吳 燃,唐清垚,姜小明,李欣蔚,李章勇

(1.重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065；2.生物醫(yī)學(xué)工程研究中心，重慶 400065)

0 引 言

心電圖(electrocardiogram,ECG)是一種可視化時間序列的技術(shù)，它使用心電圖儀記錄心臟每一心動周期的活動，其形態(tài)特征可反映潛在的心律不齊癥狀，是醫(yī)生判斷異常心律的重要依據(jù)[1]。對于心律失常的早期診斷，需要采用多種方法進行早期監(jiān)測和控制[2]。然而，部分心律失常的病因相當(dāng)復(fù)雜，可能會突然發(fā)生并導(dǎo)致死亡。因此，高效實時監(jiān)測心律失常具有重要意義，這些工作可以通過一個自動診斷系統(tǒng)減少醫(yī)生的工作量[3]。

為了減少心電圖醫(yī)生的工作量，并減小人工的容錯率，對心電成分的有效分類則顯得尤為重要。在采集過程中，心電信號容易受到噪聲、基線漂移、運動偽影等各種不利因素的干擾，患者之間的個體差異性較大，同一患者在不同時間的測試結(jié)果也會受當(dāng)時身體狀況的影響，即使有經(jīng)驗的專家也很難完全準確判斷疾病類型。因此，對心電波形的檢測與特征提取是解決判斷疾病類型的關(guān)鍵步驟[4]，隨著人工智能技術(shù)的發(fā)展，很多模式識別的方法已被用于ECG信號的分類識別，比如功率譜估計、小波分析、聚類等智能識別算法[5-10]，而傳統(tǒng)的機器學(xué)習(xí)方法，常采用 K近鄰算法(K-nearest neighbors KNN、決策樹和支持向量機(support vector machine，SVM)等算法廣泛應(yīng)用于心律失常的分類。

雖然已經(jīng)有很多分類方法被提出來提高特征的質(zhì)量，但這些算法仍然存在一些缺陷。一方面，分類的效果與所選擇的特征高度相關(guān)，特征的選擇容易受到主觀因素的影響；另一方面，這些方法常常會遇到過擬合的問題。相比之下，深度學(xué)習(xí)架構(gòu)比傳統(tǒng)方法更有優(yōu)勢。在近年來的深度學(xué)習(xí)網(wǎng)絡(luò)中，引入了許多新的具有固有特征的神經(jīng)網(wǎng)絡(luò)。例如循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)[11]克服了此前處理心電信號時只能單獨一個個輸入的限制，使心電這樣的序列數(shù)據(jù)可以得到更好的完整性處理，并且心拍前后之間相互關(guān)聯(lián)。長短時記憶網(wǎng)絡(luò)(long short-term memory,LSTM)[12]通過引入門機制和記憶單元，彌補了傳統(tǒng)RNN梯度消失的缺陷，在提取心電這樣的序列時比RNN更好，但是不能并行運算，且對不嚴格按時間一環(huán)扣一環(huán)的序列數(shù)據(jù)欠佳，對于針對實際場景中心電成分的分類需要分割而言效果不好，而卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)[13]在分類的特征提取階段，將主成成分和多項式逼近相結(jié)合，對特征提取階段更加細致，且去除大量多余參數(shù)，整體提高了學(xué)習(xí)分類的性能，更易于實際場景的部署。但是它對于每個卷積層，內(nèi)核大小都是固定的，因此，受到了心電成分中形態(tài)特征復(fù)雜性的影響。文獻 [14]提出了一種新的多核尺度調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)來進行檢測人群計數(shù)，能夠在單列結(jié)構(gòu)中增加生成與尺度相關(guān)的特征，因此，使人群計數(shù)性能得到提升。本文據(jù)此提出多核尺度的卷積神經(jīng)網(wǎng)絡(luò)算法用于心電成分多分類實時診斷。針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)做出改進，采用多核尺度輸入，每個卷積層使用不同大小的內(nèi)核，更容易增加在某一維度的特征效果，且增加傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)為4個卷積層，在對心電成分的分類中表現(xiàn)更佳。

