心律失常自动分类算法研究现状综述

心律失常自动分类算法研究现状综述＊

李嘉，杨晓玲，张阳

【摘 要】心血管疾病的研究长期以来一直是医学界的重要课题。其中，如何利用ECG中反映心脏节律及其电传导的生理和病理信息，用于诊断心律失常，是当前研究的热点之一。因而在过去数10年间，各种心律失常自动分类算法被国内外研究者提出。根据心律失常分类算法的设计思想，将现有算法归纳成4类，分别是基于知识推理、结构模式识别、统计模式识别和人工神经网络的分类算法。围绕上述4类，展开对现有心律失常分类算法的介绍和分析。

【期刊名称】《科技与创新》

【年(卷),期】2019(000)018

【总页数】2

【关键词】心律失常；心血管疾病；分类算法；结构模式

1 知识推理

知识推理是指在一定的控制策略指导下，通过搜索知识库中的可用知识与待测数据进行匹配，产生或论证新事实的方法。针对心律失常自动分类的知识推理则是结合医学知识，包括病人年龄、过往疾病等，从宏观上建立相应知识库和推理机制的过程。在该类算法研究的早期阶段，研究者主要利用语义、简单逻辑、模糊逻辑或产生式规则等方式来表达心电信号知识并建立数据库。随着生物知识表达的发展，EXARCHOS等人[1]基于关联规则挖掘手段推理出心肌缺血的诊断方法，并在文献[2]中建立了针对心肌缺血和心律失常疾病诊断的模糊决策树模型。该方法虽然在13种心律失常类型上建立了决策树模型，但通过实验发现仅有3类适合该模型，另外10类则更适用于医学定义的规则。此外，CARRAULT等人[3]利用归纳逻辑编程方式实现了心拍识别，该方式依赖于线上和线下的协同作用，首先在线下建立心律失常的高层特征，然后在线上用当前获得的心拍特征去匹配已有高层特征。

基于知识推理的心律失常自动分类算法的不足之处在于，推理模型过于简单，不足以表达心电信号所含知识的复杂程度，而且建立的知识库难以根据不同病人进行适时调整。因此，该类算法已逐渐不被研究者采纳。

2 结构模式识别

结构模式识别是一个由粗到细逐层分析的方法[4]。基于结构模式识别的分类过程是首先基于原始数据的结构特点，将复杂模式结构划分为多个相对简单、更易区分的基元，再通过这些基元复原原有模式结构，最后结合统计学模型完成分类。在解决心律失常分类问题时，该类算法更加注重对心拍信号波形的分析。例如KOSKI等人[5]以直线为基元对心拍进行分割，根据直线斜率不同将分割的心