基于特征分类的便携式异常ECG信号分析仪器的设计与实现

【作　者】王凯，杨枢,，刘玉文，张钰

1　蚌埠医学院卫生管理系，蚌埠市，233030

2　合肥工业大学计算机与信息学院，合肥市，230027

0　引言

心电信号（Electrocardio-Signal, ECG）包含了大量心脏生理及病理特征信息，具有非线性、弱平稳、不规律等特点，是心血管相关疾病临床诊断的重要指征。由于ECG信号本身所具有的复杂时序问题，且患者异常QRS波的个体差异性较大，如何有效且准确地诊断相关疾病的阈值临界点，是限制ECG信号分析与诊断、大规模临床应用的核心环节。

异常ECG信号通常由心律失常引起，提取的信号异常波形特征主要包括QRS波、P波、T波以及RR间期特征等特征集。依据MIT-BIH心律失常数据库[1]（MIT-BIH Aerrhythmia）对心律失常的分类标准，常见分类结果主要包括N型、L型、R型、A型等14类心律异常波形。

基于特征分类的ECG信号分析方法通过建立训练集和测试集，从训练数据集中提取特征集，构建心脏疾病分类器，能够有效提高患者的个体差异化信号数据分析的准确性。通过训练患者的信号样本，建立动态的信号特征波形数据[2]。通过特征支持向量机模型，获取相对准确的分类结果，同时减少患者在线等待时间，利于早期诊断与识别心脏疾病。本文主要探讨便携式异常ECG信号的特征分类与分析仪器的实现方法。

1　异常ECG信号分析整体框架及核心方法

1.1　整体框架

便携式ECG信号分析设备主要包含以下模块：前端模拟器，基于ARM10E处理器的信号监控和分析器以及交互式显示单元模块。信号分析仪器所实现的功能是在训练阶段，将前段模拟器处理的数据特征值聚集到特征空间；在测试阶段，对经过预处理的ECG信号进行特征提取，使用SVM模型对提取的测试特征值进行分类，具体流程如图1所示。

图1　ECG信号分析系统核心架构Fig.1 Core architecture of ECG signal analysis system

1.2　前端模拟器模块

心脏电活动产生的ECG信号是一串小脉冲信号，其幅度小于2 mV，带宽范围为0.05～150 Hz。由于心电信号经常包含模拟信号的各种噪声，信号失真率较高。模拟器捕获的模拟电路需要使用放大器和滤波器，对初始信号进行预处理，提高信号质量。通过ARM处理器实现软件中的信号处理，能够有效提高心电监测系统的可移植性[3]。前端模拟器有两个主要功能：通过模数转换器（ADC）放大量化的ECG信号；衰减ECG高频噪声信号。为降低成本，同时简化硬件数量，使用嵌入式ARM10E处理器ADC，以1 kHz频率的运行采样，参考电压为1.8 V。图2显示了前端模拟器框架图，包含一个一阶高通滤波放大器，作用是抑制信号直流或偏移；两个具有电平移位器的抗混叠滤波器以及二阶低通滤波器。由于ECG信号峰值的幅度约为2 mV，所需增益为900 V。设定放大器的增益为15 V，两个增益级分别为10 V和6 V。

图2　前端模拟器硬件组件Fig.2 Front-end simulator hardware components

1.3　基于ARM处理器的信号监控和分析模块

信号监控和分析器软件具有两种不同的运行模式，分别是数据训练标准化模式以及信号测试规范化模式。软件的示意图如图3所示，可分为两个子功能块：数据预处理，特征提取以及信号特征集分类。

数据预处理：去除测量的ECG数据的噪声和基线漂移。使用QRS波群复合检测器，标记QRS波群、P波以及T波位置，计算间隔并将数据集嵌入到更高维状态空间[4]。

特征提取和信号特征集分类：异常信号诊断标准以MIT-BIH数据库为基础，对心律失常及心肌缺血等疾病进行分类。通过构造Poincare图进行模型训练，量化过程中波形周期性函数的自相似性[5]。采用滑动窗口机制提取不规则特征值，构建分类支持向量机模型，并将其移入ARM10E处理器，根据测试阶段对心脏相关疾病的分类模型，进行异常波数据分类。

图3　基于ARM处理器的信号监控和分析器业务流程图Fig.3 Flow chart of signal monitoring and analyzer based on ARM processor

