蔣思清，陳瀟俊，高豪俊，何佳晉，吳 健，

（1.浙江大學(xué)公共衛(wèi)生學(xué)院，浙江 杭州 310058；2.浙江大學(xué)睿醫(yī)人工智能研究中心，浙江 杭州 310000）

0 引言

在臨床上，心血管疾病常伴有心律失常癥狀，嚴(yán)重的心律失?？赡軙?huì)導(dǎo)致猝死或心力衰竭的發(fā)生，因此，及時(shí)、準(zhǔn)確地檢測(cè)心律失常是十分必要的［1］。心電圖提供了豐富的心臟健康和病理信息，是診斷心臟疾病的重要方法［2］。心律失常情況通常要由醫(yī)生給出診斷，但在臨床實(shí)踐中，受到醫(yī)生經(jīng)驗(yàn)的差異性和嚴(yán)重的心電噪聲影響，往往會(huì)出現(xiàn)誤診和漏診［3］的情況，因此需要找到一種識(shí)別帶有噪聲的心電信號(hào)，即可實(shí)現(xiàn)對(duì)心律失常類(lèi)別進(jìn)行準(zhǔn)確判斷的方法，進(jìn)而幫助醫(yī)生更精準(zhǔn)地發(fā)現(xiàn)心律失常事件。此外，在人工智能技術(shù)迅速發(fā)展的背景下，目前計(jì)算機(jī)輔助心電圖分析的方法［4］越來(lái)越受到大家的關(guān)注，成為了心電圖領(lǐng)域的研究熱點(diǎn)之一，其中高精度的心電圖自動(dòng)診斷在心血管疾病的預(yù)防和輔助診療中起到了關(guān)鍵作用，具有良好的實(shí)踐前景和重要的醫(yī)學(xué)價(jià)值。

目前，臨床心電圖在計(jì)算機(jī)領(lǐng)域的分類(lèi)方法包括2 個(gè)大類(lèi)，即基于信號(hào)處理技術(shù)的方法和基于深度學(xué)習(xí)的方法［5］。第一類(lèi)信號(hào)處理方法包括小波特征、高階統(tǒng)計(jì)量、功率譜特征等通過(guò)提取特征向量的方式針對(duì)波形的振幅和頻率進(jìn)行分析［6-11］。例如Martis等［12］對(duì)正常、心房顫動(dòng)和心房撲動(dòng)心電圖信號(hào)進(jìn)行了獨(dú)立成分分析（Independent Component Correlation Algorithm，ICA），其分類(lèi)效果顯著高于K 鄰近分類(lèi) 器；Acharya 等［13］提 出 了 一 種 計(jì) 算 機(jī) 輔 助 診 斷（Computer Aided Diagnosis，CAD）方法，他們從心電信號(hào)中提取了熵特征并通過(guò)決策樹(shù)對(duì)14 個(gè)重要特征進(jìn)行分類(lèi)；Ye等［14］采用形態(tài)學(xué)和動(dòng)態(tài)特征方法，檢測(cè)準(zhǔn)確率達(dá)到86.4%。雖然上述傳統(tǒng)的分類(lèi)方法取得了良好的結(jié)果，但從心電信號(hào)中提取關(guān)鍵特征并構(gòu)建心電特異性特征向量的過(guò)程復(fù)雜且耗時(shí)，其次，分類(lèi)效果與特征的選擇高度相關(guān)，特征的選擇容易受到主觀因素的影響，加上過(guò)擬合問(wèn)題［15］的出現(xiàn)，在實(shí)際應(yīng)用中具有一定的局限性，難以達(dá)到預(yù)期的診斷精度。相比之下，第二類(lèi)深度學(xué)習(xí)方法比傳統(tǒng)方法更具優(yōu)勢(shì)。它們可以?xún)?yōu)化心電信號(hào)特征提取的過(guò)程，取得更好的分類(lèi)性能和泛化能力。Yildirim 等［16］采用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）對(duì)心電進(jìn)行識(shí)別和分類(lèi)；Chu等［17］首先提出了一種針對(duì)多導(dǎo)聯(lián)心電信號(hào)的二維卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）來(lái)提取交叉導(dǎo)聯(lián)心電圖特征，將CNN 和LSTM 提取的特征與傳統(tǒng)特征相結(jié)合，采用二值粒子群優(yōu)化算法（Discrete Binary Particle Swarm Optimization Algorithm，BPSO）對(duì)特征進(jìn)行區(qū)分和選擇，最后選擇加權(quán)支持向量機(jī)作為分類(lèi)器時(shí)效果表現(xiàn)良好；Sellami 等［18］采用Resnet 對(duì)心電信號(hào)進(jìn)行自動(dòng)分類(lèi)，并提出了批量加權(quán)損失來(lái)處理數(shù)據(jù)不平衡的問(wèn)題，每個(gè)輸入數(shù)據(jù)包含2 個(gè)心拍以便更好地學(xué)習(xí)特征，總體分類(lèi)準(zhǔn)確率達(dá)到89%。

