瞿文鳳

摘? 要：心電圖（ECG）信號基本上與人體心臟的電活動相對應(yīng)，所以心電圖通常在醫(yī)療領(lǐng)域被用來檢測心血管疾病。通過計算機對心電信號進行自動分類，可以幫助醫(yī)生更有效地進行心血管疾病的診斷，提高準確率。該文提出了一種一維卷積神經(jīng)網(wǎng)絡(luò)模型，可從原始心電數(shù)據(jù)中提取有效特征并實現(xiàn)自動分類。該模型實現(xiàn)了對5種典型心律失常信號的分類，即正常心搏（N）、室上性早搏（S）、室性早搏（V）、心室融合心跳（F）、未分類心跳（Q）。在MIT-BIH心律失常數(shù)據(jù)庫上的實驗結(jié)果表明，該方法的分類準確率較高，達到了97.8%，并且穩(wěn)定性也較高。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)? 心電信號分類? 小波變換? 心律失常

中圖分類號：TP391 ? ?文獻標識碼：A 文章編號：1672-3791（2019）08（b）-0008-04

當(dāng)代社會，心血管疾病已經(jīng)成為威脅人們生命健康的重大殺手[1]。心律失常作為心血管疾病中發(fā)病率最高的典型之一，對其進行精確的分類一直是生物醫(yī)學(xué)領(lǐng)域的研究熱點。

心電信號檢測是診斷心律失常最有效的手段之一。傳統(tǒng)診斷心律失常的過程一般需要有經(jīng)驗的心臟病專家仔細研究心電圖，既繁瑣又費時。因此，在過去的幾十年里，計算機輔助診斷（CAD）算法被應(yīng)用于心律失常的自動分析，算法主要包括信號預(yù)處理、波形檢測、特征提取和疾病分類4個步驟[2]。這種傳統(tǒng)的基于機器學(xué)習(xí)的研究方法雖然在特定的數(shù)據(jù)集上取得了較為顯著的研究成果，但其嚴重依賴人工設(shè)計特征，算法工作量大，所以在實際應(yīng)用中尚未達到令人滿意的效果。

近年來，隨著人工智能技術(shù)的興起，以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）為代表的深度學(xué)習(xí)技術(shù)發(fā)展火熱，其優(yōu)勢在于可以通過訓(xùn)練網(wǎng)絡(luò)參數(shù)從海量數(shù)據(jù)中自動學(xué)習(xí)得到深層次特征而無需人工設(shè)計特征，其在多種任務(wù)，例如圖像分類與定位、語音識別等領(lǐng)域都展現(xiàn)出了十分強大的性能[3]。雖然CNN在圖像識別領(lǐng)域應(yīng)用比較廣泛，但是ECG信號具有與圖像比較相似的局部與整體的相關(guān)性，因而也可以將CNN應(yīng)用到ECG信號處理領(lǐng)域，該文處理的ECG心拍是一維信號，故該文所提出的CNN模型也是一維的。該模型可以直接對以下5種ECG心律失常類型進行分類，包括正常心搏（N）、室上性早搏（S）、室性早搏（V）、心室融合心跳（F）、未分類心跳（Q）。這5種類型是根據(jù)AAMI的標準劃分的。

1? 方法

1.1 數(shù)據(jù)預(yù)處理

1.1.1 數(shù)據(jù)降噪

心電信號是一種微弱的生理電信號，易受噪聲干擾。常見的噪聲主要包含肌電干擾、基線漂移和工頻干擾[4]這三種。為了提取有用的心電信息，必須要對心電信號進行降噪處理。因此，該文通過結(jié)合小波閾值法和小波分解重構(gòu)算法[5]進行噪聲的濾除。其中，小波閾值法通過設(shè)置一個合適的閾值將閾值以下的噪聲系數(shù)置零，保留閾值以上的信號系數(shù)，然后對閾值處理后的小波進行信號重構(gòu)，得到降噪后的信號。采用小波分解重構(gòu)算法將原始信號分解為多級，每一級分解為高頻和低頻信息。最后，通過確定有效信號的頻率范圍對信號進行重構(gòu)，即可得到降噪后的信號。通過這兩種算法的有機結(jié)合，前者可以有效地濾除肌電干擾和工頻干擾，后者進行基線漂移的校正，從而完成信號降噪工作。

