0 引言

    J波是心電圖上QRS波結(jié)束與ST段起始的結(jié)合點(diǎn)（J點(diǎn)）附近產(chǎn)生的一種頓挫。大量臨床分析表明，J波與心律失常、猝死等心血管疾病具有重大關(guān)聯(lián)。如今異常J波和某些類型的J波綜合征已經(jīng)被列為心臟性猝死檢測(cè)的高危預(yù)警指標(biāo)^[1]，所以如何快速、準(zhǔn)確地實(shí)現(xiàn)心電圖中J波的檢測(cè)分類，以降低J波相關(guān)疾病的致死率在醫(yī)學(xué)界廣受關(guān)注。

    近兩年，國(guó)內(nèi)外出現(xiàn)了一些J波疾病的計(jì)算機(jī)輔助診斷方法。2014年，CLARK E N等^[2]在QRS波下降沿定義下凹區(qū)域?qū)崿F(xiàn)J波檢測(cè)并得到90.5%的靈敏度。2015年，WANG Y G等^[3]對(duì)12導(dǎo)聯(lián)數(shù)據(jù)應(yīng)用函數(shù)分析技術(shù)完成J波檢測(cè)，靈敏度達(dá)到89%。2016年，張桂敏、朱貝貝等^[4-5]應(yīng)用稀疏盲源分離技術(shù)對(duì)心電信號(hào)中的J波進(jìn)行提取。同年，李燈熬等^[6]將特征提取與隱馬爾科夫模型結(jié)合，應(yīng)用十倍交叉驗(yàn)證獲取94.2%的靈敏度。2017年，劉學(xué)博等^[7]結(jié)合曲線擬合、小波變換和徑向基支持向量機(jī)于正常信號(hào)和J波信號(hào)的二分類，靈敏度達(dá)到90%。

    分析這些J波識(shí)別模型，首先相關(guān)算法的檢測(cè)精度存在一定的可提升空間，其次算法分類效果僅僅局限于J波信號(hào)的有無(wú)，并未實(shí)現(xiàn)J波的良性與惡性的區(qū)分。本文設(shè)計(jì)聚類預(yù)處理的AdaBoost分類器，結(jié)合時(shí)頻域三階累積量的第一核主成分以及相空間遞歸矩陣的壓縮向量完成正常信號(hào)、良性J波信號(hào)與惡性J波信號(hào)三分類。

1 數(shù)據(jù)庫(kù)建立及預(yù)處理

    本文從項(xiàng)目合作單位山西大醫(yī)院獲取J波相關(guān)疾病患者的心電圖。以360 Hz采樣率對(duì)信號(hào)進(jìn)行樣本規(guī)范化，最終得到200個(gè)心電記錄組成數(shù)據(jù)庫(kù)，其中每段記錄時(shí)長(zhǎng)約為1 min。

    獲取的心電數(shù)據(jù)中混有噪聲信號(hào)，為保證算法設(shè)計(jì)的有效性，使用平穩(wěn)小波對(duì)信號(hào)進(jìn)行9層分解，丟棄最高層近似系數(shù)重構(gòu)。對(duì)重構(gòu)后信號(hào)進(jìn)行6層平穩(wěn)小波分解，應(yīng)用軟閾值對(duì)系數(shù)進(jìn)行修正處理來(lái)消除噪聲。

    J波主要突顯在心電圖的ST段，有時(shí)也會(huì)出現(xiàn)在QRS波形的下降支。為了減少整體計(jì)算量，本文引用Pan-Tompkins方法^[8]完成R基準(zhǔn)點(diǎn)檢測(cè)，并選取R點(diǎn)前77個(gè)、后172個(gè)樣本點(diǎn)組成研究心拍。

2 J波多特征融合分類方法

    本文設(shè)計(jì)了一種J波多分類識(shí)別算法。心電信號(hào)在預(yù)處理后，提取多角度分析特征。這些特征經(jīng)特征優(yōu)化后，并行融合輸入至改進(jìn)AdaBoost分類器實(shí)現(xiàn)正常心拍、良性J波心拍與惡性J波心拍的辨別，方法整體流程如圖1所示。

