基于功率譜密度圖和卷積神經(jīng)網(wǎng)絡(luò)的心律失常分類研究

牟文鋒，周登仕

（四川大學(xué)電子信息學(xué)院，成都610065）

0 引言

隨著人口老年化的加劇，其心血管系統(tǒng)會(huì)逐漸減弱，更容易患上疾病。而近年來我國老年化人口呈指數(shù)的增長趨勢，其心血管患者人數(shù)已經(jīng)達(dá)到2.9 億[1]。在臨床醫(yī)學(xué)中，心血管基本的死亡率占疾病中的首位，其高危險(xiǎn)性的特點(diǎn)對人們的健康影響很大。心律失常是心血管基本的重要表現(xiàn)，心律失常極容易導(dǎo)致人猝死，并伴隨其他高危心臟病。因此，快速且準(zhǔn)確的對心律失常進(jìn)行分類與識(shí)別，對于臨床醫(yī)學(xué)有著十分重要的意義。

心律失常類型中，對人影響最大的是：心房顫動(dòng)（Atrial Fibrillation，Afib），心室顫動(dòng)（Ventricular Fibrillation，Vfib）和起搏心跳（Paced beat，Pace）。Afib是最常見的持續(xù)性心律失常，往往會(huì)快速增長。房顫患者的心房頻率非常快，達(dá)到了每分鐘400-600 次，心電圖（Electrocardiogram，ECG）中不會(huì)出現(xiàn)P 波。Vfib主要是心室的不規(guī)則振動(dòng)和不適合的收縮導(dǎo)致的，會(huì)導(dǎo)致快速心跳的發(fā)生，心電圖中記錄了沒有QRS 復(fù)合波的不穩(wěn)定波動(dòng)。Pace主要發(fā)生在心率過慢的環(huán)境中，需要使用刺激信號來刺激心房或者心室發(fā)生搏動(dòng)，而出現(xiàn)的心電現(xiàn)象。正常心率（Normal sinus rhythm，Nsr）、Afib、Vfib和Pace的波形圖如圖1 所示。

圖1 心律失常波形圖

心電信號包含了心臟健康狀況的細(xì)節(jié)信息，其有利于心臟健康的檢測和診斷。但ECG 是高度非線性的，其振幅差異往往都極小。此外，ECG 信號獲取時(shí)會(huì)記錄較長時(shí)間，而人為的對心電信號進(jìn)行識(shí)別是十分費(fèi)時(shí)和費(fèi)力的，可能還以為人為元素忽略掉了其重要信息。因此，近年來提出使用計(jì)算機(jī)輔助系統(tǒng)（Computer-Aided Diagnosis，CAD）來對心電信號進(jìn)行分析，減少診斷的主觀影響，而且極大地減少了信號分類的時(shí)間[2]。

表2 顯示了近年來使用CAD 系統(tǒng)自動(dòng)檢測心律失常的研究，并使用不同的方法將心律失常分為對應(yīng)的類別。Karimifard3 等人[3]提出使用Hermitian 基函數(shù)提出心電信號的高階統(tǒng)計(jì)量，實(shí)驗(yàn)結(jié)果表明，該方法能夠有效的抑制不同心律失常的形態(tài)變化，降低噪聲的影響。Desai 等人[4]使用旋轉(zhuǎn)森林算法對四類心律失常進(jìn)行分類，得到了98.37%的分類準(zhǔn)確率。Martis 等人[5]提出使用主成分分析（Principal Component Analysis，PCA）對分段的心電信號進(jìn)行分析，使用12 維PCA 特征數(shù)據(jù)，得到的分類準(zhǔn)確率為98%。

近年來，深度學(xué)習(xí)在心律失常識(shí)別中得到了廣泛的應(yīng)用。許多團(tuán)隊(duì)已經(jīng)對卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在心電中進(jìn)行了研究，并取得了優(yōu)異的效果。Yildirim 等人[6]提出使用離散小波變換結(jié)合雙向長短期記憶網(wǎng)絡(luò)的方式進(jìn)行心律失常的分類，得到的分類準(zhǔn)確率為99.39%。

1 實(shí)驗(yàn)數(shù)據(jù)

