基于心電特征參數(shù)的心肌梗死疾病輔助診斷模型的建立*

張清麗，蘇士美，尹咪咪，張建華，劉 瑩

鄭州大學(xué)電氣工程學(xué)院 鄭州 450001

基于心電特征參數(shù)的心肌梗死疾病輔助診斷模型的建立*

張清麗，蘇士美#，尹咪咪，張建華，劉 瑩

鄭州大學(xué)電氣工程學(xué)院 鄭州 450001

#通信作者，女，1965年6月生，碩士，副教授，研究方向：信息的采集與處理，E-mail：smsu@zzu.edu.cn

心肌梗死；小波變換；logistic回歸模型；支持向量機(jī)模型

目的：建立基于心電特征參數(shù)的心肌梗死疾病輔助診斷模型。方法：取PTB數(shù)據(jù)庫(kù)中的158例心肌梗死患者為病例組，90例健康志愿者為對(duì)照組，提取這2組的ECG V5導(dǎo)聯(lián)信號(hào)波形并進(jìn)行預(yù)處理，用小波變換結(jié)合窗口函數(shù)的方法提取11個(gè)心電特征參數(shù)，采用獨(dú)立樣本t檢驗(yàn)和精確概率法篩選特征參數(shù)，并進(jìn)行歸一化處理，建立logistic回歸模型和支持向量機(jī)模型并比較其性能。結(jié)果：Logistic回歸模型和支持向量機(jī)模型的診斷準(zhǔn)確率分別為95.1%和96.0%。結(jié)論：Logistic回歸模型和支持向量機(jī)模型對(duì)心肌梗死的分類診斷均具有重要的理論和臨床價(jià)值。

心血管疾病是世界范圍內(nèi)嚴(yán)重危害人類健康的疾病,其發(fā)病率和死亡率在發(fā)展中國(guó)家日益升高。預(yù)計(jì)到2020年，全球超過80%的心血管疾病將發(fā)生在發(fā)展中國(guó)家[1]。急性心肌梗死具有發(fā)病速度快、致死率高、無預(yù)兆等特點(diǎn)，是威脅人類生命的重大疾病[2]。心肌梗死模型的開發(fā)應(yīng)用是研究人類心肌梗死病理、診斷乃至治療的基礎(chǔ)[3]。該研究中作者首先對(duì)采集到的心電信號(hào)進(jìn)行預(yù)處理并提取出特征參數(shù)，然后對(duì)篩選出的變量分別采用logistic回歸方法[4]和支持向量機(jī)[5]建立心肌梗死疾病輔助診斷模型，并比較兩種建模方法診斷的準(zhǔn)確性，以期為臨床診斷提供一個(gè)方便快捷的途徑。

1 對(duì)象與方法

1.1 研究對(duì)象 取PhysioBank中PTB數(shù)據(jù)庫(kù)中的158例心肌梗死患者為病例組，其中ST段電位偏移30例，早搏21例；90名健康志愿者為對(duì)照組，均無ST段電位偏移和早搏現(xiàn)象。提取上述研究對(duì)象數(shù)據(jù)庫(kù)中的ECG V5導(dǎo)聯(lián)信號(hào)，采樣頻率為1 000 Hz，持續(xù)時(shí)間為1 min。

1.2 特征參數(shù)的提取和篩選 利用PhysioBank開發(fā)的數(shù)據(jù)讀取工具PhysioBank ATM下載數(shù)據(jù)并存儲(chǔ)為MATLAB可讀取的.mat或.txt格式。將下載的心電信號(hào)進(jìn)行預(yù)處理，采用窗口寬度為490的中值濾波濾除基線漂移[6]，采用巴特沃斯“49～51”的帶阻濾波器濾除工頻干擾，采用分解尺度為3的db5小波基進(jìn)行小波去噪去除高頻干擾，然后對(duì)預(yù)處理后的心電信號(hào)進(jìn)行特征參數(shù)提取。利用mesh小波分解并結(jié)合自適應(yīng)閾值的方法提取信號(hào)的R波峰點(diǎn)，以R波峰為基準(zhǔn)，設(shè)置窗寬為100個(gè)采樣點(diǎn)的寬度，并于其前后尋找Q波和S波，結(jié)合基線搜索QRS復(fù)合波的起點(diǎn)和終點(diǎn)(圖1)，提取出R波幅值、QRS時(shí)限以及RR間期共3個(gè)參數(shù)；然后利用斜率閾值法搜索P波和T波，提取出P波幅值和時(shí)限、T波幅值和時(shí)限以及PR間期、QT間期；最后，根據(jù)ST段電位測(cè)量點(diǎn)校正公式測(cè)量ST段的偏移電位，提取出ST段抬高和壓低情況(只考慮ST段電位偏移量，不區(qū)分抬高和壓低兩種狀態(tài))。

應(yīng)用SPSS 21.0，采用兩獨(dú)立樣本t檢驗(yàn)和Fisher精確概率法比較病例組和對(duì)照組特征參數(shù)的差異，檢驗(yàn)水準(zhǔn)α=0.05，用以篩選建模所用的自變量。