2.1 多角度特征提取

    本文主要從時(shí)頻域和相空間兩個(gè)角度對(duì)信號(hào)的非線性與相似性進(jìn)行度量。

2.1.1 時(shí)頻域非線性特征

    調(diào)Q小波變換^[9](Tunable Q Wavelet Transform，TQWT)是離散小波變換的改進(jìn)算法，克服了離散小波基函數(shù)選取缺乏理論支撐的弊端，TQWT引入描述信號(hào)中心頻率與帶寬比值的品質(zhì)因數(shù)Q，用以獲取對(duì)信號(hào)波形具有自適應(yīng)能力的母小波，進(jìn)而獲得更為有效的尺度系數(shù)。

    基于心拍信號(hào)的5層TQWT分解，算法對(duì)分解后第3層、第4層、第5層細(xì)節(jié)系數(shù)d₃、d₄、d₅以及第5層近似系數(shù)a₅分別進(jìn)行非線性三階累積量統(tǒng)計(jì)，其求取公式如式(1)所示。并應(yīng)用核主成分分析(Kernel Principal Component Analysis，KPCA)實(shí)現(xiàn)特征降維。

    圖2為3種類型心拍信號(hào)經(jīng)TQWT分解后選取的子帶系數(shù)波動(dòng)曲線。由圖可見，在各選定子帶上，對(duì)應(yīng)系數(shù)的波動(dòng)幅度有明顯差異。

    圖3～圖6是3種類型信號(hào)對(duì)應(yīng)d₃～d₅、a₅子帶系數(shù)的三階累積量的等高線圖以及三維立體圖。分析圖中數(shù)據(jù)分布，不難看出含有J波信號(hào)的三維圖幅值更高，且反映到等高線圖中即J波信號(hào)尤其是惡性J波對(duì)應(yīng)等高線變化坡度更為明顯。

2.1.2 相空間遞歸圖（Recurrence plot，RP）特征

    RP將信號(hào)之間的周期性、相似性、混沌性以及非平穩(wěn)性反映到平面圖上，間接完成對(duì)復(fù)雜信號(hào)的非確定性的評(píng)估。對(duì)心拍片段序列{x₁，x₂，…，x_n}應(yīng)用時(shí)間延遲法實(shí)現(xiàn)相空間重構(gòu)，得到重構(gòu)向量X_i、X_j，其對(duì)應(yīng)遞歸矩陣的數(shù)學(xué)表達(dá)描述為：

    獲取遞歸矩陣后，對(duì)矩陣元素進(jìn)行置換操作，可使相空間點(diǎn)狀態(tài)相近時(shí)，遞歸量取值為0；相空間點(diǎn)狀態(tài)差異較大時(shí)，遞歸量取值為1。此時(shí)遞歸矩陣滿足稀疏條件，應(yīng)用壓縮感知^[10]中測(cè)量矩陣Φ即可實(shí)現(xiàn)遞歸矩陣R的壓縮，其中M<<N。

2.2 改進(jìn)AdaBoost分類器

    AdaBoost算法通過對(duì)錯(cuò)分樣本權(quán)值的不斷迭代調(diào)整，獲取不同的弱分類器，將弱分類器結(jié)果加權(quán)疊加得到最終分類結(jié)果。本文對(duì)AdaBoost算法進(jìn)行改進(jìn)，改進(jìn)后分類器的流程框圖如圖7所示。由圖可知，在AdaBoost構(gòu)架前，本文應(yīng)用聚類分析對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理，隨之有策略地采取隨機(jī)有放回抽樣在數(shù)據(jù)簇中按比例構(gòu)建訓(xùn)練子集。即在初始聚類簇中對(duì)樣本上采樣構(gòu)建子樣本集1，平衡子集中不同類型樣本個(gè)數(shù)，完成基分類器C₁的訓(xùn)練；隨后每個(gè)子樣本集均由上一級(jí)錯(cuò)誤分類樣本與預(yù)處理后的抽樣樣本組成，直至最后達(dá)到停止條件?？紤]到J波的低發(fā)性，本文還將不同的代價(jià)損失引入至分類器的樣本權(quán)值調(diào)節(jié)。

