瞿文鳳

（西華大學(xué)計(jì)算機(jī)與軟件工學(xué)院，成都610039）

0 引言

心血管疾病是一種慢性疾病，其特點(diǎn)是高風(fēng)險(xiǎn)性和急性發(fā)作，這對(duì)人們的健康是一個(gè)嚴(yán)重的威脅。近年來，針對(duì)心電信號(hào)的自動(dòng)分類算法研究層出不窮，傳統(tǒng)的心電分類方法是先選擇特征提取方法，再選擇分類技術(shù)，這種方法嚴(yán)重依賴人工提取特征，費(fèi)時(shí)費(fèi)力，且提取的特征好壞嚴(yán)重影響后續(xù)分類結(jié)果[1]。所以如何從大量的心電數(shù)據(jù)中自動(dòng)學(xué)習(xí)好的特征并進(jìn)行分類以提高算法的準(zhǔn)確率，已經(jīng)稱為研究人員們廣泛關(guān)注的研究熱點(diǎn)。

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)（DL）掀起了研究熱潮。DL 的思想是從輸入數(shù)據(jù)中自動(dòng)學(xué)習(xí)好的特征表示。與傳統(tǒng)方法相比，DL 方法在圖像分類、語音識(shí)別和生理數(shù)據(jù)等方面的應(yīng)用都取得了顯著的效果。典型的DL 網(wǎng)絡(luò)模型包括深度置信網(wǎng)絡(luò)（DBN）、堆疊式自動(dòng)編碼器（SAE）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等。其中深度置信網(wǎng)絡(luò)（DBN）是Hinton 在2006 年提出的一種自動(dòng)學(xué)習(xí)特征的網(wǎng)絡(luò)[2]，在圖像分類和語音識(shí)別領(lǐng)域得到了很好的應(yīng)用。DBN 由堆疊的受限玻爾茲曼機(jī)（RBM）組成，并以貪婪的分層方式進(jìn)行訓(xùn)練。利用DBN 對(duì)心電信號(hào)進(jìn)行自動(dòng)特征學(xué)習(xí)并分類，研究意義在于利用深度神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)特征和特征挖掘的特性，提取心電信號(hào)深層特征，進(jìn)而完成心電信號(hào)的分類。這種方法可以避免顯式特征提取過程，增強(qiáng)了算法的魯棒性和抗干擾能力。

1 深度置信網(wǎng)絡(luò)（DBN）

深度置信網(wǎng)絡(luò)（DBN）是概率統(tǒng)計(jì)學(xué)與機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)相融合的一個(gè)概率生成模型，它是由若干個(gè)受限玻爾茲曼機(jī)（RBM）堆疊而成[2]。區(qū)別于傳統(tǒng)的判別模型，生成模型是建立一個(gè)觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布。通過訓(xùn)練其神經(jīng)元間的權(quán)重，可以讓整個(gè)神經(jīng)網(wǎng)絡(luò)按照最大概率來生成訓(xùn)練數(shù)據(jù)。深層置信網(wǎng)絡(luò)的主要目的是幫助系統(tǒng)將數(shù)據(jù)分類到不同的類別。

1.1 受限玻爾茲曼機(jī)（RBM）

受限玻爾茲曼機(jī)（RBM）是一種隨機(jī)神經(jīng)網(wǎng)絡(luò)。它包括一個(gè)可見層和一個(gè)隱藏層。其特點(diǎn)為層內(nèi)無連接，層間全連接[3]。并且，隱藏層神經(jīng)元通常取二進(jìn)制并服從伯努利分布，可見層神經(jīng)元可以根據(jù)輸入的類型取二進(jìn)制或者實(shí)數(shù)值。RBM 的結(jié)構(gòu)如圖（1）所示。

從圖（1）可以看出，上面一層神經(jīng)元組成隱藏層，各神經(jīng)元的值用h 向量表示，偏置系數(shù)是向量b；下面一層神經(jīng)元組成可見層，各神經(jīng)元的值用v 向量表示，偏置系數(shù)是向量a。其為雙向全連接結(jié)構(gòu)，矩陣W 表示兩層之間的連接權(quán)重。目前主流的RBM 應(yīng)用以及變種主要包括高斯-伯努利（GBRBM）以及二值/伯努利-伯努利（BBRBM）。根據(jù)v 和h 的取值不同，可將RBM 分成兩大類，如果v 和h 都是二值分布，那么它就是BBRBM；如果v 是實(shí)數(shù)，例如語音特征，h 為二進(jìn)制，那么則為GBRBM。

