隱藏式馬可夫模型應用於心電圖信號的自動分類
57
0
0
全文
(2) 隱藏式馬可夫模型應用於心電圖信號的自動分類 指導教授：潘欣泰 博士 國立高雄大學資訊工程研究所 學生：陳弘晉 國立高雄大學資訊工程研究所 摘要 心臟，是人體中最重要的器官之一，心臟能夠正常的運作，血液才得以在體內維持 新陳代謝，但是，當心臟無法進行規律的收縮時，血液便無法順利輸送，而使人產生胸 痛、呼吸急促、頭暈等症狀，嚴重時更可能危及生命，這樣的情形則稱為心律不整(cardiac arrhythmia)。 心律不整通常由專家及醫師藉著心電圖(electrocardiogram, ECG)的輔助來進行診 察，因為在心電圖信號中，提供了許多重要的診斷資訊，但由於以人工的方式進行心電 圖信號判讀十分費時，因此在本研究中採用了隱藏式馬可夫模型(Hidden Markov Model, HMM)來對不同類型的心電圖信號進行自動分類，而判讀對象包含了正常(normal)心電 圖信號與心律不整心電圖信號，其中心律不整心電圖信號的種類有左束支傳導阻斷(left bundle branch block, LBBB)信號、右束支傳導阻斷(right bundle branch block, RBBB)信 號、心房早期收縮(atrial premature complex, APC)信號以及心室早期收縮(premature ventricular contraction, PVC)信號，為了達到最佳的分類效果，研究中提出了三種不同的 心電圖信號辨識架構，即針對不同類型的心電圖信號，而使用非固定的心電圖特徵值來 進行隱藏式馬可夫模型的訓練以及心電圖信號的辨識，從實驗結果可得知，本研究提出 的方法，為心電圖信號自動分類提供了一種快速且可靠的方式。. 關鍵字: 心律不整、心電圖、隱藏式馬可夫模型、心電圖信號自動分類、心電圖特徵值. I.
(3) Automatic ECG Signal Classification Using Hidden Markov Model Advisor: Dr. Shing-Tai Pan Institute of Computer Science and Information Engineering National University of Kaohsiung Student: Hung-Chin Chen Institute of Computer Science and Information Engineering National University of Kaohsiung ABSTRACT The heart is one of the most important organs in the human body. When the heart cannot pump regularly, it is called cardiac arrhythmia. During an arrhythmia, people may feel dizzy and pain in the chest. Furthermore, serious cardiac arrhythmias can result in death. Doctors and experts diagnose arrhythmias by using an electrocardiogram (ECG) because there are numerous useful information in ECG signal. Visual interpretation of ECG is a time-consuming process, therefore, we adopt a probabilistic approach based on Hidden Markov Model (HMM) for classifying ECG signal automatically. The ECG signals being classified including normal heartbeats, left bundle branch block heartbeats, right bundle branch block heartbeats, atrial premature complex heartbeats and premature ventricular contraction heartbeats. In order to perform well in classifying, we propose three different types of classification frameworks in our research. Besides, we use different amount of ECG features to train HMM models and classify ECG signals when processing different kinds of ECG signals. The results of the experiments show that the proposed method for automatic ECG signal classification is efficient and reliable.. Keywords: cardiac arrhythmia, Electrocardiogram (ECG), ECG feature, Hidden Markov Model (HMM), automatic ECG signal classification. II.
(4) 誌謝. 首先，我要感謝我的指導老師潘欣泰教授，在我就讀研究所的這段期間，不僅給予 了我專業學問上的教導，更時常提醒我待人以及做事的正確態度，老師的鼓勵和包容， 也使我在研究上能夠有持續前進的動力，老師對於我諸多的教誨與照顧，學生將會銘記 在心，並在未來的人生中，時時惕勵自己。 此外，感謝成功大學資工所的梁勝富教授，與電機系的吳志宏教授，撥冗前來擔任 我的論文口試委員，並無私地對於我的論文提供許多寶貴的建議，讓我的論文得以更加 完整與嚴謹。 最後，我要感謝我的家人，因為你們的支持，我才能沒有後顧之憂的專心進行研究， 因為你們的關心，使我總能從疲累中再次出發，還有，感謝系辦的陳淑真小姐，實驗室 的曾建弘學長以及李英瑋同學，在我研究的過程中，給我許多的協助與打氣，感謝所有 曾幫助過我的人，謝謝你們。. 陳弘晉 謹誌 於國立高雄大學 資訊工程研究所 中華民國一百零一年十一月. III.
(5) 目錄 摘要...……..…………………………………………………………………………….……Ⅰ ABSTRACT.……………………………………………………………………………........Ⅱ 誌謝………..…………………………………………………………………………….…...Ⅲ 目錄………..…………………………………………………………………………….…...Ⅳ 圖目錄……..…………………………………………………………………………….…...Ⅴ 表目錄……..…………………………………………………………………………….…...Ⅵ 第一章 緒論…………………………………………………………………………………..1 1.1 研究動機與背景……………………………………………………………….……1 1.2 研究目的……………………………………………………………………….……2 第二章 心電圖介紹…………………………………………………………………………..4 2.1 心臟構造及功能介紹…………………………………………………………….…4 2.2 心電圖介紹……………………………………………………………………….…5 第三章 心電圖信號處理……………..………………………………………………………8 3.1 MIT-BIH 心律不整資料庫…..………………..……………………………………..8 3.2 定位 QRS 波………..………..………………..…………………………………......9 3.3 心電圖特徵值介紹..………..………………..……………………………………..10 第四章 隱藏式馬可夫模型(HMM)………………………………………………………...11 4.1 向量量化…………………….……………………………………………………..12 4.2 DHMM 模型機率計算……………….…………………………………………….13 4.3 DHMM 模型訓練…………………….…………………………………………….14 4.4 DHMM 架構介紹…………………….…………………………………………….17 4.5 心電圖信號辨識架構介紹.………….…………………………………………….19 第五章 實驗方式與結果………………………………………………………....................24 5.1 實驗資料……………………………………………………………………….......24 5.2 實驗方法……………………………………………………………………….......26 5.3 實驗數據……………………………………………………………………….......27 5.3.1 實驗數據(辨識架構一)..……………………………………………….....……28 5.3.2 實驗數據(辨識架構二)..……………………………………………….....……37 5.3.3 實驗數據(辨識架構三)..……………………………………………….....……45 第六章 結論……………………………………………………………………....................47 參考文獻……………………………………………………………………………………..48. IV.
(6) 圖目錄 圖 2.1 圖 2.2 圖 2.3 圖 2.4 圖 2.5 圖 3.1 圖 3.2 圖 4.1 圖 4.2 圖 4.3 圖 4.4 圖 4.5 圖 4.6 圖 4.7 圖 4.8 圖 5.1 圖 5.2 圖 5.3 圖 5.4 圖 5.5 圖 5.6 圖 5.7. 心臟構造圖…………................................................................................................4 肢體導程……............................................................................................................6 胸前導程....................................................................................................................6 十二導程各自繪製之心電圖…..…………………………………………………..6 心電圖標準格式…………..………………………………..………………………7 QRS 波形圖………………………………..…………………………………….....9 原始心電圖資料………………….…………………………………………..…...10 DHMM 模型訓練流程圖…..…..…………………………………………………16 心電圖信號 DHMM 模型架構圖………………………………………………....17 DHMM 辨識流程圖....…………………………………………………………....18 Ratio-RR 值域分布圖……………………………………………..………..……..19 第一種心電圖信號辨識架構流程圖..……………………………………..……..20 QTP-int 值域分布圖...……………………………………………..………..……..21 第二種心電圖信號辨識架構流程圖……………………………..………..……..22 第三種心電圖信號辨識架構流程圖……………………………..………..……..23 MIT-BIH 心律不整資料庫檔案編號圖………………………………..………....24 Se 數據比較圖(架構一).…………………..……………………………………....36 PPV 數據比較圖(架構一).…………………...…………………………………....36 Se 數據比較圖(架構二).…………………..……………………………………....44 PPV 數據比較圖(架構二).…………………...…………………………………....44 Se 數據比較圖(架構三).…………………..……………………………………....46 PPV 數據比較圖(架構三).…………………...…………………………………....46. V.
