張行進(jìn) 李潤(rùn)川 張宏坡 逯 鵬 王宗敏,3*

1(解放軍信息工程大學(xué)數(shù)學(xué)工程與先進(jìn)計(jì)算國(guó)家重點(diǎn)實(shí)驗(yàn)室 河南 鄭州 450001)2(鄭州大學(xué)互聯(lián)網(wǎng)醫(yī)療與健康服務(wù)河南省協(xié)同創(chuàng)新中心 河南 鄭州 450000)3(鄭州大學(xué)產(chǎn)業(yè)技術(shù)研究院 河南 鄭州 450000)

0 引 言

心血管疾病是嚴(yán)重威脅人類健康的疾病之一，隨著社會(huì)經(jīng)濟(jì)的發(fā)展和國(guó)民生活方式的改變，以及人口老齡化和城鎮(zhèn)化進(jìn)程的加速，我國(guó)心血管病的發(fā)病人數(shù)快速持續(xù)增長(zhǎng)。急性心肌梗死[1]指營(yíng)養(yǎng)心肌的冠狀動(dòng)脈發(fā)生病變，冠狀動(dòng)脈血供急劇減少或完全中斷，使相應(yīng)心肌嚴(yán)重而持久的缺血缺氧所引起的心肌細(xì)胞損傷甚至壞死。心肌梗死具有極高的死亡率和致殘率。對(duì)于急性心肌梗死患者，若能在2小時(shí)內(nèi)打通堵塞血管，恢復(fù)心肌供血，絕大多數(shù)心肌都可以免于壞死。心肌梗死的癥狀很多，但也有許多患者僅出現(xiàn)輕微癥狀或根本沒(méi)有癥狀，容易因誤診而錯(cuò)過(guò)最佳救治時(shí)機(jī)，所以為了輔助醫(yī)生快速準(zhǔn)確地做出臨床診斷，構(gòu)建精準(zhǔn)的心肌梗死定位算法至關(guān)重要。

本文提出了一種結(jié)合遺傳算法和極限學(xué)習(xí)機(jī)的GA-ELM混合算法，用于心肌梗死的定位，可行性高、識(shí)別率高、速度快、具有可擴(kuò)展性。

1 相關(guān)工作

針對(duì)心肌梗死的計(jì)算機(jī)自動(dòng)分析診斷，國(guó)內(nèi)外的研究者提出了各種不同的解決方法。他們通常在對(duì)采集到的心電信號(hào)進(jìn)行去噪預(yù)處理[2]，其次確定R波峰的位置[3-4]，然后用類似的方法定位Q波起點(diǎn)[5]，S波終點(diǎn)[6]，P波和T波的峰值點(diǎn)、起點(diǎn)和終點(diǎn)[7]，最后獲得心電波形的電壓幅值和時(shí)間間隔值作為特征。依據(jù)這些特征，醫(yī)生根據(jù)對(duì)應(yīng)的診斷規(guī)則實(shí)現(xiàn)心肌梗死的檢測(cè)和定位。但由于心電波形的多樣性和復(fù)雜性以及種族個(gè)體的差異性，完全依賴于醫(yī)生的臨床經(jīng)驗(yàn)，具有一定的局限性。

