李鴻強(qiáng)，吳非凡，曹路，張振，張美玲

（1.天津工業(yè)大學(xué) 電子與信息工程學(xué)院，天津300387；2.天津市胸科醫(yī)院，天津300222；3.天津工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，天津300387；4.天津工業(yè)大學(xué) 紡織科學(xué)與工程學(xué)院，天津300387）

心血管疾病已經(jīng)嚴(yán)重威脅到人類(lèi)的身體健康[1]，根據(jù)世界衛(wèi)生組織統(tǒng)計(jì)[2]，每年全世界約有1 700萬(wàn)人死于心血管疾病，占世界總死亡人數(shù)的31%，并預(yù)計(jì)到2030年，心血管疾病死亡人數(shù)將增至每年2 300萬(wàn)。心電圖是使用心電圖機(jī)來(lái)記錄人體心臟電勢(shì)變化的圖像，能夠反映人體的健康狀況，是診斷心律失常的重要依據(jù)，但通常需要依靠經(jīng)驗(yàn)豐富的醫(yī)生來(lái)觀察患者的心電圖，所以醫(yī)務(wù)人員的工作負(fù)擔(dān)較重，并且人工診斷過(guò)程中的誤差難以避免[3]。因此，依靠人工智能算法對(duì)ECG信號(hào)進(jìn)行識(shí)別和分類(lèi)已成為近年來(lái)的研究熱點(diǎn)[4]。

傳統(tǒng)的ECG分類(lèi)算法需要手動(dòng)提取和選擇合適的特征，Sahoo等[5]提出了一種基于多分辨率小波變換的心電圖QRS波復(fù)雜特征檢測(cè)算法，對(duì)ECG信號(hào)進(jìn)行六尺度的小波變換并進(jìn)行特征提取，然后分別使用多層感知機(jī)和反向傳播的神經(jīng)網(wǎng)絡(luò)（MLP-BP）和支持向量機(jī)（SVM）分類(lèi)器對(duì)4類(lèi)ECG信號(hào)進(jìn)行分類(lèi)。Raj等[6]通過(guò)離散小波變換提取ECG信號(hào)的時(shí)頻特征，接著采用主成分分析對(duì)特征進(jìn)行了降維，并與提取的RR間隔（即心電圖中2個(gè)完整波形之間的間隔）特征相結(jié)合，最后采用粒子群優(yōu)化的支持向量機(jī)對(duì)ECG信號(hào)進(jìn)行分類(lèi)，取得了良好的結(jié)果。Chen等[7]提出了一種結(jié)合投影特征和動(dòng)態(tài)特征的ECG信號(hào)分類(lèi)方法，首先利用離散余弦變換的隨機(jī)矩陣作為投影矩陣來(lái)提取ECG信號(hào)的形態(tài)特征，然后提取3個(gè)加權(quán)RR間隔作為動(dòng)態(tài)特征，最后將特征融合后輸入SVM中進(jìn)行分類(lèi)，得到了98%的準(zhǔn)確率。但是上述方法需要人工提取特征并選擇合適的分類(lèi)器，同時(shí)也面臨最優(yōu)特征選擇和分類(lèi)器優(yōu)化的問(wèn)題，并不利于實(shí)時(shí)的檢測(cè)。近年來(lái)，隨著深度學(xué)習(xí)的迅速發(fā)展[8-11]，為自動(dòng)提取特征開(kāi)辟了一條嶄新的途徑。Kiranyaz等[12]提出了一種基于自適應(yīng)一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）實(shí)現(xiàn)對(duì)ECG信號(hào)進(jìn)行有效識(shí)別的方法。Oh等[13]提出了一種基于長(zhǎng)短期記憶（LSTM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）相結(jié)合的系統(tǒng)，并在5類(lèi)ECG信號(hào)分類(lèi)中取得了良好的效果。以上深度學(xué)習(xí)方法都是將ECG信號(hào)作為一維時(shí)間序列輸入到1DCNN中，期間會(huì)存在梯度消失的問(wèn)題，盡管LSTM在一定程度上緩解了該問(wèn)題，但仍未徹底解決。

