劉明　李國軍　郝華青　侯增廣　劉秀玲

基于卷積神經(jīng)網(wǎng)絡(luò)的T 波形態(tài)分類

劉明1李國軍1郝華青1侯增廣2劉秀玲1

T波形態(tài)分類有助于診斷心肌缺血、急性心包炎和心臟猝死等疾病，是心電圖遠(yuǎn)程監(jiān)控中一個(gè)重要的研究課題.傳統(tǒng)的T波分類算法依賴于T波檢測，在準(zhǔn)確定位T波的關(guān)鍵點(diǎn)之后再提取T波特征，完成分類.但是由于T波位置可能發(fā)生一定程度偏移，T波的形態(tài)多變且受到多種噪聲的干擾，T波檢測是一個(gè)難題.為了解決上述問題，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的T波分類算法：首先根據(jù)QRS波群位置及醫(yī)學(xué)統(tǒng)計(jì)規(guī)律確定一個(gè)T波候選段，然后采用卷積神經(jīng)網(wǎng)絡(luò)直接完成T波分類.由于卷積神經(jīng)網(wǎng)絡(luò)有稀疏連接、權(quán)值共享的特性，能夠通過訓(xùn)練自動(dòng)獲取T波特征，并且其特征對(duì)微小平移具備不變性且對(duì)噪聲不敏感，從而能夠有效解決T波形態(tài)分類問題.最后在MIT-BIH QT心電數(shù)據(jù)庫上對(duì)本文方法進(jìn)行測試，實(shí)驗(yàn)結(jié)果表明，本文方法可以在T波起始點(diǎn)未確定的情況下，能夠識(shí)別單峰直立、單峰倒置、低平、負(fù)正雙向、正負(fù)雙向五類T波形態(tài)，正確率達(dá)到了99.1%.

心血管病，T波形態(tài)，卷積神經(jīng)網(wǎng)絡(luò)，分類

引用格式劉明，李國軍，郝華青，侯增廣，劉秀玲.基于卷積神經(jīng)網(wǎng)絡(luò)的T波形態(tài)分類.自動(dòng)化學(xué)報(bào)，2016，42（9）：1339-1346

近年來，心血管病的發(fā)病率呈明顯上升趨勢，全國疾病監(jiān)測系統(tǒng)的監(jiān)測數(shù)據(jù)顯示，我國心血管病患者由2010年的2.7億上升至2014年的2.9億，其中高血壓患者2.7億，腦卒中患者700萬，心肌梗死患者250萬，心力衰竭患者450萬，肺心病患者500萬，風(fēng)濕性心臟病患者250萬，先天性心臟病患者200萬，即每5個(gè)成人中就有1名患心血管病.心血管病的死亡率在農(nóng)村占總死亡率的44.8%，在城市為41.9%，已然超過腫瘤及其他疾病，位居死亡率第一，大概每5例死亡者中就有2例死于心血管病，心血管病防治工作刻不容緩.采用動(dòng)態(tài)心電圖對(duì)心血管疾病患者進(jìn)行監(jiān)控是降低心血管疾病的致死率和避免并發(fā)癥的有效手段.心電圖自動(dòng)分類是動(dòng)態(tài)心電圖監(jiān)控的核心技術(shù).

現(xiàn)有醫(yī)學(xué)成果表明［1-3］，T波形態(tài)改變是心臟猝死等疾病的重要標(biāo)志，T波形態(tài)分類具有重要的醫(yī)學(xué)意義.然而由于心電信號(hào)包含復(fù)雜噪聲，而T波能量低、持續(xù)時(shí)間短、形態(tài)多變、位置可能發(fā)生偏移，這些因素導(dǎo)致T波分類技術(shù)研究成為心電信號(hào)分析領(lǐng)域一個(gè)重要課題.

Vila等［4］建立了T波的數(shù)學(xué)模型，然后根據(jù)該模型檢測T波并完成分類.但是由于噪聲的干擾，以及T波形態(tài)變化，采用數(shù)學(xué)模板檢測T波非常困難.事實(shí)上，到目前為止，T波檢測依然是心電信號(hào)處理領(lǐng)域的難題.王云鶴等［5］提取T波形態(tài)模極大值的個(gè)數(shù)和正負(fù)順序作為特征，然后利用支持向量機(jī)（Support vector machine，SVM）實(shí)現(xiàn)了T波分類，盡管該方法取得了較高的正確率，但是仍然需要準(zhǔn)確定位T波峰值.Hadjem等［6］設(shè)計(jì)了一種基于分類器集成的T波異常檢測算法，首先檢測QRS波群中Q波端點(diǎn)和T波端點(diǎn)，然后提取QT段形態(tài)特征，最后集成決策樹、支持向量機(jī)和邏輯回歸等分類器，判斷T波是否異常，該方法也需要準(zhǔn)確定位T波.上述方法取得了一定效果，但是這些方法依賴于對(duì)T波的準(zhǔn)確定位，在準(zhǔn)確確定T波關(guān)鍵點(diǎn)之后才能判斷T波形態(tài).而由于噪聲干擾、T波形態(tài)變化及T波位置偏移等因素的影響，T波準(zhǔn)確定位是難以實(shí)現(xiàn)的，在實(shí)際系統(tǒng)中只能獲取一個(gè)包含T波的候選段.基于此，本文研究了基于T波候選段的T波分類技術(shù)，并且采用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征并完成分類.

