佟彥妮，張瑞卿，沈陽(yáng)，蔣華，常世杰，沙憲政

1 中國(guó)醫(yī)科大學(xué) 生物醫(yī)學(xué)工程系，沈陽(yáng)市，110122

2 中國(guó)醫(yī)科大學(xué)附屬第一醫(yī)院 心血管內(nèi)科，沈陽(yáng)市，110054

0 引言

心房、心室肥大是由于心臟房室負(fù)荷過(guò)重，引起普通心肌壁增厚，房室腔擴(kuò)大。房室肥大常由某些心臟疾病，如二尖瓣心臟病、先天性心臟病、室間隔缺損等引起。通過(guò)心電圖（ECG）對(duì)心臟運(yùn)作的觀察，其得出的結(jié)論可作為臨床上判別房室肥大的標(biāo)準(zhǔn)之一。心房、心室分別除極產(chǎn)生的對(duì)應(yīng)于ECG上的P波、QRS波群，其形態(tài)與幅值對(duì)房室肥大的診斷具有重要意義。傳統(tǒng)分析ECG的標(biāo)準(zhǔn)模式通常由以下步驟組成：預(yù)處理[1]、心拍分割[2-3]、特征提取[4]與分類。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為深度學(xué)習(xí)的模型之一，其內(nèi)部通過(guò)卷積層、池化層、全連接層的不同組合并與不同形式的損失函數(shù)相結(jié)合以實(shí)現(xiàn)不同的功能，應(yīng)用于多個(gè)領(lǐng)域。由CNN衍生出來(lái)的模型包括U-Net[5]、Faster R-CNN[6]、YOLO[7]、GAN[8]等分別應(yīng)用于信號(hào)圖像分割、目標(biāo)檢測(cè)、有監(jiān)督與無(wú)監(jiān)督學(xué)習(xí)等方面。CNN的應(yīng)用也拓展到了ECG識(shí)別分析領(lǐng)域，ACHARYA等[9]利用CNN區(qū)分3類心律失常與正常ECG，其測(cè)試集的敏感度、特異度以及準(zhǔn)確率分別達(dá)到了98.09%、93.13%和92.50%；HANNUN等[10]利用ResNet CNN對(duì)12類不同節(jié)律的ECG進(jìn)行分類，其測(cè)試結(jié)果的AUC均值為0.97，F(xiàn)1-Score為0.837。

本研究采用傳統(tǒng)與卷積神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的方式，搭建10層一維CNN識(shí)別分析房室肥大ECG，以實(shí)現(xiàn)臨床ECG的輔助分類診斷。

1 方法

1.1 預(yù)處理

本研究所使用的心電圖數(shù)據(jù)由中國(guó)醫(yī)科大學(xué)附屬第一醫(yī)院數(shù)據(jù)庫(kù)（CMUH1）提供。其中數(shù)據(jù)均采集于2013—2017年間來(lái)院進(jìn)行標(biāo)準(zhǔn)12導(dǎo)聯(lián)靜態(tài)心電圖檢查的患者。心電圖采樣率為560 Hz。因房室肥大心電圖P波、QRS波的異常改變?cè)冖?、Ⅱ、V1與V5導(dǎo)聯(lián)較為顯著，本文從12導(dǎo)聯(lián)原始心電數(shù)據(jù)中僅提取這4個(gè)導(dǎo)聯(lián)的記錄，每條記錄時(shí)長(zhǎng)為2.5 s。

數(shù)據(jù)挑選完成后，利用db5小波對(duì)心電信號(hào)進(jìn)行8層分解以濾除基線漂移和高頻噪聲。圖1顯示了原始以及分解重構(gòu)后的心電信號(hào)。

圖1 利用小波變換對(duì)心電信號(hào)濾波前后對(duì)比圖Fig.1 Comparison of ECG signal before and after filtering by wavelet transform

對(duì)于濾除噪聲后的心電數(shù)據(jù)，利用Pan-Tompkins算法，檢測(cè)R波峰值點(diǎn)。定位R波波峰后，在其前、后方各取140、224個(gè)點(diǎn)，并以這365個(gè)點(diǎn)構(gòu)成一個(gè)心拍。對(duì)心拍采集的描述如圖2所示。