本文針對(duì)以上問(wèn)題，提出了一種格拉姆角場(chǎng)GAF和改進(jìn)殘差網(wǎng)絡(luò)相結(jié)合的ECG信號(hào)分類(lèi)方法。該算法利用GAF的數(shù)據(jù)可視化方法，將一維ECG信號(hào)轉(zhuǎn)換到極坐標(biāo)中，接著使用角度信息編碼成二維圖像。然后搭建了一種改進(jìn)的殘差網(wǎng)絡(luò)結(jié)構(gòu)，在原始的Resnet-50模型中添加了5組shortcut連接，并且對(duì)殘差塊的結(jié)構(gòu)進(jìn)行了調(diào)整，將殘差塊主干路徑中的下采樣操作放置到3×3的卷積層，前置殘差塊結(jié)構(gòu)中的批歸一化算法（batch normalization，BN）和激活操作，殘差塊的旁路添加平均池化層，并采用SELU激活函數(shù)[14]代替Relu激活函數(shù)。最后使用從MIT-BIH數(shù)據(jù)庫(kù)、Long Term AF Database和Prosim2生命體征模擬儀提取的7類(lèi)ECG數(shù)據(jù)進(jìn)行檢驗(yàn)，并與醫(yī)生診斷結(jié)果做對(duì)比，以驗(yàn)證該算法的分類(lèi)效果。

1 改進(jìn)深度殘差網(wǎng)絡(luò)模型

1.1 格拉姆角場(chǎng)

深度學(xué)習(xí)可以從原始數(shù)據(jù)中提取有效的特性并輸出分類(lèi)的結(jié)果，在計(jì)算機(jī)視覺(jué)[15]、語(yǔ)音識(shí)別[16]、圖像分割[17]和目標(biāo)檢測(cè)[18]等領(lǐng)域取得了不錯(cuò)的成果。為了充分發(fā)揮深度學(xué)習(xí)在圖像分類(lèi)上的優(yōu)勢(shì)，本文采用GAF[19]的數(shù)據(jù)處理方法將一維的ECG信號(hào)編碼為二維的圖像。

GAF是將時(shí)間序列的角度信息編碼為圖像的一種技術(shù)，可以將數(shù)據(jù)轉(zhuǎn)換成格拉姆求和角場(chǎng)（Gramian summation angular field，GASF）、格拉姆差分角場(chǎng)（Gramian difference angular field，GADF）2種圖像形式，本文將心電數(shù)據(jù)轉(zhuǎn)換成GASF圖像。

定一個(gè)長(zhǎng)度為n的時(shí)間序列X={x1，x2，…，xn}，使用歸一化方法把所有的值壓縮到[-1，1]區(qū)間內(nèi)：

然后將歸一化后的值編碼為角余弦，與之對(duì)應(yīng)的時(shí)間戳編碼為半徑，在極坐標(biāo)中表示重新歸一化后的序列，公式為：

式（2）中：?的取值在[0，π]區(qū)間；ti為時(shí)間戳；r為編碼后的半徑；N為正則化極坐標(biāo)系跨度的常數(shù)因子。隨著時(shí)間戳的增加，相應(yīng)的值會(huì)在跨越原始的不同角度點(diǎn)之間扭曲。將重新標(biāo)度的時(shí)間序列轉(zhuǎn)換為極坐標(biāo)后，就可以很容易地利用角度視角，通過(guò)考慮每個(gè)點(diǎn)之間的三角和來(lái)識(shí)別不同時(shí)間間隔內(nèi)的時(shí)間相關(guān)性。GASF的定義如式（3）所示，其中，I為單位向量為縮放后的時(shí)間向量值。

