周志波

摘 要：針對(duì)ECG信號(hào)分類問(wèn)題，提出一種融合卷積神經(jīng)網(wǎng)絡(luò)和信號(hào)時(shí)頻統(tǒng)計(jì)特征的方法。該方法首先利用卷積神經(jīng)網(wǎng)絡(luò)提取ECG信號(hào)分布特征，再利用離散小波變換將ECG信號(hào)分解為高頻系數(shù)與低頻系數(shù)，計(jì)算所有高頻系數(shù)及最后一個(gè)低頻系數(shù)的統(tǒng)計(jì)特征值，最后將計(jì)算所得的時(shí)頻統(tǒng)計(jì)特征融入卷積神經(jīng)網(wǎng)絡(luò)全連接層，并利用Softmax分類器進(jìn)行分類。結(jié)果表明，該方法對(duì)三類心血管疾病的ECG信號(hào)分類識(shí)別率達(dá)93.4%，證明該方法可用于解決ECG信號(hào)分類問(wèn)題。

關(guān)鍵詞：心電信號(hào);卷積神經(jīng)網(wǎng)絡(luò);時(shí)頻統(tǒng)計(jì)特征;特征融合

DOI：10. 11907/rjdk. 201231????????????????????????????????????????????????????????????????? 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP301 ? 文獻(xiàn)標(biāo)識(shí)碼：A ??????????????? 文章編號(hào)：1672-7800（2020）011-0046-04

Research on ECG Signal Recognition Method Based on Feature Fusion CNN Model

ZHOU Zhi-bo

（College of Computer Science and Engineering， Shandong University of Science and Technology，Qingdao 266590，China）

Abstract： In order to solve the problem of ECG signal classification， a method of fusion of convolutional neural network and time-frequency statistical characteristics of signals is proposed. Firstly， a convolutional neural network is used to extract the distribution characteristics of ECG signals， and then discrete wavelet transform is used to decompose the ECG signals into high frequency coefficients and low frequency coefficients， and the statistical characteristic values are calculated of all high frequency coefficients and the last low frequency coefficient are calculated. Finally，the calculated time-frequency statistical features are fused into the fully connected layer of the convolutional neural network and classified by using a Softmax classifier. The experimental results show that the method has an ECG signal classification recognition rate of 93.4% for three types of cardiovascular diseases， which proves that the method can be used to solve the ECG signal classification problem.

Key Words： ECG Signal; convolutional neural network; time-frequency statistical characteristics; feature fusion

0 引言

各種音頻信號(hào)和生命體征信號(hào)等時(shí)變信號(hào)（Time Varying Signal，TVS）是一類重要的、具有非線性和非平穩(wěn)特性的常見(jiàn)信號(hào)，涵蓋了信息提取的主要難點(diǎn)和熱點(diǎn)問(wèn)題[1]。由于時(shí)變信號(hào)的復(fù)雜性和不確定性，時(shí)變信號(hào)分類研究面臨諸多挑戰(zhàn)，如噪聲、時(shí)空對(duì)齊、量綱統(tǒng)一等問(wèn)題。

心電信號(hào)（Electrocardiogram，ECG）是一種典型時(shí)變信號(hào)，該信號(hào)反映了心肌細(xì)胞在電激動(dòng)時(shí)產(chǎn)生的電傳變換[2]，它是診斷心血管疾病的有效手段之一。ECG信號(hào)分類問(wèn)題是醫(yī)學(xué)診斷與人工智能相結(jié)合的一個(gè)熱點(diǎn)問(wèn)題，許多研究人員做了大量相關(guān)工作，如心電圖心律失常檢測(cè)[3]、心肌梗死檢測(cè)[4]等，這些以深度學(xué)習(xí)模型為基礎(chǔ)的研究方法取得了豐碩成果。Brito等[5]利用一維卷積殘差網(wǎng)絡(luò)在MIT-BIH數(shù)據(jù)庫(kù)上進(jìn)行四分類實(shí)驗(yàn)，取得良好分類效果;Hasan等[6]利用經(jīng)驗(yàn)?zāi)Ｊ椒纸鈱?duì)ECG信號(hào)分解去噪，并使用一維卷積網(wǎng)絡(luò)對(duì)ECG信號(hào)特征進(jìn)行提取和分類;李四海等[7]結(jié)合SVM分類器，對(duì)提取的心電信號(hào)QRS波特征值進(jìn)行分類，并在MIT-BIH數(shù)據(jù)集上取得92.6%的平均分類準(zhǔn)確率;Das等[8]使用S變換和小波變換提取ECG心拍波形特征，再利用多層感知機(jī)神經(jīng)網(wǎng)絡(luò)[9]對(duì)提取的信號(hào)特征進(jìn)行分類;顏菲等[10]提出一種疊加去噪自動(dòng)編碼器與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，并在3種不同的心電信號(hào)數(shù)據(jù)集上均取得很好效果;Alqudah等[11]提取ECG信號(hào)的高斯混合系數(shù)特征值和小波分解特征值，并將這兩種特征用概率神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林兩種分類器進(jìn)行心律失常分類;Osowski等[12]將模糊混合神經(jīng)網(wǎng)絡(luò)模型用于心拍分類，其分類準(zhǔn)確率達(dá)96%。

