基于極限學(xué)習(xí)機(jī)的左束支傳導(dǎo)阻滯輔助診斷研究

王之瓊 吳承暘 信俊昌 趙 越* 李 響

1(東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院，沈陽(yáng) 110169)2(東北大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，沈陽(yáng) 110004)3(大連醫(yī)科大學(xué)附屬第二醫(yī)院，遼寧 大連 116027)

基于極限學(xué)習(xí)機(jī)的左束支傳導(dǎo)阻滯輔助診斷研究

王之瓊1吳承暘1信俊昌2趙 越1*李 響3*

1(東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院，沈陽(yáng) 110169)2(東北大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，沈陽(yáng) 110004)3(大連醫(yī)科大學(xué)附屬第二醫(yī)院，遼寧 大連 116027)

左束支傳導(dǎo)阻滯(LBBB)作為臨床常見的一種心律失常，是左心室收縮功能減低、患者死亡率增加的標(biāo)志；利用機(jī)器學(xué)習(xí)算法對(duì)其進(jìn)行輔助診斷，將對(duì)LBBB早發(fā)現(xiàn)、早治療起到積極的推動(dòng)作用。然而，由于目前常用的支持向量機(jī)(SVM)等傳統(tǒng)的機(jī)器學(xué)習(xí)算法容易產(chǎn)生局部最優(yōu)解，準(zhǔn)確度有待提高，因此提出一種基于極限學(xué)習(xí)機(jī)(ELM)的LBBB輔助診斷算法。首先，利用小波進(jìn)行心電信號(hào)預(yù)處理，包括基線漂移、肌電噪聲及工頻干擾的去除；接著，確定QRS波群與T波位置；然后，根據(jù)臨床上LBBB患者比正常人的QRS波群持續(xù)時(shí)間延長(zhǎng)等特點(diǎn)，建立融合時(shí)域、形態(tài)與能量3類特征的特征模型；最后，利用該模型提取的特征集合，提出基于ELM的LBBB輔助診斷算法。此外，在MIT_BIH數(shù)據(jù)庫(kù)中的5 000份ECG數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明所提出的預(yù)處理與波形提取算法能有效去除噪聲并提取QRS- T特征波；在LBBB的判別上，相比SVM算法、ELM算法的訓(xùn)練時(shí)間縮短了88.5%；同時(shí)，在準(zhǔn)確率、靈敏度、特異度、LBBB檢出率和正常人檢出率的指標(biāo)上，分別提升2.4%、5.4%、1.2%、3.6%和2%。因此，基于ELM的LBBB輔助診斷算法具有明顯優(yōu)勢(shì)。

極限學(xué)習(xí)機(jī)；左束支傳導(dǎo)阻滯；機(jī)器學(xué)習(xí)算法；心電信號(hào)處理；特征提取

引言

左束支傳導(dǎo)阻滯是臨床常見的一種心律失常，是左心室收縮功能減低、患者死亡率增加的標(biāo)志[1]，為心源性死亡的獨(dú)立危險(xiǎn)因素[2]，也是心力衰竭患者心臟再同步化治療后的獨(dú)立預(yù)測(cè)因素[3]。及時(shí)地發(fā)現(xiàn)并控制LBBB，對(duì)于心臟突發(fā)疾病的預(yù)防、提高生命質(zhì)量至關(guān)重要。在臨床中，基于心電圖(electrocardiogram，ECG)信號(hào)的QRS波型診查是LBBB診斷的一種最有效方式。LBBB患者與正常人的ECG信號(hào)有較明顯差異，對(duì)比如圖1所示，其中(a)為L(zhǎng)BBB患者的ECG信號(hào)，(b)為正常人的ECG信號(hào)。

圖1 正常人與LBBB患者的ECG信號(hào)對(duì)比。(a) 正常人的ECG；(b) LBBB患者的ECGFig.1 Comparison of LBBB patient and normal in ECG. (a)ECG signal of normal people. (b) ECG signal of LBBB