(7) 表目錄 表(3-1) 表(5-1) 表(5-2) 表(5-3) 表(5-4) 表(5-5) 表(5-6) 表(5-7) 表(5-8) 表(5-9) 表(5-10) 表(5-11) 表(5-12) 表(5-13) 表(5-14) 表(5-15) 表(5-16) 表(5-17) 表(5-18) 表(5-19) 表(5-20) 表(5-21) 表(5-22) 表(5-23) 表(5-24) 表(5-25). 心電圖特徵值…………..…………..………………………………………...….10 實驗資料內容…………..…………………..………………………………...….22 第一次實驗辨識結果(架構一).…………...………………………………....….29 第二次實驗辨識結果(架構一).…………...………………………………....….29 第三次實驗辨識結果(架構一).…………...………………………………....….30 第四次實驗辨識結果(架構一).…………...………………………………....….30 第五次實驗辨識結果(架構一).…………...………………………………....….31 第六次實驗辨識結果(架構一).…………...………………………………....….31 第七次實驗辨識結果(架構一).…………...………………………………....….32 第八次實驗辨識結果(架構一).…………...………………………………....….32 第九次實驗辨識結果(架構一).……....…...………………………………....….33 第十次實驗辨識結果(架構一).…………...………………………………....….33 十次實驗之辨識指標平均值(架構一)....……………...…………………….….34 實驗數據比較表................................................…...……………………….……35 第一次實驗辨識結果(架構二).……....…...………………………………....….38 第二次實驗辨識結果(架構二).…………...………………………………....….39 第三次實驗辨識結果(架構二).……....…...………………………………....….39 第四次實驗辨識結果(架構二).…………...………………………………....….40 第五次實驗辨識結果(架構二).……....…...………………………………....….40 第六次實驗辨識結果(架構二).…………...………………………………....….41 第七次實驗辨識結果(架構二).……....…...………………………………....….41 第八次實驗辨識結果(架構二).…………...………………………………....….42 第九次實驗辨識結果(架構二).……....…...………………………………....….42 第十次實驗辨識結果(架構二).…………...………………………………....….43 十次實驗之辨識指標平均值(架構二)....……………...…………………….….43 實驗辨識結果(架構三).............…………...………………………………....….45. VI.
(8) 第一章 緒論 1.1 研究動機與背景 心臟的正常運作，使人體的血液得以運輸至全身每一個角落，進行血液的循環，以 維持人體正常的新陳代謝，但當心臟無法進行規律的收縮時，血液便無法順利輸送，進 而使得患者產生胸痛、呼吸急促、頭暈等症狀，嚴重時更可能危及患者的生命，這樣的 情 形 則 稱 為 心 律 不 整 (Cardiac Arrhythmia) ， 而 心 律 不 整 的 診 斷 通 常 需 要 心 電 圖 (Electrocardiogram , ECG)[1]的輔助，因為在心電圖的信號中，提供了許多的診斷資訊， 藉由這些資訊，醫護人員便得以掌握患者的心臟運作狀況，進行適當的治療及照護，但 因為心律不整疾病的辨識，需要由專業醫護人員針對患者的心電圖信號，以人工方式一 一進行判讀，因此過程中必須投入大量的時間及人力，於是，有許多研究便提出了心電 圖信號自動判讀的方法，如模糊邏輯法(Fuzzy Logic Method , FLM)[2-3]，即模糊規則庫 (Fuzzy Rule Base)在讀取心電圖信號所計算出的特徵值作為輸入後，產生心電圖信號分 類結果的輸出，在藉由模糊推論引擎(Fuzzy Inference Engine)與解模糊化(Defuzzification) 的動作後，則可判定病患的心電圖信號是屬於哪一種心臟疾病，而利用類神經網路 (Artificial Neural Network , ANN)[4-7]來分類的方式，即是以類神經網路作為分類器 (Classifier)，並利用其容錯的特性，來增進心電圖信號判讀的效能，至於形態辨識法 (Pattern Recognition)[8-9]的部分，則是藉由計算大量 QRS 波的型態描述子(Descriptor) 來作為心電圖信號的分類依據，以進行心電圖信號的判讀，最後，還有採用隱藏式馬可 夫模型(Hidden Markov Model , HMM)[10]的做法，即運用統計的方式來進行心電圖信號. 1.
(9) 的辨識，然而，在使用以上這些方法時，也需要搭配適當的特徵值，才有辦法達到最佳 的辨識效果與辨識速度[17]，以輔助醫護人員對於病患的心臟狀況做出正確的判斷。. 1.2 研究目的 由於在眾多心律不整疾病辨識的研究中，尚未有研究以隱藏式馬可夫模型(HMM) 對於多種不同類型的心電圖信號來進行辨識，往往都只針對正常(Normal)的心電圖信號 與異常(Abnormal)心電圖信號來做分類，但因為心律不整疾病的種類眾多，且又以左束 支傳導阻斷(Left bundle branch block , LBBB)、右束支傳導阻斷(Right bundle branch block , RBBB)、心房早期收縮(Atrial premature complex , APC)以及心室早期收縮 (Premature ventricular contraction , PVC)這 4 個類型最為常見，因此，本論文中將針對 正常心電圖信號與以上 4 種心律不整疾病的心電圖信號，以 HMM 來進行心電圖信號的 辨識。 隱藏式馬可夫模型(HMM)在許多領域上，都已經有了廣泛且成功的應用，例如自 動語音辨識(Automatic Speech Recognition)[18-19]、信號處理(Signal Processing)[20-21]、 編碼理論(Coding Theory)[22]，以及財務模型(Financial Modeling)[23]等，而在心電圖信 號中，由於每一個信號間的心跳狀態轉移都是會相互影響的，在這樣的性質下，使得 HMM 適合用於心跳狀態模型的建立，此外，HMM 的優勢在於，隨著模型訓練資料量 的增加，心電圖信號的辨識率也將會隨之提升。 因此在本論文接下來的內容中，第二章將從認識心臟的基本構造及功能出發，進而. 2.
(10) 介紹心電圖信號量測的原理與方法，以及心電圖信號中所包含的重要波型，在對於心電 圖信號有了基本的認知後，在第三章的篇幅中，便依序介紹本論文中的實驗資料來源、 實驗資料的處理程序、以及如何利用處理後的心電圖信號，來計算心電圖信號特徵值， 而獲得心電圖特徵值後，則可開始進行 HMM 模型的訓練，因此在第四章中，會先對 HMM 進行定義的介紹，並說明 HMM 模型訓練的方式與 HMM 辨識模型的架構，以及 完整的心電圖信號辨識流程，在 HMM 辨識模型建立完成後，便可開始進行心電圖信號 的辨識實驗，故第五章中，將從實驗資料的配置開始介紹，到實驗方法與實驗數據評估 指標的說明，最終進行實驗數據的展示及分析，而最後一章的內容，則會對於本論文的 心電圖信號辨識研究，提出完整的結論與未來展望。. 3.
(11) 第二章 心電圖介紹 心臟是人體中的主要器官之一，約莫是一個拳頭大小的肌肉組織，重量在 200 公克 至 300 公克的範圍內，其位於左、右兩個肺臟之間，且位置稍微偏左，藉由心臟的收縮， 全身的血液才得以循環，而保持人體正常的運作，在本章中，將先介紹心臟的完整構造 以及運作方式，接著，針對心電圖信號的量測方法與原理進行說明，最後，簡述心電圖 信號中的各種波型，且如何藉由這些波形來計算出心電圖信號的特徵值。. 2.1 心臟構造及功能介紹 心臟大致可分為四個部分，如圖 2.1[24]，上方有左心房(left atrium)、右心房(right atrium)，下方則有左心室(left ventricle)和右心室(right ventricle)，以及主動脈(aorta)、肺 動脈(pulmonary artery)、上腔靜脈(superior vena cava)與下腔靜脈(inferior vena cava)，. 圖 2.1. 心臟構造圖[24] 4.
(12) 而且為了防止血液的倒流，心房與心室之間都有一個瓣膜，主要瓣膜有左心房與左心室 間的二尖瓣(mitral valve)，右心房與右心室間的三間瓣(tricuspid valve)，以及左心室往主 動脈間的主動脈瓣(aortic valve)與右心室往肺動脈間的肺動脈瓣(pulmonic valve)。 人體中含有二氧化碳的低氧血，在經由靜脈自全身收集後，送至右心房，接著進入 右心室，再靠著心臟的收縮，將血液經由肺動脈送入肺臟，肺臟中血液藉由肺臟的氣泡 釋出了二氧化碳，並吸取氧氣成為高氧血，高氧血再從肺臟經肺靜脈輸出至左心房，接 著進入左心室，最後，在心臟的收縮下，將帶有充足氧氣的血液，從主動脈送至全身的 每一個角落。. 2.2 心電圖介紹 心臟之所以能夠維持規律且具節奏的活動，即是仰賴心臟內部的電氣傳訊系統，這 個系統的發報中心，便是位於右心房上方、上腔靜脈附近的竇房結(SA node)，竇房結會 產生一種稱為電氣脈衝的訊息，其中第一個訊息會指示左、右兩個心房一起收縮，而由 於第二個訊息需要傳送到較遠的心室，因此訊息會先傳送至中繼站，房室結(AV node)， 待心房完成收縮後，再由房室結指示左、右兩個心室一起收縮，心臟如此周而復始的傳 出電氣脈衝的訊息，來使得心房與心室能夠規律地進行收縮。由於人體是一個導體，因 此電氣脈衝在心臟內部傳遞的同時，也經由人體傳至體表，故心電圖(Electrocardiogram, ECG)即是運用微電極技術，來紀錄因心臟電氣脈衝的變化，心肌細胞內、外所產生之 電位差。常用的心電圖系統為十二導程心電圖，其包含了六個肢體導程，即Ⅰ、Ⅱ、Ⅲ、. 5.