同時(shí)，上述方法也存在一些不足：一是僅使用深度學(xué)習(xí)模型，沒(méi)有充分利用ECG信號(hào)特征的多樣性;二是對(duì)心拍進(jìn)行分類研究，需要完成從ECG信號(hào)中分割出心拍的復(fù)雜工作。針對(duì)以上問(wèn)題，本文提出一種特征融合卷積神經(jīng)網(wǎng)絡(luò)模型，仿真實(shí)驗(yàn)中該模型處理的數(shù)據(jù)對(duì)象是12導(dǎo)聯(lián)多心拍的ECG信號(hào)，因此不需要分割出心拍，從而省去了傳統(tǒng)方法獲取心拍的繁瑣工作。為了克服單一卷積網(wǎng)絡(luò)對(duì)信號(hào)特征提取的局限性，本文方法在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中融合了ECG信號(hào)時(shí)頻統(tǒng)計(jì)特征，實(shí)驗(yàn)結(jié)果表明，這種方法有效提高了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)ECG信號(hào)的分類能力。

1 卷積神經(jīng)網(wǎng)絡(luò)與時(shí)頻統(tǒng)計(jì)特征

1.1 卷積神經(jīng)網(wǎng)路

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）由Lecun等[13]提出，是深度學(xué)習(xí)領(lǐng)域經(jīng)典模型之一。CNN基本結(jié)構(gòu)包括卷積層、池化層及全連接層，其中卷積層用于數(shù)據(jù)特征提取，是卷積網(wǎng)絡(luò)的核心層;池化層用于數(shù)據(jù)降維并保證特征平移不變性;全連接層可以整合卷積層或者池化層中具有類別區(qū)分性的局部信息[14]。卷積神經(jīng)網(wǎng)絡(luò)特征計(jì)算核心公式如式（1）所示。

yl+1j=downσi∈Mjxli？wl+1ij+bl+1j ?????? （1）

其中，yl+1j為網(wǎng)絡(luò)l+1層第j個(gè)特征面，xli為網(wǎng)絡(luò)l層第i個(gè)特征面，wl+1ij為網(wǎng)絡(luò)l+1層第j個(gè)特征面與l層第i個(gè)特征面的連接權(quán)值，bl+1j為第l+1層第j個(gè)偏置量，σ為激活函數(shù)，down？為下采樣函數(shù)，？為卷積運(yùn)算。

1.2 時(shí)頻統(tǒng)計(jì)特征

時(shí)變信號(hào)的時(shí)頻特性隨時(shí)間或空間變化而變化，處理這類信號(hào)，利用小波理論作為處理工具最為合適[15]，小波理論中的離散小波變換（Discrete Wavelet Transform，DWT）[16]可用于獲取時(shí)變信號(hào)的頻率成分，即將原始信號(hào)分解為低頻分量和高頻分量。ECG信號(hào)是一種典型時(shí)變信號(hào)，因此DWT可用于ECG信號(hào)的時(shí)頻統(tǒng)計(jì)特征提取。采用DWT分解信號(hào)的理論公式如式（2）所示。

wxj，k=Rxtψj，ktdt ? （2）

其中，xt是原始信號(hào)，Wxj，k是子帶頻率，ψj，kt=12jψt2j-k是小波基函數(shù)，j 是尺度系數(shù)，k是平移系數(shù)，R是實(shí)數(shù)集。

