卷積神經(jīng)網(wǎng)絡(luò)在心拍類識(shí)別中的應(yīng)用

原永朋，游大濤，渠慎明，武相軍，魏夢(mèng)凡，朱萌博，耿旭東，賈乃仁

(1.河南大學(xué) 軟件學(xué)院，河南 開封 475000； 2.深圳瑞愛心安移動(dòng)心電信息服務(wù)有限公司，廣東 深圳 518101)(*通信作者電子郵箱youdatao@163.com)

0 引言

心臟疾病嚴(yán)重威脅人類的身體健康，世界衛(wèi)生組織2015年公布的全球十大死亡病因中，因缺血性心臟病(又稱冠心病)死亡的人數(shù)占876萬人，位于第一位；心電圖(ElectroCardioGram, ECG)診斷是檢測(cè)心臟疾病最基礎(chǔ)、最常用的方法，而人工診斷的誤診率較高，2004 — 2013年發(fā)表在中文醫(yī)學(xué)期刊并經(jīng)遴選納入誤診疾病數(shù)據(jù)庫(kù)的急性心肌梗死(Acute Myocardial Infarction, AMI)文獻(xiàn)共485篇,累計(jì)誤診病例7 840例，誤診率19.62%[1]；因此，使用計(jì)算機(jī)生成ECG中的深層特征，實(shí)現(xiàn)計(jì)算機(jī)自動(dòng)ECG診斷成為ECG研究的重要方向，其中ECG心拍分類對(duì)ECG自動(dòng)診斷和臨床有重要價(jià)值。

研究人員雖然在ECG心拍特征提取方面做了大量的研究工作，取得了眾多成果，但ECG四類心拍(N、S、V、F，參見2.5節(jié))分類的工作需要進(jìn)一步研究。Meng等[2]先基于深度信念網(wǎng)絡(luò)模型生成ECG信號(hào)的特征，再基于加入高斯核的非線性支持向量機(jī)(Support Vector Machine, SVM)模型將心拍分為6類，總體分類準(zhǔn)確率達(dá)到98.49%；Zubair等[3]基于由8層結(jié)構(gòu)組成的深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)模型對(duì)ECG四類心拍分類，雖然總體分類準(zhǔn)確率達(dá)到92.7%，但S類和F類的心拍的分類準(zhǔn)確率較低；周飛燕等[4]先基于CNN模型生成特征并對(duì)室性早博進(jìn)行分類，再經(jīng)過融合規(guī)則對(duì)分類器分類結(jié)果融合決策，雖然模型識(shí)別室性早博的準(zhǔn)確率為97.87%，但在選擇分類器有效集成融合決策需要進(jìn)一步研究；顏昊霖等[5]先人工提取R-R間期(兩個(gè)連續(xù)QRS波中R波之間的時(shí)間)特征和QRS波群(反映左、右心室除極除極化，在QRS波群中，第一個(gè)向下的波為Q波，接著向上的波為R波，最后向下的波是S波)作為CNN的輸入特征，經(jīng)過神經(jīng)網(wǎng)絡(luò)的卷積和池化操作提取心拍特征，把心拍的平均靈敏度提高到88.51%，但F類心拍的陽性檢測(cè)率較低僅提高到13.87%； Zhang等[6]先人工提取R-R間期、Q-T間期(心室去極化和復(fù)極化過程的時(shí)間)、P-R間期(心房開始除極到心室開始除極的時(shí)間)等特征作為SVM的輸入，然后訓(xùn)練SVM提取心拍深層特征，把F類心拍靈敏度提高到93.81%，但心拍的平均陽性檢測(cè)率僅提高為60.36%，F(xiàn)類心拍的陽性檢測(cè)率則低至13.73%；Mar等[7]先人工提取RR間期、QRS時(shí)限等特征作為多層感知機(jī)(Multi-Layer Perceptron, MLP)的輸入，然后訓(xùn)練MLP生成心拍深層特征，雖然把N類心拍的陽性檢測(cè)率提高為99.12%，但心拍的平均靈敏度為80.17%、平均陽性檢測(cè)率為56.28%，F(xiàn)類心拍的陽性檢測(cè)率則低至16.57%； Kiranyaz等[8]先人工提取了RR間期等特征作為K-means聚類的輸入，然后提取ECG中的高維特征，雖然把V類心拍的陽性檢測(cè)率提高到99.46%，F(xiàn)類心拍的陽性檢測(cè)率為71.84%，但S類心拍的陽性檢測(cè)率則低至16.61%；鄢羽等[9]將心拍作為聚類的輸入特征，利用心拍的差異性，使用二級(jí)聯(lián)合聚類法提取ECG心拍特征，雖然把心拍的平均靈敏度和平均陽性檢測(cè)率都提高到94%以上，但F類心拍的靈敏度僅為90.04%、陽性檢測(cè)率則只為89.15%，依然比較低。

