張行進(jìn) 李潤川 趙紅領(lǐng) 王宗敏,3*

1(解放軍信息工程大學(xué)數(shù)學(xué)工程與先進(jìn)計(jì)算國家重點(diǎn)實(shí)驗(yàn)室 河南 鄭州 450001)2(鄭州大學(xué)互聯(lián)網(wǎng)醫(yī)療與健康服務(wù)河南省協(xié)同創(chuàng)新中心 河南 鄭州 450000)3(鄭州大學(xué)產(chǎn)業(yè)技術(shù)研究院 河南 鄭州 450000)

0 引 言

心肌梗死(MI)[1]指營養(yǎng)心肌的冠狀動(dòng)脈發(fā)生了粥樣變化，管腔內(nèi)壁上沉積的膽固醇斑塊脫落形成血栓，堵塞了某支冠狀動(dòng)脈，使某部分心肌長時(shí)間得不到血供，便發(fā)生了心肌缺血、損傷甚至壞死，心肌梗死具有極高的死亡率和致殘率。圖1是一個(gè)典型的心肌梗死心拍波形。

圖1 典型心肌梗死心拍波形

在MI發(fā)作期間患者可能經(jīng)歷許多嚴(yán)重癥狀，例如意識喪失、胸痛和呼吸短促。然而，許多患者僅出現(xiàn)輕微癥狀或根本沒有癥狀，這通常被描述為無癥狀(也稱作沉默)心臟病發(fā)作。基于手工提取心電信號特征，國內(nèi)外研究者提出了各種針對心梗的自動(dòng)分類算法，輔助醫(yī)生快速做出臨床診斷。心梗自動(dòng)分類整體工作流程包括如下五個(gè)部分：(1) 心電信號采集；(2) 利用濾波或小波變換等方法進(jìn)行去噪預(yù)處理；(3) 分割成心拍；(4) 心電特征提取與選擇；(5) 心梗類型的自動(dòng)分類識別。工作流程圖如圖2所示。

圖2 心梗自動(dòng)分類流程圖

傳統(tǒng)的手工提取特征的方法首先確定R波峰，然后用類似的方法定位Q波起點(diǎn)、S波終點(diǎn)、P波和T波的峰值點(diǎn)、起點(diǎn)和終點(diǎn)，最后獲得幾個(gè)幅值和間期特征。這些特征是根據(jù)醫(yī)生的診斷規(guī)則提取的，它存在一個(gè)缺點(diǎn)，雖然QRS波群檢測算法的準(zhǔn)確度很高，但是R波的檢測依然存在誤差，由于其他特征值都是基于R波的位置而提取到的，所以其他特征值的提取會(huì)產(chǎn)生累積誤差。與傳統(tǒng)識別方法相比，深度學(xué)習(xí)[2]的優(yōu)勢在于它能夠從海量數(shù)據(jù)中自動(dòng)學(xué)習(xí)，并得到有效的特征表示。深度學(xué)習(xí)極大地推動(dòng)了圖像識別[3]、計(jì)算機(jī)視覺[4]、語音識別[5]等領(lǐng)域的研究進(jìn)展，并在醫(yī)學(xué)領(lǐng)域[6-7]得到應(yīng)用。

本文提出了一種基于BiGRU和多導(dǎo)聯(lián)ECG信號的神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，用于心梗檢測，可行性高、識別率高，具有可擴(kuò)展性。

1 相關(guān)工作

針對心肌梗死的計(jì)算機(jī)自動(dòng)分析診斷，研究者提出了各種不同的分類識別方法。Sopic等[8]采用隨機(jī)森林分層分類方法，實(shí)現(xiàn)了心肌梗死的檢測，為了應(yīng)用于實(shí)時(shí)分析系統(tǒng)，逐層增加特征數(shù)量，以減少分類所需要的時(shí)間。Sharma等[9]設(shè)計(jì)了一種雙波段最優(yōu)雙正交小波濾波器組對ECG信號進(jìn)行預(yù)處理，然后采用K-近鄰(K-Nearest Neighbor,KNN)方法，只利用單導(dǎo)聯(lián)數(shù)據(jù)就實(shí)現(xiàn)了心梗檢測。Dohare等[10]對提取的多維特征首先采用主成份分析(Principal Component Analysis,PCA)方法降維，然后用基于徑向基函數(shù)(Radial Basis Function,RBF)的SVM方法，實(shí)現(xiàn)了心梗的檢測。