GASF相比原始數(shù)據(jù)有2個(gè)優(yōu)點(diǎn)：首先，它提供了一種保持時(shí)間依賴(lài)性的方法，因?yàn)闀r(shí)間隨著位置從左上角移動(dòng)到右下角而增加；其次，它包含了時(shí)間的相關(guān)性，對(duì)角線(xiàn)由歸一化后的時(shí)間序列的原始值構(gòu)成，利用主對(duì)角線(xiàn)可以從深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的高級(jí)特征中重建時(shí)間序列。

1.2 深度殘差網(wǎng)絡(luò)及其改進(jìn)

He等[20]提出了殘差神經(jīng)網(wǎng)絡(luò)（residual networks，Resnet），該網(wǎng)絡(luò)通過(guò)增加恒等映射，可以直接將當(dāng)前輸出傳輸?shù)骄W(wǎng)絡(luò)的下一層，并不會(huì)增加額外的參數(shù)；同時(shí)，在反向傳播的過(guò)程中，也是將下一層網(wǎng)絡(luò)的梯度直接傳遞給上一層網(wǎng)絡(luò)，從而解決了深度神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)卷積層數(shù)的不斷加深出現(xiàn)網(wǎng)絡(luò)退化的問(wèn)題；此外，采用BN算法加快了網(wǎng)絡(luò)的收斂[21]，提高了訓(xùn)練的速度。這種殘差網(wǎng)絡(luò)結(jié)構(gòu)可以將網(wǎng)絡(luò)擴(kuò)展到1 000層以上，并且具有良好的分類(lèi)效果。

殘差模塊的結(jié)構(gòu)如圖1所示，假設(shè)輸入為x，期望的關(guān)系映射為H（x），輸出結(jié)果為H（x）=F（x）+x，當(dāng)F（x）=0時(shí)，則H（x）=x，也就是恒等映射。殘差網(wǎng)絡(luò)改變了學(xué)習(xí)目標(biāo)，使用F（x）作為目標(biāo)值，也就是所謂的殘差F（x）=H（x）-x，這樣可以保證恒等變換和反向傳播的梯度傳遞，緩解了網(wǎng)絡(luò)退化的問(wèn)題。

圖1 殘差模塊Fig.1 Residual block

本文提出的改進(jìn)方案是在Resnet-50的基礎(chǔ)上，添加了多層shortcut支路[22]，并且對(duì)殘差塊的結(jié)構(gòu)進(jìn)行了改進(jìn)，結(jié)構(gòu)框架如圖2所示。該模型首先經(jīng)過(guò)7×7卷積和池化層，然后經(jīng)過(guò)Conv2_x、Conv3_x、Conv4_x和Conv5_x組成的4組殘差塊，每組殘差塊分別由3、4、6和3個(gè)殘差塊組成。

圖2 改進(jìn)的Resnet結(jié)構(gòu)Fig.2 Improved Resnet structure

殘差塊的具體結(jié)構(gòu)見(jiàn)圖2的右半邊部分，改變了殘差塊主干路徑的下采樣塊，將原先1×1卷積層中的步長(zhǎng)由2設(shè)置為1，3×3卷積層的步長(zhǎng)由1設(shè)置為2。由于原始?xì)埐顗K的第一個(gè)卷積層的卷積核大小為1×1，步長(zhǎng)為2會(huì)導(dǎo)致卷積后3/4的信息丟失，所以將下采樣操作作用到3×3的卷積層。同理，將殘差塊旁路中的1×1卷積層步長(zhǎng)也設(shè)置為1，為了保持旁路與主干路徑的輸出維度一致，在旁路1×1卷積層之上添加了2×2的平均池化層，步長(zhǎng)為2。由于Conv2_x的輸入和輸出維度相同，在Conv2_x的殘差塊的旁路并未添加平均池化層，僅僅在Conv3_x、Conv4_x和Conv5_x的第1個(gè)殘差塊的旁路添加了平均池化層。此外受文獻(xiàn)[23]的啟發(fā)，前置了殘差塊主干路徑BN層和激活操作，可以使梯度更好地反向傳播，易于優(yōu)化。