綜上所述，上述方法雖然提升了某些類心拍的識(shí)別性能，但在其他心拍類上的識(shí)別性能較低；依賴于經(jīng)驗(yàn)知識(shí)(如RR間期等)的特征生成方法的改進(jìn)潛力有限，而基于深度學(xué)習(xí)的自動(dòng)特征生成方法雖然受類間數(shù)據(jù)不平衡的制約分類性能不甚理想，但改進(jìn)空間較大。

為了解決因類間數(shù)據(jù)不平衡致使自動(dòng)特征生成方法性能不理想的問題，本文提出了一個(gè)基于通用CNN和類別CNN的ECG特征生成方法。

1 構(gòu)建模型

ECG心拍的特征可以表示如下：

ρ(Xt)=ρ(Xt)c+ρ(Xt)s

(1)

其中:Xt∈RD是t時(shí)刻D維ECG心拍向量；ρ(Xt)為心拍信號(hào)；ρ(Xt)c為心拍的類間共性信號(hào)，ρ(Xt)s為心拍的類別個(gè)性信號(hào)。在理想情況下，自動(dòng)特征生成方法可以有效地生成具有較高辨別性的ECG特征, 然而現(xiàn)實(shí)情況并非如此，如MIT-BIH數(shù)據(jù)庫(kù)中N類有90 083個(gè)樣本，F(xiàn)類有803個(gè)樣本，而Q類更是僅有15個(gè)樣本；此外，因每個(gè)完整樣本需約260個(gè)數(shù)據(jù)，所以可知類間數(shù)據(jù)量不僅嚴(yán)重不平衡，而且也存在著不充分的問題。這一問題嚴(yán)重制約著自動(dòng)特征生成方法的性能。

由于類間數(shù)據(jù)的不均衡，如果僅訓(xùn)練一個(gè)統(tǒng)一的特征生成模型，雖然各類間的共性信息得以充分表達(dá)，但數(shù)據(jù)量較少類對(duì)應(yīng)的個(gè)性信息必然存在表達(dá)不充分的問題；而如果為每類單獨(dú)訓(xùn)練特征生成模型，不僅各類模型中共性信息表達(dá)不充分，而且數(shù)據(jù)量較少類對(duì)應(yīng)的模型必然存在個(gè)性信息過擬合的問題。

針對(duì)上述問題，本文在式(1)的基礎(chǔ)上提出了如下解決思路：首先，組合近似等量的各類數(shù)據(jù)訓(xùn)練CNN，構(gòu)建一個(gè)共性信息表達(dá)較為充分的通用CNN模型；然后，在通用CNN模型基礎(chǔ)上，分別構(gòu)建特定類個(gè)性信息得以較為充分表達(dá)的類別CNN模型；最后,根據(jù)各個(gè)類別CNN模型輸出的交叉熵判定心拍的類別。

1.1 通用CNN模型

使用各類等量的組合數(shù)據(jù)集訓(xùn)練CNN模型，獲得能有效表達(dá)各類心拍間共性信息的高維投影變換函數(shù)，這里命名此CNN模型為通用CNN模型。

通用CNN模型充分生成的是4類心拍的共性特征。在訓(xùn)練通用CNN模型時(shí)，為了保證生成的特征的均衡性，4類心拍的樣本量需要近似等量。如果使用不同數(shù)量的組合數(shù)據(jù)集訓(xùn)練通用CNN模型，則通用CNN模型生成的特征可能不均衡，不能有效表達(dá)4類心拍的共性特征，因此訓(xùn)練通用CNN需要等量的4類心拍數(shù)據(jù)集。通用CNN模型算法描述見算法1。

算法1 通用CNN模型算法。

步驟1δ=Y-fh(Xf)2>ε: 判斷是否收斂，收斂執(zhí)行步驟4; 否則執(zhí)行步驟2。

1.2 類別CNN模型

使用等量的4類訓(xùn)練集分別訓(xùn)練由通用CNN初始化結(jié)構(gòu)空間，能有效反映相應(yīng)心拍類別傾向性信息的4類CNN模型，其中4類CNN模型獨(dú)立訓(xùn)練，本文稱此CNN為類別CNN模型。

