◆丁娜娜 張龍波 吳志勇

基于CNN和BiGRU-Attention模型的心律異常判別研究

◆丁娜娜 張龍波通訊作者吳志勇

（山東理工大學(xué)（淄博）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 山東 255049）

心臟病是導(dǎo)致人類死亡的主因，多數(shù)心血管疾病發(fā)生時(shí)，常伴有心律失?，F(xiàn)象的出現(xiàn)。為實(shí)現(xiàn)心律失常的自動(dòng)判別，研究并提出一種卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和基于注意力機(jī)制（Attention）的雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（Bidirectional Gated Recurrent Unit Neural Network，BiGRU）結(jié)合的心律異常判別方法。該方法首先采用1維CNN自動(dòng)提取心電信號特征；其次將CNN提取出的特征輸入到BiGRU-Attention網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)；最后，使用softmax函數(shù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，該方法的總體準(zhǔn)確率為99.53%，N、S、V和F四類心跳的靈敏度分別為99.80%、96.35%、98.23%，92.01%，陽性預(yù)測值分別為99.74%、96.87%、99.24%、90.37%，證明該方法具有良好的性能。

心電信號；心律失常；卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；BiGRU-Attention網(wǎng)絡(luò)

世界衛(wèi)生組織的統(tǒng)計(jì)數(shù)據(jù)顯示，心血管疾病已經(jīng)成為居民死亡的頭號殺手，每年有超過1770萬的人死于心血管疾病[1]。心血管疾病發(fā)生時(shí)經(jīng)常伴有心律失常的出現(xiàn)，心律失常是威脅人類生命健康的一類重大疾病。實(shí)現(xiàn)心律失常的自動(dòng)分類具有非常重要的現(xiàn)實(shí)意義，它能夠使人及時(shí)發(fā)現(xiàn)心臟疾病并加以診斷，有效的保護(hù)心臟健康。

心電信號預(yù)處理、特征提取和分類是實(shí)現(xiàn)心電信號自動(dòng)分類的三個(gè)階段。心電信號的預(yù)處理主要包括去噪和分段，有利于提高自動(dòng)分類的準(zhǔn)確率。特征提取，即提取心電信號的時(shí)域特征、頻域特征以及形態(tài)學(xué)特征等，例如提取其RR間期，心跳間隔，波寬等。Saminu[3]等人使用小波變換法進(jìn)行特征提取，采用神經(jīng)網(wǎng)絡(luò)反向傳播法進(jìn)行自動(dòng)分類，得到了99.84%的分類準(zhǔn)確率。Li[4]等人提出了一種結(jié)合小波包分解（WPD）和近似熵（ApEn）的心電信號非線性特征提取方法，采用支持向量機(jī)（SVM）方法進(jìn)行分類，最終得到了97.78%的準(zhǔn)確率。2019年李鴻強(qiáng)[5]等人首先利用主成分分析（principal component analysis，PCA）對心電信號進(jìn)行降維，再使用核獨(dú)立成分提取心電信號的非線性特征，將心電信號分為5類并獲得了99.11%得準(zhǔn)確率。針對心電信號的自動(dòng)分類，已經(jīng)有很多方法可以實(shí)現(xiàn)，比如最優(yōu)路徑森林（OPF）、支持向量機(jī)（SVM）、鄰近算法（KNN）等。Luz[6]等人使用基于最優(yōu)路徑森林的方法進(jìn)行心律失常分類，對比其他方法，該方法取得了良好的效果。Giorgio[7]等人利用支持向量機(jī)（Support Vector Machines，SVM）對去噪后的心室晚電位心電信號進(jìn)行分類，最終得到了98.35%的準(zhǔn)確度。有學(xué)者在傳統(tǒng)KNN算法的基礎(chǔ)上進(jìn)行了改進(jìn)，F(xiàn)aziludeen[8]等人利用基于Dempster Shafer理論的證據(jù)k近鄰（EKNN）方法對心電信號進(jìn)行分類，實(shí)驗(yàn)結(jié)果證明，該方法優(yōu)于傳統(tǒng)KNN算法。以上方法都達(dá)到了比較高的分類準(zhǔn)確率，但是針對心電信號的波形及模式多樣化特點(diǎn)，還存在一定的缺點(diǎn)，上述方法都是理利用人工提取心電特征，將統(tǒng)一的特征作為評估標(biāo)準(zhǔn)是很受限的，并且還會(huì)浪費(fèi)大量的人力、時(shí)間和費(fèi)用等成本。

