 卜 i i 卅 h i l l i i l l k ； f 一l ， 一：j e，l 、嘻i ：jf 三一l 臣赫 一l ul j ll yj 月i：1 i 膀 一0 u “h | i l i lll i i lii u 、 i i ( 4 ) ； lv ： i ； l l | il l i l | ；jl |j ：ij h；，嘞；h ：i ；ilp 卜i 生叠lji i ：竖姐ii ；醵挝jli 苎 ( 6 ) 一l 露 l r一玎体kl 、f i ，、 铲 、a 隧瓜刑| “ k _ 一 吲；l! 上。一l 广kl 一；l 碎、! ：7l 广 ( 7 ) ( 8 ) 图2 1 不同被检测人v 5 导联的心电图波形 其心电图波形的数据文件如图2 2 ( 见下页) 所示。其中每秒钟采样2 4 0 次， 记录每秒的数据为2 4 9 个字节。下面给出1 秒的数据格式：前8 个字节为记录时间， 第9 个字节为预留状态，现在的给定值为0 ，第1