國(guó)內(nèi)外研究者提出了各種針對(duì)急性心肌梗死的自動(dòng)檢測(cè)和定位算法。Sopic等[8]采用隨機(jī)森林分層分類方法，實(shí)現(xiàn)了心肌梗死的檢測(cè)。為了應(yīng)用于實(shí)時(shí)分析系統(tǒng)，研究者逐層增加特征數(shù)量，以減少分類所需要的時(shí)間。Acharya等[9]使用標(biāo)準(zhǔn)II導(dǎo)聯(lián)的心電數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)方法實(shí)現(xiàn)了心肌梗死的檢測(cè)。Lui等[10]使用PTB心電數(shù)據(jù)庫(kù)上標(biāo)準(zhǔn)I導(dǎo)聯(lián)的數(shù)據(jù)，采用卷積遞歸神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了心肌梗死的檢測(cè)。Chang等[11]首先使用隱馬爾科夫模型(Hidden Markov Model,HMM)從V1～V4胸導(dǎo)聯(lián)信號(hào)中提取特征，然后采用SVM和高斯混合模型(Gaussian Mixture Model,GMM)，實(shí)現(xiàn)了心肌梗死的檢測(cè)。Seenivasagam等[12]采用前饋神經(jīng)網(wǎng)絡(luò)(Feed-Forward Neural Network,FFNN)和SVM實(shí)現(xiàn)了心肌梗死的檢測(cè)。Remya等[13]采用多分辨率方法提取Q波峰值和ST段抬高等特征，使用簡(jiǎn)單的自適應(yīng)閾值(Simple Adaptive Threshold，SAT)方法實(shí)現(xiàn)了心肌梗死的定位。文獻(xiàn)[14]使用SVM方法，實(shí)現(xiàn)了五類心梗和健康對(duì)照的定位。Safdarian等[15]提取T波積分和全積分作為特征，然后采用概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network，PNN)完成心梗定位。文獻(xiàn)[8-12]僅實(shí)現(xiàn)了二分類研究即是否存在心肌梗死的檢測(cè)，并沒(méi)有進(jìn)行心梗部位的定位分析。文獻(xiàn)[13-15]在前人的基礎(chǔ)上，研究心肌梗死的定位，但僅使用了部分導(dǎo)聯(lián)的心電數(shù)據(jù)來(lái)提取特征。雖然導(dǎo)聯(lián)數(shù)據(jù)的減少，使算法的計(jì)算速度有所提升，但是不同導(dǎo)聯(lián)下獲取的心電圖記錄具有無(wú)可代替的臨床價(jià)值，人為減少導(dǎo)聯(lián)數(shù)據(jù)會(huì)導(dǎo)致有效信息的缺失，直接影響到心肌梗死定位的準(zhǔn)確性。

2 實(shí)驗(yàn)數(shù)據(jù)

常見(jiàn)類型的心肌梗死病癥可以根據(jù)常規(guī)心電圖的波形特征改變來(lái)判斷。其典型特征有：ST段斜型抬高，T波高聳；ST段弓背或水平型抬高；T波對(duì)稱性倒置；對(duì)稱性倒置T波由深變淺；T波恢復(fù)正?；蜷L(zhǎng)期無(wú)變化；加深而增寬的病理性Q波。在心肌梗死發(fā)作期間，患者可能經(jīng)歷許多嚴(yán)重癥狀，例如：劇烈而持久的胸骨后疼痛，呼吸短促，意識(shí)喪失，并伴有心電圖進(jìn)行性改變。

本文采用國(guó)際權(quán)威的公開(kāi)心肌梗死臨床PTB數(shù)據(jù)庫(kù)作為驗(yàn)證。該數(shù)據(jù)集包含549條心電圖記錄，分別采集自290名受試者，其中男性209名，女性81名，男女比例約為2.6∶1。每條記錄大約2分鐘，包括同步測(cè)量的15個(gè)信號(hào)：臨床常用的標(biāo)準(zhǔn)12導(dǎo)聯(lián)以及3個(gè)Frank導(dǎo)聯(lián)心電信號(hào)。心肌梗死臨床數(shù)據(jù)庫(kù)主要包括有心肌梗死、心率衰竭、房室束支傳導(dǎo)阻滯患者和健康對(duì)照者等，受試者平均年齡約為57歲。PTB臨床診斷類別及受試者人數(shù)統(tǒng)計(jì)情況如表1所示。