Mallat算法是實(shí)現(xiàn)DWT的有效方法之一，其分解信號(hào)公式[17]表示為如式（3）、式（4）所示。

xjk=nh0n-2kxj-1k ??? （3）

djk=nh1n-2kxj-1n ?? （4）

其中，xkj表示近似系數(shù)，即低頻分量;dkj表示細(xì)節(jié)系數(shù)，即高頻分量;h0k表示低通濾波器;h1k表示高通濾波器。

本文采用DWT獲取ECG信號(hào)時(shí)頻統(tǒng)計(jì)特征，其步驟可總結(jié)如下：①使用DWT分解ECG信號(hào)為近似系數(shù)A1和細(xì)節(jié)系數(shù)D1;②在細(xì)節(jié)系數(shù)D1保持不變的情況下，分解近似系數(shù)A1為A2和D2，重復(fù)上述過(guò)程，最終獲得ECG信號(hào)小波分解樹D1，D2，D3，…，Dn，An;③應(yīng)用數(shù)學(xué)統(tǒng)計(jì)方法，計(jì)算小波分解樹中D1，D2，D3，…，Dn，An每個(gè)頻率分量的統(tǒng)計(jì)特征值，包括均值、方差、峭度、峰值因子。

2 特征融合卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)能有效提取ECG信號(hào)的時(shí)域波形特征，但無(wú)法提取ECG信號(hào)的頻域特征，因此在ECG信號(hào)分類問(wèn)題上，既能利用卷積網(wǎng)絡(luò)特征提取能力，又能結(jié)合信號(hào)頻域特征。本文提出一種融合信號(hào)時(shí)頻統(tǒng)計(jì)特征的卷積神經(jīng)網(wǎng)絡(luò)模型，該模型首先通過(guò)DWT分解ECG信號(hào)，獲取其時(shí)頻統(tǒng)計(jì)特征值，并利用卷積網(wǎng)絡(luò)獲取其波形特征，然后將兩種方法獲取的信號(hào)特征線性融合，最后采用Softmax分類器進(jìn)行分類。本文特征融合卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

特征融合的卷積神經(jīng)網(wǎng)絡(luò)特征提取公式如式（5）—式（7）所示。

a2=avgReluw2？x1+b2 ?? （5）

z=avg？avgReluw3？a2+b3 ????? （6）

y=z+ws ? （7）

其中，x1為網(wǎng)絡(luò)輸入數(shù)據(jù)，w2為網(wǎng)絡(luò)第2層卷積核，b2為網(wǎng)絡(luò)第2層偏置量，Relu為激活函數(shù)，avg為平均池化函數(shù)，a2為網(wǎng)絡(luò)第2層特征面，z為網(wǎng)絡(luò)全連接層特征值，ws為信號(hào)時(shí)頻統(tǒng)計(jì)特征值，y為融合特征值。

特征融合需要考慮統(tǒng)一量綱問(wèn)題，量綱問(wèn)題指不同來(lái)源的特征值有著不同的量綱，使得它們的大小不在同一區(qū)間。為解決量綱統(tǒng)一問(wèn)題，本文實(shí)驗(yàn)采用Z-score標(biāo)準(zhǔn)化。

3 ECG信號(hào)分類實(shí)驗(yàn)

3.1 數(shù)據(jù)集

ECG信號(hào)分類實(shí)驗(yàn)數(shù)據(jù)集來(lái)源于中國(guó)心血管疾病數(shù)據(jù)庫(kù)（Chinese Cardiovascular Disease Database，CCDD）[18]，CCDD數(shù)據(jù)庫(kù)包含大約18萬(wàn)條12導(dǎo)聯(lián)ECG信號(hào)，覆蓋了絕大部分的心血管類疾病。本文選取CCDD數(shù)據(jù)庫(kù)中的3類ECG信號(hào)：正常心電圖、心房顫動(dòng)、房性早搏。數(shù)據(jù)預(yù)處理包括抽稀、去噪，由于原始信號(hào)維度過(guò)高，特征不易提取，因此需要將原始信號(hào)抽稀降維至2 250個(gè)點(diǎn)的長(zhǎng)度，同時(shí)原始ECG信號(hào)包含高頻噪聲，因此在實(shí)驗(yàn)前采用巴特沃斯低通濾波器[19]對(duì)信號(hào)進(jìn)行濾波處理。3種ECG信號(hào)的數(shù)據(jù)量以及訓(xùn)練與測(cè)試數(shù)據(jù)說(shuō)明如表1所示。

