摘 要： EPIC ECG穿戴裝置是一種基于新型電勢測量元件的非接觸電機的穿戴心電獲取裝置。首先提出了穿戴式心電獲取裝置整體架構；其次基于心拍的數值表征參數和形態，在已有的支持向量機算法對心電信號進行預測分類的基礎上，重點研究如何利用專家庫和輪廓模式識別結合的綜合特征向量提取方法對分類準確度進行改進；最后利用MIT-BIH數據庫數據進行了實驗驗證。實驗結果表明，綜合特征向量的應用提高了SVM的分類準確度。
0 引言
心血管疾病是導致人類死亡的主要病種。ECG的實時采集和自動識別，將大幅提高預防突發性心臟疾病與早期發現的能力。Plessey公司的電勢集成電路（Electric Potential Integrated Circuit，EPIC）傳感器采用電容耦合技術，電極可不與皮膚接觸，隔著絕緣織物仍可采集到心電信號[1]。本文旨在研究一種用于ECG穿戴裝置中的分類預測算法并進行優化，提高實時預警能力。
1 EPIC裝置實時心臟疾病預警方案
1.1 EPIC ECG系統
基于EPIC的穿戴系統與人體的連接如圖1所示[1]。現有的ECG實時采集設備（如Holter等）仍需將采集的心電信號送給醫學專業人員進行分析，不具備自動分析和實時預警功能。
1.2 實時預警系統實現架構
EPIC的穿戴系統主要包括ECG獲取子系統和后端的支持向量機（Support Vector Machine，SVM）的模式識別分類子系統，如圖2所示。
該系統可將獲取的ECG心電信號數字化以后利用現代通信手段輸出到個人計算機平臺或移動終端顯示并存儲。利用SVM算法，計算機或移動終端可對獲取自EPIC傳感器并預處理完畢后的心電信號進行實時分析預警。
2 心拍與ECG數據庫的建立
完整的心電圖由基本單位心拍構成。一個完整的心拍由不同特征的波形組成，各個波形按照次序依次發生，如圖3所示。
心電圖還包含在診斷中提供重要信息的形態特征[2]。本文初始化數據庫用到的數據主要取樣自MIT-BIH數據庫。用MATLAB讀取該數據庫數據，選取表1所示的4種心電圖數據，4種心電圖數據的典型形態如圖4所示。
3 ECG特征向量提取
3.1 基于專家庫的特征提取方法介紹
醫生在診斷過程中以心拍特征為基礎。心電圖屬于典型的圖形信息，本文列出幾類醫生關注的心電圖信息類別：數值特征，即時間特征與振幅特征，如PR間期、Q波振幅等；病人信息，如性別、年齡；形態特征，如QRS圖像和ST圖像特征等。
振幅特征、時間特征及病人信息容易表達及測量，整理其信號特征如表2所示。
分類時，利用上述13組實際值首先進行歸一化，然后作為SVM的輸入向量，進行分類識別。
3.2 基于輪廓的特征向量提取方法
根據要獲得的目標形態區域，即QRS形態、RT間期波形態、PR間期波形態，按圖5所示流程計算得到圖像，使用8連接鄰域尋找心拍圖像的心拍骨架線，把骨架線上各點坐標的x、y值輸入一個二維數組中。標準化這個二維數組，使之變為相同大小的新數組。依次取新數組中的兩個元素，按式（1）將?茲值輸入新數組。
其中，?茲是求得的每兩個相鄰邊界點的角度值。?茲作為圖像的特征向量，通過一次SVM方法將圖像分類，最后將分好的類別值作為3個新特征向量，去除表1中3個特征向量，組成13組新特征向量作為SVM的輸入，重新進行分類識別。
4 SVM分類平臺設計
SVM從在線性可分類條件下求取最優化分類逐漸發展而來。過距離兩類樣本分類面最近的點并且與兩類樣本最優分類面平行的超平面上的所有訓練樣本，被稱做支持向量[3]。
常用構造拉格朗日乘子法求解帶有約束條件的優化問題[4]。對于高維特征空間，SVM算法引入核函數，然后轉化為類比于式（2）的優化問題：
內積函數k（xi，xj）采用不同的函數形式，得到不同的支持向量機，分類效果也各不相同。對于多分類問題，可采用兩類問題的“一對一”和“一對多”方案實現[5]。
5 實驗方案與結果分析
5.1 輸入
以初始化數據庫中的部分數據為訓練集樣本，見表1。對樣本取均值以消除基線漂移，再與標準偏差做商，可避免由于不同儀器產生的幅度偏差造成的誤判。特征值按表2特征值選取。以MITBIH數據庫中的一部分數據為測試樣本，處理方法同訓練樣本。
5.2 核函數選擇
SVM輸出性能的優劣與內積函數及其系數、懲罰因子等參數的選擇有較大關系。本文選擇徑向積核函數作為核函數[6]：
其中，ρsens為敏感度，ρindiv為特異度，ρacc為準確度[7]。
現在對屬于MIT-BIH數據庫中的測試樣本做詳細分析。選擇表2中13組特征向量和去除表2中3組向量再加入3組形態特征向量后的13組新特征向量作為SVM輸入，其分類準確度根據選取的被替換3組特征向量的不同而不同。表3列出了3種不同替換選擇對分類準確度的影響結果。
實驗結果表明，綜合特征向量輸入的分類準確度有所提高，提高程度依賴于被替換特征向量的類型。當S波振幅、PQ間期、ST間期3個特征向量被替換時，分類準確度提高程度最明顯，總分類準確度提高了6.2%。EGG信號測試集識別結果如表4所示，S波振幅、PQ間期、ST間期3個特征被替換后的性能指標如表5所示，其中V、B兩種類型數據測試結果最優，N、A測試結果較差。
6 結論
本文所提出的算法在個人計算機上的應用的技術難題已經解決，而在移動終端上SVM算法的實現、數據庫的全面性建設和已獲取信號的重利用是作者今后研究的方向和重點。
參考文獻
[1] LOWNE A， BREAKSPEAR R. Non-contact ECG measurement using EPIC sensors[R/OL]. UK： Plessey Semiconductors Inc， 2012[2012-3-26]. http：//www.plesseysemiconductors.com/epic-fitness-plessey-semiconductors.php.
[2] ?魻ZLEM ?魻ZCAN N， G?譈RGEN F. Fuzzy support vector machines for ECG arrhythmia detection[J]. International Conference on Pattern Recognition， 2010，2973-2976
[3] 鄧乃揚，田英杰.數據挖掘中的新方法——支持向量機[M].北京：科學出版社，2004.
[4] Vapnik.統計學習理論[M].張學工，譯.北京：電子工業出版社，2004.
[5] 唐孝，唐麗，莫智文.基于支持向量機算法的ECG分類策略[J].生物醫學工程學雜志，2008，25（2）：246-249.
[6] 周珂，彭宏，胡勁松.支持向量機在心電圖分類診斷中的應用[J].微計算機信息，2006（22）：237-239.
[7] 謝亮，汪曉東.基于改進的快速獨立分量分析與支持向量機的ECG分類診斷[J].儀器儀表學報，2009，30（12）：2599-2604.