曹劍劍，蔡文杰

（上海理工大學(xué) 健康科學(xué)與工程學(xué)院，上海 200093）

0 引 言

心電圖（Electrocardiogram，ECG）是記錄心臟活動產(chǎn)生電信號變化得到的曲線，常用于輔助臨床醫(yī)生對患者的心臟健康狀況進(jìn)行評估，如心血管疾病診斷、心律失常識別、睡眠呼吸暫停檢測。然而ECG是一種低幅值的微弱信號，無論是在產(chǎn)生或傳輸過程中都極易受到各種噪聲的污染，包括基線漂移、工頻干擾、肌電干擾和高斯白噪聲等，心電信號質(zhì)量降低直接影響了診斷的準(zhǔn)確性。另一方面，隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，基于可穿戴設(shè)備的生理信號監(jiān)測方案逐漸成為發(fā)展趨勢，但如何避免保存大量低質(zhì)量的心電信號實現(xiàn)設(shè)備存儲空間的高效利用仍是一個值得關(guān)注的問題。因此，在對心電信號自動分析之前，根據(jù)臨床需要對心電信號進(jìn)行質(zhì)量評估，剔除臨床中不可接受的信號片段是非常有必要的。

傳統(tǒng)心電質(zhì)量評估方法主要基于形態(tài)學(xué)特征或者基于機器學(xué)習(xí)。文獻(xiàn)［4-5］依據(jù)心電主要波形的特征，分別從設(shè)置信號質(zhì)量判斷準(zhǔn)則和多特征組合的方式上在PhysioNet／CinC Chanllenge 2011（PICC 2011）比賽中獲得了91.6%和85.7%的分類準(zhǔn)確度。結(jié)合K近鄰和隨機森林，Kalkstein等人實現(xiàn)了93%的準(zhǔn)確度?？苊鞔豪眯〔ㄗ儞Q的頻率分解特性對心電信號進(jìn)行小波變換，提取了信號在不同頻段下的能量特征，最終實現(xiàn)了95.4%的分類準(zhǔn)確度。王帥等人通過時域、頻域以及非線性域提取的12個特征構(gòu)建特征矩陣，利用支持向量機（SVM）分類器在真實采集的數(shù)據(jù)集上實現(xiàn)了整體92.3%的分類準(zhǔn)確度。朱超等人分別對提取的內(nèi)外層指標(biāo)、時頻域指標(biāo)進(jìn)行融合，采用區(qū)間估計的方法得到判斷信號質(zhì)量的閾值，實現(xiàn)了96.24%的準(zhǔn)確度。Shahriari等人采用模板匹配的方法對測試樣本與聚類得到的標(biāo)準(zhǔn)心電圖像樣本進(jìn)行比對，得到了93.1%的準(zhǔn)確率。另外，基于多個信號質(zhì)量指數(shù)（sSQI、kSQI、bSQI、rSQI和pSQI）作為特征設(shè)計的分類器也具有較好的分類性能。盡管上述研究在比賽或各自的數(shù)據(jù)集上具有不錯的效果，但是大多沒有在其他數(shù)據(jù)集上進(jìn)行測試，因此算法的泛化性仍未得到充分驗證。而且，無論是基于規(guī)則形態(tài)學(xué)或機器學(xué)習(xí)的方法，都無法避免手動提取特征的復(fù)雜性。