3.2 網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置

本實(shí)驗(yàn)特征融合卷積神經(jīng)網(wǎng)絡(luò)設(shè)置為五層卷積池化塊和兩個(gè)全連接層，卷積核大小為1×5，卷積步長(zhǎng)為1×1，激活函數(shù)為Relu，池化函數(shù)為平均池化函數(shù)，池化大小和步長(zhǎng)均為1×4。離散小波變換使用‘db1小波將信號(hào)分解為3層小波分解樹，對(duì)于小波分解樹中所有高頻系數(shù)和第三層低頻系數(shù)，計(jì)算它們的4種時(shí)頻統(tǒng)計(jì)特征，包括均值、方差、峭度、峰值因子，每條ECG信號(hào)樣本可獲取192個(gè)時(shí)頻統(tǒng)計(jì)特征。ECG信號(hào)時(shí)頻特征與卷積神經(jīng)網(wǎng)絡(luò)第一個(gè)全連接層的特征值相融合，模型采用Softmax分類器。

在訓(xùn)練階段，網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的Batch大小設(shè)置為300，迭代次數(shù)設(shè)置為50次，網(wǎng)絡(luò)的第一個(gè)全連接層Dropout率設(shè)置為0.5，并使用學(xué)習(xí)率為1×10-2的Adam優(yōu)化器，在Intel Corei7-3537U CPU上運(yùn)行約為20個(gè)小時(shí)。

3.3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證融合時(shí)頻統(tǒng)計(jì)特征的卷積神經(jīng)網(wǎng)絡(luò)（TFCNN）能夠提高一般卷積神經(jīng)網(wǎng)絡(luò)（CNN）對(duì)ECG信號(hào)的分類能力，本文先采用CNN模型對(duì)CCDD數(shù)據(jù)集進(jìn)行分類，再利用TFCNN模型加以分類，通過(guò)兩個(gè)實(shí)驗(yàn)的分類結(jié)果驗(yàn)證TFCNN的有效性。模型分類能力用混淆矩陣和測(cè)試指標(biāo)（召回率、精確度、F1分?jǐn)?shù)）體現(xiàn)，其中混淆矩陣斜對(duì)角線數(shù)值為對(duì)應(yīng)標(biāo)簽疾病的分類準(zhǔn)確率，其它數(shù)值為對(duì)應(yīng)標(biāo)簽疾病的錯(cuò)分率;測(cè)試指標(biāo)的召回率（Recall）代表實(shí)際為正的樣本中預(yù)測(cè)為正樣本的概率，精確度（Precision）代表被預(yù)測(cè)為正的樣本中實(shí)際為正樣本的概率，F(xiàn)1分?jǐn)?shù)（F1-score）是精確率和召回率的調(diào)和平均數(shù)，F(xiàn)1分?jǐn)?shù)越高，說(shuō)明分類模型越穩(wěn)健。

CNN模型混淆矩陣如表2所示，該模型對(duì)3種疾病的分類準(zhǔn)確率分別為99%、92.4%和78.6%，標(biāo)簽0和標(biāo)簽1的疾病樣本主要錯(cuò)分為標(biāo)簽2的疾病類型，標(biāo)簽2的疾病樣本主要錯(cuò)分為標(biāo)簽0的疾病類型。

CNN模型對(duì)3類疾病樣本的平均召回率、精確度及F1分?jǐn)?shù)分別為0.9、0.91和0.9，其中房性早搏疾病類型的召回率和F1分?jǐn)?shù)指標(biāo)測(cè)試結(jié)果較低，正常心電圖樣本的精確度指標(biāo)測(cè)試結(jié)果較低，CNN模型各項(xiàng)指標(biāo)測(cè)試結(jié)果如表3所示。

