基于ECG的可电击复律心律自动判别算法研究.pdf

2023年10 月Chinese Journal of Biomedical Engineering2023OctoberNo.5中Vol.42国医生42卷5期报程学学物基于ECG的可电击复律心律自动判别算法研究郑越侯星宇邬小玫#*（上海复旦大学信息科学与工程学院，上海200433）)摘要：体外自动除颤器（AED）是挽救心脏骤停（SCA）患者生命的重要设备。可电击复律心律自动判别算法（SA A）是AED的核心技术。本研究在构建包括8 s的2 0 2 4段可电击复律心律（SHR）心电图（ECG）和7 8 8 4段不可电击复律心律（NSHR)ECG数据集的基础上，提出了一种基于机器学习的SAA。首先提取ECG的时域、频域、复杂度相关的32 个特征，经筛选得到6 个有效特征；之后用支持向量机实现SHR和NSHR自动分类。根据50 0 次按患者随机分组的实验，敏感度、特异性、准确率的均值标准差分别为97.6 2%0.18%、99.15%0.0 4%、98.7 9%0.08%。所提出的SAA符合美国心脏病协会对AED中SAA敏感度超过90%，特异性超过95%的要求，可作为AED算法模块进行SHR的自动判别。关键词：可电击复律心律自动判别；心电信号；机器学习；特征提取；特征选择中图分类号：R318文献标志码：A文章编号：0 2 58-8 0 2 1(2 0 2 3)0 5-0 57 2-11Research on Shockable Rhythm Detection Algorithm Based on Machine LearningZheng Yue Hou XingyuWuXiaomei#*(School of Information Science and Engineering,Fudan University,Shanghai 200433,China)Abstract:Automatic external defibrillator(AED)is an important device in saving patients with cardiac arrest(SCA).Shockable advice algorithm(SAA)is the key technology of AED.In this work,our model was trainedwith a data set including 2 024 segments of shockable rhythms(SHR)and 7 884 segments of non-shockablerhythms(NSHR).We proposed a SAA based on machine learning.Combining 6 effective features selected from32 features such as time domain,frequency domain and complexity,support vector machine was employed toclassify SHR and NSHR.After 500 experiments,the mean value standard deviation of sensitivity of thealgorithm was 97.620.18%,the specificity was 99.150.04%,and the accuracy was 98.790.08%.Theresults showed that the SAA proposed in this paper met the requirements of American Heart Association for SAAperformance in AED,and it can be used as an AED algorithm module for automatic discrimination of SHR.Key words:shockable advice algorithm;ECG;machine learning;feature extraction;feature selection引言据2 0 2 0 年中国心血管健康与疾病报告，心血管病居各类疾病死亡的首位。