表1 PTB診斷類別及受試者人數(shù)統(tǒng)計(jì)表

3 數(shù)據(jù)處理

由于心電信號(hào)的不穩(wěn)定性、非線性和微弱性，振幅僅為幾毫伏，頻率范圍在0.05 Hz到100 Hz之間，在信號(hào)采集過(guò)程中非常容易受到人體活動(dòng)和儀器等各種因素的干擾，甚至?xí)绊懙紼CG信號(hào)的特征提取和進(jìn)一步分析診斷。因此有必要對(duì)采集到的ECG信號(hào)進(jìn)行去噪預(yù)處理，以便獲得高質(zhì)量的心電信號(hào)，這些噪聲主要包括基線漂移、工頻干擾和肌電干擾。

由人體呼吸或者電極移動(dòng)引起的基線漂移頻率較低，與緩慢變化的正弦曲線相似。本文采用中值濾波算法去除基線漂移。首先設(shè)置一定長(zhǎng)度的滑動(dòng)窗口，利用中值濾波器來(lái)提取基線漂移，然后用原始心電信號(hào)減去提取出的這個(gè)基線部分，就得到去除基線漂移后的心電信號(hào)。中值濾波算法簡(jiǎn)單，速度快，準(zhǔn)確率高，失真較小，對(duì)ST段有一定的保護(hù)作用，ST段是診斷心肌缺血等疾病的重要依據(jù)。因市電產(chǎn)生電磁波輻射而產(chǎn)生的工頻干擾會(huì)導(dǎo)致心電信號(hào)采集的異常，大大降低心電信號(hào)的信噪比。PTB心電數(shù)據(jù)取自德國(guó)的一所醫(yī)學(xué)大學(xué)，工頻干擾的頻率主要集中在50 Hz及其諧波。本文采用的是陷波濾波器，即帶阻濾波器，其效果較好，處理速度快。由肌肉震顫引起的肌電干擾近似于白噪聲，屬于高頻干擾，去除不規(guī)則的肌電干擾通常采用低通濾波方法。本文采用切比雪夫數(shù)字低通濾波器，從原始心電信號(hào)中去除肌電干擾信號(hào)成分。

經(jīng)過(guò)去噪預(yù)處理后就得到了高質(zhì)量的心電信號(hào)，再進(jìn)行心搏分割。采用基于小波變換的檢測(cè)算法定位R波峰，由于QRS復(fù)合波是心電信號(hào)中能量最大的部分，包含了一個(gè)心搏的大部分信息，而DB6小波在形態(tài)上與QRS復(fù)合波近似度很高，所以本文使用DB6小波作為母小波。經(jīng)過(guò)小波變換后，得到一系列能量峰值點(diǎn)，以每個(gè)能量峰值點(diǎn)所在時(shí)刻為中心，在前后一定范圍內(nèi)尋找極大值點(diǎn)，該點(diǎn)就是R波峰值點(diǎn)所在位置。據(jù)統(tǒng)計(jì)，成年人每分鐘心跳次數(shù)大約是60到100，考慮到心跳較緩的老人和心跳較快的兒童，如果以R的峰值點(diǎn)為基準(zhǔn)向前向后提取若干采樣點(diǎn)的值，基本上可以覆蓋一個(gè)心搏波形的主要特征。本文以R波峰值點(diǎn)為基準(zhǔn)，向前向后分別選擇250 ms和400 ms的原始采樣數(shù)據(jù)，將這些值組合為一個(gè)心搏的特征向量。

