熊 慧，梁美玲，劉近貞

(天津工業(yè)大學(xué) 電氣工程與自動(dòng)化學(xué)院，天津 300387)

心電圖(electrocardiogram, ECG)用于表征心臟的電活動(dòng)，心血管疾病的死亡率居各類疾病的首位，且患病率和死亡率逐年上升.心律失常是心血管疾病的一種常見的表現(xiàn)形式，心律失常類型的識(shí)別是該類心血管疾病治療的關(guān)鍵.心律失常類型自動(dòng)識(shí)別方法分為傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí).傳統(tǒng)機(jī)器學(xué)習(xí)用于心律失常分類的流程包括：特征提取、特征選擇和分類[1-2].Thomas等[3]利用離散小波變換和雙樹復(fù)小波變換對(duì)4種類型的心拍進(jìn)行特征提取和特征選擇，淺層人工神經(jīng)網(wǎng)絡(luò)用于分類.Acharya等[4]結(jié)合了離散余弦變換、經(jīng)驗(yàn)?zāi)Ｊ椒纸夂碗x散小波分析用于特征提取和選擇，機(jī)器學(xué)習(xí)K近鄰作為分類器用于心律失常分類.Li等[5]用小波包熵分解提取特征，隨機(jī)森林進(jìn)行心跳分類，準(zhǔn)確率達(dá)到94%以上.雖然傳統(tǒng)機(jī)器學(xué)習(xí)算法的分類效果很好，但是這些方法局限于特征提取和特征選擇需要人工設(shè)計(jì)，而人工設(shè)計(jì)的策略不能保證可靠的魯棒性，容易引起過擬合問題.

深度學(xué)習(xí)方法將特征提取和特征選擇集成到模型中，不需要手工構(gòu)建特征且具有很好的泛化能力，使計(jì)算機(jī)能夠自動(dòng)地學(xué)習(xí)和提取任何給定問題的相關(guān)特征.隨著數(shù)據(jù)和結(jié)果的積累，系統(tǒng)的模型性能可以不斷提高.卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)是一種深度學(xué)習(xí)的典型框架，卷積層可以通過不同的卷積核獲得不同的感受野，實(shí)現(xiàn)自動(dòng)特征提取，在推薦算法、腦機(jī)交互、跌倒檢測(cè)等研究領(lǐng)域均有廣泛應(yīng)用.Puthusserypady 等[6-7]以R-R間期序列作為輸入層信號(hào)，CNN自動(dòng)提取特征，雙向長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)時(shí)處理序列特征，使用Nesterov動(dòng)量的隨機(jī)梯度下降算法加快收斂速度實(shí)現(xiàn)心顫?rùn)z測(cè).楊萍等[8]構(gòu)建了CNN和長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory, LSTM)的混合模型分別提取局部空間特征和時(shí)間特征，以實(shí)現(xiàn)對(duì)陣發(fā)性房顫的預(yù)測(cè).Xu等[9]關(guān)注心電信號(hào)分類的個(gè)體差異性，在CNN中加入身份向量建立Patient-Specific模型，用于不同病人的檢測(cè).Yang 等[10-13]利用主成分分析、獨(dú)立成分分析和典型相關(guān)網(wǎng)絡(luò)代替CNN的卷積核進(jìn)行自動(dòng)特征提取，一方面可以增強(qiáng)模型的噪聲穩(wěn)健性，另一方面減少了卷積核訓(xùn)練參數(shù).Shi 等[14]將CNN自動(dòng)提取的特征與手動(dòng)提取的特征相結(jié)合，提取到大量特征再進(jìn)行優(yōu)良的特征選擇，最終實(shí)現(xiàn)ECG信號(hào)心律失常的5分類.中國(guó)科學(xué)院李燁等[15]針對(duì)可穿戴ECG信號(hào)提出了一種基于時(shí)空特征融合的深度神經(jīng)網(wǎng)絡(luò)，在CNN空間特征融合的基礎(chǔ)上引入時(shí)間特征融合，利用可變長(zhǎng)12導(dǎo)聯(lián)ECG數(shù)據(jù)實(shí)現(xiàn)了心律失常多分類.