隨著可穿戴技術(shù)的發(fā)展，心電數(shù)據(jù)的采集更加方便、高效［19］，但由于數(shù)據(jù)標(biāo)注的成本較高，許多普通醫(yī)院無(wú)法支持相應(yīng)設(shè)施，導(dǎo)致許多標(biāo)注不完整，無(wú)法獲得足夠的優(yōu)質(zhì)訓(xùn)練數(shù)據(jù)。心電圖數(shù)據(jù)的分布由于個(gè)體差異以及數(shù)據(jù)采集來(lái)源和方法不同也存在差異，而遷移學(xué)習(xí)中的領(lǐng)域自適應(yīng)方法在處理標(biāo)記較少的數(shù)據(jù)及其分布差異方面具有優(yōu)勢(shì)，因此可以將遷移學(xué)習(xí)［20］引入心電信號(hào)分類(lèi)任務(wù)中。本文重點(diǎn)研究基于遷移學(xué)習(xí)的自動(dòng)分類(lèi)技術(shù)，采用大量標(biāo)記樣本作為源域數(shù)據(jù)，少量未標(biāo)記樣本作為目標(biāo)域數(shù)據(jù)，利用域適應(yīng)提高域間遷移能力，多尺度特征提取器則有助于更好地學(xué)習(xí)信號(hào)的復(fù)雜特征，提高模型分類(lèi)性能?；趯?duì)抗域適應(yīng)來(lái)解決標(biāo)記不完整和個(gè)體變異問(wèn)題，并對(duì)8 類(lèi)常見(jiàn)的心律失常進(jìn)行智能分類(lèi)的方法應(yīng)用于臨床心電領(lǐng)域的相關(guān)研究在國(guó)內(nèi)外鮮有報(bào)導(dǎo)。

本文的3個(gè)主要工作如下:

1）提出一種基于對(duì)抗域自適應(yīng)學(xué)習(xí)的心電信號(hào)分類(lèi)方法，解決標(biāo)記訓(xùn)練樣本不足的問(wèn)題，改善個(gè)體差異導(dǎo)致的數(shù)據(jù)分布差異的現(xiàn)象。

2）對(duì)該方法的A、B、C這3大模塊各組成部分分別進(jìn)行優(yōu)化，進(jìn)而實(shí)現(xiàn)對(duì)臨床上8種常見(jiàn)的心律失常類(lèi)別的精準(zhǔn)分類(lèi)，為心電圖臨床決策和輔助診斷提供依據(jù)。

3）提出4 個(gè)關(guān)鍵的時(shí)間特征，并將其與深度學(xué)習(xí)特征進(jìn)行串聯(lián)，增加特征的豐富性。

1 數(shù)據(jù)分析與預(yù)處理

心電信號(hào)分類(lèi)任務(wù)流程如圖1 所示。首先對(duì)心電記錄中的信號(hào)進(jìn)行預(yù)處理，生成輸入數(shù)據(jù)，然后將其傳遞到對(duì)抗域自適應(yīng)模型中進(jìn)行訓(xùn)練，將自動(dòng)提取的模型特征與人工提取的時(shí)間特征進(jìn)行融合并輸入到分類(lèi)器中，得到最終的分類(lèi)結(jié)果。

