黃佼，賓光宇，吳水才

北京工業(yè)大學(xué) 生命科學(xué)與生物工程學(xué)院，北京 100124

引言

心電圖（Electrocardiograms，ECG）反映了心臟興奮的電活動過程，是心臟疾病診斷的重要依據(jù)。心電信號的自動檢測與分類技術(shù)在心電遠程監(jiān)護和輔助診斷方面具有重要的意義，受到研究者的普遍關(guān)注，也是醫(yī)學(xué)模式識別研究的經(jīng)典領(lǐng)域。

傳統(tǒng)的心電圖分類算法主要依據(jù)先驗知識進行特征提取，然后再利用機器學(xué)習(xí)進行心拍的分類，如基于頻域分析[1]、小波變換[2]、數(shù)學(xué)形態(tài)學(xué)[3]、支持向量機[4]、隱馬爾科夫模型[5]、人工神經(jīng)網(wǎng)絡(luò)[6]等心電信號自動分類方法。近年來，基于深度學(xué)習(xí)自動提取特征的方法被應(yīng)用于心拍分類。2014年，Meng等[7]用4層深度信念網(wǎng)絡(luò)從濾波后的ECG信號中自動提取了50個特征，加入高斯核的非線性支持向量機（Support Vector Machine，SVM）分類器，將心拍分成6類（正常、左束支傳導(dǎo)阻滯、右束支傳導(dǎo)阻滯、房性早搏、室性早搏、起搏心拍），總的準確率達到了98.49%。2016年，Rahhal等[8]使用具有稀疏約束的堆疊去噪自動編碼器，以無監(jiān)督的方式從原始的ECG信號中學(xué)習(xí)得到特征，再饋送到頂層的softmax回歸層，進行分類；對于信息量復(fù)雜、難以分辨的心電特征，引入了專家干預(yù)，同時利用自主學(xué)習(xí)技術(shù)，進一步提升分類準確度。Zubair等[9]基于深度卷積神經(jīng)網(wǎng)絡(luò)，提出了應(yīng)用于ECG信號分類的系統(tǒng)，分類準確率為92.7%，且計算效率明顯提高。但在實際應(yīng)用中ECG信號分布復(fù)雜多變，不同類型的心電信號也可能存在相似之處，同一種類型的心電信號在不同的患者身上形態(tài)也有差異，這種復(fù)雜性成為心電分類算法的一大難題。已有的分類算法大多基于標準數(shù)據(jù)庫，很難適應(yīng)臨床上復(fù)雜的ECG信號。

目前已有很多研究報道了具有患者特異性的心電分類算法[10-12]。Kiranyaz等[12]基于一維卷積神經(jīng)網(wǎng)絡(luò)提出了一種患者特異性心電圖分類和監(jiān)測系統(tǒng)，對室性異位搏動（Ventricular Ectopic Beats，VEB）和室上性異位搏動（Supraventricular Ectopic Beats，SVEB）的分類準確率分別為99%和97.6%，較其他研究[10-11]報道的準確率有所提升，但對SVEB識別的靈敏度僅有60.3%，仍有提升的空間。為此，本研究提出了一種基于一維卷積進行特征融合的神經(jīng)網(wǎng)絡(luò)患者特異性心拍分類方法，通過融合一維卷積神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)的特征和心電R波峰之間的時間間隔（RR間期）特征作用于softmax分類器，選擇少量公共心拍數(shù)據(jù)加上患者特定的心拍數(shù)據(jù)用于訓(xùn)練分類模型，實現(xiàn)患者特異性心拍識別。實驗結(jié)果表明，該方法不僅進一步提升了心拍分類性能，對SVEB識別的靈敏度由60.3%提升到了88.7%，分類算法的普適性顯著提升，可作為醫(yī)護人員診斷心臟疾病的輔助依據(jù)。

1　心拍分類算法

1.1　數(shù)據(jù)庫及分類標準

本文選用PhysioBank標準心電數(shù)據(jù)庫中的MIT-BIH心律失常數(shù)據(jù)庫，該數(shù)據(jù)庫包含48條記錄，每條記錄包含約30 min的心電信號，采樣頻率為360 Hz。編號100到124之間的23條數(shù)據(jù)（中間有些編號遺漏）中包含了心律失?，F(xiàn)象中常見的偽跡和變異波形；另外編號200～234之間的25條數(shù)據(jù)包含一些比較少見、復(fù)雜且不易識別的結(jié)性、室性、室上性異常以及傳導(dǎo)異常，在臨床上有重要意義[13]。

