史健婷， 孫 駿

(黑龍江科技大學 計算機與信息工程學院， 哈爾濱 150022)

0 引 言

煤礦產(chǎn)業(yè)是我國國民經(jīng)濟支柱產(chǎn)業(yè)之一。據(jù)估計，我國煤礦井下作業(yè)人員人數(shù)超過600萬[1]。這些工人在從事勞動生產(chǎn)過程中，長期處于粉塵、噪聲、局部振動和高溫高濕等環(huán)境中[2]。長期結(jié)果會導致塵源性肺氣腫，使肺血管阻力增加，產(chǎn)生肺動脈高壓，進而引起心肌收縮抑制與心室復極延緩、復極化不均，從而導致心律失常的發(fā)生[3]。目前，國內(nèi)外很重視對煤礦工人心律失常方面的研究，在心律失常的檢測診斷中，心電圖起著重要的作用。心電圖反映了心臟興奮的產(chǎn)生、傳導和恢復過程中的生物電變化，可以檢測并比較煤礦工人在不同生產(chǎn)環(huán)境下的各種心率指標[4]。在心電圖的分析中，T波代表心室復極，T波顯著抬高、T波倒置是診斷煤礦工人有無心肌缺血、心肌梗死、電解質(zhì)紊亂的重要指標。因此，T波識別是檢測心律失常的一種有效手段，然而T波噪聲較大，形態(tài)多樣，往往識別的效果不理想。筆者基于長短時記憶網(wǎng)絡(Long short-term memory，LSTM)和卷積神經(jīng)網(wǎng)絡(Convolutional neural networks，CNN)結(jié)合的模型，提出一種經(jīng)過鯨魚優(yōu)化算法(Whale optimization algorithm，WOA)優(yōu)化的T波識別方法，以提升T波識別的準確率。

1 數(shù)據(jù)預處理

采用卡爾曼濾波對心電信號進行數(shù)據(jù)預處理去噪?？柭鼮V波采用狀態(tài)空間方法描述系統(tǒng)，算法采用遞推形式，數(shù)據(jù)存儲量少，不僅可以處理平穩(wěn)隨機過程，也可以處理多維和非平穩(wěn)隨機過程[5]?？柭鼮V波器遞推迭代過程分為預測和更新兩步遞推算法主要有三步。

步驟1計算預測部分

(1)

(2)

式中：A——狀態(tài)轉(zhuǎn)移矩陣；

B——控制矩陣；

L——采樣點的長度；

P——狀態(tài)估計值的方差；

Q——系統(tǒng)噪聲方差矩陣。

步驟2計算更新部分。根據(jù)式(2)可得卡爾曼增益為

(3)

式中：C——系數(shù)矩陣；

R——觀測噪聲方差矩陣。

由式(1)可化簡得估計值為

式中,y——觀測值。

步驟3更新真實值與估計值的協(xié)方差矩陣：

式中,I——兩行兩列的單位陣。

經(jīng)過卡爾曼濾波器預處理后的心電信號如圖1所示。

圖1 初始信號與濾波信號

2 心電圖T波段選取

T波位于 S-T 段之后，正常T波方向與R波的方向一致，呈現(xiàn)鈍圓型，如圖2所示。

圖2 正常心電圖示意

心電圖中的R波由于波峰明顯，識別方便，設定好時間窗口的長度和取樣時間，搜尋出極大值點，該點極為QRS波群波峰的位置。圖3為一段經(jīng)過卡爾曼濾波預處理之后的R波峰值心電圖，峰值用星型符號標出。

圖3 R波波峰檢測

以測到的R波為基準點，在R波之后定義一個包含有T波的長度和位置的滑動窗口，將得到的候選段截取出來，其中，每個T波候選段截取分兩步。

步驟1根據(jù) RR 間期估算出T波起點[6]

式中：T——T波起點；

tRR——心電圖上兩個R波之間的間隔時間。

步驟2根據(jù) RR 間期估計T波的長度TL，已知T波通常滯后R波50 ms左右，估算T波的長度為

3 算法設計

3.1 LSTM-CNN組合的神經(jīng)網(wǎng)絡模型

CNN是一種前饋神經(jīng)網(wǎng)絡，由卷積層、池化層和全連接層組成，可以提取局部特征，保持權(quán)值共享，降低過擬合，但卷積核的大小尺寸決定了難以學習到序列數(shù)據(jù)的前后時間邏輯，而LSTM通過引入記憶單元和門機制能夠彌補這一缺陷。因此，文中提出LSTM和CNN組合的深度學習模型來完成心電圖的自動分類[7]。LSTM-CNN模型如圖4所示。

圖4 LSTM-CNN網(wǎng)絡模型

3.2 鯨魚優(yōu)化算法

鯨魚優(yōu)化算法是[8]一種新型的智能優(yōu)化算法。該算法是一種模擬座頭鯨捕食行為的仿生智能優(yōu)化算法,算法流程如圖5所示。

圖5 鯨魚優(yōu)化算法流程

(1)WOA算法首先隨機初始化一組解，在每次迭代中，搜索代理根據(jù)隨機選擇的搜索代理或到目前為止獲得的最優(yōu)解更新它們的位置，則

(4)