為了把能生成共性特征的通用CNN模型的空間結(jié)構(gòu)繼承給類別CNN模型。在訓(xùn)練類別CNN模型時(shí)，先使用通用CNN模型的權(quán)重和偏置分別初始化4個(gè)類別CNN模型。然后分別使用等量的4類心拍樣本集訓(xùn)練相應(yīng)的類別CNN模型(如圖1)。類別CNN模型算法描述見算法2。

算法2 類別CNN模型算法。

步驟1δ=Yk-fh(Xf)2>ε,判斷是否收斂: 收斂, 執(zhí)行步驟4; 否則, 執(zhí)行步驟2。

圖1 類別CNN訓(xùn)練模型Fig. 1 Training model of class-oriented CNN

1.3 心拍類判定方法

本文分類模型建立如下：先使用構(gòu)建的通用模型和類別模型充分提取心拍特征; 然后在softmax模型[10]基礎(chǔ)之上，使用4個(gè)類別CNN模型分別預(yù)測(cè)同一心拍測(cè)試集的真實(shí)值與預(yù)測(cè)值之間的相似度，得到4個(gè)心拍相似度向量; 最后在4個(gè)心拍相似度向量中，找出同一心拍相似度最大的類別。本文用交叉熵度量心拍預(yù)測(cè)值與真實(shí)值的相似度。交叉熵可以計(jì)算2個(gè)分布的距離，交叉熵越小兩個(gè)概率分布距離越小、相似度越大。設(shè)兩個(gè)概率分布P和Q，交叉熵H(P,Q)[11]為：

(2)

本文將測(cè)試集分別給訓(xùn)練好的四類CNN模型，得到H(PN,QN)、H(PS,QS)、H(PV,QV)、H(PF,QF)四個(gè)ECG心拍測(cè)試集的交叉熵向量(每一個(gè)心拍對(duì)應(yīng)一個(gè)交叉熵)，求同一個(gè)心拍在各類模型中交叉熵最小的值，數(shù)學(xué)模型如下：

H=min [H(PN,QN),H(PS,QS),

H(PV,QV),H(PF,QF)]

(3)

其中:P代表心拍預(yù)測(cè)概率分布，Q代表心拍真實(shí)概率分布，H代表的類即為CNN模型預(yù)測(cè)的類。

2 實(shí)驗(yàn)與分析

本文在MIT-BIH心電圖數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)。本章詳細(xì)介紹了ECG心拍數(shù)據(jù)、心電圖信號(hào)預(yù)處理、CNN模型的結(jié)構(gòu)及參數(shù)設(shè)置、實(shí)驗(yàn)流程等。此外，對(duì)本文的實(shí)驗(yàn)結(jié)果進(jìn)行了分析與討論。

2.1 ECG和數(shù)據(jù)庫(kù)簡(jiǎn)介

ECG是記錄身體皮膚表面連續(xù)心臟搏動(dòng)產(chǎn)生的微弱電信號(hào)的曲線。標(biāo)準(zhǔn)的ECG[12](如圖2)由P波、QRS波、T波和U波組成，一個(gè)完整的ECG時(shí)間約0.72 s。

圖2 標(biāo)準(zhǔn)ECGFig. 2 Standard ECG

本文使用國(guó)際公認(rèn)標(biāo)準(zhǔn)的MIT-BIH心電圖數(shù)據(jù)庫(kù)，它有48條記錄，采樣頻率為360 Hz，每條記錄時(shí)間為30 min左右，由頭文件[.hea]、數(shù)據(jù)文件[.dat]、注釋文件[.atr]組成，大概有65萬個(gè)數(shù)據(jù)點(diǎn)。在MIT-BIH心電圖數(shù)據(jù)庫(kù)中一個(gè)心拍(一個(gè)樣本)大約有260個(gè)數(shù)據(jù)點(diǎn)(心拍時(shí)間×采樣頻率：0.72×360=259.2)組成，因此，本文提取256個(gè)點(diǎn)(一個(gè)心拍)作為CNN模型的輸入特征。