圖1 ECG信號(hào)QRS點(diǎn)定位

1.3 Logistic回歸法建模 采用SPSS 21.0實(shí)現(xiàn)logistic回歸分析。其中，因變量選取為GROUP變量，自變量選用1.3篩選出的變量，回歸方法選擇“進(jìn)入”(不再進(jìn)行變量篩選)。其測(cè)試集為158例心肌梗死患者和90名健康志愿者的ECG V5導(dǎo)聯(lián)信號(hào)。

2 結(jié)果

2.1 特征參數(shù)的篩選 結(jié)果見表1。由表1可見，除P波時(shí)限、T波時(shí)限、QRS時(shí)限外的8個(gè)參數(shù)均可作為建模分析變量。

表1 特征參數(shù)的差異性比較

*:精確概率法。

2.2 Logistic回歸模型的建立 根據(jù)篩選的數(shù)據(jù)，建立的心肌梗死輔助診斷l(xiāng)ogistic回歸模型表示為:GROUP=0.534-0.731×VR-2.436×VP-0.911×VT-0.001×TRR+0.006×TQT-0.008×TPR+0.538×|VST|+0.031×Np(1)，其中VR是R波幅值，VP是P波幅值，VT是T波幅值，TRR是RR間期，TQT是QT間期，TPR是PR間期，|VST|是電位偏移，Np是早搏。將所有樣本數(shù)據(jù)代入(1)計(jì)算，與原始數(shù)據(jù)進(jìn)行比較并統(tǒng)計(jì)其準(zhǔn)確率，結(jié)果如表2所示，其準(zhǔn)確率為95.1%(236/248)。

表2 Logistic回歸模型預(yù)測(cè)結(jié)果 例

2.3 支持向量機(jī)模型的建立 不同c值和g值組合下分類器的準(zhǔn)確率變化見圖2。經(jīng)K-CV法選擇，c和g的最優(yōu)值分別為0.758和4。將50例測(cè)試集樣本輸入到訓(xùn)練好的支持向量機(jī)模型中進(jìn)行模型仿真，結(jié)果見表3，支持向量機(jī)仿真模型測(cè)試結(jié)果準(zhǔn)確率為96.0%(48/50)。

圖2 不同c值和g值組合下分類器的準(zhǔn)確率變化

表3 支持向量機(jī)模型的預(yù)測(cè)結(jié)果 例

3 討論

基于MATLAB平臺(tái)的支持向量機(jī)模型在疾病診斷、醫(yī)學(xué)圖像處理等方面的應(yīng)用逐漸增多，它提供了完整的可編譯執(zhí)行文件和源代碼。利用支持向量機(jī)進(jìn)行分類時(shí)，其懲罰參數(shù)c和核函數(shù)參數(shù)g等是可調(diào)的，優(yōu)化參數(shù)可大大提高分類器的性能。大量研究[7-8]表明，利用交叉驗(yàn)證可以得到最優(yōu)的參數(shù)組合，最小化結(jié)構(gòu)風(fēng)險(xiǎn)，提高泛化能力，并且可以有效避免一般神經(jīng)網(wǎng)絡(luò)的欠學(xué)習(xí)和過學(xué)習(xí)問題，提高支持向量機(jī)分類器的準(zhǔn)確率。

急性心肌梗死是嚴(yán)重影響人類健康的常見病，近年來發(fā)病率逐漸升高并且有年輕化趨勢(shì)[9]，在心電圖上主要表現(xiàn)為Q波異常和ST段電位偏離等。ECG V5導(dǎo)聯(lián)信號(hào)距離心臟最近，信號(hào)最強(qiáng)，對(duì)前壁及全壁心肌梗死特征的反映較為顯著。從表1可以看出，心肌梗死患者的R波、P波較對(duì)照組幅值降低，T波更為明顯(樣本數(shù)據(jù)中已發(fā)現(xiàn)很多T波倒置的病例)，說明心肌梗死患者可能由于部分心肌的壞死而導(dǎo)致信號(hào)傳導(dǎo)阻滯，因而整體信號(hào)能量偏弱；另外，病例組RR間期相對(duì)于對(duì)照組較短，即平均心率較對(duì)照組較快，PR間期由于與RR間期成正比也顯示此特征，而QT間期相對(duì)于對(duì)照組較長(zhǎng)；此外，心肌梗死患者經(jīng)常有ST段電位偏移和心律不齊等情況產(chǎn)生，而對(duì)照組沒有此特征。因此，可以得到的提示性信息是，心率過快、早搏、R波及P波振幅微弱、T波倒置、QT時(shí)限過長(zhǎng)、ST段電位偏移超過0.1 mV是心肌梗死的心電圖特征[10]。

