倪娟 王劍卓

摘要：針對(duì)心電圖不同樣本間的高變異性，以及深度學(xué)習(xí)模型泛化能力不足的問題，提出一種基于Mixup的心電圖多標(biāo)簽異常心律檢測(cè)方法。首先，通過Mixup方法將心電圖與白噪聲混合；然后，利用混合樣本訓(xùn)練深度學(xué)習(xí)模型；最后，在CPSC 2018數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，該方法的F1分?jǐn)?shù)相較于Inception-ResNet-v2、MLC-CNN、STA-CRNN分別提升了0.014、0.031、0.023。

關(guān)鍵詞：Mixup方法；心電圖；多標(biāo)簽；異常心律檢測(cè)；深度學(xué)習(xí)模型

中圖分類號(hào)：TP391 ?????????????文獻(xiàn)標(biāo)志碼：A??????? ?文章編號(hào)：1674-2605（2024）03-0008-05

DOI：10.3969/j.issn.1674-2605.2024.03.008

Multi Label Abnormal Heart Rate Detection Method for ECG? Based on Mixup

Abstract： Multi label abnormal heart rate detection method based on Mixup is proposed to address the high variability of electrocardiograms between different samples and the insufficient generalization ability of deep learning models. Firstly， the electrocardiogram is mixed with white noise using the Mixup method; Then， use mixed samples to train deep learning models; Finally， the experiment was conducted on the CPSC 2018 dataset， compared to Inception-ResNet-v2， MLC-CNN， STA-CRNN， the F1 scores of this method have increased by 0.014， 0.031， and 0.023， respectively.

Keywords： Mixup method; electrocardiogram; multi label; abnormal heart rate detection; deep learning models

0 引言

心血管疾病是導(dǎo)致人類死亡的首要原因[1]。在臨床實(shí)踐中，心電圖（electrocardiogram， ECG）是診斷心血管疾病的主要手段之一。但ECG心律種類繁多，波形變化復(fù)雜，易受測(cè)量噪聲和偽跡的干擾。人工分析ECG效率較低，且對(duì)醫(yī)生臨床經(jīng)驗(yàn)和專業(yè)能力要求較高。因此，ECG多標(biāo)簽心律檢測(cè)成為信號(hào)處理、機(jī)器學(xué)習(xí)和生物醫(yī)學(xué)工程等多學(xué)科交叉領(lǐng)域的研究熱點(diǎn)[2-5]。

近年來，學(xué)者們提出了許多具有較強(qiáng)表征能力的深度學(xué)習(xí)方法，提升了心律檢測(cè)的精度。ATTALLAH等[6]通過集成5種不同結(jié)構(gòu)的深度學(xué)習(xí)模型，分類

COVID-19與其他心臟病例；實(shí)驗(yàn)結(jié)果顯示，該方法的分類準(zhǔn)確率分別為98.80%和91.73%。YANG等[7]提出一種由逐點(diǎn)卷積和深度可分離卷積模塊組成的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN），能有效地識(shí)別不同類別的異常心律。YAO等[8]設(shè)計(jì)一種基于注意力的時(shí)間增量卷積神經(jīng)網(wǎng)絡(luò)，將ECG的空間信息和時(shí)間特征融合；在2018年中國(guó)生理信號(hào)挑戰(zhàn)賽上，分類準(zhǔn)確率達(dá)到了81.2%。JIANG等[9]針對(duì)多標(biāo)簽異常心律檢測(cè)任務(wù)忽略了類別相關(guān)性的問題，提出一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的異常心律檢測(cè)方法，將不同類別之間的關(guān)聯(lián)性融入到檢測(cè)網(wǎng)絡(luò)，以提高異常心律的檢測(cè)性能。CAI等[10]提出一種多模塊多

標(biāo)簽心電分類模型，結(jié)合了一維卷積、擠壓塊等，可同時(shí)檢測(cè)55種心臟病癥狀，其宏觀F1分?jǐn)?shù)為0.863。WANG等[11]提出一種基于生成對(duì)抗網(wǎng)絡(luò)模型的異常心律分類方法，提高了小樣本分類的精度。但因異常心律之間的特征空間分布較為復(fù)雜，上述方法面臨過擬合的風(fēng)險(xiǎn)，只能學(xué)習(xí)到常見特征，而無法學(xué)習(xí)到罕見特征。

為此，本文通過Mixup方法在ECG中引入一定強(qiáng)度的白噪聲來訓(xùn)練多標(biāo)簽異常心律檢測(cè)模型，降低了模型在決策邊界附近的震蕩，提高了模型泛化能力及多標(biāo)簽異常心律檢測(cè)的性能。

