龐彥偉，李?瀟，梁金升，何宇清

?

基于卷積神經(jīng)網(wǎng)絡(luò)的第一導(dǎo)聯(lián)心電圖心拍分類

龐彥偉，李?瀟，梁金升，何宇清

(天津大學(xué)電氣自動化與信息工程學(xué)院，天津 300072)

第一導(dǎo)聯(lián)心電圖心拍的分類具有重要的醫(yī)學(xué)價值，可以用來判斷心臟的健康狀況．采用深度卷積神經(jīng)網(wǎng)絡(luò)的方法，設(shè)計了針對單導(dǎo)聯(lián)心電圖這種特殊一維信號的卷積神經(jīng)網(wǎng)絡(luò)．該卷積神經(jīng)網(wǎng)絡(luò)具有層數(shù)多、卷積核尺度多樣、參數(shù)量小等特點，能有效對第一導(dǎo)聯(lián)心電圖心拍進行分類．首先將心電數(shù)據(jù)進行預(yù)處理輸入網(wǎng)絡(luò)，經(jīng)過一系列卷積、池化操作，最終輸出分類結(jié)果．將該網(wǎng)絡(luò)應(yīng)用于INCART數(shù)據(jù)庫，對超過17×104條第一導(dǎo)聯(lián)心電圖數(shù)據(jù)進行分類實驗，取得了98%,的準確率、90%,的敏感度和86%,的陽性預(yù)測值的分類性能．實驗結(jié)果表明，所采用的方法可以對第一導(dǎo)聯(lián)心電圖心拍進行很好的分類，并可應(yīng)用于可穿戴設(shè)備和遠程監(jiān)護領(lǐng)域．

第一導(dǎo)聯(lián)；心電圖；卷積神經(jīng)網(wǎng)絡(luò)；可穿戴設(shè)備；遠程監(jiān)護

心電圖(electrocardiogram，ECG)反映了人體心臟電位的變化，是目前診斷心臟疾病最常用的技術(shù)手段之一．根據(jù)采集電極放置部位的不同，心電信號可以分為12個導(dǎo)聯(lián)，分別是6個肢體導(dǎo)聯(lián)Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF和6個胸導(dǎo)聯(lián)V1～V6．醫(yī)院的常規(guī)心電圖檢測通常采用的是12導(dǎo)聯(lián)系統(tǒng)，然而由于醫(yī)院資源的緊張，目前計算機輔助ECG分析方法[1]越來越受到大家的關(guān)注，成為了心電圖領(lǐng)域的研究熱點之一．而隨著心電遠程監(jiān)護技術(shù)的迅速發(fā)展和普及，以及當下可穿戴設(shè)備的流行，以手環(huán)或手表等形式將電極連接在左右上肢，形成模擬第一導(dǎo)聯(lián)的電信號的方式，因其極大的便捷性和科學(xué)性，受到了更多人的青睞．通過第一導(dǎo)聯(lián)心電圖，醫(yī)生可以檢測出諸多心臟疾病，在臨床上也具有非常重要的意義．因此，針對第一導(dǎo)聯(lián)心電圖的自動檢測方法也變得越發(fā)重要．然而，從目前對心電圖的研究來看，針對第一導(dǎo)聯(lián)心電圖檢測分類的方法少之又少，究其原因可能是第一導(dǎo)聯(lián)信號的采集容易受到外界干擾，而且強度相對較弱，特征難以提取，正確分類的難度相對較大．

在過去的幾十年中，針對ECG信號的分類問題已經(jīng)有了很多的工作，一般來說，一個完整的ECG分類算法包括兩大任務(wù)[2]：信號預(yù)處理(信號濾波和心拍分割)以及心拍分類(特征提取和分類)．ECG信號預(yù)處理技術(shù)在許多文獻[3-6]中都有了深入的研究，已取得非常理想的效果，對心拍的正確分割率可以達到99%,以上．而對于心拍分類任務(wù)，圍繞著特征提取和分類算法，仍然存在很多具有挑戰(zhàn)性的問題．本文針對心拍分類任務(wù)，著力研究心拍特征提取策略和分類算法，以提升ECG心拍分類的性能．