RBM 的訓(xùn)練過程，實(shí)際上是求出一個(gè)最能產(chǎn)生訓(xùn)練樣本的概率分布。也就是說，要求一個(gè)分布，使得訓(xùn)練樣本的概率最大。該分布的決定性因素在于權(quán)重W，所以訓(xùn)練RBM 的目標(biāo)就是尋找最佳的權(quán)重。通常采用對(duì)比散度（CD）算法[3]或持久對(duì)比散度（PCD）算法[4]對(duì)RBM 進(jìn)行訓(xùn)練。其中CD 算法在開始是用訓(xùn)練數(shù)據(jù)去初始化可見層，然后用條件分布計(jì)算隱藏層；然后，再根據(jù)隱藏層狀態(tài)，同樣，用條件分布計(jì)算可見層。這樣產(chǎn)生的結(jié)果就是對(duì)訓(xùn)練數(shù)據(jù)的一個(gè)重構(gòu)。

1.2 DBN訓(xùn)練

DBN 由若干層神經(jīng)元構(gòu)成，組成元件是RBM。經(jīng)典的DBN 網(wǎng)絡(luò)結(jié)構(gòu)如圖（2）所示。

DBN 的訓(xùn)練過程主要包括預(yù)訓(xùn)練階段和權(quán)值微調(diào)階段。在預(yù)訓(xùn)練階段，分別單獨(dú)無監(jiān)督地逐層訓(xùn)練各層RBM，輸入數(shù)據(jù)作為最底層RBM 的輸入，通過這一次RBM 的訓(xùn)練，然后把輸出作為第二層的輸入，依次類推直到頂層。每一層RBM 經(jīng)過多次迭代訓(xùn)練，得到無監(jiān)督的DBN 網(wǎng)絡(luò)。在權(quán)值微調(diào)階段，在DBN 的最后一層設(shè)置BP 網(wǎng)絡(luò)，接收最后一個(gè)RBM 的輸出值作為其輸入值，計(jì)算出前向傳播的輸出結(jié)果和標(biāo)簽數(shù)據(jù)的誤差，通過自頂向下的有監(jiān)督學(xué)習(xí)對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)。其中最后一層的BP 網(wǎng)絡(luò)可以根據(jù)具體應(yīng)用領(lǐng)域替換成任何分類器模型，而不一定是BP 網(wǎng)絡(luò)，例如本文所提出的方法使用的就是Softmax 分類器。

圖2 DBN的網(wǎng)絡(luò)結(jié)構(gòu)

2 基于DBN的心電信號(hào)分類

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文所使用的數(shù)據(jù)集來源于MIT-BIH 心律失常數(shù)據(jù)庫[4]。該數(shù)據(jù)庫包含48 組雙導(dǎo)聯(lián)記錄，每組記錄時(shí)長(zhǎng)約30min，采樣率為360Hz，并且具有R 波位置和心跳類型標(biāo)注。

為了進(jìn)行比較分析，分類系統(tǒng)遵循AAMI 標(biāo)準(zhǔn)。根據(jù)AAMI 標(biāo)準(zhǔn)，心跳類型可以被分成五大類：①正常心搏（N）；②室上異位搏動(dòng)（S）；③室性異位搏動(dòng)（V）；④融合心搏（F）；⑤未知心搏類型（Q）?？紤]到實(shí)際的臨床應(yīng)用，數(shù)據(jù)集的劃分可按照跨病人（inter-patient）方式進(jìn)行，這在很多文獻(xiàn)中都被廣泛使用。根據(jù)AAMI標(biāo)準(zhǔn)，包含起搏心跳（P）的四組記錄（102、104、107 和217）將被排除。然后將剩下的44 組記錄劃分為兩個(gè)獨(dú)立的數(shù)據(jù)集。第一個(gè)數(shù)據(jù)集（DS1: 101、106、108、109、112、114、115、116、118、119、122、124、201、203、205、207、208、209、215、220、223 和230）構(gòu)成訓(xùn)練集，用于分類模型的訓(xùn)練。第二個(gè)數(shù)據(jù)集（DS2:100、103、105、111、113、117、121、123、200、202、210、212、213、214、219、221、222、228、231、232、233 和234）構(gòu)成測(cè)試集，用于分類模型的測(cè)試。