近年來，卷積神經(jīng)網(wǎng)絡(luò)逐漸應(yīng)用于心電信號的各類領(lǐng)域，并且取得了很好的成果。相比于傳統(tǒng)形態(tài)學(xué)或機器學(xué)習(xí)的方法，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)克服了手動提取特征的缺陷，模型通過訓(xùn)練可自動學(xué)習(xí)到有效的特征，并且取得了更好的效果。同樣，已有部分研究將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于心電信號質(zhì)量評估且實現(xiàn)了較高的準(zhǔn)確率。張海斌等人利用3層卷積神經(jīng)網(wǎng)絡(luò)，重新手動標(biāo)注PICC 2011數(shù)據(jù)集后訓(xùn)練模型，其準(zhǔn)確率為0.944，敏感性為0.964，特異性為0.924；利用類似的方法，Zhou等人在PICC 2011上達(dá)到的準(zhǔn)確率為0.943，敏感性為0.913，特異性為0.955。Alvaro等人利用連續(xù)小波變換（CWT）將心電記錄轉(zhuǎn)化為圖像，然后基于Alexnet網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，在PhysioNet／CinC Chanllenge2017（PCDB）數(shù)據(jù)集上得到的準(zhǔn)確率為0.912，特異性為0.903?？梢钥吹?，這些文獻(xiàn)數(shù)據(jù)集來源單一，測試用的數(shù)據(jù)多是基于單個數(shù)據(jù)庫，數(shù)據(jù)源單一的一個困擾就是心拍類型并不豐富，應(yīng)該包含足夠多種類的心律，算法的泛化性仍沒有得到充分的驗證。針對這些問題，本研究基于一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN），提出了心電信號質(zhì)量的二分類方法，并在多個不同數(shù)據(jù)集上對算法進(jìn)行有效性驗證。

1 數(shù)據(jù)集與模型

1.1 數(shù)據(jù)集

結(jié)合目前心電信號質(zhì)量評估研究現(xiàn)狀，本文選取以下幾個數(shù)據(jù)集分析：PCDB、MIT-BIH心律不齊數(shù)據(jù)庫（MITDB）和噪聲壓力測試數(shù)據(jù)庫（NSTDB）。PCDB包含8 528個單導(dǎo)聯(lián)心電記錄，采樣頻率為300 Hz，每條記錄平均持續(xù)時間為25 s。依據(jù)注釋將記錄分為4類：正常竇性節(jié)律、房顫、其他節(jié)律、嘈雜。前三類常作為可接受信號，第四類作為不可接受信號。MITDB包括48個持續(xù)半小時的雙導(dǎo)聯(lián)心電記錄，涵蓋不同類型的心律失常，采樣頻率為360 Hz，是一個被廣泛認(rèn)可的心電數(shù)據(jù)集。NSTDB包含心電信號中常見的3種噪聲：基線漂移（bw）、工頻干擾（em）和肌電干擾（ma），每條噪聲記錄含有2個導(dǎo)聯(lián)，采樣率為360 Hz，該數(shù)據(jù)集被廣泛用作噪聲源合成含噪聲心電信號。另外，為增加測試集的多樣性，選取了與上海依云醫(yī)療科技有限公司合作開發(fā)的手握式心電采集儀采集的部分?jǐn)?shù)據(jù)（USSTDB）用于實驗（見圖1），其中采集對象來自18～23歲的在校本科生，遵循自愿參與原則且已簽約知悉書，采樣率為250 Hz。

圖1 手握式心電采集設(shè)備Fig.1 Hand held ECG acquisition equipment

1.2 一維卷積神經(jīng)網(wǎng)絡(luò)模型

本文使用包含4層卷積層的1D-CNN對心電信號片段實現(xiàn)質(zhì)量分類，模型結(jié)構(gòu)如圖2所示。

圖2 模型結(jié)構(gòu)Fig.2 The structure of the model

輸入層用于接收模型的輸入并輸送到第一個卷積層。為減少計算代價便于模型的快速收斂，首先需要對輸入心電信號樣本統(tǒng)一化，包括樣本長度、采樣率和幅值范圍。本次實驗優(yōu)選目前最常用的一種方法，設(shè)定模型的數(shù)據(jù)輸入長度為10 s。由于實驗數(shù)據(jù)來源于多個數(shù)據(jù)庫，不同數(shù)據(jù)庫的心電數(shù)據(jù)存在采樣率以及單位量綱差異，故對心電樣本進(jìn)行重采樣至360 Hz并實施Z-score標(biāo)準(zhǔn)化處理。