本文依據(jù)美國(guó)醫(yī)療儀器促進(jìn)協(xié)會(huì)(Association for the Advancement of Medical Instrumentation, AAMI)對(duì)ECG心拍的分類標(biāo)準(zhǔn)，將ECG心拍分為正常類(N)、室上性心律異常(S)、室性心律異常(V)、融合心跳(F)、未確定(Q)五類，并將MIT-BIH數(shù)據(jù)庫(kù)中48條記錄文件分為訓(xùn)練集和測(cè)試集，并總結(jié)了5類[13]心拍的數(shù)據(jù)量(如表1)。其中測(cè)試集記錄文件名包括100, 103, 105, 111, 113, 117, 121, 123, 200, 202, 210, 212, 213, 214, 219, 221, 222, 228, 231, 232, 233, 234；訓(xùn)練集記錄文件名包括101, 106, 108, 109, 112, 114, 115, 116, 118, 119, 122, 124, 201, 203, 205, 207, 208, 209, 215, 220, 223, 230。

表1 MIT-BIH數(shù)據(jù)庫(kù)中不同類別心拍數(shù)量Tab. 1 Number of different types of heart beat in MIT-BIH database

表1顯示Q類僅有15個(gè)心拍，因此舍棄Q類，本文只研究N、S、V、F四類心拍，同時(shí)為了更直觀地分辨4類波形的形狀，本文從MIT-BIH數(shù)據(jù)庫(kù)4類心拍中隨機(jī)提取了具有代表性的4個(gè)心拍，并繪制成心電波形如圖3。從表1還可以看到S類和F類心拍樣本較少，為了降低ECG心拍類別不平衡性，本文通過2點(diǎn)、3點(diǎn)、4點(diǎn)平滑濾波(求平均值)將S類擴(kuò)大2倍，F(xiàn)類擴(kuò)大4倍。

圖3 四類心拍波形Fig. 3 Four types of heart beat waveforms

2.2 DB4小波去噪

心電信號(hào)通過導(dǎo)聯(lián)線采集時(shí)，容易受到環(huán)境的影響，例如肌電干擾、工頻干擾、基線漂移等, 因此，對(duì)心拍分類之前需要對(duì)ECG進(jìn)行預(yù)處理去除噪聲干擾。小波不僅可以解決信號(hào)的頻域問題，也可以解決信號(hào)在時(shí)域上局部信息很難表達(dá)的問題, 其中，Daubechies小波具有指數(shù)多項(xiàng)式消失距、緊支集和正交等特性，因此本文使用Daubeachies小波去除噪聲干擾。

Daubeachies小波沒有明確的數(shù)學(xué)表達(dá)式由兩尺度方程計(jì)算構(gòu)造得到，Daubechies小波的兩尺度函數(shù)[14]為：

(4)

隨著消失距N增大，雖然波形的光滑性越好，但是hk的數(shù)量會(huì)增加，計(jì)算量增大。4階消失距對(duì)應(yīng)的小波函數(shù)和尺度函數(shù)都有連續(xù)的導(dǎo)函數(shù), 因此本文使用四階消失距(N=4)的Daubeachies小波對(duì)心電信號(hào)進(jìn)行兩次分解和重構(gòu)去除噪聲干擾，其中hk={0.230 4, 0.714 8, 0.630 9,-0.028,-0.187,-0.030 8,0.032 9,-0.010 6},k=[0,7],k∈Z。

2.3 識(shí)別心拍中CNN結(jié)構(gòu)設(shè)計(jì)

CNN是由卷積層、池化層和全連接層組成的前饋神經(jīng)網(wǎng)絡(luò)，它可以稀疏網(wǎng)絡(luò)連接、減少計(jì)算量、生成更深的數(shù)據(jù)特征。卷積層可以將上一層的感受野(局部數(shù)據(jù)塊)映射為下一層的一個(gè)神經(jīng)元，感受野的大小由卷積核決定，每一個(gè)神經(jīng)元的權(quán)重個(gè)數(shù)是卷積核的大小。它有稀疏連接、參數(shù)共享、不變性等性質(zhì)。卷積是對(duì)特征和權(quán)值乘積后的求和，以提取更深的特征。池化層可以通過求特征的平均值、最大值等，對(duì)特征進(jìn)行降采樣，裁剪原始數(shù)據(jù)的尺寸，進(jìn)一步減少全連接中的參數(shù)個(gè)數(shù)，加快神經(jīng)網(wǎng)絡(luò)的計(jì)算速度，防止過擬合等。

本文參考LeNet5模型[15]設(shè)計(jì)了識(shí)別心拍的7層CNN結(jié)構(gòu)(如圖4),詳細(xì)參數(shù)描述如表2。此外，識(shí)別心拍的CNN結(jié)構(gòu)中卷積層過濾器的尺寸3×3，步長(zhǎng)為1，使用全0填充；池化層過濾器的尺寸2×2，步長(zhǎng)為2，使用全0填充，最大池化層；優(yōu)化器為AdamOptimizer，學(xué)習(xí)效率0.000 1；激活函數(shù)為Relu；在LAYER層中的dropout，訓(xùn)練時(shí)的參數(shù)keep_prob=0.5，測(cè)試時(shí)的參數(shù)keep_prob=1.0。

