汪祖民，左長青，秦 靜,*，季長清

（1. 大連大學(xué) 信息工程與技術(shù)學(xué)院，遼寧 大連 116622; 2. 大連大學(xué) 物理科學(xué)與技術(shù)學(xué)院，遼寧 大連 116622）

一、引言

目前，心血管疾病已成為嚴(yán)重威脅我國居民健康的一大類疾病，成為影響國家經(jīng)濟(jì)社會(huì)發(fā)展的重大健康問題。然而，心電信號(hào)異常監(jiān)測(cè)的設(shè)備主要集中在醫(yī)院，病人通常到醫(yī)院才可以進(jìn)行檢測(cè)。心臟病具有突發(fā)性強(qiáng)、不可控、發(fā)病前沒有癥狀等特點(diǎn)，并且很多患者已經(jīng)得了相關(guān)的心血管疾病，自己卻沒有意識(shí)到。因此，中老年人迫切需要一種可以隨身攜帶的心電監(jiān)測(cè)儀器，及時(shí)觀察心電變化情況。

隨著信息技術(shù)的迅猛發(fā)展，人們更希望有一種設(shè)備能夠長時(shí)間觀察心臟活動(dòng)的心電信號(hào)，所以，便攜式的心電監(jiān)護(hù)設(shè)備便有了龐大的市場(chǎng)需求。市面上現(xiàn)有的電子產(chǎn)品存在很多的不足，例如設(shè)備體積過大，不利于用戶攜帶，不能讓患者夠長時(shí)間實(shí)時(shí)的監(jiān)測(cè)自身的心電動(dòng)態(tài)，而且這類產(chǎn)品大多價(jià)格不菲不適合推廣。隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)及智能疾病診斷技術(shù)的發(fā)展，監(jiān)測(cè)到心電異常并及時(shí)獲得治療的可能性大大提高。不僅可以減少現(xiàn)在醫(yī)療資源緊缺的問題，而且讓患者可以自己在家獲得精準(zhǔn)的診斷，減少患者在醫(yī)療上的開銷。心電信號(hào)分析及異常分類技術(shù)受到計(jì)算機(jī)領(lǐng)域廣泛關(guān)注，國內(nèi)外研究者已做出大量工作。2000 年，Lu Z 等[1]提出了一種基于分層集劃分的小波ECG 編解碼器樹(SPIHT)壓縮算法，他們的CR（轉(zhuǎn)化率）為20，PRD（均方差百分比）為1.62%。2013 年，Chou Y C 等[2]采用DWT 和向量-標(biāo)量量化器(vector-scalar quantizer, VSQ)方法進(jìn)行壓縮CR 為35，PRD 為7.00%。

2016 年Zubair M 等[3]使用CNN 對(duì)從MIT-BIH數(shù)據(jù)庫獲得的44 個(gè)心電圖信號(hào)進(jìn)行記錄，提取了R峰的心電圖節(jié)拍模式，用于三層CNN 的訓(xùn)練，達(dá)到92.70%準(zhǔn)確率。2016 年Kiranyaz 等[4]研究了僅用R 峰波的三層CNN 心電監(jiān)護(hù)系統(tǒng)。2017 年Acharya等[5]使用CNN 算法用MIT-BIH 數(shù)據(jù)庫使得檢測(cè)的識(shí)別率達(dá)到92.50%，2017 年Luo Kanet 等[6]使用DNN 算法使得心電圖識(shí)別率達(dá)到94.39%。2018 年Mathews Sherin M 等[7]開發(fā)了一個(gè)基于CNN 的分類系統(tǒng)，它能自動(dòng)從兩導(dǎo)聯(lián)ECG 數(shù)據(jù)中學(xué)習(xí)合適的特征表示，從而消除了手工制作特征的需要，但框架沒有涉及任何QRS 波檢測(cè)。在Acharya 等[8]的工作中，由十一層卷積神經(jīng)網(wǎng)絡(luò)處理分段ECG，使用短時(shí)程ECG 數(shù)據(jù)得到最大精度93.18%，Haoqi S 等[9]利用8 682 例多導(dǎo)睡眠儀數(shù)據(jù)集，構(gòu)建了一個(gè)由卷積網(wǎng)絡(luò)和長短時(shí)記憶網(wǎng)絡(luò)組成的5個(gè)深度神經(jīng)網(wǎng)絡(luò)，利用心電圖和呼吸信號(hào)訓(xùn)練深層網(wǎng)絡(luò)模型。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，在圖像檢測(cè)的問題上已經(jīng)取得了較好的效果，其在心電異常監(jiān)測(cè)上也有相關(guān)應(yīng)用。在心電圖監(jiān)測(cè)異常心電判定方面，2016 年Rahhal 等[10]使用深神經(jīng)網(wǎng)絡(luò)（DNN）使用疊層去噪自動(dòng)編碼器（Stack Noise Reduction Code Automatically, SDAEs）從原始的兩導(dǎo)聯(lián)心電圖數(shù)據(jù)中進(jìn)行適當(dāng)?shù)奶卣鞅硎尽?018 年，Yin W 等[11]開發(fā)了一個(gè)基于CNN 與IR-UWB 雷達(dá)相結(jié)合的分類系統(tǒng)，它能自動(dòng)從兩導(dǎo)聯(lián)ECG 數(shù)據(jù)中學(xué)習(xí)合適的特征表示，從而消除了手工制作特征的需要。