圖1 心電信號(hào)分類(lèi)任務(wù)流程圖

1.1 心電圖數(shù)據(jù)介紹

在本文中使用的數(shù)據(jù)集和注釋來(lái)自麻省理工學(xué)院MIT-BIH 心律失常數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)共48 條0.5 h（導(dǎo)聯(lián)數(shù)為2）的心電信號(hào)記錄，每組信號(hào)以360 Hz來(lái)進(jìn)行采樣，單位電壓5 μV［21］。其中未明確分類(lèi)搏動(dòng)的研究意義相對(duì)較少，不能作為判斷分類(lèi)結(jié)果的依據(jù)，所以在心電研究中將其剔除。

根據(jù)MIT-BIH 心律失常數(shù)據(jù)庫(kù)提供的注釋?zhuān)^主要篩選出8 種臨床心率失常類(lèi)別，分別是正常竇性心律NOR（Normal Sinus Rhythm）、左束支傳導(dǎo)阻滯LBBB（Left Bundle Branch Block）、右束支傳導(dǎo)阻滯RBBB（Right Bundle Branch Block）、房性早搏APB（Atrial Premature Beat）、室性早搏PVC（Premature Ventricular Contraction）、步 速 跳 動(dòng)PAB（Paced Beat）、室性逃逸跳動(dòng)VEB（Ventricular Escape Beat）、心室顫振VFW（Ventricular Flutter Wave）。各類(lèi)別記錄情況和對(duì)應(yīng)的心拍數(shù)如表1所示。

表1 MIT-BIH心律失常數(shù)據(jù)庫(kù)的心電圖信號(hào)描述摘要表

將MIT-BIH 心律失常數(shù)據(jù)庫(kù)中的48個(gè)記錄進(jìn)一步分為數(shù)據(jù)集I 和數(shù)據(jù)集Ⅱ這2 組數(shù)據(jù)集，其中數(shù)據(jù)集I 包含的心電圖記錄編號(hào)分別為101、102、104、106、108、109、112、114、115、116、118、119、122、124、201、203、205、207、108、109、215、220、223、230；數(shù)據(jù)集Ⅱ中包含的心電圖記錄編號(hào)分別為100、103、105、107、111、113、117、121、123、200、202、210、212、213、214、217、219、221、222、228、231、232、233 和234。本實(shí)驗(yàn)中，2 組數(shù)據(jù)集樣本在各類(lèi)心律失常標(biāo)簽數(shù)的具體分布情況如表2所示。

表2 MIT-BIH數(shù)據(jù)庫(kù)的心律失常各類(lèi)標(biāo)簽數(shù)目分布情況

1.2 數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)在傳遞到模型進(jìn)行訓(xùn)練之前需要進(jìn)行預(yù)處理，如圖2 所示。根據(jù)數(shù)據(jù)庫(kù)中已有的R 波峰值標(biāo)記對(duì)每個(gè)心電信號(hào)進(jìn)行定位。由于不同個(gè)體相鄰R 峰之間的平均間隔不同，使用固定數(shù)量的數(shù)據(jù)點(diǎn)分割心跳的方法會(huì)錯(cuò)過(guò)心跳的一些重要信號(hào)特征，因此，本文采用下面提出的心拍分割的方法來(lái)解決這個(gè)問(wèn)題：

圖2 數(shù)據(jù)預(yù)處理過(guò)程圖

1）基線漂移處理。對(duì)含有波形突變的心電基線漂移信號(hào)進(jìn)行平滑處理，并從原始記錄數(shù)據(jù)中消去平滑信號(hào)，以消除基線漂移噪聲BW（Baseline Wander Noise）。

2）工頻、肌電去噪。采用截止頻率為(0.5，40)Hz的帶通濾波器和以db5 為基函數(shù)的離散小波變換DWT（Discrete Wavelet Transform），以消除信號(hào)電極偽影噪聲EMG（Electromyography Artifact Noise）、肌肉偽影噪聲MA（Muscle Artifact Noise）。

3）心拍分割。首先，讀取心跳標(biāo)簽中提供的各心電波R 峰位置。假設(shè)Ri為第i個(gè)心跳R 峰值的位置。定義＜N＞表示將N四舍五入到整數(shù)，心跳的起始位置