X(t+1)=X*(t)-A·D,

(5)

式中：D——搜索代理到目標食物的距離向量；

t——當前迭代次數(shù)；

C、A——系數(shù)向量；

X*——局部最優(yōu)解；

X——位置向量。

(2)將參數(shù)a由2隨迭代次數(shù)降為0，則有

C=2·r,

A=2a·r-a,

式中,r——0至1之間的隨機數(shù)。

(3)當|A|≥1時，根據(jù)式(6)、(7)選擇隨機搜索代理；當|A|<1時，根據(jù)式(6)選擇最優(yōu)解更新搜索代理位置。

D=|C·Xr-X(t)|,

(6)

X(t+1)=Xr-A·D,

(7)

式中,Xr——隨機獲得的位置向量。

(4)螺旋更新位置。鯨魚首先計算出自身位置到獵物位置之間的距離，接著在鯨魚與獵物之間創(chuàng)建一個螺旋等式，來模擬鯨魚螺旋狀移動的行為。

D′=|X*(t)-X(t)|,

(8)

X(t+1)=D′·ebl·cos 2πl(wèi)+X*(t)，

(9)

式中:D′——最佳距離向量；

b——常量；

l——-1到1之間的隨機數(shù)。

鯨魚在捕食的過程中有收縮包圍和螺旋更新兩種機制，因此，用這兩種方法進行數(shù)學建模。假定鯨魚用式(5)或式(9)更新自身位置的概率各為50%，更新位置為

式中,p——[0，1]之間的隨機數(shù)。

3.3 WOA優(yōu)化LSTM-CNN神經(jīng)網(wǎng)絡模型

WOA算法優(yōu)化的過程，是優(yōu)化網(wǎng)絡中的各個參數(shù)，使得網(wǎng)絡的訓練誤差最小的過程[9-11]。適應度可以評價個體的性能，建立個體適應度與網(wǎng)絡驗證誤差的關(guān)系，選擇網(wǎng)絡參數(shù)保證網(wǎng)絡參數(shù)全局最優(yōu)。適應度公式的評價能力直接決定整個優(yōu)化的效果。算法訓練流程分為三步。

步驟1在優(yōu)化過程中，計算適應度值。適應度函數(shù)的設計，通過鯨魚優(yōu)化算法優(yōu)化LSTM-CNN神經(jīng)網(wǎng)絡的參數(shù)，優(yōu)化函數(shù)為

f(·)=fCNN(α,β1,β2,β3,β4,N,K1,K2,K3)。

(10)

這九個參數(shù)分別表示LSTM-CNN的學習率，LSTM-CNN的4個偏移變量，特征金字塔網(wǎng)絡(FPN)的分層數(shù)量，多個層次的加權(quán)系數(shù)K1～K3。

步驟2優(yōu)化算法的優(yōu)化變量。假設優(yōu)化算法的個數(shù)是n，則遺傳優(yōu)化變量是n×9的一個二維矩陣，則每個優(yōu)化變量，均有n個遺傳優(yōu)化變量來進行迭代優(yōu)化。

假設遺傳優(yōu)化變量為Xn×9，即：

α=Xn×1[1],β1=Xn×1[2],β2=Xn×1[3],

β3=Xn×1[4],β4=Xn×1[5],

N=Xn×1[6],K1=Xn×1[7],

K2=Xn×1[8],K3=Xn×1[9]。

步驟3通過上述的過程之后，可以根據(jù)式(10)計算出每個變量對應的適應度值fitness。對于LSTM-CNN的最優(yōu)參數(shù)，假設為：αo、βo1、βo2、βo3、βo4、No、Ko1、Ko2、Ko3。此時這組參數(shù)下對應的LSTM-CNN，其訓練誤差將達到最優(yōu)。此時通過優(yōu)化后，得到一個由N層構(gòu)成的LSTM-CNN神經(jīng)網(wǎng)絡，假設為：LSTM-CNN1,LSTM-CNN2,…,LSTM-CNNN。

通過這N個LSTM-CNN，對信號進行多尺度的訓練。

假設訓練后得到的神經(jīng)網(wǎng)絡權(quán)值分別為{wij}1,{wij}2,…,{wij}N。

設置N最大值為4，得到的最終的LSTM-CNN神經(jīng)網(wǎng)絡的權(quán)值w，可以表示為

wij=K1×{wij}1+K2×{wij}2+...+

(1-K1-K2-...)×{wij}N。

圖6是T波識別構(gòu)建的神經(jīng)網(wǎng)絡模型。將心電信號進行特征提取出T波候選段，輸入到LSTM，由LSTM層提取時序特征，將輸入生成一個新的序列數(shù)據(jù)，LSTM層的輸出緊接著輸入到可以提取局部特征卷積層中。在卷積層中加入了特征金字塔網(wǎng)絡(FPN)。FPN算法可以將具有不同尺寸，不同特征的目標區(qū)分開來。實驗分3層，輸出目標的復雜度隨著層數(shù)的增加而增加。在卷積層1-1與卷積層1-2中都分布著一個3×3的卷積核和3×3的空洞卷積核。下采樣層對卷積層輸出的特征向量進行池化，將原輸入的特征壓縮為原來的一半，最后由輸出層計算結(jié)果。整個LSTM-CNN網(wǎng)絡搭建完成后，置入WOA中進行優(yōu)化，獲得最優(yōu)網(wǎng)絡層參數(shù)。

