楊風健，李小琪，李洪亮

（1.東新大學計算機學系，韓國羅州58245；2.吉林醫(yī)藥學院生物醫(yī)學工程學院，吉林 吉林 132013）

根據(jù)2020 年發(fā)布的《中國心血管健康和疾病》報告顯示，心血管疾病(Cardio Vascular Disease,CVD)死亡率占所有疾病致死率首位[1]。心律失常是臨床常見而又極具危險性的心血管疾病[2]，在心律失常的診斷中，傳統(tǒng)的心律失常診斷方式依靠醫(yī)生根據(jù)專業(yè)經(jīng)驗進行判斷，不僅費時費力，而且易增加漏診與誤診的概率。卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）是一種深度前饋神經(jīng)網(wǎng)絡[3]，具有權(quán)重共享和局部連接等特性，在心電圖（Electrocardiogram，ECG）分類識別方面具有較大的優(yōu)勢[4]。

文獻[5]提出了一種基于卷積神經(jīng)網(wǎng)絡的十二導聯(lián)心電圖衍生方法，能夠減少導聯(lián)數(shù)量，并證明了該方法優(yōu)于傳統(tǒng)算法，適用性較強。文獻[6]提出了一個通過構(gòu)建CNN 模型提取特征，只采用第一導聯(lián)的心電數(shù)據(jù)，識別Physionet 數(shù)據(jù)庫中心電信號的五類心拍。文獻[7]采用CNN 模型進行心電圖的正、異常2 分類，準確率大于90%，分類較為簡單，且準確率尚有提升空間。

該研究旨在利用卷積神經(jīng)網(wǎng)絡實現(xiàn)心電信號自動五分類，為降低數(shù)據(jù)復雜度，利于在穿戴設備上實現(xiàn)，采用單導聯(lián)心電信號作為數(shù)據(jù)源，利用小波變換去除掉心電信號中的噪聲，根據(jù)R 波峰位置對心電信號進行心拍分割，設計并優(yōu)化CNN 模型進行心律失常分類識別，提高了分類準確率。

1 心電信號預處理

ECG 信號是一種微弱的生物電信號，易受工頻干擾[8]、基線漂移[9]和肌電干擾[10]三種噪聲干擾，該文采用小波分解與重構(gòu)對ECG 信號進行去噪及基線漂移抑制。以心電記錄203 為例，如圖1 所示。取前1 500 個采樣數(shù)據(jù)，對原始信號進行8 級小波分解，去除1 級、2 級、3 級和8 級信號成分，將剩余成分重構(gòu)成新的ECG 信號，實現(xiàn)較好的濾波效果，同時保留了ECG 信號原有特征。

圖1 信號203預處理對比

2 基于一維CNN的心電信號分類

該文通過Python 和TensorFlow2 構(gòu)建一維CNN模型，使用Keras 人工神經(jīng)網(wǎng)絡庫對模型進行訓練和測試。心電數(shù)據(jù)來源于美國麻省理工學院提供的MIT-BIH 心律失常數(shù)據(jù)庫，數(shù)據(jù)由48 條心電記錄組成，每條記錄時長為30 min，采樣頻率為360 Hz，該研究僅采用MLII 導聯(lián)[11-12]的心電信號作為實驗數(shù)據(jù)。共分為正常心拍（N）、房性早搏（A）、心室的心室異常（V）、左束支傳導阻滯（L）、起搏心拍（P）五類。

2.1 CNN模型構(gòu)建

圖2 所示為一個心跳周期的波形圖，由于MITBIH 數(shù)據(jù)庫中的心電數(shù)據(jù)為連續(xù)采樣數(shù)據(jù)，為了獲得更大的數(shù)據(jù)樣本，需要首先對心電數(shù)據(jù)進行切分，而進行數(shù)據(jù)切分首先需要進行R 波峰的識別，文中QRS 復合波中R 波峰位置是由差分運算結(jié)合自適應閾值法融合檢測確定的，差分閾值法[13]結(jié)構(gòu)原理簡單、容易實現(xiàn)，計算處理速度快，適用于運算復雜度低的使用場合。