神經(jīng)網(wǎng)絡(luò)算法研究一直是模式識(shí)別領(lǐng)域的熱點(diǎn)課題.Liu等［7-8］對(duì)自適應(yīng)神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)并且應(yīng)用于非線性系統(tǒng)跟蹤控制.Zhang等［9］對(duì)連續(xù)時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行了全面探討.卷積神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的衍生改進(jìn)，它的稀疏連接、權(quán)值共享的特殊結(jié)構(gòu)不僅大大降低了模型的復(fù)雜度，而且使其獲取的特征對(duì)于噪聲干擾以及目標(biāo)的位置變化和尺度縮放具有良好的魯棒性.目前卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用到各種模式分類問題中.其中，McDonnell等［10］利用一種快速學(xué)習(xí)的淺層卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像分類，利用谷歌網(wǎng)絡(luò)中街景門票號(hào)碼數(shù)據(jù)庫進(jìn)行驗(yàn)證，正確識(shí)別率高達(dá)96%. Kalchbrenner等［11］利用卷積神經(jīng)網(wǎng)絡(luò)模型處理不同長度的語句，采用捕捉到的語句的長短和特征圖實(shí)現(xiàn)情感識(shí)別.Dosovitskiy等［12］利用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造椅子、桌子、汽車的三維模型，經(jīng)過訓(xùn)練后可以準(zhǔn)確計(jì)算不同對(duì)象之間的相似度.將卷積神經(jīng)網(wǎng)絡(luò)引入T波分類問題，可以克服心電噪聲和T波位置改變等因素對(duì)T波形態(tài)分類的干擾.

本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的T波分類算法，首先利用小波重構(gòu)的辦法檢測R波峰值，從而確定QRS波群位置，然后根據(jù)醫(yī)學(xué)統(tǒng)計(jì)規(guī)律確定一個(gè)T波候選段，最后將構(gòu)建好的數(shù)據(jù)集輸入卷積神經(jīng)網(wǎng)絡(luò)中完成T波的形態(tài)學(xué)分類.與傳統(tǒng)的先通過T波檢測定位T波位置再對(duì)T波分類的方法相比，本文利用卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)提取特征，并且其特征對(duì)噪聲和目標(biāo)位置改變等因素魯棒的特點(diǎn)，直接對(duì)T波候選段進(jìn)行分類，避開了T波檢測這一難點(diǎn)，成功實(shí)現(xiàn)了T波形態(tài)分類.

1　算法實(shí)現(xiàn)

本文利用卷積神經(jīng)網(wǎng)絡(luò)的稀疏連接、權(quán)值共享的特點(diǎn)對(duì)T波形態(tài)進(jìn)行特征提取、形態(tài)學(xué)分類.本文首先利用小波重構(gòu)的辦法檢測R波峰值，然后根據(jù)檢測到的R波峰值提取T波候選段，最后結(jié)合心電信號(hào)具有的大數(shù)據(jù)特征，構(gòu)建數(shù)據(jù)集并輸入卷積神經(jīng)網(wǎng)絡(luò)中完成T波的形態(tài)學(xué)分類.本文算法流程圖如圖1所示.

1.1數(shù)據(jù)預(yù)處理

采用小波變換［13］對(duì)心電信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，去噪并標(biāo)記出R波波峰位置.

步驟1.采用自適應(yīng)閾值法去噪.相比于固定閾值方法，算法自適應(yīng)地調(diào)節(jié)閾值，使得不同尺度具有不同閾值，增強(qiáng)了算法對(duì)不同類噪聲的適應(yīng)性，提高了算法的穩(wěn)定性.自適應(yīng)閾值定義為

其中，Sk=2（L-k）/L，L為小波的總分解尺度，k為閾值小波尺度，與小波分解尺度相關(guān)，不同尺度具有不同閾值，正好與小波分析的多分辨率相適應(yīng).

步驟2.對(duì)信號(hào)小波重構(gòu)［13］.心電信號(hào)的絕大部分能量集中于QRS波群，P波和T波能量很小，重構(gòu)信號(hào)中能量小的P波和T波被減弱，能量大的QRS波群被增強(qiáng)和凸顯，而能量峰值即是R波峰值.然后對(duì)濾波信號(hào)加時(shí)間窗，并在窗內(nèi)搜索極大值點(diǎn)，該點(diǎn)即為R波峰值位置.圖2為一段R波峰值檢測的心電圖，峰值用三角形符號(hào)標(biāo)出.

