基于RNN的心電信號(hào)異常檢測(cè)研究

李鋒，王澤南

（東華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 201620）

0 引言

心電圖（electrocardiogram，ECG）是記錄心臟電信號(hào)的常用方式[1]，醫(yī)護(hù)人員通過(guò)分析心電圖數(shù)據(jù)，可以較為準(zhǔn)確地判斷心臟的健康狀況。目前，大量的科研學(xué)者已經(jīng)開(kāi)始嘗試采取計(jì)算機(jī)技術(shù)來(lái)分析心電圖數(shù)據(jù)，從而實(shí)現(xiàn)在無(wú)醫(yī)學(xué)監(jiān)督下對(duì)個(gè)體心臟狀況的實(shí)時(shí)監(jiān)測(cè)。

1998年，Silipo R等人提出了用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的方法對(duì)三種異常的 ECG 信號(hào)進(jìn)行分類[2]，他們采用了多種ANN 結(jié)構(gòu)，配合不同的預(yù)處理方法，驗(yàn)證了ANN在面對(duì)ECG波形時(shí)具有良好的適用性。Lagerholm M[3]等人構(gòu)建了自組織的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)ECG信號(hào)的無(wú)監(jiān)督聚類，通過(guò)麻省理工心率失常數(shù)據(jù)庫(kù)中16類心電數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，得到了較準(zhǔn)確的分類結(jié)果。之后，Benali R[4]等人結(jié)合小波變換與神經(jīng)網(wǎng)絡(luò)對(duì)正常心電信號(hào)和4類異常心電信號(hào)進(jìn)行了分類，也獲得了較高的分類準(zhǔn)確率。Ac?r N[5]等人提出了通過(guò)最小二乘支持向量機(jī)（Least Squares Support Veotor Maohine，LSSVM）的方法對(duì)ECG信號(hào)進(jìn)行分類，該方法在對(duì)特征向量空間降維處理的基礎(chǔ)上，用快速LSSVM算法對(duì)心電數(shù)據(jù)進(jìn)行分類。在文獻(xiàn)[6]中，Shen CP采用了一種自適應(yīng)算法來(lái)提取數(shù)據(jù)特征，然后結(jié)合支持向量機(jī)（Support Vector Machine，SVM）和K均值聚類對(duì)樣本數(shù)據(jù)集進(jìn)行分類。

本課題組長(zhǎng)期研究軀感網(wǎng)和機(jī)器學(xué)習(xí)，并設(shè)計(jì)出一種便攜式心電采集設(shè)備,實(shí)現(xiàn)對(duì)心電數(shù)據(jù)的采集。本文主要在國(guó)際公開(kāi)數(shù)據(jù)庫(kù)和實(shí)驗(yàn)室采集的移動(dòng)心電數(shù)據(jù)基礎(chǔ)上,使用心電數(shù)據(jù)相鄰點(diǎn)斜率和RNN相結(jié)合的方法，實(shí)現(xiàn)心電信號(hào)的異常診斷。

1 基于心電數(shù)據(jù)斜率的心電信號(hào)異常檢測(cè)

為了便于通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)心電信號(hào)異常的自動(dòng)診斷，系統(tǒng)首先需要分析心電數(shù)據(jù)的內(nèi)在特性，提取特征序列作為神經(jīng)網(wǎng)絡(luò)的輸入。心電信號(hào)特征提取目前已有眾多成熟的算法，例如Palacios-Enriquez A提出基于小波變換的方法[7]；Soorma N提出了一種基于HHT變換的特征提取方法[8]。

由于這些變換算法會(huì)丟失心電數(shù)據(jù)本身的物理含義，本文選用相鄰數(shù)據(jù)點(diǎn)斜率組成的數(shù)據(jù)串作為心電數(shù)據(jù)的特征，并將該數(shù)據(jù)串作為循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入。

1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neuron Network，RNN）可以很好地處理序列類數(shù)據(jù)。與一般的神經(jīng)網(wǎng)絡(luò)不同，循環(huán)神經(jīng)網(wǎng)絡(luò)除了層與層之間的全連接，還包含了前一個(gè)節(jié)點(diǎn)的輸出對(duì)當(dāng)前節(jié)點(diǎn)的影響，即隱藏層的節(jié)點(diǎn)不再是獨(dú)立的，隱藏層輸入包含輸入層的數(shù)據(jù)和前一節(jié)點(diǎn)的輸出[9]。隱藏層各節(jié)點(diǎn)都會(huì)受到之前節(jié)點(diǎn)的影響，為避免之前節(jié)點(diǎn)數(shù)據(jù)過(guò)度參與當(dāng)前節(jié)點(diǎn)的計(jì)算，一般會(huì)引入遺忘率α作為前一輸出的權(quán)重[10]。

