孫 波,楊 磊*,郭秀梅,陳 冉,張 童,賈 昊

1.山東農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院,山東 泰安 271019

2.山東第一醫(yī)科大學(xué)第二附屬醫(yī)院,山東 泰安 271000

心電信號（Electrocardiogram，ECG）可用于對各種心律失常、心室心房肥大、心肌梗死、心肌缺血等病癥的檢查[1]。傳統(tǒng)診斷過程中，醫(yī)生通過心電圖的觀察和經(jīng)驗來進行心血管疾病的判斷，而人工診斷往往無法實時監(jiān)測異常心電波形，并且在判讀過程中診斷誤差難以避免[2]。因此，研究利用計算機系統(tǒng)自動識別ECG 信號并進行分類成為近年來研究的熱點。

2006 年，周珂等提出了一種基于支持向量機（Support Vector Machines，SVM）的心電圖分類診斷方法，構(gòu)造了基于SVM 的心電圖分類器[3]。杜智慧等提出了一種基于神經(jīng)網(wǎng)絡(luò)的心電圖分類方法，通過利用前向多層神經(jīng)網(wǎng)絡(luò)的反向傳播算法(Back Propagation)對心電圖進行三分類，取得了較好的結(jié)果[4]。übeyli ED 結(jié)合特征向量法和支持向量機分析病人的心電圖變化，通過特征向量法進行特征提取并通過SVM 進行分類訓(xùn)練[5]。Moavenian M 等提出了一種利用核-Adatron（KA）學(xué)習(xí)算法來輔助SVM 進行ECG 心律失常分類的方法[6]。但以上所述方法，對于信號的特征提取能力較弱，不能夠有效的提取數(shù)據(jù)的特征信息，導(dǎo)致信號的分類準確率不高。近年來，隨著卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）的迅速發(fā)展，尤其在特征檢測方面的優(yōu)勢，使得在解決文本數(shù)據(jù)處理、圖像目標識別、語音識別等很多問題上應(yīng)用較為廣泛，目前也應(yīng)用到ECG 檢測領(lǐng)域。Zubair M 等通過使用卷積神經(jīng)網(wǎng)絡(luò)對ECG 數(shù)據(jù)進行特征提取，從而實現(xiàn)ECG 信號的分類[7]。Xuefan Z 等提出了一種結(jié)合遷移學(xué)習(xí)與二維深度卷積神經(jīng)網(wǎng)絡(luò)識別心電圖像的方法[8]。雖然卷積神經(jīng)網(wǎng)絡(luò)在特征提取方面較為有效，但是卷積神經(jīng)網(wǎng)絡(luò)的各種性能受限于訓(xùn)練樣本的數(shù)目，需要大量的訓(xùn)練數(shù)據(jù)才能獲得令人滿意的表現(xiàn)。在小樣本數(shù)據(jù)的情況下，容易產(chǎn)生過擬合與識別準確率低的情況[9]。并且由于卷積神經(jīng)網(wǎng)絡(luò)的全連接模式過于冗余而低效，在數(shù)據(jù)不平衡的情況下，會使得準確率下降[10]。為了克服以上深度學(xué)習(xí)方法在小數(shù)據(jù)下容易產(chǎn)生過擬合，分類準確率低的缺點，本文提出了一種基于CNN+SVM 混合模型進行ECG 信號的識別判斷方法。首先建立完整的卷積神經(jīng)網(wǎng)絡(luò)（CNN），進行心電信號特征提取。將全連接層提取出來的全連接層特征向量作為SVM 分類器的輸入特征向量，再通過SVM 分類器進行分類。這種方法能夠自動提取數(shù)據(jù)的特征，充分利用卷積神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)特征提取方面的優(yōu)勢，并且SVM 分類器分類效果穩(wěn)定，在小數(shù)據(jù)上具有較好的泛化能力。為了驗證所提算法的有效性，使用心電信號公開數(shù)據(jù)庫MIT-BIH 中的Arrhythmia Database[11]進行驗證，結(jié)果表明，結(jié)合CNN 和SVM 兩者的優(yōu)點，分類性能尤其在小數(shù)據(jù)集的準確率方面得到較大提升。