接下來，輸入數(shù)據(jù)依次不同的卷積層進(jìn)行卷積運算。更準(zhǔn)確地說，每個卷積層通過濾波器與輸入數(shù)據(jù)進(jìn)行卷積得到信號的不同特征。而池化層作用在于聚合不同位置的輸入特征，減少每個卷積層提取的冗余特征數(shù)量，避免過擬合，提高模型學(xué)習(xí)效率。常見的池化操作包括平均池化（）或最大池化（）。最后，數(shù)據(jù)特征經(jīng)過實現(xiàn)心電質(zhì)量二分類：1表示不可接受，0表示可接受。

2 實驗

2.1 建立數(shù)據(jù)集

根據(jù)賈紅紅建議，本文選取MITDB、NSTDB兩個數(shù)據(jù)集構(gòu)建訓(xùn)練集。首先定義MITDB原始數(shù)據(jù)為臨床可接受信號y，為適應(yīng)神經(jīng)網(wǎng)絡(luò)輸入層，選取II導(dǎo)聯(lián)，對數(shù)據(jù)進(jìn)行10 s一段劃分。為獲得臨床不可接受心電信號數(shù)據(jù)，在處理每一段可接受信號時，分別隨機截取長度為10 s的噪聲信號、和，并根據(jù)公式（1）合成目標(biāo)心電信號片段y：

其中，下標(biāo)的數(shù)字分別代表信號對應(yīng)的信噪比水平。這里，為生成指定信噪比的混合噪聲心電信號，應(yīng)首先調(diào)整噪聲信號的能量。根據(jù)信噪比計算公式（2），當(dāng)合成指定db混合心電信號時，相應(yīng)的噪聲能量大小應(yīng)該調(diào)整為原來的倍，見式（3）：

其中，（）為干凈心電信號，（）表示噪聲。對于給定輸入信噪比，系數(shù)計算公式具體如下：

在此基礎(chǔ)上，使用了一種自動算法來評估MITDB數(shù)據(jù)集的標(biāo)簽真實性，當(dāng)3種模型評估得到的標(biāo)簽與數(shù)據(jù)真實標(biāo)簽一致時，則默認(rèn)該標(biāo)簽為真。接著，一位臨床醫(yī)生對標(biāo)簽做隨機抽樣檢查，當(dāng)發(fā)生不一致時，剔除該段心電數(shù)據(jù)；若一致，則保留。最后得到本次實驗訓(xùn)練集。圖3是構(gòu)建訓(xùn)練集的一個示例，從上往下分別代表可接收信號與不可接受信號。

圖3 MITDB訓(xùn)練集示例Fig.3 Example of MITDB training set

為驗證模型是否具有泛化性，模型將在公開測試集一（MITDB）、公開測試集二（PCDB）和私有測試集（USSTDB）分別進(jìn)行實驗：

（1）為驗證模型泛化性，按照記錄名稱從MITDB隨機挑選6個記錄構(gòu)建測試集，構(gòu)建方法與訓(xùn)練集一致。

（2）選取PCDB的第四類嘈雜信號作為不可接受樣本，從另外3個類型數(shù)據(jù)庫中隨機挑選同等數(shù)量的心電信號作為可接受樣本。

（3）從USSTDB中人工挑選出部分心電數(shù)據(jù)（可接受：不可接受＝1：1）作為測試集，該部分心電質(zhì)量標(biāo)簽全部由臨床專家人工標(biāo)注完成。得到數(shù)據(jù)集分布情況如圖4所示。

圖4 實驗數(shù)據(jù)分布圖Fig.4 Experimental data distribution

2.2 實驗配置與評估指標(biāo)

模型采用Adam優(yōu)化器，二元交叉熵作為損失函數(shù)，為256，設(shè)置為80。為防止過擬合，在全連接層使用系數(shù)為0.5的Dropout，模型為Tensorflow框架，硬件環(huán)境為NVIDIA GeForce GTX 1060 6 GB。

本次實驗中，采用準(zhǔn)確率（）、靈敏性（）和特異性（）作為模型表現(xiàn)的評價指標(biāo)。研究推得數(shù)學(xué)定義公式如下：

其中，、、和分別表示將不可接受預(yù)測為不可接受樣本數(shù)、將可接受預(yù)測為可接受樣本數(shù)、將不可接受預(yù)測為可接受的樣本數(shù)和將可接受預(yù)測為不可接受的樣本數(shù)。