圖2 R波定位及心拍采集Fig.2 R wave detection and beats selection

本實(shí)驗(yàn)從CMUH1中隨機(jī)挑選出29例右心房肥大（RAH）、21例左心房肥大（LAH）、68例右心室肥大（RVH）、339例左心室肥大（LVH）以及400例正常（Normal）心電圖（患者的性別、年齡以及檢查時(shí)間均隨機(jī)），并對(duì)其進(jìn)行分割以采集心拍。因心房肥大心電圖數(shù)據(jù)量較少，分割心拍不僅可以擴(kuò)增數(shù)據(jù)并且可以減少冗余信息。其中正常心電圖指無(wú)肥大癥狀的心電圖。心電圖各導(dǎo)聯(lián)為同步測(cè)量，其從不同方位反映出心臟的運(yùn)作狀況，因此將從四個(gè)導(dǎo)聯(lián)I、II、V1、V5提取出的心拍數(shù)據(jù)以并聯(lián)的形式連接，每四個(gè)心拍的并聯(lián)組合作為數(shù)據(jù)集中的一條樣本數(shù)據(jù)。最終右心房肥大、左心房肥大、右心室肥大、左心室肥大以及正常心電圖的心電樣本數(shù)分別為69、52、176、826以及1 042。根據(jù)每條樣本數(shù)據(jù)所屬類別，為其打上不同的標(biāo)簽?？紤]到左、右心房肥大心電信號(hào)的數(shù)據(jù)量較少，而且心房肥大心電圖的異常主要體現(xiàn)在P波的異常，因此在實(shí)驗(yàn)中將左、右心房肥大兩類心電圖合并為心房肥大一類心電圖。標(biāo)簽0、1、2、3分別對(duì)應(yīng)正常、心房肥大（AH）、右心室肥大、左心室肥大心電圖。

1.2 CNN

本研究使用的CNN結(jié)構(gòu)如圖3所示。前半部分的卷積模塊實(shí)現(xiàn)了CNN的特征提取功能。模塊中的前6層為3組卷積層與池化層的交替組合，可以逐級(jí)提取由粗粒度到細(xì)粒度的特征。卷積操作中，輸入層的部分神經(jīng)元與輸出層的單個(gè)神經(jīng)元進(jìn)行局部連接，輸入與對(duì)應(yīng)的連接權(quán)值加權(quán)求和并與偏置值相加，最后通過(guò)激活函數(shù)激活以得到輸出值。本研究選取ReLu激活函數(shù)[11]為模型注入非線性元素，可以有效避免模型訓(xùn)練過(guò)程中出現(xiàn)的梯度消失問(wèn)題。池化操作中，選取卷積核所覆蓋區(qū)域的最大值作為輸出值。最大池化層可極大地減少需要訓(xùn)練的參數(shù)，對(duì)于在訓(xùn)練過(guò)程中擁有大量參數(shù)的CNN模型，池化層可以降低計(jì)算負(fù)擔(dān)，同時(shí)增強(qiáng)模型的魯棒性。卷積模塊中每層輸出的特征圖數(shù)量均為128。CNN模型的后半部分由三個(gè)全連接層組成，其中嵌入了Dropout正則化[12]，在訓(xùn)練過(guò)程中，其以0.5的概率隨機(jī)丟棄全連接層中的神經(jīng)元以避免過(guò)擬合的發(fā)生。網(wǎng)絡(luò)的最后一個(gè)全連接層由Softmax函數(shù)[13]激活，從而實(shí)現(xiàn)多分類的輸出。

圖3 本研究所用CNN結(jié)構(gòu)圖Fig.3 Structure of CNN in the study

網(wǎng)絡(luò)搭建完成后，將處理好的心電數(shù)據(jù)制作成數(shù)據(jù)集以適應(yīng)模型的輸入。訓(xùn)練集表達(dá)為A={(Xi,Yi),i=1,2,…,n},Xi代表由四個(gè)導(dǎo)聯(lián)的心拍數(shù)據(jù)并聯(lián)構(gòu)成的輸入，Y∈{0，1，2，3}為Xi所對(duì)應(yīng)的真實(shí)標(biāo)簽。這里Yi=0，Yi=1，Yi=2和Yi=3分別代表正常、心房肥大（AH）、右心室肥大以及左心室肥大心電圖。網(wǎng)絡(luò)各層之間通過(guò)權(quán)重ω=(ω[1],ω[2],…,ω[n])和偏置b=(b[1],b[2],…,b[n])連接，n代表某一層在網(wǎng)絡(luò)中的排列順序。網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)量與分類個(gè)數(shù)相對(duì)應(yīng)，每個(gè)神經(jīng)元通過(guò)Softmax激活后得到預(yù)測(cè)值其含義為模型的損失函數(shù)表達(dá)如下：

整個(gè)CNN的訓(xùn)練以最小化損失函數(shù)為目的。訓(xùn)練過(guò)程中，權(quán)重ω和偏置b通過(guò)模型內(nèi)置的Adam優(yōu)化器[14]進(jìn)行更新，優(yōu)化器中的超參數(shù)β1，β2分別設(shè)置為0.9，0.999。