心脏骤停（s u d d e n c a r d i a c a r r e s t，SCA）是指心脏突然停止有节律的收缩和舒张，失去了有效的心脏泵血功能，导致重要器官严重缺血缺氧，是一种快速致死性心血管疾病。早除颤和早心肺复苏（cardiopulmonaryresuscitation，CPR）是拯救患者生命的重中之重。自动体外除颤器（(automaticexternaldefibrillator，A ED）是实施除颤的设备。美国心脏协会（American Heart Association，A H A）建议AED将doi:10.3969/j.issn.0258-8021.2023.05.007收稿日期：2 0 2 2-0 2-2 2，录用日期：2 0 2 3-0 3-0 6基金项目：国家自然科学基金（117 10 0 9，6 18 0 112 3）：上海市科委重点项目（2 0 17 SHZDZX01，16 44190 7 90 0）；上海市经信委工业强基项目(GYQJ-2018-2-05)#中国生物医学工程学会会员（Member，Ch i n e s e So c i e t y o f Bi o me d i c a l En g i n e e r i n g）*通信作者（Correspondingauthor）,E-m a i l：x i a o m e i w u f u d a n.e d u.c n573郑5期越，等：基于ECG的可电击复律心律自动判别算法研究心电（electrocardiograph，ECG）信号分类为可电击复律心律（shockablerhythm，SH R），不可电击复律心律（n o n-s h o c k a b l e r h y t h m，NSH R）和中间心律（i n t e r m e d i a t e r h y t h m，IR）三类。SHR包括粗颤和快速室速，IR包括细颤和缓慢VT，其余为NSHR心律。由于无法判定对IR除颤是否有利，因此本研究将IR标注为NSHR。A ED 需要自动分析患者的ECG，以区分SHR和NSHR，从而决定是否进行电击除颤，这种算法称为可电击复律心律自动判别算法（s h o c k a b l e a d v i c e a l g o r i t h m，SA A）。误除颤或漏除颤均可能导致严重后果，因此为保证AED除颤安全性,AHA对SAA的要求是：对SHR的识别灵敏度（s e n s i t i v i t y，Se）应高于90%，对NSHR的识别特异性(specificity,Sp)应高于95%2 Acharya等3 直接将2 s的ECG信号输人深度卷积神经网络（convolutional neural networks，CNN）进行自动提取特征及分类，灵敏度为95.32%，特异性为91.0 4%，准确率为93.18%。Minh等4 基于8s的ECG信号段把卷积神经网络（convolutionalneuralnetworks，CNN）提取出的特征输人支持向量机（supportvectormachine，SVM）进行分类，灵敏度达到97.0 7%，特异性为99.44%。随着机器学习的发展，许多研究人员将注意力转向将传统特征与机器学习分类器相结合。Alonso-Atienza等51筛选出9个特征，然后利用SVM进行分类。该算法灵敏度为95%、特异性为99%。Li等16 1基于3个典型数据集，即室性快速性心律失常数据库（CreightonUniversity Ventricular Tachyarrhythmia Database,CUDB,https:/physionet.org/physiobank/database/cudb/）、M IT-BIH 恶性心室心律失常数据库（MIT-BIH Malignant Ventricular Arrhythmia Database,VFDB,https:/physionet.org/physiobank/database/vfdb/）和美国心脏协会的AHA数据库（AmericanHeart Association Database,AHADB,https:/www.ecri.org/american-heart-association-ecg-database,从传统算法中选择9个特征，并将其输入SVM进行分类。灵敏度和特异性分别为96.2%2.7%和96.2%2.7%。