本文后續(xù)實(shí)驗(yàn)的數(shù)據(jù)是基于矩陣轉(zhuǎn)換而成的序列數(shù)據(jù)，該序列數(shù)據(jù)前后數(shù)據(jù)點(diǎn)存在關(guān)聯(lián)性，因此利用RNN來(lái)處理該數(shù)據(jù)具有較好的適用性。

2 異常檢測(cè)

2.1 算法流程

本文首先通過(guò)濾波等方式對(duì)心電數(shù)據(jù)進(jìn)行預(yù)處理，然后計(jì)算相鄰點(diǎn)的斜率并進(jìn)行組合，形成特征序列輸入到神經(jīng)網(wǎng)絡(luò)，完成異常檢測(cè)。

本文神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集來(lái)自Physio Bank數(shù)據(jù)庫(kù)，共計(jì)1600條數(shù)據(jù)。根據(jù)該數(shù)據(jù)庫(kù)中已標(biāo)記的病理標(biāo)簽，本文將訓(xùn)練集數(shù)據(jù)標(biāo)記為四類：正常、心肌梗塞、房室阻滯和房性早搏，四類數(shù)據(jù)各有400條記錄。測(cè)試數(shù)據(jù)集使用實(shí)驗(yàn)室采集的共1491條用戶數(shù)據(jù)，測(cè)試數(shù)據(jù)集包含正常242條，心肌梗塞398條，房室阻滯415條，房性早搏436條。部分實(shí)驗(yàn)數(shù)據(jù)如表1所示。

2.2 心電數(shù)據(jù)特征提取

在信號(hào)處理過(guò)程中，由于心電信號(hào)在采集過(guò)程中會(huì)受到工頻干擾、基線漂移、肌電干擾、電極移動(dòng)等因素的影響[11]，本文在進(jìn)行心電特征提取前對(duì)數(shù)據(jù)進(jìn)行了高斯濾波，避免噪聲對(duì)心電數(shù)據(jù)特征提取的影響。

心電信號(hào)是一個(gè)多分量信號(hào)，為保證心電信號(hào)原本物理意義的完整性，本文選擇提取相鄰點(diǎn)斜率作為特征。每一時(shí)刻的斜率計(jì)算公式如公式（1）所示。

表1 原始心電數(shù)據(jù)表

表2 相鄰點(diǎn)斜率結(jié)果表

2.3 數(shù)據(jù)組合

神經(jīng)網(wǎng)絡(luò)進(jìn)行異常檢測(cè)時(shí)，單一的斜率值無(wú)法作為神經(jīng)網(wǎng)絡(luò)的輸入，因此需要將每一串斜率值進(jìn)行拼接，即將每個(gè)斜率值按時(shí)序組合成一個(gè)一維數(shù)據(jù)串。以patient005為例，其組合結(jié)果如圖1所示。此時(shí)的數(shù)據(jù)串包含斜率特征和時(shí)序特征，這樣可以實(shí)現(xiàn)多維特征的異常診斷從而提升神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率。

圖1 patient005一維數(shù)據(jù)串結(jié)構(gòu)圖

2.4 RNN網(wǎng)絡(luò)

2.4.1 LSTM構(gòu)建

本文選用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）進(jìn)行異常心電檢測(cè)。LSTM在RNN基礎(chǔ)上進(jìn)行了改進(jìn)，能更好的處理序列數(shù)據(jù)[12]。本文LSTM網(wǎng)絡(luò)結(jié)構(gòu)共分為三層：輸入層、隱藏層和輸出層，結(jié)構(gòu)如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

網(wǎng)絡(luò)的輸出層4個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)類型心電圖概率值。

針對(duì)輸入層，通過(guò)實(shí)驗(yàn)得到節(jié)點(diǎn)數(shù)為50個(gè)時(shí)時(shí)間復(fù)雜度和空間復(fù)雜度在可接受范圍，神經(jīng)網(wǎng)絡(luò)通過(guò)窗口滑動(dòng)將數(shù)據(jù)串依次輸入到節(jié)點(diǎn)進(jìn)行計(jì)算。

隱藏層節(jié)點(diǎn)個(gè)數(shù)沒(méi)有實(shí)際的參照標(biāo)準(zhǔn)，本文通過(guò)實(shí)驗(yàn)，將節(jié)點(diǎn)個(gè)數(shù)設(shè)置為60。隱藏層節(jié)點(diǎn)個(gè)數(shù)與準(zhǔn)確率的對(duì)應(yīng)關(guān)系如表3所示。

表3 隱藏層節(jié)點(diǎn)與準(zhǔn)確率關(guān)系表

由于隱藏層前后節(jié)點(diǎn)互相連接，因此前一節(jié)點(diǎn)作為當(dāng)前節(jié)點(diǎn)輸入時(shí)的遺忘率亦會(huì)影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率以及分類結(jié)果。本文經(jīng)實(shí)驗(yàn)分析后將遺忘率α設(shè)為0.75。遺忘率對(duì)實(shí)驗(yàn)結(jié)果的影響如表4所示。