本文設(shè)計(jì)智能數(shù)據(jù)分析技術(shù)，可以對(duì)心電信號(hào)進(jìn)行檢測(cè)和心電異常自動(dòng)化判定，對(duì)心臟疾病進(jìn)行實(shí)時(shí)檢測(cè)，以滿足病人的實(shí)時(shí)監(jiān)控需求。同時(shí)，本文提出的設(shè)計(jì)方法也可以應(yīng)用于醫(yī)學(xué)影像其他種類的疾病判定中（腦電圖等），因此具有重要的理論意義和科學(xué)價(jià)值。通過對(duì)研究成果的轉(zhuǎn)化與應(yīng)用，可以實(shí)時(shí)地為沒有醫(yī)學(xué)知識(shí)的人提供方便快捷的醫(yī)療監(jiān)測(cè)手段，減輕醫(yī)療工作者的負(fù)擔(dān)，同時(shí)也為老年患者提供了安全的保障，以提供長期高效的社會(huì)服務(wù)。

二、基于深度學(xué)習(xí)的移動(dòng)遠(yuǎn)程心電監(jiān)測(cè)系統(tǒng)框架

基于深度學(xué)習(xí)的移動(dòng)遠(yuǎn)程心電監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)如圖1 所示，該系統(tǒng)主要由4 部分組成：云端服務(wù)程序、桌面客戶端配置軟件、移動(dòng)端處理初始心電信號(hào)的應(yīng)用程序、收集心電信號(hào)的硬件心電開發(fā)板，這4 部分協(xié)調(diào)配合完成心電信號(hào)的傳輸與判定。云端服務(wù)程序是整個(gè)系統(tǒng)的樞紐，手機(jī)端程序通過互聯(lián)網(wǎng)HTTP 協(xié)議與云端服務(wù)程序會(huì)話，云端服務(wù)程序會(huì)把手機(jī)端傳輸?shù)囊痪S心電信號(hào)處理分類，把分類的結(jié)果返回給移動(dòng)端程序，并且把對(duì)應(yīng)的數(shù)據(jù)傳輸給電腦端的數(shù)據(jù)庫里保存，用戶可以通過登錄的方式查看之前的信息記錄。

圖1 移動(dòng)遠(yuǎn)程心電監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)圖

三、基于深度學(xué)習(xí)的心電監(jiān)測(cè)算法設(shè)計(jì)

（一）心電監(jiān)測(cè)模型架構(gòu)

心電監(jiān)測(cè)算法的模型架構(gòu)如圖2 所示，算法通過上面預(yù)處理得到的心拍數(shù)據(jù)，隨機(jī)取出其中的80%作為算法模型的輸入，其余的20%數(shù)據(jù)作為驗(yàn)證模型評(píng)估準(zhǔn)則的測(cè)試集。算法模型是由棧式SAE網(wǎng)絡(luò)層、單通道CNN 層、Dropout 層、一維CNN卷積層和輸出層組成[12]。

圖2 深度學(xué)習(xí)算法流程

模型通過自編碼網(wǎng)絡(luò)的輸入和輸出是相同的特點(diǎn)，提煉中間具有代表性的特征，使得無監(jiān)督學(xué)習(xí)把輸入數(shù)據(jù)壓縮到更少數(shù)量神經(jīng)元的特征層[13]，有效地減少數(shù)據(jù)維度并仍然保留必要的特征信息。自編碼層和卷積層之間添加了Dropout 層來防止出現(xiàn)過擬合，同時(shí)將特征向量轉(zhuǎn)換為二維向量數(shù)據(jù)來方便卷積操作的運(yùn)算特征層進(jìn)一步連接到卷積層進(jìn)行心電異常監(jiān)測(cè)的分類，由輸出層輸出異常類別。