在整個(gè)網(wǎng)絡(luò)中的每組殘差塊添加了多層shortcut支路，即在Conv2_x的3個(gè)殘差塊之外添加了一層shortcut連接，為保證與網(wǎng)絡(luò)主干路徑的輸出結(jié)果維度一致，設(shè)步長(zhǎng)為1。Conv3_x、Conv4_x和Conv5_x同樣也添加了shortcut連接，步長(zhǎng)為2。此外，在整個(gè)殘差塊外也添加了1層shortcut連接，步長(zhǎng)為8，新增的多層shortcut支路的卷積核的大小均為1×1。通過(guò)添加多層shortcut支路，可以將學(xué)習(xí)目標(biāo)轉(zhuǎn)換為學(xué)習(xí)殘差到殘差映射，比原始網(wǎng)絡(luò)更簡(jiǎn)單，更易于學(xué)習(xí)。并且可以在不同殘差塊中傳播信息，在一定程度上緩解了梯度消失的問(wèn)題，可以使得網(wǎng)絡(luò)進(jìn)行更好的訓(xùn)練分類(lèi)。

1.3 激活函數(shù)SELU

卷積神經(jīng)網(wǎng)絡(luò)多以圖3所示的Relu作為激活函數(shù)，但由于Relu在x＜0的時(shí)候梯度為0，容易導(dǎo)致神經(jīng)元死亡。Relu激活函數(shù)定義如下：

圖3 Relu和SELU激活函數(shù)Fig.3 Relu and SELU activation functions

由圖3可看出，當(dāng)x＞0時(shí)，Relu的導(dǎo)數(shù)始終為1，能夠使該處的梯度不衰減，從而減少了梯度消失的問(wèn)題。但是當(dāng)x＜0時(shí)，Relu的梯度值為0，在訓(xùn)練期間，負(fù)的梯度在Relu上被置零，從而導(dǎo)致相應(yīng)的神經(jīng)元再也不會(huì)被激活，引起對(duì)應(yīng)的權(quán)重不能更新，即產(chǎn)生了神經(jīng)元死亡。SELU激活函數(shù)的收斂速度比Relu激活函數(shù)要快，通過(guò)該激活函數(shù)，可以將樣本分布自動(dòng)歸一化到0均值和單位方差[24]，確保在訓(xùn)練過(guò)程中梯度不會(huì)爆炸或消失。SELU激活函數(shù)定義如下：

式中：α≈1.673 3，λ≈1.050 7。當(dāng)x≤0時(shí)，SELU激活函數(shù)的斜率較為平緩，在激活操作中方差過(guò)大時(shí)可以使其減小，從而防止梯度爆炸；當(dāng)x＞0時(shí)，其斜率λ是大于1的數(shù)，方差過(guò)小時(shí)可以使其增大，從而防止梯度消失。這樣使得該激活函數(shù)自帶歸一化操作，即使加深網(wǎng)絡(luò)層次，每層的輸出依舊是均值為0，方差為1。因此，本文采用SELU激活函數(shù)代替Relu激活函數(shù)來(lái)優(yōu)化網(wǎng)絡(luò)訓(xùn)練。

2 實(shí)驗(yàn)結(jié)果與分析

本文采用Pytorch深度學(xué)習(xí)框架進(jìn)行網(wǎng)絡(luò)搭建，利用Python進(jìn)行編程，運(yùn)行環(huán)境為Windows7系統(tǒng)，內(nèi)存32 GB，處理器為Intel E5-2620，顯卡為NVIDIA Geforce GTX 1080Ti。

2.1 數(shù)據(jù)集分類(lèi)測(cè)試驗(yàn)證

2.1.1 數(shù)據(jù)來(lái)源與評(píng)價(jià)指標(biāo)