該研究依據(jù)ECG V5導(dǎo)聯(lián)心電參數(shù)特征分別建立了logistic回歸模型和非線性的支持向量機(jī)模型來對(duì)心肌梗死患者和健康對(duì)照進(jìn)行分類：首先從158例心肌梗死患者和90名健康志愿者的ECG V5導(dǎo)聯(lián)信號(hào)中提取出11個(gè)特征參數(shù)；而后采用兩獨(dú)立樣本t檢驗(yàn)和確切概率法篩選出與分組變量相關(guān)性較強(qiáng)的8個(gè)參數(shù)用于模型的建立，其中支持向量機(jī)模型的建立過程中采用了K-CV法來選取最優(yōu)的參數(shù)組合；最后對(duì)logistic回歸模型和支持向量機(jī)模型的分類性能進(jìn)行了評(píng)價(jià)，結(jié)果顯示二者準(zhǔn)確率均較高。支持向量機(jī)在分類上的優(yōu)越性能已經(jīng)得到了許多研究[11-13]的證實(shí)，然而該算法與神經(jīng)網(wǎng)絡(luò)[14]有著一樣的缺點(diǎn)——黑箱模式，即由于非線性算法的組合而無法詳盡地解釋該模型工作的過程，在該研究中也無法直觀地揭示與心肌梗死相關(guān)的特征參數(shù)的生理意義，而logistic回歸模型則很好地彌補(bǔ)了這一點(diǎn)。

綜上所述，logistic回歸模型和支持向量機(jī)模型對(duì)心肌梗死的分類診斷均具有重要的理論和臨床價(jià)值。

[1]高曉津,楊進(jìn)剛,楊躍進(jìn),等.中國(guó)急性心肌梗死患者心血管危險(xiǎn)因素分析[J].中國(guó)循環(huán)雜志,2015,30(3):206

[2]蘇懿,王磊,張敏州.急性心肌梗死的流行病學(xué)研究進(jìn)展[J].中西醫(yī)結(jié)合心腦血管病雜志,2012,10(4):467

[3]徐鴻遠(yuǎn),吳鯤鵬,李霖.急性心肌梗死患者近期預(yù)后模型的建立[J].臨床心血管病雜志,2013,29(7):506

[4]秦正積,沈毅,崔曉莉,等.logistic回歸在疾病多指標(biāo)聯(lián)合診斷中的應(yīng)用[J].中國(guó)衛(wèi)生統(tǒng)計(jì),2014,31(1):116

[5]王江源,劉玉蘭.支持向量機(jī)在急腹癥智能診斷中的應(yīng)用研究[J].中國(guó)衛(wèi)生統(tǒng)計(jì),2014,31(1):19

[6]BORTOLAN G,CHRISTOV I,SIMOVA I.Noise processing in exercise ECG stress test for the analysis and the clinical characterization of QRS and T wave alternans[J]. Biomedical Signal Processing Control, 2015,18:378

[7]尹金良,朱永利.支持向量機(jī)參數(shù)優(yōu)化及其在變壓器故障診斷中的應(yīng)用[J].電測(cè)與儀表,2012,49(5):11

[8]徐曉明.SVM參數(shù)尋優(yōu)及其在分類中的應(yīng)用[D].大連:大連海事大學(xué),2014.

[9]鄭昕,李建軍,楊躍進(jìn),等.近15年間急性心肌梗死患者的性別年齡演變趨勢(shì)[J].中國(guó)循環(huán)雜志,2010,25(6):441

[10]呂佳仁.急性心肌梗死患者心電圖特征分析[J].中國(guó)現(xiàn)代藥物應(yīng)用,2016,10(4):6

[11]CONFORTI D,GUIDO R.Kernel based Support Vector Machine classifiers for early detection of myocardial infarction[J].Optim Methods Softw,2005,20(2/3):395

[12]BERIKOL GB,YILDIZ O,OZCAN IT.Diagnosis of acute coronary syndrome with a support vector machine[J].J Med Syst,2016,40(4):84

[13]BAI YQ,HAN X,CHEN T,et al.Quadratic kernel-free least squares support vector machine for target diseases classification[J].J Comb Optim,2015,30(4):850

[14]王宏濤,孫劍偉.基于BP神經(jīng)網(wǎng)絡(luò)和SVM的分類方法研究[J].軟件,2015,36(11):96

(2016-04-09收稿 責(zé)任編輯徐春燕)

Establishment of myocardial infarction disease-diagnosis model based on ECG characteristic parameters

ZHANGQingli,SUShimei,YINMimi,ZHANGJianhua,LIUYing

SchoolofElectricalEngineering,ZhengzhouUniversity,Zhengzhou450001

myocardial infarction;wavelet transform;logistic regression model;support vector machine model

Aim: To establish a myocardial infarction disease-diagnosis model based on ECG characteristic parameters. Methods: A total of 158 cases of myocardial infarction(case group) and 90 healthy volunteers(control group) in PTB database were chosen. ECG V5 lead signal waveforms of the 2 groups were extracted and preprocessed, 11 ECG characteristic parameters were extracted using wavelet transform combined with window function,among which, characteristic parameters were selected using independent samplettest and exact probability method, and normalized, and then the mathematical models were established based on logistic regression model and support vector machine(SVM) model, finally,the performance of the 2 models was compared.Results: The diagnostic accuracy of the logistic regression model was 95.1%,and that of the SVM model was 96.0%.Conclusion: Logistic regression model and SVM model are both of great value in classification diagnosis of myocardial infarction.

10.13705/j.issn.1671-6825.2017.02.011

R540.4