基于CBR的心电图诊断系统设计

　　1　引　言

　　心电图是诊断心血管疾病的重要依据。目前,计算机对心电图的分析诊断已进入了一个较为成熟的阶段[1-5],并在门诊检查、基础护理等领域得到了一定应用。但是,由于心电图数据是一个较为复杂的时间序列,各个波的形态特征与病理有着紧密的联系,从而增加了心电图分析的难度,使计算机心电分析还不能完全达到专家诊断的效果[1]。因此,改进传统的处理方法及探索新的解决方案[2~4],进一步提高诊断的准确性,仍然是当前心电分析领域中迫切需要解决的一个问题。

　　心电图是记录心脏组织电压变化的图形。目前国际通用的导联体系为标准的12导联,包括肢体导联(双极肢体导联Ⅰ、Ⅱ、Ⅲ及加压单极肢体导联aVR、aVL、aVF)和胸导联等。不联上的心电图波形有所不同,但基本上都包括了P波、QRS波群、T波和U波。传统的心电图分析方法是通过观察心电图的各个波形,根据经验进行判断,然后得出诊断结果。这一过程,可以归纳为提取心电图的特征并对心电图进行分类的问题。

　　分类是一种重要的数据分析技术,它首先分析心电图的各导联数据,提取反映心电图各波形形态的特征属性,组成一个特征向量。然后,建立包含典型心电图特征向量的训练集,并通过在训练集中的数据表现出来的特性,为每一个心电图类找到一种准确的描述或者模型。由于心电图中包含的数据具有相关性,比较复杂。使用一般的分类算法很难达到准确的分类效果。因此,本文在比较各类算法的基础上,提出了一种基于CBR的混合分类算法模型,并阐述了CBR模型中实例库的设计。

　　2　基于CBR的心电图诊断模型

　　在心电图分类中一个比较明显的特点是待分类样本的数据复杂度高,具有相关性,同时噪声大,有些心电图很难鉴别。所以分类算法的设计必须要充分考虑到这些特点,以达到较好的分类效果。目前常用的分类模型有以下几种。

　　2·1　基本Bayes分类

　　著名的贝叶斯定理是由18世纪的Thomas Bayes发明的概率统计学原理,近年来,这一理论在商业软件中得到了广泛应用。Bayes分类是一种概率分类法[6],它利用类别的先验概率和心图特征属性分布对于类别的条件概率来计算未知心电图数据属于某一类别的概率。假设心电图的属性分布相互独立,则当P(ci|V)最大时,表示未知样本V=(v1,v2,…,vn)属于类别ci。

　　2·2　神经网络

　　自1982年美国物理学家J.Hoppield教授提出霍普非尔德模型以来,神经网络的研究得到了惊人的发展。神经网络通过从特征值空间到结果空间的非线性映射,能够完成复杂的模式抽取及趋势分析功能。目前应用最广泛的是前向传播式模型,由输入层,隐含层和输出层构成,如图1所示。