為了驗(yàn)證所構(gòu)建模型的有效性，本實(shí)驗(yàn)中的數(shù)據(jù)分別來(lái)自美國(guó)麻省理工學(xué)院-波士頓貝斯以色列醫(yī)院（MIT-BIH）數(shù)據(jù)庫(kù)、長(zhǎng)期房顫數(shù)據(jù)庫(kù)（Long-Term AF Database，LTAF）和Prosim2生命體征模擬儀。從MITBIH中提取房性早搏（PAC）、室性早搏（PVC）、正常（N）等3種心電類(lèi)型。從LTAF中提取心房顫動(dòng)（AF）、室性心動(dòng)過(guò)速（VT）和竇性心動(dòng)過(guò)緩（SBR）等3種心電類(lèi)型。從Prosim2生命體征模擬儀中提取房性心動(dòng)過(guò)速（AT）。以上7類(lèi)原始ECG數(shù)據(jù)如圖4所示，經(jīng)GAF數(shù)據(jù)處理轉(zhuǎn)換后得到的GASF圖像如圖5所示。實(shí)驗(yàn)樣本數(shù)據(jù)分布如表1所示，共提取了12 447組數(shù)據(jù)，以9∶1的比例隨機(jī)分配訓(xùn)練集和測(cè)試集。

表1 實(shí)驗(yàn)樣本數(shù)據(jù)分布Tab.1 Distribution of experimental sample data

圖4 原始七類(lèi)ECG數(shù)據(jù)Fig.4 Seven types of ECG signals

圖5 GASF圖像Fig.5 GASF images

為了便于對(duì)心電信號(hào)分類(lèi)的結(jié)果進(jìn)行性能評(píng)估，本文采用精確率（P）、靈敏度（S1）、特異性（S2）、F1分?jǐn)?shù)和識(shí)別準(zhǔn)確率（A）作為評(píng)價(jià)指標(biāo)，其計(jì)算定義如下：

式中：TP為真陽(yáng)性，表示Y型ECG信號(hào)正確分類(lèi)的樣本數(shù)量[25]；TN為真陰性，表示對(duì)非Y型ECG信號(hào)正確分類(lèi)的樣本數(shù)量；FP為假陽(yáng)性，表示其他類(lèi)的ECG信號(hào)被錯(cuò)誤地分成Y型ECG信號(hào)的樣本數(shù)量；FN為假陰性，表示將Y型ECG信號(hào)錯(cuò)誤地分成其他類(lèi)ECG信號(hào)的樣本數(shù)量。精確率P表示對(duì)Y型ECG信號(hào)的正確預(yù)測(cè)占全部預(yù)測(cè)為Y型ECG信號(hào)的比例；靈敏度S1表示對(duì)Y型ECG信號(hào)的正確預(yù)測(cè)占全部實(shí)際為Y型ECG信號(hào)的比例；特異性S2表示對(duì)非Y型ECG信號(hào)的正確預(yù)測(cè)占全部實(shí)際為非Y型ECG信號(hào)的比例；準(zhǔn)確率A表示所有預(yù)測(cè)正確的樣本占總樣本數(shù)的比例[26]；F1分?jǐn)?shù)表示精確率和靈敏度的加權(quán)平均值，可以從總體上反映系統(tǒng)整體分類(lèi)能力，其值越大，說(shuō)明分類(lèi)效果越好。

2.1.2 網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)

本實(shí)驗(yàn)分別采用原始Resnet-50模型、改進(jìn)Resnet-Relu模型和改進(jìn)Resnet-SELU模型對(duì)心電數(shù)據(jù)進(jìn)行測(cè)試，選取Adam作為優(yōu)化器，將初始學(xué)習(xí)率設(shè)置為0.000 1，批量大小設(shè)置為32，即每次從輸入圖像中選取32個(gè)圖像和與之對(duì)應(yīng)的標(biāo)簽作為一個(gè)批量進(jìn)行網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)一共訓(xùn)練了150個(gè)epoch，測(cè)試結(jié)果如圖6和表2所示。

