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

基于傳統心電圖分類的診療技術基本依靠人力完成。專家以自己多年積累的經驗和大量心臟領域的知識，得到準確的診斷結果。

然而，在心臟疾病高發的當今，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，而且也可能出現誤診斷，會對患者和醫院造成不好的影響[1]。 為了解決上述問題，基于心電圖自動分類診斷技術開始出現。

本文在心電圖采信號數據采集和傳輸方面，設計了基于 STM32 單片機的硬件心電數據采集系統，采用 BMD101 芯片采集原始心電信號數據，并用藍牙和 WiFi 將數據發送到 PC 端上位機和安卓手機 APP 上進行分類處理。

1 ?心電信號分類識別方法的研究現狀

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，然后使用醫學分類規則對其進行判斷。Philip Deehazal 等人利用心電圖的形態特征和間期等 12 個特征進行訓練和測試[3]，將心拍分為 5 類，準確率達到 0.81。李坤陽等人結合小波變換和數學形態學，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，再結合專家的臨床經驗，將心拍分為 4 類，準確率達到 0.94[4]。基于波形形態的分類方法對心電圖的質量效果要求較高，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，不適合處理動態心電圖。所以，采用此類方法提取到的特征向量不夠充分，導致分類診斷類型比較少，診斷準確率也比較低。

基于波形特征的分類方法是目前應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行分類[5]。駱德漢等人采用基于多階前饋的人工神經網絡對心電圖進行了 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進行分類[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，最后利用神經網絡對心電圖進行 6 分類[8]，取得了較好的結果。

Osowski 等人設計出一個將模糊自組織層和多層感知器進行級聯的分類器，對心電信號實現了 7 分類[9]，分類正確率達到了 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 硬件電路的設計

2.1 系統介紹

該心電采集監測系統主要有四個模塊組成：心電數據采集模塊，無線傳輸模塊，Android 端 APP 數據接收處理模塊和 PC 端上位機數據接收處理模塊。

當用戶出現心臟不適后，可以立刻使用該采集設備去采集心電信號，采集到的數據通過藍牙傳輸至 Android 手機的 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，并將數據上傳到服務器。

2.2 采集模塊

? ? 2.2.1 心電采集芯片

BMD101 芯片具有先進的模擬前端電路和靈活強大的數字信號處理結構。它可以采集從 μV 到 mV 的生物信號，然后經過 Neurosky 的專利算法處理。BMD101 的核心是一個功能強大的系統管理單元。它負責整體系統配置、運行管理、內外通信、專有算法計算和電源管理。BMD101 還配有固化 DSP 數字信號處理模塊來加速對系統管理單元監控下的各種數字濾波的計算。

? 2.2.2 實物展示

圖 1 心電采集硬件系統實物圖

3 分類算法及系統軟件設計

本文采用開源深度學習框架 Faster R-CNN 進行目標檢測，該框架下對于特定網絡模型的訓練，對GPU 的性能有一定的要求。對于 ZF net 網絡模型和 VGG-16 net 網絡，分別要求 GPU 的顯存至少是 3 GB 和 8 GB。

3.1 數據集構建

數據集的構建包括訓練集的構建和測試集的構建。其中，訓練集的構建包括：提取的 44 組人體心電數據、R 波檢測、節拍圖截取、節拍歸類、平移旋轉擴充節拍圖等操作，最終將擴充后的節拍圖集作為實驗訓練集。測試集的構建包括采集人體心電數據、預處理操作、R 波檢測和節拍圖的截圖等操作，最終獲取的未標記的節拍圖集作為測試集。

3.1.1 心電圖R波檢測

小波變換技術在提升 Q 波檢測的準確性方面表現出了良好的性能。根據小波變換理論，R 波峰與模最大模數最小值的零點具有穩定的位移關系。 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 波開始和結束，以避免 QRS 波的寬度失真。對于干擾嚴重或非典型 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 心電節拍圖提取

本文在心電節拍圖提取上采用滑動窗口搜索方法，如圖 3 所示，針對前一節內容中小波變換檢測出的每個 R 波點，記錄下當前 R 點坐標，以當前 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，否則停止搜索；再以當前 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，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習網絡中的樣本輸入。

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拍形狀存在較大差異，有利于提升分類模型的性能。

3.2 訓練分類模型

深度學習的訓練過程：在監督學習中，將帶有標簽的數據集按照一定的策略輸入到深度網絡模型中，在成千上萬次迭代學習過程中，該模型不斷調整其內部參數，最終成為一個具有有效分類作用的模型。

在本文中，以 xml 文件保存的訓練集中，每一張具體的圖像作為自變量 xi，圖像中的目標包圍框坐標 [x1，y1，x2，y2] 以及目標分類 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，深度學習中大量的（xi，yi）可以擬合出一個非常復雜的函數，該函數由其參數確定。

所以，深度學習網絡模型的本質是訓練出一個包含大量參數的非常復雜的非線性函數，以用于當給定自變量時，預測因變量的值。

在 Faster R-CNN 框架下，訓練需要修改的幾個部分。

（1） 修改數據集路徑、標簽、以及其他超參數的相關文件。

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

（3） 修改 solver 文件，并設置其路徑。

（4） 運行腳本 script_faster_rcnn_VOC2007_ZF.m，執行訓練。

（5） 訓練完成后，對生成的 detection_test.prototxt 文件進行修改。

在參數設置環節，本文主要采用默認的參數，而只針對 solver 文件中的 max_iter 和 stepsize 進行修改。max_iter 代表訓練過程中的最大迭代次數，該參數過小會導致模型訓練不充分，過大則可能導致模型過擬合（訓練過于充分）。stepsize 代表執行學習率衰減策略時的迭代次數，亦即迭代多少次之后進行學習率衰減。學習率是深度學習訓練過程中的重要參數：在訓練的初始階段，會設置一個較大的學習率，以便快速收斂；在訓練的后期，會減小學習率，以免因步幅太大而錯過最優值。

本文所采用的數據集包含 800 張圖像，在不同的參數下進行了多次訓練實驗，最后發現 max_iter 和 stepsize 的值分別為 4 000 和 3 000 時，訓練結果最佳。

3. 分類效果測試

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

在心電圖采信號數據采集和傳輸方面，設計了基于 STM32 單片機的硬件心電數據采集系統，采用 BMD101 芯片采集原始心電信號數據，并用藍牙和 WiFi 將數據發送到 PC 端上位機和安卓手機 APP上。在心電信號數據接收方面，編寫了 PC 端上位機來實現心電信號的實現顯示與保存，同時編寫了安卓端 APP 來實現心電信號的實時顯示，同時能定位到當前使用者的地理位置，并將心電數據上傳到遠端服務器上。

心電圖的正確分類取決于提取正確的特征，本文直接對預處理后的心電信號進行深度神經網絡訓練，逐層提取心電圖特征，最終擬合出心電圖自動分類的模型，用訓練好的分類模型對心電圖進行分類測試，得到了良好的效果。