圖2 心跳周期示意圖

在R 波峰位置確定后，以R 波峰位置為基準，向前取100 個采樣點，向后取200 個采樣點構(gòu)成一個完整的心拍樣本，每個心拍樣本定義為：

式中，Rpeak(k)表示心電信號的數(shù)字采樣值，表示第k個R波峰值。

按照上述方法可將心電信號拆分出92 192 個心拍樣本，CNN 模型采用9 個網(wǎng)絡層級結(jié)構(gòu)，包括4 層卷積層、3 層池化層、2 層全連接層，CNN 模型結(jié)構(gòu)如圖3 所示。

圖3 CNN模型結(jié)構(gòu)

設計CNN 模型各層參數(shù)設置如表1 所示。

表1 CNN模型每層的參數(shù)設置

該文使用Relu 函數(shù)作為卷積層的激活函數(shù)，當輸入信號小于0 時，非線性激活層會舍去信號特征，從而減小網(wǎng)絡參數(shù)間的依賴性，避免模型產(chǎn)生過擬合問題。針對多分類模型，輸出層的激活函數(shù)采用softmax 多分類器[14]，該分類器會自動選取最大概率作為CNN 分類結(jié)果的輸出。

2.2 模型優(yōu)化策略

在模型訓練過程中，采用類別交叉熵損失函數(shù)（Categorical Cross Entropy，CSE）[15]來訓練CNN 網(wǎng)絡模型，多分類的交叉熵損失函數(shù)計算如式（2）所示：

式中，N為心拍樣本總數(shù)；M為心律失常類別的數(shù)量，該研究分為五類，故M=5，yic為符號函數(shù)，當?shù)趇個心拍樣本真實類別屬于c時，其值為1，否則為0；Pic代表第i個心拍樣本心律失常類別屬于c的預測概率。

經(jīng)過多次實驗對比進行模型調(diào)參，在表2 所示參數(shù)值時模型分類效果達到最佳。

表2 CNN模型主要參數(shù)設置

3 CNN模型心律失常分類結(jié)果

3.1 評價模型指標

該文采用整體準確率（Overall Accuracy，OA）、正預測率（Positive Prediction Value，PPV）和靈敏性（Sensibility，SE）三種指標對實驗結(jié)果進行評估，計算方法如式（3）-（5）所示：

式中，TP 為正確分類的陽性樣本數(shù)；TN 為正確分類的陰性樣本數(shù)；FP 為實際為陰性誤分類成陽性的樣本數(shù)；FN 為實際為陽性誤分類成陰性的樣本數(shù)。

整體準確率（OA）為正確分類的樣本占所有樣本數(shù)的比例；正預測率（PPV）為正確分類的陽性樣本被正確預測的概率；靈敏性（SE）為正確的陽性樣本被正確分類的比例。靈敏性越高，心律失常疾病檢出正確率越高；整體準確率越高，說明模型分類性能也越好。

3.2 實驗結(jié)果

該研究將數(shù)據(jù)集按7∶3 比例隨機劃分訓練集和測試集，故訓練集心拍樣本量為64 535，測試集心拍樣本量為27 657，每次訓練完成后就驗證一次。將訓練集放入CNN 模型上訓練，并根據(jù)驗證集在其模型上的分類效果來評估模型的性能。驗證集和訓練集的準確率和損失值如圖4-5 所示。

圖4 模型在訓練集與驗證集的準確率結(jié)果

圖4 中accuracy 為訓練集的準確率，val_accuracy為驗證集的準確率；圖5 中l(wèi)oss 為訓練集的損失值，val_loss 為驗證集的損失值。

