基于BiGRU深度神經網絡的心肌梗死檢測

張行進 李潤川 趙紅領 王宗敏,3*

1(解放軍信息工程大學數學工程與先進計算國家重點實驗室 河南 鄭州 450001)2(鄭州大學互聯網醫療與健康服務河南省協同創新中心 河南 鄭州 450000)3(鄭州大學產業技術研究院 河南 鄭州 450000)

0 引 言

心肌梗死(MI)[1]指營養心肌的冠狀動脈發生了粥樣變化，管腔內壁上沉積的膽固醇斑塊脫落形成血栓，堵塞了某支冠狀動脈，使某部分心肌長時間得不到血供，便發生了心肌缺血、損傷甚至壞死，心肌梗死具有極高的死亡率和致殘率。圖1是一個典型的心肌梗死心拍波形。

圖1 典型心肌梗死心拍波形

在MI發作期間患者可能經歷許多嚴重癥狀，例如意識喪失、胸痛和呼吸短促。然而，許多患者僅出現輕微癥狀或根本沒有癥狀，這通常被描述為無癥狀(也稱作沉默)心臟病發作。基于手工提取心電信號特征，國內外研究者提出了各種針對心梗的自動分類算法，輔助醫生快速做出臨床診斷。心梗自動分類整體工作流程包括如下五個部分：(1) 心電信號采集；(2) 利用濾波或小波變換等方法進行去噪預處理；(3) 分割成心拍；(4) 心電特征提取與選擇；(5) 心梗類型的自動分類識別。工作流程圖如圖2所示。

圖2 心梗自動分類流程圖

傳統的手工提取特征的方法首先確定R波峰，然后用類似的方法定位Q波起點、S波終點、P波和T波的峰值點、起點和終點，最后獲得幾個幅值和間期特征。這些特征是根據醫生的診斷規則提取的，它存在一個缺點，雖然QRS波群檢測算法的準確度很高，但是R波的檢測依然存在誤差，由于其他特征值都是基于R波的位置而提取到的，所以其他特征值的提取會產生累積誤差。與傳統識別方法相比，深度學習[2]的優勢在于它能夠從海量數據中自動學習，并得到有效的特征表示。深度學習極大地推動了圖像識別[3]、計算機視覺[4]、語音識別[5]等領域的研究進展，并在醫學領域[6-7]得到應用。

本文提出了一種基于BiGRU和多導聯ECG信號的神經網絡深度學習算法，用于心梗檢測，可行性高、識別率高，具有可擴展性。

1 相關工作

針對心肌梗死的計算機自動分析診斷，研究者提出了各種不同的分類識別方法。Sopic等[8]采用隨機森林分層分類方法，實現了心肌梗死的檢測，為了應用于實時分析系統，逐層增加特征數量，以減少分類所需要的時間。Sharma等[9]設計了一種雙波段最優雙正交小波濾波器組對ECG信號進行預處理，然后采用K-近鄰(K-Nearest Neighbor,KNN)方法，只利用單導聯數據就實現了心梗檢測。Dohare等[10]對提取的多維特征首先采用主成份分析(Principal Component Analysis,PCA)方法降維，然后用基于徑向基函數(Radial Basis Function,RBF)的SVM方法，實現了心梗的檢測。

Chang等[11]首先使用隱馬爾科夫模型(Hidden Markov Model,HMM)從V1～V4胸導聯信號中提取特征，然后采用SVM和高斯混合模型(Gaussian Mixture Model,GMM)實現了心梗的檢測。Seenivasagam等[12]采用前饋神經網絡(Feed-Forward Neural Network,FFNN)和SVM實現了心梗的檢測。Lui等[13]使用PTB 上標準I導聯的數據，采用卷積遞歸神經網絡實現了心梗的檢測。Acharya等[14]使用標準II導聯的心電數據，采用卷積神經網絡(Convolutional Neural Networks,CNN)方法實現了心梗的檢測。Reasat等[15]采用卷積神經網絡方法，僅僅使用三個導聯的ECG數據，就實現了心肌梗死的檢測。Wu等[16]基于小波分解，采用多尺度深度特征學習方法實現了心梗的檢測。

2 實驗數據

本文使用PTB心電診斷數據庫，總共采集了549條記錄。290名受試者包括有心肌梗死、心肌肥大、心率衰竭、房室束支傳導阻滯患者和健康對照者，其中男性209名(平均年齡為 55.5歲)，女性81名(平均年齡為61.6歲)。每條記錄大約2分鐘，包括15個同步測量的信號：傳統的12導聯以及3個Frank導聯心電信號。PTB診斷類別及受試者人數統計數據如表1所示。

