臺灣博碩士論文加值系統

本研究使用單導程心電圖資料，提出以系統建模方法，即時偵測受測者心電圖是否出現心室過早收縮。我們所提出的方法由兩個同步銜接的部分組成，第一部分使用最小平方法求得每個心電訊號點出現時所對應的系統參數，第二部分將此系統參數導入類神經網路進行判讀。實驗資料取自MIT-BIH資料庫中，具有心室過早收縮症狀的患者資料，進行個別患者與總體資料兩種試驗，得到敏感度、特異性與準確度分別為：87.27%、93.35%、91.92%以及 88.50%、95.16%、93.82%。
本研究使用系統建模方法分析心電圖訊號，而非傳統數據比對方式，使得本研究所提出偵測演算法時間複雜度與資料量呈線性關係，未來可以將本研究所提出方法，實作在嵌入式系統上，可隨時監測受測者是否出現心室過早收縮，以提醒具有心血管疾病史的患者及早接受診治，以免延誤就醫。

In this thesis, we propose a novel means that uses system modeling approach to extract fixed-length parameters from single-lead ECG data, such that Premature Ventricular Contraction (PVC) can be detected in real time. Our proposed method consists of two pipelined parts: the first part receives an ECG signal and identifies the corresponding AR (Auto Regressive) system by the recursive least squares method; the second part feeds the system parameters into a neural network for symptom analysis. Experimental results obtained from the MIT-BIH database, including 15 patients with PVC symptoms, verified the sensitivity, specificity and accuracy of our method; that were 87.27%, 93.35%, 91.92 % and 88.50%, 95.16%, 93.82% on patient-dependent and patient-independent cases respectively.
This thesis analyzes ECG signals using system modeling rather than traditional data comparison approaches, and thus reduces the time complexity of the detection algorithm into linear. Featured by its low computing resource, linear time complexity and real-time symptom detection, our method could be implemented on embedded systems to form a portable ECG monitor, that will be helpful to the patients having cardiovascular disease history. The patients with frequent PVC records will be reminded immediately, and thus they can have medical treatment in time.

致謝 iv
摘要 v
Abstract vi
目錄 vii
圖目錄 x
表目錄 xiii
第一章 緒論 1
1.1 心電圖背景 1
1.2 心電原理 2
1.3 心電圖訊號 3
1.4異常心電圖波形 7
1.4.1 心室過早收縮(Ventricular premature contraction, PVC) 7
1.4.2 心室心搏過速(Ventricular Tachycardia VT) 8
1.4.3 心室纖維顫動(Ventricular Fibrillation VF) 9
1.5 研究動機與目的 9
1.6 章節介紹 10
第二章 相關研究介紹 11
2.1 心臟疾病相關研究 11
2.1.1單導程心電圖應用 12
2.2 心電圖資料庫 13
2.3 Receiver Operating Characteristic(ROC) curve 14
2.4 Least Squares Estimation 16
2.4.1 Online LSE algorithm 19
2.5類神經網路 20
2.5.1多層感知器 20
2.5.2 Early Stop機制 24
第三章 研究方法 27
3.1 LSE參數設定 28
3.2 資料標示 33
3.3 心電圖測試資料整理 36
3.3.1實驗一 分析單獨患者資料 36
3.3.2實驗二 分析總體患者資料 36
3.4 限制參數 37
3.4.1累計閥值β 37
3.4.2 間距閥值α 38
第四章 實驗結果與討論 41
4.1 連續心電訊號判讀 41
4.2 實驗結果 44
4.2.1 實驗一結果 44
4.2.2 實驗一ROC曲線 50
4.2.3 實驗二結果 50
4.2.4 實驗二ROC曲線 56
4.3 討論 56
4.3.1 心室過早收縮樣式差異 58
4.3.2 連續心室過早收縮間距 58
第五章 結論與未來展望 61
5.1 結論 61
5.2 未來展望 62
參考文獻 63