Chang等[11]首先使用隱馬爾科夫模型(Hidden Markov Model,HMM)從V1～V4胸導(dǎo)聯(lián)信號中提取特征，然后采用SVM和高斯混合模型(Gaussian Mixture Model,GMM)實(shí)現(xiàn)了心梗的檢測。Seenivasagam等[12]采用前饋神經(jīng)網(wǎng)絡(luò)(Feed-Forward Neural Network,FFNN)和SVM實(shí)現(xiàn)了心梗的檢測。Lui等[13]使用PTB 上標(biāo)準(zhǔn)I導(dǎo)聯(lián)的數(shù)據(jù)，采用卷積遞歸神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了心梗的檢測。Acharya等[14]使用標(biāo)準(zhǔn)II導(dǎo)聯(lián)的心電數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)方法實(shí)現(xiàn)了心梗的檢測。Reasat等[15]采用卷積神經(jīng)網(wǎng)絡(luò)方法，僅僅使用三個(gè)導(dǎo)聯(lián)的ECG數(shù)據(jù)，就實(shí)現(xiàn)了心肌梗死的檢測。Wu等[16]基于小波分解，采用多尺度深度特征學(xué)習(xí)方法實(shí)現(xiàn)了心梗的檢測。

2 實(shí)驗(yàn)數(shù)據(jù)

本文使用PTB心電診斷數(shù)據(jù)庫，總共采集了549條記錄。290名受試者包括有心肌梗死、心肌肥大、心率衰竭、房室束支傳導(dǎo)阻滯患者和健康對照者，其中男性209名(平均年齡為 55.5歲)，女性81名(平均年齡為61.6歲)。每條記錄大約2分鐘，包括15個(gè)同步測量的信號：傳統(tǒng)的12導(dǎo)聯(lián)以及3個(gè)Frank導(dǎo)聯(lián)心電信號。PTB診斷類別及受試者人數(shù)統(tǒng)計(jì)數(shù)據(jù)如表1所示。

表1 PTB診斷類別及受試者人數(shù)統(tǒng)計(jì)表

3 數(shù)據(jù)預(yù)處理

ECG信號是診斷心血管疾病的重要依據(jù)，但由于心電信號是一種不穩(wěn)定、非線性和微弱的電信號，振幅約為幾毫伏，頻率范圍在0.05 Hz到100 Hz之間，在信號采集過程中容易受到人體活動(dòng)和儀器等各種因素的干擾，不利于ECG信號的特征提取，因此有必要對采集到的ECG信號濾除各種噪聲。

3.1 基線漂移

基線漂移的頻率在0.05～2 Hz之間，與低頻正弦曲線相似。本文采用中值濾波算法去除基線漂移，方法簡單，速度快，準(zhǔn)確度高，能有效濾除變化較大的基線漂移。首先對原始心電信號進(jìn)行重采樣，然后對重采樣點(diǎn)前后一定長度的數(shù)據(jù)按照大小排序，取排序后數(shù)據(jù)的中間值。用同樣的方法處理所有重采樣點(diǎn)，得到ECG信號中的基線部分，從原始心電信號中減去這個(gè)基線部分，就得到去除基線漂移后的心電信號。

3.2 工頻干擾

工頻干擾指的是因市電產(chǎn)生電磁波輻射而導(dǎo)致心電信號采集異常。PTB心電數(shù)據(jù)取自德國的一所醫(yī)學(xué)大學(xué)，工頻干擾是50 Hz。本文采用的是巴特沃斯IIR(Infinite Impulse Response)數(shù)字帶阻濾波器，該方法原理簡單、效果較好、處理速度快。