1 CNN-SVM 模型

通過將CNN 與SVM 組合起來，構(gòu)建了一個新的混合模型，混合模型中將完整CNN 模型中的一個全連接層替換為SVM 分類器，將全連接層輸出轉(zhuǎn)化的特征向量作為SVM 的輸入向量，來實現(xiàn)對ECG 信號的分類。

1.1 SVM 分類器模型

支持向量機（Support Vector Machines，SVM）是定義在空間上的使不同類別間隔最大化的分類器[12]。在SVM 中，將距離超平面最近的點定義為支持向量，希望找到支持向量，確保它們離分隔超平面的距離盡可能的遠。通過最大化支持向量到分隔超平面的距離來訓(xùn)練SVM，并通過使用不同的核函數(shù)來進行分類。

本文SVM 模型選用線性核函數(shù)：k(x,y)=xy(1)

給定訓(xùn)練向量xi∈RP,i=1,…,n，分為兩類，樣本標記y∈{1,-1}n。SVM 通過尋找一個最大的邊界分割超平面實現(xiàn)對樣本集合的線性分類，上述問題可以表示為一個最優(yōu)化問題。

公式(2)中，w是m維向量，b是一個標量，稱為偏移量。公式(3)中ξi是松弛變量，C是權(quán)衡邊界最大化和分類誤差最小的懲罰因子。在這里訓(xùn)練向量xi通過函數(shù)φ(xi)隱式映射到更高的維度上。

通過求解上述最優(yōu)化問題，分類器的決策函數(shù)被定義為：

式中ɑi是拉格朗日乘積因子，K(xi,xj)是核函數(shù)。

SVM 本身是一個二值分類器，SVM 最初被設(shè)計時就是為了解決二值分類問題，當處理多分類問題時，就需要構(gòu)造合適的多類分類器。目前，構(gòu)造SVM 多類分類器的方法主要有兩種，一是直接進行目標函數(shù)的修改，將多個分類面的參數(shù)求解合并到一個最優(yōu)化問題中，通過求解該最優(yōu)化問題實現(xiàn)多分類；二是間接法，該方法中的多分類器包含多個二分類器，常見的方法有one-against-one和one-against-all 兩種。本文用到的是one-against-one 方法。

One-against-one 是在任意兩類樣本之間設(shè)計一個SVM。本文使用的ECG 信號可以分為N（正常搏動）、L（左束支傳導(dǎo)阻滯）、R（右束支傳導(dǎo)阻滯）和A（異常房性早搏），因此，ECG 信號分類是一個4 分類問題。在模型訓(xùn)練時四種心電信號兩兩組合，即N-L、N-R、N-A、L-R、L-A 和R-A，就需要設(shè)計4*（4-1）/2=6 個SVM 分類器。每個組合所對應(yīng)的向量作為訓(xùn)練集，得到6 個訓(xùn)練結(jié)果；在模型測試時，把對應(yīng)的向量分別對6 個結(jié)果進行測試，然后采取投票形式，當對其中一個未知樣本進行分類時，最后得票最多的類別即為該未知樣本的類型。投票結(jié)果為：N=A=R=L=0；（N，A）-classifier 如果是N win，則N=N+1；otherwise，A=A+1；（N,R）-classifier；如果是N win，則N=N+1；otherwise，R=R+1；（R，L）-classifier；如果是N win，則R=R+1；otherwise，L=L+1；最終的結(jié)果是N、L、R、A 這4 個數(shù)值中最大的。