CNN用于心律失常分類的研究目前存在著輸入信號(hào)長(zhǎng)度必須固定和訓(xùn)練參數(shù)多的不足，本文提出一種基于CNN的心律失常分類混合模型.空間金字塔池化層(space pyramid pooling, SPP)的引入使CNN網(wǎng)絡(luò)能夠處理任意長(zhǎng)度的心拍片段，而且不同的池化步長(zhǎng)可以二次挖掘信號(hào)的特征.選擇極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)作為分類器，可以解決SPP層引入導(dǎo)致的訓(xùn)練時(shí)間增加、運(yùn)算復(fù)雜度增大的問題.除此之外，ELM在提高訓(xùn)練速度的同時(shí)也可以增強(qiáng)模型的泛化能力.利用麻省理工學(xué)院心律失常數(shù)據(jù)集(MIT-BIH Arrhythmia Database, MITDB)對(duì)混合模型CNN-SPP-ELM進(jìn)行心律失常4分類實(shí)驗(yàn)，混合模型分類的整體準(zhǔn)確率為99.16%.

1 心律失常分類的算法原理

1.1 CNN

CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，是多層感知機(jī)的一個(gè)變種模型，目前已廣泛應(yīng)用于圖像分類領(lǐng)域.相比其他神經(jīng)網(wǎng)絡(luò)，CNN具有稀疏連接和權(quán)值共享的特點(diǎn)，可以提取局部特征并大大減少網(wǎng)絡(luò)的訓(xùn)練參數(shù).傳統(tǒng)的CNN結(jié)構(gòu)包括輸入層、卷積層和池化層的交替、全連接層和輸出層，卷積層和池化層的交替通過不同的卷積核和池化步長(zhǎng)能夠?qū)崿F(xiàn)自動(dòng)特征提取與數(shù)據(jù)降維，全連接層獲得高維空間數(shù)據(jù)的表達(dá).CNN算法的核心是前向傳播和反向傳播，其中，前向傳播計(jì)算損失函數(shù)，反向傳播利用梯度下降法進(jìn)行參數(shù)更新.前向傳播過程由預(yù)測(cè)分類y，批訓(xùn)練的樣本個(gè)數(shù)n和標(biāo)簽y*共同計(jì)算出損失函數(shù).交叉熵?fù)p失函數(shù)的計(jì)算方法為

由損失函數(shù)計(jì)算各層誤差并反向傳播更新卷積層的權(quán)重和偏置，權(quán)重w和偏置b的更新公式為

式中α是學(xué)習(xí)率，指定了反向傳播過程中梯度下降的步長(zhǎng).

1.2 SPP

CNN網(wǎng)絡(luò)中卷積層和池化層對(duì)輸入數(shù)據(jù)的尺寸沒有限制，但是全連接層要求輸入的特征長(zhǎng)度必須固定.如果全連接層輸入特征向量的長(zhǎng)度不定，則無法確定全連接層的神經(jīng)元個(gè)數(shù)，導(dǎo)致網(wǎng)絡(luò)的動(dòng)態(tài)變化，無法實(shí)現(xiàn)參數(shù)訓(xùn)練的目的.傳統(tǒng)的CNN用于心律失常分類時(shí)，在預(yù)處理階段要把分割的心拍進(jìn)行重采樣或者編碼等使心拍長(zhǎng)度相等，重采樣會(huì)使原始心拍特征發(fā)生形變并且增加整體算法的復(fù)雜度.

SPP是一種非常有效的多分辨策略，解決CNN網(wǎng)絡(luò)輸入需要固定尺寸的圖像問題[16].SPP將最后一層卷積層輸出的特征進(jìn)行復(fù)制，用不同的步長(zhǎng)對(duì)復(fù)制的特征進(jìn)行池化，最后將池化得到的特征融合為一個(gè)尺寸固定的特征作為全連接層的輸入.SPP層不僅可以解決CNN網(wǎng)絡(luò)需要輸入圖像尺寸固定的問題，還可以以不同的池化步長(zhǎng)在多個(gè)尺度上二次挖掘圖片的特征，加深模型對(duì)圖像的理解[17].SPP的工作原理見圖1，N是最后一層卷積層的輸出特征圖，復(fù)制4份利用4種不同的池化步長(zhǎng)得到池化特征，最后對(duì)池化特征進(jìn)行融合得到SPP層輸出特征圖M.

圖1 SPP的工作原理

1.3 ELM

ELM是2004年由南洋理工大學(xué)提出的.它是一種特殊的前饋神經(jīng)網(wǎng)絡(luò)，具有學(xué)習(xí)速率快、泛化能力強(qiáng)的特點(diǎn).隨機(jī)初始化輸入權(quán)重和偏置且初始化完成后不需要調(diào)整，與反向傳播算法相比減少了運(yùn)算量.單隱層的ELM學(xué)習(xí)的目標(biāo)是確定一個(gè)輸出矩陣，使得標(biāo)簽和輸出的誤差最小，這一過程由廣義的矩陣求逆運(yùn)算得到.一個(gè)有l(wèi)個(gè)隱層節(jié)點(diǎn)的單隱層神經(jīng)網(wǎng)絡(luò)可以表示為

矩陣表示輸出誤差最小為

Hβ=T.