圖6 T波識別神經(jīng)網(wǎng)絡結(jié)構(gòu)

4 實驗與結(jié)果分析

實驗采用464名某煤礦公司井下一線作業(yè)工人采集的心電數(shù)據(jù)作為樣本集，平均年齡23～55歲，均為井下一線煤礦工人，工作時間為1～15 a，均為成年男性，所有信號都以125 Hz的頻率采樣，通過礦用智能手表發(fā)送到調(diào)度室監(jiān)測平臺上，最終數(shù)據(jù)集中劃分為訓練集樣本18 000個，測試集樣本7 700個。

實驗運行環(huán)境 Win10 64 位操作系統(tǒng)，CPU 為英特爾i7-8750H，主頻率2.20 GHz，采用 MatlabR2019a進行實驗，內(nèi)存大小為16 GB，顯卡為GTX 1060，程序所使用算法軟件包為 DeepLearnToolbox-master。

在心電圖分類的問題中，通常以準確率(PA)、特異性(Sp)和敏感性(Se)為指標來評價模型的性能。文中運用了混淆矩陣的四個評價指標，即算真陽性(nTP)、假陽性(nFP)、假陰性(nFN)、真陰性(nTN)這四個參數(shù)來表示準確率、特異性和敏感性。

準確率為預測正確的樣本占整個樣本的比例為

特異性是指預測為陰性的樣本數(shù)占實際陰性樣本數(shù)的比例為

靈敏度指預測為陽性的樣本數(shù)占實際陽性樣本數(shù)的比例為

實驗中的WOA優(yōu)化算法的最大迭代次數(shù)為50，初始化種群規(guī)模為100，搜索空間維數(shù)為9，學習率優(yōu)化范圍是[0.001,0.2]，圖7為損失函數(shù)變化曲線。

圖7 WOA優(yōu)化過程

由圖7可知，訓練情況收斂，得出的適應度值組成的向量。根據(jù)實驗結(jié)果后發(fā)現(xiàn)，當?shù)螖?shù)過小則會導致整個模型無法充分學習心電信號特征，使模型總體識別效率降低。若將迭代次數(shù)設定的太小則會過擬合，同時也會使得仿真時間延長。經(jīng)過反復驗證，當將最大迭代次數(shù)設置為200時，能夠很好地對信號特征進行學習，使目標函數(shù)收斂。在僅CPU的訓練條件下，訓練過程所需時間為40.8 h。

為了驗證LSTM-CNN網(wǎng)絡模型的訓練效果，文中將7 700個測試集劃分為正常T波、T高尖和T波倒置三部分，分別進行分類。分類結(jié)果如表1所示。

表1 分類結(jié)果

識別算法識別出的T波高尖和T波倒置如圖8和9所示。

圖8 T 波高尖

圖9 T 波倒置

圖10的ROC曲線展示了文中的算法與傳統(tǒng)機器學習算法SVM性能比較，從圖10中可以看出,經(jīng)過WOA優(yōu)化的LSTM-CNN算法準確率顯著高于SVN。AUC值高達0.993，證明方法的識別能力強，用于有效檢測心律失常的價值最佳。

表2為已有算法得到的結(jié)果。從表2可知，基于傳統(tǒng)機器學習方法識別心電信號的準確率較低，而且對T波異常的識別能力比較差，容易發(fā)生誤診、漏診。

圖10 ROC曲線比較

表2 所提方法性能指標與其他方法對比

研究表明，常用的特征提取函數(shù)的擬合能力有限，未能完全捕捉到心電圖中的隱藏特征。通過對比可以得出，通過WOA優(yōu)化LSTM-CNN神經(jīng)網(wǎng)絡的參數(shù)，將誤差最小化，利用 LSTM 提取心電圖的時序特性，F(xiàn)PN改進CNN網(wǎng)絡的特征提取方式，可以使最終輸出的特征更好地表示出輸入信號的信息，模型輸出結(jié)果可以達到較高的準確率。

5 結(jié) 論

(1)分析了心電圖中T波的特點，運用時間搜索窗口提取了T波段位置，提出了基于LSTM-CNN的神經(jīng)網(wǎng)絡模型識別T波，通過WOA優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡參數(shù)，訓練并計算獲得每個個體對應的適應度值作為神經(jīng)網(wǎng)絡的參數(shù)，此方法可以有效改進陷入局部最優(yōu)。

(2)在訓練與測試階段選取了2萬多個樣本，測試的結(jié)果準確率為99.35%，特異性為99.70%，靈敏度為99.40%，對于準確有效的檢測出煤礦工人的心律失常具有較好的作用。因此，對煤礦工人進行心電圖檢查，減少職業(yè)病的發(fā)生具有十分重要的指導意義。