CN104463326A - 一种标准12导联心电信号重建方法 - Google Patents

Abstract

一种标准12导联心电信号重建方法，肢体导联信号的重建采用公式计算得到，而胸导联信号的重建则采用基于遗传算法优化的BP神经网络的非线性方法来实现，该非线性方法首先用遗传算法来寻找BP神经网络最优的初始权值和阈值解空间，作为BP神经网络的初始设置；接着将用于重建的导联信号作为该BP网络的输入，重建目标导联作为输出进行训练，训练完成后的网络输入已知导联组，即可得到未知的导联重建的结果。本发明提供一种准确性较高的标准12导联心电信号重建方法。

Description

一种标准12导联心电信号重建方法

技术领域

本发明涉及生物信号处理领域，特别是一种标准12导联心电信号重建方法。

背景技术

心脏疾病一直是人类健康的最大杀手之一。根据世界卫生组织的最新报告，近十年来缺血性心脏病在全球死亡原因所占有比例始终超过10％位居榜首，且随着社会老龄化问题的加剧有愈演愈烈的趋势。心脏疾病因其发病率死亡率高，已成为医疗卫生研究领域的焦点。而心电图的实时监控是诊断、预警心脏疾病的首选技术手段。医院中使用的心电图仪能同时测量完整的标准12导联心电信号，但需要10个极点粘贴到人体上来同时采集和记录，缺乏便携性，无法用于家庭监测以及远程监视的场景；而能较方便地用于此类场景的家用Holter或可穿戴式产品则往往不能同时测量标准12导联的心电信号。因此减少直接监测导联数量，从较少导联信号重建出标准12导联心电信号就成为了非常重要的途径和手段。

幸运的是，标准心电采集系统的12导联并不是完全独立的，它们之间存在着信息的冗余，所以可以利用其中数量较少的导联组或者其他特殊的导联组来重建出标准12导联系统中剩下的导联信号。基于人体的心脏-躯干电模型是线性和准静态的假设，重建标准12导联心电信号最常用的方法是线性变换，通过建立和求解已知导联和未知导联之间的线性关系，根据该映射关系来进行重建。但由于心脏-躯干并不是一个完全线性的模型，线性变换的方法还会产生噪声，导致重建的准确性下降。

发明内容

为了克服已有标准12导联心电信号重建方法的准确性较差的不足，本发明提供一种准确性较高的标准12导联心电信号重建方法。

本发明解决其技术问题所采用的技术方案是：

一种标准12导联心电信号重建方法，用来重建的已知导联数为m个，m＝3,4,…,7，记作重建导联组A＝{L₁,L₂,…,L_m}，A中的2个导联从肢体导联I、II、III、aVR、aVL和aVF中的I、II、III任意选取，A中其他(m-2)个导联从胸导联V1、V2、V3、V4、V5和V6中任意选取；待重建的其余4个肢体导联组成肢体导联组B＝{L_m+1,L_m+2,L_m+3,L_m+4}，待重建的其余(8-m)个胸导联组成胸导联组C＝{L_m+5,L_m+6,…,L₁₂}；所述重建方法包括以下步骤：

a)肢体导联组B的信号重建采用公式计算方法，公式如下：

I-II+III＝0

aVR＝-(I+II)/2

aVL＝I-II/2

aVF＝II-I/2

b)胸导联组C的信号重建采用基于遗传算法优化的BP神经网络的非线性方法，过程如下：

1)采集用户的标准12导联心电信号作为个人数据库，作为非线性方法BP神经网络的训练数据集；

2)建立BP神经网络，BP神经网络的输入神经元个数为m个，分别为A中的L₁、L₂、...、L_m，输出神经元数目为(8-m)个，分别为C中的L_m+5、L_m+6、…、L₁₂，并通过传输函数将数据传输到隐含层，通过激活函数来输出神经元；

