基于1-D CNN的QRS波群檢測算法

郭新杰，曾 成+，孫尚云，趙 地，花中秋

(1.河北工業大學 電子信息工程學院，天津 300401；2.中國科學院 計算技術研究所天津分所， 天津 300380；3.中國科學院 計算技術研究所，北京 100190)

0 引 言

近兩年，卷積神經網絡逐漸被應用于QRS波群檢測。Marko等[1]提出了一種基于一維卷積神經網絡(one-dimensional convolutional neural network，1-D CNN)的QRS波群檢測算法，除去信號中的基線漂移后進行歸一化處理，然后，選取包含145個采樣點的滑動窗截取數據，若窗口中心距R波峰小于40 ms就作為正樣本，否則為負樣本，最終將1-D CNN模型的正輸出做聚類以形成最終的QRS波群檢測結果，準確率達到99.75%。Yande Xiang等[2]將基于注意力的二級1-D CNN方法用于QRS波群檢測，首先通過數據預處理得到心電信號的差分信號和平均差分信號，然后，將不同信號分別送入對象級CNN和部分級CNN用于提取ECG信號不同粒度的特征，最終，將對象級CNN和部分級CNN所提取的形態特征融合提供給多層感知器進行QRS波群檢測，準確率為99.67%。上述算法需對信號進行多次預處理操作，相當于對信號做濾波處理，會濾掉ECG信號中的有用信息且增加算法的計算復雜度。

本文提出一種基于1-D CNN的QRS波群檢測算法，其不需要大量數據預處理，采用不同于前人的數據集制作方式，僅使用一個1-D CNN模型和非極大值抑制算法相結合就可以完成QRS波群的特征提取和檢測。

1 方 法

算法框架如圖1所示，主要分為數據預處理、1-D CNN模型和非極大值抑制算法3個部分。對數據進行重采樣后，通過固定窗對數據進行截取和歸一化形成心電信號片段喂入1-D CNN模型，最后通過非極大值抑制算法對1-D CNN輸出的QRS波群檢測概率序列進行處理，得到算法最終的QRS波群檢測結果。

圖1 基于1-D CNN的QRS波群檢測算法框架

1.1 數據預處理

一個完整的心動周期在ECG中表現為一個完整的心拍，如圖2所示，包括了P波、QRS波群和T波等，各個波形的不同形式往往體現了某些病變。在ECG的所有波形中，QRS波群最為明顯，一般以它為基準來定位其它波的位置[3]。QRS波群檢測是ECG信號分析診斷的前提和基礎，只有QRS波群標定后，才有可能計算心率，檢測ST段參數，區分正常和異常心拍，進而對心律異常進行分析。

圖2 心拍波形

心電信號的頻率分布在0.05 Hz-60 Hz之間，而信號中常見的干擾，如基線漂移、工頻干擾和肌電干擾分布在信號的不同頻段，任何去噪都會濾掉信號中的有用信息。因此，本文不對數據做去噪處理。

采樣頻率的高低對心電信號的波形產生很大的影響，提高采樣頻率能提高心電信號波形的質量，減少QRS波形的失真。當采樣頻率高到一定的數值之后，再提高采樣頻率對改善心電波形的作用就不明顯了。為此，指定一個合適的采樣頻率是必要的。目前多數設備的采樣頻率為 125 Hz 左右，但是對于上限頻率達到100 Hz的系統來說，合適的采樣頻率應該達到250 Hz，且為了使本算法能夠更好的為可穿戴心電檢測設備所使用，本文將所有數據重采樣為250 Hz。

為了能夠加快算法的收斂速度，方便后期數據處理，以QRS波群中的R波峰和隨機非R波峰位置為中心，使用固定窗對數據進行截取形成心電信號片段后進行歸一化處理。

1.2 1-D CNN模型

常見的二維卷積神經網絡常被用來做圖像分類，本文要處理的心電信號為一維離散序列，故先將二維卷積神經網絡修改為適合于心電信號特征提取的一維卷積神經網絡[4]。本文所使用的一維卷積神經網絡結構如圖3所示。

圖3 1-D CNN模型結構

其由一個輸入層，5個卷積層，4個池化層，5個歸一化層，一個全連接層和一個輸出層組成。前4個卷積層后面都尾隨一個池化層和歸一化層，第5個卷積層后面直接跟一個歸一化層。