由于心拍之間的變化非常的微小，為了提高分類模型的精度獲得更好的分類，把1D-CNN 連接到預(yù)先訓(xùn)練的SAE，可以進(jìn)一步監(jiān)督訓(xùn)練整個(gè)模型。1D-CNN 中含有三個(gè)個(gè)卷積層，經(jīng)過卷積運(yùn)算后將網(wǎng)絡(luò)連接到輸出層進(jìn)行分類運(yùn)算，模型結(jié)構(gòu)如圖3所示得到5 種不同的分類結(jié)果。表1 為模型參數(shù)的設(shè)置，其中包含激活函數(shù)和各層的參數(shù)設(shè)計(jì)等信息。

圖3 分類模型結(jié)構(gòu)圖

表1 模型參數(shù)設(shè)置

（二）實(shí)驗(yàn)結(jié)果與分析

對(duì)算法進(jìn)行性能評(píng)估和對(duì)比，采用MIT-BIH數(shù)據(jù)集。算法被部署在基于1080TI GPU 的計(jì)算集群上，在深度學(xué)習(xí)模型中使用Keras-2 平臺(tái)架構(gòu)和Python-3.7 實(shí)現(xiàn)CNN1-ECG。

從表2 可以看出算法，在訓(xùn)練集上的表現(xiàn)遠(yuǎn)超其他算法，但在測(cè)試集上的出現(xiàn)了輕微的過擬合現(xiàn)象，總體來說準(zhǔn)確性優(yōu)于其他算法。

表2 模型在MIT-BIH 上分類效果對(duì)比1

從表3 可以看出CNN1-ECG 算法在回歸率和F1 值得表現(xiàn)也優(yōu)于其他算法。由于算法采用自編碼網(wǎng)絡(luò)降低心電數(shù)據(jù)維度，提高對(duì)病變位置識(shí)別的敏感性，并通過從數(shù)據(jù)集中獲得驗(yàn)證集的方法來獲取驗(yàn)證集，避免了數(shù)據(jù)過擬合的出現(xiàn)，使得CNN1-ECG 比其他方法更適合心電異常監(jiān)測(cè)問題。

表3 模型在MIT-BIH 上分類效果對(duì)比2

四、系統(tǒng)實(shí)現(xiàn)

（一）系統(tǒng)架構(gòu)

云端服務(wù)器程序可以通過HTTP 協(xié)議同終端程序會(huì)話，處理各種指令進(jìn)而操作數(shù)據(jù)庫。與普通的單機(jī)采集程序相比，本系統(tǒng)采用云端服務(wù)器可以讓多個(gè)患者同時(shí)進(jìn)行心電數(shù)據(jù)的采集工作，適用于互聯(lián)網(wǎng)大數(shù)據(jù)的趨勢(shì)，從而保障多人多場(chǎng)景的同時(shí)運(yùn)作，提高診斷的效率。服務(wù)器程序還可以同時(shí)運(yùn)行在所有支持Python 的可接入互聯(lián)網(wǎng)的服務(wù)器上。

經(jīng)過客戶端配置軟件可以生成初步的數(shù)據(jù)庫結(jié)構(gòu)，但獲取數(shù)據(jù)還需要通過移動(dòng)端從硬件設(shè)備，并進(jìn)行預(yù)處理。在數(shù)據(jù)庫結(jié)構(gòu)之上插入若干實(shí)時(shí)的心電信號(hào)的數(shù)據(jù)列，完成數(shù)據(jù)庫的結(jié)構(gòu)配置，此應(yīng)用需在Android 系統(tǒng)下運(yùn)行。

Android 平臺(tái)包含藍(lán)牙網(wǎng)絡(luò)堆棧支持，此支持能讓設(shè)備以無線方式與其他藍(lán)牙設(shè)備交換數(shù)據(jù)。應(yīng)用框架提供通過Android Bluetooth API 訪問藍(lán)牙功能的權(quán)限。Android 端應(yīng)用軟件實(shí)現(xiàn)連接藍(lán)牙和波形采集顯示。在數(shù)據(jù)顯示的同時(shí)，將數(shù)據(jù)使用json 格式進(jìn)行封裝，并和服務(wù)器進(jìn)行連接，將封裝好的數(shù)據(jù)發(fā)送給服務(wù)器端進(jìn)行處理。