(13) aVR、aVL、aVF，與六個胸前導程，V1、V2、V3、V4、V5 與 V6，導極分布位置如 圖 2.2[25]及圖 2.3[25]所示，而各導程所繪製之心電圖則見圖 2.4[26]。. 圖 2.2. 肢體導程[25]. 圖 2.4. 圖 2.3. 胸前導程[25]. 十二導程各自繪製之心電圖[26]. 心電圖之標準輸出格式如圖 2.5[27]所示，其紀錄紙的橫軸為時間，縱軸則為電壓， 紀錄紙的走速為每秒 25mm，即 2.5 公分，其中每一小方格的實際長、寬皆為 1mm，故 6.
(14) 一小方格所代表的時間為 0.04 秒，一個 1mV 的標準心電圖信號，在縱軸上會佔去兩大 格的高度，一個完整的心電圖信號，則主要是由 P 波、QRS 波、T 波以及 U 波所組成，. 圖 2.5. 心電圖標準格式[27]. 藉由這些主要波形的資訊，便可將量測到的原始心電圖信號數據，經由計算而轉換成為 心電圖特徵值，因此，在下一個章節中，從心電圖信號之原始資料的獲得，到心電圖信 號的處理會有完整的介紹，也將說明如何使用處理後的心電圖資料，來進行心電圖特徵 值的計算。. 7.
(15) 第三章 心電圖信號處理 當心電圖信號自MIT-BIH心律不整資料庫(Arrhythmia Database)[11]得到後，則需要 經過一連串的處理，最終，才能成為實驗使用的心電圖特徵值。首先，利用MIT-BIH心 律不整資料庫所提供的資訊，來定位出心電圖信號中的P波、QRS波與T波之位置，接 著，再藉由這些波型的資訊，計算出每一個心電圖信號的特徵值。. 3.1 MIT-BIH心律不整資料庫 MIT-BIH心律不整資料庫，是全世界第一個獲得普遍認同的標準測試資料庫，其中 的心電圖檔案，是麻省理工學院(Massachusetts Institute of Technology , MIT)自Beth Israel 醫院(Beth Israel Hospital , BIH)心律不整實驗室所獲得的，這些心電圖檔案在1975年至 1979年間所記錄，目前，全世界有超過500個研究心律不整的機構，都採用這個資料庫， MIT-BIH心律不整資料庫中有48筆心電圖檔案，每一筆檔案都具有兩個不同導極的心電 圖資料，多為MLII(Modified limb leadⅡ)導極搭配V1導極，但也有MLII導極搭配V2、 V4或V5導極的情況，心電圖檔案的取樣頻率皆為360Hz，時間長度則約為30分鐘，而 且，每一個心跳都會經由專業的醫護人員進行鑑識，並標註該心跳的狀態，目前資料庫 中的心電圖信號型態，大致分為正常心跳(Normal beat)信號與異常心跳(Abnormal beat) 信號，在異常心跳信號方面，則主要有左束支傳導阻斷(Left bundle branch block , LBBB) 信號、右束支傳導阻斷(Right bundle branch block , RBBB)信號、心房早期收縮(Atrial premature complex , APC)信號以及心室早期收縮(Premature ventricular contraction , PVC). 8.
(16) 信號。. 3.2 定位QRS波 欲判斷一個心電圖信號的狀態，通常會藉由心電圖信號中的P波、QRS波以及T波 之波型來進行辨識，因此，要獲得這些波型的資訊，則必須先在心電圖信號中，定位出 這些波型。MIT-BIH心律不整資料庫提供了每一筆心電圖檔案，其所有的QRS波中， R點之詳細資訊，藉此便可定位出每一個QRS波的R點，而且，因為R點位於QRS波的 波峰，如圖3.1所示，故以已知的R點為基準，前後各設定一個搜尋範圍，在搜尋範圍內. 圖3.1. QRS波形圖[28]. 往前所找到的最小值，則為Q點之所在，而往後所找到的最小值，即為S點，至此，已 成功定位出心電圖信號中的QRS波，同樣的，利用已定位的Q點，在設定搜尋範圍後， 向前尋找最大值，即可得到P點之位置，而利用S點，在搜尋範圍內，向前尋找最大值， 則可得T點。. 9.
(17) 3.3 心電圖特徵值介紹 在定位完心電圖信號中的主要波形後，為了進行後續的分析及研究工作，則會將 主要波形的資料加以運算，轉換成許多具有意義的數值，即心電圖特徵值。以 Yun-Chi Yeh 等人[2]為例，便將原始的心電圖資料，如圖 3.2[12]所示，經由運算而得出表格 3.1 中的九項心電圖特徵值[2]。. 圖 3.2. 原始心電圖資料[12]. 表格 3.1. 心電圖特徵值[2]. 特徵值 編號. 特徵值 代號. 特徵值 描述. 特徵值 單位. 1. H-QR. QRS 波中，Q 點與 R 點間的振幅. mV. 2. H-RS. QRS 波中，R 點與 S 點間的振幅. mV. 3. QRS-dur. QRS 波中，R 點與 S 點間的時間間隔. ms. 4. QTP-int. QRS 波中，Q 點與 T’點間的時間間隔. ms. 5. Ratio-RR. 單一 RR 區間，佔平均 RR 區間的比例. 6. Slope-QR. QRS 波中，Q 點與 R 點間的斜率. mV/ms. 7. Slope-RS. QRS 波中，R 點與 S 點間的斜率. mV/ms. 8. Area-QRS. QRS 波的面積. mV*ms. 9. Area-RST’. R 點、S 點、T’點，三點所圍成的面積. mV*ms. 10.
(18) 第四章 隱藏式馬可夫模型 隱藏式馬可夫模型(HMM)是一種雙重的隨機過程，分別為隱藏層的狀態轉移序列， 以及可觀察層的觀察序列，藉由可觀察層之觀察序列的狀態變化，進而推算出隱藏層的 狀態轉移情形。在擁有足夠數量的訓練資料之情況下，連續隱藏式馬可夫模型 (Continuous Hidden Markov Model , CHMM)的表現會比離散隱藏式馬可夫模型(Discrete Hidden Markov Model , DHMM)[13]來的好，但 CHMM 的複雜度卻遠高於 DHMM，而 導致 CHMM 的計算時間與模型規模都遠大於 DHMM，此外，DHMM 提供了更穩定的 結果以及更快速的訓練，而辨識率卻不比 CHMM 差，因此在本論文中，將採用 DHMM 來進行心電圖信號的辨識。 在進行 HMM 的訓練與辨識前，必須先得知每個狀態其各個觀察結果之機率，以及 每個狀態之間的轉移機率，並設定模型初始狀態機率皆由第一個狀態開始，以下先對 HMM 其相關參數進行定義與介紹:. { A, B, } : HMM模型. { i }, i P(q1 si ), 1 i N : 初始狀態機率向量 A {aij }, aij P(qt s j | qt 1 si ) : 狀態轉移機率矩陣 B {b j (k )}, b j (k ) P(ot vk | qt s j ) : 各狀態的輸出機率矩陣 O {o1 , o2 , ..., oT } : 事件觀察結果序列 Q {q1 , q2 , ..., qT } : 隱藏狀態序列. 其中的觀察結果序列 O 即為輸入 HMM 的心電圖特徵值，在經由計算後，取得. 11.
(19) 上述定義的 A 、 B 、 三種機率集合，再利用 A 、 B 、 以及觀察結果序列 O ，來計算 HMM 模型的機率 P(O | ) 。. 4.1 向量量化 為了方便 DHMM 的訓練以及辨識，則必須先建立碼簿(Codebook) ，碼簿主要是用 來對心電圖特徵值向量，進行向量量化[14]的動作，向量量化將特徵值向量分成有限的 群(Group)，而由於 DHMM 中每個狀態的觀察結果也是有限的集合，因此碼簿中的群便 可對應到 DHMM 中的觀察結果序列。 由於向量量化會對心電圖特徵值向量進行分群，故本論文中採用常見的 K-means 分群演算法，來做為碼簿訓練之用，以下將 K-means 演算法分為 5 個步驟來做介紹。 1. 取得所有訓練樣本的心電圖特徵值向量，並計算每個特徵值向量維度中的最大. 值及最小值。 2. 根據分群的數目，隨機產生相同數量的特徵向量，來進行碼簿的初始化，而這. 些特徵向量即代表各群之中心向量。 3. 完成碼簿的初始化後，心電圖特徵值向量則經由碼簿來計算每個特徵值向量與. 各群的中心向量之距離，如公式(4-1)所示:. d k (v ) . N. (v i 1. i. Vki ) 2 ,0 k K. (4-1). 其中， K 為群的總數， N 代表向量的維度， vi [v1 v2 ... v N ]T 為特徵值向量，. Vki [Vk1 Vk 2 ... VkN ]T 為第 k 群的中心向量， d k (v) 則為特徵值向量與各群之中心 12.