1.2 CNN 模型

CNN 是一種有監(jiān)督學(xué)習(xí)特性的多層神經(jīng)網(wǎng)絡(luò)，主要由卷積層、池化層和全連接層組成，通過權(quán)重關(guān)聯(lián)各層之間的神經(jīng)元。卷積神經(jīng)網(wǎng)絡(luò)通過網(wǎng)絡(luò)中的卷積層、池化層和一系列非線性計算從原始數(shù)據(jù)中提取數(shù)據(jù)局部特征信息[13]，提取的特征通過全連接層輸入到分類器。本文構(gòu)建的CNN 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示，該網(wǎng)絡(luò)包括輸入層、2 個卷積層、2 個池化層、2 個全連接層和輸出層，輸入層的維度大小為16×16，2 個卷積層的維度分別為16×16、8×8，分別用于計算ECG 信號的特征。通過卷積獲得了數(shù)據(jù)的特征之后可以直接根據(jù)這些特征訓(xùn)練分類器，但是這樣計算量很大而且容易產(chǎn)生過擬合，因此在卷積層后面需要加入池化層來減少計算量，并且同時提高對特征提取的抗干擾能力。因此特征圖上的每個神經(jīng)元與不同數(shù)目的前一層神經(jīng)元相連接，他們由不同大小的卷積核定義。在兩個卷積層與池化層中，卷積層與池化層的核大小分別為5×5、2×2，步長分別為2、1。每次特征圖變化其尺寸大小由S 縮減為

1.3 CNN+SVM 混合模型

本文中所構(gòu)建的CNN+SVM 混合模型使用SVM 代替CNN 網(wǎng)絡(luò)的全連接層，即CNN 提取特征后利用SVM 進行分類?；旌夏Ｐ腿鐖D2 所示。

在CNN+SVM 混合模型中，首先需要建立完整的CNN 模型。在建立CNN 模型時，首先對Dropout層進行設(shè)置。Dropout 層[14,15]的作用是在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時，在樣本數(shù)據(jù)較少情況下，可以提高模型的泛化能力，防止出現(xiàn)過擬合。然后通過反向傳播算法來進行CNN 模型的訓(xùn)練[16]。最終通過Adam優(yōu)化算法來進行目標函數(shù)的優(yōu)化，使得模型的性能進一步提高。將CNN 模型訓(xùn)練完成后，將全連接層提取出來的特征給SVM 分類器用來進行數(shù)據(jù)的劃分。在SVM 分類器中，用到了線性核函數(shù)，線性核函數(shù)能夠進一步提高模型的泛化能力，使得模型的性能進一步提高。

本文設(shè)計的CNN+SVM 模型結(jié)構(gòu)參數(shù)與神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2 所示。

表1 CNN+SVM 模型結(jié)構(gòu)參數(shù)與神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Table 1 Structural parameters of CNN+SVM model and the structure of neural network model

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）能夠有效的提取數(shù)據(jù)的局部特征，但是在小數(shù)據(jù)集上容易產(chǎn)生過擬合的問題，并且造成對驗證數(shù)據(jù)集的分類準確率低，也就是泛化能力不佳。支持向量機（support vector machines，SVM）是定義在空間上的使不同類別間隔最大化的分類器，支持向量機就是要使超平面和支持向量之間的間隔盡可能的大，這樣超平面才可以將兩類樣本準確的分開，而保證間隔盡可能的大就是保證我們的分類器誤差盡可能的小，盡可能的健壯。SVM 本身的優(yōu)化目標是結(jié)構(gòu)化風(fēng)險最小，而不是經(jīng)驗風(fēng)險最小[17]，因此，通過margin 的概念，得到對數(shù)據(jù)分布的結(jié)構(gòu)化描述，降低了對數(shù)據(jù)規(guī)模和對數(shù)據(jù)的分布的要求。使得SVM 在小樣本數(shù)據(jù)集上能夠得到比其他算法更好的分類效果。并且SVM 基于結(jié)構(gòu)化風(fēng)險最小的設(shè)計特點，避免了過學(xué)習(xí)問題，因此泛化能力強。

2 結(jié)果與分析

2.1 評價指標

為驗證所構(gòu)建模型的有效性，采用MIT-BIH Arrhythmia Database 公開心電數(shù)據(jù)庫，MIT-BIH 心律失常數(shù)據(jù)集包含48 個30 min 長度雙通道(Ⅱ?qū)?lián)和V1 導(dǎo)聯(lián))動態(tài)心電記錄片段。MIT-BIHArrhythmia Database 采樣率為360 Hz、分辨率11 bit、每段數(shù)據(jù)持續(xù)時間為30 min、存儲格式為Format 212。