圖2　R波波峰檢測示意圖Fig.2Illustration of the R wave peak detection

1.2T波候選段獲取

1.2.1T波形態(tài)

T波位于S-T段之后，是一個(gè)比較低而占時(shí)較長的波，是由心室復(fù)極產(chǎn)生的.正常T波鈍圓占時(shí)較長，從基線開始緩慢上升然后較快下降，形成前肢較長、后肢較短的波形.T波方向常和QRS波群的主波方向一致.根據(jù)醫(yī)學(xué)統(tǒng)計(jì)，T波從形態(tài)學(xué)上可以分為五類：單峰倒置（A）、單峰直立（B）、正負(fù)雙向（C）、負(fù)正雙向（D）、低平（E），如圖3所示.

1.2.2T波候選段獲取

以測到的R波為基準(zhǔn)點(diǎn)定位，在R波之后定義一個(gè)包含有T波的長度和位置的數(shù)據(jù)候選段，然后把得到的數(shù)據(jù)段截取出來，如圖4和圖5所示，其中，每個(gè)T波候選段截取的步驟如下：

步驟1.根據(jù)RR間期估算出T波起點(diǎn)［14］

其中，T表示T波起點(diǎn)，RR表示RR間期.

步驟2.根據(jù)RR間期估計(jì)QT間期長度（它表示了Q波起點(diǎn)至T波終點(diǎn)的間期）.已知R波通常滯后Q波30～70ms左右，因此可以采用下面的Ashmsn公式估計(jì)QT間期長度

其中K取值0.380.

步驟3.找到T波候選段之后，截取并儲(chǔ)存T波候選段.

圖3　T波形態(tài)示例Fig.3Illustration of the shapes of the T wave

圖4　心電信號(hào)示意圖Fig.4Illustration of the electrocardiograph（ECG）signal

1.3卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)受到早期的時(shí)延神經(jīng)網(wǎng)絡(luò)的啟發(fā)，是一種特殊的深層神經(jīng)網(wǎng)絡(luò)模型.一方面它的神經(jīng)元間的連接是稀疏連接的；另一方面同一層中某些神經(jīng)元之間連接的權(quán)重是共享的，通過挖掘數(shù)據(jù)空間上的相關(guān)性，減少網(wǎng)絡(luò)中的可訓(xùn)練參數(shù)的數(shù)量，提高其優(yōu)化算法的效率.

卷積網(wǎng)絡(luò)通過在相鄰兩層之間強(qiáng)制使用稀疏連接模式來利用信號(hào)的空間局部特性，如圖6在第m層的隱層單元只與第m-1層的輸入單元的局部區(qū)域有連接，第m-1層的這些局部區(qū)域被稱為空間連續(xù)的接受域，如果第m-1層為輸入層，第m層的接受域?qū)挾葹?，即該層的每個(gè)單元僅與輸入層的3個(gè)相鄰神經(jīng)元相連，第m層與第m+1層具有類似的鏈接規(guī)則，這種結(jié)構(gòu)將學(xué)習(xí)到的特征限制在局部空間模式.從圖6可以看出，多個(gè)這樣的層堆疊起來后會(huì)使得局部空間逐漸成為全局.如圖7所示，每個(gè)稀疏過濾器通過共享權(quán)值都會(huì)覆蓋全局可視域，這些共享權(quán)值的單元構(gòu)成一個(gè)特征映射，重復(fù)單元能夠?qū)μ卣鬟M(jìn)行識(shí)別而不考慮它在可視域中的位置，使得我們能更有效地進(jìn)行特征提取，極大減少了需要學(xué)習(xí)變量的個(gè)數(shù).

圖6　稀疏鏈接示意圖Fig.6Illustration of the sparse connection

圖7　權(quán)值共享示意圖Fig.7Illustration of the weight share

稀疏鏈接和權(quán)值共享的網(wǎng)絡(luò)結(jié)構(gòu)使卷積神經(jīng)網(wǎng)絡(luò)更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量，對(duì)平移、比例縮放、傾斜或者其他形式的變形具有高度不變性.此外，通過對(duì)網(wǎng)絡(luò)中卷積核進(jìn)行優(yōu)化，可使其獲得的特征對(duì)噪聲魯棒.

1.3.2針對(duì)T波搭建的卷積神經(jīng)網(wǎng)絡(luò)模型

將卷積神經(jīng)網(wǎng)絡(luò)分為兩部分，特征提取部分負(fù)責(zé)學(xué)習(xí)T波有效特征以助于分類結(jié)果；特征分類部分利用提取特征對(duì)T波進(jìn)行準(zhǔn)確分類.二者協(xié)作完成對(duì)T波的形態(tài)學(xué)分類.由于卷積神經(jīng)網(wǎng)絡(luò)本來是用來處理二維數(shù)據(jù)的，想要用來處理一維信號(hào)，必須對(duì)其進(jìn)行調(diào)整.