(20) 向量的距離，在計算出特徵值向量與所有中心向量的距離後，便將特徵值向量 歸類至具有最小距離的群中。 4. 重複步驟 1 至步驟 3，直到所有特徵值向量完成分類為止。 5. 更新碼簿中各群的中心向量，即將分類至該群的所有特徵值向量值的總和，除. 以分至該群的特徵值向量總數，如公式(4-2)所示: Vk . Nk 1 vkn N k n1. (4-2). 而所得之新的向量，便取代該群原來之中心向量，其中， N k 為分類至第 k 群的 特徵值向量總數， vkn [vk1 vk 2 ... vkNk ]T 為分類至第 k 群的特徵值向量，而 Vk 則 為第 k 群之新的中心向量。 重複以上 5 個步驟，直到碼簿中各群之中心向量收斂為止，即完成了碼簿的訓練， 接著，便可根據碼簿對心電圖特徵值向量進行向量量化。. 4.2 DHMM 模型機率計算 DHMM 模型最重要的參數，即為 A 、 B 、 這三個機率集合，而根據 A 、 B 、 則. 可計算出一個 DHMM 模型 ，產生一個觀察結果序列 O 的機率， P(O | ) ，如公式(4-3) 所示: P(O | ) P(O, Q | ) allQ. . q1 bq1 (o1 ) aq1q 2 bq 2 (o2 ) aq 2q3 aqT 1qT bqT (oT ). (4-3). q1, q 2 ,..., qT. 但由於其時間複雜度為 O( N T * T ) ，且用到了 N T 個浮點數乘法和 N T 1 個浮點數加法，. 13.
(21) 為了降低時間複雜度，則另使用了動態規劃(Dynamic Programming)的向前演算法 (Forward Algorithm)以及定義向前變數(Forward Variable)，如下所示: t (i ) P (o1 , o2 , ..., ot , qt si | ). (4-4). 起始:. 1 (i ) i bi (o1 ), 1 i N. (4-5). 遞迴運算: N. t 1 ( j ) [ t (i ) aij ] b j (ot 1 ), 1 j N , t 1, 2, ..., T 1. (4-6). i 1. 結束: N. P (O | ) T (i ). (4-7). i 1. 其中，公式(4-4)的 即為向前變數，而因為向前演算法採取了動態規劃的方式，故大幅 地降低了運算上的時間複雜度至 O( N * T ) 。. 4.3 DHMM 模型訓練 在介紹 DHMM 模型的訓練方法前，則必須先定義下列變數，以便說明: uij 標示由狀態si到狀態s j ui 標示由狀態si出來 u j 標示進入狀態s j n(uij ) 由狀態si出來,然後進入狀態s j的次數 n(ui ) 由狀態si出來的次數. 14.
(22) n(u j ) 進入狀態s j的次數 n(u j , o vk ) 進入狀態s j時產生觀察結果符號vk的次數. 於本論文中，DHMM 模型的訓練先利用維特比演算法(Viterbi Algorithm)[15]來求出最佳 狀態序列，其方法如下: 起始: 1 (i ) i bi (o1 ), 1 i N 為N * 1矩陣. (4-8). 1 (i ) 0. (4-9). 遞迴運算: N. t ( j ) max[ t 1 (i ) aij ] b j (ot 1 ), 1 j N , t 1, 2, ..., T 1. (4-10). i 1. N. t ( j ) arg max[max t 1 (i ) aij ], 1 j N , t 1, 2, ..., T 1. (4-11). i 1. 結束: P max[T (i )], 1 i N. (4-12). qT arg max[T (i )], 1 i N. (4-13). 回溯: qt t 1 (qt*1 ), t T 1, T 2, ...1. (4-14). 根據維特比演算法所猜測的最佳狀態序列以及觀察序列，可統計出 n(uij ) 、 n(ui ) 、 n(u j ) 、 n(u j , o vk ) ，在所有訓練資料皆統計完成後，再重新估計 A 、 B 、 這三個參. 數，並以新的參數重新進行上述動作，直到模型參數收斂為止，其中，重新估計 A 與 B 參數的公式如下:. 15.
(23) a. n(uij ). (4-13). n(ui ) n(u j , o vk ) b (k ) n(u j ). (4-14). a 與 b (k ) 則分別代表更新後的 A 與 B 參數。DHMM 模型訓練流程圖則如圖 4.1 所示。. 圖 4.1 DHMM 模型訓練流程圖. 16.
(24) 4.4 DHMM 架構介紹 在本論文中，針對每一種型態的心電圖信號都各自建立了一個 DHMM 模型，架構 如圖 4.2 所示，心電圖特徵值向量中的每一個特徵值，都會經由向量量化而成為觀察代 碼，因此在 DHMM 模型 { A, B, } 中， A 即為隱藏狀態間的轉移機率矩陣，而 B 為 各隱藏狀態的輸出機率矩陣， 則為初始隱藏狀態的機率向量。. 圖 4.2 心電圖信號 DHMM 模型架構圖. 在上述的 DHMM 模型架構下，心電圖信號的辨識結果則取決於各個 DHMM 模型 所計算出的機率，擁有最大機率的 DHMM 模型，心電圖特徵值向量便屬於該種類型的 心電圖信號，完整辨識流程如圖 4.3 所示，其中 PNORM、PLBBB、PRBBB、PAPC、PPVC 則分 別為正常心跳(Normal)信號、左束支傳導阻斷(LBBB)信號、右束支傳導阻斷(RBBB)信 17.
(25) 號、心房早期收縮(APC)信號、以及心室早期收縮(PVC)信號之 DHMM 模型，所計算出 的機率。. 圖 4.3 DHMM 辨識流程圖. 經由以上的介紹，最終可將完整的心電圖信號辨識流程，分為以下 6 個步驟: 1. 利用 K-means 演算法來訓練碼簿。 2. 計算各類型之心電圖信號 DHMM 模型 ( A, B, ) 。 3. 藉由碼簿將心電圖特徵值向量，量化成為觀察代碼。 4. 計算各類型之心電圖信號 DHMM 模型之機率。. 18.
(26) 5. 判定哪一個類型之心電圖信號 DHMM 模型為機率值最大者後，心電圖特徵值. 向量即為該種類型的心電圖信號。 6. 重複步驟 3 至步驟 5，直到所有心電圖特徵值向量皆完成辨識為止。. 4.5 心電圖信號辨識架構介紹 在本論文的 DHMM 模型訓練及辨識中，將使用到 Yun-Chi Yeh 等人[2]所提出 的 9 個特徵值，如表格 3.1 所示，分別為 H-QR、H-RS、QRS-dur、QTP-int、Ratio-RR、 Slope-QR、Slope-RS、Area-QRS 以及 Area-RST’，並針對不同類型的心電圖信號，使用. 不同數量的特徵值來進行 DHMM 模型的訓練以及辨識，而且，本論文提出了三種心電 圖信號的辨識架構，以求達到最佳的辨識效果，接下來，將由第一種辨識架構開始介紹。 由於各心電圖信號類型所計算出的 Ratio-RR 這項特徵值之值域分布，即如圖 4.4[2] 所示，. 圖 4.4 Ratio-RR 值域分布圖[2] 故利用此特徵值，將欲判讀的心電圖信號先分類為屬於 NORM、LBBB、RBBB 這三種 心跳類型，或屬於 APC、PVC 這兩種心跳類型，接著，再進入各自的 DHMM 模型中，. 19.
(27) 進行心電圖信號的辨識，分類後屬於 NORM、LBBB、RBBB 的心電圖信號，則使用其 餘的 8 個特徵值來進行 DHMM 的辨識，而若分類後是屬於 APC 或 PVC 這兩種心跳類 型，則使用 QRS-dur、QTP-int、Area-QRS 以及 Area-RST’這 4 個特徵值來進行 DHMM 辨識，故第一種辨識架構之完整流程則如圖 4.5 所示。. 圖 4.5 第一種心電圖信號辨識架構流程圖. 而第二種辨識架構的作法，則是對於在第一種辨識架構中被特徵值 Ratio-RR 分類 屬於 NORM、LBBB、RBBB 的心電圖信號，利用 QTP-int 這項特徵值，再進行第二次 的分類，由於各心電圖信號類型所計算出的 QTP-int 之值域分布，如圖 4.6[2]所示，. 20.
(28) 圖 4.6 QTP-int 值域分布圖[2]. 因此利用這項特徵值，再將欲判讀的心電圖信號分類為屬於 NORM，或屬於 LBBB 與 RBBB，若再次分類後是屬於 LBBB、RBBB 者，則使用其餘的 7 個特徵值，即 H-QR、 H-RS、QRS-dur、Slope-QR、Slope-RS、Area-QRS 以及 Area-RST’，來進行 DHMM 的. 辨識，而 APC 與 PVC 這兩種心跳類型的辨識，仍使用 QRS-dur、QTP-int、Area-QRS 以及 Area-RST’這 4 個特徵值來進行 DHMM 辨識，故第二種辨識架構之完整流程則如 圖 4.7 所示。. 21.