2 結(jié)果

區(qū)分房室肥大與正常心電圖的結(jié)果通過(guò)ROC（Receiver Operating Characteristic）曲線（圖4）展示。ROC曲線的橫縱軸分別代表假陽(yáng)性率（FPR）與真陽(yáng)性率（TPR）。這里，房室肥大與正常心電圖的真實(shí)標(biāo)簽分別為陽(yáng)性與陰性。AUC值為ROC曲線下的面積，其值越大代表模型的分類效果越好。本實(shí)驗(yàn)的訓(xùn)練集與測(cè)試集劃分如下，隨機(jī)抽?。ɑ颊叩男詣e、年齡以及檢查時(shí)間均隨機(jī)）533條正常心電圖數(shù)據(jù)與549條房室肥大心電圖數(shù)據(jù)作為訓(xùn)練集，余下的509條正常心電圖數(shù)據(jù)與574條房室肥大心電圖數(shù)據(jù)則作為測(cè)試集。

從所有的心電數(shù)據(jù)中隨機(jī)抽取一半作為訓(xùn)練集（1 082條數(shù)據(jù)），余下的則作為測(cè)試集，四分類的混淆矩陣結(jié)果如表1所示。

心房肥大，左、右心室肥大與正常心電圖四分類的五折交叉驗(yàn)證結(jié)果如表2所示。表中選取Sensitivity（真陽(yáng)性率）、Precision（精確率）以及F1分?jǐn)?shù)對(duì)模型的分類性能進(jìn)行展現(xiàn)。其中F1-score計(jì)算如下：

圖4 房室肥大與正常心電圖二分類ROC曲線圖Fig.4 ROC of differentiating AVH and Normal ECG

Recall等同于真陽(yáng)性率。

表1 四分類的混淆矩陣結(jié)果Tab.1 Confusion matrix for 4 classes

表2 四分類的五折交叉驗(yàn)證結(jié)果Tab.2 Five-fold validation results of 4 classification

3 討論

在識(shí)別房室肥大心電圖的實(shí)驗(yàn)中，網(wǎng)絡(luò)的最后輸出層只有一個(gè)神經(jīng)元，并使用Sigmoid函數(shù)激活以得到輸入心電圖為陽(yáng)性的概率。根據(jù)測(cè)試集的結(jié)果繪制的ROC曲線圖，其AUC值達(dá)到0.991，證明該CNN模型可以很好地對(duì)房室肥大心電圖進(jìn)行識(shí)別。在對(duì)心房肥大以及左、右心室肥大心電圖的分類診斷中，綜合觀察表1的混淆矩陣與表2的交叉驗(yàn)證結(jié)果得到，正常以及左心室肥大的分類效果整體要優(yōu)于心房肥大和右心室肥大。分析原因得出，深度學(xué)習(xí)取得良好效果的關(guān)鍵之一是訓(xùn)練集的數(shù)量要大，而心房肥大以及右心室肥大心電圖的數(shù)據(jù)量要明顯低于其他兩類，造成其分類結(jié)果較差。但由于右心室肥大心電圖在對(duì)應(yīng)導(dǎo)聯(lián)特征較為突出，與其他三類相比差別也較大，因此其分類的敏感度較高可以達(dá)到0.992。此外，正常心電圖與左心室肥大心電圖分類時(shí)，結(jié)果會(huì)出現(xiàn)混淆，臨床上左心室肥大最突出的特征即為R波電壓增高，這個(gè)特點(diǎn)也是醫(yī)生判定左心室肥大的重要依據(jù)，而有些心電圖其R波電壓會(huì)突增，但未達(dá)到左心室肥大的診斷標(biāo)準(zhǔn)，此時(shí)會(huì)比較容易出現(xiàn)誤判。通過(guò)對(duì)表1、2的觀察還可得出，大部分分類錯(cuò)誤的心房肥大心電圖會(huì)被視作正常心電圖，分析得到，在臨床上心房肥大心電圖的異常主要表現(xiàn)為P波寬度或幅值的異常，與正常心電圖相比此變化有時(shí)較為細(xì)微，也是認(rèn)為觀察時(shí)容易漏掉的細(xì)節(jié)，因此計(jì)算機(jī)在進(jìn)行判斷時(shí)也容易發(fā)生誤診。

本實(shí)驗(yàn)綜合考慮一維心電信號(hào)的特性，構(gòu)造CNN網(wǎng)絡(luò)并為其設(shè)置合理的參數(shù)，實(shí)現(xiàn)了心電信號(hào)特征的自動(dòng)提取與篩選，并利用提取到的特征對(duì)房室肥大心電圖進(jìn)行自動(dòng)分析診斷。其最后的測(cè)試結(jié)果也展現(xiàn)了較高的靈敏度與準(zhǔn)確率，證明本方法可以輔助醫(yī)生對(duì)心電圖進(jìn)行識(shí)別診斷，提高臨床工作效率，并更好地服務(wù)于患者。接下來(lái)的研究中，會(huì)擴(kuò)展算法在心電領(lǐng)域的應(yīng)用范圍，利用更多類型的心臟病對(duì)算法進(jìn)行測(cè)試，并加以改進(jìn)算法，使其發(fā)揮出更大的價(jià)值服務(wù)于社會(huì)。