面向ECG心拍分類的算法有很多，根據(jù)所采用的特征提取方式的不同，主要可分為兩大類：基于人工特征的方法和基于學(xué)習(xí)特征的方法．常見的基于人工特征的方法包括RR間期[7-8]、形態(tài)特征[9]、頻率分析[10]、小波變換[11]等．這類方法所提取的特征往往停留在表面，不能提取到更豐富、深層、內(nèi)在的信息，而且在提取特征后需要設(shè)計專門的分類器如支持向量機[12-13]、最近鄰法[14]等進行分類，特征提取與分類被分成兩個獨立部分，無疑增加了計算復(fù)雜度，不適用于實時的檢測．

另一類方法則是基于學(xué)習(xí)特征的，其中關(guān)于人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks，ANN)的學(xué)習(xí)方法在許多文獻中被提出[15-16]，但傳統(tǒng)ANN模式學(xué)習(xí)能力較弱，在ECG心拍分類的實際任務(wù)中未能取得很好的效果．卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)是近年來迅速發(fā)展的一種深層神經(jīng)網(wǎng)絡(luò)模型，已在許多視覺任務(wù)中如圖像分類、物體檢測等方面取得了巨大的成功[17-19]．在ECG心拍分類領(lǐng)域，已有研究者采用這一網(wǎng)絡(luò)模型，但現(xiàn)有研究主要采用多導(dǎo)聯(lián)信號作為輸入，將ECG信號當作二維圖像來看待，例如，文獻[20-21]以八導(dǎo)聯(lián)信號作為數(shù)據(jù)輸入，設(shè)計了導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)進行心拍分類．這些方法由于輸入數(shù)據(jù)量過大，模型參數(shù)過多，導(dǎo)致檢測速度在普通計算設(shè)備上難以達到實時要求，在實際的可穿戴設(shè)備或遠程監(jiān)護中并不適用．

在ECG心拍分類的算法中，雖然有些方法在某些開源數(shù)據(jù)庫上，如MIT-BIH[22]，可以取得較好的分類效果，然而在相關(guān)文獻中，同一個人的心拍往往會被包含在訓(xùn)練集和測試集中．金林鵬等[20]的研究結(jié)果表明，同一個人的ECG信號分布在醫(yī)學(xué)特征空間和原始數(shù)據(jù)空間上都傾向于聚集．因此，現(xiàn)有研究的這種做法雖然展示了較好的實驗結(jié)果，但其結(jié)果很難推廣到臨床應(yīng)用中．

針對以上問題，本文提出一種新的第一導(dǎo)聯(lián)ECG心拍分類算法，采用卷積神經(jīng)網(wǎng)絡(luò)的方法，將特征提取和分類過程統(tǒng)一到一起．而且本文的心拍分類是在病人之間進行的，即訓(xùn)練集和測試集的數(shù)據(jù)分別來自于不同的人，這樣可以保證算法得出的結(jié)果同樣可以適用于臨床檢測中．

1?算法簡介

本文針對第一導(dǎo)聯(lián)ECG信號心拍分類問題，提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的心拍分類算法，其貢獻和優(yōu)點如下．

(1) 本文面向的是目前被研究較少卻有著重要醫(yī)學(xué)價值的第一導(dǎo)聯(lián)心電圖分類問題，實驗證明本文算法可以有效解決這一問題．

(2) 針對單導(dǎo)聯(lián)心電圖這種特殊的一維信號，設(shè)計了深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)．該網(wǎng)絡(luò)具有層數(shù)多、卷積核尺度多樣、參數(shù)量小等特點，因此分類算法速度較快，能達到實時的性能，可以嵌入可穿戴設(shè)備如手表、手環(huán)等，應(yīng)用于遠程監(jiān)護領(lǐng)域．

(3) 針對各類樣本數(shù)量不均衡問題，研究了分類錯誤權(quán)重對其的影響，實驗證明，這一方法可以在一定程度上有效解決數(shù)據(jù)不均衡的問題．

