基于卷積神經網絡的心電信號分類研究

瞿文鳳

摘? 要：心電圖（ECG）信號基本上與人體心臟的電活動相對應，所以心電圖通常在醫療領域被用來檢測心血管疾病。通過計算機對心電信號進行自動分類，可以幫助醫生更有效地進行心血管疾病的診斷，提高準確率。該文提出了一種一維卷積神經網絡模型，可從原始心電數據中提取有效特征并實現自動分類。該模型實現了對5種典型心律失常信號的分類，即正常心搏（N）、室上性早搏（S）、室性早搏（V）、心室融合心跳（F）、未分類心跳（Q）。在MIT-BIH心律失常數據庫上的實驗結果表明，該方法的分類準確率較高，達到了97.8%，并且穩定性也較高。

關鍵詞：卷積神經網絡? 心電信號分類? 小波變換? 心律失常

中圖分類號：TP391 ? ?文獻標識碼：A 文章編號：1672-3791（2019）08（b）-0008-04

當代社會，心血管疾病已經成為威脅人們生命健康的重大殺手[1]。心律失常作為心血管疾病中發病率最高的典型之一，對其進行精確的分類一直是生物醫學領域的研究熱點。

心電信號檢測是診斷心律失常最有效的手段之一。傳統診斷心律失常的過程一般需要有經驗的心臟病專家仔細研究心電圖，既繁瑣又費時。因此，在過去的幾十年里，計算機輔助診斷（CAD）算法被應用于心律失常的自動分析，算法主要包括信號預處理、波形檢測、特征提取和疾病分類4個步驟[2]。這種傳統的基于機器學習的研究方法雖然在特定的數據集上取得了較為顯著的研究成果，但其嚴重依賴人工設計特征，算法工作量大，所以在實際應用中尚未達到令人滿意的效果。

近年來，隨著人工智能技術的興起，以卷積神經網絡（Convolutional Neural Network，CNN）為代表的深度學習技術發展火熱，其優勢在于可以通過訓練網絡參數從海量數據中自動學習得到深層次特征而無需人工設計特征，其在多種任務，例如圖像分類與定位、語音識別等領域都展現出了十分強大的性能[3]。雖然CNN在圖像識別領域應用比較廣泛，但是ECG信號具有與圖像比較相似的局部與整體的相關性，因而也可以將CNN應用到ECG信號處理領域，該文處理的ECG心拍是一維信號，故該文所提出的CNN模型也是一維的。該模型可以直接對以下5種ECG心律失常類型進行分類，包括正常心搏（N）、室上性早搏（S）、室性早搏（V）、心室融合心跳（F）、未分類心跳（Q）。這5種類型是根據AAMI的標準劃分的。

1? 方法

1.1 數據預處理

1.1.1 數據降噪

心電信號是一種微弱的生理電信號，易受噪聲干擾。常見的噪聲主要包含肌電干擾、基線漂移和工頻干擾[4]這三種。為了提取有用的心電信息，必須要對心電信號進行降噪處理。因此，該文通過結合小波閾值法和小波分解重構算法[5]進行噪聲的濾除。其中，小波閾值法通過設置一個合適的閾值將閾值以下的噪聲系數置零，保留閾值以上的信號系數，然后對閾值處理后的小波進行信號重構，得到降噪后的信號。采用小波分解重構算法將原始信號分解為多級，每一級分解為高頻和低頻信息。最后，通過確定有效信號的頻率范圍對信號進行重構，即可得到降噪后的信號。通過這兩種算法的有機結合，前者可以有效地濾除肌電干擾和工頻干擾，后者進行基線漂移的校正，從而完成信號降噪工作。

1.1.2 數據分段

心電信號進行降噪處理后，由于一條充分長的心電記錄中包含的信息太多，可能包含了很多種類型的心拍，直接全局處理不利于精細的識別，故而需要對其進行分段處理。首先進行R波峰的檢測。常用方法是小波變換[6]。該文在樣條小波的基礎上，采用B-樣條小波函數作為尺度函數，將心電信號進行4個尺度的小波分解，得出模極大值對過零點，即對應R波峰值點。在成功檢測出R波峰后，以R點位置為基準分割信號。在R點左右兩側選取100個采樣點，可得到一段長度為201個采樣點的心電信號，然后，運用下采樣函數將心電數據長度減少到130個采樣點。本工作共提取到109450個心電樣本數據。

1.1.3 數據擴充與歸一化

數據的擴充可以有效地減少過擬合，保持類之間的均衡分布[7]。根據心電類數據具有周期性的特點，通過“平移起點法”，包括N、S、V、F、Q等5類的心電樣本總數增加到453050個。最終利用Z-score歸一化方法[8]對每個樣本數據進行歸一化，解決幅值縮放問題，消除偏移效應，經過處理后的心電信號可直接輸入到CNN模型中進行訓練和測試。