范小彪等7 考虑到CNN在二维图像上的分类表现比一维时间序列好，对原始ECG信号进行小波变换，把得到的时频信息送人CNN训练分类模型；灵敏度为95.0 5%，特异性为99.43%，准确率98.8 2%。余明等8 使用遗传算法筛选了13个特征值构建神经网络，准确率达到95%以上。包括上述研究在内的大多数研究都是基于公共心电数据库或其中的一部分。不久前Figuera等9-0 发现，来自院外心脏骤停数据库Out-of-Hospital Cardiac Arrest Database,OHCA,LaerdalMedical AS,University of the Basque Country(UPV/EHU）】的数据比来自公共心电数据库的数据更容易被错误分类，为进一步SAA研究中判别准确性及算法泛化能力，同时考虑便携式AED算力有限等问题，本研究首先构建了一个包括32 8 名受试者、涵盖OHCA和公共心电数据库的数据集；并从时域、频域、复杂度多角度提取特征，经筛选得到包括6 个有效特征的特征集并输SVM进行分类；所构建的SAA可植人AED实现SHR的准确判别1材料和方法1.1数据集构建1.1.1数据来源所采用的ECG数据来自CUDB、M I T-BI H 心律失常数据库（MIT-BIHArrhythmia Database，M IT D B,https:/physionet.org/physiobank/database/mitdb/)、VFDB、A H A D B和OHCA共计5个数据库，共包括8s的2 0 2 4段SHR和7 8 8 4段NSHR。许多研究基于CUDB、M I T D B、V FD B和AHADB。这4个数据库由专家标注心律类型。除此以外本研究还应用了包含2 6 0 名受试者的OHCA。将其中的粗颤（峰峰值 2 0 0 V）和快速性VT（心率 150 次/min）标记为SHR，其余心律标记为NSHR。由于VFDB、CU D B、A H A D B和MITDB共计包括58 名受试者，人数较少，本研究将其合并为PUDB。1.1.2数据预处理ECG信号是一种微弱的电生理信号，采集过程中极易受到环境及采集条件的影响，导致采集的信号夹杂着多种干扰和噪声。主要包含频率在1Hz以下的基线漂移,50 Hz的工频干扰，频率较高的肌电干扰。这些干扰和噪声会影响特征提取，需要在预处理过程中抑制。为了避免采样率影响预处理结果，首先将各数据库的ECG信号统一重采样至2 50 Hz（如无特别说明用厂表示）。利用小波变换滤除基线漂移，选择bior5.5作为基小波。对ECG信号进行7 层小波分解；因为基线漂移的频率范围处在第7 尺度上的近似系数CA7所覆盖的频率范围内，将最后一层的近似系数CA7置为0,其他小波系数不变；进而重构64）3）信号积分（signal integral,Signlnt）57442卷中生报程医国学学物出小波降噪后的信号。采用50 Hz带阻滤波器滤除工频干扰、五阶平滑滤波器滤除肌电等其他高频噪声。1.1.3数据集构建因为每个样本需要提供足够的信息量用于分类，一个完整的心拍持续0.6 0.8 s并且要求AED在10 s内判别是否发生了SHR;因此研究中一般将信号划分为4 10 s段，比较不同分段长度的正确率后本文选择将采集到的ECG信号无重叠地划分为8s的数据段；并对每一段信号进行幅度归一化处理，根据数据库的原始标注将分段后的ECG标记为SHR或NSHR。最终构建出如表1所示的数据集。1.2特征提取研究表明，单个特征无法弥补ECG个体差异性产生的影响向1,2-2.2 1。特征集的好坏将直接影响最后的分类效果。为此，提取了时域、频域、复杂度方面的多个特征并进行特征筛选，以构建有效特征集。多数情况下，NSHR信号形态更加规律。对SHR来说，VT的ECG波形表现为宽大畸形的QRS波群，频率为150 2 50 次/min。而VF为不均匀、不规则的低幅小波，等电位线消失，QRS-T波消失，频率2 0 0 50 0 次/min12。本节基于SHR的这些特点，同时参考相关文献，提取了32 个时域、频域和复杂度特征。从已发表的SAA算法中选取一系列可以用于区分SHR和NSHR的特征，与自行提取的特征共同构成特征集。为叙述方便，如无特别说明定义如下符号：记信号段时长为L（取8 s）。x（i=1,2，N）是信号X在第i个采样点的幅度，x指信号在时域上的幅度平均值。