2?本文算法

本文的算法過程為：首先，選取數(shù)據(jù)庫中第一導(dǎo)聯(lián)心電圖數(shù)據(jù)，對原始數(shù)據(jù)進行濾波、去噪等預(yù)處理，按照R峰的位置進行心拍分割及歸一化；然后，將心拍輸入CNN網(wǎng)絡(luò)，經(jīng)過一系列卷積、池化操作，提取特征；最終，輸出分類的結(jié)果．下文詳細介紹了算法的各個步驟．

2.1?數(shù)據(jù)預(yù)處理

由于目前公開的數(shù)據(jù)庫中沒有只包含第一導(dǎo)聯(lián)心電圖的數(shù)據(jù)，所以需要從12導(dǎo)聯(lián)數(shù)據(jù)庫中抽取出第一導(dǎo)聯(lián)的數(shù)據(jù)，作為本文的實驗數(shù)據(jù)．

在信號預(yù)處理過程中，本文采用傳統(tǒng)的小波濾波方法來去除基線漂移和高頻噪聲，并以R峰的位置來進行心拍分割，分割出的心拍被歸一化為196的長度，以滿足CNN的需求．值得注意的是，實驗中沒有使用任何額外的人工特征或者增強數(shù)據(jù)進行輔助，這樣可以更好地驗證算法的作用．

2.2?一維卷積神經(jīng)網(wǎng)絡(luò)

深度卷積神經(jīng)網(wǎng)絡(luò)(deep CNN)在視覺領(lǐng)域已經(jīng)展現(xiàn)出強大的能力，傳統(tǒng)的CNN網(wǎng)絡(luò)針對的都是二維或者多維圖像數(shù)據(jù)，而第一導(dǎo)聯(lián)的ECG信號是由多個不同時刻的幅值組成的一維向量，所以CNN網(wǎng)絡(luò)要適用于ECG信號，必須進行一些修改，下面詳細解釋了一維卷積神經(jīng)網(wǎng)絡(luò)．

? ?????(1)

?(2)

?(3)

通過對CNN結(jié)構(gòu)進行以上修改，使得卷積操作都是在向量而非矩陣之間進行，大大簡化了卷積操作.

2.3?網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

圖1是本文所采用的CNN結(jié)構(gòu)的示例．

圖1?本文CNN結(jié)構(gòu)的示例

本文采用的網(wǎng)絡(luò)結(jié)構(gòu)共有5層卷積層，屬于深度卷積神經(jīng)網(wǎng)絡(luò)，能夠提取到深層的ECG特征，卷積核尺度多樣，保證網(wǎng)絡(luò)學(xué)習(xí)到多尺度的ECG特征，有利于最終的分類性能提升．同時，由于簡化的卷積操作，該網(wǎng)絡(luò)的參數(shù)量較小，分類速度快．

為了進一步說明CNN在ECG信號特征提取方面的有效性，本文在圖2中展示了CNN對不同標簽心拍提取的中間層特征．其中圖2(a)是標簽為N的一個心拍在不同卷積層之后的某一通道的特征圖，圖2(b)和圖2(c)則分別是標簽為S和V的一個心拍的特征圖．從圖中可以明顯看出，不同標簽的心拍在同樣的卷積層之后的特征具有很大的差異性，可分性很強．

2.4?softmax分類損失權(quán)重

在ECG分類問題中，常見的一個難點是不同類別的數(shù)據(jù)樣本規(guī)模有著巨大的差異．這個差異會導(dǎo)致樣本數(shù)量較少的類別因分錯而受到的懲罰不夠，因而限制了分類效果的提升．本文在最終分類時采用的是softmax分類算法，其損失函數(shù)為

?(4)

?(5)

圖2?CNN各層所提取的心拍特征

Fig.2?Features of ECG heartbeats extracted by CNN layers

?(6)

2.5?算法流程

本文實現(xiàn)的ECG 分類算法流程詳細描述如下.