由于ECG復(fù)雜多變、數(shù)量龐大，因而計(jì)算機(jī)輔助LBBB診斷將對(duì)LBBB早發(fā)現(xiàn)、早治療起到積極推動(dòng)作用。計(jì)算機(jī)輔助LBBB診斷的方法通常是通過機(jī)器學(xué)習(xí)進(jìn)行的，常用的機(jī)器學(xué)習(xí)方法有BP算法、支持向量機(jī)(support vector machine, SVM)[4]等。Guler等利用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法對(duì)四類心拍進(jìn)行分類，準(zhǔn)確率達(dá)到96.64%[5]；劉雄飛等利用SVM對(duì)心拍進(jìn)行分類，準(zhǔn)確率達(dá)到99%以上[6]。但是，這些算法需要人為設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)，且容易產(chǎn)生局部最優(yōu)解，輔助診斷的準(zhǔn)確度、靈敏度等較低，機(jī)器學(xué)習(xí)算法亟待提高。2004年，Huang等提出了極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)[7- 8]，認(rèn)為：如果對(duì)于一個(gè)激勵(lì)函數(shù)在數(shù)據(jù)任何部分均可微，則一個(gè)含有L節(jié)點(diǎn)數(shù)的單隱層網(wǎng)絡(luò)被賦予任何權(quán)值和神經(jīng)元偏置時(shí)，隱層響應(yīng)矩陣均可逆且能獲得權(quán)值的最優(yōu)解。該法作為一種高效的機(jī)器學(xué)習(xí)算法，在信號(hào)處理、人工智能以及大規(guī)模計(jì)算等領(lǐng)域得到了廣泛應(yīng)用[9- 11]。

因此，本研究提出了一種基于ELM的左束支傳導(dǎo)阻滯診斷算法。首先，對(duì)待檢測(cè)的ECG信號(hào)進(jìn)行預(yù)處理，包括去除基線漂移、肌電干擾和工頻干擾；接著，利用斜率法定位ECG信號(hào)中的R波，從而確定QRS波群與T波；然后，建立特征模型，并基于QRS波群與T波的位置等信息提取特征集；最后，通過ELM算法，對(duì)待檢測(cè)ECG信號(hào)進(jìn)行LBBB輔助診斷。此外，利用MIT_BIH數(shù)據(jù)庫(kù)中的ECG數(shù)據(jù)進(jìn)行了驗(yàn)證，結(jié)果表明：相比SVM算法，ELM算法的訓(xùn)練時(shí)間顯著減少，且準(zhǔn)確率、靈敏度和特異度均有較大提升。

1 材料與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

ECG數(shù)據(jù)來源于MIT_BIH提供的ARRHYTHMIA心律失常數(shù)據(jù)庫(kù)。為避免同一患者的特異性對(duì)結(jié)果的影響，分別從LBBB患者與正常人的ECG中各截取時(shí)長(zhǎng)為10 min的心電數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)單元。共使用5 000份實(shí)驗(yàn)數(shù)據(jù)單元，且已由有經(jīng)驗(yàn)的醫(yī)生進(jìn)行了確診。其中，正常人3 636份，LBBB患者1 364份。

1.2 方法流程

提出基于ELM的LBBB輔助診斷方法，處理流程如下：首先對(duì)ECG信號(hào)進(jìn)行預(yù)處理，然后確定QRS波群與T波位置，接著建立LBBB的特征模型并提取特征集合，最后基于ELM對(duì)LBBB進(jìn)行輔助診斷。方法的處理框架如圖2所示。

圖2 LBBB輔助診斷處理框架Fig.2 Framework of LBBB aided diagnosis algorithm

1.3 ECG預(yù)處理與波形檢測(cè)

ECG信號(hào)往往存在3種噪聲，分別為由測(cè)試設(shè)備誤差及測(cè)試者運(yùn)動(dòng)產(chǎn)生的基線漂移、肌肉緊張帶來的肌電干擾及市電對(duì)設(shè)備產(chǎn)生的工頻干擾。由于小波變換能體現(xiàn)更多的細(xì)節(jié)信息，對(duì)特異點(diǎn)的檢測(cè)具有更好的效果[12- 16]，因而將采用小波變換方法去除ECG信號(hào)中的噪聲。

當(dāng)心臟跳動(dòng)時(shí)，心臟各部位會(huì)產(chǎn)生生理運(yùn)動(dòng)，運(yùn)動(dòng)會(huì)導(dǎo)致心肌細(xì)胞產(chǎn)生電信號(hào)，而電信號(hào)的幅值往往不同，從而形成各種波形。這些波形可以反映出心臟存在的各類疾病，準(zhǔn)確地檢測(cè)并確定各個(gè)波的位置是進(jìn)行LBBB輔助診斷的前提。從圖1可知，LBBB患者與正常人的ECG信號(hào)異常之處主要集中在QRS- T波中，因而將針對(duì)ECG信號(hào)中的QRS- T波進(jìn)行檢測(cè)[17- 18]。