首先，將ECG信號進行小波去噪，濾除基線漂移、肌電噪聲等干擾信號后進行心拍分割；然后，針對不均衡樣本進行合成少數(shù)類過采樣技術(shù)(synthetic minority oversampling technique,SMOTE)數(shù)據(jù)擴增；最后，通過增強小樣本數(shù)據(jù)集，設(shè)計并實現(xiàn)了心電成分中心拍的分類模型，采用美國醫(yī)療儀器促進協(xié)會(association for the advancement of medical instrumentation， AAMI)心拍分類標(biāo)準[15]，使用MIT-BIH心律失常數(shù)據(jù)庫中的44條數(shù)據(jù)，完成了心律失常五分類識別實驗，對比驗證了增加SMOTE數(shù)據(jù)擴增，多核尺度模型和有無濾波心電分類的有效性，并給出了詳細的實驗結(jié)果分析。

1 識別方法設(shè)計

1.1 特征選擇和提取

MIT-BIH數(shù)據(jù)庫是麻省理工和貝絲以色列醫(yī)院合作提供的研究心律失常的數(shù)據(jù)庫，是國際上公認的3大標(biāo)準心電數(shù)據(jù)庫之一，且免費開源，共有48條雙導(dǎo)聯(lián)心電數(shù)據(jù)，記錄長度為30 min，采樣率為360 Hz。本文去掉了其中的102，104，107，217這4條未包含所分類樣本的數(shù)據(jù)。按照AAMI制定的心電5大類：非異位心跳(N)、室上性異位心跳(Sveb)、室性異位心跳(Veb)、融合心跳(F)、未知心跳(Q)進行分類，如圖1所示。

圖1 AAMI心電分類標(biāo)準Fig.1 AAMI ecg classification criteria

在識別分類之前，還需要將連續(xù)的心電信號分割為單個的心拍，本文采用的是由MIT-BIH官方給定的R峰定位標(biāo)簽，由R峰為基準點，取峰值前0.4 s和后0.5 s作為一個完整心拍，整個過程如圖2所示。

圖2 心拍分割示意圖Fig.2 Diagram of heart beat segmentation

1.2 樣本擴增

將心電信號分割之后形成了大量的樣本數(shù)量，這樣有利于深度學(xué)習(xí)的有效分類，但依然存在樣本類別不均衡的問題。樣本類別不均衡將導(dǎo)致原本樣本數(shù)量少的分類所包含的特征過少，從而很難提取到特征規(guī)律；即使得到分類模型，也很容易產(chǎn)生過擬合問題，當(dāng)模型應(yīng)用到新的樣本數(shù)據(jù)上時，模型的準確性會很不理想。本文通過SMOTE算法擴增方式使用過采樣心電小樣本擴充小類，產(chǎn)生新數(shù)據(jù)，用以均衡數(shù)據(jù)偏少的樣本。SMOTE算法是由Chawla等[16]提出的，目前使用十分廣泛。SMOTE算法思想是用KNN方法合成新樣本，合成策略是對每個少數(shù)類樣本x，從它的最近鄰中隨機選一個樣本xn，然后在x和xn之間的連線上隨機選一個點作為新合成的少數(shù)類樣本，算法流程如下。

步驟1對于少數(shù)類中的每個樣本x，定義特征空間，將每個樣本映射到特征空間中的某個點，按歐氏距離找到k個最近鄰樣本。

步驟2根據(jù)樣品不平衡率確定采樣倍率N，對于每個少數(shù)樣本x，假設(shè)所選擇的近鄰為xn，從其k個近鄰中隨機選擇幾個樣本。

步驟3對于每一個隨機選出的近鄰xn，根據(jù)(1)式用原始樣本構(gòu)建一個新的樣本，表示為

xnew=x+rand(0,1)×(xn-x)

(1)

步驟4重復(fù)選擇取樣，直到大小樣本數(shù)量達到平衡為止。更新采樣過程如圖3所示。

圖3 更新最近鄰擴增樣本Fig.3 Update the nearest neighbor amplified sample

這樣，綜合創(chuàng)建了平衡集，在每個類的訓(xùn)練數(shù)據(jù)集中包含相同數(shù)量的實例。擴增樣本分布比例數(shù)量如表1所示。