3)用遗传算法来优化该网络的初始权值和阈值设置，过程如下：

3.1)将BP神经网络的初始权值和阈值建模成一个染色体，对种群进行初始化；

3.2)计算种群中每条染色体的适应度；

3.3)根据适应度大小分配相应的概率来选择染色体进入下一步操作，染色体的适应度越大，选择的概率也越大，反之被选到的概率越小；

3.4)对染色体进行交叉和变异操作，产生新的染色体个体和种群；

3.5)返回第2.2)步，循环执行步骤2.2)～2.5)；循环过程的终止条件通过观察染色体适应度的变化来确定，当染色体的适应度收敛时，则停止染色体的进化过程；

3.6)选出适应度最大的染色体作为遗传算法优化的结果，作为BP神经网络的初始权值和阈值设置；

4)训练初始设置经2)优化的BP神经网络，直到训练误差满足要求为止；

5)将完成训练的网络用于标准12导联心电信号中胸导联的重建。

进一步，所述步骤3.2)中，所述的种群中每条染色体的适应度计算采用以下方法：

在每一代遗传过程中，对种群中的每条染色体分别建立一个新的BP神经网络，该网络只用于对应染色体的适应度计算，初始的权值和阈值设置成染色体相对应的值；随机选取数据库中设定比例的数据对该网络进行训练，训练终止条件通过设置固定的迭代次数来实现；数据库剩下的数据用于测试，测试数据中导联组A的信号L₁、L₂、...、L_m输入到完成训练的BP神经网络，输出结果与真实结果进行均方根误差mse的计算，适应度fitness则以mse的倒数来计算：

$\mathrm{fitness}=1/\mathrm{mse}=1/\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{8-m}{\mathrm{\Σ}}}{(Y_{\mathrm{ij}}-X_{\mathrm{ij}})}^2}{n}}$

其中，Y_ij和X_ij分别为第j个输出神经元的第i个采样点的输出结果和真实结果的值，(8-m)为神经网络输出神经元的数目，n为数据采样点的个数。

本发明的技术构思为：该方法中肢体导联信号的重建采用公式计算得到，而胸导联信号的重建则采用基于遗传算法优化的BP神经网络的非线性方法来实现。该非线性方法首先用遗传算法来寻找BP神经网络最优的初始权值和阈值解空间，作为BP神经网络的初始设置；接着将用于重建的导联信号作为该BP网络的输入，重建目标导联作为输出进行训练，训练完成后的网络输入已知导联组，即可得到未知的导联重建的结果。

本发明的有益效果主要表现在：与现有的基于线性变换的导联重建方法相比，本发明中胸导联的重建采用基于非线性的BP神经网络，其更适用于人体心电信号的处理，而遗传算法能优化BP神经网络的全局搜索能力，使得胸导联的重建准确率更高。

附图说明

图1为本发明提供的标准12导联心电信号重建流程图。

图2为本发明提供的由导联I、II和V2重建胸导联V1、V3、V4、V5和V6的BP神经网络示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种标准12导联心电信号重建方法，用来重建的已知导联数为m个，m＝3,4,…,7，记作重建导联组A＝{L₁,L₂,…,L_m}，A中的2个导联从肢体导联I、II、III、aVR、aVL和aVF中的I、II、III任意选取，A中其他(m-2)个导联从胸导联V1、V2、V3、V4、V5和V6中任意选取；待重建的其余4个肢体导联组成肢体导联组B＝{L_m+1,L_m+2,L_m+3,L_m+4}，待重建的其余(8-m)个胸导联组成胸导联组C＝{L_m+5,L_m+6,…,L₁₂}；所述重建方法包括以下步骤：

a)肢体导联组B的信号重建采用公式计算方法，公式如下：

I-II+III＝0

aVR＝-(I+II)/2

aVL＝I-II/2

aVF＝II-I/2

b)胸导联组C的信号重建采用基于遗传算法优化的BP神经网络的非线性方法，过程如下：

1)采集用户的标准12导联心电信号作为个人数据库，作为非线性方法BP神经网络的训练数据集；

2)建立BP神经网络，BP神经网络的输入神经元个数为m个，分别为A中的L₁、L₂、...、L_m，输出神经元数目为(8-m)个，分别为C中的L_m+5、L_m+6、…、L₁₂，并通过传输函数将数据传输到隐含层，通过激活函数来输出神经元；

3)用遗传算法来优化该网络的初始权值和阈值设置，过程如下：

3.1)将BP神经网络的初始权值和阈值建模成一个染色体，对种群进行初始化；

3.2)计算种群中每条染色体的适应度；

3.3)根据适应度大小分配相应的概率来选择染色体进入下一步操作，染色体的适应度越大，选择的概率也越大，反之被选到的概率越小；

3.4)对染色体进行交叉和变异操作，产生新的染色体个体和种群；

3.5)返回第2.2)步，循环执行步骤2.2)～2.5)；循环过程的终止条件通过观察染色体适应度的变化来确定，当染色体的适应度收敛时，则停止染色体的进化过程；

3.6)选出适应度最大的染色体作为遗传算法优化的结果，作为BP神经网络的初始权值和阈值设置；

4)训练初始设置经2)优化的BP神经网络，直到训练误差满足要求为止；

5)将完成训练的网络用于标准12导联心电信号中胸导联的重建。

进一步，所述步骤3.2)中，所述的种群中每条染色体的适应度计算采用以下方法：

在每一代遗传过程中，对种群中的每条染色体分别建立一个新的BP神经网络，该网络只用于对应染色体的适应度计算，初始的权值和阈值设置成染色体相对应的值；随机选取数据库中设定比例的数据对该网络进行训练，训练终止条件通过设置固定的迭代次数来实现；数据库剩下的数据用于测试，测试数据中导联组A的信号L₁、L₂、...、L_m输入到完成训练的BP神经网络，输出结果与真实结果进行均方根误差mse的计算，适应度fitness则以mse的倒数来计算：