依據(jù)美國醫(yī)療促進協(xié)會（Association for the Advancement of Medical Instrumentation，AAMI）的ANSL/AAMI EC57: 2012標準，可將心電節(jié)拍主要分成5大類：N類（正常或者束支傳導(dǎo)阻滯）、S類（室上性異常）、V類（心室異常）、F類（融合類）、Q類（未知類）。MIT-BIH心律失常數(shù)據(jù)庫注釋的心拍類型和AAMI規(guī)定的心電種類是兩種臨床上的分類方法，為了心電分類算法之間橫向比較，需要把MIT-BIH數(shù)據(jù)庫中的心拍類型轉(zhuǎn)換為AAMI的心電種類，Chazal等[14]報道了具體轉(zhuǎn)換標準。AAMI標準中指出Q類分類的準確率僅供參考，因此本文僅對N、S、V、F類的心拍進行分類。

1.2　心拍表示

典型的心電圖包含P波、QRS波群和T波。P波由心房除極產(chǎn)生、QRS波群反映心室除極過程，T波由心室復(fù)極產(chǎn)生，因而一個心電波形能夠反映出心臟搏動過程各階段的狀況，醫(yī)生也是根據(jù)各波的形態(tài)進行判別。其中PR間期為0.12～0.20 s，QT間期為0.36～0.44 s，因此本文以R波為中心，向前取0.25 s，向后取0.35 s的數(shù)據(jù)表示一個心拍，見圖1，其中橫坐標表示采樣點，縱坐標表示幅值。R波的定位從MIT-BIH數(shù)據(jù)庫的標簽標注中獲得，采樣率為360 Hz。

圖1　正常心拍樣本

1.3　卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，通常由交替的卷積層和池化層構(gòu)成，卷積層能捕捉輸入信息中區(qū)域性連接特征，且應(yīng)用了權(quán)值共享原理，使模型要訓(xùn)練的參數(shù)量大大減少；池化層將相鄰的多個節(jié)點合并為一個來合并相似特征，進一步減小訓(xùn)練的數(shù)據(jù)量。體現(xiàn)其局部連接、權(quán)重共享以及子采樣的特性。這些特性使得卷積神經(jīng)網(wǎng)絡(luò)具有一定程度上的平移、縮放和扭曲不變性，且參數(shù)更少，使得訓(xùn)練效率加快，訓(xùn)練過程中采用反向傳播算法更新權(quán)重。

1.3.1一維卷積層

本文需要處理的心電信號是離散的時間序列，故選用一維卷積作為卷積層構(gòu)建適用于心電信號特征提取的一維卷積神經(jīng)網(wǎng)絡(luò)。給定一個輸入信號序列xt，t=1, …, n，和濾波器wt，t=1, …, m，濾波器依次對上一層的輸入特征進行局部卷積操作。一般情況下，濾波器的長度m遠小于信號序列長度n。卷積的輸出為：

在卷積層當中，第l層的每一個神經(jīng)元都只和第l-1層的一個局部窗口內(nèi)的神經(jīng)元相連，構(gòu)成一個局部連接網(wǎng)絡(luò)。卷積層需要一個激活函數(shù)f()做非線性特征映射，本文選用收斂速度較快的修正線性單元作為激活函數(shù)：

那么第l層的第i個神經(jīng)元的輸入定義為：

其中，wl∈Rm為m維的濾波器bi是偏置參數(shù)，i=1,…,n。wl對該卷積層的所有神經(jīng)元都是相同的。

1.3.2池化層

池化層的操作同樣是從一個區(qū)域中通過某種方式得到一個值作為特征，常見的池化方法是取區(qū)域內(nèi)所有神經(jīng)元的最大值或平均值。對于卷積層得到的一個特征映射Xl，將其劃分為很多個區(qū)域Rk，k=1,…,K。

池化是一個自采樣過程，可大大降低特征的位數(shù)，避免過擬合，且可使得下一層的神經(jīng)元對一些小的形態(tài)改變保持不變性，是提供了很強的魯棒性。

1.4　特征融合神經(jīng)網(wǎng)絡(luò)

RR間期反映了心電信號的時間特性，多種心律失常，都會引起RR間期異常改變，如早搏心律的RR間期縮短，逸搏心律的RR間期延長，房顫心律的RR間期絕對不規(guī)則。且單個心拍樣本能夠反映心拍的形態(tài)信息。