(29) 圖 4.7 第二種心電圖信號辨識架構流程圖. 至於第三種心電圖信號的辨識架構，則是僅對於 NORM、束支傳導阻斷(Bundle branch block , BBB)、APC 與 PVC，這四種心電圖信號進行辨識，而做法同樣先以特徵. 值 Ratio-RR 對欲判讀的心電圖信號進行第一次的分類，分類後屬於 NORM 及 BBB 的. 22.
(30) 心電圖信號，則再以特徵值 QTP-int 進行第二次分類，而分類後屬於 APC 與 PVC 的心 電圖信號，同樣使用 QRS-dur、QTP-int、Area-QRS 以及 Area-RST’這 4 個特徵值來進 行 DHMM 辨識，故第三種辨識架構的完整流程圖，如圖 4.8 所示。. 圖 4.8 第三種心電圖信號辨識架構流程圖. 心電圖信號在經過上述三種架構的辨識後，所得到的辨識成果，將在下一章的內容 當中，針對辨識實驗的數據以及結果，進行完整的討論及分析，以說明 HMM 是適合用 於心電圖信號辨識的。. 23.
(31) 第五章 實驗方式與結果 5.1 實驗資料 本論文實驗中所採用的資料皆取自 MIT-BIH 心律不整資料庫(Arrhythmia Database) ，而使用的心電圖信號類型主要為，正常(Normal)心跳信號、左束支傳導阻斷(LBBB) 心跳信號、右束支傳導阻斷(RBBB)心跳信號、心房早期收縮(APC)心跳信號，以及心室 早期收縮(PVC)心跳信號，在 MIT-BIH 心律不整資料庫中共有 48 筆心電圖檔案，每一 筆檔案都有一個三位數的編號，圖 5.1[11]即展示了資料庫中編號 100 至編號 118，. 圖 5.1 MIT-BIH 心律不整資料庫檔案編號圖[11] 其每一筆心電圖檔案中所包含的各類型心電圖信號之數量，圖中的第一行即為各心電圖 檔案的編號，第二行則為檔案中所包含正常心跳(Normal)信號的數量，而標記為 L 的. 24.
(32) 第三行為檔案中所包含左束支傳導阻斷(LBBB)心跳信號的數量，其餘標記為 R、A、V 的該行，便分別為檔案中包含右束支傳導阻斷(RBBB)信號、心房早期收縮(APC)信號與 心室早期收縮(PVC)信號之數量。 因此在本論文的實驗中，正常心跳信號的部分，使用了資料庫中編號 100 及編號 103 的心電圖資料，共 3900 筆心跳，其中，以隨機選取的方式，將 2100 筆心跳資料. 選做訓練之用，1800 筆資料則選做測試用，而其餘 4 個類型的心電圖信號資料使用 情形，則如表格 5.1 所示，. 表格 5.1 實驗資料內容 心電圖信號類型. 資料編號. 心跳筆數. 訓練筆數. 測試筆數. NORM(正常心跳). 100、103. 3900 筆. 2100 筆. 1800 筆. LBBB(左束支傳導阻斷). 109、111. 4500 筆. 2400 筆. 2100 筆. RBBB(右束支傳導阻斷). 118、212. 3900 筆. 2100 筆. 1800 筆. APC(心房早期收縮). 209、232. 1500 筆. 300 筆. 1200 筆. PVC(心室早期收縮). 200、233. 900 筆. 600 筆. 300 筆. 在將實驗資料選定，並做完訓練與測試資料的分配後，便可依照下節內容中所介紹 的實驗方法，來進行心電圖信號的辨識實驗。. 25.
(33) 5.2 實驗方法 本論文中針對第一種以及第二種心電圖信號的辨識架構，各進行了十次的心電圖信 號辨識實驗，而每一次辨識實驗皆以隨機選取的方式，重新配置各種心電圖信號類型之 訓練及測試的資料內容，在兩種架構的辨識實驗中，都將用到 9 個心電圖特徵值， H-QR 、 H-RS 、 QRS-dur 、 QTP-int 、 Ratio-RR 、 Slope-QR 、 Slope-RS 、 Area-QRS 以及 Area-RST’，而在第一種辨識架構的實驗中，將先以 Ratio-RR 這項特徵值，對於欲判讀. 的心電圖信號做初步分類，即 NORM、LBBB、RBBB 心跳類型，與 APC、PVC 心跳 類型，在完成此分類後，再各自以不同數量的心電圖特徵值來進行 DHMM 心電圖信號 類型的辨識，在 NORM、LBBB、RBBB 這三個信號類型的部分，使用除了 Ratio-RR 外的其餘 8 個特徵值，而 APC 與 PVC，則使用了 QRS-dur、QTP-int、Area-QRS 以及 Area-RST’這 4 個特徵值，至於第二種辨識架構的實驗，則同樣先以 Ratio-RR 這項特徵. 值，對於欲判讀的心電圖信號進行第一次的分類，分類後屬於 APC 與 PVC 者，則使用 QRS-dur、QTP-int、Area-QRS、Area-RST’，這 4 個特徵值來進行辨識，而分類後屬於 NORM、LBBB、RBBB 的部分，再以特徵值 QTP-int 進行第二次分類，第二次分類後. 屬於 LBBB 與 RBBB 的信號，則以 Ratio-RR 及 QTP-int 外的 7 個特徵值，進行 DHMM 的辨識。 在結束每一次的實驗後，都將完整記錄每一個心電圖信號的辨識結果，以利在下一 節的內容中，計算各項判斷辨識結果的指標數據，以與其它研究的辨識方法進行比較， 並進一步分析各種辨識方法之優劣。. 26.
(34) 5.3 實驗數據 為方便說明以下的實驗統計數據，及計算各項辨識指標，故先將本論文中所使用的 5 種心電圖信號類型 NORM、LBBB、RBBB、APC、PVC，依序由 1 編號至 5，再進行. 下列符號與辨識指標的定義: 以下先定義四個符號， TPi 、 FPi 、 FN i 與 Tr ， TPi (true positives) : 即第 i 種心電圖信號類型被正確辨識的次數，故 TP1 則表示，. NORM 類型的心電圖信號，被正確辨識為 NORM 的次數，. 而 TP2 便表示，LBBB 類型的心電圖信號，被正確辨識為 LBBB 的次數，其餘如 TP3 、 TP4 、 TP5 將依此類推，分別表示該 類型的心電圖信號，被正確辨識的次數。 FPi (false positives) : 即其它類型的心電圖信號，被辨識為第 i 種心電圖信號的. 次數， FP1 則表示，LBBB、RBBB、APC、PVC 類型的 心電圖信號，被辨識為 NORM 的次數，FP2 便表示，NORM、 RBBB、APC、PVC 類型的心電圖信號，被辨識為 LBBB. 的次數，其餘如 FP3 、 FP4 、 FP5 將依此類推。 FN i (false negatives) : 即第 i 種心電圖信號類型被辨識錯誤的次數，故 FN1 則. 表示，NORM 類型的心電圖信號，被辨識為 LBBB、RBBB、 APC 或 PVC，而 FN 2 便表示，LBBB 類型的心電圖信號，. 被辨識為 NORM、LBBB、APC 或 PVC，其餘如 FN 3、FN 4、. 27.
(35) FN 5 將依此類推，分別表示該類型的心電圖信號，被辨識. 錯誤的次數。 Tr : 辨識用的心電圖信號總數。. 在定義完上述的四個符號後，便可依此來計算下列三項辨識指標，以利進行後續的 心電圖信號辨識效果之比較， Sei (sensitivity) : Sei . TPi TPi FN i. (5-1). PPVi (positive predictive value) : PPVi . TPi TPi FPi. (5-2). 5. TPi i 1 Tr. TCA (total classification accuracy) : TCA . (5-3). 在定義完以上的符號以及心電圖信號辨識指標後，接下來便利用它們來進行實驗數 據的展示，而本論文中所提出的三種不同心電圖信號辨識架構之完整實驗數據，將於以 下三個小節中，以表格的方式呈現，並進一步與採用其它心電圖信號辨識方法之實驗數 據做比較。. 5.3.1 實驗數據(辨識架構一) 在本小節中，將先以表格的方式來呈現本論文提出的第一種心電圖信號辨識架構， 所進行之十次心電圖信號辨識實驗之完整數據，並利用圖表與採用其它辨識方法的實驗 數據進行比較，且分析各種辨識方法的效能。. 28.