1)?CNN訓(xùn)練階段

?(7)

步驟3?權(quán)重更新．采用梯度下降法對權(quán)重進行更新，更新公式為

?(8)

步驟4?迭代訓(xùn)練．循環(huán)執(zhí)行步驟1～3，直至網(wǎng)絡(luò)收斂或達到最大循環(huán)次數(shù)．

2)?CNN測試階段

步驟1?加載模型．加載由訓(xùn)練階段得到的CNN模型參數(shù)，并將最后損失層移除．

步驟2?分類．將測試數(shù)據(jù)輸入到CNN進行前向計算，通過所有層，輸出最后分類結(jié)果．

3?實驗及結(jié)果分析

3.1?數(shù)據(jù)庫

本文是針對第一導(dǎo)聯(lián)的心電圖心拍進行分類，實驗選擇的數(shù)據(jù)是Physionet[23]公開數(shù)據(jù)庫中的St．Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database(INCART)．INCART數(shù)據(jù)庫包含了來自32個人的75段已標注的心電記錄，標注信息包括每個心拍的時間信息、R峰位置、類別標簽，數(shù)據(jù)采樣率為257,Hz，包括了標準的12導(dǎo)聯(lián)數(shù)據(jù)，每段記錄長度為30,min．本文從中抽取了第一導(dǎo)聯(lián)數(shù)據(jù)作為實驗數(shù)據(jù)．原始數(shù)據(jù)均采集自患有冠狀動脈疾病的病人(男性17人，女性15人，年齡在18～80歲之間，平均年齡58歲)，病人沒有佩戴起搏器，大部分人都包含有心室異常的心拍．

對于心拍的分類標準，現(xiàn)在國際上最通用的是Association for the Advancement of Medical Instrumentation(AAMI)標準[24]．AAMI標準將心拍分成5種類型：N(正常心拍)、S(室上性異位心拍)、V(心室異位心拍)、F(融合心拍)、Q(未分類心拍)．所采用的INCART數(shù)據(jù)庫共包含175,728個心拍，其心拍類型分布如表1所示．

表1?INCART數(shù)據(jù)庫心拍類別

Tab.1?Heart beats classes in INCART database

由表1可知，按照AAMI標準化分，由于類別Q和F樣本太少，各類方法的檢測效果都很差，所以Llamedo等[25]對AAMI標準進行修正，拋棄掉類別Q，并從生理學(xué)的角度將融合心拍F與心室異位心拍V合并成為類別V′，這類新標準稱為AAMI2標準，本文使用的分類標準就是AAMI2標準．

3.2?實驗平臺與評價標準

實驗平臺為Core i7 3.4,GHz，16,GB內(nèi)存的64位個人計算機，CNN架構(gòu)基于MATLAB 平臺實現(xiàn)．

?(9)

?(11)

?(12)

?(13)

?(14)

?(15)

(16)

3.3?實驗結(jié)果及分析

為了保證實驗結(jié)果的可靠性，實驗中采用了十折交叉驗證法，即將INCART數(shù)據(jù)中的32位病人分成10份，每份3人或4人，保證同一個人的數(shù)據(jù)只存在于其中1份當中，每次實驗用其中9份當作訓(xùn)練數(shù)據(jù)，1份當作驗證數(shù)據(jù)，這樣訓(xùn)練集和驗證集不會包含同一個人的數(shù)據(jù)，共進行10次實驗．最后將每次實驗得到的最好結(jié)果的融合矩陣相加，得到最終的實驗結(jié)果．實驗結(jié)果共分為兩部分：一是softmax分類損失權(quán)重在實驗中的作用；二是實驗最終的分類結(jié)果.

3.3.1?softmax分類損失權(quán)重

圖3 S與N在不同權(quán)重比例下各類別的分類準確率

從圖3可以看出，隨著S與N分類損失權(quán)重的增加，S的分類準確率有了明顯的提升．這說明，增加某一類別的分類損失權(quán)重對于提升該類別準確率確實有所幫助．但與此同時，N與V′的準確率有了不同程度的下降．因此，本文為了平衡整體準確率以達到最好的效果，實驗時在增加S損失權(quán)重的同時，也適當增加了V′的損失權(quán)重．

3.3.2?實驗結(jié)果及分析

經(jīng)過多次調(diào)整損失權(quán)重實驗，得到最終的實驗融合矩陣如表2所示．將本文的實驗結(jié)果與參考文獻[25-26]進行對比，如表3所示．