1.4 特征建模與提取

LBBB輔助診斷需要通過機(jī)器學(xué)習(xí)完成，而提取合適的特征集合是進(jìn)行高效輔助診斷的保證。因而，考慮相比正常人LBBB患者的ECG信號(hào)特點(diǎn)，并據(jù)此構(gòu)建特征模型，繼而提取特征集合。

臨床上，由于LBBB患者常伴有器質(zhì)性心臟病，因而其心室除極過程緩慢，從而使室內(nèi)傳導(dǎo)受阻，導(dǎo)致患者ECG信號(hào)通常有如下特點(diǎn)：1)QRS波群持續(xù)時(shí)間延長(zhǎng)；2)V1導(dǎo)聯(lián)呈現(xiàn)寬大而縱深的rS波；3)V1導(dǎo)聯(lián)T波倒置；4)T波直立；5)ST段上升。其中，特點(diǎn)1)可通過時(shí)域特征表示，特點(diǎn)2)可通過時(shí)域和能量特征表示，特點(diǎn)3)～5)可通過形態(tài)特征表示。

因而，構(gòu)建的LBBB輔助診斷特征模型由時(shí)域特征、形態(tài)特征與能量特征構(gòu)成，特征模型如下：

f={ft,fm,fp}

(1)

式中，ft為時(shí)域特征，fm為形態(tài)特征，fp為能量特征。

時(shí)域特征ft、形態(tài)特征fm以及能量特征fp內(nèi)對(duì)應(yīng)特征如下：

ft={ft1，ft2}

(2)

fm={fm1,fm2,fm3,fm4}

(3)

fp={fp1}

(4)

具體特征名稱及正常人和LBBB患者中的各特征范圍值如表1所示。

表1 特征名及其范圍值Tab.1 Characteristic name and value range

1.4.1 時(shí)域特征

時(shí)域分析作為ECG分析中的一種常用方法，通常是將QRS波群或其他特征波間期作為特征進(jìn)行分析的，如R- R間期、QRS間期等。本研究采用兩種特征，ft1為MKII_QRSTime，ft2為V1_STime，描述如下：

1)MKII_QRSTime(ft1)：肢體II導(dǎo)聯(lián)Q波與S波的時(shí)間差。正常人的心室除極過程的持續(xù)時(shí)間為0.06～0.10 s，而LBBB患者的此過程通常大于0.12 s；QRS波群反映了心室除極的全過程?？梢?，LBBB患者的QRS波群持續(xù)時(shí)間延長(zhǎng)，因此本研究將其作為一類時(shí)域特征。計(jì)算MKII_QRSTime如下：

ft1=STime-QTime

(5)

式中，STime為一個(gè)心動(dòng)周期內(nèi)S波出現(xiàn)時(shí)間，QTime為該心動(dòng)周期內(nèi)Q波出現(xiàn)時(shí)間。

2)V1_STime(ft2)：V1導(dǎo)聯(lián)S波起點(diǎn)與終點(diǎn)時(shí)間差。LBBB患者的心電圖中通常呈現(xiàn)寬大而深的rS波，在時(shí)域中表現(xiàn)為S波的持續(xù)時(shí)間延長(zhǎng)。因此，在獲取到S波的起始位置與終止位置后，計(jì)算各個(gè)周期的時(shí)間差即可作為一類時(shí)域特征。計(jì)算V1_STime如下：

ft2=SEnd-SStart

(6)

式中，SEnd為V1導(dǎo)聯(lián)S波末端時(shí)間，SStart為S波起始時(shí)間。

1.4.2 形態(tài)特征

醫(yī)生在診斷心臟疾病時(shí)，通常會(huì)觀察ECG的形狀(如S波、T波的直立性以及縱深程度等)進(jìn)行評(píng)估，從而確認(rèn)疾病類型。本研究采用4種特征：fm1為T_DIR，fm2為T_Orthostatic，fm3為ST_Rise，fm4為ST_Degree。

1)T_DIR(fm1)：V1導(dǎo)聯(lián)T波的方向。由于LBBB常伴有器質(zhì)性病變，患者會(huì)在V1導(dǎo)聯(lián)的心電圖中存在T波倒置現(xiàn)象，即T波方向與主峰方向相反。因此，本研究將其作為一類形態(tài)特征。計(jì)算T_DIR如下：

fm1=TRdiff-TLdiff

(7)