特征提取部分由卷基層和下采樣層交替組成.卷基層（C—層）可以看作是模糊濾波器，使原信號(hào)特征增強(qiáng)并且降低噪音.在卷積層中，上一層的特征向量與當(dāng)前層的卷積核進(jìn)行卷積，卷積運(yùn)算的結(jié)果經(jīng)過激活函數(shù)后形成了這一層的特征映射.卷積層輸出可以用下式表示：

下采樣層（S—層）利用局部相關(guān)性的原理對(duì)數(shù)據(jù)進(jìn)行子抽樣，在減少數(shù)據(jù)維數(shù)的同時(shí)保留有用信息，同時(shí)采用池化技術(shù)來保持特征，使特征具有位移、縮放和不變性.下采樣層具有二次特征提取的作用，隱層與隱層之間空間分辨率遞減，其計(jì)算公式為

就這樣我回憶著他們的一些生活片斷，在這天上午來到他們的寓所，我覺得自己很久沒來敲他們的門了，當(dāng)萍萍為我打開他們的房門時(shí)，我發(fā)現(xiàn)萍萍的樣子變了一些，她好像是胖了，要不就是瘦了。

圖8是針對(duì)T波分類構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、卷積層、采樣層、輸出層.每個(gè)神經(jīng)元的輸入與前一層的輸出相連，提取局部特征.在卷積層C1中分布了3個(gè)長度為15個(gè)采樣點(diǎn)的卷積核，其輸入為116個(gè)采樣點(diǎn)的T波候選段，輸出3個(gè)長度為102個(gè)采樣點(diǎn)的特征向量；下采樣層S1對(duì)C1層中輸出的特征向量進(jìn)行池化操作，將特征向量壓縮為51個(gè)采樣點(diǎn).C2層包含3個(gè)長度為22個(gè)采樣點(diǎn)的卷積核，輸出是9個(gè)長度為30個(gè)采樣點(diǎn)的特征向量，卷積之后的特征向量被S2層再次池化之后，最終送入輸出層計(jì)算分類結(jié)果.這種卷積神經(jīng)網(wǎng)絡(luò)特有的兩次特征提取結(jié)構(gòu)使網(wǎng)絡(luò)在識(shí)別時(shí)對(duì)輸入數(shù)據(jù)有較高的畸變?nèi)萑棠芰?

1.3.3訓(xùn)練算法

卷積神經(jīng)網(wǎng)絡(luò)是輸入到輸出的映射，能夠在不需要任何輸入和輸出之間的精確數(shù)學(xué)表達(dá)式的前提下，利用已標(biāo)記的數(shù)據(jù)進(jìn)行訓(xùn)練，建立輸入輸出對(duì)之間的映射關(guān)系.

如圖9所示，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如下：

圖8　T波分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.8Architecture of the convolution neural network for T wave classification

圖9　參數(shù)優(yōu)化示意圖Fig.9Diagram of the parameter optimization

步驟1.訓(xùn)練開始之前，將各權(quán)值W和后續(xù)步驟需要用到的閾值參數(shù)δ設(shè)置為近似0的隨機(jī)數(shù)，將卷積神經(jīng)網(wǎng)絡(luò)模型初始化.

步驟2.從構(gòu)建的訓(xùn)練集中，隨機(jī)取出100個(gè)樣本構(gòu)成一個(gè)訓(xùn)練組，作為輸入加入卷積神經(jīng)網(wǎng)絡(luò)，同時(shí)給目標(biāo)指定輸出矢量.

步驟3.利用式（5）～（7）計(jì)算實(shí)際輸出矢量，與給定目標(biāo)輸出矢量比較，根據(jù)式（10）計(jì)算誤差E；并計(jì)算權(quán)值W和閾值δ的調(diào)整量.

其中，α代表學(xué)習(xí)率，j代表隱含層神經(jīng)單元，k代表輸出層神經(jīng)單元，M代表輸出層神經(jīng)單元個(gè)數(shù)，hj代表隱含層輸出矢量，W為需要調(diào)整的權(quán)值，δ為需要調(diào)整的閾值.

步驟4.判斷是否滿足精度要求

其中，E是總誤差函數(shù)，yk代表輸出矢量，dk代表目標(biāo)矢量.如果不滿足，則返回步驟3，繼續(xù)迭代；如果滿足，則訓(xùn)練結(jié)束，將權(quán)值和閾值保存，認(rèn)為各個(gè)權(quán)值已經(jīng)達(dá)到穩(wěn)定，分類器形成.再進(jìn)行訓(xùn)練時(shí)，直接從文件導(dǎo)出權(quán)值和閾值進(jìn)行訓(xùn)練，不需要進(jìn)行初始化.

