基于ARMA-APARCH模型和神經(jīng)網(wǎng)絡(luò)分類(lèi)的心電數(shù)據(jù)挖掘

摘 要：對(duì)ECG信號(hào)建議了基于ARMA-APARCH模型的特征提取新方法。經(jīng)過(guò)對(duì)ECG信號(hào)進(jìn)行預(yù)處理后，采用神經(jīng)網(wǎng)絡(luò)分類(lèi)對(duì)MIT-BIH數(shù)據(jù)集的三種ECG信號(hào)進(jìn)行數(shù)據(jù)挖掘，統(tǒng)計(jì)表明基于ARMA-APARCH模型和神經(jīng)網(wǎng)絡(luò)分類(lèi)的心電識(shí)別精度較高。

關(guān)鍵詞：ARMA-APARCH模型;神經(jīng)網(wǎng)絡(luò)分類(lèi);特征提取;心電數(shù)據(jù)挖掘

中圖分類(lèi)號(hào)：O212;TP18文獻(xiàn)標(biāo)識(shí)碼：A

ECG Mining based on ARMA-APARCH Model

and Neural Networks Classification

Li Qiong

Department of Electronic Information，Huishang Vocational College，P.R.China AnhuiHefei 231201

Abstract：The new method of feature extraction of ECG signal is proposed based on ARMA-APARCH model.The new feature extraction method is used to cluster analysis of three kinds of ECG signals of MIT-BIH after preprocessing the ECG signal.Statistics show that the accuracy of clustering after feature extraction based on ARMA-APARCH model.

Key words：ARMA-APARCH model;Neural Network classification;Feature extraction;ECG Mining

一、緒論

ECG信號(hào)蘊(yùn)含著富有價(jià)值的心臟和心室系統(tǒng)功能方面的信息，它是一種重要的醫(yī)學(xué)輔助診斷技術(shù)。ECG信號(hào)的重構(gòu)是診斷的主要過(guò)程，也是增強(qiáng)冠狀動(dòng)脈的主要任務(wù)。近些年來(lái)，關(guān)于ECG信號(hào)的分類(lèi)涌現(xiàn)出許多方法。對(duì)于同一個(gè)病人來(lái)說(shuō)，在一定程度上ECG波形可能會(huì)呈現(xiàn)出不同的圖形，但是不同類(lèi)型的心跳卻是相似的，由于數(shù)據(jù)量過(guò)大，評(píng)價(jià)冗長(zhǎng)且耗時(shí)，一般完成一次ECG模式和心跳變化信號(hào)的診斷，要花費(fèi)幾個(gè)小時(shí)。因此，在臨床應(yīng)用中需借助計(jì)算機(jī)輔助系統(tǒng)設(shè)計(jì)完成診斷，其中，最常用的是采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)。

MIT-BIH數(shù)據(jù)庫(kù)資料表明心血管疾病都伴隨著心室性早期收縮（PVC）。醫(yī)生需要從心電信號(hào)中找出心律失常的信號(hào)，而如何從心電信號(hào)診斷出心率失常具有十分重要的意義。MIT-BIH標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中主要有以下幾類(lèi)ECG信號(hào)分類(lèi)[2]，具體為：正常竇性心律（NSR）、心室早期收縮（PVC）、室上性心動(dòng)過(guò)速（SVT）、心室性心動(dòng)過(guò)速（VT）、心房早期收縮（APC）和心室纖維性顫動(dòng)（VF）。

本文建議采用ARMA-APARCH模型先對(duì)ECG信號(hào)序列進(jìn)行了特征提取，為進(jìn)一步ECG信號(hào)聚類(lèi)和分類(lèi)做好準(zhǔn)備工作，利用提取的心電特征，再運(yùn)用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分類(lèi)。

二、ARMA-APARCH模型

Fernández，Osiewalski和Steel（1995）提出了一種分布的推廣方法，即在原有單峰分布中引入一個(gè)偏度參數(shù)，使得對(duì)稱(chēng)分布轉(zhuǎn)變?yōu)橛衅植?，若單峰分布f·關(guān)于0對(duì)稱(chēng)，且只含有一個(gè)變量，我們可以通過(guò)引入一個(gè)偏度參數(shù)λ∈0，SymboleB@，得到如下有偏分布族：

