基于瞬时频率与功率谱熵组合特征的心律失常诊断方法

心率失常作为最常见的心血管疾病，威胁着广大人民群众的身体健康。近年来，通过机器学习对心律失常进行诊断逐渐成为热点，然而，当前方法很难在准确率和效率之间取得平衡。为解决这一问题，本文从实用角度出发，提出了一种基于瞬时频率与功率谱熵组合特征的心律失常诊断方法，并使用MIT-BIH心律失常数据库中的心电图数据对该方法进行测试。本文采用Pan-Tompkins算法定位心拍位置以构成数据集，并利用小波分解对数据进行降噪，之后将瞬时频率与功率谱熵作为特征，使用支持向量机(SVM)与双向长短期记忆网络(Bi-LSTM)以测试其性能。最终可得该方法在SVM和Bi-LSTM下的准确率分别为98.3%和99%，识别速度均在毫秒级，同时兼顾了效率与正确率，为应用机器学习的心律失常诊断提供了一种更加优秀的解决方案。

当前， 心血管疾病已然成为中国乃至全球死亡率最高的疾病之一[1] [2]， 而心律失常便是最为常见的一类心血管疾病。心律失常的危害在于，它不但可能加重原有的心脏疾病，如加快心力衰竭的发展，而且可以导致患者突然死亡，严重威胁人类的生命健康[3]。对于心率失常患者来说，采取有效的诊断方式能使其尽早进行治疗，有助于提高患者的临床治疗效果[4]，但传统的心律失常诊断多依赖于动态心电图(Holter)，需要由患者携带Holter 一至三天的时间来进行长时间的心电监测，不仅影响患者的正常生活， 而且后续数据处理极其繁琐，大大降低了诊断的效率， 而花费时间较短的12 导联心电图又易导致心律失常的漏诊[5]，因此，研究者们一直在寻求一种高效率、高准确率的心律失常诊断方法。

过去10 年， 许多研究者开始致力于将机器学习应用于包括心律失常在内的心血管疾病的诊断[6]。

机器学习可以广义地定义为一种利用数据来提高性能或进行准确预测的计算方法[7]，是人工智能的一个重要分支，通过机器学习对心电图(ECG)进行分析，我们可以快速且较为准确的完成心率失常患者的筛查。

在以往的实验中，研究者们通过使用一些典型的机器学习方法，包括支持向量机(SVM) [8]，决策树[9]， 卷积神经网络[10]等， 以较高正确率成功完成了心律失常的诊断， 佐证了机器学习在心律失常诊断中的优越性。然而，当面对大数据量、大差异性的样本数据时，上述方法很难在准确率和效率之间取得平衡。

为了同时兼顾准确率与运算速度，本文提出了一种将瞬时功率和功率谱熵等特征以及小波变换相结合的心律失常诊断方法，并在SVM 与Bi-LSTM 模型下进行测试。结果表明该方法能够保证在良好的训练性能下， 取得一个较好的识别结果。

通过使用MIT-BIH 心律失常ECG 数据库进行验证， 该方法在SVM中的准确率为98.33%，在Bi-LSTM 中的准确率为99.37%，识别速度均在毫秒级，证明其拥有良好的效