2.3 結(jié)果與分析

使用訓(xùn)練好的模型對3個測試集數(shù)據(jù)分別進(jìn)行分類，結(jié)果見表1。其中，在MITDB測試集上表現(xiàn)最好，其準(zhǔn)確率、靈敏性和特異性值分別為98.3%、99.0%和97.5%。盡管MITDB測試集是根據(jù)心電記錄名稱隨機抽取得到，但從數(shù)據(jù)結(jié)構(gòu)上該測試集與訓(xùn)練集仍有很多相似之處，因此平均指標(biāo)只比MITDB低了1.63個百分點的PCDB測試集結(jié)果能夠反映出算法較強的泛化能力，其準(zhǔn)確率、靈敏性和特異性分別為96.6%、97.5%、和95.8%。算法表現(xiàn)最差的測試集是USSTDB，可以看到模型的特異性值比較低，僅為90.8%，USSTDB測試集的混淆矩陣如圖5所示。從圖5中可知，模型錯誤識別為不可接受心電信號樣本數(shù)為12，這可能是USSTDB中的可接受樣本數(shù)據(jù)普遍要比訓(xùn)練集信噪比低不少，因此下一步在制作數(shù)據(jù)集時將考慮添加更多不同程度的噪聲，豐富數(shù)據(jù)集。

圖5 USSTDB測試集：混淆矩陣Fig.5 USSTDB：Confusion matrix

表1 模型在3個測試集上的分類結(jié)果Tab.1 Classification results on three test datasets %

最后，研究選取3個測試集的平均值作為模型的最終結(jié)果，并對比了一些具有代表性的心電信號質(zhì)量評估算法，見表2。Xia等人針對不可接受信號的常見特征如導(dǎo)聯(lián)脫落、信號交叉和不規(guī)則節(jié)拍等，提出正則矩陣的方法根據(jù)信號的多項特征實現(xiàn)質(zhì)量分類，但該方法對質(zhì)量可接受的識別率較低（80.9%）。張海濱等人重新標(biāo)注了PICC2011 set-a數(shù)據(jù)集，研究利用一個現(xiàn)成的3層卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了準(zhǔn)確率為94.4%、靈敏性為96.4%和特異性為92.4%的較好效果。本文方法在多個指標(biāo)上基本上優(yōu)于上述2種方法，而且本文采取了多個數(shù)據(jù)集，保持泛化能力的同時也具有較高的精度。類似地，Clifford等人通過量化不同通道下的譜能量分布、高階矩等84個特征，并將其提交給支持向量機（SVM），在PICC 2011上訓(xùn)練得到的準(zhǔn)確率為96.5%、靈敏性為95.8%和特異性為97.2%。可以看到，盡管特異性比Clifford等人的研究要低2.5%，但是整體上本文研發(fā)的算法仍具有優(yōu)勢。

表2 與其他文獻(xiàn)對比Tab.2 Comparison with other literatures

3 結(jié)束語

本文提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)的心電信號質(zhì)量評估二分類方法。采用MITDB和NSTDB構(gòu)建訓(xùn)練集，將數(shù)據(jù)輸入到4層卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，采用2個公開數(shù)據(jù)集與1個私有測試集進(jìn)行實驗，實驗結(jié)果充分驗證了算法的有效性，算法的平均準(zhǔn)確率為96.5%、平均靈敏性為98.1%和平均特異性為94.7%，該算法對于心電信號的預(yù)處理具有一定的參考意義。但仍存在一些問題，這也是下一階段需要優(yōu)化的方向：

（1）存在訓(xùn)練集單一問題，考慮擴充私有數(shù)據(jù)集樣本量、跨數(shù)據(jù)集訓(xùn)練。

（2）存在訓(xùn)練集2類信號噪聲程度不夠連貫的問題，考慮加入更多不同程度的噪聲，豐富數(shù)據(jù)集。