TFCNN模型對(duì)3種疾病的分類準(zhǔn)確率分別為99%、94.1%及86%，均高于CNN模型測(cè)試結(jié)果，并且在TFCNN模型混淆矩陣中，標(biāo)簽0和標(biāo)簽1的樣本錯(cuò)分為標(biāo)簽2的錯(cuò)分率為1%和5.82%，標(biāo)簽2的樣本錯(cuò)分為標(biāo)簽0的錯(cuò)分率為12%，其錯(cuò)分率均低于CNN模型。TFCNN模型混淆矩陣如表4所示。

TFCNN模型的召回率、精確度及F1分?jǐn)?shù)測(cè)試平均結(jié)果為0.93、0.93和0.93，均高于CNN模型3項(xiàng)指標(biāo)測(cè)試平均結(jié)果。其中，房性早搏類型樣本召回率和F1分?jǐn)?shù)為0.86和0.88，相比于CNN模型有明顯提高，正常心電圖樣本精確度也由0.85提高到0.91。TFCNN模型各項(xiàng)指標(biāo)如表5所示。

TFCNN模型與CNN模型的混淆矩陣和分類指標(biāo)對(duì)比表明，TFCNN模型的分類準(zhǔn)確率高于CNN模型，同時(shí)TFCNN模型也能保持更好的穩(wěn)定性。為了進(jìn)一步表明TFCNN模型的有效性，除上述兩組實(shí)驗(yàn)，本文與趙勇等[20]的方法做了對(duì)比實(shí)驗(yàn)，文獻(xiàn)[20]的方法是將提取的多種ECG信號(hào)特征用SVM加以分類。3組實(shí)驗(yàn)對(duì)比結(jié)果表明，TFCNN模型在識(shí)別率與穩(wěn)定性上都有明顯優(yōu)勢(shì)，3組實(shí)驗(yàn)結(jié)果如表6所示。

4 結(jié)語(yǔ)

針對(duì)ECG信號(hào)分類問(wèn)題，本文提出了一種融合ECG信號(hào)時(shí)頻統(tǒng)計(jì)特征的卷積神經(jīng)網(wǎng)絡(luò)模型。該模型優(yōu)點(diǎn)在于既能提取ECG信號(hào)樣本分布特征，又融合了ECG信號(hào)樣本的時(shí)頻統(tǒng)計(jì)特征。針對(duì)3類ECG信號(hào)樣本的實(shí)驗(yàn)表明，該方法能夠提高一般卷積神經(jīng)網(wǎng)絡(luò)對(duì)ECG信號(hào)的分類能力，但該方法對(duì)于樣本數(shù)量少的ECG信號(hào)類型分類效果不佳?？刹捎脭?shù)據(jù)增強(qiáng)或選擇更具代表性的時(shí)頻統(tǒng)計(jì)特征進(jìn)行改進(jìn)，這是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

[1] 高暢. 時(shí)變信號(hào)處理關(guān)鍵技術(shù)研究[D]. 黑龍江：哈爾濱工業(yè)大學(xué)，2016.

[2] 趙靜，韓海成. ECG信號(hào)自適應(yīng)貝葉斯小波去噪算法研究[J]. 現(xiàn)代電子技術(shù)，2019，42（5）：62-65.

[3] SASHIKUMAR S P，SHAH A J，LI Q，et al. A deep learning approach to monitoring and detecting atrial fibrillation using wearable technology[C]. 2017 IEEE EMBS International Conference on Biomedical & Health Informatics（BHI），2017：141-144.

[4] ZHOU L，YAN Y，QIN X B，et al. Deep learning-based classification of massive electrocardiography data[C]. 2016 IEEE Advanced Information Management，Communicates，Electronic And Automation Control Conference，2016：780-785.

[5] BRITO C，MACHADO A，SOUSA A. Electrocardiogram beat-classification based on a ResNet network[J]. Studies In Health Technology And Informatics，2019，264：55-59.

[6] HASAN N I，BHATTACHARJEE A. Deep learning approach to cardiovascular disease classification employing modified ECG signal from empirical mode decomposition[J]. Biomedical Signal Processing and Control，2019，52：128-140.

[7] 李四海，滿自斌，張紅. 基于小波變換和SVM的心電早搏信號(hào)識(shí)別[J]. 計(jì)算機(jī)應(yīng)用與軟件，2014，31（8）：182-185.