表2?實驗融合矩陣

Tab.2?Experiments’ confusion matrices

表3?本文提出的模型與參考文獻分類器的性能對比

Tab.3 Performance comparison between the proposed model and the reference classifier

本文的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有5個卷積層和1個全連接層，能夠以深層的結(jié)構(gòu)提取特征．與此同時，由于網(wǎng)絡(luò)的輸入只有一個導(dǎo)聯(lián)的心電數(shù)據(jù)(196×1)，卷積核尺度也較小，因此網(wǎng)絡(luò)的總體參數(shù)較少，只有不到3×104個，能夠支持對心拍的快速識別．此外，輸入到網(wǎng)絡(luò)中的只有歸一化后的心拍數(shù)據(jù)，沒有任何其他復(fù)雜的人工特征或輔助數(shù)據(jù)，所以在訓(xùn)練和測試的過程中速度都比較快．在本文的實驗平臺中，不使用GPU等加速工具時的訓(xùn)練速度達到2,000,Hz，測試速度高達7,000,Hz，這意味著處理1個心拍只需要花費不到0.2,ms的時間，其處理速度足以支持可穿戴設(shè)備的實時性要求．適用于遠程監(jiān)護的實際應(yīng)用．

4?結(jié)?語

本文針對第一導(dǎo)聯(lián)心電圖的分類問題，提出了一種深度神經(jīng)網(wǎng)絡(luò)的方法．通過設(shè)計適用于一維ECG信號的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使得網(wǎng)絡(luò)能夠提取更加豐富的心電特征以用于心拍分類，并利用分類損失權(quán)重技巧解決了數(shù)據(jù)量不平衡問題．實驗結(jié)果表明了本文提出方法的效力和效率，其性能可應(yīng)用于可穿戴設(shè)備和遠程監(jiān)控領(lǐng)域．

［1］ Clifford G D，Azuaje F，McSharry P.[M]. Norwood：Artech House，2006.

［2］ Luz E J S，Schwartz W R，Cámara-Chávez G，et al. ECG-based heartbeat classification for arrhythmia detection：A survey[J].，2016，127：144-164.

［3］ Sayadi O，Shamsollahi M B. Multiadaptive bionic wavelet transform：Application to ECG denoising and baseline wandering reduction[J].，2007(1)：041274.

［4］ Li C，Zheng C，Tai C. Detection of ECG characteristic points using wavelet transforms[J].，1995，42(1)：21-28.

［5］ Martínez J P，Almeida R，Olmos S，et al. A wavelet-based ECG delineator：Evaluation on standard databases [J].，2004，51(4)：570-581.

［6］ Sayadi O，Shamsollahi M B. ECG denoising and compression using a modified extended Kalman filter structure[J].，2008，55(9)：2240-2248.

［7］ Exarchos T P，Tsipouras M G，Exarchos C P，et al. A methodology for the automated creation of fuzzy expert systems for ischaemic and arrhythmic beat classification based on a set of rules obtained by a decision tree[J].，2007，40(3)：187-200.

［8］ Lin C C，Yang C M. Heartbeat classification using normalized RR intervals and morphological features[J].，2014，12：1-11.

［9］ de Chazal P，O'Dwyer M，Reilly R B. Automatic classification of heartbeats using ECG morphology and heartbeat interval features[J].，2004，51(7)：1196-1206.

［10］ Minami K，Nakajima H，Toyoshima T. Real-time discrimination of ventricular tachyarrhythmia with Fourier-transform neural network[J].，1999，46(2)：179-185.

［11］ Lin C H，Du Y C，Chen T. Adaptive wavelet network for multiple cardiac arrhythmias recognition[J].，2008，34(4)：2601-2611.

［12］ Park K S，Cho B H，Lee D H，et al. Hierarchical support vector machine based heartbeat classification using higher order statistics and hermite basis function [C]//. Bologna，Italy，2008：229-232.

［13］ Khazaee A，Ebrahimzadeh A. Classification of electrocardiogram signals with support vector machines and genetic algorithms using power spectral features[J].，2010，5(4)：252-263.