(36) 表格 5.2 第一次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1715. 65. 20. 0. 0. LBBB. 199. 1668. 233. 0. 0. RBBB. 276. 139. 1385. 0. 0. APC. 0. 0. 0. 1200. 0. PVC. 0. 0. 0. 6. 294. TP. FP. FN. Se (%). PPV (%). NORM. 1715. 475. 85. 95.27. 78.31. LBBB. 1668. 204. 432. 79.42. 89.1. RBBB. 1385. 253. 415. 76.94. 84.55. APC. 1200. 6. 0. 100. 99.5. PVC. 294. 0. 6. 98. 100. TCA (%). 86.97. 表格 5.3 第二次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1725. 61. 14. 0. 0. LBBB. 287. 1511. 302. 0. 0. RBBB. 240. 118. 1442. 0. 0. APC. 0. 0. 0. 1199. 1. PVC. 0. 0. 0. 5. 295. TP. FP. FN. Se (%). PPV (%). NORM. 1725. 527. 75. 95.83. 76.59. LBBB. 1511. 179. 589. 71.95. 89.4. RBBB. 1442. 316. 358. 80.11. 82.02. APC. 1199. 5. 1. 99.91. 99.58. PVC. 295. 1. 5. 98.33. 99.66. 29. TCA (%). 85.72.
(37) 表格 5.4 第三次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1752. 43. 5. 0. 0. LBBB. 15. 1662. 423. 0. 0. RBBB. 27. 435. 1338. 0. 0. APC. 0. 0. 0. 1200. 0. PVC. 0. 0. 0. 5. 295. TP. FP. FN. Se (%). PPV (%). NORM. 1752. 42. 48. 97.33. 97.65. LBBB. 1662. 478. 438. 79.14. 77.66. RBBB. 1338. 428. 462. 74.33. 75.76. APC. 1200. 5. 0. 100. 99.58. PVC. 295. 0. 5. 98.33. 100. TCA (%). 86.76. 表格 5.5 第四次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1773. 20. 7. 0. 0. LBBB. 20. 1704. 376. 0. 0. RBBB. 280. 78. 1442. 0. 0. APC. 0. 0. 0. 1198. 2. PVC. 0. 0. 0. 3. 297. TP. FP. FN. Se (%). PPV (%). NORM. 1773. 300. 27. 98.5. 85.52. LBBB. 1704. 98. 396. 81.14. 94.56. RBBB. 1442. 383. 358. 80.11. 79.01. APC. 1198. 3. 2. 99.83. 99.75. PVC. 297. 2. 3. 99. 99.33. 30. TCA (%). 89.08.
(38) 表格 5.6 第五次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1670. 123. 7. 0. 0. LBBB. 16. 1598. 486. 0. 0. RBBB. 289. 91. 1420. 0. 0. APC. 0. 0. 0. 1199. 1. PVC. 0. 0. 0. 19. 281. TP. FP. FN. Se (%). PPV (%). NORM. 1670. 305. 130. 92.77. 84.55. LBBB. 1598. 214. 502. 76.09. 88.18. RBBB. 1420. 493. 380. 78.88. 74.22. APC. 1199. 19. 1. 99.91. 98.44. PVC. 281. 1. 19. 93.66. 99.64. TCA (%). 85.66. 表格 5.7 第六次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1694. 58. 48. 0. 0. LBBB. 208. 1550. 342. 0. 0. RBBB. 276. 102. 1422. 0. 0. APC. 0. 0. 0. 1180. 20. PVC. 0. 0. 0. 4. 296. TP. FP. FN. Se (%). PPV (%). NORM. 1694. 484. 106. 94.11. 77.78. LBBB. 1550. 160. 550. 73.8. 90.64. RBBB. 1422. 390. 378. 79. 78.48. APC. 1180. 4. 20. 98.33. 99.66. PVC. 296. 20. 4. 98.67. 93.67. 31. TCA (%). 85.31.
(39) 表格 5.8 第七次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1721. 54. 25. 0. 0. LBBB. 108. 1698. 294. 0. 0. RBBB. 295. 104. 1401. 0. 0. APC. 0. 0. 0. 1200. 0. PVC. 0. 0. 0. 6. 294. TP. FP. FN. Se (%). PPV (%). NORM. 1721. 403. 79. 95.61. 81.03. LBBB. 1698. 158. 402. 80.86. 91.49. RBBB. 1401. 319. 399. 77.83. 81.45. APC. 1200. 6. 0. 100. 99.5. PVC. 294. 0. 6. 98. 100. TCA (%). 87.69. 表格 5.9 第八次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1704. 31. 65. 0. 0. LBBB. 147. 1696. 257. 0. 0. RBBB. 123. 145. 1532. 0. 0. APC. 0. 0. 0. 1197. 3. PVC. 0. 0. 0. 3. 297. TP. FP. FN. Se (%). PPV (%). NORM. 1704. 270. 96. 94.67. 86.32. LBBB. 1696. 176. 404. 80.76. 90.6. RBBB. 1532. 322. 268. 85.11. 82.63. APC. 1197. 3. 3. 99.75. 99.75. PVC. 297. 3. 3. 99. 99. 32. TCA (%). 89.25.
(40) 表格 5.10 第九次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1675. 123. 2. 0. 0. LBBB. 17. 1605. 478. 0. 0. RBBB. 16. 415. 1369. 0. 0. APC. 0. 0. 0. 1199. 1. PVC. 0. 0. 0. 27. 273. TP. FP. FN. Se (%). PPV (%). NORM. 1675. 33. 125. 93.06. 98.07. LBBB. 1605. 538. 495. 76.43. 74.9. RBBB. 1369. 480. 431. 76.06. 74.04. APC. 1199. 27. 1. 99.92. 97.8. PVC. 273. 1. 27. 91. 99.64. TCA (%). 85.01. 表格 5.11 第十次實驗辨識結果(架構一) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1705. 88. 7. 0. 0. LBBB. 11. 1711. 378. 0. 0. RBBB. 8. 408. 1384. 0. 0. APC. 0. 0. 0. 1169. 31. PVC. 0. 0. 0. 5. 295. TP. FP. FN. Se (%). PPV (%). NORM. 1705. 19. 95. 94.72. 98.9. LBBB. 1711. 496. 389. 81.48. 77.53. RBBB. 1384. 385. 416. 76.89. 78.24. APC. 1169. 5. 31. 97.42. 99.57. PVC. 295. 31. 5. 98.33. 90.5. 33. TCA (%). 87.
(41) 在展示完第一種辨識架構所進行之十次心電圖信號辨識實驗的各項數據及辨識指 標後，表格 5.12 特別針對各辨識指標，進行平均值的統計，並納入後續的數據比較中，. 表格 5.12 十次實驗之辨識指標平均值(架構一) Se (%). PPV (%). NORM. 95.19. 86.47. LBBB. 78.11. 86.41. RBBB. 78.53. 79.04. APC. 99.51. 99.31. PVC. 97.23. 98.14. TCA (%). 86.85. 最後，以上的實驗數據及辨識指標，將進一步與其它心電圖信號的辨識方法之數據 進行比較，而這些心電圖信號的辨識方式則分別有，Yun-Chi Yeh 等人[2]所提出的模糊 邏輯法(Fuzzy Logic Method , FLM)、I. Jekova 等人[16]使用類神經網路(Neural Networks , NN)的方法、Dokur 與 Olmez[5]所採用的 RCE 類神經網路(Restricted Coulomb Energy Neural Network , RCE Network)以及 Christov 等人[8]所提出的形態描述法(Morphological Descriptors , MD)，完整實驗數據的比較，如表格 5.13 所示。. 34.
(42) 表格 5.13 實驗數據比較表 NORM LBBB RBBB Se(%) HMM PPV(%) (第八次). 80.76. 85.11. 99.75. 99. 86.32. 90.6. 82.63. 99.75. 99. 89.25. Se(%). 95.06. 91.03. 90.5. 93.97 92.63. PPV(%). 97.79. 91.96. 89.95. 80.22 82.89. TCA(%). NN [16]. 93.78. Se(%). 86.54. 64.94. 58.59. 62.82 85.98. PPV(%). 95.57. 54.32. 57.32. 64.84 48.30. TCA(%). RCE Network [5]. --. Se(%). 93.2. 39.1. 78.4. 63. 86.5. PPV(%). 86. 72.2. 73.9. 96.3. 54.5. TCA(%). MD [8]. PVC. 94.67. TCA(%). FLM [2]. APC. 60. Se(%). 96.6. 93.8. 96.45. 99. 92.1. PPV(%). 99.2. 95.83. 92.2. 97. 75.8. TCA(%). --. 35.
(43) 為了讓實驗數據能夠以更清楚的方式呈現，圖 5.2 及圖 5.3 分別利用不同顏色的 長條圖，來代表不同的心電圖信號辨識方式，其 Se(sensitivity)與 PPV(positive predictive value)在各種心電圖信號上的辨識效果。. 圖 5.2 Se 數據比較圖(架構一). 圖 5.3 PPV 數據比較圖(架構一). 36.