4）心拍格式標(biāo)準(zhǔn)化。每次心跳的采樣點(diǎn)Hi個(gè)數(shù)不同。進(jìn)入深度學(xué)習(xí)模型的前提是心拍長(zhǎng)度必須一致。假設(shè)統(tǒng)一后的采樣點(diǎn)數(shù)為D（本實(shí)驗(yàn)中D為400），如果Hi小于D，則填0 到D，如果是Hi大于D，則裁剪至D［22］，最終處理后的心跳為Hf，將對(duì)齊后的心跳H，用公式（其中，μ表示所有心跳（心拍）的均數(shù)圖，σ表示標(biāo)準(zhǔn)差意為所有心拍的離散程度）進(jìn)行標(biāo)準(zhǔn)化，以消除信號(hào)中的偏移和幅度縮放問(wèn)題。

5）時(shí)間特征提取。人工提取當(dāng)前心跳的前RR間隔、后RR間隔、局部10 s的RR間隔和平均RR等4個(gè)時(shí)間特征，并利用公式（其中，max（PRR）表示前RR 間隔，min（PRR）表示后RR 間隔，PRR表示局部10 s 的RR 間隔，平均RR 用PRR表示）生成歸一化前后的RR時(shí)間特征。

6）數(shù)據(jù)增強(qiáng)。使用SMOTE 算法［23］生成來(lái)克服不同類(lèi)別樣本數(shù)量不平衡的問(wèn)題。

2 模 型

2.1 模型架構(gòu)

假設(shè)模型適用于輸入樣本，樣本標(biāo)注可表示為y∈Y，并進(jìn)一步假設(shè)存在分布S（x，y）和T（x，y），分別表示源域和目標(biāo)域的分布，假設(shè)這2 種分布相似但不同，目標(biāo)是從目標(biāo)分布的輸入x來(lái)預(yù)測(cè)標(biāo)簽y。訓(xùn)練過(guò)程采用源域分布和少量的目標(biāo)域進(jìn)行，表示為｛X1，X2，X3，…，XN｝，定義di為第i條數(shù)據(jù)樣本的域標(biāo)簽，確定Xi是來(lái)自源域還是目標(biāo)域，di=0表示來(lái)自源域；di=1表示來(lái)自目標(biāo)域。所提出的對(duì)抗域自適應(yīng)模型實(shí)現(xiàn)原則如下：定義一種改進(jìn)的對(duì)抗域自適應(yīng)模型，預(yù)測(cè)每個(gè)輸入x對(duì)應(yīng)的標(biāo)簽y∈Y及其域標(biāo)簽d=｛0，1｝。對(duì)抗域自適應(yīng)模型如圖3 所示。所構(gòu)建的對(duì)抗域自適應(yīng)模型包括3 個(gè)模塊：多尺度特征提取模塊A、域識(shí)別模塊B和分類(lèi)模塊C。

圖3 對(duì)抗域自適應(yīng)模型

2.1.1 多尺度特征提取模塊A

為了獲得足夠的特征，對(duì)A模塊進(jìn)行了改進(jìn)，將原來(lái)由一組卷積塊組成的單一特征提取結(jié)構(gòu)擴(kuò)展為由2組具有不同卷積核的并行卷積塊組成的多個(gè)特征提取結(jié)構(gòu)。，將1.2節(jié)產(chǎn)生的輸入數(shù)據(jù)Hf代入模型，提取2組不同的特征，并將其串聯(lián)為特征f，即具體的結(jié)構(gòu)如圖4 所示，其中k表示卷積核的大小。表3 總結(jié)了多尺度特征提取模塊A 體系結(jié)構(gòu)和每一層的輸出情況，其中為防止模型過(guò)擬合，采用Dropout函數(shù)來(lái)消除減弱神經(jīng)元節(jié)點(diǎn)間的聯(lián)合適應(yīng)性，增強(qiáng)泛化能力，ReLU表示激活函數(shù)，Maxpool表示池化層。

圖4 多尺度特征提取模塊A

表3 模塊A體系結(jié)構(gòu)

2.1.2 對(duì)抗域自適應(yīng)模塊B

針對(duì)原始模型層數(shù)少、特征提取少的問(wèn)題，對(duì)B識(shí)別模塊進(jìn)行優(yōu)化，將原始的2 個(gè)全連接層擴(kuò)展為3個(gè)卷積塊和一個(gè)全連接層。具體的結(jié)構(gòu)如圖5所示。將A模塊提取的特征從源域和目標(biāo)域數(shù)據(jù)中轉(zhuǎn)移到域識(shí)別模塊B中，可以對(duì)提取的特征源d∈[0，1]進(jìn)行識(shí)別，B模塊的體系結(jié)構(gòu)和每一層的輸出情況如表4所示，其中Batch Norm表示批量歸一化層，用于加快原始模型的收斂速度，同時(shí)解決梯度爆炸和梯度消失的問(wèn)題。