2　測試結(jié)果及分析

本文是利用QT數(shù)據(jù)庫進(jìn)行的實(shí)驗(yàn)驗(yàn)證，該數(shù)據(jù)庫的數(shù)據(jù)是由MIT-BIH心律失常數(shù)據(jù)庫和歐洲的ST-T數(shù)據(jù)庫提供的.QT數(shù)據(jù)庫是按照MITBIH數(shù)據(jù)庫標(biāo)準(zhǔn)格式設(shè)置的，它以selnnnn記錄名稱，其中，nnnn是源數(shù)據(jù)庫中的原始記錄的名稱.每個(gè)記錄包含一個(gè)信號(hào)文件（record.dat）、頭文件（record.hea）和幾個(gè)注釋的文件.該數(shù)據(jù)庫包括105個(gè)雙通道動(dòng)態(tài)心電記錄，每個(gè)記錄時(shí)長15分鐘.這些數(shù)據(jù)可以通過QT數(shù)據(jù)庫提供的算法自動(dòng)標(biāo)注T波位置，甚至其中每條記錄中部分?jǐn)?shù)據(jù)（至少30個(gè)節(jié)拍）的T波位置是由專家手工標(biāo)注.同時(shí)這些記錄中的每個(gè)子集的節(jié)拍都可以使用交互式圖形顯示，這使我們能夠更好地進(jìn)行T波變異的研究.為了驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)的性能，本文從QT數(shù)據(jù)庫中取得并標(biāo)注了8000個(gè)長度為116采樣點(diǎn)的標(biāo)準(zhǔn)數(shù)據(jù)，用來構(gòu)建訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，這兩個(gè)數(shù)據(jù)集之間沒有重復(fù)的數(shù)據(jù).在訓(xùn)練完成之后，用卷積神經(jīng)網(wǎng)絡(luò)對(duì)測試集進(jìn)行分類識(shí)別，最終把實(shí)驗(yàn)取得的結(jié)果和專家標(biāo)注結(jié)果進(jìn)行對(duì)比，T波檢測并分類出來的正確率到達(dá)了99.1%，其分類結(jié)果如表1所示.

表1　分類結(jié)果Table 1Classification results

2.1卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化

2.1.1訓(xùn)練次數(shù)選擇

為了探究卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)與數(shù)據(jù)識(shí)別率的關(guān)系，本文在卷積核個(gè)數(shù)固定為3的情況下，通過調(diào)整訓(xùn)練次數(shù)來觀察相應(yīng)的數(shù)據(jù)集的正確識(shí)別率變化.實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)訓(xùn)練集只訓(xùn)練一次的時(shí)候，測試集正確識(shí)別率只有85.7%，隨著訓(xùn)練次數(shù)的增加，當(dāng)訓(xùn)練次數(shù)達(dá)到10次，測試集正確率達(dá)到99.1%，并且即使訓(xùn)練次數(shù)繼續(xù)增加，測試集識(shí)別率也并沒有變化.這說明，隨著訓(xùn)練次數(shù)的增加，卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征也會(huì)越發(fā)準(zhǔn)確，數(shù)據(jù)集的正確識(shí)別率也會(huì)增加.但是數(shù)據(jù)的識(shí)別率并不會(huì)越來越高，當(dāng)訓(xùn)練次數(shù)達(dá)到一定程度以后，網(wǎng)絡(luò)已經(jīng)學(xué)習(xí)到足夠的有效特征，識(shí)別率趨于穩(wěn)定.訓(xùn)練次數(shù)和測試集識(shí)別率的關(guān)系如表2所示.

表2　不同訓(xùn)練次數(shù)下的識(shí)別率（%）Table 2Recognition rates under different training times（%）

2.1.2卷積核個(gè)數(shù)選擇

由于我們獲得T波候選段含有復(fù)雜信息（它不僅需要學(xué)習(xí)形態(tài)和幅值兩種特征，而且包含復(fù)雜冗余信息），所以卷積核的個(gè)數(shù)選擇也非常重要.為了探究卷積神經(jīng)網(wǎng)絡(luò)卷積核個(gè)數(shù)與數(shù)據(jù)識(shí)別率的關(guān)系，本文在訓(xùn)練次數(shù)固定為10次的情況下，通過調(diào)整卷積核個(gè)數(shù)來觀察相應(yīng)的數(shù)據(jù)集的正確識(shí)別率變化.實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)卷積核個(gè)數(shù)選擇2個(gè)時(shí)，完成訓(xùn)練消耗的時(shí)間為22.95s，其測試集識(shí)別率為95.7%，當(dāng)卷積核為3個(gè)時(shí)，完成訓(xùn)練消耗的時(shí)間為39.8s，但是測試集識(shí)別率提高到了99.1%.隨著卷積核的增多，消耗的時(shí)間也越來越長.因此在保證識(shí)別準(zhǔn)確率的基礎(chǔ)上，在訓(xùn)練樣本的時(shí)候，需要選擇合適的卷積核個(gè)數(shù)，以減少時(shí)間的消耗.卷積核個(gè)數(shù)和系統(tǒng)需要消耗的時(shí)間、測試集正確率的關(guān)系如表3所示.

