基于最优特征排序的心律失常诊断

第14章 使用最优特征排序评分算法的智能心律失常诊断用于太阳能储能心电图采集系统

马赫什瓦里·拉克什曼、赫马拉塔·卡尔南和希瓦库马兰·纳塔拉扬
印度蒂鲁吉拉伯利印度国家理工学院仪器与控制工程系

14.1 引言

印度医疗市场在2007年估计为350亿美元，近年来保持着两位数的增长率。然而，这种增长主要由主要城市的需求推动。印度’的医疗系统具有矛盾性——一方面，它拥有吸引全球医疗旅游者的“‘世界一流’的医疗服务交付能力；另一方面，其大部分人口却难以获得优质医疗服务，可及性几乎缺失。现有基础设施，特别是在小城镇/农村地区，不足以满足印度人口日益增长的需求。在医疗保险方面，覆盖率不足10%，且印度的人均医生数量不到中国的三分之一，几乎仅为美国的百分之一[1]。

印度农村人口’无法获得对关键医疗设备的适当使用，这可归因于连接性差和电力供应不足。仅靠增加医疗专业人员和医疗机构无法解决印度在医疗保健方面巨大的未满足需求。此外，设备的高成本使其难以负担。其中一种挽救生命的诊断设备是心电图，用于诊断心律失常。由于偶发性心律失常在较短时间内难以发现，因此需要对心脏电活动进行持续监测（超过48小时）[2]。此外，人们必须前往医院进行心电图记录。但有时当患者到达医院时，症状已经消失，这可能导致失去早期治疗机会。因此，迫切需要一种具有高存储容量的智能心电图系统。

过去几年中，已经开发出小型、轻便且高效的便携式生理信号采集系统，这些系统轻巧、体积小，并能够记录多种信号。太阳能供电高精度心电图设备具有最佳电源消耗；然而，电池寿命会缩短[3]。所提出的系统采用了智能储能装置，其中使用了铅酸电池和超级电容器，以维持从电源到心电图采集系统的电力分配。

由于铅酸电池具有广泛可获得性和低成本，因此在光伏系统中最常被使用[4,5]。独立光伏系统是偏远或离网地区的主要系统。通常情况下，对于直流负载需要使用交流‐直流转换器[6]。然而，直流电源可直接从光伏电源获取，无需使用交流‐直流转换器。在混合系统中，电池和光伏系统以并联方式连接至直流母线，以便在电压控制模式下满足负载需求[7]。因此频繁发生充放电操作，这将缩短电池寿命[8]。在直流母线与电池之间采用双向转换器，能够控制直流母线电压，并减少所需串联连接的电池数量[9–12]。由于电池用于调节直流母线电压，负载/光伏功率的波动会影响电池电流幅值，而运行模式直接影响电池的充电特性。

这促使研究人员转向具有高功率密度、长寿命和高效率的超级电容器[13]。所提出的光伏系统旨在向直流负载提供可靠电力，同时通过改善充放电循环来延长电池寿命。超级电容器处的转换器负责调节直流母线电压，使得当出现功率缺口时，超级电容器能够提供峰值功率需求。电池电流参考值和运行模式由电池管理系统（BMS）确定。

心电图采集系统由ADS 1274、Arduino Uno、用于存储数据的微型SD卡模块以及向笔记本电脑或计算机传输数据的部分组成。该系统由太阳能和储能装置供电。长期心电图监测（ECG）可实现高能效和良好信号质量。这些系统用于心电图（ECG）研究，以检测偶发性心律失常或与日常生活压力相关的心脏功能短暂异常。

心电图检查（ECG或EKG）是一种通过放置在皮肤上的电极，在一段时间内记录心脏电活动的方法。这些电极可感知每次心跳时，由心肌的去极化和复极化的电生理模式引起的皮肤上的微小电变化。这是一种非常常见的心脏病学检查。通过这种方法，可在心动周期的每一时刻捕捉到心脏电去极化的总体幅度和方向。该无创医疗程序产生的电压随时间变化的图形即为心电图。

导致印度死亡率上升的主要因素是心血管疾病（CVD）[14]，这类疾病被分类为非传染性疾病（NCD）。世界卫生组织（WHO）的调查显示，由于心血管疾病在地球东部地区的发病率正以52%的速度增长，而在西方国家仅为23%，因此其带来的负担极为严重。该调查还强调了风险负担