根據(jù)MIT-BIH數(shù)據(jù)庫(kù)提供的“.atr”文件中標(biāo)注的心電圖R尖峰的位置，提取R尖峰的前128個(gè)數(shù)據(jù)點(diǎn)、R尖峰后129個(gè)數(shù)據(jù)點(diǎn)、R尖峰，組成輸入層的256個(gè)輸入特征(一個(gè)心拍)。模型經(jīng)過卷積、池化、softmax轉(zhuǎn)化后輸出一個(gè)4維概率分布。因?yàn)橛?jì)算心拍交叉熵的預(yù)測(cè)值概率分布與真實(shí)值概率分布的維度需要相同，所以本文設(shè)置4類真實(shí)值概率分布為[1,0,0,0]代表N類、[0,1,0,0]代表S類、[0,0,1,0]代表V類、[0,0,0,1]代表F類。

表2 識(shí)別心拍的CNN結(jié)構(gòu)參數(shù)Tab. 2 CNN structure parameters for identifying heart beat type

圖4 識(shí)別心拍的CNN結(jié)構(gòu)Fig. 4 CNN structure for identifying heart beat type

2.4 實(shí)驗(yàn)流程

本文識(shí)別ECG心拍的流程如圖5。

圖5 心拍識(shí)別流程Fig. 5 Flow chart of heart beat recognition

本文從MIT-BIH數(shù)據(jù)庫(kù)中提取ECG訓(xùn)練數(shù)據(jù)集，經(jīng)過去除噪聲、濾波、增加樣本后，從每類樣本集中隨機(jī)抽取1 500個(gè)樣本，并將4類數(shù)據(jù)隨機(jī)組合，50個(gè)ECG心拍樣本為一組。使用組合的6 000個(gè)ECG心拍樣本訓(xùn)練通用CNN模型，共迭代120次，計(jì)算通用CNN的權(quán)值和偏置，傳遞給識(shí)別心拍的類別CNN模型。然后使用每類樣本集(每類1 500個(gè)樣本)訓(xùn)練相應(yīng)類別CNN模型(例如：N類樣本集訓(xùn)練N類CNN模型)，每個(gè)類別CNN模型迭代30次，得到4個(gè)類別CNN模型。

從MIT-BIH數(shù)據(jù)庫(kù)中提取測(cè)試集，對(duì)測(cè)試集只進(jìn)行了去除噪聲、濾波，隨機(jī)得到4類數(shù)據(jù)測(cè)試樣本個(gè)數(shù)為N類44 238個(gè)、S類1 836個(gè)、V類3 221個(gè)、F類388個(gè)，隨機(jī)組合后共49 690個(gè)測(cè)試樣本。將測(cè)試集分別傳遞個(gè)4類訓(xùn)練好的模型，得到4個(gè)含有49 690個(gè)交叉熵的向量，求出4個(gè)交叉熵向量中同一心拍交叉熵最小的類別。

2.5 實(shí)驗(yàn)結(jié)果與分析

Se=TP/(TP+FN)×100%

(5)

P+=TP/(TP+FP)×100%

(6)

(7)

其中：TP代表該類別被正確分類個(gè)數(shù)；FN表示該類被錯(cuò)分為其他類的個(gè)數(shù)；FP表示不屬于該類卻被分類器分為該類的心拍個(gè)數(shù)。

表3 不同方法心拍分類性能對(duì)比 %Tab. 3 Performance comparison of different methods for heart beat classification %

由表3中參考文獻(xiàn)的心拍識(shí)別指標(biāo)觀察到S類、F類的Se和P+比N類、V類的低，這是由心拍數(shù)據(jù)嚴(yán)重不平衡導(dǎo)致模型只能充分學(xué)習(xí)到心拍的共性特征，不能有效地學(xué)習(xí)到4類心拍的個(gè)性特征造成的。

上述分析表明，本文提出的構(gòu)建CNN模型生成心拍特征的方法，在MIT-BIH心電圖數(shù)據(jù)庫(kù)上，對(duì)ECG四類心拍的識(shí)別指標(biāo)高而穩(wěn)定，較為有效地解決了由于心拍數(shù)據(jù)不均衡導(dǎo)致的心拍特征提取不充分、心拍識(shí)別性能不理想的問題。

3 結(jié)語