式中，TRdiff為T波右導(dǎo)數(shù)值，TLdiff為T波左導(dǎo)數(shù)值。

2)T_Orthostatic(fm2)：V1導(dǎo)聯(lián)T波周圍的變化率。LBBB患者在V1導(dǎo)聯(lián)中T波高聳且恒定，其直立性高于正常人，因而可通過T波變化率作為形態(tài)特征來表現(xiàn)這一特點(diǎn)。而其變化率可通過其周圍的導(dǎo)數(shù)值計(jì)算。計(jì)算T_Orthostatic如下：

fm2=Abs(Tdiff)

(8)

式中，Tdiff為V1導(dǎo)聯(lián)T波周圍導(dǎo)數(shù)值。

3)ST_Rise(fm3)：V1導(dǎo)聯(lián)S波末端至T起始處的平均斜率。由于LBBB患者的除極過程異常，將導(dǎo)致繼發(fā)性復(fù)極過程的改變，使得LBBB患者的ST- T段往往容易升高，因此，可將ST- T段的平均變化率作為一種形態(tài)特征。計(jì)算ST_Rise如下：

(9)

式中，STDiff為ST段導(dǎo)數(shù)值，STTime為ST- T段的時(shí)間。

4) ST_Degree(fm4)：ST段電壓上升幅度。由于LBBB患者的除極過程異常，還將導(dǎo)致ST段上升幅度過大，因此可將其作為一類形態(tài)特征。計(jì)算ST_Degree如下：

fm4=STEnd-SEnd

(10)

式中，STEnd為T波起始處電壓幅值，SEnd為S波末尾處電壓幅值。

1.4.3 能量特征

波形能量也常用于疾病診斷中。通過觀察波形能量，可判斷出各類心臟病。本研究采用的能量特征fp為S_Area，因LBBB患者在V1導(dǎo)聯(lián)呈現(xiàn)縱深的S波，故將V1導(dǎo)聯(lián)的S波能量作為能量特征，有

fp=∑(Si-Q)

(11)

式中，Si為S波采樣點(diǎn)縱坐標(biāo)，Q為Q波波峰縱坐標(biāo)。

圖3 節(jié)點(diǎn)數(shù)對(duì)ELM性能的影響Fig.3 Number of nodes effect on ELM

1.5 基于ELM的LBBB輔助診斷

1.5.1 ELM中的參數(shù)設(shè)置

通過實(shí)驗(yàn)手段，獲得了ELM中合適的隱層節(jié)點(diǎn)個(gè)數(shù)，結(jié)果如圖3所示。當(dāng)隱層節(jié)點(diǎn)數(shù)從100上升至500時(shí)，基于ELM的診斷準(zhǔn)確率穩(wěn)步上升；當(dāng)隱層節(jié)點(diǎn)數(shù)大于500個(gè)節(jié)點(diǎn)后，準(zhǔn)確率上升較?。划?dāng)隱層節(jié)點(diǎn)數(shù)大于700后，基于ELM的診斷準(zhǔn)確率逐漸下降。因此，本研究設(shè)置隱層節(jié)點(diǎn)數(shù)為500。

1.5.2 基于ELM的LBBB輔助診斷

1)在基于ELM對(duì)LBBB進(jìn)行輔助診斷中，首先根據(jù)建立的特征模型提取ECG信號(hào)的特征集合，如算法1所示。該算法首先對(duì)ECG信號(hào)進(jìn)行讀取；接著對(duì)ECG信號(hào)進(jìn)行基線漂移、肌電干擾與工頻干擾的去除，檢測(cè)并確定QRS- T波位置；最后提取該ECG信號(hào)的時(shí)域、形態(tài)和能量3類特征，共計(jì)7種，并建立特征集合。

算法1: LBBB特征集合提取算法。

//輸入N，Data: 心動(dòng)次數(shù)與未經(jīng)處理的ECG數(shù)據(jù)

//輸出F: LBBB特征集合

Read (Data); //讀取ECG信號(hào)

去除基線漂移;

去除肌電干擾;

去除工頻干擾;

Fori=1 toNDo

尋找QRS波群與T波;

LBBB特征提取;

建立特征集合;

returnF.