本文采用的V1 導(dǎo)聯(lián)的數(shù)據(jù)，從數(shù)據(jù)庫中提取了共1474560 條記錄。一個完整心拍包括P，QRS和T 波。通過一個完整心拍可以反應(yīng)心律失常，例如：竇房結(jié)因某些病變而停止發(fā)放沖動造成竇性停搏而導(dǎo)致P 波消失。但在ECG 信號中，P 波和T 波幅度小，頻率低，難以與干擾和噪聲分離，所以較QRS 波的檢測更加困難。因此，P 波和T 波的檢測是在QRS 波定位后進行的。在QRS 波起點之前的一段區(qū)域內(nèi)檢測P 波，在QRS 波重點之后的一段區(qū)域內(nèi)檢測T 波。因此通過Java 進行數(shù)據(jù)分割，在R 波峰的位置上，向前100 個點，并向后取155 個點，加上R 波峰，共計256 個點。將數(shù)據(jù)分為4 類，4 種類型的心拍的數(shù)量見表2，可視化結(jié)果見圖3。

實驗平臺硬件配置為Intel i5-7300HQ CPU，顯卡為GTX1050Ti，內(nèi)存是8GB，系統(tǒng)是Windows系統(tǒng)，模型基于Python 語言和Tensorflow 框架實現(xiàn)。

表2 四種類型心拍的數(shù)量Table 2 The number of four types of beats

圖3 四種類型心電圖可視化對比Fig.3 Visual comparison of four types of ECG

本文采用準確率、靈敏度、特異性對不同算法進行對比，準確率、靈敏度、特異性進行不同模型的分類結(jié)果評估并通過混肴矩陣能表示出以上信息?；祀染仃嚨拿恳涣写砹祟A(yù)測類別，每一行代表了數(shù)據(jù)的真實歸屬類別，每一行的數(shù)據(jù)總數(shù)表示該類別的數(shù)據(jù)實例的數(shù)量。每一列中的數(shù)值表示真實數(shù)據(jù)被預(yù)測為該類的數(shù)目。本文為4 分類問題，因此混肴矩陣是4 維矩陣。

其中，nij(i≠j)為類別為i樣本被歸類為類j，nij為類別為i的樣本被正確分類的數(shù)量。Pi為所有樣本被分類為i的數(shù)量，Ci為類別為i的樣本數(shù)目對于類別i的樣本分類。準確率（Acc）為被正確分類的樣本比例或數(shù)量。特異性（Spe）為所有負例中被正確分類的比例，衡量了模型對負例的識別能力。靈敏度（Sen）為分類器預(yù)測為正確的樣本占該類樣本數(shù)量的比例，衡量了模型對正例樣本的識別能力。準確率、敏感度和特異性公式分別為（5）～（7）。

通過表3 三種模型結(jié)果對比可以看出，通過CNN 將模型的特征提取出來，用SVM 做分類的模型的各性能指標優(yōu)于SVM 與CNN。這表明在小數(shù)據(jù)心電圖樣本下CNN+SVM 模型具有較好的泛化能力與較高的識別率。

SVM、CNN、CNN+SVM 三種模型對心電圖的分類結(jié)果如表3 所示。通過表3 可以看出，SVM、CNN 模型與CNN+SVM 相比，對于該四類數(shù)據(jù)三類指標均較低，漏診率比較高。可以認為SVM 與CNN 模型對N、L、R、A 類的識別分類的能力相比于CNN+SVM 較差，這導(dǎo)致在進行心電圖分類的時候會產(chǎn)生誤診。CNN 對數(shù)據(jù)的數(shù)量比較靈敏，在進行分類時要求每類數(shù)據(jù)的數(shù)量平衡。在本文中由于每類數(shù)據(jù)量不平衡，CNN 模型的準確率較低。但通過CNN 與SVM 結(jié)合的模型使得對于該四類數(shù)據(jù)的識別并正確分類能力也得到了明顯提高，CNN+SVM 模型對該四類數(shù)據(jù)的漏診率都較低。通過表3 可知CNN 與SVM 對A 類數(shù)據(jù)識別并正確分類的能力較差，但CNN+SVM 模型對A 類數(shù)據(jù)的識別并正確分類的能力大大提高，使得靈敏度相對于SVM、CNN 模型靈敏度分別上升了17.19%、22.40%，并且模型對正例樣本的識別能力也大大增強。CNN+SVM 模型也使得A 類的特異性相對于SVM、CNN 模型特異性分別上升了3.31%、0.27%，對于負例樣本的識別能力也得到了較大提高。進而使得CNN+SVM 模型N、L 兩類的準確率相對于SVM、CNN 模型準確率分別上升了2.77%、3.56%。并且對于其它三類數(shù)據(jù)也有了不同程度的提升。這表明在樣本分布不均衡的請況下，SVM 對數(shù)據(jù)不敏感，因此對于小數(shù)據(jù)不平衡樣本的心電圖數(shù)據(jù)，通過CNN+SVM 來進行數(shù)據(jù)的特征提取和分類效果更好。

