基于极限学习机的左束支传导阻滞辅助诊断研究-中国生物医学工程学报.PDF

３６ 卷 ３ 期 中　 国　 生　 物　 医　 学　 工　 程　 学　 报 Ｖｏｌ． ３６　 Ｎｏ． ３ ２０１７年６月 Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｊｕｎｅ　 ２０１７ 基于极限学习机的左束支传导阻滞辅助诊断研究 １ １ ２ １∗ ３∗ 王之琼 　 吴承暘　 信俊昌　 赵　 越 　 李　 响 １（东北大学中荷生物医学与信息工程学院，沈阳　 １１０１６９） ２ （东北大学计算机科学与工程学院，沈阳　 １１０００４） ３ （大连医科大学附属第二医院，辽宁 大连　 １１６０２７） 摘　 要：左束支传导阻滞（ＬＢＢＢ）作为临床常见的一种心律失常，是左心室收缩功能减低、患者死亡率增加的标 志；利用机器学习算法对其进行辅助诊断，将对ＬＢＢＢ早发现、早治疗起到积极的推动作用。 然而，由于目前常用的 支持向量机（ＳＶＭ）等传统的机器学习算法容易产生局部最优解，准确度有待提高，因此提出一种基于极限学习机 （ＥＬＭ）的ＬＢＢＢ辅助诊断算法。 首先，利用小波进行心电信号预处理，包括基线漂移、肌电噪声及工频干扰的去 除；接着，确定ＱＲＳ波群与Ｔ波位置；然后，根据临床上ＬＢＢＢ患者比正常人的ＱＲＳ波群持续时间延长等特点，建立 融合时域、形态与能量３类特征的特征模型；最后，利用该模型提取的特征集合，提出基于ＥＬＭ 的ＬＢＢＢ辅助诊断 算法。 此外，在ＭＩＴ＿ＢＩＨ数据库中的５０００份ＥＣＧ数据上进行实验验证，结果表明所提出的预处理与波形提取算法 能有效去除噪声并提取ＱＲＳ⁃Ｔ特征波；在ＬＢＢＢ的判别上，相比ＳＶＭ算法、ＥＬＭ算法的训练时间缩短了８８５％；同 时，在准确率、灵敏度、特异度、ＬＢＢＢ检出率和正常人检出率的指标上，分别提升２４％、５４％、１２％、３６％和２％。 因此，基于ＥＬＭ 的ＬＢＢＢ辅助诊断算法具有明显优势。 关键词：极限学习机；左束支传导阻滞；机器学习算法；心电信号处理；特征提取 中图分类号：Ｒ３１８　 　 文献标志码：Ａ　 　 文章编号：０２５８⁃８０２１（２０１７）０３⁃０２９３⁃０７ Ａｌｇｏｒｉｔｈｍ ｏｆ Ｌｅｆｔ Ｂｕｎｄｌｅ Ｂｒａｎｃｈ Ｂｌｏｃｋ Ｄｉａｇｎｏｓｉｓ Ｂａｓｅｄ ｏｎ ＥＬＭ １ １ ２ １∗ ３∗ Ｗａｎｇ Ｚｈｉｑｉｏｎｇ 　 Ｗｕ Ｃｈｅｎｇｙａｎｇ 　 Ｘｉｎ Ｊｕｎｃｈａｎｇ 　 Ｚｈａｏ Ｙｕｅ 　 Ｌｉ Ｘｉａｎｇ １ （Ｓｉｎｏ⁃Ｄｕｔｃｈ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｈｏｏｌ ｏｆ Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ １１０１６９，Ｃｈｉｎａ） ２ （Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ ｏｆ Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ １１０００４，Ｃｈｉｎａ） ３ （Ｔｈｅ Ｓｅｃｏｎｄ Ｈｏｓｐｉｔａｌ ｏｆ ＤａｌｉａｎＭｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｄａｌｉａｎ １１６０２７，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｓ ａ ｃｏｍｍｏｎ ｃｌｉｎｉｃａｌ ａｒｒｈｙｔｈｍｉａ，ｌｅｆｔ ｂｕｎｄｌｅ ｂｒａｎｃｈ ｂｌｏｃｋ ｉｓ ａ ｓｉｇｎａｌ ｏｆ ｌｅｆｔ ｖｅｎ