式中：j=1,…,n代表n個(gè)樣本;g(x)為激活函數(shù);w為隨機(jī)初始化的輸入權(quán)重;b為神經(jīng)元的偏置;β是需要計(jì)算的輸出權(quán)重;o為輸出;H為隱層節(jié)點(diǎn)的輸出;T為期望輸出.

輸出權(quán)重矩陣的計(jì)算方法為

β=H+T.

式中H+是矩陣H的Moore-Penrose廣義逆矩陣.

2 數(shù)據(jù)來源與處理

2.1 數(shù)據(jù)來源與評(píng)價(jià)指標(biāo)

本文的實(shí)驗(yàn)數(shù)據(jù)來自MITDB，該數(shù)據(jù)集包含48條時(shí)長(zhǎng)為30 min，采樣頻率為360 Hz的心電信號(hào)記錄.每條記錄由兩個(gè)導(dǎo)聯(lián)組成，兩位專家對(duì)心電信號(hào)進(jìn)行標(biāo)記和注釋.排除102、104、107和217四條雜亂且具有節(jié)奏性心跳的ECG記錄，對(duì)余下44條ECG記錄的心拍按照美國(guó)醫(yī)療儀器促進(jìn)協(xié)會(huì)(American Association for the Advancement of Medical Instruments, AAMI)的標(biāo)準(zhǔn)分成4類：正?；蚴鲗?dǎo)阻滯心跳(N)、室上性異常心跳(S)、心室異常心跳(V)和融合心跳(F)，對(duì)這4類心律失常進(jìn)行自動(dòng)識(shí)別.表1所示是MITDB中4種類型心拍劃分的具體信息與得到的心拍個(gè)數(shù).

按照AAMI標(biāo)準(zhǔn)用于評(píng)價(jià)心律失常分類性能的指標(biāo)有：混淆矩陣、準(zhǔn)確率(accuracy, Acc)、敏感度(sensitive, Se)、特異性(specificity, Sp)和精度(precision, Pp).混淆矩陣可以更詳細(xì)地觀察分類器對(duì)每一類別的分類情況，根據(jù)混淆矩陣可以計(jì)算其他4個(gè)指標(biāo)，每個(gè)指標(biāo)的計(jì)算方法如下式：

式中：TTP表示被分類為正樣本，實(shí)際也是正樣本的個(gè)數(shù)；TTN表示被判定為負(fù)樣本，實(shí)際也是負(fù)樣本的個(gè)數(shù)；FFP表示被判定為正樣本，但實(shí)際是負(fù)樣本的個(gè)數(shù)；FFN表示被判定為負(fù)樣本，但實(shí)際是正樣本的個(gè)數(shù).

表1 AAMI標(biāo)準(zhǔn)對(duì)MITDB心拍的4分類

2.2 數(shù)據(jù)預(yù)處理

MITDB提供的原始心電數(shù)據(jù)已經(jīng)經(jīng)過60 Hz工頻干擾的處理和0.1～100 Hz的帶通濾波去噪，故本文所提出的模型省略了預(yù)處理階段的去噪.將MITDB的44條心電記錄按照專家標(biāo)記的R峰位置和R-R間期的長(zhǎng)度對(duì)心拍進(jìn)行動(dòng)態(tài)分割，以獲得更完整的包含P波、QRS波和T波的心拍.結(jié)合醫(yī)學(xué)特征以及心動(dòng)周期各特征波的波形特點(diǎn)和持續(xù)時(shí)間劃分心拍.P波時(shí)長(zhǎng)一般不超過0.12 s，QRS波的時(shí)長(zhǎng)不超過0.11 s，T波持續(xù)時(shí)間一般為0.05 ～ 0.25 s之間，取R峰位置前一個(gè)R-R間期的45%和R峰位置后一個(gè)R-R間期的55%組成一個(gè)完整的心拍，圖2是心拍分割的示意圖.由于動(dòng)態(tài)心拍分割的心拍長(zhǎng)度不固定，為了在訓(xùn)練階段構(gòu)建CNN網(wǎng)絡(luò)的輸入矩陣，將動(dòng)態(tài)心拍分割的長(zhǎng)度進(jìn)行截取和補(bǔ)零使每個(gè)心拍長(zhǎng)度為1 s，也有研究表明補(bǔ)零操作有利于CNN網(wǎng)絡(luò)對(duì)特征的提取.