圖目錄
圖1-1 心臟傳導系統示意圖………………………………………………………2
圖1-2 肢導程導電墊片位置示意圖........................................................................4
圖1-3 胸導程導電墊片位置示意圖………………………………………………4
圖1-4 十二導程心電圖之波形……………………………………………………5
圖1-5 心電圖波形名稱、間隔和節段……………………………………………5
圖1-6 心室過早收縮(PVC)…………………………………………………...….7
圖1-7 心室心搏過速………………………………………………………………8
圖1-8 心室纖維顫動………………………………………………………………9
圖2-1 Ivo Iliev等人[5]提出的QRS矩陣。透過顏色的深淺可以分辨出
正常與異常心跳比例……………………………………………………..13
圖2-2 MITBIH心律不整資料庫………………………………………….……..14
圖2-3 ROC curve示意圖………………………………………………………...15
圖2-4 LSE參數示意圖(λ=1)……………………………………………………18
圖2-5 LSE參數示意圖(λ=0.95)...........................................................................18
圖2-6 LSE參數示意圖(λ=0.9).............................................................................19
圖2-7 類神經網路架構…………………………………………………………..21
圖2-8 隱藏層數與決策邊界關係圖……………………………………………..21
圖2-9 MLP信號示意圖…………………………………………………………...22
圖2-10 sigmoid…………………………………………………………………….23
圖2-11 hyperbolic tangent…………………………………………………………23
圖2-12 不同學習率MSE比較圖…………………………………………………..24
圖2-13 overfitting problem圖(上)為正常調整圖(下)為出現overfitting現象...25
圖2-14 overlearing problem圖中虛線為過度學習現象……………………….…26
圖2-15 Early Stop概念……………………………………………………………26
圖3-1 本論文所提出處理方法之操作流程..........................................................27
圖3-2 正常心電圖樣式…………………………………………………………..29
圖3-3 心室過早收縮心電圖樣式1………………………………………………29
圖3-4 心室過早收縮心電圖樣式2………………………………………………30
圖3-5 正常心跳訊號與系統參數還原出訊號之差異比較圖…………………..30
圖3-6 心室過早收縮樣式1原訊號與系統參數還原出訊號之差異比較圖…..31
圖3-7 心室過早收縮樣式2原訊號與系統參數還原出訊號之差異示意圖…..31



圖3-8 正常心跳系統參數曲線圖。 為λ = 0.9參數向量之元素、
為λ=0.96參數向量之元素……………………………………32
圖3-9 心室過早收縮樣式1系統參數曲線圖。 為
λ = 0.9參數向量之元素、 為λ=0.96參數向量之元素.........32
圖3-10 心室過早收縮樣式2系統參數曲線圖。 為
λ = 0.9參數向量之元素、 為λ=0.96參數向量之元素…….33
圖3-11 心室過早收縮樣式1標記範例圖………………………………………..35
圖3-12 心室過早收縮樣式2標記範例圖………………………………………..35
圖3-13 114病人心電圖資料未使用閥值β紅點代表類神經網路判斷參
數具有心室過早收縮現象。雖然心室過早收縮的心電圖波形都
被成功判定，但是正常心電波形也有零星誤判情況…………………..37
圖3-14 114病人心電圖資料使用閥值β後。紅點代表類神經網路判定
參數具有心室過收縮現象。正確的判定在出現心室過早收縮
時期，並且濾掉零星的誤判點…………………………………………..38
圖3-15(a)心室過早收縮週期中，部分訊號點仍被神經網路判斷為正常………..39
圖3-15(b)無使用間距閥值α (β=30)。出現同一次心室過早收縮週期標示兩次…40
圖3-16 間距閥值α=100(β=30)。避免同一次心室過早收縮周期被標示兩次
之情況……………………………………………………………………..40
圖4-1 原始心電圖訊號…………………………………………………………..42
圖4-2 依據不同系統參數所還原出之心電訊號………………………………..42
圖4-3 權重參數λ = 0.9，資料受到淡化程度示意圖…………………………..43
圖4-4 權重參數λ = 0.96，資料受到淡化程度示意圖…………………………43
圖4-5 連續心電圖訊號系統參數曲線圖………………………………………..44
圖4-6 實驗1 106記綠之ROC曲線…………………………………………..47
圖4-7 實驗1 114記綠之ROC曲線…………………………………………..47
圖4-8 實驗1 106記綠之ROC曲線…………………………………………..47
圖4-9 實驗1 119記綠之ROC曲線…………………………………………..47
圖4-10 實驗1 200記綠之ROC曲線…………………………………………..48
圖4-11 實驗1 201記綠之ROC曲線…………………………………………..48
圖4-12 實驗1 205記綠之ROC曲線…………………………………………..48
圖4-13 實驗1 208記綠之ROC曲線…………………………………………..48
圖4-14 實驗1 213記綠之ROC曲線…………………………………………..48
圖4-15 實驗1 215記綠之ROC曲線…………………………………………..48
圖4-16 實驗1 219記綠之ROC曲線…………………………………………..49