隨著科技的發(fā)展，深度學(xué)習(xí)迅速崛起，不少專家學(xué)者將深度學(xué)習(xí)運(yùn)用到了心電信號領(lǐng)域[2，9]，并取得了較好的成效。2020年Asgharzadeh-Bonab[10]等人使用卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionNeural Network，CNN）實(shí)現(xiàn)對心電信號的分類，其分類性能優(yōu)于該階段引入的分析方法。Zheng[11]等人采用基于去噪自編碼器的深度神經(jīng)網(wǎng)絡(luò)（DNN）進(jìn)行心電信號自動(dòng)分類，最終在MIT心律失常數(shù)據(jù)庫（mitdb）和自采集的聯(lián)合數(shù)據(jù)集上得到94.39%的平均識(shí)別率。Chauhan[12]等人使用長短時(shí)記憶（Long Short Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)心電信號自動(dòng)分類，驗(yàn)證了該網(wǎng)絡(luò)在心電信號分類方面的有效性。李潤川[28]等人使用BiLSTM-Attention模型來檢測心律異常，在靈敏度、陽性預(yù)測值和F1綜合指標(biāo)方面都獲得了良好的效果。綜上所述，深度學(xué)習(xí)方法相對于傳統(tǒng)方法有較大的優(yōu)勢，但是也有自身的缺點(diǎn)，學(xué)習(xí)過程復(fù)雜，泛化能力較弱，并且需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，耗費(fèi)成本較高。

CNN可以自動(dòng)提取特征，避免了人工提取特征的弊端，節(jié)約成本；BiGRU網(wǎng)絡(luò)不僅結(jié)構(gòu)簡單，學(xué)習(xí)復(fù)雜度低，還可以學(xué)習(xí)前后心跳之間的關(guān)系。結(jié)合CNN和BiGRU網(wǎng)絡(luò)的優(yōu)勢以及上述問題，本文提出1維卷積神經(jīng)網(wǎng)絡(luò)和基于注意力機(jī)制的雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)結(jié)合的心電信號自動(dòng)分類方法。結(jié)合眾多文獻(xiàn)發(fā)現(xiàn)，該方法首次被運(yùn)用在單導(dǎo)聯(lián)心電信號分類當(dāng)中，并且在MIT-BIH心律失常數(shù)據(jù)庫的驗(yàn)證中取得了良好的效果。

1 基于CNN和BiGRU-Attention模型的心電信號自動(dòng)分類

1.1 心電信號預(yù)處理

原始心電信號往往是存在噪聲的，常見的心電信號噪聲主要有電源線干擾和基線漂移[13]。噪聲的存在，會(huì)降低模型性能，因此需要對原始心電信號進(jìn)行去噪處理。

為去除電源線干擾和基線漂移，首先對所有的心電信號使用200-ms和600-ms的中值濾波器進(jìn)行處理，得到去除基線漂移后的心電信號；接下來使用一個(gè)截止頻率為35赫茲的12階FIR 低通濾波器去除電源線干擾。研究發(fā)現(xiàn)經(jīng)過以上方法的處理，可有效去除心電信號的噪聲[2，14]。以100記錄為例，去噪前和去噪后的心電信號如圖1（a）和1（b）所示。

R波檢測是心電信號檢測的關(guān)鍵，它不僅是檢測其他心電波群（P波、T波）的基礎(chǔ)，還可以幫助診斷心律不齊和心跳異常等疾病[15]，同時(shí)也是心電信號分割的重要依據(jù)。本論文中采用MIT-BIH數(shù)據(jù)庫提供的R峰坐標(biāo)完成心電信號的分割，研究發(fā)現(xiàn)該方法已被大量學(xué)者使用[16，17，18，19]。根據(jù)R峰的坐標(biāo)位置，將心電信號統(tǒng)一分割為180個(gè)采樣點(diǎn)的單個(gè)心跳。

圖1 去噪前后心電信號段

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)在很多方面尤其是圖像識(shí)別領(lǐng)域表現(xiàn)出色[20，21]。卷積神經(jīng)網(wǎng)絡(luò)屬于前饋神經(jīng)網(wǎng)絡(luò)，主要由輸入層、卷積層、池化層以及全連接層等組成[22，23]，該網(wǎng)絡(luò)具有權(quán)值共享、局部連接等特點(diǎn)。卷積層可以充分提取數(shù)據(jù)特征，獲得數(shù)據(jù)之間的內(nèi)在聯(lián)系；池化層也稱采樣層，包括最大池化和平均池化等，可以降低特征維度，減少網(wǎng)絡(luò)復(fù)雜度，同時(shí)也可以減少訓(xùn)練的參數(shù)數(shù)量；全連接層的作用主要是將特征進(jìn)行非線性組合來得到最終的輸出。在各層的作用下，卷積神經(jīng)網(wǎng)絡(luò)表現(xiàn)出良好的特征提取性能。