$\mathrm{fitness}=1/\mathrm{mse}=1/\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{8-m}{\mathrm{\Σ}}}{(Y_{\mathrm{ij}}-X_{\mathrm{ij}})}^2}{n}}$

其中，Y_ij和X_ij分别为第j个输出神经元的第i个采样点的输出结果和真实结果的值，(8-m)为神经网络输出神经元的数目，n为数据采样点的个数。

本实施例提出的标准12导联心电信号重建方法，其实施的流程图如图1所示，分为两个部分：肢体导联信号重建和胸导联信号重建。肢体导联重建采用公式计算的方法，而胸导联重建用基于遗传算法优化的BP神经网络的非线性方法实现。

本例中选择肢体导联中的导联I、II以及胸导联中的V2作为重建导联组{I，II，V2}。其余肢体导联{III，aVR，aVL，aVF}的信号重建采用如下公式计算，重建准确率为100％：

III＝II-I

aVR＝-(I+II)/2

aVL＝I-II/2

aVF＝II-I/2

而其余胸导联{V1，V3，V4，V5，V6}的信号则采用基于遗传算法优化的BP神经网络的非线性方法实现。首先用户需要心电图仪采集完整的标准12导联心电数据作为个体数据库。数据库至少需包含10秒以上的心电数据。在数据库已建立的情况下，只需采集I、II和V2的信号即可重建出所有的胸导联信号。

胸导联信号重建中第二步是建立BP神经网络N，如图2所示，N的输入神经元为In＝3个，分别为I、II和V2，输出神经元为Out＝5个，分别为V1、V3、V4、V5和V6。网络的隐藏层层数为h，神经元个数为c，本例中分别取1和10。神经元通过sigmoid型传输函数将数据传给隐含层，隐含层通过线性激活函数purelin输出相应的神经元。其中w1ij为输入层第i个神经元到隐含层第j个神经元之间的连接权值，w2jk为隐含层第j个神经元到输出层第k个神经元之间的连接权值，b1j为隐含层第j个神经元的阈值，b2k为输出层第k个神经元的阈值，而i∈{1，2，...，In}，j∈{1，2，...，c}，k∈{1，2，...，Out}。

而遗传算法的优化过程包括以下步骤：

1)将BP神经网络N的初始权值和阈值建模成一个染色体，对种群进行初始化。具体地，首先将该网络的输入输出值都归一化到[-1，1]。接着随机生成[-1，1]之间的初始权值和阈值(w1ij,w2jk,b1j,b2k)，并按顺序排列建模成一个染色体，则染色体包含了(In*c+c+c*Out+Out)个元素，本例中为95。种群规模定义为一个常数，本例中取10。

2)计算种群中每条染色体的适应度。适应度计算采用以下的方法：在每一代遗传过程中，对种群中的每条染色体分别建立一个新的BP神经网络，该网络只用于对应染色体的适应度计算，其结构与BP神经网络N相同，而初始的权值和阈值设置成染色体相对应的值；随机选取数据库中一定比例的数据对该网络进行训练，训练终止条件通过设置固定的迭代次数来实现，该迭代次数通常设置较小，以避免过训练；数据库剩下的数据用于测试，测试数据中导联组A的信号L1，L2和L3输入到完成训练的BP神经网络，输出结果与真实结果进行均方根误差mse的计算，适应度fitness则以mse的倒数来计算：

$\mathrm{fitness}=1/\mathrm{mse}=1/\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{8-m}{\mathrm{\Σ}}}{(Y_{\mathrm{ij}}-X_{\mathrm{ij}})}^2}{n}}$