為了統(tǒng)一心拍的分布性，降低信號(hào)分布變化的影響，提高模型的收斂速度，在將心拍矩陣送入CNN網(wǎng)絡(luò)之前對(duì)信號(hào)進(jìn)行歸一化，計(jì)算方法為

式中,xmax為ECG信號(hào)的幅值最大值，xmin為ECG信號(hào)的幅值最小值.

圖2 根據(jù)R-R間期進(jìn)行動(dòng)態(tài)心拍分割

3 CNN-SPP-ELM心律失常分類模型

本文提出一種CNN-SPP-ELM混合模型用于AAMI標(biāo)準(zhǔn)的心律失常4分類研究，圖3是提出的混合模型結(jié)構(gòu).該模型結(jié)構(gòu)主要由3部分組成：CNN的卷積層和池化層、SPP層和ELM分類器.CNN的卷積層和池化層用于特征提取和降維，最后一層卷積層的輸出作為下一層的輸入.由于輸入層信號(hào)長(zhǎng)度不同，最后一層卷積層輸出的信號(hào)長(zhǎng)度也不同，無法直接作為全連接層的輸入，所以引入SPP層對(duì)最后一層卷積層的輸出特征進(jìn)行處理.將最后一層卷積層的輸出特征復(fù)制3份，每份特征以不同的池化步長(zhǎng)進(jìn)行空間金字塔池化，將池化得到的3份特征進(jìn)行融合得到固定長(zhǎng)度的SPP層輸出特征.SPP層一方面能夠?qū)⒉煌L(zhǎng)度的特征圖融合為相同長(zhǎng)度的特征圖，解決CNN需要固定長(zhǎng)度輸入的問題；另一方面SPP層以不同的池化步長(zhǎng)在多個(gè)尺度上二次挖掘圖片的特征，加深模型對(duì)圖像的理解.ELM作為分類器，可以減少訓(xùn)練時(shí)間，提高模型的泛化能力.

圖3 CNN-SPP-ELM混合模型結(jié)構(gòu)

輸入層、卷積層、池化層、SPP層以及ELM的參數(shù)設(shè)置如表2所示.卷積核大小、濾波器數(shù)量和池化步長(zhǎng)的設(shè)置是通過不斷試驗(yàn)保持一個(gè)變量變化，其他兩個(gè)不變,來選擇最優(yōu)分類結(jié)果.SPP層嘗試采用4級(jí)金字塔結(jié)構(gòu)，但是與3級(jí)金字塔結(jié)構(gòu)相比，這樣設(shè)置大大增加了訓(xùn)練時(shí)間但分類精度卻提高得很小，故最終采用3級(jí)金字塔結(jié)構(gòu).SPP層的池化方式選擇最大池化，因?yàn)榕c平均池化相比，最大池化更加穩(wěn)健[20].

表2 CNN-SPP-ELM混合模型的參數(shù)設(shè)置

訓(xùn)練階段選擇批量梯度下降算法進(jìn)行參數(shù)優(yōu)化，批量大小選擇為16.研究發(fā)現(xiàn)，批量樣本數(shù)越少會(huì)導(dǎo)致更快地收斂，而且批量越小越有可能收斂到平坦的最小值，增強(qiáng)模型的泛化能力，但是批量樣本數(shù)越少也會(huì)相應(yīng)地增加訓(xùn)練時(shí)間.綜合考慮選擇批量大小為16，既可以保證較快的收斂又不會(huì)增加很多時(shí)間消耗，而且實(shí)驗(yàn)結(jié)果表明，批量大小為16可以達(dá)到更高的分類準(zhǔn)確率.經(jīng)過實(shí)驗(yàn)驗(yàn)證，卷積層激活函數(shù)為ReLU函數(shù)時(shí)，學(xué)習(xí)率設(shè)為0.01最為合適，更大的學(xué)習(xí)率會(huì)造成梯度爆炸，更小的學(xué)習(xí)率會(huì)使得收斂時(shí)間變長(zhǎng).模型卷積層權(quán)值的初始化由He初始化得到，能夠?qū)崿F(xiàn)更快地模型收斂[18].