目前，印度近三分之二的死亡病例由心血管疾病相关病症导致。心源性猝死（SCD）是指在有目击者的情况下，症状发作后一小时内发生的死亡；在无目击者的情况下，则指最后一次被观察到存活后24小时内发生的死亡[15]。大多数死亡事件为无目击者，而心室颤动（VF）[16]是心律失常的固有组成部分，也是最终的根本机制。降低死亡率的第一步是立即识别心脏骤停并启动应急反应系统。高质量的心电图结合高精度和准确的解读，对于后续的心律失常管理[17]至关重要。

利用心电图信号对正常和心律失常状况进行分类器决策时，可通过被称为特征的定量实体进行测量。传统的特征提取技术通常涉及心电图信号的形态学特征，即其具有量纲的属性。其中一种基于时域的替代方法是主成分分析（PCA），它是一种用于提取信号形态学特征的特征提取技术。类似地，基于高阶统计量（HOS）的特征提取方法通过统计矩对大数据集进行形态学量化。

HOS方法的优点在于能够消除高斯噪声和其他异常值，有助于识别最优的特征值。另一种较少使用的技术是实时集总参数[18]方法，该方法通过血流动力学（血液流动特性）的时域模型来提取心电图信号特征。

上述所有技术均使用时域或频域特征进行分类。为了结合两个域的优势，实现了离散小波变换（DWT）[19]，其中DWT有助于提取信号的时域和频域特征。然而，前述技术如时域和频域特征及其相应方法仅在信号进入混沌状态时表征信号的复杂度。这类复杂度表征被称为复杂性特征。记录的心电图信号在心室颤动（VF）期间会变得混沌，这是一种临床异常。在这种情况下，PQRS波变得不明显。因此，传统的频域和时域特征提供的相关性较低，而诸如复杂度度量（CM）、相空间重构（PSR）、希尔伯特（HILB）和样本熵（SpEn）等方法也被用于表示信号的复杂度参数。因此，本文结合了所有域的优势并将其综合计算，以实现对信号更增强的表示。

提取的特征主要分为时域的、频谱和复杂性特征，以表示心电图信号。但在大多数情况下，并非所有特征都有助于提高分类效果。在某些情况下，部分特征可能降低分类器性能。为了使分类更简单，必须选择一组最优特征，在精度受限的情况下实现最佳分类。

权衡。最优特征选择主要分为两类：过滤法和包装法。第一类是过滤法，该方法基于独立的算法选择最优特征，而不涉及分类模型。这种方法的主要优势在于具有强大的数学基础且计算简便。基于过滤法的特征选择方法的局限性在于，对于大型特征集无法提供高效的结果。第二类是包装法，该方法不需要强大的数学基础。可以采用基于启发式的技术来选择最优特征集，但会消耗大量的计算周期。

特征选择是分类过程中一个可选的环节，研究人员广泛推荐使用特征选择技术来降低大规模数据集的维度，从而提高检测率和分类准确率。生物信号数据具有高维度特性，这给大多数提出的分类器带来了复杂性[20]，进而导致分类器出现过拟合，影响其性能。因此，换句话说，通过降低特征维度可以应对维度灾难问题。基于准则评分和排序的特征选择方法在心律失常分类研究领域尚未得到充分应用。数据集的不足会影响分类准确率。本文工作重点在于针对太阳能储能装置心电图采集系统，采用最优特征排序评分算法实现智能且连续的心律失常诊断。

14.2 系统描述

智能心电图采集系统结合心律失常诊断功能，由太阳能板与储能装置（如电池和超级电容器）组成，并集成了电池管理系统（BMS），以为心电图采集系统供电。BMS可延长电池寿命，并为采集系统提供稳定的电力。

心电图采集系统由AD8232、Arduino Uno、Catalex Micro SD卡适配器和笔记本电脑或计算机组成。从低成本心电图采集系统获取的心跳节律经过预处理和分段，通过基于准则评分和排序算法的特征选择方法来诊断心律失常。

14.3 带储能装置的太阳能系统

光伏系统包括一个太阳能阵列、一个带有最大功率点跟踪/电压控制的直流‐直流升压转换器，以及与超级电容器和电池组并联连接的两个双向转换器。双向DC DC转换器工作在升压模式