其中，Y_ij和X_ij分别为第j个输出神经元的第i个采样点的输出结果和真实结果的值，(8-m)为神经网络输出神经元的数目，此例为5，n为数据采样点的个数。

3)给不同适应度的染色体分配不同的选择概率，通过轮盘法来进行选择。即染色体的适应度值越大，被选择的概率也越大，反之被选到的概率越小。

4)对染色体进行交叉和变异操作，产生新的染色体个体和种群。交叉概率和变异概率分别为Pc和Pm，本例中取50％和10％。

5)返回第2)步，循环执行步骤2)～5)。循环过程的终止条件通过观察染色体适应度的变化来确定，当染色体的适应度收敛时，则停止染色体的进化过程。

6)最后选出适应度最大的染色体作为遗传算法优化的结果。

当遗传算法优化好初始权值和阈值后，将其作为BP神经网络N的初始设置进行训练。得到完成训练的BP神经网络N后，只需将已知的重建导联组的信号I、II和V2作为神经元输入到该网络，网络的输出神经元即为重建出的各个胸导联信号V1、V3、V4、V5和V6。本例中选取The PTB Diagnostic ECG Database数据库进行仿真，结果显示，其重建出的胸导联信号与真实信号之间的平均相关系数可达95％以上，本发明的方法较大程度提高了标准12导联心电信号中胸导联的重建准确率。

Claims (2)

1.一种标准12导联心电信号重建方法，其特征在于：用来重建的已知导联数为m个，m＝3,4,…,7，记作重建导联组A＝{L₁,L₂,…,L_m}，A中的2个导联从肢体导联I、II、III、aVR、aVL和aVF中的I、II、III任意选取，A中其他(m-2)个导联从胸导联V1、V2、V3、V4、V5和V6中任意选取；待重建的其余4个肢体导联组成肢体导联组B＝{L_m+1,L_m+2,L_m+3,L_m+4}，待重建的其余(8-m)个胸导联组成胸导联组C＝{L_m+5,L_m+6,…,L₁₂}；所述重建方法包括以下步骤：

a)肢体导联组B的信号重建采用公式计算方法，公式如下：

I-II+III＝0

aVR＝-(I+II)/2

aVL＝I-II/2

aVF＝II-I/2

b)胸导联组C的信号重建采用基于遗传算法优化的BP神经网络的非线性方法，过程如下：

1)采集用户的标准12导联心电信号作为个人数据库，作为非线性方法BP神经网络的训练数据集；

2)建立BP神经网络，BP神经网络的输入神经元个数为m个，分别为A中的L₁、L₂、...、L_m，输出神经元数目为(8-m)个，分别为C中的L_m+5、L_m+6、…、L₁₂，并通过传输函数将数据传输到隐含层，通过激活函数来输出神经元；

3)用遗传算法来优化该网络的初始权值和阈值设置，过程如下：

3.1)将BP神经网络的初始权值和阈值建模成一个染色体，对种群进行初始化；

3.2)计算种群中每条染色体的适应度；

3.3)根据适应度大小分配相应的概率来选择染色体进入下一步操作，染色体的适应度越大，选择的概率也越大，反之被选到的概率越小；

3.4)对染色体进行交叉和变异操作，产生新的染色体个体和种群；

3.5)返回第2.2)步，循环执行步骤2.2)～2.5)；循环过程的终止条件通过观察染色体适应度的变化来确定，当染色体的适应度收敛时，则停止染色体的进化过程；

3.6)选出适应度最大的染色体作为遗传算法优化的结果，作为BP神经网络的初始权值和阈值设置；

4)训练初始设置经2)优化的BP神经网络，直到训练误差满足要求为止；

5)将完成训练的网络用于标准12导联心电信号中胸导联的重建。

2.如权利要求1所述的一种标准12导联心电信号重建方法，其特征在于：所述步骤3.2)中，所述的种群中每条染色体的适应度计算采用以下方法：

在每一代遗传过程中，对种群中的每条染色体分别建立一个新的BP神经网络，该网络只用于对应染色体的适应度计算，初始的权值和阈值设置成染色体相对应的值；随机选取数据库中设定比例的数据对该网络进行训练，训练终止条件通过设置固定的迭代次数来实现；数据库剩下的数据用于测试，测试数据中导联组A的信号L₁、L₂、...、L_m输入到完成训练的BP神经网络，输出结果与真实结果进行均方根误差mse的计算，适应度fitness则以mse的倒数来计算：

$\mathrm{fitness}=1/\mathrm{mse}=1/\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{8-m}{\mathrm{\Σ}}}{(Y_{\mathrm{ij}}-X_{\mathrm{ij}})}^2}{n}}$

其中，Y_ij和X_ij分别为第j个输出神经元的第i个采样点的输出结果和真实结果的值，(8-m)为神经网络输出神经元的数目，n为数据采样点的个数。