表4 模塊B體系結(jié)構(gòu)

圖5 對(duì)抗域模塊B

2.1.3 分類(lèi)器模塊C

為了提高特性的維度和豐富性，對(duì)模塊C進(jìn)行了優(yōu)化。輸入Softmax 層之前，將從全連接層特征提取的源域數(shù)據(jù)與1.2 節(jié)中4 次提取的時(shí)間特征進(jìn)行拼接作為最終特征分類(lèi)器的輸入，讓時(shí)間特征和深度學(xué)習(xí)提取特征的功能更好地結(jié)合，豐富特征多樣性。具體的結(jié)構(gòu)如圖6 所示，表5 為分類(lèi)器模塊C 的結(jié)構(gòu)體系和每一層具體輸出情況。

圖6 分類(lèi)器模塊C

表5 模塊C體系結(jié)構(gòu)

2.2 訓(xùn)練過(guò)程

A（·）和C（·）對(duì)應(yīng)的是特征提取器和分類(lèi)器。在學(xué)習(xí)階段，目標(biāo)是學(xué)習(xí)特征提取器A 和任務(wù)分類(lèi)器C，以最小化預(yù)期的目標(biāo)損耗，使源域的數(shù)據(jù)分布與目標(biāo)域的數(shù)據(jù)分布保持一致，減少域之間的差異。其中，A、B、C這3個(gè)模塊對(duì)應(yīng)的網(wǎng)絡(luò)映射分別為Ga，Gb，Gc；引入聯(lián)合損失函數(shù)E（ω，ω，ω），如式（1）所示。

損失函數(shù)主要包括2個(gè)部分，即分類(lèi)損失L（c·，·）和域區(qū)分損失L（b·，·）。Lic和Lib表示第i個(gè)訓(xùn)練樣本中計(jì)算出的相應(yīng)損失函數(shù)。其中Lc選用的不是使用傳統(tǒng)的交叉熵?fù)p失，而是選擇Focal損失函數(shù)，是因?yàn)镕ocal損失函數(shù)在交叉熵的基礎(chǔ)上增加一個(gè)動(dòng)態(tài)縮放因子［24］，以解決類(lèi)別分類(lèi)不平衡以及困難的樣本難以訓(xùn)練的問(wèn)題，自動(dòng)降低簡(jiǎn)單樣本的損失權(quán)重，幫助模型集中于訓(xùn)練更加困難的樣本，其公式為：

其中，αx為x樣本中該類(lèi)別的權(quán)重參數(shù)，（1-Px）γ為自由縮放因子，其中γ為可調(diào)節(jié)參數(shù)，用于進(jìn)一步調(diào)節(jié)縮放因子，公式部分的-log（Px）項(xiàng)為傳統(tǒng)交叉熵?fù)p失函數(shù)，其中Px定義為：

其中y表示x樣本中的類(lèi)別標(biāo)簽，P∈[0，1]表示模型輸出y=1類(lèi)別的概率。

ωa、ωb、ωc分別為多尺度特征提取模塊、域識(shí)別模塊和分類(lèi)模塊的參數(shù)。λ表示2個(gè)學(xué)習(xí)目標(biāo)之間的權(quán)重，di=0 表示第i個(gè)樣本為源域樣本。訓(xùn)練過(guò)程如式（4）、式（5）所示。

具體訓(xùn)練步驟如下:

步驟1 保持域識(shí)別模塊ωb的參數(shù)不變，并通過(guò)式（4）計(jì)算，最大限度地減少域識(shí)別模塊的損失，更新多尺度特征提取模塊ωa的參數(shù)，得到域不變特征。這樣可以充分獲得不變特征，從而可以同時(shí)對(duì)源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)進(jìn)行匯總。最小化分類(lèi)模塊的損失，更新分類(lèi)模塊的參數(shù)ωc以獲得一個(gè)能夠準(zhǔn)確預(yù)測(cè)標(biāo)簽的分類(lèi)器。^ωa，^ωb，^ωc分別為鞍點(diǎn)ωa，ωb，ωc的參數(shù)值。