2)將特征矩陣帶至ELM中進(jìn)行訓(xùn)練，如算法2所示。首先，ELM會(huì)隨機(jī)產(chǎn)生第i個(gè)隱層節(jié)點(diǎn)的輸入權(quán)值wi與神經(jīng)元偏置b；接著，輸入節(jié)點(diǎn)數(shù)L，進(jìn)行數(shù)據(jù)訓(xùn)練。最后，得到輸出矩陣H，通過H確定輸出權(quán)重β。

算法2: ELM特征訓(xùn)練。

//輸入F、N、L: 特征集，心動(dòng)次數(shù)與節(jié)點(diǎn)數(shù)

//輸出β: 隱層輸出權(quán)重

Fori=1 toLDo

隨機(jī)生成wi與b;

Fori=1 toNDo

x=F[i];

Fori=1 toLDo

H=g(wi*xj+bi);

β=TH-1;

returnβ.

3)通過訓(xùn)練，從結(jié)果中獲取了wi、b與輸出權(quán)重β。輔助診斷算法如算法3所示。首先該算法提取輸入ECG信號(hào)的特征向量，然后根據(jù)wi、b與L得到輸出矩陣H，最后通過輸出權(quán)重β計(jì)算出輔助診斷結(jié)果T。

算法3: ELM特征測(cè)試。

//輸入F,N,: 測(cè)試特征集，心動(dòng)次數(shù)與ELM參數(shù)

//輸出T: 輔助診斷結(jié)果

Fori=1 toNDo

x=F[i];

For j=1 to LDo

H=g(wi*xj+bi);

T=Hβ;

returnT.

1.6 實(shí)驗(yàn)方法評(píng)價(jià)指標(biāo)

本研究從訓(xùn)練時(shí)間、準(zhǔn)確率、靈敏度、特異度、LBBB檢出率和正常人檢出率6個(gè)指標(biāo)進(jìn)行實(shí)驗(yàn)評(píng)價(jià)，部分評(píng)價(jià)指標(biāo)描述如表2所示。

表2 評(píng)價(jià)指標(biāo)Tab.2 Valuation index

其中：TP表示真陽(yáng)性，即輔助診斷結(jié)果判定患有LBBB，且醫(yī)生認(rèn)為患有該??；TN表示真陰性，即輔助診斷結(jié)果判定未患有LBBB，且醫(yī)生認(rèn)為正常；FP表示假陽(yáng)性，即輔助診斷結(jié)果判定患有LBBB，但醫(yī)生認(rèn)為正常；FN表示假陰性，即輔助診斷結(jié)果判定未患有LBBB，但醫(yī)生認(rèn)為患病。本研究采用十折交叉驗(yàn)證獲得了上述指標(biāo)的結(jié)果。

2 結(jié)果

首先，利用小波變換方法去除ECG信號(hào)中的噪聲，從而完成ECG的預(yù)處理，其處理效果如圖4所示。接著，針對(duì)ECG信號(hào)中的QRS- T波進(jìn)行檢測(cè)，檢測(cè)效果如圖5所示。然后，再根據(jù)該特征波提取出心電信號(hào)的時(shí)域特征、形態(tài)特征及能量特征。

圖4 ECG信號(hào)的去噪效果。(a)去除前；(b)去除后Fig.4 Removal of ECG noise. (a)Original (b)Removed

圖6 ELM與SVM時(shí)間對(duì)比Fig.6 Comparison of ELM time and SVM time

在獲得上述特征后，將基于ELM的LBBB輔助診斷方法與基于SVM的LBBB輔助診斷方法在各項(xiàng)試驗(yàn)方法的評(píng)價(jià)指標(biāo)上進(jìn)行了比較。首先，比較了基于ELM和基于SVM的LBBB輔助診斷方法的訓(xùn)練時(shí)間，實(shí)驗(yàn)結(jié)果如圖6所示。從中可知，在數(shù)據(jù)訓(xùn)練量較小時(shí)，ELM與SVM的時(shí)間成本相差較小，ELM略少于SVM；但是隨著數(shù)據(jù)量的逐漸增大，ELM的訓(xùn)練時(shí)間大幅小于SVM的訓(xùn)練時(shí)間，且SVM的訓(xùn)練時(shí)間增長(zhǎng)速度越來越快，幾近成倍數(shù)增長(zhǎng)，當(dāng)增至最大時(shí)，ELM的訓(xùn)練時(shí)間為0.23 s，而SVM的訓(xùn)練時(shí)間為2.0 s。