從數(shù)據(jù)集中隨機分成訓(xùn)練子集與測試子集，采用5 倍交叉驗證方法對分類器進行訓(xùn)練，對SVM、CNN 和本文提出的CNN+SVM 分類器進行仿真對比。通過5 倍交叉驗證，避免了一次隨機劃分帶來的偶然性。

圖7 三種模型混肴矩陣對比Fig.7 Comparison of mix matrices of three kinds of models

圖4-6 中的靈敏度、特異性為4 類心電信號的平均值，準確率為分類模型所有判斷正確的結(jié)果占總觀測值的比重。圖4-6 對比了CNN+SVM、CNN 和SVM 分類器的靈敏度、特異性和準確性方面的詳細性能，并且分類器的最佳分類分別在3 倍、2 倍和2 倍。最佳分類結(jié)果能證明其優(yōu)越性，在每個分類器在最佳分類情況下CNN+SVM 的靈敏度相對于CNN、SVM 分別提高了1.83%、4.00%，CNN+SVM 的特異性相對于CNN、SVM 分別提高了1.28%、0.59%，進而導(dǎo)致CNN+SVM 的準確率相對于CNN 與SVM 分別提高了1.44%、0.92%。通過圖4-6 也可以發(fā)現(xiàn)CNN+SVM 的各項指標都比較平穩(wěn)，這可以認為在不同情況下，CNN+SVM 的穩(wěn)定性更好，這更加適合心電信號分類。

通過圖7 可以看出，在CNN 與SVM 模型中，容易把A 類心電數(shù)據(jù)識別為N 類，并且如果增大A 類數(shù)據(jù)將導(dǎo)致漏診率比較高，最終導(dǎo)致準確率比較低。但CNN+SVM 分類能夠有效地提取A類數(shù)據(jù)的特征，使得混肴的數(shù)目大大減少，提高了A 類數(shù)據(jù)分類的靈敏度，從而使得漏診率得到了降低。并通過圖7 發(fā)現(xiàn)CNN+SVM 對每一類數(shù)據(jù)的漏診率都比較低，因此更加適合心電信號分類。

3 結(jié)論

本文提出了基于CNN+SVM 模型與，給出了數(shù)據(jù)處理的相關(guān)流程，并通過實測數(shù)據(jù)進行了理論驗證，結(jié)果表明：

1）通過在卷積神經(jīng)神經(jīng)網(wǎng)絡(luò)（CNN）中加入Dropout 層能夠有效提高模型的泛化能力，防止出現(xiàn)過擬合。并通過adam 優(yōu)化算法進行目標函數(shù)的優(yōu)化，能夠得到較好的CNN 模型；

2）在小樣本不平衡的心電圖數(shù)據(jù)集分類中，通過CNN 來進行數(shù)據(jù)的特征提取，并用SVM 來做分類的模型，能夠取得較好的泛化能力，進而提高了模型的準確率；

3）在相同數(shù)的對比結(jié)果表明，本文中CNN+SVM 模型的各項誤差較小，說明更適合于小樣本條件下對于心電圖分類，具有較好的普適性；

4）與SVM、CNN 相比CNN+SVM 模型在不同情況下具有更好的穩(wěn)定性，并且對每類數(shù)據(jù)的漏診率都較低。因此更加適合心電數(shù)據(jù)分類。