本文對(duì)PTB數(shù)據(jù)庫(kù)進(jìn)行去噪預(yù)處理，經(jīng)過(guò)心搏分割后，去除樣本數(shù)量太少的類型，最后提取出54 753個(gè)心搏，這些心搏分屬于6個(gè)類別：前壁心肌梗死(anterior,AMI)、前外壁心肌梗死(antero-lateral,ALMI)、前間隔心肌梗死(antero-septal,ASMI)、下壁心肌梗死(inferior,IMI)、下外壁心肌梗死(infero-lateral,ILMI)和健康對(duì)照(healthy control,HC)，各類心搏的樣本數(shù)量如表2所示。如果使用PTB數(shù)據(jù)庫(kù)提供的所有15個(gè)導(dǎo)聯(lián)的數(shù)據(jù)，學(xué)習(xí)的信息會(huì)更全面，能夠獲得總體上更好的結(jié)果，但這不符合臨床實(shí)際情況，臨床通常僅有12導(dǎo)聯(lián)可用。另外由于六個(gè)肢體導(dǎo)聯(lián)的數(shù)據(jù)是由兩個(gè)測(cè)量電壓(例如Ⅰ和Ⅲ)經(jīng)過(guò)線性組合而成，因此本文僅使用兩個(gè)肢體導(dǎo)聯(lián)的數(shù)據(jù)，以去除肢體導(dǎo)聯(lián)之間的數(shù)據(jù)相關(guān)性，去掉冗余特征，降低特征維度，提高機(jī)器學(xué)習(xí)效率。因此，本實(shí)驗(yàn)只考慮臨床應(yīng)用中常用的且非冗余的8個(gè)導(dǎo)聯(lián)的心電數(shù)據(jù)。

表2 各類別心肌梗死的心搏數(shù)

4 GA-ELM算法

神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡(jiǎn)單，便于計(jì)算機(jī)實(shí)現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)形式[16]。但BP神經(jīng)網(wǎng)絡(luò)也不是完美無(wú)缺的，其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，收斂速度慢，容易陷入局部極小化，可能出現(xiàn)過(guò)擬合現(xiàn)象。極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)[17]是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)[15]，與BP神經(jīng)網(wǎng)絡(luò)相比，ELM不需要設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)，所以訓(xùn)練速度非?？?，對(duì)于異質(zhì)的數(shù)據(jù)集其泛化能力很強(qiáng)，被廣泛應(yīng)用于分類、回歸、聚類、特征學(xué)習(xí)等問(wèn)題中[18]。

ELM隨機(jī)選取網(wǎng)絡(luò)輸入權(quán)重以及隱層單元偏置，而且在訓(xùn)練過(guò)程中不需要調(diào)整。只需要設(shè)置好隱層節(jié)點(diǎn)數(shù)L，激活函數(shù)g(x)、輸入權(quán)重wi和偏置bi，就能得到唯一的最優(yōu)解。由于ELM具有速度快、參數(shù)設(shè)置容易、算法簡(jiǎn)單等優(yōu)點(diǎn)，該方法在許多領(lǐng)域都得到了應(yīng)用。

假設(shè)有N個(gè)任意不同的心搏樣本(xi,ti),其中xi=[xi1,xi2,…,xin]T∈Rn是n維特征向量，ti=[ti1,ti2,…,tim]T∈Rm是one-hot編碼的心肌梗死類別，只有一位為1。ELM算法對(duì)于一個(gè)有L個(gè)隱層節(jié)點(diǎn)的單隱層神經(jīng)網(wǎng)絡(luò)可以表示為：

(1)

式中:g(x)為激活函數(shù)，i指的是第i個(gè)隱層，wi=[wi1,wi2,…,win]T為輸入權(quán)重，βi為輸出權(quán)重，bi是偏置。wi·xj表示wi與xj的內(nèi)積。