表1 PTB診斷類別及受試者人數統計表

3 數據預處理

ECG信號是診斷心血管疾病的重要依據，但由于心電信號是一種不穩定、非線性和微弱的電信號，振幅約為幾毫伏，頻率范圍在0.05 Hz到100 Hz之間，在信號采集過程中容易受到人體活動和儀器等各種因素的干擾，不利于ECG信號的特征提取，因此有必要對采集到的ECG信號濾除各種噪聲。

3.1 基線漂移

基線漂移的頻率在0.05～2 Hz之間，與低頻正弦曲線相似。本文采用中值濾波算法去除基線漂移，方法簡單，速度快，準確度高，能有效濾除變化較大的基線漂移。首先對原始心電信號進行重采樣，然后對重采樣點前后一定長度的數據按照大小排序，取排序后數據的中間值。用同樣的方法處理所有重采樣點，得到ECG信號中的基線部分，從原始心電信號中減去這個基線部分，就得到去除基線漂移后的心電信號。

3.2 工頻干擾

工頻干擾指的是因市電產生電磁波輻射而導致心電信號采集異常。PTB心電數據取自德國的一所醫學大學，工頻干擾是50 Hz。本文采用的是巴特沃斯IIR(Infinite Impulse Response)數字帶阻濾波器，該方法原理簡單、效果較好、處理速度快。

3.3 肌電干擾

肌電干擾近似于白噪聲，頻率范圍在5～2 000 Hz之間。去除不規則的肌電干擾通常采用阻帶濾波方法，原理是設置上限、下限兩個頻率界限，輸入信號的頻率處于上限、下限之間才能夠通過濾波器，超出或者低于設置的值都將會被過濾掉。本文采用切比雪夫數字低通濾波器，從原始心電信號中去除頻率在0.05～100 Hz以外的信號成分。

3.4 心拍分割

本文采用基于小波變換的檢測算法，使用的母小波為二次B樣條小波，它是一個具有對稱性和正交性的微分小波。經過小波變換后，在系數中尋找最值，最小值和最大值之間的過零點就是R波峰值點所在位置。據統計，成年人每分鐘心跳約60到100次，考慮到老年人和兒童，如果以R的峰值點為基準向前向后提取若干采樣點，基本上可以覆蓋一個心拍波形的主要特征。本文首先定位R波峰值點，然后以它為基準，向前向后分別選擇250 ms和400 ms的原始采樣數據，將這些值組合為一個心拍的特征向量。

本文對PTB數據庫進行預處理，并提取出54 753個心拍，這些心拍分屬于2個類別，心梗(MI)和健康對照(Healthy Control,HC)，各類心拍的樣本數量如表2所示。理論上來說，如果使用所有15個導聯的數據，學習的信息會更全面，能夠獲得總體上更好的結果，但這不符合臨床實際情況，臨床通常僅有12導聯可用，故此，本文僅使用臨床上普遍采用的12導聯的數據。由于六個肢體導聯的數據是兩個測量電壓(例如Ⅰ和 Ⅲ)的線性組合，因此僅使用兩個肢體導聯，而丟棄其他肢體導聯的數據，以去除肢體導聯之間的數據相關性。因此，實驗只考慮臨床應用中常用且非冗余的8個導聯心電數據。

表2 各類別心肌梗死的心拍數

4 BiGRU模型

針對時間序列樣本，研究者提出了循環神經網絡RNN(Recurrent Neural Network)，在RNN中，增加了一個時序結構，神經元的輸出可以在下一個時間戳直接作用到自身。為了解決RNN在時間軸上出現的梯度爆炸和梯度消失現象，Hochreiter 和 Schmidhuber(1997)提出了長短時記憶單元[17](Long Short-Term Memory,LSTM)，通過門開關實現時間上的記憶功能。針對LSTM模型復雜、訓練和預測時間長的問題，文獻[18]提出了GRU模型。如圖3所示，GRU設置更新門替換輸入門和遺忘門，用重置門替換原先的輸出門。使用更新門控制前一時刻的狀態信息被帶入到當前狀態中的程度，使用重置門控制忽略前一時刻的狀態信息的程度。

圖3 GRU神經元結構

(1)

tt=σ(Wr·[ht-1,xt])

(2)

(3)

(4)

(5)

(6)

圖4 BiGRU結構模型圖

針對心梗檢測任務，用X=[x1,x2,…,xm]表示經過預處理和分割后一個心拍的心電信號序列，把X輸入BiGRU深度學習網絡，結果送入SoftMax全連接層分類，最后輸出是否有心梗的標記y∈{0,1}。在訓練過程中，使用隨機梯度下降法(Stochastic Gradient Descent,SGD)對模型的參數進行優化，為了提高GRU網絡的學習速度，采用交叉熵損失函數來衡量模型實際輸出與期望輸出之間的接近程度，定義為：

(7)

gt=▽θt-1f(θt-1)

(8)

Δθt=-ηgt

(9)