放电时处于升压模式，为电池/超级电容器充电时处于降压模式。所提出的连接方式如图14.2所示。所提出的光伏系统的主要目标是在提高电池充放电循环寿命的同时，向直流负载提供可靠电力。超级电容器处的转换器控制直流母线电压，使得在发生功率不匹配时，超级电容器能够满足峰值功率约束。电池电流参考值和运行模式由电池管理系统确定。

14.3.1 电池管理系统

在电池管理系统中，电池将向心电图采集系统提供恒流。因此，电池寿命得到延长，同时光伏系统和超级电容器提供不足的电流。图14.3 解释所提出的电池管理系统[21]。

14.4 心电图采集系统

AD8232传感器是一种经济高效的板卡，用于测量心脏的电活动。它专为在存在运动或电极放置位置较远等噪声条件下提取、放大和过滤微弱生物电势信号而设计。此外，还配备了一个LED指示灯，会随着心跳节奏闪烁。获取的信号被发送到Arduino Uno。该板卡配备了多组数字和模拟输入/输出（I/O）引脚，可与各种扩展板和其他电路进行连接。心电图信号通过Arduino板传输以获得数字数据。这些数字数据被存储在Micro SD卡适配器中。

14.5 心电图采集与预处理

心电图（ECG）信号是来自上述系统（图14.4）的输入数据集，主要用于检测心脏病。从包含近4000个随机数据集的大型数据仓库中随机选取了包含不同类别心律失常的心电信号。对这些心电图信号进行了预处理，旨在去噪并校正基线漂移。采用阶数N‐14、Wn‐0.5556的低通滤波和阶数N‐2、采样频率fs 512Hz、Wn‐0.0039的高通滤波，有助于处理从心电图采集系统获取的原始心电数据。在数据检索过程中出现的作为尖峰的电源线干扰，也通过上述规格的低通和高通滤波最终被去除。移动平均滤波器可去除检索数据中的尖峰。

14.6 特征提取技术

特征提取是一个将高维数据通过唯一映射技术进行变换，以构建低维特征空间的过程。特征提取器步骤涉及构造连续特征的线性组合，这些组合在不同类别之间具有良好的区分能力。如图14.5 所示，良好的特征提取方法能够准确分类心脏异常。一个心动周期的形态学特征事实可为大规模数据集提供足够的信息。

训练集的特征根据其所属领域大致分为三类。
这些类别是 a. 时域/形态学参数 b. 频谱参数 c. 复杂度参数

使用以下数值计算提取特征，并显示出高精度的心律失常检测效果。该提出的算法应在大量标注数据和相同条件下进行[22]。

第14章 使用最优特征排序评分算法的智能心律失常诊断用于太阳能储能心电图采集系统（续）

14.7 使用区域特征排序评分算法进行特征选择

特征选择是指自动或手动选择对目标预测变量或输出贡献最大的特征的过程。采集的数据中存在冗余或无关特征会降低模型的准确性，导致模型基于无关特征进行学习。根据互相关性，采用了一种过滤式特征选择方法。包装法和过滤法技术各有其优点和缺点。当应用于大数据集时，使用搜索策略的包装法和过滤法面临的主要问题是其高计算复杂度。对于高维度的特征集，由于可能存在大量的组合，在大规模数据空间中近似穷举搜索的任何特征选择方法都是不可行的。该特征选择方法聚焦于三种不同的准则评分及其评分排序，以减少冗余并降低大数据集的维度[22]。

14.8 结果与讨论

带储能系统的太阳能系统的规格见表14.1。图14.6表示，电池管理系统向心电图采集系统提供恒流，从患者获取的采样信号如图14.7所示。

14.8.1 心电图信号预处理

心电信号的预处理旨在消除记录过程中常见的三种噪声。这些常见干扰包括由环境和仪器问题引起的高斯噪声、基线漂移以及电源线干扰。心电图信号中的噪声通常符合高斯模型，涵盖所有频率范围。此外，由仪器误差引起的基线漂移或基线 wandering 可通过设计合适的高通滤波器进行校正。电源线干扰可通过及时使用带通滤波器加以纠正。微分滤波技术和适当的窗口大小有助于对原始数据进行平滑处理。在近期的研究中，引入了自适应维纳滤波技术，但其局限性在于降低计算复杂度方面仍有不足。