表4 遺忘率與準(zhǔn)確率關(guān)系表

在隱藏層通過(guò)公式2計(jì)算t時(shí)刻各個(gè)節(jié)點(diǎn)的狀態(tài)。

其中f(x)為激勵(lì)函數(shù)，分別為輸入層和隱藏層偏置，分別為輸入層和隱藏層權(quán)重。

其中，s(t=2950)為隱藏層最終的節(jié)點(diǎn)狀態(tài)，由于滑動(dòng)窗口每次移動(dòng)1個(gè)單位，故節(jié)點(diǎn)狀態(tài)數(shù)=數(shù)據(jù)串長(zhǎng)度-窗口長(zhǎng)度+1=2999-50+1=2950，因此隱藏層節(jié)點(diǎn)最終狀態(tài)為s(t=2950)。分別為輸出層的權(quán)重和偏置。通過(guò)公式5將該結(jié)果轉(zhuǎn)換為最終的輸出結(jié)果

p1：待測(cè)心電屬于正常的概率；

p2：待測(cè)心電屬于心肌梗塞的概率；

p3：待測(cè)心電屬于房室阻滯的概率；

p4：待測(cè)心電屬于房性早搏的概率。

2.4.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程

在構(gòu)建完成網(wǎng)絡(luò)結(jié)構(gòu)后，需要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練步驟如下：

Step1：初始化網(wǎng)絡(luò)結(jié)構(gòu)，將所有權(quán)重和偏置賦值為一個(gè)隨機(jī)值；

Step2：讀取一條心電數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)；

Step3：分別計(jì)算輸入層，隱藏層和輸出層的輸出；

Step5：獲得判別結(jié)果并計(jì)算損失函數(shù)。損失函數(shù)計(jì)算方法將在2.4.3節(jié)進(jìn)行闡述；

Step6：根據(jù)梯度下降算法調(diào)整各個(gè)權(quán)重和偏置。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，重復(fù)Step2至Step6，當(dāng)損失函數(shù)誤差e≤0.001或訓(xùn)練集數(shù)據(jù)被遍歷時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束，將待測(cè)心電數(shù)據(jù)輸入到網(wǎng)絡(luò)中即可得到異常檢測(cè)結(jié)果。

2.4.3 損失函數(shù)計(jì)算

本文使用真實(shí)病理標(biāo)簽對(duì)應(yīng)節(jié)點(diǎn)的概率值計(jì)算損失函數(shù)，計(jì)算方法如公式6所示。

其中R為其病理標(biāo)簽對(duì)應(yīng)節(jié)點(diǎn)的概率。例如，將某房室阻滯病人的心電數(shù)據(jù)傳入神經(jīng)網(wǎng)絡(luò)，通過(guò)公式6和公式8計(jì)算得到再將得到的利用公式4進(jìn)行計(jì)算：

3 實(shí)驗(yàn)分析

本文根據(jù)準(zhǔn)確率（CA）（公式11）評(píng)判實(shí)驗(yàn)的整體性能。

其中，Y表示檢測(cè)結(jié)果正確的數(shù)據(jù)記錄數(shù)量，T表示測(cè)試數(shù)據(jù)總數(shù)量。

本文對(duì)測(cè)試數(shù)據(jù)集的1491條記錄進(jìn)行分析，實(shí)驗(yàn)結(jié)果如表5所示。

表5 病理判別結(jié)果表

由表5可知，心肌梗塞與房室阻滯容易產(chǎn)生誤判，正常與房性早搏容易產(chǎn)生誤判。主要原因?yàn)楸徽`判的兩類病理在早期心電數(shù)據(jù)上區(qū)別較小，雖經(jīng)過(guò)PWD處理，但依然存在誤判的可能性。經(jīng)過(guò)計(jì)算，本文算法準(zhǔn)確度可達(dá)97.0%，因此該算法具有一定有效性和實(shí)用性。

4 結(jié)束語(yǔ)

本文利用相鄰數(shù)據(jù)點(diǎn)間的斜率進(jìn)行拼接得到一維數(shù)據(jù)串，然后將數(shù)據(jù)串通過(guò)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行異常診斷，實(shí)驗(yàn)數(shù)據(jù)證明其分類效果良好，但對(duì)早期病理的數(shù)據(jù)仍存在誤判可能，還需一些改進(jìn)。本文實(shí)驗(yàn)只是針對(duì)四類心電異常進(jìn)行診斷，課題組在此基礎(chǔ)上還將針對(duì)各類病例的診斷進(jìn)行進(jìn)一步研究。