心電圖（ECG，Electrocardiogram）是人體心臟活動的視覺時間序列，是醫(yī)生診斷心臟病的重要依據(jù)。

基于傳統(tǒng)心電圖分類的診療技術(shù)基本依靠人力完成。專家以自己多年積累的經(jīng)驗和大量心臟領(lǐng)域的知識，得到準(zhǔn)確的診斷結(jié)果。

然而，在心臟疾病高發(fā)的當(dāng)今，每天都有大量的患者去做心電圖，完全依靠人力去診斷，效率十分低下，而且也可能出現(xiàn)誤診斷，會對患者和醫(yī)院造成不好的影響[1]。 為了解決上述問題，基于心電圖自動分類診斷技術(shù)開始出現(xiàn)。

本文在心電圖采信號數(shù)據(jù)采集和傳輸方面，設(shè)計了基于 STM32 單片機(jī)的硬件心電數(shù)據(jù)采集系統(tǒng)，采用 BMD101 芯片采集原始心電信號數(shù)據(jù)，并用藍(lán)牙和 WiFi 將數(shù)據(jù)發(fā)送到 PC 端上位機(jī)和安卓手機(jī) APP 上進(jìn)行分類處理。

1 ?心電信號分類識別方法的研究現(xiàn)狀

目前，有兩種主要的心電圖分類研究形式，基于波形形狀的分類方法和基于波形特征的分類方法[2]。

基于波形形狀分類方法中，需要提取特征波形，然后使用醫(yī)學(xué)分類規(guī)則對其進(jìn)行判斷。Philip Deehazal 等人利用心電圖的形態(tài)特征和間期等 12 個特征進(jìn)行訓(xùn)練和測試[3]，將心拍分為 5 類，準(zhǔn)確率達(dá)到 0.81。李坤陽等人結(jié)合小波變換和數(shù)學(xué)形態(tài)學(xué)，通過檢測心電圖的 QRS 波的特征點得到 QRS 波寬和 RR 間期等參數(shù)，再結(jié)合專家的臨床經(jīng)驗，將心拍分為 4 類，準(zhǔn)確率達(dá)到 0.94[4]。基于波形形態(tài)的分類方法對心電圖的質(zhì)量效果要求較高，抗干擾能力較差，對各波形的特征點的識別精確度要求較高，不適合處理動態(tài)心電圖。所以，采用此類方法提取到的特征向量不夠充分，導(dǎo)致分類診斷類型比較少，診斷準(zhǔn)確率也比較低。

基于波形特征的分類方法是目前應(yīng)用最廣泛的一種心電圖分類識別方法，劉世雄利用小波分析定位 QRS 波群的位置，接著分別從 QRS 波群中提取 26 個特征向量，最終采用模糊聚類方法對心電圖進(jìn)行分類[5]。駱德漢等人采用基于多階前饋的人工神經(jīng)網(wǎng)絡(luò)對心電圖進(jìn)行了 6 分類[6]。

季虎基于多重判別和主成分分析提取特征，最后利用支持向量機(jī)進(jìn)行分類[7]。Yusn 等人利用獨立分量分析在時域上提取心電圖特征，對心電圖直接處理，最后利用神經(jīng)網(wǎng)絡(luò)對心電圖進(jìn)行 6 分類[8]，取得了較好的結(jié)果。

Osowski 等人設(shè)計出一個將模糊自組織層和多層感知器進(jìn)行級聯(lián)的分類器，對心電信號實現(xiàn)了 7 分類[9]，分類正確率達(dá)到了 96%。Owis 等人在心電信號的傅立葉變換域上分析提取特征向量，采用近鄰法分類，最后實驗得到該方法對 5 種心臟狀況類型取得了 100% 的識別率，但對除了這 5 種類型其他的心臟狀況識別率一般。

2 硬件電路的設(shè)計

2.1 系統(tǒng)介紹

該心電采集監(jiān)測系統(tǒng)主要有四個模塊組成：心電數(shù)據(jù)采集模塊，無線傳輸模塊，Android 端 APP 數(shù)據(jù)接收處理模塊和 PC 端上位機(jī)數(shù)據(jù)接收處理模塊。

當(dāng)用戶出現(xiàn)心臟不適后，可以立刻使用該采集設(shè)備去采集心電信號，采集到的數(shù)據(jù)通過藍(lán)牙傳輸至 Android 手機(jī)的 APP，該 APP 可以實時顯示心電波形和心跳速率，并能夠定位到該用戶的地理位置，并將數(shù)據(jù)上傳到服務(wù)器。