1 算法設(shè)計(jì)

1.1 問題描述

針對(duì)深度學(xué)習(xí)模型易受噪聲影響，出現(xiàn)過擬合甚至梯度爆炸的現(xiàn)象，導(dǎo)致其泛化性能較差的問題，本文引入鄰域風(fēng)險(xiǎn)最小化原則[13]，在ECG中加入比例為的白噪聲，實(shí)現(xiàn)數(shù)據(jù)的真實(shí)分布建模。ECG混合樣本表示為

（1）

由于白噪聲不屬于待檢信號(hào)，因此，即ECG混合樣本的標(biāo)簽可表示為

（2）

其近似數(shù)據(jù)分布可表示為

采用最小化損失函數(shù)來確保ECG混合樣本能夠準(zhǔn)確地映射到相應(yīng)的標(biāo)簽，并獲得接近實(shí)際數(shù)據(jù)分布的結(jié)果，即

1.2 損失函數(shù)及其優(yōu)化

本文采用二元叉熵?fù)p失函數(shù)（BCELoss）來度量異常心律的分類差，計(jì)算公式為

式中：和分別為模型的預(yù)測(cè)值和數(shù)據(jù)的標(biāo)簽值。

本文采用AdamW優(yōu)化器，初始化學(xué)習(xí)率設(shè)置為2e?4，訓(xùn)練迭代次數(shù)為100次，訓(xùn)練批次大小為64。

1.3 深度學(xué)習(xí)模型結(jié)構(gòu)

深度學(xué)習(xí)模型在訓(xùn)練時(shí)容易出現(xiàn)過擬合，導(dǎo)致模型雖然在訓(xùn)練樣本上擬合得很好，但在未見過的數(shù)據(jù)上表現(xiàn)不佳。本文通過引入正則化方法——Mixup來減小模型過擬合風(fēng)險(xiǎn)。首先，采用文獻(xiàn)[14]提出的Jitter方法給原始ECG添加時(shí)間步長(zhǎng)為t的白噪聲，以為樣本混合策略，擴(kuò)展訓(xùn)練樣本范圍，如此模型能夠在噪聲干擾的環(huán)境下學(xué)習(xí)和訓(xùn)練，從而緩解深度學(xué)習(xí)模型的過擬合；然后，利用ECG混合樣本訓(xùn)練深度學(xué)習(xí)模型。本文采用一維殘差神經(jīng)網(wǎng)絡(luò)（residual network， ResNet）[15]作為多標(biāo)簽異常心律的檢測(cè)網(wǎng)絡(luò)。基于Mixup的ECG多標(biāo)簽心律分類模型框架如圖1所示。

1） 利用一個(gè)一維卷積（Conv1d）層（卷積核大小為15×1，步長(zhǎng)為1）初步提取ECG特征；

2） 通過批量歸一化層（BatchNorm1d）和激活函數(shù)（ReLU）來減輕梯度消失和梯度爆炸的問題；

3） 采用最大池化（Maxpooling）層（窗口大小為3×1，步長(zhǎng)為2）進(jìn)一步提取ECG特征；

4） 利用4個(gè)堆疊的殘差塊（Residual Block）提取ECG的深層特征，每個(gè)殘差塊包括2個(gè)Conv1d層（卷積核大小為7×1，步長(zhǎng)為1），用于捕獲ECG局部關(guān)聯(lián)關(guān)系；2個(gè)BatchNorm1d層，用于標(biāo)準(zhǔn)化卷積層輸出，從而加速訓(xùn)練并減輕梯度消失的問題；1個(gè)Dropout層，用于減少過擬合風(fēng)險(xiǎn)；2個(gè)ReLU層，用于引入非線性激活，增強(qiáng)特征表征能力；

5） 通過平均池化層（Avgpooling），對(duì)最后一個(gè)殘差塊的輸出特征降維；

6） 采用全連接層（Dense）將提取的特征向量降維，并作為分類器的輸入；

7） 利用一個(gè)激活函數(shù)（Sigmoid）得到最終的分

2 數(shù)據(jù)

2.1 數(shù)據(jù)集

為驗(yàn)證本文方法的有效性和準(zhǔn)確性，選用第一屆中國(guó)生理信號(hào)挑戰(zhàn)賽采用的數(shù)據(jù)集（CPSC 2018）[16]進(jìn)行實(shí)驗(yàn)。該數(shù)據(jù)集的ECG采樣頻率為500 Hz，包括正常類別（N）和8種異常心律（AF、I-AVB、LBBB、RBBB、PAC、PVC、STD、STE），其中，每個(gè)數(shù)據(jù)樣本由12個(gè)導(dǎo)聯(lián)組成，數(shù)據(jù)樣本時(shí)長(zhǎng)為6～60 s。