表1 不同比例擴增統(tǒng)計表

1.3 多核尺度卷積神經(jīng)網(wǎng)絡(luò)分類

卷積神經(jīng)網(wǎng)絡(luò)CNN是目前使用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，在圖像分析和處理領(lǐng)域取得了許多突破。CNN相對于傳統(tǒng)圖像處理算法的優(yōu)勢之一是避免了預(yù)處理過程，且參數(shù)量規(guī)模大大減小，學(xué)習(xí)效果提高，它對原始圖像進行直接處理，已經(jīng)大量運用于各類圖像相關(guān)的應(yīng)用中。CNN是一個由輸入輸出層和多個隱含層組成的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中，卷積核參數(shù)共享隱含層層間連接的稀疏性，使得卷積神經(jīng)網(wǎng)絡(luò)對網(wǎng)格特征的計算權(quán)更小，對數(shù)據(jù)的特征提取具有穩(wěn)定作用。由于心電信號的維數(shù)不同，心電信號不同于其他圖像處理，它是一維信號，因此，需要使用一維CNN處理。

在傳統(tǒng)CNN架構(gòu)的一個卷積層中，使用了大小相同的固定內(nèi)核，所有的功能都在相同的尺度上進行訓(xùn)練和卷積。為了增加對不同尺度的感知，提出增加多核尺度的卷積神經(jīng)網(wǎng)絡(luò)，采用不同輸入端的核尺度用來增加特征的多樣性。因此，不同的內(nèi)核大小可以更好地反映出差別，同時增加原始卷積神經(jīng)網(wǎng)絡(luò)為4個卷積層。

改進后的CNN結(jié)構(gòu)如圖4所示。將傳統(tǒng)CNN增加到了11層：4個卷積層、4個池化層和3個全連接層。對輸入數(shù)據(jù)進行調(diào)整，以適應(yīng)我們的模型接口，并通過以下架構(gòu)進行處理。第1，3，5和7層是卷積層，在每個卷積層中調(diào)整3個不同大小的內(nèi)核，以適應(yīng)不同的尺度。第1層卷積層，使用了3種不同大小的內(nèi)核(21，29和37)，每個大小的內(nèi)核數(shù)是4；第2層卷積層的核大小分別為23，31，39，這一層包含16個內(nèi)核；第3層卷積層的核大小分別為25，33，41，這一層包含32個內(nèi)核；第4層卷積層的核大小分別為27，35，43，這一層包含64個內(nèi)核。4個卷積層的步幅都設(shè)置為1。在每個卷積層之后，對得到的特征圖應(yīng)用大小為2的最大池化。池化層還提供3種大小的輸出，第9層的輸出被合并輸入到第10層，然后連接3個完全連接層，3個完全連接層的神經(jīng)元數(shù)量分別是256，32和5。對于4個卷積層和前2個全連接層，將經(jīng)過整流的線性單元(rectified linear unit,RELU)作為激活函數(shù)。以Softmax函數(shù)作為最后一層的激活函數(shù)輸出，對應(yīng)于類別N，Sveb，Veb，F(xiàn)，Q這5個分類，學(xué)習(xí)率調(diào)整為0.01，整個訓(xùn)練過程迭代100個epoch。

圖4 多核尺度CNN模型圖Fig.4 Multi-core scale CNN model diagram

2 實驗與分析

2.1 實驗平臺與評價指標(biāo)

實驗平臺硬件配置為Intel Xeon Gold 6230 CPU @2.10 GHz，顯卡為4張TITAN RTX，操作系統(tǒng)為Ubuntu 16.04系統(tǒng)，模型基于Python語言的Keras和Tensorflow框架實現(xiàn)。

研究中，選擇總精度(Acc)來評估分類器的性能。然而，不平衡數(shù)據(jù)集很容易影響整體精度。因此，增加敏感性(sensitivity,SEN)、陽性預(yù)測值(+P)以及F1值進行比較，并以混淆矩陣來表示模型的分類結(jié)果的詳細信息，在多分類問題中混淆矩陣的每一行代表真實類別，每一列代表預(yù)測類別。

(2)

(3)

(4)

(5)

(2)—(5)式中：TP表示將正例預(yù)測為正例；FP表示將實際為負例預(yù)測為正例；TN表示將負例預(yù)測為負例；FN表示將實際為正例預(yù)測為負例。采用醫(yī)學(xué)數(shù)據(jù)常用的Sen和+P來做參考。