然后，比較了基于ELM和基于SVM的LBBB輔助診斷方法的總錯(cuò)誤數(shù)。從表3中可知，ELM算法檢測(cè)患者錯(cuò)誤數(shù)為15個(gè)，SVM算法的錯(cuò)誤數(shù)為87個(gè)；ELM算法檢測(cè)正常人錯(cuò)誤數(shù)為15個(gè)，SVM算法的錯(cuò)誤數(shù)為64個(gè)；ELM算法的總錯(cuò)誤數(shù)為30個(gè)，SVM算法的總錯(cuò)誤數(shù)為152個(gè)。

表3 ELM與SVM檢錯(cuò)統(tǒng)計(jì)Tab.3 Error of ELM and SVM diagnosis

最后，比較了基于ELM和基于SVM的LBBB輔助診斷方法的準(zhǔn)確率、靈敏度、特異度、LBBB檢出率和正常人檢出率，實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 分類性能對(duì)比Fig.7 Classification performance comparison chart

由圖7可知，ELM的準(zhǔn)確率為99.4%，而SVM準(zhǔn)確率為97.0%；ELM的靈敏度為98.9%，而SVM靈敏度為93.5%；ELM的特異度為99.5%，而SVM特異度為98.3%；ELM對(duì)LBBB的檢出率為98.8%，而SVM對(duì)LBBB的檢出率為95.2%；ELM對(duì)正常人的檢出率為99.6%，而SVM對(duì)正常人的檢出率為97.6%。

3 討論

在本文中，首先討論了基于SVM方法與ELM方法的LBBB輔助診斷結(jié)果的對(duì)比，然后討論了基于ELM方法中隱層節(jié)點(diǎn)參數(shù)設(shè)置的必要性，并分析了本研究提出的基于ELM的LBBB輔助診斷方法的局限性。

3.1 關(guān)于兩種方法結(jié)果對(duì)比的討論

20世紀(jì)90年代，Vapnik等提出了支持向量機(jī)(SVM)算法[4]。SVM可進(jìn)行二維或多維的模式識(shí)別，是一種良好的分類與回歸識(shí)別工具。但是，SVM也存在泛化能力不強(qiáng)、學(xué)習(xí)速度較慢以及無法對(duì)較大規(guī)模數(shù)據(jù)進(jìn)行分類的問題。同時(shí)，SVM中核函數(shù)的選取直接影響其分類準(zhǔn)確性，且容易陷入局部最優(yōu)解，從而使該算法的準(zhǔn)確率較低。2004年，Huang等提出了極限學(xué)習(xí)機(jī)(ELM)算法[7]。ELM是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)算法[19]，可以隨機(jī)產(chǎn)生權(quán)重和偏置量，從而得出單隱層輸出矩陣，并產(chǎn)生唯一解，該解即為全局最優(yōu)解。ELM泛化能力較強(qiáng)、學(xué)習(xí)速度更快，且不需要設(shè)置大量網(wǎng)絡(luò)參數(shù)。

趙勇等提出了基于SVM算法的LBBB輔助診斷方法[20]，筆者提出了基于ELM的LBBB輔助診斷方法。從實(shí)驗(yàn)結(jié)果中可以看出，相比SVM算法，ELM算法的準(zhǔn)確率、靈敏度、特異度、LBBB檢出率和正常人檢出率均有提升，分別提升了2.4%、5.4%、1.2%、3.6%和2%。相比SVM算法，基于ELM的訓(xùn)練時(shí)間縮短了88.5%。這是由于ELM可以無限地投影到高維空間，而SVM的投影方式需依核函數(shù)而定，因而SVM得到的通常為次優(yōu)解；且ELM不需要大量迭代計(jì)算，所以其運(yùn)算速度幾何倍地快于SVM[7]?？梢姡狙芯刻岢龅幕贓LM的LBBB輔助診斷算法具有明顯優(yōu)勢(shì)。

3.2 關(guān)于ELM方法中隱層節(jié)點(diǎn)參數(shù)設(shè)置的討論

在基于ELM的輔助診斷中，隱層節(jié)點(diǎn)數(shù)的設(shè)置是對(duì)ELM精確度造成影響的唯一人為因素。理論上講，神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)越多，神經(jīng)網(wǎng)絡(luò)算法就可更好地?cái)M合訓(xùn)練數(shù)據(jù)。但是，過多的節(jié)點(diǎn)數(shù)會(huì)增加時(shí)間成本，且從訓(xùn)練數(shù)據(jù)中獲得的最佳分類面并不一定為測(cè)試數(shù)據(jù)的最佳分類面。