表3　卷積核個(gè)數(shù)選擇Table 3Choice of the number of the convolution kernel

2.2與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)對(duì)比

卷積神經(jīng)網(wǎng)絡(luò)通過稀疏連接、權(quán)值共享的特點(diǎn)將特征提取功能融合進(jìn)多層感知器，能夠通過訓(xùn)練自動(dòng)獲取T波特征，并且其特征對(duì)微小平移具備不變性，且對(duì)噪聲不敏感，從而能夠有效解決T波形態(tài)分類問題.為了測試卷積神經(jīng)網(wǎng)絡(luò)在T波分類識(shí)別方面的優(yōu)越性，本文選擇了經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)與其進(jìn)行對(duì)比驗(yàn)證.BP神經(jīng)網(wǎng)絡(luò)是經(jīng)典的神經(jīng)網(wǎng)絡(luò)，至今仍然被廣泛使用.我們?cè)O(shè)計(jì)了一個(gè)BP神經(jīng)網(wǎng)絡(luò)，其輸入層有116個(gè)節(jié)點(diǎn)，輸出層有5個(gè)節(jié)點(diǎn)，每一個(gè)輸出節(jié)點(diǎn)對(duì)應(yīng)一類樣本，并采用非線性的Sigmoid函數(shù)作為傳輸函數(shù).接著我們用對(duì)卷積神經(jīng)網(wǎng)絡(luò)性能測試的數(shù)據(jù)集對(duì)BP神經(jīng)網(wǎng)絡(luò)測試，測試結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)的測試正確率達(dá)到了96.7%.它的正確率比卷積神經(jīng)網(wǎng)絡(luò)低2.4%.這是由于T波候選段本身能量低和含有復(fù)雜冗余信息，對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值運(yùn)算容易陷入局部最優(yōu)值和易出現(xiàn)過訓(xùn)練的情況，對(duì)分類正確率造成影響.結(jié)果如表4所示.

表4　與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)對(duì)比（%）Table 4Comparison with the classical BP neural network（%）

2.3與傳統(tǒng)T波分類方法的對(duì)比

文獻(xiàn)［5］提出利用支持向量機(jī)（SVM）的方法對(duì)T波進(jìn)行識(shí)別分類.首先進(jìn)行T波峰值的檢測定位，找到T波之后，利用找到的T波段構(gòu)建數(shù)據(jù)集，利用SVM針對(duì)同一人同一類的T波單獨(dú)進(jìn)行識(shí)別分類，其各形態(tài)綜合正確率達(dá)到98.2%左右.與文獻(xiàn)［5］的方法相比，本文不僅避開了T波檢測這一難題，而且實(shí)現(xiàn)了多形態(tài)T波數(shù)據(jù)集的準(zhǔn)確分類.在醫(yī)學(xué)實(shí)例中，病人T波形態(tài)復(fù)雜多變，同一個(gè)人往往含有不同形態(tài)的T波，與前人工作相比，本文方法顯然更快捷有效、簡單具有實(shí)用性.文獻(xiàn)［6］設(shè)計(jì)了一種基于分類器集成的T波異常檢測算法，首先檢測QRS波群中Q波端點(diǎn)和T波端點(diǎn)，然后提取QT段形態(tài)特征，最后集成決策樹、支持向量機(jī)和邏輯回歸等分類器，判斷T波是否異常.并通過采集真實(shí)心電數(shù)據(jù)對(duì)其方法進(jìn)行驗(yàn)證，其精度最后達(dá)到了92.54%.然而，該方法需要準(zhǔn)確地定位T波.但是在醫(yī)學(xué)實(shí)例中，由于T波形態(tài)具有復(fù)雜的個(gè)體差異、位置偏移嚴(yán)重，如果對(duì)每個(gè)病人單獨(dú)檢測QT特征，不僅工作量巨大，而且消耗的時(shí)間過多.本文方法與文獻(xiàn)［5-6］中的方法數(shù)據(jù)對(duì)比如表5所示.

表5　與傳統(tǒng)T波分類方法的對(duì)比（%）Table 5Comparison with traditional T wave classification methods（%）