圖4-17 實驗1 221記綠之ROC曲線…………………………………………..49
圖4-18 實驗1 223記綠之ROC曲線…………………………………………..49
圖4-19 實驗1 228記綠之ROC曲線…………………………………………..49
圖4-20 實驗1 233記綠之ROC曲線…………………………………………..49
圖4-21 實驗2 106記綠之ROC曲線…………………………………………..54
圖4-22 實驗2 116記綠之ROC曲線…………………………………………..54
圖4-23 實驗2 119記綠之ROC曲線…………………………………………..54
圖4-24 實驗2 200記綠之ROC曲線…………………………………………..54
圖4-25 實驗2 208記綠之ROC曲線…………………………………………..54
圖4-26 實驗2 228記綠之ROC曲線…………………………………………..54
圖4-27 實驗2 114記綠之ROC曲線…………………………………………..55
圖4-28 實驗2 201記綠之ROC曲線…………………………………………..55
圖4-29 實驗2 205記綠之ROC曲線…………………………………………..55
圖4-30 實驗2 213記綠之ROC曲線…………………………………………..55
圖4-31 實驗2 215記綠之ROC曲線…………………………………………..55
圖4-32 實驗2 219記綠之ROC曲線…………………………………………..55
圖4-33 實驗2 221記綠之ROC曲線…………………………………………..56
圖4-34 實驗2 223記綠之ROC曲線…………………………………………..56
圖4-35 實驗2 233記綠之ROC曲線…………………………………………..56
圖4-36 201病人與其他病人心室過早收縮樣式比較圖…………………………57
圖4-37 233病人與其他病人心室過早收縮樣式比較圖…………………………57
圖4-38 215病人與其他病人心室過早收縮樣式比較圖…………………………58
圖4-39 病人出現VT(紅色括起來部份)心電圖…………………………………..59
圖4-40 未使用閥值β。紅點代表類神經網路所判定參數具有
心室過收縮現象…………………………………………………………..59
圖4-41 β=40、α=100。紅點代表類神經網路判定參數具有
心室過收縮現象，但部分的心室過早收縮波形因為間距閥值α
關係而誤判………………………………………………………………..60
圖4-42 β=40、α=20。同一次心室過早收縮時期，出現標是兩次之情形…….60

表目錄
表1-1 ECG訊號特徵說明表……………………………………………………...6
表4-1 114、201、205心電資料測試所得敏感度、特異性與準確度比較表…45
表4-2 213、215、219心電資料測試所得敏感度、特異性與準確度比較表…45
表4-3 106、116、223心電資料測試所得敏感度、特異性與敏感度比較表…46
表4-4 119、200、208心電資料測試所得敏感度、特異性與準確度比較表…46
表4-5 221、233、228心電資料測試所得敏感度、特異性與準確度比較表…47
表4-6 集合1中106、116、119心電資料測試後所得敏感度、特異性與敏
感度比較表……………………………………………………..................51
表4-7 集合1中200、208、228心電資料測試後所得敏感度、特異性與敏
感度比較表……………………………………………………..................51
表4-8 集合2中114、201、205心電資料測試後所得敏感度、特異性與敏
感度比較表……………………………………………………..................52
表4-9 集合2中213、215、219心電資料測試後所得敏感度、特異性與敏
感度比較表……………………………………………………..................52
表4-10 集合2中221、233、223心電資料測試後所得敏感度、特異性與敏
感度比較表……………………………………………………..................53

[1] T.H. Linh, S. Osowski, M. Stodolski, “On-line heart beat recognition using Hermite polynomials and neuro-fuzzy network”, IEEE Trans. Instrum. Meas. Vol.52, 1224-1231, 2003.
[2] C. Li, C.X. Zheng, C.F. Tai, “Detection of ECG characteristic points using wavelet transforms”, IEEE Trans. Biomed. Eng. Vol.42, 21–28, 1995.
[3] L. Senhadji, G. Carrault, J.J. Bellanger, G. Passariello, “Comparing wavelet transforms for recognizing cardiac patterns”, IEEE Eng. Med. Biol. Vol.14, 167–173, 1995.
[4] J.P. Martinez, R. Almeida, S. Olmos, A.P. Rocha, P. Laguna, “A wavelet-based ECG delineator: evaluation on standard databases”, IEEE Trans. Biomed. Eng. Vol.51, 570–581, 2004.
[5] Ivo Iliev, Vessela Krastevea, Serafim Tabakov, “Real-time detection of pathological cardiac events in the electrocardiogram”, IOP Publishing Physiological Measurement, Vol.28, 259-276, 2007.
[6] Hsiao-Lung Chan, Chun-Li Wang, Shih-Chin Fang, Pei-Kuang Chao, Jyh-Da We, ”Recognition of Ventricular Extrasystoles Over the Reconstructed Phase Space of Electrocardiogram”, Annals of Biomedical Engineering, Vol.38, No.3, 813-823, 2010.
[7] Michael Green, Jonas Bjo¨rk, Jakob Forberg, Ulf Ekelund, Lars Edenbrandt, Mattias Ohlsson, “Comparison between neural network and multiple logistic regression to predict acute coronary syndrome in the emergency room“, Artificial Intelligence in Medicine, Vol.38, 305-318, 2006.
[8] K.Lewenstein, “Radial basis function neural network approach for the diagnosis of coronary artery disease based on the standard electrocardiogram exercise test”, Medical &; Biological Engineering &; Computing, 1-6, 2001.