為了使心電信號的時間特性和形態(tài)特征能夠更好地作用于分類器，以提高分類性能，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)輸出層特征融合的混合模型。該模型由兩個分支組成，第一分支是1維卷積神經(jīng)網(wǎng)絡(luò)，作為形態(tài)特征提取器，以原始心拍數(shù)據(jù)作為特征學(xué)習(xí)原材料；第二分支以RR間期特征向量作為輸入，與卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的特征融合，融合后的特征向量被饋送到MLP（多層感知器），最后通過softmax分類器進行分類。融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，見圖2。模型在后端是TensorFlow的Keras神經(jīng)網(wǎng)絡(luò)框架上實現(xiàn)。

圖2　特征融合神經(jīng)網(wǎng)絡(luò)模型

本文選取當前心拍與前一心拍的的RR間期（pre_RR），當前心拍與后一心拍的RR間期（post_RR），以及他們的間期差值（d_RR）組成RR間期特征向量。

2　實驗結(jié)果與分析

2.1　實驗設(shè)置

MIT-BIT心律失常數(shù)據(jù)庫中102、104、107、214號心電記錄是起搏心電，實驗中將其排除。余下的44個心電記錄依據(jù)AAMI標準，將心拍分成了5類，共計83945個心拍。根據(jù)Mar等[15]的建議，本研究按照跨病人的方式把選用的心電記錄分為訓(xùn)練集DS1和測試集DS2，其中DS1=（101，106，108，109，112，114，115，116，118，119，122，124，201，203，205，207，208，209，215，220，223，230），DS2為剩下的22條心電記錄。因為Q類數(shù)據(jù)量較少，且AAMI標準中指出Q類分類的準確率僅供參考，故本研究舍棄了Q類。從訓(xùn)練集中的N、S、V、F類中各隨機抽取了115例心拍樣本構(gòu)成公共數(shù)據(jù)集。那么公共數(shù)據(jù)集既包含心律失?，F(xiàn)象中常見的偽跡和變異波形，又包含了復(fù)雜且不易識別的結(jié)性、室性、室上性異常以及傳導(dǎo)異常。從每個患者心電信號中選取前5 min的心拍樣本作為患者特定的數(shù)據(jù)集，聯(lián)合公共數(shù)據(jù)集構(gòu)成訓(xùn)練樣本集，以訓(xùn)練患者特異性分類模型。每個患者余下的約25 min的心拍樣本作為各自模型的測試數(shù)據(jù)。

使用4個標準指標用來評估模型的分類性能[16]，分別是：準確率、靈敏度、特異性和陽性預(yù)測值。

式(6)～(9)中，TP表示模型將正類預(yù)測為正類的樣本數(shù)，F(xiàn)P表示模型將負類預(yù)測為正類的樣本數(shù)，TN表示模型將負類預(yù)測為負類的樣本數(shù)，F(xiàn)N表示模型將正類預(yù)測為負類的樣本數(shù)。

2.2　實驗結(jié)果與討論

近幾年已有的相關(guān)研究中[11-12]，選用了3個數(shù)據(jù)集來評估算法的性能，為了橫向比較，本研究的實驗結(jié)果也呈現(xiàn)在這3個數(shù)據(jù)集中。數(shù)據(jù)集1對VEB的評估，選用了測試集DS2中11條心電記錄，分別是（200，202，210，213，214，219，221，228，231，233，234），對SVEB的評估加入了（212，222，232）3條心電記錄；數(shù)據(jù)集2是除去100到124號心電記錄后剩下的24條心電記錄；數(shù)據(jù)集3是實驗所用的所有44條心電記錄。

本研究經(jīng)過5次獨立實驗，計算出VEB和SVEB兩類各評估指標的平均結(jié)果，與已有相關(guān)研究的算法[11-12]進行分類性能比較，見表1。對比觀察各指標，可以看出：① 本文使用小部分患者特定數(shù)據(jù)集，訓(xùn)練出的特征融合神經(jīng)網(wǎng)絡(luò)的患者特異性心電分類模型，能夠表現(xiàn)出優(yōu)秀的分類性能；② 本文方法對VEB和SVEB的識別都相對出色，且對SVEB的識別率有顯著的提升，在測試數(shù)據(jù)集1中，分類靈敏度達到了88.8%，算法的普適性有所提升；③ SVEB識別結(jié)果在所有算法中均低于VEB識別的結(jié)果，這種現(xiàn)象的一個原因是構(gòu)成訓(xùn)練集的患者特定數(shù)據(jù)集中SVEB數(shù)據(jù)量少。盡管如此，本文方法對SVEB的識別仍有很大的改善。