由圖6和表2可知，隨著迭代次數(shù)的增加，網(wǎng)絡(luò)的損失值在快速下降并趨于穩(wěn)定，改進(jìn)的Resnet網(wǎng)絡(luò)的損失值小于原始Resnet網(wǎng)絡(luò)的損失值；在訓(xùn)練過(guò)程中，網(wǎng)絡(luò)測(cè)試的準(zhǔn)確率也隨著迭代次數(shù)的增加而快速上升，并逐步趨于穩(wěn)定。本文改進(jìn)殘差網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率高于原始網(wǎng)絡(luò)的準(zhǔn)確率，此外當(dāng)激活函數(shù)為SELU函數(shù)時(shí)分類(lèi)效果要優(yōu)于Relu激活函數(shù)。由此可見(jiàn)，本文基于改進(jìn)殘差網(wǎng)絡(luò)的心電信號(hào)識(shí)別系統(tǒng)具有較好的性能。

表2 不同網(wǎng)絡(luò)模型測(cè)試結(jié)果比較Tab.2 Comparison of test results of different network models

圖6 訓(xùn)練結(jié)果Fig.6 Training results

2.1.3 混淆矩陣和各項(xiàng)指標(biāo)

本文算法對(duì)7類(lèi)ECG信號(hào)的分類(lèi)混淆矩陣如表3所示，矩陣的每1行代表了實(shí)際數(shù)據(jù)類(lèi)別，每1列代表了預(yù)測(cè)類(lèi)別，每1行的數(shù)據(jù)總數(shù)代表了該類(lèi)別測(cè)試數(shù)據(jù)的實(shí)際數(shù)量，每1列的數(shù)值表示真實(shí)數(shù)據(jù)被預(yù)測(cè)為該類(lèi)的數(shù)目。通過(guò)混淆矩陣可以計(jì)算出測(cè)試集的精確率、靈敏度、特異性、準(zhǔn)確率和F1分?jǐn)?shù)，結(jié)果如表4所示。

表3 本文算法分類(lèi)的混淆矩陣Tab.3 Cofused matrix of algorithm classification in this paper

由表4可以看出，本文算法測(cè)試的精確率、靈敏度、特異性、F1分?jǐn)?shù)以及識(shí)別準(zhǔn)確率整體達(dá)到了97%以上，表明本文算法具有較高的穩(wěn)定性和準(zhǔn)確性。

表4 每個(gè)類(lèi)別的性能指標(biāo)Tab.4 Performance metrics for each category%

本文方法與其他文獻(xiàn)中方法的ECG信號(hào)分類(lèi)結(jié)果對(duì)比如表5所示。

表5 不同算法的分類(lèi)結(jié)果對(duì)比Tab.5 Comparison of classification results by different algorithms%

由表5可以看出，文獻(xiàn)[27]提出了一種基于脈沖神經(jīng)網(wǎng)絡(luò)（SNN）網(wǎng)絡(luò)的心電信號(hào)分類(lèi)算法，并且對(duì)脈沖時(shí)間依賴(lài)的可塑性（STDP）和抑制層的學(xué)習(xí)規(guī)則進(jìn)行優(yōu)化，得到97.9%的準(zhǔn)確率和88.0%的F1分?jǐn)?shù)，與該方法相比，本文的準(zhǔn)確率和F1分?jǐn)?shù)分別提高了0.4%和9.1%。文獻(xiàn)[28]提出了一種基于2D-CNN的心電信號(hào)分類(lèi)算法，與該方法相比，本文的準(zhǔn)確率和F1分?jǐn)?shù)分別提高了1.3%和10.0%。文獻(xiàn)[29]使用卷積神經(jīng)網(wǎng)絡(luò)和門(mén)控遞歸單元網(wǎng)絡(luò)來(lái)對(duì)心電信號(hào)進(jìn)行分類(lèi)，本文算法比該方法的準(zhǔn)確率和F1分?jǐn)?shù)分別提升了4.6%和7.4%。文獻(xiàn)[30]提出了一種結(jié)合16層卷積神經(jīng)網(wǎng)絡(luò)和短期記憶網(wǎng)絡(luò)的分類(lèi)算法，本文算法比該方法的準(zhǔn)確率提升了2.9%，F(xiàn)1分?jǐn)?shù)提升了0.3%。由此表明，本文算法對(duì)ECG信號(hào)具有較高的識(shí)別率，有一定的臨床應(yīng)用價(jià)值。