2.2 數(shù)據(jù)預(yù)處理

由于心電信號(hào)較微弱，易受噪聲干擾，故本文先通過結(jié)合小波閾值法和小波分解重構(gòu)算法進(jìn)行噪聲的濾除，以增強(qiáng)心電信號(hào)中的有效成分，便于后續(xù)的特征提取和分類。再在樣條小波的基礎(chǔ)上，采用B-樣條小波函數(shù)作為尺度函數(shù)，將心電信號(hào)進(jìn)行4 個(gè)尺度的小波分解，得出模極大值對(duì)過零點(diǎn)，即對(duì)應(yīng)R 波峰值點(diǎn)。在成功檢測(cè)出R 波峰后，以R 波位置為基準(zhǔn)，截取R 波前99 個(gè)采樣點(diǎn)，R 波后160 個(gè)采樣點(diǎn)，共計(jì)260 個(gè)采樣點(diǎn)，構(gòu)成一個(gè)心拍樣本。經(jīng)過心拍劃分后，DS1 共獲得66557 個(gè)心拍樣本，DS2 共獲得64940 個(gè)心拍樣本。其中類Q 被丟棄，因?yàn)檫@一類在數(shù)據(jù)集中僅有少量的表示，并且數(shù)量很低。

2.3 DBN構(gòu)建及訓(xùn)練

基于RBM 和DBN 基本原理，本文構(gòu)建了一個(gè)結(jié)構(gòu)為260-600-300-100-50 的DBN 網(wǎng)絡(luò)對(duì)心拍樣本進(jìn)行特征學(xué)習(xí)和分類。

該DBN 網(wǎng)絡(luò)共5 層，由高斯-伯努利（GBRBM）和伯努利-伯努利（BBRBM）兩種受限玻爾茲曼機(jī)（RBM）疊加而成，并且在最后一層設(shè)置了一個(gè)Softmax 回歸分類器。為了學(xué)習(xí)連續(xù)心電數(shù)據(jù)，在DBN 的底層采用GBRBM 接收心電數(shù)據(jù)作為輸入，而其余4 層均由BBRBM 疊加而成。在預(yù)訓(xùn)練階段，采用對(duì)比散度（CD）算法對(duì)每層RBM 進(jìn)行順序訓(xùn)練。因?yàn)榉诸惖男奶愋陀? 種（N,S,V,F），所以Softmax 分類器的輸出節(jié)點(diǎn)數(shù)為4。在權(quán)值微調(diào)階段，采用最小均方誤差準(zhǔn)則的反向傳播算法對(duì)所構(gòu)建的DBN 網(wǎng)絡(luò)進(jìn)行有監(jiān)督的參數(shù)微調(diào)，使得整個(gè)DBN 網(wǎng)絡(luò)模型收斂到全局最優(yōu)值。本文設(shè)定無監(jiān)督學(xué)習(xí)速率為0.01，監(jiān)督學(xué)習(xí)速率為0.1，預(yù)訓(xùn)練和微調(diào)迭代次數(shù)為200，微批次大小為100。

3 實(shí)驗(yàn)結(jié)果與分析

為了評(píng)價(jià)分類模型的性能，本文采用了三個(gè)統(tǒng)計(jì)指標(biāo)：靈敏度（Se）、特異性（Sp）和正確率（Acc）。Se、Sp分別用于評(píng)估每一種心跳類型的系統(tǒng)性能，Acc 用于確定整個(gè)系統(tǒng)的性能，由正確分類的總數(shù)除以總的心跳數(shù)計(jì)算。其定義如公式（1）-（3）所示：

其中，TP、FP、FN 和TN 分別表示屬于該類且被分類器正確分類的樣本數(shù)，不屬于該類但被錯(cuò)誤分類的樣本數(shù)，屬于該類但被錯(cuò)誤分類的樣本數(shù)，不屬于該類且被正確分類的樣本數(shù)。表1 顯示了本文提出的基于DBN 的分類模型對(duì)心電信號(hào)分類的混淆矩陣。

表1 分類混淆矩陣

性能比較以S 和V 為主，如表2 所示。由表2 可知，本文所提出的方法具有較好的分類性能，尤其是S類（Se 90.3%，Sp 99.8%，Acc 99.4%）。

表2 分類結(jié)果比較

4 結(jié)語

本文提出了一種基于深度置信網(wǎng)絡(luò)的心電信號(hào)分類方法。在對(duì)心電信號(hào)進(jìn)行濾波等預(yù)處理后，利用DBN 從心電數(shù)據(jù)中自動(dòng)學(xué)習(xí)抽象特征并構(gòu)建分類模型，通過在MIT-BIH 心律失常數(shù)據(jù)庫上進(jìn)行測(cè)試，最終的實(shí)驗(yàn)結(jié)果表明本文所提出的方法和傳統(tǒng)人工設(shè)計(jì)的心電信號(hào)分類方法相比分類具備更好的分類性能。未來的研究將集中于提高分類精度和基于其他深度學(xué)習(xí)模型的動(dòng)態(tài)建模方法。