步驟2 修正參數(shù)ωa和ωc，并保持它們不變。利用公式（5）最小化域識(shí)別模塊的損失，更新域識(shí)別模塊ωb的參數(shù)，得到一個(gè)能夠區(qū)分特征源的強(qiáng)鑒別器。

步驟3 重復(fù)步驟1 的操作，固定域識(shí)別模塊的參數(shù)ωb不變，通過(guò)式（4）訓(xùn)練多尺度特征提取模塊A和分類(lèi)器模塊C，利用該訓(xùn)練過(guò)程，交替更新參數(shù)。

步驟4 最終網(wǎng)絡(luò)保持了動(dòng)態(tài)平衡，達(dá)到預(yù)定的迭代次數(shù)后，得到最優(yōu)值，并保存最優(yōu)模型。將新的心拍樣本輸入到保存的最優(yōu)模型中，得到最終的分類(lèi)結(jié)果。

訓(xùn)練過(guò)程如圖7所示。

圖7 對(duì)抗域自適應(yīng)模型的訓(xùn)練過(guò)程

3 實(shí)驗(yàn)與結(jié)果討論

3.1 評(píng)估方法

為全面評(píng)估本研究方法心律失常分類(lèi)的結(jié)果，將混淆矩陣用于評(píng)估心拍分類(lèi)結(jié)果，多類(lèi)分類(lèi)區(qū)別于二分類(lèi)任務(wù)，其TP 表示被正確檢測(cè)到的心跳數(shù)，TN 表示未被正確檢測(cè)到的心跳數(shù)，F(xiàn)P 包含被歸為該類(lèi)別的其他類(lèi)別的心跳數(shù)，F(xiàn)N 包含這個(gè)類(lèi)別被分類(lèi)為其他類(lèi)別的心跳次數(shù)。研究包括3 個(gè)評(píng)價(jià)指標(biāo)：準(zhǔn)確性Acc（accuracy）、敏感性Sen（sensitivity）和陽(yáng)性預(yù)測(cè)值PPV（positive predictive value），指標(biāo)定義為：

3.2 數(shù)據(jù)劃分和模型調(diào)參

根據(jù)1.1 節(jié)所述的數(shù)據(jù)劃分情況，將數(shù)據(jù)集I 中所有的心跳樣本定義為源域數(shù)據(jù)，將數(shù)據(jù)集Ⅱ中每條記錄前5 min 的心跳樣本定義為目標(biāo)域數(shù)據(jù)，訓(xùn)練數(shù)據(jù)包括源域數(shù)據(jù)及其標(biāo)簽和目標(biāo)域數(shù)據(jù)，測(cè)試數(shù)據(jù)為整個(gè)數(shù)據(jù)集Ⅱ。訓(xùn)練完成后保存最優(yōu)模型，整個(gè)模型使用隨機(jī)梯度下降優(yōu)化器進(jìn)行訓(xùn)練，初始參數(shù)為默認(rèn)參數(shù)，為防止訓(xùn)練集特征學(xué)得過(guò)快而丟失重要特征的學(xué)習(xí)，初始學(xué)習(xí)率設(shè)置為0.005，并設(shè)置學(xué)習(xí)率衰減因子lr_decay 為0.95，Dropout 均設(shè)置為0.3 以防止過(guò)擬合，設(shè)置為0.25 來(lái)平衡2 個(gè)分類(lèi)器參數(shù)更新的權(quán)重，一輪訓(xùn)練的批次數(shù)batch_size 設(shè)置為64，最大迭代輪數(shù)Epochs 設(shè)置為256 輪，并設(shè)定10 輪不出現(xiàn)損失下降則訓(xùn)練停止的機(jī)制，網(wǎng)絡(luò)通過(guò)Pytorch 高級(jí)神經(jīng)網(wǎng)絡(luò)應(yīng)用編程接口（API）實(shí)現(xiàn)。

3.3 實(shí)驗(yàn)結(jié)果

3.3.1 訓(xùn)練情況

本文算法的訓(xùn)練結(jié)果如圖8 所示，為模型訓(xùn)練和測(cè)試過(guò)程中Loss曲線和精度曲線的變化情況。從圖8（a）中可以看出，測(cè)試集和訓(xùn)練集Loss 損失函數(shù)曲線趨勢(shì)相似，雖出現(xiàn)波動(dòng)但總體穩(wěn)定下降。圖8（b）訓(xùn)練集和測(cè)試集的精度逐漸向預(yù)期方向提高，測(cè)試集的精度沒(méi)有急劇或大幅度下降，說(shuō)明不存在過(guò)擬合情況。