［14］ Homaeinezhad M R，Atyabi S A，Tavakkoli E，et al. ECG arrhythmia recognition via a neuro-SVM-KNN hybrid classifier with virtual QRS image-based geometrical features[J].，2012，39(2)：2047-2058.

［15］ Yu S N，Chen Y H. Electrocardiogram beat classification based on wavelet transformation and probabilistic neural network[J].，2007，28(10)：1142-1150.

［16］ Güler ?，übeyli E D. ECG beat classifier designed by combined neural network model[J].，2005，38(2)：199-208.

［17］ Lecun Y，Bottou L，Bengio Y，et al. Gradient-based learning applied to document recognition[J].，1998，86(11)：2278-2324.

［18］ Krizhevsky A，Sutskever I，Hinton G E. Imagenet classification with deep convolutional neural networks [C]//. Lake Tahoe，USA，2012：1097-1105.

［19］ He K，Zhang X，Ren S，et al. Deep residual learning for image recognition[C]//. Nevada，USA，2016：770-778.

［20］ 金林鵬，董?軍. 面向臨床心電圖分析的深層學(xué)習(xí)算法[J]. 中國科學(xué)：信息科學(xué)，2015，45(3)：398-416.

Jin Linpeng，Dong Jun. Deep learning research on clinical electrocardiogram analysis[J].：，2015，45(3)：398-416(in Chinese).

［21］ 李慧慧，金林鵬. 一種基于心率和深層學(xué)習(xí)的心電圖分類算法[J]. 航天醫(yī)學(xué)與醫(yī)學(xué)工程，2016，29(3)：189-194.

Li Huihui，Jin Linpeng. An ECG classification algorithm based on heart rate and deep learning[J].，2016，29(3)：189-194(in Chinese).

［22］ Goldberger A L，Amaral L A，Glass L，et al. Physiobank，PhysioToolkit，and PhysioNet：Components of a new research resource for complex physiological signals [J].，2000，101(23)：220.

［23］ Goldberger A L. Components of a new research resource for complex physiologic signals，PhysioBank，Physi-oToolkit，and PhysioNet，American heart association journals [J].，2000，101(23)：1-9.

［24］ Association for the Advancement of Medical Instrumen-tation.[M]. Arlington：AAMI，1998.

［25］ Llamedo M，Martínez J P. Heartbeat classification using feature selection driven by database generalization criteria[J].，2011，58(3)：616-625.

［26］ Llamedo M，Khawaja A，Martínez J P. Analysis of 12-lead classification models for ECG classifica-tion [C]//. Belfast，Northern Ireland，2010：673-676.

(責(zé)任編輯：王曉燕)

Classification of First Lead Electrocardiogram Heartbeats Based on Convolutional Neural Networks

Pang Yanwei，Li Xiao，Liang Jinsheng，He Yuqing

(School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China)

The classification of first lead electrocardiogram(ECG)heartbeats has significant medical value．It can be used to diagnose the health of heart．A deep convolutional neural network(CNN)for single lead ECG，a special one-dimensional signal，was proposed in this paper．The proposed CNN was characterized by a very deep structure，multi-scale convolution kernels，and meanwhile a small parameter size．The proposed method can classify the first lead ECG heartbeats effectively．Firstly，preprocessed ECG data was imported into the network．Then，the classification results were exported through a series of convolution and pooling operation．This CNN was applied to the St．Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database(INCART)．The classification experiments were carried out with more than 170 thousand first lead ECG data．The results obtained were：accuracy 98%,，sensitivity 90%, and positive predictive value 86%,．Experiment results show the proposed method can make a good classification of first lead ECG heartbeats．It can further apply in wearable devices and remote monitoring areas.

first lead；electrocardiogram；convolutional neural networks；wearable devices；remote monitoring

TP391.4

A

0493-2137(2018)10-0997-08

10.11784/tdxbz201706078

2017-06-30；

2017-11-13.

龐彥偉（1976— ），男，博士，教授.

龐彥偉，pyw@tju.edu.cn.

國家自然科學(xué)基金資助項目(61472274).

the National Natural Science Foundation of China(No.,61472274).