3 實(shí)驗(yàn)仿真

3.1 特征維度確定

    提取信號(hào)時(shí)頻域d₃～d₅、a₅層系數(shù)三階累積量后，實(shí)驗(yàn)應(yīng)用KPCA提取了典型正常信號(hào)、良性J波信號(hào)、惡性J波信號(hào)三階累積量第一核主成分，其對(duì)應(yīng)數(shù)值分布如圖8所示。由圖可知，提取的時(shí)頻域第一主成分特征可以較好地實(shí)現(xiàn)3種信號(hào)的區(qū)分。因此本文最后共獲取4層共4個(gè)第一核主成分作為特征之一。

    提取描述信號(hào)相似性的遞歸分析矩陣時(shí)，選定延遲時(shí)間為3，嵌入維數(shù)為2。圖9列舉了3種不同心電片段對(duì)應(yīng)遞歸圖。原始信號(hào)70～90樣本點(diǎn)對(duì)應(yīng)心電波形中的QRS波群，而J波出現(xiàn)常會(huì)伴隨QRS波拖尾，此現(xiàn)象反映在遞歸圖中即J波信號(hào)遞歸圖中對(duì)應(yīng)位置遞歸點(diǎn)發(fā)生率明顯降低。

    進(jìn)一步應(yīng)用CS測(cè)量矩陣實(shí)現(xiàn)特征維度約簡(jiǎn)，實(shí)驗(yàn)使用稀疏循環(huán)、哈達(dá)瑪以及托普利茲3種固定性矩陣進(jìn)行比較，結(jié)合設(shè)計(jì)分類器實(shí)現(xiàn)指標(biāo)評(píng)估。實(shí)驗(yàn)最終確定哈達(dá)瑪矩陣為變換矩陣，其變換維度M與準(zhǔn)確率關(guān)系曲線如圖10所示。本文設(shè)定M值為27時(shí)對(duì)應(yīng)的遞歸圖壓縮值作為另一特征。圖11顯示了3種信號(hào)片段遞歸圖壓縮后的三維圖。

3.2 分類仿真

    本文最終旨在實(shí)現(xiàn)正常心電片段、良性J波片段以及惡性J波片段的區(qū)分。實(shí)驗(yàn)共選取18 736個(gè)正常心拍數(shù)據(jù)、3 829個(gè)良性J波心拍數(shù)據(jù)、2 081個(gè)惡性J波心拍數(shù)據(jù)進(jìn)行仿真驗(yàn)證，應(yīng)用靈敏度（Sensitivity，Se）、特異性（Specificity，Sp）以及精確度（Accuracy，Acc）完成分類器評(píng)估。實(shí)驗(yàn)數(shù)據(jù)按照7:3的比例完成訓(xùn)練集與測(cè)試集的劃分，將上述兩種特征進(jìn)行并行融合后完成分類器訓(xùn)練與測(cè)試。最后，實(shí)驗(yàn)獲取訓(xùn)練集與測(cè)試集對(duì)應(yīng)的分類精度分別如圖12、圖13所示。其中，訓(xùn)練集中良性J波、惡性J波信號(hào)的分類準(zhǔn)確度分別達(dá)到84.28%、84.21%，測(cè)試集中準(zhǔn)確率相對(duì)降低，分別為76.3%、78.9%。

    為充分驗(yàn)證本文多特征融合與改進(jìn)分類器相結(jié)合的算法優(yōu)勢(shì)，將并行融合特征作為輸入向量，實(shí)驗(yàn)應(yīng)用測(cè)試集數(shù)據(jù)對(duì)比不同分類器分類指標(biāo)，獲取的多分類平均精度如表1所示。由表不難看出，由于聚類的預(yù)處理以及代價(jià)懲罰參數(shù)的引入，本文分類效果優(yōu)于其他分類器。