1.2.1时域特征1.2.1.1时域相关统计特征）平均绝对值（mean absolute value，M A V）131MAV(1)表1本研究所用数据Tab.1data used in this studySHR/段NSHR/段数据集名称受试者/人(8 s/段)(8 s/段)MITDB42081VFDB7383.72822PUDBCUDB318144135AHADB624186010OHDBOHCA340647260总计2.02478843282)中值斜率(median slope,Mds)14Mds=median(xi+1-x,)f.(2)式中，median为求序列中位数，NSignlnt=（3）i=4)幅度范围（amplitude range,AR）15)AR=max(x)-min(x,)5)平均斜率(mean slope,MS)MSx;-xi-1(5)1N-1i=26)均方根(root mean square,RMS）151NRMS=(x;-)2(6)N7）波峰幅度均方差（mean squaredeviation ofpeak amplitude,MSD)17一般SHR信号的波峰幅度相较NSHR变化较小，按式（7）-（8)可计算出波峰幅度均方差，反映这种差异。MPA;PA=1(7)二aveM1MMSD=(PA,-PA(8)二Mave式中，PA，（i=1,2，,M）是第i个波峰的幅度值，M是该信号段波峰的个数。8)幅度概率密度（probability density,，PD)17 根据式（9）计算第秒信号段幅度的最大值Amax（m），并由式（10）求出Amax（m）的平均数，记作Aave。幅度概率密度PD为范围（AaveC,AaveC）之间的采样点数。C取经验值0.5Amax(m)=max(1 x;I),m=1,2,.,L,mxf,i(m+1)xfs(9)A(m）m=1maxA(10)Lave9)峭度18 峭度是信号的四阶累积量，相比于SHR信号，NSHR信号的离群值较多，峭度较大。按式（11）可计算得到峭度，有El(x;-)*)Kurtosis:43(11)式中，u为信号X的平均值，为信号X的标准差。5755期郑越，等：基于ECG的可电击复律心律自动判别算法研究1.2.1.2二进制粗粒化19由于ECG信号因人而异，先整体减去每段信号的平均值，然后计算该信号段的最大值Smax和最小值Smin。计算幅值在（0,0.1Smax）的采样点数N.和（0.1Smin,0）的采样点数Nd。按照式（12）计算二进制粗粒化的分界点THD0,N.+Na0.4NTHD=Jo.2 Smax,N.+Na0.4N且N.Na0.2Smin,N.+Na0.4N且N.Na(12)对于信号段中大于等于阈值THD的元素，将其置为1；小于阈值THD的元素置为0;将原始信号按照上述办法处理后得到一个0,1序列sigTd。进而按式（13）-（14）提取该序列的变异系数CovarBin和频率FreqBin特征。式中Ntran为sigTd从O到1的阶跃次数，std（s i g T d）和mean（s i g T d）分别为sigTd的标准差和平均值。std(sigTd)CovarBin=(13)mean(sigTd)NtranFreqBin(14)L1.2.1.3辅助计数法2 0-2 1按照式（15）对ECG信号段进行处理，记处理后的信号为FS（i）,对其取绝对值得到AbsFS(i)AbsFS(i)=l FS(i)I=X-X;-114FS(i-1)-7FS(i-2)+2(15)8MD=mean(abs(AbsFS-mean(AbsFS)(16)式中i=2,3,N。计算AbsFSi）的平均值mean（A b s FS）、最大值max（A b s FS），按式（16）计算得平均绝对偏差MD。计算0.5max（A b s FS）m a x（A b s FS）中的采样点数，作为特征Countl；计算mean（A b s FS）到max（A b s FS）中的采样点数，作为特征Count2；计算mean(AbsFS）-M D 至mean（A b s FS）+M D 中的采样点数，作为特征Count3。1.2.1.4闯值交叉间隔（threshold crossing interval,TCI)22阈值交叉间隔的思路是提取波形穿越过设定闵值的次数和位置特征。首先，识别出每1s信号的幅度最大值，将阈值设置为每秒最大值的2 0%（经验值）。之后，根据选取的阈值对该1s内的ECG数据段序列进行二值化：数据大于阅值置为1，小于阈值置为0。