1.2 CNN模型

該文所提出的CNN模型主要由特征提取和分類兩部分組成。特征提取部分負責對心電信號自動提取有效特征，而分類部分負責利用提取的特征對心電信號進行準確分類。

1.2.1 特征提取部分

特征提取部分主要由卷積層和池化層組成。卷積層由若干卷積單元組成，每個卷積單元的參數都是通過反向傳播算法最優化得到的。卷積運算的目的是提取輸入的不同特征，從低級特征中迭代提取更復雜的特征。卷積層的輸出表達式如式（1）所示：

（1）

其中Xjl為對應于第l層的第j個卷積核的特征向量;Mj為當前神經元的感受野（接受域）;而Wij1為分配給第l層的第j個卷積核的權重系數;f（*）為一個非線性激活函數。

池化層（亦名下采樣層），其具體操作與卷積層的操作基本相同，只不過池化層的卷積核只取對應位置的最大值、平均值等（最大池化、平均池化），并且不經過反向傳播的修改。其作用是可以忽略目標的傾斜、旋轉之類的相對位置的變化，以此提高精度，同時降低了特征圖的維度并且一定程度上可以避免過擬合。其公式如式（2）所示：

（2）

其中down（*）為下采樣函數;βjl為權重系數;bjl為偏置系數。

1.2.2 分類部分

分類部分主要是全連接層。全連接層是將經過多個卷積層和池化層的特征圖中的特征進行整合，獲取特征具有的高層含義，之后用于分類。

1.2.3 1D-CNN模型

CNN通常運用于圖像領域，處理二維數據。基于心電信號是一維的，故該文對CNN模型進行了調整。優化后的CNN心電分類模型如圖1所示。其基本結構包括一個輸入層、兩個卷積層（C1、C3）、兩個池化層（S2、S4）、一個全連接層（FC）和一個輸出層。通過卷積層和池化層交替執行提取特征，并將提取到的特征作為全連接層的輸入進行分類。

在卷積層C1中，使用28個7×1的卷積核對輸入的ECG 信號進行卷積操作，得到28個特征圖，每個特征圖的大小為（1×124）。在池化層S2中，對C1的每個特征圖進行尺度為2×1的最大池化操作，特征圖個數仍為28，經池化之后每個特征圖的大小為（1×62）。C3也設置了28個卷積核，用7×1的卷積核對S2進行卷積，此時特征圖大小為（1×56）。在S4層中，對C3的每個特征圖進行尺度為2×1的最大池化操作，特征圖個數為28，此時特征圖的大小為（1×28）。FC是一個全連接層，輸出層設置5個神經元，使用Softmax函數分別輸出每個類，即N、S、V、F、Q這5種類型。

2? 實驗與結果分析

2.1 實驗數據

該文所使用的數據集來源于MIT-BIH心律失常數據庫[9]。該數據庫包含48組記錄，每組記錄時長約30min，采樣率為360Hz。并且每組記錄均包含兩個導聯的ECG數據。基于該實驗研究的是一維模型，故從每組記錄中選取第II導聯的心電圖記錄共44條，來訓練驗證該方法的可行性。根據AAMI標準[10]，（102，104，107，217）這4條記錄被排除，因為這些記錄在后期處理時信號質量較差。

2.2 實驗結果

該文采用了十倍交叉驗證策略[11]。將生成的心電樣本數據隨機分為10等份。基于提出的模型，其中的9份被用作訓練集，剩余的1份被用于測試集，交叉驗證重復10次實驗。然后，在每一次實驗中評估性能指標（準確率、靈敏度和特異性）。最后，通過評估10次結果的平均值，得到算法總體性能。

2.2.1 卷積層參數的選擇

在卷積層中，卷積核的大小和數量可以影響到模型的質量，當學習率一定時，為了使得模型最優化，該文進行了4組對比實驗。在每組實驗中所設置的卷積核個數不同，分別為3，5，7，9。實驗結果表明，4組實驗的錯誤率隨卷積核個數的增加而變化。當卷積核大小分別為7和9時，實驗錯誤率隨卷積核個數的增加而改變的趨勢相對穩定。并且當特征圖個數為28時，錯誤率幾乎達到最小值。Lecun最近的評論表明，在計算精度相同的情況下，選擇較小尺寸的卷積核更好。為了防止卷積核尺寸過大而導致計算復雜，該文最終確定卷積核的大小為7，每層特征圖的最優個數為28。

2.2.2 學習率的選定

為了研究學習率對錯誤率是否有影響，在卷積核大小和數量固定的情況下，該文設定了不同大小的學習率，研究實驗的錯誤率和訓練時間。實驗結果表明，當學習率小于0.1時，實驗錯誤率都是2.5%左右。然而隨著學習率的提高，訓練時間也逐漸減少。例如，當學習率為0.001時，收斂速度最慢;反之，當學習率為0.1時，數據收斂速度更快，訓練時間最短。當學習率大于0.1時，錯誤率呈不規則變化，時而增加，時而減少。據認為，這種現象是由于學習率過快，導致數據無法收斂。總之，不僅要保證正確率，還要設定合適的學習率來減少訓練時間。所以該文最終選定學習率為0.1。