2.2 采集模塊

? ? 2.2.1 心電采集芯片

BMD101 芯片具有先進(jìn)的模擬前端電路和靈活強大的數(shù)字信號處理結(jié)構(gòu)。它可以采集從 μV 到 mV 的生物信號，然后經(jīng)過 Neurosky 的專利算法處理。BMD101 的核心是一個功能強大的系統(tǒng)管理單元。它負(fù)責(zé)整體系統(tǒng)配置、運行管理、內(nèi)外通信、專有算法計算和電源管理。BMD101 還配有固化 DSP 數(shù)字信號處理模塊來加速對系統(tǒng)管理單元監(jiān)控下的各種數(shù)字濾波的計算。

? 2.2.2 實物展示

圖 1 心電采集硬件系統(tǒng)實物圖

3 分類算法及系統(tǒng)軟件設(shè)計

本文采用開源深度學(xué)習(xí)框架 Faster R-CNN 進(jìn)行目標(biāo)檢測，該框架下對于特定網(wǎng)絡(luò)模型的訓(xùn)練，對GPU 的性能有一定的要求。對于 ZF net 網(wǎng)絡(luò)模型和 VGG-16 net 網(wǎng)絡(luò)，分別要求 GPU 的顯存至少是 3 GB 和 8 GB。

3.1 數(shù)據(jù)集構(gòu)建

數(shù)據(jù)集的構(gòu)建包括訓(xùn)練集的構(gòu)建和測試集的構(gòu)建。其中，訓(xùn)練集的構(gòu)建包括：提取的 44 組人體心電數(shù)據(jù)、R 波檢測、節(jié)拍圖截取、節(jié)拍歸類、平移旋轉(zhuǎn)擴(kuò)充節(jié)拍圖等操作，最終將擴(kuò)充后的節(jié)拍圖集作為實驗訓(xùn)練集。測試集的構(gòu)建包括采集人體心電數(shù)據(jù)、預(yù)處理操作、R 波檢測和節(jié)拍圖的截圖等操作，最終獲取的未標(biāo)記的節(jié)拍圖集作為測試集。

3.1.1 心電圖R波檢測

小波變換技術(shù)在提升 Q 波檢測的準(zhǔn)確性方面表現(xiàn)出了良好的性能。根據(jù)小波變換理論，R 波峰與模最大模數(shù)最小值的零點具有穩(wěn)定的位移關(guān)系。 因此，使用小波變換來檢測 QRS 波是通過定位 R 波的方法的最大值的模數(shù)來檢測 R 波，從 R 峰值位置開始 選擇較小的刻度，向前和向后搜索 QRS 波開始和結(jié)束，以避免 QRS 波的寬度失真。對于干擾嚴(yán)重或非典型 R 波的情況，需提煉其模極大值點，以降低噪聲對模極值點的干擾。

本實驗中，通過離散小波變換方法檢測心電信號的 R 波。首先檢測模極大值，接著檢測零點，即可以檢測并給出到 QRS 波的位置。然后引入自適應(yīng)噪聲閾值，通過閾值判斷檢測到的尖峰位置是 R 波還是毛刺。圖 2 展示了 R 波點的在心電信號的位置。

3.1.2 心電節(jié)拍圖提取

本文在心電節(jié)拍圖提取上采用滑動窗口搜索方法，如圖 3 所示，針對前一節(jié)內(nèi)容中小波變換檢測出的每個 R 波點，記錄下當(dāng)前 R 點坐標(biāo)，以當(dāng)前 R 點為參考向左搜索 250 ms，如果位置點存在，則記錄下此左端點坐標(biāo)，否則停止搜索；再以當(dāng)前 R 點為參考向右搜索 250 ms，如果位置點存在，則記錄下此右端點坐標(biāo)，否則停止搜索。以左右端點為邊界截取圖形，即作為實驗中深度學(xué)習(xí)網(wǎng)絡(luò)中的樣本輸入。

圖 4 所示為上述方法提取的 5 種類別樣本圖示例。從圖中可以看出不同類別的心電節(jié)拍形狀存在較大差異，有利于提升分類模型的性能。

3.2 訓(xùn)練分類模型

深度學(xué)習(xí)的訓(xùn)練過程：在監(jiān)督學(xué)習(xí)中，將帶有標(biāo)簽的數(shù)據(jù)集按照一定的策略輸入到深度網(wǎng)絡(luò)模型中，在成千上萬次迭代學(xué)習(xí)過程中，該模型不斷調(diào)整其內(nèi)部參數(shù)，最終成為一個具有有效分類作用的模型。