px|ξ=2ξ+1ξfxξI0，SymboleB@x+fξxI-SymboleB@，0x（1）

如果單峰分布取為標(biāo)準(zhǔn)化廣義誤差分布（或稱(chēng)為GED分布），其密度函數(shù)為：

f（x）=1λ·2-2/νΓ（1/ν）νexp-12xλν，-SymboleB@

式中，λ=2-2/νΓ（1/ν）Γ（3/ν）1/2為分布的尾部參數(shù)和Γ（·）是伽瑪函數(shù)。ν可以反映分布尾部的厚薄程度。所謂分布的輕尾和重尾是相對(duì)于正態(tài)分布而言的，當(dāng)ν=2時(shí)，GED分布退化為標(biāo)準(zhǔn)正態(tài)分布;當(dāng)ν>2時(shí)，GED分布的尾部比正態(tài)分布要輕薄;當(dāng)ν<2時(shí)，GED分布的尾部較厚重，由此可見(jiàn)，GED分布是更具靈活性、概括性的一類(lèi)廣義分布，能較好地捕獲偏離正態(tài)分布的時(shí)間序列特征[5]。由公式（1）和（2）可得到廣義有偏GED分布（或稱(chēng)為SGED分布）的密度函數(shù)。

定義 稱(chēng)ECG信號(hào)序列Xt，t=0，±1，…服從基于SGED分布的ARMA-APARCH模型，如果Xt如果可表示為：

Xt=μ+（1-θ1B-…-θqBq）εt1-φ1B-…-φpBp（3）

εt=σtzt，zt～i.i.d.SGED（ν，ξ）（4）

σ2t=ω+∑Qi=1αi|εt-i|-γiE|εt-i|2+∑Pj=1βjσ2t-j（5）

式中，φj（1SymbolcB@jSymbolcB@p）和θj（1SymbolcB@jSymbolcB@q）為實(shí)數(shù)，B表示滯后算子，有BiXt=Xt-i，0<α0<1，αi0，-1<γi<1，i=1，2，…，P，βj>0，j=1，2，…，Q，且1<αSymbolcB@2。（3）式為ARMA模型，（4）式稱(chēng)為APARCH（P，Q）模型[3]。關(guān)于APARCH模型的應(yīng)用，武東和李瓊（2017）利用APARCH模型研究了高頻金融時(shí)間序列的風(fēng)險(xiǎn)度量[5]。

毛雪岷等（2012）和葛丁飛和李時(shí)輝（2004）利用ARMA（4，2）模型的系數(shù)作為ECG信號(hào)的特征指標(biāo)，獲得了較好的聚類(lèi)效果，但聚類(lèi)和分類(lèi)精度不是太高[1-3]。鑒于此，為了更好地提取ECG信號(hào)的特征指標(biāo)，將基于SGED分布的ARMA-APARCH模型得到的參數(shù)向量作為ECG信號(hào)的特征向量，令N=p+q+P+Q+3，則所有參數(shù)構(gòu)成的向量記為：

πX=（φ1，…，φp，θ1，…θq，μ，α1，…，αP，β1，…，βQ，ν，ξ）T

=（πX1，πX2，…，πXN）T。

三、心電信號(hào)的特征分析

現(xiàn)從MIT-BIH數(shù)據(jù)庫(kù)選取ECG信號(hào)數(shù)據(jù)作為研究對(duì)象，NSR信號(hào)取自“MIT-BIH Normal Sinus Rhythm Database”，PVC信號(hào)取自“MIT-BIH arrhythmia Database”，ST信號(hào)來(lái)自“MIT-BIH ST Change Database”，采樣頻率均為360Hz。NSR信號(hào)數(shù)據(jù)庫(kù)包括18個(gè)樣本，PVC信號(hào)數(shù)據(jù)庫(kù)包括47個(gè)樣本，ST信號(hào)數(shù)據(jù)包括28個(gè)樣本，我們僅選取病患者的XLII信號(hào)的作為研究對(duì)象，總共93個(gè)觀測(cè)樣本。

不同種類(lèi)的ECG信號(hào)有著不同的心跳率和RR周期。通常情況下NSR信號(hào)，其心跳率為60～100次/分。而PVC的RR間期比NSR的RR間期短，本文采用3000個(gè)采樣點(diǎn)的數(shù)據(jù)，已經(jīng)包括了幾個(gè)周期的ECG信號(hào)信息。

在MIT-BIH數(shù)據(jù)庫(kù)信號(hào)數(shù)據(jù)中，最高信號(hào)量是MLII，其由電極放入胸部獲得的。正常的QRS信號(hào)在最高信號(hào)通常有峰態(tài)。因此正常的振動(dòng)很難在最低信號(hào)中發(fā)現(xiàn)，而異常振動(dòng)將經(jīng)常變的有峰態(tài)。在診所診斷時(shí)，心律失常探測(cè)器應(yīng)該處理這些情況。

