[论文解读] ECG beats classification using waveform similarity and RR interval

Ahmad Khoureich Ka|arXiv (Cornell University)|Jan 10, 2011

ECG Monitoring and AnalysisMedicine参考文献 9被引用 21

一句话总结

该论文提出了一种基于波形相似性和RR间期特征的患者自适应ECG搏动分类方法，采用离散小波变换进行去噪和搏动压缩。该方法在MIT-BIH心律失常数据库的46个记录中对六种搏动类型实现了97.52%的分类准确率，当排除RR间期变异性较高的记录时，性能进一步提升至98.53%。

ABSTRACT

This paper present an electrocardiogram (ECG) beat classification method based on waveform similarity and RR interval. The purpose of the method is to classify six types of heart beats (normal beat, atrial premature beat, paced beat, premature ventricular beat, left bundle branch block beat and right bundle branch block beat). The electrocardiogram signal is first denoised using wavelet transform based techniques. Heart beats of 128 samples data centered on the R peak are extracted from the ECG signal and thence reduced to 16 samples data to constitute a feature. RR intervals surrounding the beat are also exploited as feature. A database of annotated beats is built for the classifier for waveform comparison to unknown beats. Tested on 46 records in the MIT/BIH arrhythmia database, the method shows classification rate of 97.52%.

研究动机与目标

• 开发一种低复杂度、患者自适应的ECG搏动分类系统，通过利用个体患者波形形态提升分类准确率。
• 解决ECG搏动在不同患者之间及同一患者内部的波形可变性问题，该问题阻碍了传统自动分类方法的应用。
• 利用离散小波变换（DWT）对ECG信号进行去噪，以改善搏动特征提取。
• 从人工标注的搏动中构建动态搏动数据库，用于实时分类器自适应调整。
• 通过基于相似性的分类器实现高分类准确率，且不依赖神经网络或复杂模型。

提出的方法

• 通过基线漂移消除与离散小波变换（DWT）的软阈值处理相结合的方式对ECG信号进行去噪。
• 以R波峰为中心提取128样本的搏动段，并通过DWT将其压缩为16样本的特征表示，以实现紧凑表达。
• 利用每个搏动前后RR间期作为附加特征，以增强分类性能。
• 从每个ECG记录的前5分钟人工标注搏动中构建患者特异性搏动数据库。
• 通过基于波形相似性（阈值≥0.95）的聚类对搏动进行分类，并根据搏动数据库中最近似匹配的结果分配标签。
• 相似性函数比较归一化的16样本波形，分类依赖于患者特异性知识的累积。

实验结果

研究问题

• RQ1 仅使用波形相似性和RR间期特征，患者自适应的ECG搏动分类器能否实现高准确率？
• RQ2 整合患者特异性标注搏动在性能上如何优于通用模型？
• RQ3 RR间期变异性在多大程度上影响ECG搏动分类中的误分类率？
• RQ4 基于小波的预处理能否有效降低噪声，同时保留用于搏动分类的诊断波形形态？
• RQ5 与基于神经网络或模糊逻辑的方法相比，所提出方法在准确率和计算成本方面表现如何？

主要发现

• 所提方法在MIT-BIH心律失常数据库的46个记录中实现了总体97.52%的分类准确率。
• 当排除RR间期变异性较高的记录（203、222、223）后，准确率提升至98.53%。
• 记录203的准确率最低（76.00%），主要由于RR间期波动导致正常搏动与房性早搏在波形上产生混淆。
• 该方法在六种搏动类型上的准确率优于多个现有方法，包括ICA的99.51%和FHNN的98.35%，尽管测试条件不同。
• 分类器通过患者特异性搏动数据库的增量学习实现低计算成本和良好的可扩展性。
• 误分类常与MIT-BIH标注文件中R波峰定位不准有关，提示未来工作需改进R波峰检测。