1.3.1数字滤波器预处理

采用数字滤波器处理ECG数据，进一步降低由骨骼肌收缩、电源波动以及电极机械力所引起的噪声干扰，使用包含0.05 Hz的高通滤波器以及40 Hz的低通滤波器的混合数字滤波器。

为了消除基线漂移效应，使用与QRS波群相似形状的小波算子对信号向量进行分解，测量的ECG数据被分解成带有近似系数的子级信号序列[6]。为便于检测QRS波群，使用小波尺度选择法调整QRS波群位置。从分解的系数中，使用零向量替换所有序列，重复此步骤，直到获取异常波段。将每个目标区段的最大值记入QRS波群，根据两个连续的QRS波群差异，计算RR间隔。

1.3.2特征提取和分类

特征提取模块使用10个连续的间隔为10 s的滑动窗口，提取不规则和形态异常的波形特征。为便于表示ECG信号的不规则性，创建Poincare图，用于显示周期函数以及序列中的自相似性。若测量点收敛到中心点附近，表明该间隔与滑动窗口间隔相同，归入正常信号集序列；若测量点与中心点呈现发散状，则为不规则间隔，标注为异常信号。

为便于在实时处理系统中检测不规则波形，从包含n个间隔的滑动窗口中提取两个平均步长增量，同时计算主间隔点的距离和[7]。其中连续节点间(xk, xk+1)平均步长增量距离定义见公式(1)：其中Pk，Pk+1表示Poincare图的节点，k表示第k个间隔数。ECG信号的不规则性会随着距离的增加而逐渐累积。通过移除公共节点，在便携式设备中实现简化求和，降低整体计算量。任意k节点的简化平均步长增量（Simplif i ed Mean Steeping, SMS）表示如下：

式(2)中Dis(xk, xk+1)表示主间隔点(xk, xk+1)的距离和，具体是指Poincare图中节点的对角线距离之和，用来表示该节点到任意相邻节点的平均步长。如果一个点位于图中的对角线附近，表示该对角线端点位置具有相似性。在常规间隔分布图中，通过寻找分类相似点，计算主间隔点的距离和，公式如下：

式(3)通过求和k节点的邻接节点简化平均步长增量，计算采样点Pk的距离和，n表示Poincare图中的聚类数，取决于光谱聚类的间隔周期。因此，Poincare图中的相应点被分组为数量较小的簇，即关系紧密点的集合。在聚类过程之后，正常心电信号图表现为一组连续一致的点集，异常信号则显示为分散点集。

为捕获与心肌缺血等症状有关的特征信息，需要重点分析信号的ST段和QRS波群，从QRS波群和T波峰中提取显著形态信息。心肌缺血在ECG上的显著特征主要表现在：电压值、ST段电压偏差以及QRS波群起始到偏移点的斜率等方面，其中电压值异常表现为测量QRS波群起始点T波升高 ，ST段电压偏离正常水平， ST段的平均值通常位于QRS波群起点附近。

2　信号分析仪器实现

ECG信号分析仪器使用电极捕获左臂，右臂和右腿的三导联ECG信号。模拟前端模块嵌入在可穿戴式ECG采集装置中，使用仪表放大器稳定ECG信号。为便于实现交互式服务，在ARM处理器中增加LCD显示设备，具备多点电阻式触摸功能，提供友好的图形用户界面。

本模块软件由三个子模块构成，包括主信号界面，Poincare图构建以及信号描述界面，软件处理MIT-BIH数据库中R类异常信号的图形显示如图4所示。主信号界面装置采集人体的ECG信号并实时显示，通过收集连续ECG信号（持续约50 s），计算每个QRS波群间隔。Poincare图构建特征分类器，提取异常信息时间间隔，绘制并显示心电活动轨迹图。信号描述界面显示心电信号基本状态信息、分类结果信息以及特征值。

图4 ECG信号分析仪器软件Fig.4 ECG signal analysis instrument software

图4中，（MS, DMII, NCPP）的数字表示信号检测的三个特征，分别为抽样均值步长，与主间隔点的偏移量以及Poincare图的聚类数。（CVV, STvd,SoQRS）的数字表示一组检测异常信号的三个特征值，分别为累积电压值、ST段电压偏差以及QRS波群偏移斜率。