本文采用了ARMA（4，2）模型對(duì)ECG信號(hào)序列進(jìn)行了擬合，再利用修正殘差CUSUM檢驗(yàn)（Modified residual CUSUM test）對(duì)擬合后殘差序列進(jìn)行異方差檢驗(yàn)P[6]P。對(duì)ECG信號(hào)擬合ARMA模型后的殘差序列進(jìn)行拉格朗日乘子檢驗(yàn)的結(jié)果表明，正常竇性心律（NSR）和心室性早期收縮（PVC）的MLII信號(hào)的擬合ARMA模型后的殘差序列均具有ARCH效應(yīng)。說(shuō)明ECG信號(hào)可采用ARMA-APARCH模型對(duì)ECG擬合并進(jìn)行特征提取。

四、心電信號(hào)的特征提取與分類(lèi)研究

ECG信號(hào)的特征提取方法較多，主要有小波分析、ARMA模型等，本文提出了基于SGED分布的ARMA-APARCH模型的ECG信號(hào)特征提取的新方法。選取93個(gè)測(cè)試樣本的MLII信號(hào)序列作為研究對(duì)象。為了計(jì)算方便，模型的階數(shù)取為p=4，q=2，P=Q=1，即基于SGED分布的ARMA（4，2）-APARCH（1，1）模型，將ECG的XLII信號(hào)序列擬合后模型參數(shù)作為各自樣本的特征指標(biāo)，這樣每個(gè)樣品共含有12個(gè)指標(biāo)。將模型的參數(shù)作為特征指標(biāo)，結(jié)合神經(jīng)網(wǎng)絡(luò)方法對(duì)93個(gè)樣品進(jìn)行回判，所有樣品的回判都是正確的。為了進(jìn)一步研究ARMA-APARCH模型和神經(jīng)網(wǎng)絡(luò)組合方法的優(yōu)越性，下面將神經(jīng)網(wǎng)絡(luò)分類(lèi)方法與支持向量機(jī)分類(lèi)、隨機(jī)森林分類(lèi)和Bagging分類(lèi)進(jìn)行比較。主要采用交叉驗(yàn)證法[7]對(duì)三種類(lèi)型ECG信號(hào)進(jìn)行交叉驗(yàn)證，利用ARMA-APARCH模型進(jìn)行ECG信號(hào)的特征提取，再分別運(yùn)用神經(jīng)網(wǎng)絡(luò)分類(lèi)、支持向量機(jī)分類(lèi)、隨機(jī)森林分類(lèi)和Bagging分類(lèi)判別歸類(lèi)，神經(jīng)網(wǎng)絡(luò)分類(lèi)法相對(duì)較優(yōu)，表明利用ARMA-APARCH模型和神經(jīng)網(wǎng)絡(luò)組合方法在對(duì)ECG信號(hào)的特征提取和分類(lèi)更為準(zhǔn)確。

參考文獻(xiàn)：

[1]毛雪岷，張婷婷，蔡傳晰，李瓊.基于ARMA模型的心電聚類(lèi)算法[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2012，31（6）：816-821.

[2]葛丁飛，李時(shí)輝.基于ARMA模型的ECG分類(lèi)和壓縮[J].浙江科技學(xué)院學(xué)報(bào)，2004，16（1）：7-13.

[3]章潔，武東.基于機(jī)器學(xué)習(xí)方法的心電信號(hào)分類(lèi)研究[J].科技風(fēng)，2019（19）：100-102.

[4]Ding Zhuanxin，Granger，C.W.J.，Engle，R.E.，A long memory property of stock market returns and a new model，Jornal of Empirical Finance[J].1993，1：83-106.

[5]武東，李瓊.利率調(diào)整下調(diào)頻金融時(shí)間序列的風(fēng)險(xiǎn)度量[J].商學(xué)研究，2017，4（3）：102-104.

[6]Haejune Oh，Sangyeol Lee，Modified residual CUSUM test for location-scale time series models with heteroscedasticity[J].Annals of the Institute of Statistical Mathematics[J].2019，71（5）：1059-109.

[7]吳喜之.應(yīng)用回歸及分類(lèi)[M].北京：中國(guó)人民大學(xué)出版社，2016.

基金項(xiàng)目：安徽省高校優(yōu)秀青年人才支持計(jì)劃（gxyq 2019254）;安徽省質(zhì)量工程項(xiàng)目（2019xqsxzx84）;校質(zhì)量工程項(xiàng)目（yj2019jx10）;安徽省自然科學(xué)重點(diǎn)項(xiàng)目（KJ2017A892）

作者簡(jiǎn)介：李瓊（1983— ），女，漢族，安徽宣城人，碩士研究生，講師，副教授，研究方向：數(shù)據(jù)挖掘。