    為進(jìn)一步驗(yàn)證設(shè)計(jì)方法的有效性，本文還將其應(yīng)用于正常信號(hào)和J波信號(hào)的二分類，進(jìn)而完成與其他J波檢測(cè)算法性能對(duì)比。實(shí)驗(yàn)中將不同檢測(cè)算法應(yīng)用于本文數(shù)據(jù)庫(kù)，完成J波檢測(cè)。表2列舉了不同J波識(shí)別算法的性能指標(biāo)，相比于其他方法，本文將兩種特征分別降維后進(jìn)行并行融合，結(jié)合改進(jìn)分類器，明顯提高了J波檢測(cè)精度。

4 結(jié)論

    本文提出多特征融合J波分類技術(shù)。調(diào)Q小波變換與高階累積量實(shí)現(xiàn)心電片段時(shí)頻域細(xì)節(jié)性能估計(jì)，核主成分分析實(shí)現(xiàn)累積矩陣約簡(jiǎn)；遞歸矩陣實(shí)現(xiàn)心電片段相空間狀態(tài)點(diǎn)的相似性測(cè)量，哈達(dá)瑪矩陣實(shí)現(xiàn)遞歸量壓縮表示。兩種特征并行融合于聚類預(yù)處理后的AdaBoost分類器可實(shí)現(xiàn)J波的高精度檢測(cè)，并完成良性與惡性J波的區(qū)分。實(shí)驗(yàn)證明，該方法可以為J波相關(guān)疾病的診斷提供一定參考。接下來(lái)，在嘗試應(yīng)用其他方法提高J波多分類精度的基礎(chǔ)上，還會(huì)尋找J波良、惡性區(qū)分指標(biāo)來(lái)簡(jiǎn)化J波分類流程。

參考文獻(xiàn)

[1] 沈雁巖，張延勛.J波綜合征及其臨床意義研究進(jìn)展[J].醫(yī)學(xué)綜述，2012，18(8)：1208-1212.

[2] CLARK E N，KATIBI I，MACFARLANE P W.Automatic detection of end QRS notching or slurring[J].Journal of Electrocardiology，2014，47(2)：151-154.

[3] WANG Y G，WU H T，DAUBECHIES I，et al.Automated J wave detection from digital 12-lead electrocardiogram[J].Journal of Electrocardiology，2015，48(1)：21-28.

[4] 張桂敏，李燈熬，趙菊敏.基于反饋部分稀疏成分分析的J波提取方法[J].太原理工大學(xué)學(xué)報(bào)，2016，47(1)：53-56.

[5] 朱貝貝，趙菊敏，李燈熬.基于吉文斯變換提取ECG中J波信號(hào)[J].計(jì)算機(jī)應(yīng)用與軟件，2016，33(8)：95-98.

[6] 李燈熬，白雁飛，趙菊敏.基于隱馬爾科夫模型的J波自動(dòng)識(shí)別檢測(cè)[J].電子技術(shù)應(yīng)用，2016，42(11)：112-115.

[7] 劉學(xué)博，李燈熬，趙菊敏，等.基于變步長(zhǎng)支持向量機(jī)的J波自動(dòng)檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53(23)：203-207.

[8] PAN J，TOMPKINS W J.A real-time QRS detection algorithm[J].IEEE Transactions on Biomedical Engineering，1985(3)：230-236.

[9] PATIDAR S，PACHORI R B，ACHARYA U R.Automated diagnosis of coronary artery disease using tunable-Q wavelet transform applied on heart rate signals[J].Knowl-edge-Based Systems，2015，82：1-10.

[10] 伍云霞，張宏.基于Curvelet變換和壓縮感知的煤巖識(shí)別方法[J].煤炭學(xué)報(bào)，2017，42(5)：1331-1338.

作者信息:

王  宏，趙菊敏，李燈熬

（太原理工大學(xué) 信息工程學(xué)院，山西 晉中030600）