ELM模型對(duì)于輸入權(quán)重和偏置是隨機(jī)選取的，這就會(huì)導(dǎo)致網(wǎng)絡(luò)隱層喪失調(diào)節(jié)能力，網(wǎng)絡(luò)不穩(wěn)定。另外，通過(guò)增加隱層神經(jīng)元個(gè)數(shù)來(lái)提高訓(xùn)練精度，容易出現(xiàn)過(guò)擬合現(xiàn)象，從而降低模型的泛化能力。針對(duì)ELM的不足，本文首先采用遺傳算法(Genetic Algorithm，GA)[19]對(duì)ELM中隨機(jī)選取的參數(shù)尋找最優(yōu)解，然后根據(jù)最優(yōu)參數(shù)建立基于GA-ELM的心肌梗死定位模型。作為一種基于自然選擇和遺傳原理以自適應(yīng)啟發(fā)式方法搜索全局最優(yōu)解。模擬生物種群內(nèi)部染色體的隨機(jī)信息交換機(jī)制，首先將需要優(yōu)化的ELM參數(shù)采用二進(jìn)制編碼，設(shè)定進(jìn)化代數(shù)Gen，定義適應(yīng)度函數(shù)，初始化種群。然后計(jì)算適應(yīng)度值并判斷是否滿足結(jié)束條件，若滿足則結(jié)束，否則通過(guò)選擇、交叉和變異運(yùn)算更新種群中染色體的信息，迭代次數(shù)計(jì)數(shù)器加1，返回再次計(jì)算適應(yīng)度值并判斷是否結(jié)束。通過(guò)逐次迭代種群得到不斷進(jìn)化，最優(yōu)解就是經(jīng)過(guò)優(yōu)化后的ELM參數(shù)。GA-ELM算法的流程如圖1所示。

圖1 GA-ELM算法流程圖

種群中的每個(gè)個(gè)體都是一個(gè)二進(jìn)制串，個(gè)體的維度即為需要優(yōu)化的ELM參數(shù)的個(gè)數(shù)。

λ=[w11,w12,…,w1L,

w21,w22,…,w2L,

…,

wn1,wn2,…,wnL,

b1,b2,…,bL]

(2)

式中：λ表示種群中的一個(gè)個(gè)體；wij和bj分別表示輸入權(quán)重和偏置。將二進(jìn)制編碼串解碼得到輸入權(quán)重和偏置，并送給ELM訓(xùn)練網(wǎng)絡(luò)，對(duì)種群中每一個(gè)個(gè)體分別使用測(cè)試樣本進(jìn)行測(cè)試，適應(yīng)度值fit定義為預(yù)測(cè)值與實(shí)際值的均方誤差。

(3)

ELM學(xué)習(xí)的目標(biāo)是使得輸出誤差最小，可以表示為:

(4)

式(1)中的N個(gè)方程可以用矩陣表示為Hβ=T。其中，H是隱層節(jié)點(diǎn)的輸出，β為輸出權(quán)重，T為期望輸出。

H(w1,w2,…,wL,b1,b2,…,bL,x1,x2,…xN)=

(5)

(6)

通過(guò)GA算法已經(jīng)得到最優(yōu)的輸入權(quán)重wi和隱層偏置bi，隱層的輸出矩陣H也就可以被唯一確定。網(wǎng)絡(luò)訓(xùn)練可以轉(zhuǎn)化為求解一個(gè)線性系統(tǒng)Hβ=T，并且輸出權(quán)重可以被確定為：

(7)

5 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)首先對(duì)ECG信號(hào)進(jìn)行去噪預(yù)處理，然后確定R波的位置，將每條大約兩分鐘的心電信號(hào)分割為心搏序列。對(duì)每一個(gè)心搏，以R波峰為基準(zhǔn)前后分別取250 ms和400 ms的采樣數(shù)據(jù)，構(gòu)成單導(dǎo)聯(lián)心電向量，對(duì)8個(gè)導(dǎo)聯(lián)分別采用相同的方式進(jìn)行處理，將8個(gè)心電向量合成為一個(gè)多導(dǎo)聯(lián)心電向量。將心電向量序列送入GA-ELM，首先利用GA確定ELM模型輸入權(quán)值和偏置的最優(yōu)解，然后用得到的最優(yōu)參數(shù)訓(xùn)練ELM網(wǎng)絡(luò)，最后使用訓(xùn)練好的網(wǎng)絡(luò)來(lái)定位心肌梗死。在優(yōu)化參數(shù)的過(guò)程中，預(yù)測(cè)準(zhǔn)確率隨進(jìn)化代數(shù)變化的曲線如圖2所示。