（二）開發(fā)平臺(tái)及工具

本系統(tǒng)主要是采用Python 實(shí)現(xiàn)，應(yīng)用Kivy 工作包輔助開發(fā)。Kivy 是Python 的一個(gè)工具包，可以應(yīng)用于不同的環(huán)境中，可以把開發(fā)應(yīng)用程序和其他界面的用戶交流的多點(diǎn)觸控應(yīng)用軟件連接起來。系統(tǒng)通過使用Kivy 編寫的程序，實(shí)現(xiàn)手機(jī)端和服務(wù)器端同電腦端之間的信息交互，移動(dòng)遠(yuǎn)程心電監(jiān)測(cè)系統(tǒng)選擇使用Mysql 數(shù)據(jù)庫存儲(chǔ)組織數(shù)據(jù)。

（三）性能測(cè)試

心電開發(fā)板模塊如圖4 所示，采用三電極患者接口，并內(nèi)置一個(gè)截止頻率為0.3 Hz 的雙極點(diǎn)高通濾波器和一個(gè)截止頻率為37 Hz 的雙極點(diǎn)低通濾波器。通帶內(nèi)的總信號(hào)增益為400，負(fù)責(zé)接收電極片傳遞而來的電信號(hào)，并通過藍(lán)牙傳遞給移動(dòng)APP 端。將一次性電極片或者電極夾放置在左手腕和右手腕處，并將心電導(dǎo)聯(lián)線的按扣分別扣在左右手腕上的電極上，保持兩手放松就可以把心電信號(hào)傳送到手機(jī)端顯示。

圖4 心電開發(fā)板

心電接口如圖5 所示，采用2 線標(biāo)準(zhǔn)接線方式，開發(fā)板特別定制音頻接口，信號(hào)穩(wěn)定。通過AD8232 強(qiáng)大的內(nèi)置右腿驅(qū)動(dòng)電路，省掉1根導(dǎo)聯(lián)線，這樣2 個(gè)點(diǎn)的測(cè)量方式將變得更加方便，心電信號(hào)測(cè)量部位推薦選擇左圖標(biāo)準(zhǔn)I 導(dǎo)聯(lián)手腕處和中圖標(biāo)準(zhǔn)Ⅱ?qū)?lián)手腕、小腿處還有右圖胸導(dǎo)聯(lián)的藍(lán)色圓點(diǎn)標(biāo)注位置為測(cè)量點(diǎn)。

圖5 心電接口

當(dāng)APP 模塊與心電開發(fā)板模塊通過藍(lán)牙連接成功以后，就會(huì)陸續(xù)的有初始心電信號(hào)的顯示，見圖6 所示。

圖6 移動(dòng)端接收到的原始心電信號(hào)

如圖7 所示，通過服務(wù)器端程序把從手機(jī)端接收而來的波特率為115 200，停止位為1，奇偶校驗(yàn)為0，采樣率為500 Hz 的心電信號(hào)數(shù)據(jù)顯示出來，放入機(jī)器學(xué)習(xí)判定模型中，判定結(jié)果顯示在客戶端顯示。

圖7 服務(wù)器端心電顯示程序

如圖8 所示，通過機(jī)器學(xué)習(xí)模型判定的結(jié)果可顯示在系統(tǒng)界面上，判定結(jié)果為正常、室性早搏、左束支阻滯、右束支阻滯，并返回界面顯示。

圖8 電腦軟件端顯示分類結(jié)果

五、結(jié)論與展望

本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于深度學(xué)習(xí)的移動(dòng)遠(yuǎn)程心電監(jiān)測(cè)系統(tǒng)，設(shè)計(jì)了基于自編碼模型和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的判定模型，完成心電異常算法判定，并實(shí)現(xiàn)了原型系統(tǒng)。以一維卷積神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，實(shí)現(xiàn)了自動(dòng)監(jiān)測(cè)心電圖異常判定分類，設(shè)計(jì)了簡單易操作的交互界面，用于心電監(jiān)測(cè)的回執(zhí)。對(duì)心電監(jiān)測(cè)算法研究和患者實(shí)時(shí)監(jiān)測(cè)心電變化的醫(yī)療價(jià)值，都有較強(qiáng)的研究價(jià)值和實(shí)用價(jià)值。今后將優(yōu)化異常分類算法，進(jìn)一步改進(jìn)判定精度。另外，在系統(tǒng)實(shí)際應(yīng)用中，還需優(yōu)化系統(tǒng)程序框架，以符合互聯(lián)網(wǎng)環(huán)境下實(shí)際運(yùn)行需求。