式中：gt為SGD當前batch的梯度;θ為待優化的參數;η為學習率。在模型的輸出層使用了RELU激活函數，RELU采用強正則化方法，能夠訓練多層深度神經網絡，使得模型的學習具有很強的魯棒性，因此無需再增加任何梯度裁剪和正則化方法。

5 實驗結果

5.1 實驗參數

驗證實驗首先對ECG信號進行去噪預處理，然后檢測R波，將每條大約兩分鐘的心電信號分割為心拍序列，接下來以R波峰為基準前后分別取250 ms和400 ms的采樣數據，構成單導聯心電向量，對8個導聯分別采用相同的方式進行處理，生成8個心電向量。每一個心電向量輸入一個BiGRU網絡進行學習，8個BiGRU網絡學習的結果輸入一個全連接的SoftMax層產生分類結果。使用L2正則化方法對網絡參數進行約束，訓練過程引入了Dropout策略防止過擬合，采用批量的SGD優化方法用于模型訓練。參數設置如表3所示。

表3 參數設置

5.2 評價指標

為了評價本文提出的檢測算法的性能，我們使用了三個指標，它們分別是分類靈敏度(Sen)、特異性(Spe)和準確度(Acc)。分類準確度評估所提出的方法在所有心拍上的整體性能。由于正異常心拍的數量不同，Sen和Spe在評估分類器性能方面會出現較小的偏差，評價指標計算公式如下：

(10)

(11)

(12)

式中：TP是正確檢測為MI的心拍的數量；TN是正確識別為HC的心拍數量；FN是錯誤檢測為HC的心拍數量；FP是錯誤診斷為MI的心拍數量。

5.3 結果與討論

在訓練過程中，批量大小設置為128，訓練迭代次數設置為20。混淆矩陣和分類性能結果如表4所示，可以看出，該算法在心梗檢測上的總體準確度為99.89%，在靈敏度、特異性和精度上都達到99%以上。

表4 混淆矩陣及分類性能

文獻[9]設計了一種新穎的雙波段最佳雙正交濾波器組，將ECG信號分解成6個子帶，接下來根據這些子帶計算出特征，最后使用KNN分類器得到分類結果。在PTB數據集上驗證算法的性能，對于沒有去噪的原始心電數據集，得到的準確度為99.62%，在經過去噪預處理后的心電數據集上，得到的準確度為99.74%。文獻[10]首先對原始心電信號進行去噪預處理，然后組合12導聯的信號生成具有更強的波形特征和間期的復合導聯，接下來采用閾值法檢測QRS復合波的峰值，并以此為基準得到其他幾個特征值，最后采用SVM分類器分類，準確度達到98.96%。文獻[13]首先使用Savitzky-Golay平滑濾波器和多項式擬合法去除基線漂移，然后采用非線性變換和一階高斯微分器來定位QRS復合波的位置，并完成心拍的分割，最后送入CNN深度神經網絡訓練，在測試數據集上得到95.3%的準確度。文獻[14]等人僅使用標準Ⅱ導聯心電數據，首先使用Daubechies 6母小波從ECG信號中去噪并去除基線漂移，然后采用經典的Pan Tompkins算法檢測R波峰，并分割心拍，最后送入CNN深度神經網絡訓練，在測試數據集上得到95.22%的準確度。為了進行性能的對比，他們還完成了另一個實驗，與前一個實驗的唯一區別是不進行去噪預處理，但是得到的分類準確度只有93.53%。

本文所提出的算法對原始心電信號進行了去噪預處理，分析了多導聯的數據，信息更加全面，并且采用了BiGRU深度學習方法，不局限于醫學專家所設計的手工特征，機器自動提取特征，能夠挖掘出隱藏在大數據后面的有用信息，在心梗檢測上得到了優異的結果。表5是本文與其他文獻算法在性能上的對比結果，可以看出，在準確度、敏感性和特異性方面，本文可以比其他文獻方法獲得更好的性能。

表5 與其他文獻性能對比結果

6 結 語

本文提出了基于BiGRU的多導聯心肌梗死檢測算法。首先采用濾波器組對心電信號進行預處理，然后采用二次B樣條小波變換方法定位R波峰，接下來把每條心電信號分割成獨立的心拍，最后采用BiGRU深度學習方法進行二分類。用公開的PTB心電數據庫對算法進行了驗證，并與其他文獻提出算法的實驗結果做了對比。結果表明本文算法有較高的靈敏度、精確率、準確度，而且具有普適性。使用本文所提出的深度學習框架能夠從多導聯的ECG信號中提取到潛在的有用的特征。下一步將探索在其他ECG數據集上訓練該分類器，以檢測各種其他的心臟疾病。考慮到其優異的性能，基于BiGRU的多導聯心梗檢測算法可應用于計算機輔助診斷平臺。