3.3 肌電干擾

肌電干擾近似于白噪聲，頻率范圍在5～2 000 Hz之間。去除不規(guī)則的肌電干擾通常采用阻帶濾波方法，原理是設(shè)置上限、下限兩個(gè)頻率界限，輸入信號的頻率處于上限、下限之間才能夠通過濾波器，超出或者低于設(shè)置的值都將會(huì)被過濾掉。本文采用切比雪夫數(shù)字低通濾波器，從原始心電信號中去除頻率在0.05～100 Hz以外的信號成分。

3.4 心拍分割

本文采用基于小波變換的檢測算法，使用的母小波為二次B樣條小波，它是一個(gè)具有對稱性和正交性的微分小波。經(jīng)過小波變換后，在系數(shù)中尋找最值，最小值和最大值之間的過零點(diǎn)就是R波峰值點(diǎn)所在位置。據(jù)統(tǒng)計(jì)，成年人每分鐘心跳約60到100次，考慮到老年人和兒童，如果以R的峰值點(diǎn)為基準(zhǔn)向前向后提取若干采樣點(diǎn)，基本上可以覆蓋一個(gè)心拍波形的主要特征。本文首先定位R波峰值點(diǎn)，然后以它為基準(zhǔn)，向前向后分別選擇250 ms和400 ms的原始采樣數(shù)據(jù)，將這些值組合為一個(gè)心拍的特征向量。

本文對PTB數(shù)據(jù)庫進(jìn)行預(yù)處理，并提取出54 753個(gè)心拍，這些心拍分屬于2個(gè)類別，心梗(MI)和健康對照(Healthy Control,HC)，各類心拍的樣本數(shù)量如表2所示。理論上來說，如果使用所有15個(gè)導(dǎo)聯(lián)的數(shù)據(jù)，學(xué)習(xí)的信息會(huì)更全面，能夠獲得總體上更好的結(jié)果，但這不符合臨床實(shí)際情況，臨床通常僅有12導(dǎo)聯(lián)可用，故此，本文僅使用臨床上普遍采用的12導(dǎo)聯(lián)的數(shù)據(jù)。由于六個(gè)肢體導(dǎo)聯(lián)的數(shù)據(jù)是兩個(gè)測量電壓(例如Ⅰ和 Ⅲ)的線性組合，因此僅使用兩個(gè)肢體導(dǎo)聯(lián)，而丟棄其他肢體導(dǎo)聯(lián)的數(shù)據(jù)，以去除肢體導(dǎo)聯(lián)之間的數(shù)據(jù)相關(guān)性。因此，實(shí)驗(yàn)只考慮臨床應(yīng)用中常用且非冗余的8個(gè)導(dǎo)聯(lián)心電數(shù)據(jù)。

表2 各類別心肌梗死的心拍數(shù)

4 BiGRU模型

針對時(shí)間序列樣本，研究者提出了循環(huán)神經(jīng)網(wǎng)絡(luò)RNN(Recurrent Neural Network)，在RNN中，增加了一個(gè)時(shí)序結(jié)構(gòu)，神經(jīng)元的輸出可以在下一個(gè)時(shí)間戳直接作用到自身。為了解決RNN在時(shí)間軸上出現(xiàn)的梯度爆炸和梯度消失現(xiàn)象，Hochreiter 和 Schmidhuber(1997)提出了長短時(shí)記憶單元[17](Long Short-Term Memory,LSTM)，通過門開關(guān)實(shí)現(xiàn)時(shí)間上的記憶功能。針對LSTM模型復(fù)雜、訓(xùn)練和預(yù)測時(shí)間長的問題，文獻(xiàn)[18]提出了GRU模型。如圖3所示，GRU設(shè)置更新門替換輸入門和遺忘門，用重置門替換原先的輸出門。使用更新門控制前一時(shí)刻的狀態(tài)信息被帶入到當(dāng)前狀態(tài)中的程度，使用重置門控制忽略前一時(shí)刻的狀態(tài)信息的程度。

圖3 GRU神經(jīng)元結(jié)構(gòu)