圖8 模型訓(xùn)練過(guò)程

3.3.2 預(yù)測(cè)效果

本文算法的測(cè)試集預(yù)測(cè)情況（數(shù)據(jù)集Ⅱ）如表6混淆矩陣所示，不同種類(lèi)心拍的具體評(píng)價(jià)指標(biāo)見(jiàn)表7。本文模型在測(cè)試集樣本中的總體準(zhǔn)確率、靈敏度、陽(yáng)性預(yù)測(cè)值分別為98.8%、97.9%、98.1%，其中心室震顫的準(zhǔn)確率在各類(lèi)型中最高，達(dá)到99.8%，步速跳動(dòng)標(biāo)簽在靈敏度指標(biāo)中達(dá)到最高值99.4%，正常竇性心律標(biāo)簽在陽(yáng)性預(yù)測(cè)值中達(dá)到最好效果99.6%。該研究發(fā)現(xiàn)心拍數(shù)據(jù)量少于1000 例的類(lèi)別如室性逃逸和心室顫振，即使使用數(shù)據(jù)增廣的方法，也無(wú)法避免對(duì)該類(lèi)別因訓(xùn)練不足導(dǎo)致陽(yáng)性預(yù)測(cè)值較低的結(jié)果。對(duì)于室性逃逸類(lèi)陽(yáng)性預(yù)測(cè)值偏低的心拍類(lèi)型，需要在后續(xù)研究中進(jìn)一步提取有效、重要的心電特征來(lái)提升陽(yáng)性預(yù)測(cè)值。

表6 預(yù)測(cè)結(jié)果與真實(shí)結(jié)果的混淆矩陣

表7 測(cè)試效果指標(biāo)評(píng)估

3.3.3 實(shí)驗(yàn)?zāi)Ｐ捅容^

為了驗(yàn)證多尺度特征提取器和添加時(shí)間特征對(duì)實(shí)驗(yàn)結(jié)果的影響，采用以下3個(gè)模型進(jìn)行對(duì)比實(shí)驗(yàn)：

1）模型X。采用3個(gè)卷積層、3個(gè)池化層和2個(gè)完全連接層來(lái)構(gòu)建，卷積層的核大小均設(shè)置為3，不采用多尺度和4 個(gè)時(shí)間特征等提取特征的方法，實(shí)現(xiàn)心律失常8分類(lèi)。

2）模型X+Time4。將1.2 節(jié)提出的4 個(gè)時(shí)間特征添加到模型A的最后一層全連接層中，將拼接后的整體特征輸入Softmax分類(lèi)器進(jìn)行分類(lèi)。

3）本文提出的模型（模塊A+B+C）。在實(shí)驗(yàn)過(guò)程中，采用2 組并行的多尺度和4 個(gè)時(shí)間特征等提取特征的方法。

以上3 個(gè)模型均使用相同的輸入數(shù)據(jù)，分類(lèi)結(jié)果對(duì)比如表8所示。

從表8 中可以看出，第一組是采用單尺度提取特征的模型，而第二組增加了時(shí)間特征，時(shí)間特征是根據(jù)專(zhuān)業(yè)知識(shí)手工獲取的，類(lèi)似于向分類(lèi)器中添加專(zhuān)家知識(shí)，豐富特征信息，并且提升了特征的可解釋性，因此有效地提高了分類(lèi)的準(zhǔn)確性。

對(duì)比均添加時(shí)間特征信息的第二組單尺度模型和第三組多尺度模型，可以看出多尺度特征提取模塊可以有效提高分類(lèi)精度。這是因?yàn)閺?fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)可以更全面地提取信號(hào)的整體特征，而不是局部特征，也可以更詳細(xì)地提取部分容易被忽視的特征。由表8可知，第三組訓(xùn)練結(jié)果的總體準(zhǔn)確率為98.8%，高于前2 組，并且第三組的8 種心律失常類(lèi)別的陽(yáng)性預(yù)測(cè)值和靈敏度均顯著高于第二組。綜上所述，本文提出的多尺度對(duì)抗域自適應(yīng)模型的分類(lèi)性能優(yōu)于其他2種模型。