在本文中，心電信號數(shù)據(jù)從公開心律失常數(shù)據(jù)庫中獲得的[17]。其中，從MIT-BIH 心律失常數(shù)據(jù)庫中獲得Nsr和Pace類型，從MIT-BIH 房顫數(shù)據(jù)庫中獲取了Afib類型，從克瑞頓大學(xué)室性心律失常中提取Vfib類型。實(shí)驗(yàn)中，使用導(dǎo)聯(lián)Ⅱ的心電信號數(shù)據(jù)。

其中，使用最為廣泛的是MIT-BIH 心律失常數(shù)據(jù)庫，被用于大部分已發(fā)表的研究中。其也是第一個(gè)可用于實(shí)現(xiàn)算法驗(yàn)證的目標(biāo)數(shù)據(jù)庫，多年來人們也在不停的完善。數(shù)據(jù)庫中記錄的心電信號都有其類型和相關(guān)信息的注釋，這些對于心電信號基準(zhǔn)點(diǎn)來說，是其評估心律失常自動(dòng)分類方法的基礎(chǔ)。

2 實(shí)驗(yàn)方法

眾所周知，卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了巨大的成果。CNN 具有圖像平移不變的獨(dú)特能力，使得其被廣泛應(yīng)用于生理信號的形態(tài)分析中。

本文提出了基于功率譜密度圖和CNN 網(wǎng)絡(luò)模型的心律失常分類算法，主要包括三個(gè)階段：第一階段，使用小波變換對心電信號去去除噪聲，并使用信號切割算法將信號切分為短時(shí)心電信號段。第二階段，計(jì)算心電信號段的功率譜估計(jì)，得到其功率譜曲線。第三階段，使用卷積神經(jīng)網(wǎng)絡(luò)對提出的功率譜密度圖進(jìn)行端到端的識(shí)別與分類。具體分類流程如圖2 所示。

圖2 心律失常分類算法流程圖

2.1 預(yù)處理

心電信號在采集時(shí)，會(huì)因?yàn)楦鞣N原因含有噪聲，所以為了使得算法的分類性能更好，預(yù)處理階段需要對信號進(jìn)行去噪（如基線漂移、電源干擾和肌肉收縮）。本文中，使用小波變換的方法去除心電信號中的基線漂移和其他噪聲[7]。

本文使用的CNN 網(wǎng)絡(luò)識(shí)別模型，具有平移識(shí)別的能力，所以本文將信號切割為短時(shí)心電片段，每段信號長度為1800 個(gè)采樣點(diǎn)。這樣避免了使用過多的定位算法，以及RR 間期的計(jì)算。

2.2 功率譜密度圖

功率譜估計(jì)是信號分析中廣泛應(yīng)用的方法之一，功率譜通過傅里葉變換來進(jìn)行求解[8]。功率譜揭示了信號的重復(fù)和相關(guān)模式，在檢測、估計(jì)和數(shù)據(jù)預(yù)測方面有著重要意義。一般來說，信號的相關(guān)性和可預(yù)測性越強(qiáng)，其功率譜就越集中，反之信號的隨機(jī)性和不可預(yù)測性越強(qiáng)，則功率譜曲線就越寬。因此，信號的功率譜可以用來推斷信號處理過程中重復(fù)結(jié)構(gòu)或相關(guān)模式的存在。

求功率譜密度圖（Power Spectral Density，PSD）的方法有很多，主要有：非參數(shù)的功率譜估計(jì)、基于模型的功率譜估計(jì)和高分辨率譜估計(jì)[9]。本文選用其非參數(shù)功率估計(jì)方法，由于其具有很好的分類性能，使用Welch 頻譜估計(jì)方法來計(jì)算功率譜曲線。Welch 方法[10]通過重疊和加窗段的修改周期圖進(jìn)行平均實(shí)現(xiàn)的。信號為x(l)，長度為L，被分為長度為N 的K 個(gè)片段，每個(gè)重疊段在計(jì)算周期圖之前被加窗，第i 段被定義為：

其中D 是重疊長度，對于D=N/2，重疊率等于50%，對于D=N，重疊率等于0。

本文使用MATLAB 軟件的Pwelch 函數(shù)來進(jìn)行功率譜計(jì)算，其參數(shù)設(shè)置為：nfft=360,noverlap=64,window=hanning(128)，并且不做趨勢處理。得到的信號的功率密度譜圖如圖3 所示。