4 實(shí)驗(yàn)與結(jié)果分析

4.1 CNN、CNN-SPP與CNN-SPP-ELM模型的對(duì)比分析

本文實(shí)驗(yàn)平臺(tái)為MATLAB 2016a，軟件環(huán)境為Inter(R) Core(TM) i3-3320 CPU @3.30 GHz 16 GB.為了樣本均衡，避免某一類樣本數(shù)量太多，對(duì)F類和S類的樣本進(jìn)行數(shù)據(jù)擴(kuò)充[19].擴(kuò)充后選取N類7 000個(gè)樣本，S類5 000個(gè)樣本，V類7 000個(gè)樣本以及F類5 000個(gè)樣本作為模型的輸入.

為了驗(yàn)證混合模型的有效性，設(shè)計(jì)兩組對(duì)比實(shí)驗(yàn).對(duì)比實(shí)驗(yàn)1是傳統(tǒng)的CNN心律失常分類模型，卷積層和池化層提取特征和特征降維，Softmax層輸出最后的分類結(jié)果.對(duì)比實(shí)驗(yàn)2是CNN-SPP心律失常分類模型，卷積層和SPP層提取特征和特征降維，Softmax層來輸出分類結(jié)果.CNN模型和CNN-SPP模型與混合模型區(qū)別是CNN模型用平均池化層和Softmax層代替SPP層和ELM分類器，CNN-SPP模型用Softmax層代替ELM分類器，其他層參數(shù)設(shè)置與CNN-SPP-ELM混合模型完全相同.70%作為訓(xùn)練集，30%作為測(cè)試集記錄30次迭代的CNN、CNN-SPP和CNN-SPP-ELM3種模型4分類的準(zhǔn)確率，準(zhǔn)確率對(duì)比曲線見圖4.

圖4 三種模型的準(zhǔn)確率對(duì)比曲線

由圖4可知，CNN-SPP模型和CNN-SPP-ELM模型的準(zhǔn)確率整體都比CNN模型高，這是因?yàn)镾PP層不同的池化步長(zhǎng)可以學(xué)習(xí)到更多的特征.表3所示是3種模型在相同軟件環(huán)境下的訓(xùn)練時(shí)間和準(zhǔn)確率的對(duì)比.與CNN模型相比，CNN-SPP-ELM混合模型能在相同迭代次數(shù)下獲得更高的準(zhǔn)確率；與CNN-SPP模型相比，CNN-SPP-ELM混合模型能以更少的迭代次數(shù)獲得更高的準(zhǔn)確率.

表3 三種模型在相同軟件環(huán)境下的對(duì)比

4.2 CNN-SPP-ELM與其他模型的評(píng)價(jià)指標(biāo)對(duì)比

保存CNN-SPP模型迭代3次之后的卷積層的權(quán)重，將其作為CNN-SPP-ELM模型卷積層權(quán)重的初始化值，利用十折交叉驗(yàn)證方法得到CNN-SPP-ELM模型心律失常4分類的評(píng)價(jià)指標(biāo).十折交叉驗(yàn)證方法的實(shí)現(xiàn)過程為：

1)將4分類的全部樣本數(shù)據(jù)和標(biāo)簽按照相同的隨機(jī)數(shù)打亂后，隨機(jī)分成10份，選取其中的9份作為訓(xùn)練集，1份作為測(cè)試集.

2)CNN-SPP模型迭代3次，記錄梯度下降算法優(yōu)化得到的卷積層權(quán)重和偏置，將其作為CNN-SPP-ELM混合模型的初始化權(quán)重和偏置.

3)CNN-SPP-ELM混合模型的ELM分類器隱藏層神經(jīng)元個(gè)數(shù)設(shè)置為500，記錄AAMI標(biāo)準(zhǔn)4分類的評(píng)價(jià)指標(biāo).

4)不重復(fù)地選取其他9份作為訓(xùn)練集，另外1份作為測(cè)試集，進(jìn)行10次試驗(yàn)，結(jié)果取平均值得到最終的CNN-SPP-ELM分類的評(píng)價(jià)指標(biāo)如表4所示.

表4 CNN-SPP-ELM混合模型的評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)結(jié)果表明，混合模型的分類總體準(zhǔn)確率為99.16%，4種分類的敏感度均大于98%，特異性均大于98%，精度均大于98%.