表8 不同模型的效果比較/%

3.3.4 與其他研究方法對(duì)比

為了使模型的有效性和泛化能力得到驗(yàn)證，將本文提出的模型與先前國(guó)內(nèi)外ECG 心電分類(lèi)研究的不同方法進(jìn)行對(duì)比。為了使研究具有可比性，故針對(duì)僅使用MIT-BIH 數(shù)據(jù)庫(kù)的研究進(jìn)行比較，研究還需滿(mǎn)足心律失常標(biāo)簽分為5～9類(lèi)，且采用準(zhǔn)確率、靈敏度、陽(yáng)性預(yù)測(cè)值進(jìn)行比較評(píng)估（若原研究中沒(méi)有上述指標(biāo)，則通過(guò)研究提供的混淆矩陣計(jì)算獲得，具體計(jì)算方法參考3.1節(jié)評(píng)估方法部分為依據(jù)進(jìn)行）。

表9列出了本文與國(guó)內(nèi)外研究的比較情況?？梢钥闯觯诮y(tǒng)一使用MIT-BIH國(guó)際標(biāo)準(zhǔn)心律失常數(shù)據(jù)庫(kù)下，本文提出的方法在準(zhǔn)確性、靈敏度、陽(yáng)性預(yù)測(cè)值等評(píng)估指標(biāo)中效果均優(yōu)于表9中的其他方法。為了確保研究時(shí)間上具有可比性，表中與近5年的3篇研究文獻(xiàn)進(jìn)行比較，研究表明本文對(duì)抗域適應(yīng)系統(tǒng)的識(shí)別性能（靈敏度和陽(yáng)性預(yù)測(cè)值）高于其他方法，尤其是陽(yáng)性預(yù)測(cè)值達(dá)到了98.1%，其正確識(shí)別并歸為某類(lèi)陽(yáng)性心律失常事件的能力遠(yuǎn)高于其他方法，同時(shí)其具備較高的精度和敏感性，驗(yàn)證了本模型具備較好的泛化能力。

表9 本文方法與其他方法比較

4 結(jié)束語(yǔ)

本文針對(duì)心電信號(hào)訓(xùn)練數(shù)據(jù)標(biāo)注較少、患者個(gè)體變異導(dǎo)致的數(shù)據(jù)分布差異以及特征提取單一等問(wèn)題，提出了一種基于對(duì)抗域自適應(yīng)的多尺度心拍分類(lèi)模型，該模型是對(duì)抗域自適應(yīng)理論應(yīng)用于心電圖信號(hào)識(shí)別分類(lèi)領(lǐng)域的一次創(chuàng)新和實(shí)踐。研究分別對(duì)該方法的A、B 和C 這3 個(gè)模塊進(jìn)行了優(yōu)化，實(shí)驗(yàn)結(jié)果表明，采用對(duì)抗域自適應(yīng)學(xué)習(xí)方法有效地提升了模型的性能和訓(xùn)練效果，并且在模塊A中設(shè)計(jì)多尺度特征提取器，在模塊C 中融合時(shí)間特征和振幅特征，可以提高提取的數(shù)據(jù)特征的豐富性和多樣性。最終在5.2萬(wàn)條心電信號(hào)的測(cè)試集的心律失常8 分類(lèi)任務(wù)中取得了98.8%的準(zhǔn)確率、97.9%的靈敏度、陽(yáng)性預(yù)測(cè)值為98.1%的效果，通過(guò)實(shí)驗(yàn)驗(yàn)證了改進(jìn)的對(duì)抗域自適應(yīng)學(xué)習(xí)分類(lèi)模型的有效性。

多尺度提取特征尺度數(shù)量的擴(kuò)充和調(diào)優(yōu)、心拍分割信號(hào)點(diǎn)長(zhǎng)度的選擇以及分類(lèi)器與時(shí)間特征、生理信息特征的融合方式等都有待進(jìn)一步研究，今后將不斷以既有思想和方法為基礎(chǔ)，更好地利用對(duì)抗域自適應(yīng)模型的優(yōu)勢(shì)，來(lái)提高心電信號(hào)識(shí)別與分類(lèi)任務(wù)的精度。