1.1.2 數(shù)據(jù)分段

心電信號進行降噪處理后，由于一條充分長的心電記錄中包含的信息太多，可能包含了很多種類型的心拍，直接全局處理不利于精細的識別，故而需要對其進行分段處理。首先進行R波峰的檢測。常用方法是小波變換[6]。該文在樣條小波的基礎(chǔ)上，采用B-樣條小波函數(shù)作為尺度函數(shù)，將心電信號進行4個尺度的小波分解，得出模極大值對過零點，即對應(yīng)R波峰值點。在成功檢測出R波峰后，以R點位置為基準分割信號。在R點左右兩側(cè)選取100個采樣點，可得到一段長度為201個采樣點的心電信號，然后，運用下采樣函數(shù)將心電數(shù)據(jù)長度減少到130個采樣點。本工作共提取到109450個心電樣本數(shù)據(jù)。

1.1.3 數(shù)據(jù)擴充與歸一化

數(shù)據(jù)的擴充可以有效地減少過擬合，保持類之間的均衡分布[7]。根據(jù)心電類數(shù)據(jù)具有周期性的特點，通過“平移起點法”，包括N、S、V、F、Q等5類的心電樣本總數(shù)增加到453050個。最終利用Z-score歸一化方法[8]對每個樣本數(shù)據(jù)進行歸一化，解決幅值縮放問題，消除偏移效應(yīng)，經(jīng)過處理后的心電信號可直接輸入到CNN模型中進行訓(xùn)練和測試。

1.2 CNN模型

該文所提出的CNN模型主要由特征提取和分類兩部分組成。特征提取部分負責(zé)對心電信號自動提取有效特征，而分類部分負責(zé)利用提取的特征對心電信號進行準確分類。

1.2.1 特征提取部分

特征提取部分主要由卷積層和池化層組成。卷積層由若干卷積單元組成，每個卷積單元的參數(shù)都是通過反向傳播算法最優(yōu)化得到的。卷積運算的目的是提取輸入的不同特征，從低級特征中迭代提取更復(fù)雜的特征。卷積層的輸出表達式如式（1）所示：

（1）

其中Xjl為對應(yīng)于第l層的第j個卷積核的特征向量;Mj為當(dāng)前神經(jīng)元的感受野（接受域）;而Wij1為分配給第l層的第j個卷積核的權(quán)重系數(shù);f（*）為一個非線性激活函數(shù)。

池化層（亦名下采樣層），其具體操作與卷積層的操作基本相同，只不過池化層的卷積核只取對應(yīng)位置的最大值、平均值等（最大池化、平均池化），并且不經(jīng)過反向傳播的修改。其作用是可以忽略目標的傾斜、旋轉(zhuǎn)之類的相對位置的變化，以此提高精度，同時降低了特征圖的維度并且一定程度上可以避免過擬合。其公式如式（2）所示：

（2）

其中down（*）為下采樣函數(shù);βjl為權(quán)重系數(shù);bjl為偏置系數(shù)。

1.2.2 分類部分

分類部分主要是全連接層。全連接層是將經(jīng)過多個卷積層和池化層的特征圖中的特征進行整合，獲取特征具有的高層含義，之后用于分類。

1.2.3 1D-CNN模型

CNN通常運用于圖像領(lǐng)域，處理二維數(shù)據(jù)?；谛碾娦盘柺且痪S的，故該文對CNN模型進行了調(diào)整。優(yōu)化后的CNN心電分類模型如圖1所示。其基本結(jié)構(gòu)包括一個輸入層、兩個卷積層（C1、C3）、兩個池化層（S2、S4）、一個全連接層（FC）和一個輸出層。通過卷積層和池化層交替執(zhí)行提取特征，并將提取到的特征作為全連接層的輸入進行分類。

在卷積層C1中，使用28個7×1的卷積核對輸入的ECG 信號進行卷積操作，得到28個特征圖，每個特征圖的大小為（1×124）。在池化層S2中，對C1的每個特征圖進行尺度為2×1的最大池化操作，特征圖個數(shù)仍為28，經(jīng)池化之后每個特征圖的大小為（1×62）。C3也設(shè)置了28個卷積核，用7×1的卷積核對S2進行卷積，此時特征圖大小為（1×56）。在S4層中，對C3的每個特征圖進行尺度為2×1的最大池化操作，特征圖個數(shù)為28，此時特征圖的大小為（1×28）。FC是一個全連接層，輸出層設(shè)置5個神經(jīng)元，使用Softmax函數(shù)分別輸出每個類，即N、S、V、F、Q這5種類型。

2? 實驗與結(jié)果分析

2.1 實驗數(shù)據(jù)