表5總結(jié)了本文分類算法與其他算法心律失常4分類的結(jié)果，所對(duì)比的文獻(xiàn)數(shù)據(jù)集全部來自MITDB，評(píng)價(jià)指標(biāo)是整體準(zhǔn)確率和各分類的敏感性.與對(duì)比文獻(xiàn)相比，本文算法經(jīng)過數(shù)據(jù)擴(kuò)充后選取的4類樣本數(shù)量更加均衡，得到的整體準(zhǔn)確率更具有說服力.由表5可知，本文算法對(duì)異常心拍識(shí)別的敏感性都高于其他參考文獻(xiàn).其中PCA為主成分分析，R-R為R-R間期，SVM-PSO為粒子群優(yōu)化的支持向量機(jī)，WPE為小波熵，RF為隨機(jī)森林，ResNet為殘差網(wǎng)絡(luò)，SVM為支持向量機(jī).

表5 本文分類效果與其他方法對(duì)比

4.3 討 論

傳統(tǒng)機(jī)器學(xué)習(xí)的方法用于心律失常分類時(shí)，需要手動(dòng)進(jìn)行特征提取和特征選擇.PCA、S變換、WPE等結(jié)合R-R間期的特征提取方法提取到的特征維度大，而且特征選擇困難，算法的整體準(zhǔn)確率較低，對(duì)異常心拍的敏感性不高.基于CNN的深度學(xué)習(xí)方法用于心律失常分類時(shí)，可以自動(dòng)提取特征.LSTM和CNN的并行組合可以自動(dòng)提取時(shí)序特征和局部相關(guān)特征，將兩種特征融合到全連接層最后由Softmax層來輸出分類結(jié)果.結(jié)合ResNet的深度殘差卷積神經(jīng)網(wǎng)絡(luò)，ResNet的加入有效緩解了深層網(wǎng)絡(luò)收斂難、調(diào)優(yōu)難的問題.CNN和ELM的混合模型不需要通過不斷更新權(quán)重來找到最優(yōu)解，這在一定程度上減少了計(jì)算復(fù)雜度，優(yōu)化了訓(xùn)練時(shí)間.

本文提出的CNN-SPP-ELM混合模型的輸入信號(hào)是可變長(zhǎng)度的心拍，與固定長(zhǎng)度的輸入信號(hào)相比能保留更完整的P、QRS、T段的信息.特征處理和分類過程分開進(jìn)行，CNN自動(dòng)提取局部相關(guān)特征之后，SPP層通過不同的池化步長(zhǎng)降維和進(jìn)一步提取特征，最后提取到的特征送入ELM分類器實(shí)現(xiàn)心律失常的4分類.與LSTM和CNN的并行組合、CNN和ResNet混合模型、CNN和ELM模型相比，本文提出的模型對(duì)特征進(jìn)行了二次提取，能提取到更深層次的特征，整體準(zhǔn)確率和異常心拍的分類都高于這幾種模型，ELM分類器使得模型的計(jì)算復(fù)雜度相對(duì)也比較低，縮短了訓(xùn)練時(shí)間.

5 結(jié) 論

本文提出一種用于心律失常分類的CNN-SPP-ELM混合模型結(jié)構(gòu)，輸入信號(hào)是依據(jù)R-R間期和醫(yī)學(xué)信息動(dòng)態(tài)分割的ECG心拍，每個(gè)心拍的長(zhǎng)度不同，更完整地保留了ECG信號(hào)的特征波.CNN和SPP自動(dòng)提取心拍特征，ELM分類器最終實(shí)現(xiàn)心律失常的4分類.與CNN-SPP模型相比ELM分類器能縮短訓(xùn)練時(shí)間，更快達(dá)到收斂；與CNN-ELM模型相比，SPP層能實(shí)現(xiàn)變長(zhǎng)的心拍輸入并且二次提取卷積層輸出的特征.實(shí)驗(yàn)結(jié)果表明所提出的方法能有效提高心律失常異常心拍的識(shí)別準(zhǔn)確率、敏感性、特異性和精度，在最終測(cè)試集上整體分類的準(zhǔn)確率達(dá)到99.16%.

本文所提出的基于CNN-SPP-ELM的心律失常分類的混合模型為心律失常的自動(dòng)診斷提供一種可行的方案.在未來工作中，網(wǎng)絡(luò)層數(shù)的加深、卷積核的大小、數(shù)據(jù)平衡問題對(duì)分類結(jié)果的影響都值得進(jìn)一步研究.之后將嘗試采用合成少數(shù)過采樣技術(shù)實(shí)現(xiàn)數(shù)據(jù)擴(kuò)充和使用本文提出的模型實(shí)現(xiàn)心律失常的更多分類.