按照式（17）对8 s信号段中间的6 s 计算 TCI。1.000TCI=(ms)(17)t(NN-1)3tit2t3、t 4的含义如图1所示，NN为1s信号内包含的脉冲数目。统计8 s信号段的中间6 s中TCI400ms（经验值)的1s信号段数量作为特征【2 3,该数值6。1.2.1.5幅值波动性（standard deviation of signalamplitude,Sdstd)相较于NSHR,SHR的振幅波动较小，利用滑动窗口法将每个信号段按式（18）-（2 0）分成长度为sL的Sub个子信号ssub（s u b=1,2,Su b）。Ss u b 等于tsub区间内的原信号xh，有L,-sLSub=+1(18)stepSsub=xub,sub=1,2,.,Sub(19)(1+(sub-1)step)tsub(sL+sub step)(20)Step取1s，s L取4s，由式（18）可得Sub=5。根据式（2 1）可以得到每段ECG信号的幅值波动性，即5个子信号的最小振幅波动值。式中，barjsub（t）j=1,2，,10 0 为ssub无重叠划分成的10 0个小段。Sdstd=minstd(maxbarjuh(t)-minbarjsub(t)sub(21)1.2.1.6标准指数（standard exponential,STE）与修正指数（modified exponential,MEA)24)在同样长的时间段中，SHR的波形数量一般多于NSHR的波形数量，因此可以构建一个特定形状的曲线统计其与ECG信号波形的交点数量。STE定义为以某段ECG信号最大振幅值M出现的时间点tm为中心，按照式（2 2）衰减的指数函数E（t）与NN-11s图1TCI的计算Fig.1Calculation of TCI576中生国42卷医物报学程学ECG信号的交叉点数比上ECG信号段长度，如式(2 3)厂E,(t)=Mexp(m(22)TNEESTE(23)L式中，时间常数决定E（t）的衰减速度,取经验值为3s。在此基础上，参考文献2 4，首先找到每段ECG信号的K个相对最大值M，相对最大值必须满足两两间时间距离大于0.12 s，且大于2 0%的绝对最大值M；再计算每段ECG信号的相对最大值MEA,如式(2 4)E,.(t)=M,exp(Ttth,h=1,2,.,KNEEskMEA(24)L式中，T取1s，t m 为信号相对最大值出现的时刻，M为信号段的第k个相对最大值。NEEsk为指数函数E（t）与ECG信号波形的交点数目。1.2.1.7斜率相关特征对于SHR信号，VF波形为快速变化的低幅小波，频率远高于NSHR，约为2 0 0 50 0 次/min。VT的ECG波形表现为起伏很大的QRS波群，幅值变化快。而NSHR仅在QRS波段斜率较高，在其他波段幅值变化平缓。因此可以通过斜率特征来判别SHR1)斜率峰值（slope maximum，SM)17一般来说，SHR信号QRS波较宽大，NSHR信号QRS波较尖锐。所以NSHR斜率峰值较大。计算斜率峰值有两个步骤。步骤1：用式（2 5）计算各采样点差分斜率slope(i)(i=5,6,.,N);步骤2：用式（2 6)计算第m秒信号的斜率最大值，并按式（2 7）求其平均值，该值便为所提取的特征SMslope(i)=2x,-Xi-4+xi-1-xi-3(25)Smx(m)=max(slope(i),(m-1)xf,imxf,m=1,2,L,(26)LS（m）1mamSM(27)L2）斜率域幅值波动性（standarddeviationofslope domain amplitude,Spstd)首先按照式（2 8）对信号求梯度，将信号X时域上转换到斜率域上，并且对其进行归一化处理得到第i个采样点上信号的梯度grad（i）。grad(i)=(xi+1-x,),0 i N-1(28)由图2 可以观察到，SHR的波形更加杂乱无章，幅值差异明显。把式（19）中的x换为grad(i），用计算Sdstd的办法即可求出幅值波动性特征Spstd。3）采样点分布（measurement count，M c o u n t从图2 可以观察到,SHR的grad（i）采样点离基线远近不一，仅有很小一部分采样点位于基线附近；相反,NSHR的grad(i）有相当一部分采样点位于基线附近。本研究通过总采样点数中基线附近的采样点数的比例作为区分NSHR和SHR的特征Mcount。