3　結(jié)論

本文提出了一種基于一維卷積的特征融合神經(jīng)網(wǎng)絡(luò)患者特異性心拍分類方法。特征融合神經(jīng)網(wǎng)絡(luò)第一分支的卷積神經(jīng)網(wǎng)絡(luò)能夠自動提取心電信號的形態(tài)特征；第二分支的RR間期特征反映了心拍的規(guī)則性；少量患者特定的心電數(shù)據(jù)加入訓(xùn)練集能夠?qū)崿F(xiàn)患者心電特異性識別，可解決不同患者之間心電波形差異問題。實驗結(jié)果表明，本文的方法能夠?qū)崿F(xiàn)很好的分類性能，可作為醫(yī)護人員診斷心臟疾病的輔助依據(jù)。且卷積神經(jīng)網(wǎng)絡(luò)權(quán)值共享，計算速度快，使得模型便于移植到便攜式的可穿戴設(shè)備，讓心電實時監(jiān)測成為可能。但在實際應(yīng)用中，選取作為訓(xùn)練集的患者特定數(shù)據(jù)集，心拍類型還需要醫(yī)生進行標注，是實現(xiàn)心電信號全自動分類需要進一步研究和解決的問題。

表1　本文方法對VEB和SVEB的分類結(jié)果與文獻結(jié)果的性能比較（%）

[參考文獻]

[1] Uslu E,Bilgin G.Exploiting locality based Fourier transform for ECG signal diagnosis[A].International Conference on Applied Electronics[C].New York:IEEE,2012:323-326.

[2] Banerjee S,Mitra M.Application of cross wvelet transform for ECG pattern analysis and classi fi cation[J].IEEE T Instrum Meas,2014,63(2):326-333.

[3] Yu Y,Cheng S.ECG beat classification algorithm based on cluster analysis[J].J Comput Appl,2014,34(7):2132-2135.

[4] Homaeinezhad MR,Atyabi SA,Tavakkoli E,et al.ECG arrhythmia recognition via a neuro-SVM-KNN hybrid classi fi er with virtual QRS image-based geometrical features[J].Expert Syst Appl,2012,39(2):2047-2058.

[5] Pan ST,Hong TP,Chen HC.ECG signal analysis by using hidden Markov model[A].International Conference on Fuzzy Theory and It’s Applications[C].New York:IEEE,2013:288-293.

[6] Ubeyli ED.Combining recurrent neural networks with eigenvector methods for classification of ECG beats[J].Digit Signal Process,2009,19(2):320-329.

[7] Meng H,Yue Z.Classification of electrocardiogram signals with deep belief networks[A].Computational Science and Engineering (CSE),2014 IEEE 17thInternational Conference on IEEE[C].2014:7-12.

[8] Rahhal MMA,Bazi Y,Alhichri H,et al.Deep learning approach for active classi fi cation of electrocardiogram signals[J].Inform Sciences,2016,345(1):340-354.

[9] Zubair M,Kim J,Yoon C.An automated ECG beat classi fi cation system using convolutional neural networks[A].IT Convergence and Security (ICITCS),20166thInternational Conference on IEEE[C].New York:IEEE,2016:1-5.

[10] Jiang W,Kong SG.Block-based neural networks for personalized ECG signal classification[J].IEEE T Neural Network,2007,18(6):1750-1761.

[11] Ince T,Kiranyaz S,Gabbouj M.A generic and robust system for automated patient-specific classification of ECG signals[J].IEEE T Biomed Eng,2009,56(5):1415-1426.

[12] Kiranyaz S,Ince T,Gabbouj M.Real-time patient-speci fi c ECG classi fi cation by 1-D convolutional neural networks[J].IEEE T Biomed Eng,2016,63(3):664-675.

[13] Goldberger AL,Amaral LAN,Glass L,et al.Physiobank,physiotoolkit, and physionet[J].Circulation,2000,101(23):215-220.

[14] De Chazal P,O’Dwyer M,Reilly RB.Automatic classification of heartbeats using ECG morphology and heartbeat interval features[J].IEEE Trans Biomed Eng,2004,51(7):1196-1206.

[15] Mar T,Martinez JP,Llamedo M,et al.Optimization of ECG classi fi cation by means of feature selection[J].IEEE T Biomed Eng,2011,58(8):2016-2017.

[16] Association for the Advancement of Medical Instrumentation.ANSI/AAMI EC57,Testing and Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement algorithms[S].Arlington: Association for the Advancement of Medical Instrumentation,2012:1-22.