2.2 數(shù)據(jù)預(yù)處理

首先，通過中值濾波器消除ECG的基線漂移；然后，利用雙線性變換法設(shè)計(jì)數(shù)字帶阻濾波器，去除工頻干擾；接著，采用5級(jí)小波變換，選用bior4.4小波基函數(shù)，消除肌電干擾；最后，對(duì)各個(gè)導(dǎo)聯(lián)的ECG進(jìn)行極差歸一化，去除數(shù)據(jù)樣本幅值分布差異的影響。

由于CPSC 2018數(shù)據(jù)集的ECG樣本時(shí)長(zhǎng)不一致，本文將該數(shù)據(jù)集的所有ECG樣本重采樣為30 s。對(duì)于長(zhǎng)度不足15 000個(gè)采樣點(diǎn)的樣本，采用補(bǔ)零操作至15 000個(gè)采樣點(diǎn)；對(duì)于長(zhǎng)度超過15 000個(gè)采樣點(diǎn)的樣本，截取前15 000個(gè)采樣點(diǎn)。將該數(shù)據(jù)集按7∶2∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并確保各子集中的類別比例一致。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評(píng)價(jià)指標(biāo)

本文采用準(zhǔn)確率（precision rate， P）、召回率（recall rate， R）和F1分?jǐn)?shù)（F1-score， F1）作為異常心律分類性能的評(píng)價(jià)指標(biāo)，計(jì)算公式分別為

式中：TP、FP、FN分別為預(yù)測(cè)正確存在的異常心律總數(shù)、預(yù)測(cè)錯(cuò)誤實(shí)際不存在的異常心律總數(shù)和預(yù)測(cè)錯(cuò)誤實(shí)際存在的異常心律總數(shù)。

3.2 實(shí)驗(yàn)對(duì)比與分析

本實(shí)驗(yàn)運(yùn)行環(huán)境為Windows 10操作系統(tǒng)，Python 3.8，利用PyTorch 1.11深度學(xué)習(xí)框架進(jìn)行模型訓(xùn)練和測(cè)試。計(jì)算機(jī)的CPU為Intel Core i9-13900K@ 5.80 GHz，內(nèi)存為128 GB，GPU為NVIDIA Geforce RTX4090，顯存為24 GB。

為驗(yàn)證本文方法的有效性，與如下3種方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。

方法1（Inception-ResNet-v2[17]），利用遞歸圖和Inception-ResNet-v2架構(gòu)，將異常心律分類問題建模為二維圖像分類任務(wù)；

方法2（MLC-CNN[18]），利用數(shù)據(jù)分布的先驗(yàn)知識(shí)，增強(qiáng)心電異常的融合特征；

方法3（STA-CRNN[19]），利用時(shí)空注意力的卷積遞歸神經(jīng)網(wǎng)絡(luò)，重點(diǎn)關(guān)注ECG時(shí)空軸上的代表性特征。

由表1可以看出，本文方法在CPSC 2018數(shù)據(jù)集上的分類性能最好。

針對(duì)α的不同取值，設(shè)置2組實(shí)驗(yàn)方案：

實(shí)驗(yàn)組（1），將α設(shè)置為0，即不采用Mixup方法；

實(shí)驗(yàn)組（2），將α依次取值為0.2、0.4、0.6、0.8，實(shí)驗(yàn)結(jié)果如表2所示。

對(duì)比實(shí)驗(yàn)組（1）、（2）的平均F1分?jǐn)?shù)可知，原始ECG加入適量的噪聲，有助于減輕模型的過擬合，同時(shí)提高了模型的泛化能力。

此外，通過CPSC 2018多標(biāo)簽異常心律分類混淆矩陣（見圖2），解釋該模型在預(yù)測(cè)異常心律時(shí)的有效性及原因。

由圖2可以觀察到，9類患者的異常心律預(yù)測(cè)錯(cuò)誤率普遍較低，正確預(yù)測(cè)率相對(duì)較高；然而，相較于其他類別，PAC、STD和STE存在較高的錯(cuò)誤率，主要因?yàn)檫@些類別的樣本數(shù)量較少，模型難以充分學(xué)習(xí)異常心律的相關(guān)特征。