(44) 從以上的實驗數據中可以發現，本論文所使用的隱藏式馬可夫模型 (HMM) 辨識 方法在各項數據上，都明顯優於採用類神經網路[16]與 RCE 類神經網路[5]的方式，此 外，在類神經網路進行心電圖信號辨識的過程中，由於特徵值擷取的步驟，需要使用到 散度分析(Divergence Analysis)來決定出最佳的特徵值，然而，散度分析包含了複雜的數 學運算，因此將會增加心電圖信號辨識的運算時間，至於使用形態描述法[8]的部分， 由於同樣需要針對各個型態的心電圖信號，去計算大量的型態描述子，故也將費去許多 的運算時間。 採用模糊邏輯法[2]來進行辨識的方式，其 Se 與 PPV 這兩項數據，與本論文的 HMM 辨識方法則呈現互有優勢的情況，即 HMM 在 APC 與 PVC 這兩種心電圖信號的辨識 上，皆優於 FLM，而在 LBBB 與 RBBB 這兩種心電圖信號的辨識正確率上，則略低於 FLM，此外，FLM 辨識一筆長度為三十分鐘的完整心電圖信號，所需時間約為一分鐘，. 但採用 HMM 的辨識方式，則僅需約三十秒鐘的時間，因此，HMM 可說是提供了一個 更快速的心電圖信號辨識方法，而實驗中所使用的程式，皆以 C 語言撰寫而成，且辨 識實驗皆於中央處理器為 Intel Core 2 Duo E8300、主記憶體為 2GB、作業系統為 Windows XP 之個人電腦上進行。. 5.3.2 實驗數據(辨識架構二) 為了使 NORM 類型的心電圖信號能夠有更佳的辨識效果，故本論文提出了第二種 心電圖信號的辨識架構，即心電圖特徵值向量在經過特徵值 Ratio-RR 的分類後，屬於. 37.
(45) NORM、LBBB、RBBB 這三種類型的心電圖信號，利用特徵值 QTP-int 再進行第二次. 分類，並且以更少數量的特徵值，對 LBBB 與 RBBB 類型的心電圖信號，進行 DHMM 的辨識，在本小節中，將同樣以表格的方式，展示第二種心電圖信號辨識架構所進行之 十次辨識實驗的完整數據，如表格 5.14 至表格 5.23 所示，且與其它心電圖信號辨識方 法之實驗數據，以圖表的方式再次進行比較。. 表格 5.14 第一次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1829. 271. 0. 0. RBBB. 0. 521. 1279. 0. 0. APC. 0. 0. 0. 1200. 0. PVC. 0. 0. 0. 3. 297. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1829. 521. 271. 87.1. 77.83. RBBB. 1279. 271. 521. 71.06. 82.52. APC. 1200. 3. 0. 100. 99.75. PVC. 297. 0. 3. 99. 100. 38. TCA (%). 88.96.
(46) 表格 5.15 第二次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1986. 114. 0. 0. RBBB. 0. 661. 1139. 0. 0. APC. 0. 0. 0. 1199. 1. PVC. 0. 0. 0. 4. 296. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1986. 661. 114. 94.57. 75.03. RBBB. 1139. 114. 661. 63.28. 90.9. APC. 1199. 4. 1. 99.92. 99.67. PVC. 296. 1. 4. 98.67. 99.66. TCA (%). 89.17. 表格 5.16 第三次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1888. 212. 0. 0. RBBB. 0. 486. 1314. 0. 0. APC. 0. 0. 0. 1151. 49. PVC. 0. 0. 0. 3. 297. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1888. 486. 212. 89.9. 79.53. RBBB. 1314. 212. 486. 73. 86.11. APC. 1151. 3. 49. 95.92. 99.74. PVC. 297. 49. 3. 99. 85.84. 39. TCA (%). 89.58.
(47) 表格 5.17 第四次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1946. 154. 0. 0. RBBB. 0. 573. 1227. 0. 0. APC. 0. 0. 0. 1199. 1. PVC. 0. 0. 0. 12. 288. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1946. 573. 154. 92.67. 77.25. RBBB. 1227. 154. 573. 68.17. 88.85. APC. 1199. 12. 1. 99.92. 99. PVC. 288. 1. 12. 96. 99.65. TCA (%). 89.72. 表格 5.18 第五次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1790. 310. 0. 0. RBBB. 0. 469. 1331. 0. 0. APC. 0. 0. 0. 1152. 48. PVC. 0. 0. 0. 4. 296. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1790. 469. 310. 85.24. 79.24. RBBB. 1331. 310. 469. 73.94. 81.11. APC. 1152. 4. 48. 96. 99.65. PVC. 296. 48. 4. 98.67. 86.05. 40. TCA (%). 88.46.
(48) 表格 5.19 第六次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 2011. 89. 0. 0. RBBB. 0. 659. 1141. 0. 0. APC. 0. 0. 0. 1200. 0. PVC. 0. 0. 0. 3. 297. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 2011. 659. 89. 95.76. 75.32. RBBB. 1141. 89. 659. 63.39. 92.76. APC. 1200. 3. 0. 100. 99.75. PVC. 297. 0. 3. 99. 100. TCA (%). 89.57. 表格 5.20 第七次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1981. 119. 0. 0. RBBB. 0. 683. 1117. 0. 0. APC. 0. 0. 0. 1200. 0. PVC. 0. 0. 0. 4. 296. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1981. 683. 119. 94.33. 74.36. RBBB. 1117. 119. 683. 62.06. 90.37. APC. 1200. 4. 0. 100. 99.67. PVC. 296. 0. 4. 98.67. 100. 41. TCA (%). 88.81.
(49) 表格 5.21 第八次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1908. 192. 0. 0. RBBB. 0. 400. 1400. 0. 0. APC. 0. 0. 0. 1153. 47. PVC. 0. 0. 0. 4. 296. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1908. 400. 192. 90.86. 82.67. RBBB. 1400. 192. 400. 77.78. 87.94. APC. 1153. 4. 47. 96.08. 99.65. PVC. 296. 47. 4. 98.67. 86.3. TCA (%). 91.07. 表格 5.22 第九次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1903. 197. 0. 0. RBBB. 0. 349. 1451. 0. 0. APC. 0. 0. 0. 1198. 2. PVC. 0. 0. 0. 6. 294. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1903. 349. 197. 90.62. 84.5. RBBB. 1451. 197. 349. 80.61. 88.05. APC. 1198. 6. 2. 99.83. 99.5. PVC. 294. 2. 6. 98. 99.32. 42. TCA (%). 92.31.
(50) 表格 5.23 第十次實驗辨識結果(架構二) 判讀結果 NORM 信號種類. LBBB. RBBB. APC. PVC. NORM. 1800. 0. 0. 0. 0. LBBB. 0. 1975. 125. 0. 0. RBBB. 0. 569. 1231. 0. 0. APC. 0. 0. 0. 1182. 18. PVC. 0. 0. 0. 25. 275. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. LBBB. 1975. 569. 125. 94.05. 77.63. RBBB. 1231. 125. 569. 68.39. 90.78. APC. 1182. 25. 18. 98.5. 97.93. PVC. 275. 18. 25. 91.67. 93.86. TCA (%). 89.76. 在展示完第二種辨識架構所進行之十次心電圖信號辨識實驗的各項數據及辨識指 標後，表格 5.24 同樣針對各辨識指標，進行平均值的統計，並與其它心電圖信號辨識 方法的實驗數據做比較，且以圖表的方式呈現。. 表格 5.24 十次實驗之辨識指標平均值(架構二) Se (%). PPV (%). NORM. 100. 100. LBBB. 91.51. 78.34. RBBB. 70.17. 87.94. APC. 98.62. 99.43. PVC. 97.74. 95.07 43. TCA (%). 89.74.
(51) 圖 5.4 以及圖 5.5 同樣利用不同顏色的長條圖，來代表不同的心電圖信號辨識 方式，其 Se(sensitivity)與 PPV(positive predictive value)在各種心電圖信號上的辨識效果，. 圖 5.4 Se 數據比較圖(架構二). 圖 5.5 PPV 數據比較圖(架構二). 44.
(52) 從以上的第二種辨識架構之實驗數據與辨識指標可以發現，NORM 與 LBBB 類型 的心電圖信號，其 Se 與 PPV 這兩項數據，以及整體 TCA 這項數據，皆獲得了提升， 但為了使 NORM 類型及 BBB 類型的心電圖信號，能夠得到最佳的辨識效果，故本論文 又提出了第三種心電圖信號的辨識架構，且於下一小節中展示其實驗數據。. 5.3.3 實驗數據(辨識架構三) 為了使 NORM 及 BBB 類型的心電圖信號能夠達到最佳的辨識效果，故第三種心電 圖信號辨識架構即利用了 NORM、LBBB 與 RBBB，其 QTP-int 這項特徵值的值域分布， 來對 NORM 與 BBB 類型的心電圖信號，做到完全的分類，其完整的實驗數據，如以下 表格 5.25 所示。. 表格 5.25 實驗辨識結果(架構三) 判讀結果 NORM 信號種類. BBB. APC. PVC. NORM. 1800. 0. 0. 0. BBB. 0. 3900. 0. 0. APC. 0. 0. 1197. 3. PVC. 0. 0. 4. 296. TP. FP. FN. Se (%). PPV (%). NORM. 1800. 0. 0. 100. 100. RBBB. 3900. 0. 0. 100. 100. APC. 1197. 4. 3. 99.75. 99.67. PVC. 296. 3. 4. 98.67. 99. 45. TCA (%). 99.9.