Liao等基于ELM進(jìn)行數(shù)據(jù)訓(xùn)練時(shí)，節(jié)點(diǎn)數(shù)從330增加到605，但時(shí)間成本從2.9 s增加至209.9 s[21]。因此，本研究測(cè)試了不同隱層節(jié)點(diǎn)數(shù)對(duì)基于ELM的LBBB輔助診斷準(zhǔn)確率的影響，結(jié)果表明，隱層節(jié)點(diǎn)為500左右時(shí)，輔助診斷準(zhǔn)確率基本穩(wěn)定，且相比更高的節(jié)點(diǎn)數(shù)可節(jié)省大量訓(xùn)練時(shí)間。

3.3 本方法的局限性

在臨床上，LBBB的ECG中的某些特征與左心室肥大、心肌缺血與心肌梗死等的某些特征有相似之處，常規(guī)的診斷辦法往往是利用多導(dǎo)聯(lián)的心電圖進(jìn)行綜合分析。本研究未考慮此種情況下的鑒別，這部分工作可在后續(xù)的研究中解決。

4 結(jié)論

如今，機(jī)器學(xué)習(xí)算法已經(jīng)廣泛地應(yīng)用于各個(gè)領(lǐng)域。在醫(yī)學(xué)領(lǐng)域中，利用機(jī)器學(xué)習(xí)算法針對(duì)疾病進(jìn)行輔助診斷已經(jīng)成為研究的熱點(diǎn)。隨著經(jīng)濟(jì)的發(fā)展、人類對(duì)健康的重視，LBBB作為心律失常類疾病，已得到了越來越多的關(guān)注?；跈C(jī)器學(xué)習(xí)的輔助診斷算法將對(duì)LBBB早發(fā)現(xiàn)、早治療起到積極的推動(dòng)作用。

本研究提出了一種基于ELM的左束支傳導(dǎo)阻滯的輔助診斷算法。首先，將ECG信號(hào)進(jìn)行基線漂移、肌電干擾與工頻干擾的去除；然后，對(duì)QRS波群與T波檢測(cè)，并進(jìn)行時(shí)域特征、形態(tài)特征與能量特征的提??；最后，將特征值作為ELM與SVM的輸入對(duì)LBBB進(jìn)行輔助診斷。此外，使用MIT_BIH的心律失常數(shù)據(jù)庫(kù)對(duì)該算法進(jìn)行了驗(yàn)證，結(jié)果表明ELM在分類時(shí)間、準(zhǔn)確率、靈敏度、特異度、LBBB檢出率和正常人檢出率上均優(yōu)于SVM。

[1] Christian L, Christian TP, Cleland JGF, et al. Right and left bundle branch block as predictors of long- term mortality following myocardial infarction [J]. European Journal of Heart Failure, 2011, 13(12): 1349- 1354.

[2] Ng AC, Tallman TD. Prognostic implications of left ventricular dyssynchrony early after non- ST elevation myocardial infarction without congestive heart failure [J]. European Heart Journal, 2010, 31(3): 298- 308.

[3] Seo Y, Ito H, Nakatani S, et al. The role of echocardiography in predicting responders to cardiac resynchronization therapy [J]. Circulation Journal, 2011, 75(5): 1156- 1163.

[4] Cortes C, Vapnik V. Support- vector networks [J]. Machine Learning, 1995, 20(3): 273- 297.

[5] Guler I, Ubeyh E. ECG beat classifier designed by combined neural network model [J]. Pattern Recognition. 2005, 38(2): 199- 208.

[6] 劉雄飛, 晏晨偉, 胡志坤. 基于數(shù)學(xué)形態(tài)學(xué)及支持向量機(jī)的心率失常識(shí)別 [J]. 計(jì)算機(jī)應(yīng)用, 2013, 33(4): 1173- 1175.

[7] Huang Guangbin, Zhu Qinyu, Siew CK. Extreme learning machine: Theory and applications [J]. Neurocomputing, 2006, 70(1): 489- 501.

[8] Deng Chenwei, Huang Guangbin, Xu Jia, et al. Extreme learning machines: new trends and applications [J]. Sciece China Information Sciences, 2015, 58(2): 1- 16.

[9] 劉龍飛, 孫學(xué)斌, 周正. 一種基于極限學(xué)習(xí)機(jī)的頻譜感知方法 [J]. 無線電工程, 2015, 45(3): 25- 29.

[10] 王之瓊, 曲璐渲, 隋雨彤, 等. 基于極限學(xué)習(xí)機(jī)的跌倒檢測(cè)分類識(shí)別研究 [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2014, 33(4): 418- 424.