[9] Themis P.Exarchos, Markos G.Tsipouras, Costas P.Exarchos, Costas Papaloukas, Dimitrios I. Fotiadis, Lampros K.Michalis, “A methodology for the automated creation of fuzzy expert systems for ischaemic and arrhythmic beat classification based on a set of rule obtained by a decision tree”, Artificial Intelligence in Medicine, 2007.
[10] R. Bailbn, J. Mateo, S. Olmos, P. Serrano, J. Garcia, A. del Rio, I.J.Ferreira, P. Laguna, “Coronary artery disease diagnosis based on exercise electrocardiogram indexes from repolarisation, depolarisation and heart rate variability”, Med. Biol. Eng. Comput., Vol.41, 561-571, 2003.
[11] Carlos Ordonez, “Association rule discovery with the train and test approach for Heart Disease Prediction”, IEEE Trans. Information Technology Biomed, Vol.10, No. 2, 334-343, 2006.
[12] Markos G. Tsipouras, Themis P. Exarchos, I. Fotiadis, Anna P. Kotsia, Konstantinos V. Vakalis,Katerina K.Naka, and Lampros K. Michalis, “Automated Diagnosis of Coronary Artery Disease Based on Data Mining and Fuzzy Modeling”, IEEE Trans. Information Technology Biomed, Vol.12, No.4, 447-458, 2008.
[13] Dipartimento di Elettronica, Facolta di Ingegneria, Universita di Brescia, “Managing uncertainty in diagnosis of acute coronaric ischemia”, Artificial Intelligence in Medicine, 129-147, 2001.
[14] P. Baroni, G. Guida, M. Zanella, “Managing uncertainty in diagnosis of acute coronaric ischemia”, Artificial Intelligence in Medicine, Vol.23, 129-147, 2001.
[15] Markos G. Tsipouras, Costas Voglis, Dimitrios I. Fotiadis, “A Framework for Fuzzy Expert System Creation—Application to Cardiovascular Diseases”, IEEE Trans. Biomedical Engineering, Vol.54, No.11, 2007.
[16] 楊正榮， “A Method of QRS Detection Based on Wavelet Transforms”, 國立中山大學機械與機電工程研究所，民國九十三年。
[17] 陳炳仁， “An ROC Curve Design Method for Neural Networks”, 國立中山大學機械與機電工程研究所，民國九十一年。


[18] Artificial Neural Networks -- Connective Intelligence, last retrieval: July 29,
2010.
http://www.iis.sinica.edu.tw/~jdwei/ai2010/PPT/ANN2009.pdf
[19] Ωmega Star, last retrieval: July 29, 2010.
http://omega-star.blogspot.com/2010/06/98.html
[20] Factor Analysis, last retrieval: July 29, 2010.
http://www.mis.ccu.edu.tw/User/yfyen/pdf/SEM_factor%20analysis.ppt
[21] 醫療財團法人和信治癌中心醫院,last retrieval: July 29, 2010.
http://www.kfsyscc.org/index.php?article_id=2257
[22] 張景岳中醫藥研究中心,last retrieval: July 29, 2010.
http://www.aptcm.com/aptcm/RealTime.nsf/ByUNID/BC66B54718643EDA48
2570C4000B2018?opendocument
[23] 行政院衛生署健康電子報,last retrieval: July 29, 2010.
http://www.doh.gov.tw/CHT2006/HealthPaper/20070426.html
[24] 曲線上的人心,last retrieval: July 29, 2010.
http://www.cgu.edu.tw/GE/nature_plan/94/present_pdf_c/c2_heart.pdf
[25] 心電圖原理及常見心電疾病簡介,last retrieval: July 29, 2010.
http://researcher.nsc.gov.tw/public/8905780/attachment/7112618181171.ppt
[26] 心臟外科病患常見心律不整之護理,last retrieval: July 29, 2010.
http://ntuh.sicu.org.tw/upload/Nursing_protocol/f20081226141023.pdf
[27] 維基百科,last retrieval: July 29, 2010.
http://zh.wikipedia.org/zh-tw/Wikipedia:首頁
[28] 臨床心電圖介紹及異常的醫療處理與照護,last retrieval: July 29, 2010.
http://www.wanfang.gov.tw/ebm/medicine/nursing/ebn/class_files/04speedu/Clinical%20ECG%20960620.ppt