圖3 心電信號對應(yīng)的功率譜密度圖

2.3 學(xué)習(xí)/分類

卷積神經(jīng)網(wǎng)絡(luò)[11]是含有卷積計(jì)算的一種前饋神經(jīng)網(wǎng)絡(luò)，在圖像處理領(lǐng)域能夠得到很好的效果。本文提出的卷積神經(jīng)網(wǎng)絡(luò)模型共23 層，其包括：卷積層、池化層、全連接層、ReLu 激活函數(shù)、Dropout 層，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。

圖4 CNN網(wǎng)絡(luò)結(jié)構(gòu)模型圖

CNN 網(wǎng)絡(luò)中，第1 層到第18 層，是卷積層和池化層重疊而來。第19 層和第20 層是全連接層，具有4096 個(gè)神經(jīng)元。網(wǎng)絡(luò)的最后一層是具有4 個(gè)神經(jīng)元的全連接層，具有Softmax 功能，用于預(yù)測心律失常的類別[12]。卷積層有利于對圖像進(jìn)行特征提取，池化層可以降低特征圖的維數(shù)，心電信號的分類取決于最終全連接層的輸出。

3 實(shí)驗(yàn)結(jié)果及分析

本文使用十次交叉驗(yàn)證的方法來對其算法進(jìn)行評估，使用90%的實(shí)驗(yàn)數(shù)據(jù)來進(jìn)行CNN 網(wǎng)絡(luò)的訓(xùn)練，另外10%的數(shù)據(jù)來進(jìn)行測試，實(shí)驗(yàn)的驗(yàn)證數(shù)據(jù)從訓(xùn)練數(shù)據(jù)集中獲取。本文共選擇了13550 個(gè)實(shí)驗(yàn)數(shù)據(jù)，得到的分類混淆矩陣如圖5 所示。

圖5 分類混淆矩陣

為了更好觀察網(wǎng)絡(luò)對四個(gè)類型的分類效果，本文使用一下幾個(gè)指標(biāo)對其進(jìn)行評估：準(zhǔn)確率（Acc）、精確度（Pre）、特異性（Spec）、召回率（Recall）。其中Afib類型和Nsr類型的分類精確度最高，而Afib類型的特異性最低，為79.91%。

表1 網(wǎng)絡(luò)分類整體性能

本文提出的心律失常分類算法的整體分類性能如表1 所示。分類的準(zhǔn)確率為96%，精確度為98.82%，特異性為98.77%，召回率為97.11%。表2 總結(jié)了近年來基于MIT-BIH 數(shù)據(jù)庫的心律失常分類算法，可以看出，在分類準(zhǔn)確率上超過了大部分研究團(tuán)隊(duì)。相比Acharya[13]提出的對5 秒長度的心電信號進(jìn)行分類，與本文提出的短時(shí)信號長度十分接近，但本文算法的分類準(zhǔn)確率高出1.1 個(gè)百分點(diǎn)。與Zubair[15]同樣使用CNN 網(wǎng)絡(luò)來進(jìn)行分類的比較，本文的算法高出3.3 個(gè)百分點(diǎn)，說明本文的算法更加有效。而Kallas[16]在其實(shí)驗(yàn)中，獲得了97%的高分類準(zhǔn)確率，但其使用了復(fù)雜的分析方法和分類器，需要手工對特征進(jìn)行提取，使得網(wǎng)絡(luò)耗時(shí)增加，不能實(shí)現(xiàn)端到端的信號識(shí)別方法。

表2 基于MIT-BIH 數(shù)據(jù)庫的心律失常分類算法總結(jié)

4 結(jié)語

隨著醫(yī)療技術(shù)的不斷發(fā)展，對心律失常的診斷準(zhǔn)確度和識(shí)別耗時(shí)的要求會(huì)不斷提高。準(zhǔn)確的CAD 診斷系統(tǒng)可以幫助臨床醫(yī)生進(jìn)行早期診斷，也可以幫助患者得到早期治療。本文提出的自動(dòng)心律失常識(shí)別系統(tǒng)能夠有效地反映心臟狀況，該系統(tǒng)基于功率譜密度圖對數(shù)據(jù)進(jìn)行功率譜估計(jì)，并使用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類和識(shí)別，得到的分類準(zhǔn)確率達(dá)到了96%。與現(xiàn)有的算法比，更適用輔助臨床診斷。未來的工作中，準(zhǔn)備使用更高級別的卷積神經(jīng)網(wǎng)絡(luò)來對源數(shù)據(jù)進(jìn)行識(shí)別，得到更好的分類準(zhǔn)確率。