3　結(jié)論

T波形態(tài)分類有助于診斷心肌缺血、急性心包炎、腦血管意外等疾病，是心電圖遠(yuǎn)程監(jiān)控中一個(gè)重要的研究課題.傳統(tǒng)的T波分類算法依賴于T波檢測，在準(zhǔn)確定位T波的關(guān)鍵點(diǎn)之后再提取T波特征，完成分類.但是由于T波位置可能發(fā)生一定程度偏移，T波的形態(tài)多變且受到多種噪聲的干擾，T波檢測是一個(gè)難題.本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的T波分類算法，利用QRS波群位置及醫(yī)學(xué)統(tǒng)計(jì)規(guī)律確定一個(gè)T波候選段，然后采用卷積神經(jīng)網(wǎng)絡(luò)直接完成T波分類.由于卷積神經(jīng)網(wǎng)絡(luò)有稀疏連接、權(quán)值共享的特性，其能夠通過訓(xùn)練自動(dòng)獲取T波特征，并且其特征對(duì)微小平移具備不變性，且對(duì)噪聲不敏感，從而能夠有效解決T波形態(tài)分類問題.最后在QT心電數(shù)據(jù)庫上對(duì)本文方法進(jìn)行測試，實(shí)驗(yàn)結(jié)果表明，本文方法在T波起始點(diǎn)未確定的情況下，能夠識(shí)別單峰直立、單峰倒置、低平、負(fù)正雙向、正負(fù)雙向五類T波形態(tài)，正確率達(dá)到了99.1%.但是本文由于采取的數(shù)據(jù)依然有限，提供給卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本也不夠完備，導(dǎo)致在識(shí)別差異比較大的T波時(shí)會(huì)出現(xiàn)些誤差，分類的結(jié)果具有一定的局限性.在下一步的工作中，一方面應(yīng)該加大數(shù)據(jù)集，充分發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)對(duì)大數(shù)據(jù)處理方面的優(yōu)勢；另一方面尋找更簡單有效的分類方法，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化.

References

1 Xia Yun-Long，Yang Yan-Zong.Controversial in mechanisms of genesis of T wave.Advances in Cardiovascular Diseases，2010，31（4）：497-499（夏云龍，楊延宗.T波形成的心電生理機(jī)制及其爭議.心血管病學(xué)進(jìn)展，2010，31（4）：497-499）

2 Qian Min.The diagnosis and clinical significance of T wave changes in electrocardiogram.Chinese Journal of Convalescent Medicine，2014，23（8）：684-686（錢敏.心電圖T波改變的診斷與臨床意義.中國療養(yǎng)醫(yī)學(xué)，2014，23（8）：684-686）

3 Kania M，F(xiàn)ereniec M，Maniewski R.Evaluation of T-wave morphology dispersion in high-resolution ECG for risk stratification of sudden cardiac death.In：Proceedings of the 2012 Computing in Cardiology.Krakow：IEEE，2012.785-788

4 Vila J，Gang Y，Presedo J，F(xiàn)ernandez-Delgado M，Barro S，Malik M.A mathematical model for the T-wave pattern classification.In：Proceedings of the 1998 Computers in Cardiology.Cleveland，OH：IEEE，1998.421-424

5 Wang Yun-He，Qian Meng-Yao，Liu Ding-Yu，Rao Ni-Ni. Study on detection method of T waves with different morphologies in electrocardiogram.Space Medicine and Medical Engineering，2013，26（4）：295-298（王云鶴，錢夢瑤，劉定宇，饒妮妮.心電信號(hào)多形態(tài)T波檢測方法研究.航天醫(yī)學(xué)與醫(yī)學(xué)工程，2013，26（4）：295-298）

6 Hadjem M，Nait-Abdesselam F.An ECG T-wave anomalies detection using a lightweight classification model for wireless body sensors.In：Proceedings of the 2015 IEEE International Conference on Communication Workshop.London，UK：IEEE，2015.278-283

7 Liu Y J，Tang L，Tong S C，Chen C L P.Adaptive NN controller design for a class of nonlinear MIMO discretetime systems.IEEE Transactions on Neural Networks and Learning Systems，2015，26（5）：1007-1018

8 Liu Y J，Gao Y，Tong S C，Chen C L P.A unified approach to adaptive neural control for nonlinear discrete-time systems with nonlinear dead-zone input.IEEE Transactions on Neural Networks and Learning Systems，2016，27（1）：139-150

9 Zhang H G，Wang Z S，Liu D R.A comprehensive review of stability analysis of continuous-time recurrent neural networks.IEEE Transactions on Neural Networks and Learning Systems，2014，25（7）：1229-1262

10 McDonnell M D，Vladusich T.Enhanced image classification with a fast-learning shallow convolutional neural network. In：Proceedings of the 2015 International Joint Conference on Neural Networks.Killarney，Ireland：IEEE，2015.1-7

11 Kalchbrenner N，Grefenstette E，Blunsom P.A convolutional neural network for modelling sentences.In：Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics.Baltimore，USA：Association for Computational Linguistics，2014.655-665

12 Dosovitskiy A，Springenberg J T，Brox T.Learning to generate chairs with convolutional neural networks.In：Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition.Boston，US：IEEE，2015.1538-1546

13 Liu X L，Yang J L，Zhu X Y，Zhou S P，Wang H R，Zhang H.A novel R-peak detection method combining energy and wavelet transform in electrocardiogram signal.Biomedical Engineering：Applications，Basis and Communications，2014，26（1）：1-9

14 Zhang Shi-Jie.Detection Method Research for T Wave Alternans in Electrocardiogram［Master dissertation］，Wuhan University of Technology，China，2009.（張世杰.心電信號(hào)中T波交替的檢測方法研究［碩士學(xué)位論文］，武漢理工大學(xué)，中國，2009.）

劉明河北大學(xué)副教授.主要研究方向?yàn)槟Ｊ阶R(shí)別，心電信號(hào)處理.