特征提取和最优特征选择的仿真平台使用 MATLAB R2018a 软件实现，计算机配置为 3.4 GHz、800GB 内存 Intel Core i7 处理器。

表14.1 太阳能板和储能装置的规格

参数	数值
最大功率	3.2 W
最大功率电压	8.40 V
最大功率电流	0.34 A
开路电压	10.50 V
短路电流	0.37 A
超级电容组	VSC = 2.67 V × 5，额定容量 = 1.5 Whr，Csc = 1500 F，数量 = 5
电池	Vb = 12V，数量 = 1

电源电压（Vdc）= 10 伏特/格，(ii) 超级电容电流 Isc = 2安/格，(iii) 电池电流 Ib = 1安/格，(iv) IL = 2安/格)

14.8.2 特征提取

对处理后的心电信号进行特征提取分析。R‐R间期是包含时域特征的原始区域，需要彻底检查以进行特征提取。样本的频谱有助于在频域中生成准确的特征向量。无论是否发生心律失常，均从样本中提取复杂性特征。

总共提取了12个特征，编号从1到12，其中5个特征属于时域的，3个特征属于频谱，其余特征属于复杂度领域。图14.8和图14.9显示了所提取特征的分布情况。

14.8.3 操作使用特征排序评分算法进行最优特征选择

如上所述，考虑使用这12个特征来训练分类器算法。并非所有特征都有助于提高分类准确率。因此，通过降低特征维度（或换句话说，必须实现最优特征的选择），可以避免不必要的模型复杂度和训练所需的计算周期。

所考虑的分类器是支持向量机（SVM）。随后，使用改进的特征排序评分算法（FRSA）实现最优特征选择，该算法是一种特征选择技术中的过滤模型方法。因此，FRSA不需要分类器模型来识别最优特征。它通过计算某些统计得分（如（i）相关性得分、（ii）费舍尔得分和（iii）mRMR得分）来对每个特征进行排序，从而实现特征排序。

相关性准则用于比较每个特征相对于分类的相互独立性。每个特征的费舍尔得分根据类别的正负均值/标准差进行分配。mRMR的得分依赖于上述过滤准则计算出的互信息指数。特征索引根据得分进行排序。

在两个案例研究中，对三个模块的性能属性进行了比较。验证使用临床采集的心电信号针对以下三个模块进行：
a. 用于分类的所有特征—不使用FRSA；
b. 用于分类的排序特征—使用FRSA，考虑所有得分排名前三的特征用于训练分类器。

14.8.3.1 应用与不应用FRSA的SVM分类性能分析

各特征指标的得分比较及其在最优特征选择中的显著参与情况如图14.10所示。

表14.2 提取的特征的得分

特征名称	相关性得分	费舍尔得分	mRMR得分
TCI	0.7965	0.0331	5
TCSC	0.7915	0.0017	10
STE	0.7878	0.0082	2
MEA	0.773	0.0454	7
MAV	0.7607	8.2919e-05	6
VFleak	0.7544	0.0094	3
SM	0.7280	0.02365	8
FM	0.7022	0.0023	1
CM	0.6949	0.0455	4
PSR	0.6812	0.0405	9
HILB	0.6789	0.0379	0
SpEn	0.6743	1.439e-05	0

表14.2 描述了使用上述讨论的滤波方法获得的分数。每个类别分配了相应的等级，并且每个类别中的最高等级用于支持向量机-FRSA分类。基于统计参数的性能分析如表14.3所示。分类的准确性随着FRSA的使用而提高，如图14.11所示。

表14.3 分类器的性能分析

分类器算法	Mean	方差	准确率%	延迟(秒)
使用FRSA的SVM	98.54	9.466	90.01	6.11
不使用FRSA的SVM	97.61	18.01	87.7	6.09

14.9 结论

心电图信号从由太阳能储能装置供电的采集系统中获取。心电图信号分类是生物医学研究中的首要任务，用于识别和评估心脏的正常功能。计算机辅助诊断依赖于特定特征来识别心律失常。决策支持系统的有效性取决于用于分析的信号质量以及特征集上决策的重要性。提取的特征以时域、频谱和复杂性特征的形式反映心电图信号中的异常。这些特征有助于精确区分心律失常信号与正常心电图数据。总共使用12个特征来构建训练分类器所需的特征集。所提出的最优特征选择方法根据三个不同标准对提取的特征进行排序。

以及适当的秩。由于仪器误差导致获取的心电信号受到噪声数据的干扰，SVM-FRSA分类器表现出更好的分类准确率，达到90.01%。同时，为了实现对心律失常信号的精确分类，也重点关注了噪声的去除和适当的特征提取。