2.2 門(mén)診測(cè)試驗(yàn)證

為了驗(yàn)證算法的實(shí)用性，利用可穿戴心電監(jiān)測(cè)系統(tǒng)在醫(yī)院做了實(shí)際的門(mén)診測(cè)試。通過(guò)將可穿戴前端采集電路板貼在人體胸部位置采集病人的心電信號(hào)，并利用藍(lán)牙將數(shù)據(jù)發(fā)送給手機(jī)APP，手機(jī)APP再將數(shù)據(jù)傳送給云服務(wù)器，在服務(wù)器端采用本文算法對(duì)心電信號(hào)進(jìn)行診斷。

圖7為采集的4名患者的心電圖，表6為其診斷結(jié)果。其中，1號(hào)為房顫患者，算法診斷的結(jié)果顯示該病人心電信號(hào)中存在正常和心房顫動(dòng)2種類(lèi)型；2號(hào)為偶發(fā)性房性早搏患者，檢測(cè)時(shí)病人未出現(xiàn)房性早搏的癥狀，診斷結(jié)果為正常；3號(hào)為頻發(fā)性房性早搏患者，診斷結(jié)果為該病人的心電信號(hào)中存在正常和房性早搏兩種類(lèi)型；4號(hào)為室性早搏和房顫患者，檢測(cè)時(shí)未出現(xiàn)室性早搏癥狀，診斷結(jié)果為該病人的心電信號(hào)存在正常和心房顫動(dòng)2種類(lèi)型。

表6 患者診斷結(jié)果Tab.6 Diagnosis results of patients

圖7 患者心電圖Fig.7 Electrocardiogram of patient

綜上所述，改進(jìn)算法的診斷結(jié)果與醫(yī)生診斷結(jié)果一致，進(jìn)一步驗(yàn)證了本文算法對(duì)心電信號(hào)具有較好的分類(lèi)效果。

3 結(jié)論

本文提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的ECG信號(hào)分類(lèi)的算法。首先采用GAF將一維的心電信號(hào)轉(zhuǎn)換成二維的圖像，保留了時(shí)間的依賴(lài)性，增強(qiáng)了深度學(xué)習(xí)在ECG信號(hào)分類(lèi)中的優(yōu)勢(shì)；其次，對(duì)Resnet-50網(wǎng)絡(luò)進(jìn)行了改進(jìn)，添加了多層shortcut支路，并對(duì)殘差塊結(jié)構(gòu)進(jìn)行改進(jìn)；同時(shí)，采用SELU激活函數(shù)來(lái)代替原始網(wǎng)絡(luò)中的Relu激活函數(shù)，提高了網(wǎng)絡(luò)的非線(xiàn)性表達(dá)能力，在一定程度上抑制了神經(jīng)元的死亡。通過(guò)仿真和實(shí)驗(yàn)驗(yàn)證，結(jié)果表明：

（1）相比于原始的殘差網(wǎng)絡(luò)，本文算法對(duì)7類(lèi)ECG信號(hào)的分類(lèi)準(zhǔn)確率更高，收斂速度也更快，可達(dá)到98.3%的準(zhǔn)確率。

（2）通過(guò)對(duì)醫(yī)院的患者進(jìn)行實(shí)際測(cè)試，算法的檢測(cè)結(jié)果與醫(yī)生的診斷結(jié)果一致，證明了該算法的有效性和實(shí)用性。