取step=1，s L=2,把式（19）中的x替换为grad（i），将grad（i）分解为7 个子信号gradub（n），sub=1,2,7。按式（2 9）计算Mcount。n 的取值范围为子信号的采样点数目thr.uh=Proportion max(grad.ub(n)(29)71McountX min(num,(gradsub(n)thrsub)2.000sub(30)式中，Proportionn取0.0 2 5，反映阈值大小。num，（g r a d s u b（n）t h r u b）代表gradsub（n）中小于thrsub的采样点数量。1.2.2频域特征如图3所示，NSHR与SHR频谱存在显著差异。SHR信号能量主要分布在低频3 8 Hz，能量集中；而NSHR频谱远宽于SHR，能量主要分散在0 20Hz间。所以可以从频域角度判别SHR。1.00.80.60.40.2OL0200400600800100012001400160018002000时间/s(a)1.00.80.60.40.260200400600800100012001400160018002000时间/s(b)图2SHR和 NSHR的斜率域波形。（a)SHR;(b)NSHRFig.2Waveforms of SHR and NSHR in slope domain.(a)SHR;(b)NSHR577郑越，等：基于ECG的可电击复律心律自动判别算法研究5期0.160.140.120.100.080.060.040.02M051015202530频率/Hz(a)0.070.060.050.040.030.020.01051015202530频率/Hz(b)图3SHR 和 NSHR 的频谱。(a)SHR;(b)NSHRFig.3Spectrum of SHR and NSHR.(a)SHR;(b)NSHR1)幅度谱相关特征2 5将ECG信号乘以一个长度为L，f.的汉明窗，并进行离散傅里叶变换，根据式（31）计算幅度谱面积AMSA，式（32）计算第一正则化谱向量FSMN和幅度谱占比A、A 2 A 3。AMSA=ZA,xf.(31)式中A,和f.是5 30 Hz频率范围内的第i个幅度分量及其频率；1FSMN:(32)XFZA,式中，A,和f是0 10 0 Hz频率范围内的第j个幅度分量及其频率,F为0.5 9Hz频率范围内功率谱密度最大值对应的频率；A,A2,A，分别为0.50.5F、0.7 F 1.4F、2 F 8 FH z 间的幅度和，除以0.520FHz之间的幅度和。2）频谱泄露值（ventricularfibrillation leakage，Vfleak)26该方法通过计算信号的平均周期T，再延迟相位T/2，叠加到原始信号上实现。式（34）中，T为一个平均周期内的采样点数1T=2T=2(33)N一i=2Ix;+x-Vfleak:(34)N(1 x,1+|xi-i=1+3）低频特征（low frequencyfeatures，Pl o w f)根据式（35）求出信号在取2.5 7.5Hz间的低频段能量谱，为排除个体差异性的影响，P(J）为归一化处理后的信号功率谱Plowf=P(f)(35)2.5f7.51.2.3复杂度相关特征相较于SHR，NSH R信号形态更加规律，两者的复杂度特征有差异1.2.3.1近似（approximateentropy，A p En）与样本熵(sample entropy，Sa mp En)ApEn表明了增加维度时产生新模式的概率。若通过前一数据可以很好地预测下一数据，那么表明这一序列复杂度较低，具有规律性。反之则表明这一序列复杂度较高，具有随机性。也就是说，嫡值越大，序列复杂度越高。取模式维数m=2,取容限r=0.2std(X)，std(X）指ECG信号数据的标准差。ApEn具体定义及算法过程如下：步骤1：构造m维向量X(i)=xxi+,x+m-,i=1,2,.,N-m+1X(j=j+-1,2,-+(36)步骤2：求出向量X（i）和向量X（i）间的距离，计算每一个X（i）和向量X（j)的距离（,j=1，2,.,N-m+1,ij)dX(i),X(j)maxllX(i+k)-X(j+k)1)k=0-m-1(37)步骤3：对每一个统计dX(i）,X(j)小于相似容限r的数量,将该数值与距离总数N-m+1的比值记作Cim(r）。r 取0.2 xstd(X)Nm(i)=1,2,.,N-m+1N-m+1(38)步骤4：计算C.