該文所使用的數(shù)據(jù)集來源于MIT-BIH心律失常數(shù)據(jù)庫[9]。該數(shù)據(jù)庫包含48組記錄，每組記錄時長約30min，采樣率為360Hz。并且每組記錄均包含兩個導(dǎo)聯(lián)的ECG數(shù)據(jù)。基于該實驗研究的是一維模型，故從每組記錄中選取第II導(dǎo)聯(lián)的心電圖記錄共44條，來訓(xùn)練驗證該方法的可行性。根據(jù)AAMI標準[10]，（102，104，107，217）這4條記錄被排除，因為這些記錄在后期處理時信號質(zhì)量較差。

2.2 實驗結(jié)果

該文采用了十倍交叉驗證策略[11]。將生成的心電樣本數(shù)據(jù)隨機分為10等份?；谔岢龅哪Ｐ?，其中的9份被用作訓(xùn)練集，剩余的1份被用于測試集，交叉驗證重復(fù)10次實驗。然后，在每一次實驗中評估性能指標（準確率、靈敏度和特異性）。最后，通過評估10次結(jié)果的平均值，得到算法總體性能。

2.2.1 卷積層參數(shù)的選擇

在卷積層中，卷積核的大小和數(shù)量可以影響到模型的質(zhì)量，當(dāng)學(xué)習(xí)率一定時，為了使得模型最優(yōu)化，該文進行了4組對比實驗。在每組實驗中所設(shè)置的卷積核個數(shù)不同，分別為3，5，7，9。實驗結(jié)果表明，4組實驗的錯誤率隨卷積核個數(shù)的增加而變化。當(dāng)卷積核大小分別為7和9時，實驗錯誤率隨卷積核個數(shù)的增加而改變的趨勢相對穩(wěn)定。并且當(dāng)特征圖個數(shù)為28時，錯誤率幾乎達到最小值。Lecun最近的評論表明，在計算精度相同的情況下，選擇較小尺寸的卷積核更好。為了防止卷積核尺寸過大而導(dǎo)致計算復(fù)雜，該文最終確定卷積核的大小為7，每層特征圖的最優(yōu)個數(shù)為28。

2.2.2 學(xué)習(xí)率的選定

為了研究學(xué)習(xí)率對錯誤率是否有影響，在卷積核大小和數(shù)量固定的情況下，該文設(shè)定了不同大小的學(xué)習(xí)率，研究實驗的錯誤率和訓(xùn)練時間。實驗結(jié)果表明，當(dāng)學(xué)習(xí)率小于0.1時，實驗錯誤率都是2.5%左右。然而隨著學(xué)習(xí)率的提高，訓(xùn)練時間也逐漸減少。例如，當(dāng)學(xué)習(xí)率為0.001時，收斂速度最慢;反之，當(dāng)學(xué)習(xí)率為0.1時，數(shù)據(jù)收斂速度更快，訓(xùn)練時間最短。當(dāng)學(xué)習(xí)率大于0.1時，錯誤率呈不規(guī)則變化，時而增加，時而減少。據(jù)認為，這種現(xiàn)象是由于學(xué)習(xí)率過快，導(dǎo)致數(shù)據(jù)無法收斂?？傊粌H要保證正確率，還要設(shè)定合適的學(xué)習(xí)率來減少訓(xùn)練時間。所以該文最終選定學(xué)習(xí)率為0.1。

2.2.3 迭代次數(shù)的選擇

為了準確研究迭代次數(shù)與測試正確率之間的關(guān)系，該文在固定卷積核大小、數(shù)量和學(xué)習(xí)率的前提下，通過調(diào)整迭代次數(shù)來評估測試集的正確率。實驗結(jié)果表明，隨著迭代次數(shù)的增加，錯誤率呈下降趨勢并逐漸趨于平穩(wěn)。當(dāng)?shù)螖?shù)為50時，錯誤率高達15%;而迭代次數(shù)達到300時錯誤率為3.5%。當(dāng)?shù)螖?shù)設(shè)置為300、350、400時錯誤率保持不變。此時，需要考慮訓(xùn)練時間。當(dāng)其他參數(shù)固定時，每個訓(xùn)練步驟的時間成本是相似的，訓(xùn)練越多，所需時間越長。