4 結(jié)論

針對(duì)多標(biāo)簽異常心律檢測(cè)任務(wù)存在難以準(zhǔn)確提取代表性特征的問題，本文采用Mixup方法在原始ECG中引入一定強(qiáng)度的白噪聲，不僅有助于增加數(shù)據(jù)的多樣性，還可以提高模型的泛化能力，從而更準(zhǔn)確地捕捉異常心律特征。然而，一些小樣本類別的檢測(cè)精度仍不盡如人意，影響了檢測(cè)性能。之后考慮利用集成學(xué)習(xí)的方法，將多個(gè)模型的預(yù)測(cè)結(jié)果進(jìn)行融合，進(jìn)一步提高小樣本類別的檢測(cè)性能。

參考文獻(xiàn)

[1] 張曉東，白曉君.防治心腦血管疾病進(jìn)入腦心同治時(shí)代[N].健康報(bào)，2024-04-17（4）.

[2] YANG S， LIAN C， ZENG Z， et al. A multi-view multi-scale neural network for multi-label ECG classification[J]. IEEE Tran-sactions on Emerging Topics in Computational Intelligence， 2023.

[3] RAN S， LI X， ZHAO B， et al. Label correlation embedding guided network for multi-label ECG arrhythmia diagnosis[J]. Knowledge-Based Systems， 2023，270：110545.

[4] SRIVASTAVA A， PRATIHER S， ALAM S， et al. A deep residual inception network with channel attention modules for multi-label cardiac abnormality detection from reduced-lead ECG[J]. Physiological Measurement， 2022，43（6）：064005.

[5] LIU H， CHEN D， CHEN D， et al. A large-scale multi-label 12-lead electrocardiogram database with standardized diagnostic statements[J]. Scientific Data， 2022， 9（1）：272.

[6] ATTALLAH O. ECG-BiCoNet： An ECG-based pipeline for COVID-19 diagnosis using Bi-Layers of deep features integra-tion[J]. Computers in Biology and Medicine， 2022，142：105210.

[7] YANG F， ZHANG X， ZHU Y. PDNet： A convolutional neural network has potential to be deployed on small intelligent devices for arrhythmia diagnosis[J]. CMES-Computer Modeling in En-gineering & Sciences， 2020， 125（1）：365-382.

[8] YAO Q， WANG R， FAN X， et al. Multi-class arrhythmia detection from 12-lead varied-length ECG using attention-based time-incremental convolutional neural network[J].Information Fusion， 2020， 53： 174-182.

[9] JIANG Z， ALMEIDA T P， SCHLINDWEIN F S， et al. Diagnostic of multiple cardiac disorders from 12-lead ECGs using graph convolutional network based multi-label classifica-tion[C]//2020 Computing in Cardiology. IEEE， 2020： 1-4.

[10] CAI J， SUN W， GUAN J， et al. Multi-ECGNet for ECG arrythmia multi-label classification[J]. IEEE Access， 2020， 8： 110848-110858.

[11] WANG Y， SUN L， SUBRAMANI S. Cab： classifying arrhythmias based on imbalanced sensor data[J]. KSII Trans Internet Inf Syst （TIIS）， 2021，15（7）：2304–2320.

[12] SUGIYAMA M， BAO H， ISHIDA T， et al. Machine learning from weak supervision： An empirical risk minimization approach[J]. MIT Press， 2022.

[13] PINTO F， YANG H， LIM S N， et al. Using Mixup as a r egularizer can surprisingly improve accuracy & out-of- distribution robustness[J]. Advances in Neural Information Processing Systems， 2022， 35： 14608- 14622.

[14] LI M P. Jitter， noise， and signal integrity at high-speed[M]. Pearson Education， 2007.

[15] ALLEN-ZHU Z， LI Y. What can resnet learnefficiently， going beyond kernels[J]. Advances in Neural Information Processing Systems， 2019，32.

[16] LIU F， LIU C， ZHAO L， et al. An open access database for evaluating the algorithms of electrocardiogram rhythm and morphology abnormality detection[J]. Journal of Medical Imaging and Health Informatics， 2018，8（7）：1368-1373; 6.

[17] ZHANG H， LIU C， ZHANG Z， et al. Recurrence plot-based approach for cardiac arrhythmia classification using inception-ResNet-v2[J]. Frontiers in Physiology， 2021，12：648950.

[18] GE Z， JIANG X， TONG Z， et al. Multi-label correlation? guided feature fusion network for abnormal ECG diagnosis[J]. Knowledge-Based Systems， 2021， 233：107508.

[19] ZHANG J， LIU A， GAO M， et al. ECG-based multi-class arrhythmia detection using spatio-temporal attention-based convolutional recurrent neural network[J]. Artificial Intelli-gence in Medicine， 2020，106：101856.