2.2 結(jié)果分析

為了更好地證明模型的魯棒性，對不同比例采樣百分比進行比較，觀測靈敏度的趨勢圖，如圖5所示。圖5中，取50%比例時的擴增靈敏度為97.99%，取70%比例時的擴增靈敏度為98.97%，取90%比例時的擴增靈敏度為98.55%，選取擴增靈敏度最高的70%比例N類樣本作為SMOTE擴增基礎(chǔ)數(shù)量進行后續(xù)實驗，為了測試模型的有效性以及貼近實際，只針對訓(xùn)練集數(shù)據(jù)進行SMOTE擴增，測試集仍然使用原始數(shù)據(jù)劃分。實驗采用了2，5，10折交叉驗證對比，并用keras自動更新最佳模型文件，最后實驗結(jié)果如表2所示。

圖5 50%～90%比例靈敏度趨勢圖Fig.5 Trend chart of sensitivity of 50%～90% ratios

表2 混淆矩陣實驗結(jié)果

為了進行差細化比較，用A，B，C，D分組做對比實驗，驗證所用方法的有效性。實驗A對無濾波多核尺度卷積神經(jīng)網(wǎng)絡(luò)有無使用SMOTE數(shù)據(jù)擴增方式做對比，在相同環(huán)境下測試，進行SMOTE過采樣樣本后，模型分類準確率得到有效提高；實驗B對進行了SMOTE數(shù)據(jù)擴增的單一核尺度CNN模型和多核尺度CNN模型做對比，算法在準確率、敏感度、陽性預(yù)測值以及F1綜合評價指標(biāo)上均有較明顯提升；實驗C針對更實際的場景對無擴增數(shù)據(jù)通過多核尺度CNN模型進行有無小波去噪對比，實驗表明，有無濾波對最終的分類效果影響不大；實驗D使用k-折交叉驗證方式綜合對比常用的2折交叉驗證、5折交叉驗證、10折交叉驗證，實驗得出5折交叉驗證對該數(shù)據(jù)更佳。因此，結(jié)合SMOTE數(shù)據(jù)擴增方式的多核尺度CNN算法更適合于復(fù)雜的遠程醫(yī)療場景部署。對比數(shù)據(jù)如表3所示。

表3 多維驗證對比實驗Tab.3 Multi-dimensional validation comparative experiment %

為了驗證模型分類效果，將本文的實驗結(jié)果與其他文獻中的方法進行比較，比較結(jié)果如表4所示。文獻[17]通過深度殘差卷積神經(jīng)網(wǎng)絡(luò)的方式做五分類，該方法的準確率為99.03%；文獻[18]通過基于傳統(tǒng)BP網(wǎng)絡(luò)方式分類400條五分類樣本，平均準確率為90%；文獻[19]采用Deep CNN做五分類心律失常檢測，平均準確率為93.40%；文獻[20]通過將LSTM與CNN相結(jié)合的方式構(gòu)建模型做AAMI五分類，平均準確率為99.11%；本文方法的平均準確率為99.50%，靈敏度為98.97%，陽性預(yù)測值為99.44%，F(xiàn)1綜合評價為99.21%，單樣本測試時間為0.176×10-3s。通過對比發(fā)現(xiàn)，本文使用的方法精確度更高，且不需要對信號進行濾波處理，更加簡化遠程醫(yī)療的部署，因此，驗證了所提出方法的優(yōu)越性。

表4 不同方法比較

3 結(jié)束語

本文為了實現(xiàn)心電信號的自動分類，提出了一種多核尺度卷積神經(jīng)網(wǎng)絡(luò)對心電成分自動分類的方法，作為一種有效的特征提取器，將心電信號直接輸入到網(wǎng)絡(luò)中，不需要任何手動選擇的特征提取，就可以更高效地得到隱含的信息。通過改進的多核尺度11層CNN，每個卷積層使用不同大小的核尺度，然后接一個最大池化層，最后將多核尺度的池化層輸出合并，并作為完全連接層的輸入，經(jīng)過softmax進行五分類。

該方法通過無濾波信號處理以及7∶3劃分訓(xùn)練集進行五折交叉驗證，得出了99.50%的高準確率。與基于傳統(tǒng)的CNN實驗相比，結(jié)果驗證了多核尺度和SMOTE算法的過采樣數(shù)據(jù)擴增的有效性，并討論了濾波的影響。結(jié)果表明，該方法對噪聲不敏感，更易于將數(shù)據(jù)傳輸?shù)皆?，通過預(yù)訓(xùn)練的模型處理，在幾秒之內(nèi)得到結(jié)果。在未來的工作中，我們計劃研究不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)的效果，并且收集和注釋更多的心電圖，以改善數(shù)據(jù)集的均衡性。