(1)

tt=σ(Wr·[ht-1,xt])

(2)

(3)

(4)

(5)

(6)

圖4 BiGRU結(jié)構(gòu)模型圖

針對心梗檢測任務(wù)，用X=[x1,x2,…,xm]表示經(jīng)過預(yù)處理和分割后一個(gè)心拍的心電信號序列，把X輸入BiGRU深度學(xué)習(xí)網(wǎng)絡(luò)，結(jié)果送入SoftMax全連接層分類，最后輸出是否有心梗的標(biāo)記y∈{0,1}。在訓(xùn)練過程中，使用隨機(jī)梯度下降法(Stochastic Gradient Descent,SGD)對模型的參數(shù)進(jìn)行優(yōu)化，為了提高GRU網(wǎng)絡(luò)的學(xué)習(xí)速度，采用交叉熵?fù)p失函數(shù)來衡量模型實(shí)際輸出與期望輸出之間的接近程度，定義為：

(7)

gt=▽θt-1f(θt-1)

(8)

Δθt=-ηgt

(9)

式中：gt為SGD當(dāng)前batch的梯度;θ為待優(yōu)化的參數(shù);η為學(xué)習(xí)率。在模型的輸出層使用了RELU激活函數(shù)，RELU采用強(qiáng)正則化方法，能夠訓(xùn)練多層深度神經(jīng)網(wǎng)絡(luò)，使得模型的學(xué)習(xí)具有很強(qiáng)的魯棒性，因此無需再增加任何梯度裁剪和正則化方法。

5 實(shí)驗(yàn)結(jié)果

5.1 實(shí)驗(yàn)參數(shù)

驗(yàn)證實(shí)驗(yàn)首先對ECG信號進(jìn)行去噪預(yù)處理，然后檢測R波，將每條大約兩分鐘的心電信號分割為心拍序列，接下來以R波峰為基準(zhǔn)前后分別取250 ms和400 ms的采樣數(shù)據(jù)，構(gòu)成單導(dǎo)聯(lián)心電向量，對8個(gè)導(dǎo)聯(lián)分別采用相同的方式進(jìn)行處理，生成8個(gè)心電向量。每一個(gè)心電向量輸入一個(gè)BiGRU網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，8個(gè)BiGRU網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果輸入一個(gè)全連接的SoftMax層產(chǎn)生分類結(jié)果。使用L2正則化方法對網(wǎng)絡(luò)參數(shù)進(jìn)行約束，訓(xùn)練過程引入了Dropout策略防止過擬合，采用批量的SGD優(yōu)化方法用于模型訓(xùn)練。參數(shù)設(shè)置如表3所示。

表3 參數(shù)設(shè)置

5.2 評價(jià)指標(biāo)

為了評價(jià)本文提出的檢測算法的性能，我們使用了三個(gè)指標(biāo)，它們分別是分類靈敏度(Sen)、特異性(Spe)和準(zhǔn)確度(Acc)。分類準(zhǔn)確度評估所提出的方法在所有心拍上的整體性能。由于正異常心拍的數(shù)量不同，Sen和Spe在評估分類器性能方面會(huì)出現(xiàn)較小的偏差，評價(jià)指標(biāo)計(jì)算公式如下：

(10)

(11)

(12)

式中：TP是正確檢測為MI的心拍的數(shù)量；TN是正確識別為HC的心拍數(shù)量；FN是錯(cuò)誤檢測為HC的心拍數(shù)量；FP是錯(cuò)誤診斷為MI的心拍數(shù)量。

5.3 結(jié)果與討論

在訓(xùn)練過程中，批量大小設(shè)置為128，訓(xùn)練迭代次數(shù)設(shè)置為20?；煜仃嚭头诸愋阅芙Y(jié)果如表4所示，可以看出，該算法在心梗檢測上的總體準(zhǔn)確度為99.89%，在靈敏度、特異性和精度上都達(dá)到99%以上。