（r）取对数后的平均值，记作578中生国医42卷学程物报学Pm(r),即步骤5：m加1重复上述操作，得到Pm+1（r）按照式（40）计算得到时间序列ApEn。ApEn=m(r)-m+I(r)(40)SampEn相比ApEn具有相对一致性2 7 ，并且丢失数据对SampEn的最终计算值影响较小。SampEn与ApEn计算过程中的差别在于：1）N.(i)mi=1,2,.*,N-m+1;2)SampEn计NmN-mC(r)算中(r)=;3)SampEn=Inm(r)-N-mInm+I(r)1.2.3.2希尔伯特变换（Hilbert transform，H ilb希尔伯特变换使用了相空间重构算法，SHR信号在相空间的分布更加杂乱无章【2 8 ，故可将Hilb作为识别SHR的特征。算法流程包括4个步骤。步骤1：对信号X降采样到50 Hz；步骤2：对ECG信号段X进行希尔伯特变换得到；步骤3：构造二维相空间，以X为横轴，横轴范围为X的最小值到X的最大值，以为纵轴，纵轴范围为的最小值到的最大值。40 40 等分该相空间，将X和的值映射到0,40 中得到X和；步骤4:以X为横坐标，为纵坐标，把ECG信号段的轨迹映射到重构出的二维相空间中，对信号轨迹所占的格子数Nrids进行统计，根据式（42）计算得到信号所占格子在整个相空间中的比例Hilb。180TdT(41)Tt-THilbgrids(42)二1 6001.2.3.3Lempel-Ziv复杂度一般情况下SHR的复杂度较高，NSHR的复杂度较低。197 6 年Lempel和Ziv29针对有限长序列提出了衡量时间序列里新模式出现的速率的LZ复杂度算法。LZ复杂度算法通过不断比较两字符串，用复制与更新的次数c来反映复杂度。CLZC(43)Nlog2N综上，本研究从多角度提取了32 个特征。N-m+1lnCi.m(r)i=1Pm(）(39)N-m+11.3特征选择当提取的特征值过多，不仅计算时间长，并且增加过拟合风险。为此，使用Relief和余弦相似度算法对上述32 个特征进行筛选Relief算法基于数据集类型和特征之间的相关性进行特征选择30 。即同类样本应距离近，异类样本应距离远，并且异类样本距离相差越大，说明该特征的分类性能越好。随机选择样本，若在该特征维度上，该样本与最近同类样本的距离小于与最近异类样本的距离，则增加权重；反之,降低该特征的权重。首先利用Relief算法评价各个特征的权重，对所选择的32 个特征用标号1 32 来代称。由于每次计算权重时选取的样本具有随机性，因而对每个特征计算2 0 次权重并计算平均值。用relief算法并不能对相似的特征进行筛选，因此筛选后的特征集依旧可能存在?余性。为此，本文引人余弦相似度的概念，利用特征间的相关性进一步删除允余特征3ACS(X,Y)=cos(X-X)(Y-Y)=Z ,(X,-X)(Y-Y)(44)1(X,-X)*(Y,-Y)2式中，X、Y分别指基于所有数据集计算出的两个不同的特征向量，n为总样本数。1.4分类SVM是一种常用的分类器，广泛应用于生理信号的识别。将每一段ECG信号用提取的特征和标签表示。每个输人都是一个6 维特征向量。SHR信号y的标签为1,而NSHR信号的标签y为-11.5算法评估根据AHA确定的SAA的精度要求32】,从准确率（accuracy，A CC），特异性（specificity，SP），灵敏度（sensitivity,SE），平衡准确率（balanced accuracy，BAC）和阳性预测率（positivepredictionvalue，PPV）等5个角度对算法性能进行评价。计算式如（45）-（49）TP+TNACC100%(45)TP+TN+FP+FNTNSP100%(46)FP+TNTPSE100%(47)TP+FN579越，等：基于ECG的可电击复律心律自动判别算法研究郑5期1BAC=(SE+SP)(48)2TPPPV(49)TP+FP式中,SHR为阳性，NSHR为阴性。ACC为被分类正确的样本占所有样本的比例。TP为分类正确的SHR样本数，FP为被错分类为SHR的NSHR样本数。TN为分类正确的NSHR样本数,FN为被错分类为NSHR的SHR样本数。为了全面评估所提出算法的性能，采用两种测试方案。