1.3 雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

GRU是LSTM的一種變體，擁有和LSTM相似的功能，但它相對于LSTM網(wǎng)絡(luò)來說，網(wǎng)絡(luò)結(jié)構(gòu)更簡單，是目前非常流行的網(wǎng)絡(luò)之一。GRU由更新門和重置門構(gòu)成，更新門相當(dāng)于LSTM的輸入門和遺忘門，它決定了哪些信息被丟棄或者哪些信息被添加，值越大表示前一時(shí)刻被保留的信息越多；重置門決定遺忘前一刻信息的程度，值越小表示遺忘程度越大。更新門和重置門之間的關(guān)系可表述如下：

其中，Zt是更新門，Rt是重置門，WZ、WR、Wh是當(dāng)前時(shí)刻輸入的權(quán)重，Uz、UR、Uh是當(dāng)前時(shí)刻循環(huán)輸入的權(quán)重，ht-1為上一時(shí)刻的隱藏狀態(tài)信息，xt為輸入的心電信號數(shù)據(jù)，h’t為候選隱藏狀態(tài)，ht為心電信號特征的輸出，σ表示sigmod激活函數(shù)。

雙向GRU實(shí)際上由兩個(gè)單向GRU組成，一個(gè)是正向傳播的GRU，一個(gè)是反向傳播的GRU。BiGRU的隱藏層狀態(tài)由正向隱藏層狀態(tài)和反向隱藏層狀態(tài)經(jīng)過重新加權(quán)相加后得到，可以更加充分的學(xué)習(xí)前后心跳之間的聯(lián)系，提高識(shí)別率。

1.4 Attention注意力機(jī)制

Attention注意力機(jī)制的作用是為了捕獲更為關(guān)鍵的特征，提高分類準(zhǔn)確率。Attention在語音處理、自然語言處理等方面都表現(xiàn)出了良好的性能[24，25]，在處理時(shí)序信息方面具有優(yōu)勢。Attention注意力機(jī)制是對人體注意力機(jī)制的一種模仿，它通過為每個(gè)特征向量分配概率權(quán)重，從而獲取更關(guān)鍵的特征信息，提高特征提取的質(zhì)量，獲取更好的分類效果。Attention注意力機(jī)制的計(jì)算公式如下：

其中，hm是原始隱藏層狀態(tài)，S是新的隱藏層狀態(tài)，am是每個(gè)原始隱藏層狀態(tài)在新的隱藏層狀態(tài)中所占的比重大小，em表示隱藏層狀態(tài)向量hm被處理后的向量，vm為m時(shí)刻的權(quán)重，bm為m時(shí)刻的偏置。

1.5 CNN和BiGRU-Attention模型

實(shí)驗(yàn)采用CNN和BiGRU-Attention網(wǎng)絡(luò)結(jié)合的模型完成心電信號的分類。經(jīng)過大量實(shí)驗(yàn)，采用兩層卷積，卷積核個(gè)數(shù)分別為6和16；池化層部分采用的是最大池化，其大小為2，滑動(dòng)步長也為2；最后通過全連接層將特征進(jìn)行了非線性組合，并將特征維度設(shè)置為50。經(jīng)過上述操作，最終得到了50x1的心電信號特征。在得到心電信號特征之后，將特征向量輸入到BiGRU網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)；接下來，將BiGRU隱藏層的輸出再輸入到Attention中，進(jìn)一步提取更為關(guān)鍵的心電信號特征；最后，輸入到softmax函數(shù)完成分類。整體模型見圖2。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集

本實(shí)驗(yàn)采用的是MIT-BIH 數(shù)據(jù)庫，它是由美國麻省理工學(xué)院提供的。MIT-BIH 心律失常數(shù)據(jù)庫包含的ECG 的來源，是由 Beth Israel 醫(yī)院采集的4000 多個(gè)長時(shí)間Holter記錄。MIT-BIH心律失常數(shù)據(jù)庫一共有48個(gè)記錄，每個(gè)記錄時(shí)長約30分鐘，這些記錄包含了多種臨床病理現(xiàn)象。MIT-BIH心律失常數(shù)據(jù)庫可供研究者免費(fèi)使用，為心電信號的研究提供了數(shù)據(jù)集，應(yīng)用十分廣泛。根據(jù)AAMI推薦的做法，對MIT-BIH心電數(shù)據(jù)庫的分類如表1所示。由于Q類的心電信號數(shù)量極少，因此本實(shí)驗(yàn)中將心電信號分為N、S、V、F四大類。數(shù)據(jù)集共有100671條心跳記錄，分為訓(xùn)練集DS1和測試集DS2，具體分類如表2。