2.2.4 性能評價

CNN模型比較消耗計算資源，而且神經(jīng)網(wǎng)絡(luò)的任何變化都需要新的訓(xùn)練，這會非常消耗時間和資源，這個方面需要優(yōu)化和重視。所以該文選擇所有階段的最優(yōu)參數(shù)，在上述優(yōu)化參數(shù)的基礎(chǔ)上得到訓(xùn)練模型，其中模型的學(xué)習(xí)率設(shè)為0.1，兩層卷積層的卷積核大小均為7。對于最大池化操作，兩個池化層的采樣因子都為2，迭代次數(shù)為300次。最后的測試結(jié)果表明，該方法的準確度為97.8%。實驗結(jié)果的混淆矩陣如表1所示。其中N、S、V、F、Q分別代表5種心律失常心拍類型。

最后，該文還與前人研究的心電分類算法進行比較。如表2所示，與以前研究者所提出的方法和實驗成果相比，該文所提出的方法提高了心電分類的準確率。

3? 結(jié)語

心電信號是用于診斷和預(yù)防心律失常等心血管疾病的有效手段，對其進行精確的分類具有重要的臨床意義。該文在前人研究的工作基礎(chǔ)上，提出了一種一維的卷積神經(jīng)網(wǎng)絡(luò)模型，首先對MIT-BIH心律失常數(shù)據(jù)庫的數(shù)據(jù)利用小波變換相關(guān)算法進行預(yù)處理操作，再將經(jīng)過預(yù)處理的心電數(shù)據(jù)輸入到CNN模型中進行訓(xùn)練和測試。最后經(jīng)實驗驗證該文所提出的模型可有效地對N、S、V、F、Q等5種心律失常類型進行分類，且分類的穩(wěn)定性和準確率較高，為進一步提高心電圖自動分類的效果實現(xiàn)了有益的探索。

參考文獻

[1] 陳偉偉，高潤霖，劉力生，等.《中國心血管病報告2016》概要[J].中國循環(huán)雜志，2017，32（6）：521-530.

[2] Selcan Kaplan Berkaya， Alper Kursat Uysal， Efnan Sora Gunal， et al. A survey on ECG analysis[J].Biomedical Signal Processing and Control，2018（43）：216-235.

[3] Chatfield K， Simonyan K，VedaldiA， et al. Return of the Devil in the Details： Delving Deep into Convolutional Nets[J].Computer Science，2014（156）：52-54.

[4] Alyasseri ZA，Khader AT，Al-Betar MA，et al. Hybridizing beta-hill climbing with wavelet transform for denoising ECG signals[J].InfSci（Ny），2018（429）：229-246.

[5] 焦運良，邢計元，靳堯凱.基于小波變換的心電信號閾值去噪算法研究[J].信息技術(shù)與網(wǎng)絡(luò)安全，2019，38（5）：62-66.

[6] Ismaiel，F(xiàn)atima Osman Mohamed. Classification of Cardiac Arrhythmias Based on Wavelet Transform and Neural Networks[D].Sudan University of Science&Technology，2015.

[7] Paolo Vecchiotti， Giovanni Pepe， Emanuele Principi， et al. Detection of activity and position of speakers by using Deep Neural Networks and Acoustic Data Augmentation[J].Expert Systems With Applications， 2019.

[8] Jin Lin-peng， Dong Jun. Deep learning research on clinical electrocardiogram analysis[J].Science China： Information Sciences，2015，45（3）：398-416.

[9] Ritu Singh， Rajesh Mehta，Navin Rajpal. Efficient wavelet families for ECG classification using neural classifiers[J].Procedia Computer Science，2018（132）：11-21.

[10] Brian Young，Johann-Jakob Schmid.Updates to IEC/AAMI ECG standards， a new hybrid standard[A].Journal of Electrocardiology[C].2018.

[11] Han Meng，Ding Jian.An improvement and implementation of BP algorithm based on cross-validation[J].Computer Engineering and Design，2008，29 （14）：3738-3739.

[12] N.P.Joshi， P.S.Topannavar， Support vector machine based heartbeat classification[A].In Proc.of 4th IRF Int. Conf[C].2014：140-144.

[13] M. Zubair，J. Kim，C.Yoon. An Automated ECG Beat Classification System Using Convolutional Neural Networks[A].International Conference In IT Convergence and Security（ICITCS）[C].2016：1-5.

[14] Wei Jiang， Seong G，Kong. Block-based neural networks for personalized ECG signal classification[J].IEEE Transactions on Neural Networks，2007，8（6）：1750-1761.

[15] 陳宇飛，張博，林楠，等.一種高效檢測心律不齊的深度學(xué)習(xí)算法[J].小型微型計算機系統(tǒng)，2018，39（11）：2436-2440.