2.2.3 迭代次數的選擇

為了準確研究迭代次數與測試正確率之間的關系，該文在固定卷積核大小、數量和學習率的前提下，通過調整迭代次數來評估測試集的正確率。實驗結果表明，隨著迭代次數的增加，錯誤率呈下降趨勢并逐漸趨于平穩。當迭代次數為50時，錯誤率高達15%;而迭代次數達到300時錯誤率為3.5%。當迭代次數設置為300、350、400時錯誤率保持不變。此時，需要考慮訓練時間。當其他參數固定時，每個訓練步驟的時間成本是相似的，訓練越多，所需時間越長。

2.2.4 性能評價

CNN模型比較消耗計算資源，而且神經網絡的任何變化都需要新的訓練，這會非常消耗時間和資源，這個方面需要優化和重視。所以該文選擇所有階段的最優參數，在上述優化參數的基礎上得到訓練模型，其中模型的學習率設為0.1，兩層卷積層的卷積核大小均為7。對于最大池化操作，兩個池化層的采樣因子都為2，迭代次數為300次。最后的測試結果表明，該方法的準確度為97.8%。實驗結果的混淆矩陣如表1所示。其中N、S、V、F、Q分別代表5種心律失常心拍類型。

最后，該文還與前人研究的心電分類算法進行比較。如表2所示，與以前研究者所提出的方法和實驗成果相比，該文所提出的方法提高了心電分類的準確率。

3? 結語

心電信號是用于診斷和預防心律失常等心血管疾病的有效手段，對其進行精確的分類具有重要的臨床意義。該文在前人研究的工作基礎上，提出了一種一維的卷積神經網絡模型，首先對MIT-BIH心律失常數據庫的數據利用小波變換相關算法進行預處理操作，再將經過預處理的心電數據輸入到CNN模型中進行訓練和測試。最后經實驗驗證該文所提出的模型可有效地對N、S、V、F、Q等5種心律失常類型進行分類，且分類的穩定性和準確率較高，為進一步提高心電圖自動分類的效果實現了有益的探索。

參考文獻

[1] 陳偉偉，高潤霖，劉力生，等.《中國心血管病報告2016》概要[J].中國循環雜志，2017，32（6）：521-530.

[2] Selcan Kaplan Berkaya， Alper Kursat Uysal， Efnan Sora Gunal， et al. A survey on ECG analysis[J].Biomedical Signal Processing and Control，2018（43）：216-235.

[3] Chatfield K， Simonyan K，VedaldiA， et al. Return of the Devil in the Details： Delving Deep into Convolutional Nets[J].Computer Science，2014（156）：52-54.

[4] Alyasseri ZA，Khader AT，Al-Betar MA，et al. Hybridizing beta-hill climbing with wavelet transform for denoising ECG signals[J].InfSci（Ny），2018（429）：229-246.

[5] 焦運良，邢計元，靳堯凱.基于小波變換的心電信號閾值去噪算法研究[J].信息技術與網絡安全，2019，38（5）：62-66.

[6] Ismaiel，Fatima Osman Mohamed. Classification of Cardiac Arrhythmias Based on Wavelet Transform and Neural Networks[D].Sudan University of Science&Technology，2015.

[7] Paolo Vecchiotti， Giovanni Pepe， Emanuele Principi， et al. Detection of activity and position of speakers by using Deep Neural Networks and Acoustic Data Augmentation[J].Expert Systems With Applications， 2019.

[8] Jin Lin-peng， Dong Jun. Deep learning research on clinical electrocardiogram analysis[J].Science China： Information Sciences，2015，45（3）：398-416.

[9] Ritu Singh， Rajesh Mehta，Navin Rajpal. Efficient wavelet families for ECG classification using neural classifiers[J].Procedia Computer Science，2018（132）：11-21.

[10] Brian Young，Johann-Jakob Schmid.Updates to IEC/AAMI ECG standards， a new hybrid standard[A].Journal of Electrocardiology[C].2018.

[11] Han Meng，Ding Jian.An improvement and implementation of BP algorithm based on cross-validation[J].Computer Engineering and Design，2008，29 （14）：3738-3739.

[12] N.P.Joshi， P.S.Topannavar， Support vector machine based heartbeat classification[A].In Proc.of 4th IRF Int. Conf[C].2014：140-144.

[13] M. Zubair，J. Kim，C.Yoon. An Automated ECG Beat Classification System Using Convolutional Neural Networks[A].International Conference In IT Convergence and Security（ICITCS）[C].2016：1-5.

[14] Wei Jiang， Seong G，Kong. Block-based neural networks for personalized ECG signal classification[J].IEEE Transactions on Neural Networks，2007，8（6）：1750-1761.

[15] 陳宇飛，張博，林楠，等.一種高效檢測心律不齊的深度學習算法[J].小型微型計算機系統，2018，39（11）：2436-2440.