(53) 圖 5.6 Se 數據比較圖(架構三). 圖 5.7 PPV 數據比較圖(架構三). 由以上兩個辨識指標的比較圖便可得知，第三種心電圖信號辨識架構的策略，達成 了在 NORM、BBB、APC 及 PVC 類型的心電圖信號上，皆具有極佳辨識效果之目的， 故為這四種類型的心電圖信號，提供了一個可靠且具效率的辨識方法。. 46.
(54) 第六章 結論 本論文提出以隱藏式馬可夫模型(HMM)進行心電圖信號的辨識，從心臟構造及心 臟基本功能開始介紹，到認識心電圖信號中的重要波型，並進一步利用這些波型的資 訊，來計算心電圖特徵值，最後，利用這些特徵值來訓練 HMM 模型並進行心電圖信號 的辨識，此外，本論文中採取的是非固定特徵值的 HMM 模型，即針對不同類型的心電 圖信號之辨識，將使用不同種類及數量的心電圖特徵值來進行 HMM 模型的訓練及辨 識，此外，本論文更提出了多種不同的辨識架構，這樣具有彈性的作法，不僅使 HMM 模型的訓練及辨識速度獲得提升，同時也有助於增進辨識的正確率，因此，對於心電圖 信號的辨識來說，HMM 可說是提供了一個快速且可靠的方式。 由於在本論文所進行的實驗中發現到，使用 HMM 進行心電圖信號辨識時，對於 LBBB 與 RBBB 這兩種心電圖信號類型的辨識成果，仍具有改善空間，而造成這樣現象. 的原因，則可能為目前所採用之心電圖特徵值集合，並非最佳的心電圖特徵值組合，故 在未來的研究方向部分，應朝向針對不同的心電圖信號類型其重要波型的資訊，設計出 更適合的心電圖特徵值，來建構出更有效的心電圖特徵值集合，以進行 HMM 模型的訓 練以及辨識，而達到提升辨識率的效果。. 47.
(55) 參考文獻 [1] A. Kadish, “ACC/AHA Clinical Competence Statement on Electrocardiography and Ambulatory Electrocardiography,” J. Am. Coll. Cardiol., vol. 38, no. 7, 2001. [2] Yun-Chi Yeh, Wen-June Wang, and Che-Wun Chiou, “Heartbeat Case Determination Using Fuzzy Logic Method on ECG Signals,” International Journal of Fuzzy Systems, Vol. 11, No. 4, December 2009. [3] L. A. Zadeh, Fuzzy Sets as a Basis for a Theory of Possibility, Fuzzy Sets and Systems 1, 1978. [4] Z. Dokur, T. Olmez, E. Yazgan, and O. K. Ersoy, “Detection of ECG Waveforms by Neural Networks,” Med. Eng. Phys., vol. 19, pp. 738-741, 1997. [5] Z. Dokur, and T. Olmez, “ECG Beat Classification by a Novel Hybrid Neural Network,” Computer Methods and Programs in Biomedicine, vol. 66, pp. 167-181, 2001.. [6] H. G. Hosseini, D. Luo, and K. J. Raynolds, “The Comparison of Different Feed Forward Neural Network Architectures for ECG Signal Diagnosis,” Med. Eng. Phys., vol. 28, pp. 372-378, 2006. [7] Y. P. Meau, F. Ibrahim, S. A. L. Narainasamy, and R. Omar, “Intelligent Classification of ECG Signal Using Extended EKF Based Neural Fuzzy System,” Computer Methods and Programs in Biomedicine, vol. 82, pp. 157-168, 2006.. [8] I. Christov, G. Gómez-Herrero, V. Krasteva, I. Jekova, A. Gotchev, and K. Egiazarian, “Comparative Study of Morphological and Time-Frequency ECG Descriptors for Heartbeat Classification,” Med. Eng. Phys., vol. 28, pp. 876-887, 2006. [9] P. Chazal, M. O’Dwyer, and R. B. Reilly, “Automatic Classification of Heart-beats Using ECG Morphology and Heartbeat Interval Features,” IEEE Trans. on Biomed. Eng., vol. 51, pp. 1196-1206, 2004.. 48.
(56) [10] A. Koski, “Modelling ECG Signals With Hidden Markov Models,” Artif. Intell. Med., vol. 8, pp. 453-471, 1996. [11] MIT-BIH. Database. Distribution,. Massachusetts. Institute. of. Technology,. 77. Massachusetts Avenue, Cambridge, MA 02139, 1998. [12] R. M. Rangayyan, Biomedical Signal Analysis: A Case-Study Approach, New York: Wiley, Inter-Science, 2001. [13] P. Blunsom, “Hidden Markov Model,” The University of Melbourne, Department of Computer Science and Software Engineering, 19th August 2004. URL: http://www.cs.mu.oz.au/460/2004/materials/hmm-tutorial.pdf [14] X. Huang, A. Acero, and H. Wuenon, Spoken Language Processing A Guide to Theory, Algorithm and System Development, Pearson, 2005.. [15] P. Bajpai and S. N. Singh, “Fuzzy Adaptive Particle Swarm Optimization for Bidding Strategy in Uniform Price Spot Market,” IEEE Transactions on Power Systems, vol. 22, No. 4, 2007. [16] I. Jekova, G. Bortolan, and I. Christov, “Assessment and Comparison of Different Methods for Heartbeat Classification,” Medical Engineering and Physics, vol. 30, pp. 248-257, 2008. [17] T. Mar, S. Zaunseder, J. P. Martinez, M. Llamedo, and R. Poll, “Optimiztion of ECG Classification by Means of Feature Selection,” IEEE Trans. on Biomed. Eng., vol. 58, no. 8, pp. 2168-2177, 2011. [18] J. Dai, “Hybrid Approach to Speech Recognition Using Hidden Markov Models and Markov Chains,” IEE Proc.-Vis. Image Signal Process., vol. 141, pp. 273-279, 1994. [19] K. S. Lee, “EMG-Based Speech Recognition Using Hidden Markov Models With Global Control Variables,” IEEE Trans. on Biomed. Eng., vol. 55, pp. 930-940, 2008. [20] V. Krishnamurthy, J. B. Moore, and S. H. Chung, “Hidden Markov Model Signal Processing in Presence of Unknown Deterministic Interferences,” IEEE Trans. on 49.
(57) Automatic Control, vol. 38, no. 1, pp. 146-152, 1993.. [21] M. S. Crouse, R. D. Nowak, and R. G. Baraniuk, “Wavelet-Based Statistical Signal Processing Using Hidden Markov Models,” IEEE Trans. on Signal Processing, vol. 46, no. 4, pp. 886-902, 1998. [22] D. J. Miller, and M. S. Park, “A Sequence-Based Approximate MMSE Decoder for Source Coding Over Noisy Channels Using Discrete Hidden Markov Models,” IEEE Trans. on Communications, vol. 46, no. 2, pp. 222-231, 1998.. [23] Y. Bengio, V. P. Lauzon, and R. Ducharme, “Experiments on the Application of IOHMMs to Model Financial Returns Series,” IEEE Trans. on Neural Networks, vol. 12, no. 1, pp. 113-123, 2001. [24] “Heart Function,” The Permanente Medical Group URL: http://www.permanente.net/homepage/kaiser/pages/f63363.html [25] “Understanding an ECG,” Geeky Medics, 2011. URL: http://geekymedics.com/2011/03/05/understanding-an-ecg [26] K. Grauer, “ECG Interpretation Review #34,” ECG Interpretation, 2012. URL: http://ecg-interpretation.blogspot.tw/2012/01/ecg-interpretation-review-34-acutemi.html [27] “ECG Segments,” wb-CME: Electrocardiography Primer URL: http://www.education.science-thi.org/edu_ecg/ecginclinicalpractice/normalecg/ ecgsections/index.html [28] “Pediatric ECG Cases,” Medscape Reference URL: http://reference.medscape.com/features/slideshow/ped-ecg. 50.
(58)
Outline
相關文件
In the development of data acquisition interface, matlab, a scientific computing software, was applied to acquire ECG data with real-time signal processing.. The developed
format, Signal acquisition, Wavelet packet analysis , Discrete wavelet transform, Hyperkalemia, Acute myocardial infarction, P wave, QRS complex, T wave, Neural network,
Research on Analog and Mixed-Signal Processing Integrated Circuit Design for ISFET-Based Linear Sensor Array
Lin, “Automatic Music Genre Classification Based on Modulation Spectral Analysis of Spectral and Cepstral Features”, IEEE Trans.. on
Godsill, “Detection of abrupt spectral changes using support vector machines: an application to audio signal segmentation,” Proceedings of the IEEE International Conference
(英文) The Sixth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIHMSP 2010). 發表 論文
Ahmad, A Variable Block Size Motion Estimation Algorithm for Real-time H.264 Video Encoding, Signal Processing: Image Communication,
D.Wilcox, “A hidden Markov model framework for video segmentation using audio and image features,” in Proceedings of the 1998 IEEE Internation Conference on Acoustics, Speech,