[11] Osowski S, Linh TH. ECG beat recognition using fuzzy hybrid neural network [J]. IEEE Transactions on Biomedical Engineering, 2001, 48(11): 1265- 1271.

[12] Mallat SG. A Theory for multiresolution signal decomposition: The wavelet representation [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1989, 11(7): 674- 693.

[13] Smital L, Vitek M, Kozumplik J, et al. Adaptive wavelet Wiener filtering of ECG signals [J]. IEEE Transactions on Biomedical Engineering, 2013, 60(2): 437- 445.

[14] 楊慧中, 鐘豪, 丁鋒. 基于多重小波變換的信號(hào)去噪及其在軟測(cè)量中的應(yīng)用 [J]. 儀器儀表學(xué)報(bào), 2007, 28(7): 1245- 1249.

[15] 王曉花, 徐學(xué)軍, 何秋婭. 一種ECG信號(hào)肌電干擾去除方法的研究 [J]. 智能計(jì)算機(jī)與應(yīng)用, 2015, 5(1): 59- 62.

[16] 歐陽(yáng)波, 程棟, 王玲. 改進(jìn)小波閾值算法在心電信號(hào)去噪中的應(yīng)用 [J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 51(4): 213- 217.

[17] 劉少穎, 盧繼來, 郝麗, 等. 基于數(shù)學(xué)形態(tài)學(xué)和小波分解的QRS波群檢測(cè)算法 [J]. 清華大學(xué)學(xué)報(bào), 2004, 44(6): 852- 855.

[18] 李翠微, 鄭崇勛, 袁超偉. ECG信號(hào)的小波變換檢測(cè)方法 [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 1995, 14(1): 59- 66.

[19] Huang Guangbin, Zhou Hongming, Ding Xiaojian, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems Man & Cybernetics: Part B: Cybernetics, 2012, 42(2): 513- 529.

[20] 趙勇, 洪文學(xué), 孫士博. 基于多特征和支持向量機(jī)的心律失常分類[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2011(2):292- 295.

[21] Liao Shizhong, Feng Chang. Meta- ELM: ELM with ELM hidden nodes[J]. Neurocomputing, 2013, 128(5):81- 87.

Algorithm of Left Bundle Branch Block Diagnosis Based on ELM

Wang Zhiqiong1Wu Chengyang1Xin Junchang2Zhao Yue1*Li Xiang3*

1(Sino- Dutch Biomedical and Information Engineering School of Northeastern University, Shenyang 110169, China)2(College of Information Science and Engineering of Northeastern University, Shenyang 110004, China)3(The Second Hospital of Dalian Medical University, Dalian 116027, China)

As a common clinical arrhythmia, left bundle branch block is a signal of left ventricular systolic function decreased and mortality increased in patients, machine learning algorithm aided diagnosis of the disease will play a positive role in detection and diagnosis. Currently, left bundle branch block automatic identification mode is still using support vector machines and other traditional machine learning algorithms for training and testing, these traditional neural network algorithms prone to local optimal solution, which is not suitable to classified LBBB. Herein, this paper proposed an algorithm about automatic diagnosis of left bundle branch block based on ELM. Firstly, the ECG signal was preprocessed, including the removal of baseline drift, high- frequency noise and power- line interference; then, we created the model by features of LBBB such as the length of QRS after the location of QRS- T wave was determined. Finally, we provided the LBBB diagnosis algorithm based on ELM. Additionally, we tested 5000 groups of data in MIT_BIH. Results showed the algorithm was effective in noise removal and wave extraction. ELM was 88.5% that is shorter than SVM in training time, and ELM had improvement of 2.4%, 5.4%, 1.2%, 3.6%, 2% in time, accuracy, sensitivity, specificity, FP ratio and FN ratio respectively. Accordingly, ELM had more advantages in LBBB diagnosis.

extreme learning machine; left bundle branch block; machine learning; procession of ECG; feature extraction

10.3969/j.issn.0258- 8021. 2017. 03.005

2016- 06- 21， 錄用日期:2016- 11- 30

國(guó)家自然科學(xué)基金青年項(xiàng)目(61402089)；遼寧省自然科學(xué)基金面上項(xiàng)目(2015020553)；中國(guó)博士后科學(xué)基金項(xiàng)目(2016M591447)

R318

A

0258- 8021(2017) 03- 0293- 07

*通信作者(Corresponding author)，E- mail: zhaoyue@bmie.neu.edu.cn;lixiang_5007@163.com