在本文中，以 xml 文件保存的訓(xùn)練集中，每一張具體的圖像作為自變量 xi，圖像中的目標(biāo)包圍框坐標(biāo) [x1，y1，x2，y2] 以及目標(biāo)分類 Label（Label∈{“N”，“S”，“V”，“F”}）作為因變量 yi。類似于二維空間中大量的點可以通過線性回歸擬合出一條直線，深度學(xué)習(xí)中大量的（xi，yi）可以擬合出一個非常復(fù)雜的函數(shù)，該函數(shù)由其參數(shù)確定。

所以，深度學(xué)習(xí)網(wǎng)絡(luò)模型的本質(zhì)是訓(xùn)練出一個包含大量參數(shù)的非常復(fù)雜的非線性函數(shù)，以用于當(dāng)給定自變量時，預(yù)測因變量的值。

在 Faster R-CNN 框架下，訓(xùn)練需要修改的幾個部分。

（1） 修改數(shù)據(jù)集路徑、標(biāo)簽、以及其他超參數(shù)的相關(guān)文件。

（2） 修改 train_val.prototxt、test.prototxt 中的類別數(shù)量。

（3） 修改 solver 文件，并設(shè)置其路徑。

（4） 運行腳本 script_faster_rcnn_VOC2007_ZF.m，執(zhí)行訓(xùn)練。

（5） 訓(xùn)練完成后，對生成的 detection_test.prototxt 文件進(jìn)行修改。

在參數(shù)設(shè)置環(huán)節(jié)，本文主要采用默認(rèn)的參數(shù)，而只針對 solver 文件中的 max_iter 和 stepsize 進(jìn)行修改。max_iter 代表訓(xùn)練過程中的最大迭代次數(shù)，該參數(shù)過小會導(dǎo)致模型訓(xùn)練不充分，過大則可能導(dǎo)致模型過擬合（訓(xùn)練過于充分）。stepsize 代表執(zhí)行學(xué)習(xí)率衰減策略時的迭代次數(shù)，亦即迭代多少次之后進(jìn)行學(xué)習(xí)率衰減。學(xué)習(xí)率是深度學(xué)習(xí)訓(xùn)練過程中的重要參數(shù)：在訓(xùn)練的初始階段，會設(shè)置一個較大的學(xué)習(xí)率，以便快速收斂；在訓(xùn)練的后期，會減小學(xué)習(xí)率，以免因步幅太大而錯過最優(yōu)值。

本文所采用的數(shù)據(jù)集包含 800 張圖像，在不同的參數(shù)下進(jìn)行了多次訓(xùn)練實驗，最后發(fā)現(xiàn) max_iter 和 stepsize 的值分別為 4 000 和 3 000 時，訓(xùn)練結(jié)果最佳。

3. 分類效果測試

本文所采用的 Faster R-CNN 框架對于心電節(jié)拍的分類結(jié)果包含三個方面：目標(biāo)位置 box、目標(biāo)分類以及得分 score，其中，目標(biāo)位置是以一個矩形 box 的左上頂點和右下頂點的坐標(biāo)來確定的，是一個 1×4 維的矩陣；目標(biāo)分類是模型對于該位置下，圖像類別的判斷結(jié)果。在本文中，它只有 4 個離散值可取；得分 score 是模型對于該分類結(jié)果的評價，取值范圍在 0~1 之間。分類測試結(jié)果如圖 ?5 所示。

在心電圖采信號數(shù)據(jù)采集和傳輸方面，設(shè)計了基于 STM32 單片機(jī)的硬件心電數(shù)據(jù)采集系統(tǒng)，采用 BMD101 芯片采集原始心電信號數(shù)據(jù)，并用藍(lán)牙和 WiFi 將數(shù)據(jù)發(fā)送到 PC 端上位機(jī)和安卓手機(jī) APP上。在心電信號數(shù)據(jù)接收方面，編寫了 PC 端上位機(jī)來實現(xiàn)心電信號的實現(xiàn)顯示與保存，同時編寫了安卓端 APP 來實現(xiàn)心電信號的實時顯示，同時能定位到當(dāng)前使用者的地理位置，并將心電數(shù)據(jù)上傳到遠(yuǎn)端服務(wù)器上。

心電圖的正確分類取決于提取正確的特征，本文直接對預(yù)處理后的心電信號進(jìn)行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，逐層提取心電圖特征，最終擬合出心電圖自動分類的模型，用訓(xùn)練好的分類模型對心電圖進(jìn)行分類測試，得到了良好的效果。