圖2 預(yù)測(cè)準(zhǔn)確率隨進(jìn)化代數(shù)變化曲線

為了評(píng)價(jià)本文提出的心肌梗死定位算法的性能，我們使用了4個(gè)指標(biāo)：分類靈敏度(Sen)、特異性(Spe)、精度(Ppr)和準(zhǔn)確率(Acc)。分類準(zhǔn)確率評(píng)估所提出的方法在所有心搏上的整體性能。由于正異常心搏的數(shù)量不同，Sen、Spe和Ppr在評(píng)估分類器性能方面會(huì)出現(xiàn)較小的偏差。評(píng)價(jià)指標(biāo)計(jì)算公式如下：

(8)

(9)

(10)

(11)

式中：TP是正確檢測(cè)為MI的MI心搏的數(shù)量；TN是正確識(shí)別為HC的HC心搏的數(shù)量；FN是錯(cuò)誤檢測(cè)為HC的MI心搏的數(shù)量；FP是錯(cuò)誤診斷為MI的HC心搏數(shù)量。

在搜尋最優(yōu)參數(shù)的過(guò)程中，進(jìn)化迭代次數(shù)設(shè)置為50?；煜仃嚾绫?所示，該算法在心肌梗死定位上的總體準(zhǔn)確率為98.42%，歸一化后的混淆矩陣如圖3所示。文獻(xiàn)[9-10]使用卷積神經(jīng)網(wǎng)絡(luò)僅僅實(shí)現(xiàn)了有無(wú)心肌梗死的檢測(cè)，得到的準(zhǔn)確率分別為95.22%和95.30%。文獻(xiàn)[15]僅使用T波積分和完整心搏積分這兩個(gè)值作為特征，在心肌梗死的定位上得到76.67%的準(zhǔn)確率。文獻(xiàn)[13]使用簡(jiǎn)單的自適應(yīng)閾值方法實(shí)現(xiàn)心肌梗死定位，準(zhǔn)確率達(dá)到93.61%。文獻(xiàn)[14]使用SVM方法實(shí)現(xiàn)心肌梗死的定位，得到的準(zhǔn)確率為98.15%。表4是本文與其他文獻(xiàn)算法在性能上的對(duì)比結(jié)果，在心肌梗死檢測(cè)和定位準(zhǔn)確率方面，本文比其他文獻(xiàn)方法獲得更好的性能。

表3 混淆矩陣及分類性能

圖3 定位結(jié)果歸一化后的混淆矩陣

表4 與其他文獻(xiàn)算法性能對(duì)比結(jié)果

本文提出的GA-ELM混合模型分析了多導(dǎo)聯(lián)的心梗數(shù)據(jù)，信息更加全面。該方法不局限于醫(yī)學(xué)專家所設(shè)計(jì)的手工特征，通過(guò)自動(dòng)提取特征，能夠充分挖掘出隱藏在數(shù)據(jù)內(nèi)的有效信息，在心肌梗死疾病的定位上得到了優(yōu)異的結(jié)果。

6 結(jié) 語(yǔ)

本文提出了一種基于GA-ELM混合模型的多導(dǎo)聯(lián)心肌梗死定位算法。首先采用濾波器組對(duì)心電信號(hào)進(jìn)行去噪預(yù)處理，然后采用DB6小波變換方法定位R波峰，接下來(lái)把每條心電記錄分割成心搏序列，最終構(gòu)建GA-ELM混合模型進(jìn)行定位識(shí)別。該模型相比卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法不需要設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)，結(jié)構(gòu)更簡(jiǎn)單，訓(xùn)練速度更快。實(shí)驗(yàn)結(jié)果表明，本文構(gòu)建的混合模型能夠充分挖掘出多導(dǎo)聯(lián)的ECG心梗信號(hào)中潛在的有用特征，得到了優(yōu)異的結(jié)果，有較高的臨床應(yīng)用價(jià)值。