0引 言

心血管疾病是严重威胁人类健康的疾病之一，随着社会经济的发展和国民生活方式的改变，以及人口老龄化和城镇化进程的加速，我国心血管病的发病人数快速持续增长。急性心肌梗死[1]指营养心肌的冠状动脉发生病变，冠状动脉血供急剧减少或完全中断，使相应心肌严重而持久的缺血缺氧所引起的心肌细胞损伤甚至坏死。心肌梗死具有极高的死亡率和致残率。对于急性心肌梗死患者，若能在2小时内打通堵塞血管，恢复心肌供血，绝大多数心肌都可以免于坏死。心肌梗死的症状很多，但也有许多患者仅出现轻微症状或根本没有症状，容易因误诊而错过最佳救治时机，所以为了辅助医生快速准确地做出临床诊断，构建精准的心肌梗死定位算法至关重要。

本文提出了一种结合遗传算法和极限学习机的GA-ELM混合算法，用于心肌梗死的定位，可行性高、识别率高、速度快、具有可扩展性。

1相关工作

针对心肌梗死的计算机自动分析诊断，国内外的研究者提出了各种不同的解决方法。他们通常在对采集到的心电信号进行去噪预处理[2]，其次确定R波峰的位置[3-4]，然后用类似的方法定位Q波起点[5]，S波终点[6]，P波和T波的峰值点、起点和终点[7]，最后获得心电波形的电压幅值和时间间隔值作为特征。依据这些特征，医生根据对应的诊断规则实现心肌梗死的检测和定位。但由于心电波形的多样性和复杂性以及种族个体的差异性，完全依赖于医生的临床经验，具有一定的局限性。

国内外研究者提出了各种针对急性心肌梗死的自动检测和定位算法。Sopic等[8]采用随机森林分层分类方法，实现了心肌梗死的检测。为了应用于实时分析系统，研究者逐层增加特征数量，以减少分类所需要的时间。Acharya等[9]使用标准II导联的心电数据，采用卷积神经网络(Convolutional Neural Networks,CNN)方法实现了心肌梗死的检测。Lui等[10]使用PTB心电数据库上标准I导联的数据，采用卷积递归神经网络实现了心肌梗死的检测。Chang等[11]首先使用隐马尔科夫模型(Hidden Markov Model,HMM)从V1～V4胸导联信号中提取特征，然后采用SVM和高斯混合模型(Gaussian Mixture Model,GMM)，实现了心肌梗死的检测。Seenivasagam等[12]采用前馈神经网络(Feed-Forward Neural Network,FFNN)和SVM实现了心肌梗死的检测。Remya等[13]采用多分辨率方法提取Q波峰值和ST段抬高等特征，使用简单的自适应阈值(Simple Adaptive Threshold，SAT)方法实现了心肌梗死的定位。文献[14]使用SVM方法，实现了五类心梗和健康对照的定位。Safdarian等[15]提取T波积分和全积分作为特征，然后采用概率神经网络(Probabilistic Neural Network，PNN)完成心梗定位。文献[8-12]仅实现了二分类研究即是否存在心肌梗死的检测，并没有进行心梗部位的定位分析。文献[13-15]在前人的基础上，研究心肌梗死的定位，但仅使用了部分导联的心电数据来提取特征。虽然导联数据的减少，使算法的计算速度有所提升，但是不同导联下获取的心电图记录具有无可代替的临床价值，人为减少导联数据会导致有效信息的缺失，直接影响到心肌梗死定位的准确性。

2实验数据

常见类型的心肌梗死病症可以根据常规心电图的波形特征改变来判断。其典型特征有：ST段斜型抬高，T波高耸；ST段弓背或水平型抬高；T波对称性倒置；对称性倒置T波由深变浅；T波恢复正常或长期无变化；加深而增宽的病理性Q波。在心肌梗死发作期间，患者可能经历许多严重症状，例如：剧烈而持久的胸骨后疼痛，呼吸短促，意识丧失，并伴有心电图进行性改变。

本文采用国际权威的公开心肌梗死临床PTB数据库作为验证。该数据集包含549条心电图记录，分别采集自290名受试者，其中男性209名，女性81名，男女比例约为2.6∶1。每条记录大约2分钟，包括同步测量的15个信号：临床常用的标准12导联以及3个Frank导联心电信号。心肌梗死临床数据库主要包括有心肌梗死、心率衰竭、房室束支传导阻滞患者和健康对照者等，受试者平均年龄约为57岁。PTB临床诊断类别及受试者人数统计情况如表1所示。

表1 PTB诊断类别及受试者人数统计表诊断类别受试者人数Myocardial infarction148Cardiomyopathy/Heart failure18Bundle branch block15Dysrhythmia14Myocardial hypertrophy7Valvular heart disease6Myocarditis4Miscellaneous4Healthy controls52

3数据处理

由于心电信号的不稳定性、非线性和微弱性，振幅仅为几毫伏，频率范围在0.05 Hz到100 Hz之间，在信号采集过程中非常容易受到人体活动和仪器等各种因素的干扰，甚至会影响到ECG信号的特征提取和进一步分析诊断。因此有必要对采集到的ECG信号进行去噪预处理，以便获得高质量的心电信号，这些噪声主要包括基线漂移、工频干扰和肌电干扰。

文章来源：《心电图杂志(电子版)》 网址: http://www.xdtzzzz.cn/qikandaodu/2020/0801/416.html