E-mail：liuming@hbu.cn

（LIU MingAssociate professor at Hebei University.His research interest covers pattern recognition and ECG signal processing.）

李國軍河北大學(xué)碩士研究生.主要研究方向?yàn)槟Ｊ阶R(shí)別，心電信號(hào)處理.

E-mail：l631440866@163.com

（LIGuo-JunMaster student at Hebei University.His research interest covers pattern recognition and ECG signal processing.）

郝華青河北大學(xué)碩士研究生.主要研究方向?yàn)槟Ｊ阶R(shí)別，心電信號(hào)處理.

E-mail：huaqingdeyouxiang@163.com

（HAO Hua-QingMaster student at Hebei University.Her research interest covers pattern recognition and ECG signal processing.）

侯增廣中國科學(xué)院自動(dòng)化研究所研究員，復(fù)雜系統(tǒng)管理與控制國家重點(diǎn)實(shí)驗(yàn)室副主任.主要研究方向?yàn)榍度胧较到y(tǒng)軟硬件開發(fā)，機(jī)器人控制，智能控制理論與方法，醫(yī)學(xué)和健康自動(dòng)化領(lǐng)域的康復(fù)與手術(shù)機(jī)器人.

E-mail：zengguang.hou@ia.ac.cn

（HOU Zeng-GuangProfessor at the Institute of Automation，Chinese Academy of Sciences，and deputy director of the State Key Laboratory of Management and Control for Complex Systems.His research interest covers embedded software and hardware development，robotics and intelligent control with applications to rehabilitation and surgical robots for medical and health automation.）

劉秀玲河北大學(xué)電子信息工程學(xué)院教授.主要研究方向?yàn)樾难芟到y(tǒng)智能分析.本文通信作者.

E-mail：liuxiuling121@hotmail.com

（LIUXiu-LingProfessor at the College of Electronic and Information Engineering，Hebei University.Her main research interest is intelligent analysis of cardiovascular system.Corresponding author of this paper.）

T Wave Shape Classification Based on Convolutional Neural Network

LIU Ming1LI Guo-Jun1HAO Hua-Qing1HOU Zeng-Guang2LIU Xiu-Ling1

T wave shape classification which is helpful for the diagnosing of many cardiovascular diseases such as myocardial ischemia，acute pericarditis and sudden cardiac death，is an important research topic in electrocardiogram remote monitoring.The method of traditional T wave shape classification is based on the accurate detection of the T wave.It is implemented after the T wave delineation and feature extraction.However，T wave detection is difficult because of the position shift，morphologic variation and multi-noise.To resolve this problem，this paper proposes to classify T wave shape based on convolutional neural network.In the new method，firstly，a candidate data segment which contains the T wave is intercepted based on the location of the QRS wave and the medical statistical knowledge.Then the T wave is classified directly based on the convolutional neural network.Due to the advantages of sparse connection and weight share，the convolutional neural network can extract T wave feature by data training and it is robust to the poison shift and noise.So the convolutional neural network can resolve the T wave shape classification problem efficiently.The new method is tested on the MIT-BIH QT database；the experimental results show that the new method performs well in T wave shape classification without T wave delineation and the classification accuracy is 99.1%.

Cardiovascular disease，T wave morphology，convolutional neural network，classification

Manuscript December 8，2015；accepted February 27，2016

10.16383/j.aas.2016.c150817

Liu Ming，Li Guo-Jun，Hao Hua-Qing，Hou Zeng-Guang，Liu Xiu-Ling.T wave shape classification based on convolutional neural network.Acta Automatica Sinica，2016，42（9）：1339-1346

2015-12-08錄用日期2016-02-27

國家自然科學(xué)基金（61473112），河北省杰出青年基金（F20162011 86），河北省自然科學(xué)基金（F2015201112），河北省高等學(xué)校科學(xué)技術(shù)研究項(xiàng)目（ZD2015067）資助

Supported by National Natural Science Foundation of China（61473112），F(xiàn)oundation for Distinguished Young Scholars of Hebei Province（F2016201186），Natural Science Foundation of Hebei Province（F2015201112），and Science and Technology Research Project for Universities and Colleges in Hebei Province（ZD2015067）

本文責(zé)任編委劉艷軍

Recommended by Associate Editor LIU Yan-Jun

1.河北大學(xué)河北省數(shù)字醫(yī)療工程重點(diǎn)實(shí)驗(yàn)室保定0710022.中國科學(xué)院自動(dòng)化研究所復(fù)雜系統(tǒng)管理與控制國家重點(diǎn)實(shí)驗(yàn)室北京100190

1.Hebei Provincial Key Laboratory of Digital Medical Engineering，Hebei University，Baoding 0710022.State Key Laboratory of Management and Control for Complex Systems，Institute of Automation，Chinese Academy of Sciences，Beijing 100190