圖2 CNN和BiGRU-Attention模型

表1 MIT-BIH標(biāo)簽和AAMI標(biāo)準(zhǔn)分類

表2 數(shù)據(jù)集劃分

2.2 實(shí)驗(yàn)結(jié)果與分析

為測試模型的性能，本文使用靈敏度（Se）、陽性預(yù)測值（PPV）、分類準(zhǔn)確率（Acc） 3種評估指標(biāo)。具體計(jì)算公式如下所示：

上述公式中，TP表示為分類正確的心跳個(gè)數(shù)，F(xiàn)N表示為分類錯(cuò)的心跳個(gè)數(shù)，TN表示為本不屬于某類心跳而被分類為該類的心跳個(gè)數(shù)，F(xiàn)P表示本屬于某類心跳而被錯(cuò)誤分類的心跳個(gè)數(shù)。

表3為本實(shí)驗(yàn)結(jié)果的混淆矩陣。根據(jù)混淆矩陣即可計(jì)算出模型的評價(jià)指標(biāo)，本實(shí)驗(yàn)先使用CNN提取特征，再使用BiGRU-Attention模型進(jìn)行學(xué)習(xí)，最后使用softmax完成分類，該模型與其他實(shí)驗(yàn)的分類結(jié)果性能比較如表4所示?？梢钥闯?，本實(shí)驗(yàn)的分類準(zhǔn)確率較高，達(dá)到了99.53%；N、S、V、F四類心跳的靈敏度分別為99.80%、96.35%、98.23%，92.01%，陽性預(yù)測值分別為99.74%、96.87%、99.24%、90.37%。

表3 分類混淆矩陣

表4 分類結(jié)果性能比較

與文獻(xiàn)[26]、文獻(xiàn)[27]相比，本文提出的心電信號自動(dòng)分類方法具有較高的分類準(zhǔn)確率，并且N、S、V、F四類心跳在靈敏度和陽性預(yù)測值方面也有比較明顯的提升，特別是對于S和F類心跳，本實(shí)驗(yàn)對這兩類心跳的識(shí)別度明顯高于其他實(shí)驗(yàn)。以上所述，證明了本文所提模型具有良好的性能，對于心電診斷有更強(qiáng)的適應(yīng)性，并且受數(shù)據(jù)集不平衡性因素的影響程度較小，在心電圖分析領(lǐng)域具有明顯的臨床意義和實(shí)用性。

3 結(jié)論

為實(shí)現(xiàn)心律失常的自動(dòng)判別，研究并提出CNN和BiGRU-Attention結(jié)合的心律異常判別方法，首先利用CNN對心電特征進(jìn)行自動(dòng)提取，再利用BiGRU-Attention網(wǎng)絡(luò)對心電特征進(jìn)行學(xué)習(xí)，最后利用softmax函數(shù)完成分類。此方法大大提高了整體分類準(zhǔn)確率以及效率，在靈敏度和陽性預(yù)測值方面也都具有相應(yīng)的提升，尤其對于數(shù)據(jù)量少且較難辨別的S和F兩類心跳的識(shí)別度有明顯提升，證明該模型具有良好的性能，在心電分析方面具有臨床意義。本次實(shí)驗(yàn)使用的是單導(dǎo)聯(lián)心電信號的自動(dòng)分類，未來的工作考慮研究多導(dǎo)聯(lián)心電信號的自動(dòng)分類，進(jìn)一步提高心電診斷的效率。

[1]World Health Organization（2017）. Cardiovascular diseases （CVDs）.http://www.who.int/mediacentre/ factsheets/fs317/en/ Accessed 18 Apr 2018.

[2]Sannino G，De Pietro G. A deep learning approach for ECG-based heartbeat classification for arrhythmia detection[J]. Future Generation Computer Systems，2018，86：446-455.

[3]Saminu S ，Ozkurt N，Karaye B A . Wavelet feature extraction for ECG beat classification[C]// IEEEInternational Conference on Adaptive Science & Technology. IEEE，2015.

[4]Li H，F(xiàn)eng X，Cao L，et al. A New ECG Signal Classification Based on WPD and ApEn Feature Extraction[J]. Circuits Systems & Signal Processing，2016，35（1）：339-352.

[5]李鴻強(qiáng)，魏小清，王有璽，張振，宮正，吳非凡.主成分分析和線性判別分析應(yīng)用于心電信號特征提取和診斷算法研究[J].生物醫(yī)學(xué)工程研究，2019，38（02）：145-150.