第一种测试方案随机选择8 0%的PUDB受试者和8 0%的OHDB受试者的ECG信号段作为训练集，其余2 0%的受试者的ECG信号段作为测试集；第二种测试方案则从OHCA，VFD B,CU D B中选取1390 个SHR样本和1390 个NSHR样本作为训练集，以MITDB和AHADB中的样本为测试集，经过50 0 次训练得出平均模型指标。2结果2.1预处理结果滤波前后的ECG信号如图4所示，可以观察到基线漂移、工频干扰和肌电噪声等被有效抑制，并且保留了原始ECG信号的特征。0.80.60.40.20-0.22345678时间/s(a)Q2345678时间/s(b)一234568时间/s(c)图4VFDB数据库中第42 6 号病人滤波前后ECG。(a)原来的信号；(b)小波滤波后的信号；（c)经过小波滤波、带陷滤波器、滑动滤波器平滑的信号Fig.4The filtering effect on ECG signals of patient 426in VFDB.(a)Original signal;（b)Si g n a l p r e p r o c e s s e dby wavelet filtering;(c)Pretreated signal18016014012010080604020050100150200250300350频率/Hz(a)1801601401201008060402050100150200250300350频率/Hz(b)图5426号病人去噪前后的频谱。（a）去噪前频谱；(b)去噪后频谱(3)Fig.5 Spectrum of patient 426 before and afterdenoisie.（a）Sp e c t r u m o f o r i g i n a l s i g n a l;（b）Spectrum of pretreated signal去噪前后的ECC频谱如图5所示。可以观察到,0 1Hz的频率分量与50 Hz附近的频率分量显著降低，其他一些高频噪声也被滤除。2.2特征筛选结果特征筛选的结果及特征与标号的对应关系如表2 所示。按特征权重大小降序排列。可以看到Plowf的权重远大于其他特征,从AR开始的特征对分类结果并无贡献。删除权重小于等于0 的特征还剩下17 个特征。由两两特征之间的ACS系数，计算不同阈值下的分类正确率。综合特征数量和正确率，选择阈值为0.8 6 5，选取SampEn、Co u n t 2、M S、Pl o w f、Sp s t d、M c o u n t 共计6 个特征。其中Mcount为本研究的原创特征。58042卷中生医国报学程学物表2 每个特征的平均权重Tab.2Average weight of each feature特征序号特征权重特征序号特征权重特征序号特征权重27Plowf6.441 62130Mcount1.58037918Mds1.403 14810Count21.009 8346A20.96150526X40.954.3132SampEn0.8514749Countl0.813.98617MS0.454 66415STE0.399 07729Spstd0.214 2231ApEn0.1938138LZ复杂度0.108.94813FreqBin0.06997428Hilb0.043 08931Sdstd0.031 4435AI0.01735519AR04FSMN-0.014.6124PD-0.019.6532MEA-0.020133AMSA-0.026 9812CovarBin-0.030 1120Signlnt-0.0348416MAV-0.0348421RMS-0.042.767A3-0.0431822SM-0.051 2614TCI-0.06225峭度0.0691311Count3-0.0758823MSD0.13052.3分类结果按照E1,E2两种方案得到的实验结果如表3所示，结果远高于AHA的推荐标准。表4为本研究在不同数据集上的结果，可以看到，OHCA数据集上的结果比PUDB上低3%左右。与相关研究结果的对比如表5所示，可以看到所提出算法判断准确，鲁棒性良好表3测试方案计算出的评价指标Tab.3Quality of detection algorithmsACC/%SP/%SE/%PPV/%BAC/%98.4699.3695.1097.6297.23E10.2370.1811.1580.6550.56698.7999.1597.62 97.21 98.38E20.0360.0440.1820.1370.