圖5 模型在訓練集與驗證集的損失值結(jié)果

通過混淆矩陣可直觀了解預測的分類和真實的類別在模型上的表現(xiàn)，構(gòu)建一維CNN 模型下的五分類混淆矩陣如圖6 所示。

圖6 CNN模型下的五分類混淆矩陣

水平方向代表預測的分類，豎直方向代表真實的分類，矩陣中的數(shù)值代表心拍樣本，0、1、2、3、4 分別代表心律失常的NAVLP 五分類。因此，對角線為正確分類的心拍樣本數(shù)。其中，N 類（正常心拍）正確分類樣本數(shù)有21 400，被錯誤分類有56 個樣本；A類（房性早搏）正確分類樣本數(shù)有476，被錯誤分類有109 個樣本；V 類（心室的心室異常）正確分類樣本數(shù)有2 021，被錯誤分類有81 個樣本；L 類（左束支傳導阻滯）正確分類樣本數(shù)有1 998，被錯誤分類有3個樣本；P 類（起搏心拍）正確分類樣本數(shù)有1 510，被錯誤分類有3 個樣本。對于測試集錯誤分類樣本數(shù)最低是L 類和P 類均為3 個樣本，最高是A 類為109 個樣本。

4 結(jié)果分析與討論

從圖4-5 可看出驗證集的準確率幾乎都高于訓練集，模型沒有出現(xiàn)過擬合現(xiàn)象，訓練集和驗證集的誤差均很小，反映了模型分類精度高且穩(wěn)定。根據(jù)圖6 所示的混淆矩陣，按照評價指標公式計算一維卷積神經(jīng)網(wǎng)絡（CNN）模型分類結(jié)果的各項指標，如表3 所示。

表3 CNN模型分類結(jié)果的各項指標

由表3 數(shù)據(jù)可知，該文提出的一維卷積神經(jīng)網(wǎng)絡（CNN）分類模型實現(xiàn)心律失常五分類的整體準確率達99%以上，從正預測率（PPV）來看，模型對N、V、L、P 類的正預測均達99%以上，而模型對A 類的正預測率為93.3%，說明心拍如果被錯誤分類，則被誤診為該類的可能性更高。再從靈敏性角度來看，模型對N、V、L、P 類的靈敏性均達97%以上，而靈敏性最低的是A 類，為81.3%。綜上所述，模型對于N、V、L、P 四類從正預測率和靈敏性的角度上均有較好的分類效果，對于A 類的分類效果較差，是因為MIT-BIH 數(shù)據(jù)庫關于A 類樣本數(shù)較少，模型訓練次數(shù)不足，能學習到的特征相對有限。

該文實驗結(jié)果與其他文獻進行比較，結(jié)果如表4所示，可見在準確率方面有提升，而且CNN 模型結(jié)構(gòu)復雜度可以接受，利用ST 公司新推出的人工智能工具包STM32Cube.AI，可進一步將該算法移植到STM32 微控制器上，實現(xiàn)便攜式或者穿戴式心律失常分類檢測，實時監(jiān)測人體健康狀況。

表4 該文與其他文獻模型分類效果比較

5 結(jié)論

在前人研究的基礎上，構(gòu)建了9 層網(wǎng)絡結(jié)構(gòu)的一維卷積神經(jīng)網(wǎng)絡模型，采用公共數(shù)據(jù)庫中的心電數(shù)據(jù)進行訓練與測試，實現(xiàn)心律失常的五分類識別，模型最終整體準確率達99%以上，取得很好的分類效果。

該文的創(chuàng)新點在于使用單導聯(lián)的心電數(shù)據(jù)和相對簡潔的模型和數(shù)據(jù)運算，實現(xiàn)較高的心律失常分類準確率，最終目標是在穿戴式設備上予以實現(xiàn)，進而達到實時監(jiān)測人體健康狀態(tài)的目的。但是，穿戴式的心電信號來源于實時的穿戴設備檢測，其實際信號質(zhì)量與MIT-BIH 數(shù)據(jù)庫將存在差別。同時，模型的泛化能力仍有較大提升空間，將在以后研究中繼續(xù)加以改進和完善。