[6]Luz E J D S，Nunes T M，De Albuquerque V H C，et al. ECG arrhythmia classification based on optimum-path forest[J]. Expert Systems with Applications，2013，40（9）：3561-3573.

[7]Giorgio，A.; Rizzi，M.;Guaragnella，C. Efficient Detection of Ventricular Late Potentials on ECG Signals Based on Wavelet Denoising and SVM Classification. Information 2019，10，328.

[8]Faziludeen S，Sankaran P. ECG beat classification using evidential K-nearest neighbours[J]. ProcediaComputer Science，2016，89：499-505.

[9]Pyakillya B，Kazachenko N，Mikhailovsky N . Deep Learning for ECG Classification[J]. Journal of Physics Conference Series，2017，913：012004.

[10]Asgharzadeh-Bonab A，Amirani M C，Mehri A. Spectral entropy and deep convolutional neuralnetwork for ECG beat classification[J]. Biocybernetics and Biomedical Engineering，2020，40（2）.

[11]Gang Zheng，Shengzhen Ji，Min Dai. ECG Based Identification by Deep Learning[C]// Chinese Conference on Biometric Recognition. Springer，Cham，2017.

[12]Chauhan S，Vig L . Anomaly detection in ECG time signals via deep long short-term memory networks[C]// IEEE International Conference on Data Science & Advanced Analytics. IEEE，2015.

[13]彭榮輝，趙治棟，張燁菲.EWT算法在單導(dǎo)聯(lián)心電信號去噪中的研究[J].杭州電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，39（05）：13-18.

[14]Z. Zhang，J. Dong，X. Luo，K.S. Choi，X. Wu，Heartbeat classification using disease-specific feature selection， Comput. Biol. Med. 46（Suppl. C）（2014）79-89.

[15]李立策，郭興明，王景燦，潘靜.基于DSP的心電信號R波檢測新算法[J].微計(jì)算機(jī)信息，2008（32）：182-183.

[16]燕婷，王于超，金中一.基于CNN與GRU降噪自編碼的心電信號分類方法[J].軟件導(dǎo)刊，2020，19（04）：75-78.

[17]Mondéjar-Guerra V， Novo J， Rouco J， et al. Heartbeat classification fusing temporal and morphological information of ECGs via ensemble of classifiers[J]. Biomedical Signal Processing and Control，2019，47：41-48.

[18]Chen X，Wang Y，Wang L. Arrhythmia Recognition and Classification Using ECG Morphology andSegment FeatureAnalysis[J]. IEEE/ACM transactions on computational biology and bioinformatics，2018，16（1）：131-138.

[19]Singh S，Pandey S K，Pawar U，et al. Classification of ECG arrhythmia using recurrent neural networks[J]. Procedia computer science，2018，132：1290-1297.

[20]Shang L，Yang Q，Wang J，et al.Detection of rail surface defects based on CNN image recognition and classification[C]// 2018 20th International Conference on Advanced Communication Technology （ICACT）.2018.

[21]Yanai K，Kawano Y . Food image recognition using deep convolutional network with pre-training and fine-tuning[C]// IEEE International Conference on Multimedia & Expo Workshops. IEEE，2015：1-6.

[22]Lei X，Pan H，Huang X . A dilated CNN model for image classification[J]. IEEE Access，2019，（99）：1-1.

[23]柯麗，王丹妮，杜強(qiáng)，姜楚迪.基于卷積長短時(shí)記憶網(wǎng)絡(luò)的心律失常分類方法[J].電子與信息學(xué)報(bào)，2020，42（08）：1990-1998.

[24]Kong Q，Xu Y，Wang W，et al. Audio Set Classification with Attention Model：A Probabilistic Perspective[C]//International Conference on Acoustics，Speech， and Signal Processing，ICASSP 2018，15-20 April 2018. 2018.

[25]Parikh A P，Tckstrm O，et al. A Decomposable Attention Model for Natural Language Inference[J].2016.

[26]Afkhami R G，Azarnia G，Tinati M A . Cardiac arrhythmia classification using statistical and mixture modeling features of ECG signals[J]. Pattern Recognition Letters，2016，70（Jan.15）：45-51.

[27]Mar T，Zaunseder S，Marti?Nez J P，et al. Optimization of ECG Classification by Means of Feature Selection[J]. 2011，58（8）：2168-2177.

[28]李潤川，張行進(jìn)，王旭，陳剛，冀沙沙，王宗敏.基于單心搏活動(dòng)特征與BiLSTM-Attention模型的心律失常檢測[J].計(jì)算機(jī)應(yīng)用與軟件，2019，36（10）：145-150.