表4 混淆矩陣及分類性能

文獻(xiàn)[9]設(shè)計(jì)了一種新穎的雙波段最佳雙正交濾波器組，將ECG信號分解成6個(gè)子帶，接下來根據(jù)這些子帶計(jì)算出特征，最后使用KNN分類器得到分類結(jié)果。在PTB數(shù)據(jù)集上驗(yàn)證算法的性能，對于沒有去噪的原始心電數(shù)據(jù)集，得到的準(zhǔn)確度為99.62%，在經(jīng)過去噪預(yù)處理后的心電數(shù)據(jù)集上，得到的準(zhǔn)確度為99.74%。文獻(xiàn)[10]首先對原始心電信號進(jìn)行去噪預(yù)處理，然后組合12導(dǎo)聯(lián)的信號生成具有更強(qiáng)的波形特征和間期的復(fù)合導(dǎo)聯(lián)，接下來采用閾值法檢測QRS復(fù)合波的峰值，并以此為基準(zhǔn)得到其他幾個(gè)特征值，最后采用SVM分類器分類，準(zhǔn)確度達(dá)到98.96%。文獻(xiàn)[13]首先使用Savitzky-Golay平滑濾波器和多項(xiàng)式擬合法去除基線漂移，然后采用非線性變換和一階高斯微分器來定位QRS復(fù)合波的位置，并完成心拍的分割，最后送入CNN深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在測試數(shù)據(jù)集上得到95.3%的準(zhǔn)確度。文獻(xiàn)[14]等人僅使用標(biāo)準(zhǔn)Ⅱ?qū)?lián)心電數(shù)據(jù)，首先使用Daubechies 6母小波從ECG信號中去噪并去除基線漂移，然后采用經(jīng)典的Pan Tompkins算法檢測R波峰，并分割心拍，最后送入CNN深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，在測試數(shù)據(jù)集上得到95.22%的準(zhǔn)確度。為了進(jìn)行性能的對比，他們還完成了另一個(gè)實(shí)驗(yàn)，與前一個(gè)實(shí)驗(yàn)的唯一區(qū)別是不進(jìn)行去噪預(yù)處理，但是得到的分類準(zhǔn)確度只有93.53%。

本文所提出的算法對原始心電信號進(jìn)行了去噪預(yù)處理，分析了多導(dǎo)聯(lián)的數(shù)據(jù)，信息更加全面，并且采用了BiGRU深度學(xué)習(xí)方法，不局限于醫(yī)學(xué)專家所設(shè)計(jì)的手工特征，機(jī)器自動(dòng)提取特征，能夠挖掘出隱藏在大數(shù)據(jù)后面的有用信息，在心梗檢測上得到了優(yōu)異的結(jié)果。表5是本文與其他文獻(xiàn)算法在性能上的對比結(jié)果，可以看出，在準(zhǔn)確度、敏感性和特異性方面，本文可以比其他文獻(xiàn)方法獲得更好的性能。

表5 與其他文獻(xiàn)性能對比結(jié)果

6 結(jié) 語

本文提出了基于BiGRU的多導(dǎo)聯(lián)心肌梗死檢測算法。首先采用濾波器組對心電信號進(jìn)行預(yù)處理，然后采用二次B樣條小波變換方法定位R波峰，接下來把每條心電信號分割成獨(dú)立的心拍，最后采用BiGRU深度學(xué)習(xí)方法進(jìn)行二分類。用公開的PTB心電數(shù)據(jù)庫對算法進(jìn)行了驗(yàn)證，并與其他文獻(xiàn)提出算法的實(shí)驗(yàn)結(jié)果做了對比。結(jié)果表明本文算法有較高的靈敏度、精確率、準(zhǔn)確度，而且具有普適性。使用本文所提出的深度學(xué)習(xí)框架能夠從多導(dǎo)聯(lián)的ECG信號中提取到潛在的有用的特征。下一步將探索在其他ECG數(shù)據(jù)集上訓(xùn)練該分類器，以檢測各種其他的心臟疾病?？紤]到其優(yōu)異的性能，基于BiGRU的多導(dǎo)聯(lián)心梗檢測算法可應(yīng)用于計(jì)算機(jī)輔助診斷平臺。