3　实验设计与分析

3.1　评价指标

为便于准确评估异常ECG信号处理效果，引入分类准确率和分类查全率两个指标[8]。分类准确率表示正确分类信号在总信号中的占比，可用于近似估计总体中分类正确数据的比例；分类查全率表示某类异常信号被正确分类的信号占比该类信号总体量的比例，公式分别定义如下：

式中xt表示某类异常信号被正确分类的样本信号数量，xf表示某类异常信号被错误划分为其他类信号的样本信号数量，xp表示实际不属于某类的异常信号，却被划分为此类信号的样本信号数量。

3.2　实验设计

实验使用嵌入式Linux的C ++语言，完成信号的预处理、特征提取、分类和图形用户界面编程，其中信号分类器基于libSVM的模式识别与回归软件包[9]，实现SVM集成库环境的搭建。从训练数据集中提取特征集，将测试集输入SVM分类器，对测试集进行特征分类，输出分类结果。

表1为选取MIT-BIH数据库中4类较常见心律异常信号，分别计算分类准确率和分类查全率的特征分类指标。结果显示上述4类分类指标数值较高，类型为R的左束支阻滞在两种指标下表现较均衡。

表1　4类异常ECG信号测试集的特征分类指标Tab.1 Clustering values of four kinds of arrhythmia ECG for testing sets

表2显示为本方法与其他文献的分类方法的横向对比实验，在使用相同数据库来源的前提下，对比分类效果。实验结果显示本文方法能够获得较高的分类精度信号，提高了总体分类的准确率与查全率。

表2　特征分类对比实验指标数值Tab.2 Comparison values of other classif i cation methods

4　结论

该研究提出并实现了便携式ECG信号分析设备的设计与实现，使用基于数字滤波器的硬件架构，降低了硬件复杂性。该装置具有硬件复杂性低、数据实时处理能力强、分类特征准确的特点，能够捕获异常心电活动，有效监控患者的心脏异常状况，有助于构建心脏诊断云平台及智能化医疗决策系统，提供高质量、低计算复杂性的信号数据输入方案。

[1]Moody G B, Mark R G. The impact of the MIT-BIH arrhythmia database[J]. IEEE Eng Med Biol Mag, 2001, 20(3): 45-50.

[2] 周前能, 陈飞, 上官培阳, 等. 心电信号采集的模拟前端集成电路设计[J]. 重庆邮电大学学报(自然科学版), 2016(1): 66-71.

[3] 庞春颖, 赵春华, 金阳. 基于ARM的多通信方式的监护仪设计与实现[J]. 中国生物医学工程学报, 2013(1): 7-13.

[4] Goldberger A L, Amaral L A, Glass L, et al. PhysioBank,PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals[J]. Circulation, 2014,101(23): 215-220.

[5] Northrop R B. Analysis and application of analog electronic circuits to biomedical instrumentation (biomedical engineering)[M].Cleveland, USA: CRC Press, 2004.

[6] 庞宇, 邓璐, 林金朝, 等. 基于形态滤波的心电信号去除基线漂移方法[J]. 物理学报, 2014, 63(9): 428-433.

[7] Jinho P, Witold P, Moongu J. Ischemia episode detection in ECG using kernel density estimation, support vector machine and feature selection[J]. Biomed Eng Online, 2012, 11(1): 30.

[8] 高兴姣, 李智, 陈珊珊, 等. 基于近邻保持嵌入算法的心律失常心拍分类[J]. 生物医学工程学杂志, 2017, 34(01): 1-6.

[9] 卢昆鹏, 潘宏侠. 移植Libsvm软件实现TMS320F28335的支持向量机[J]. 单片机与嵌入式系统应用, 2016, 24(3): 27-33.

[10] Kallas M, Francis C, Kanaan L, et al. Multi-class SVM classif i cation combined with kernel PCA feature extraction of ECG signals[C]. Jounieh: Proc C Inter Conf Telecommunicat, 2012: 1-5.

[11] Li H Q, Liang H, Miao C J, et al. Novel ECG signal classif i cation based on KICA nonlinear feature extraction[J].Circuit Syst Sign Proc, 2016, 35(4): 1187-1197.

[12] Beyli E D. Adaptive neuro-fuzzy inference system for classif i cation of ECG signals using Lyapunov exponents[J].Comput Meth Prog Biomed, 2009, 93(3): 313-321.