卷積層在上層的特征向量和當前層的卷積核之間執行卷積運算，使用Relu作為激活函數，可增強原始信號的特征并減少噪聲，卷積層參數包括卷積核長度、滑動步長和填充，三者共同決定了卷積層輸出特征向量的長度。其中卷積核長度可以指定為小于輸入特征向量的任意值，卷積核越大，可提取的特征越復雜。滑動步長是卷積核在特征向量水平方向上每次的滑動長度，例如，若滑動步長為2時，卷積核隔一個點移動一次。隨著卷積層的堆疊，特征向量的長度會逐漸減小。為此，填充的目的是人為增加特征向量的長度以抵消在計算中特征向量長度的減小，常見的填充方法為Same和Valid，本文所使用的填充方式為Valid，為非填充，P為0。每個卷積層后輸出特征向量的長度X的計算公式為

(1)

式中：W為輸入數據長度，F為卷積核長度，P的值要根據全0填充的類型來確定，S為卷積核滑動步長。

池化也稱為下采樣，其不會改變輸入特征向量的個數，只會改變每個特征向量的長度，主要為了降低模型復雜度和減小過擬合。池化最常用的有最大池化和平均池化，本文采用最大池化來減小ECG數據的維數，對特征進行壓縮，并提取有效特征。在池化核覆蓋的特征向量區域內，選取最大值來替代當前區域的所有值[5]。每個池化層后輸出特征向量的長度Y的計算公式為

(2)

式中：W為輸入數據長度，F為池化核長度，S為池化核滑動步長。最終將全連接層的輸出經過softmax得到概率值以計算分類結果。

1.3 非極大值抑制算法

本文數據集中以R波峰位置為中心的數據為正樣本，任何以非R波峰位置為中心的數據都是負樣本，卷積神經網絡最終輸出的是對一個樣本判斷的概率值，樣本中心點越是靠近R波峰，概率值就越大，因此，1-D CNN模型在1個QRS波群上會有2-5個較大的概率值輸出，如圖4(b)為包含700個采樣點的心電信號圖4(a)對應的1-D CNN模型的概率輸出。針對此問題，本文采用非極大值抑制的方法，若概率值大于1-D CNN模型分類的閾值，則使用包含10個概率序列的固定窗切割概率序列，若切割以后的概率序列中間值為最大，則此處為R波峰，如圖4(c)所示。

圖4 非極大值抑制算法的數據處理

2 實驗及結果分析

首先，通過采用不同長度固定窗對心電數據進行切割得到3個不同長度的數據集，然后，通過將3個不同長度的數據集分別與兩種歸一化方式組合構成6組數據集后，將數據喂入1-D CNN模型得到6組對比實驗結果，最后，通過將最優的1-D CNN模型和非極大值抑制算法相結合與傳統QRS波群檢測算法在測試集上作對比，得出本算法在準確度和抗干擾能力等方面都要優于傳統的QRS波群檢測算法。

2.1 數據切割與歸一化方式

QRS波群最多可展寬至0.2 s，將數據重采樣為 250 Hz 后，一個QRS波群可包含50個采樣點，依據心電信號特性[6]，本文以MIT-BIH心律失常數據庫提供的R波峰和隨機非R波峰位置為中心左右分別各取50、75、100個采樣點構成包含101、151、201個采樣點的數據集，正、負樣本數據分割如圖5(a)，圖5(b)所示。

圖5 數據分割

MIT-BIH自帶歸一化方式如式(3)所示[7]，在將數據平移至中心點后進行伸縮處理。正常的RR間期在0.6 s-1 s之間[14]，所有非R波峰位置都作為負樣本中心點的候選，因此，負樣本中會有數據全取自上一心拍的S波與下一心拍的Q波之間，幅度較低，如圖5(b)所示。將圖5(b)中包含151個采樣點的負樣本數據單獨取出，采用MIT-BIH自帶歸一化方式對數據進行歸一化后，相當于對數據做平移拉伸，會導致其與QRS波群相似，如圖6所示。針對此問題，本文對MIT-BIH自帶歸一化方式進行優化，對于最大值減最小值低于0.3 mv的數據僅對其進行平移不做拉伸處理

(3)

式中：x為當前ECG信號的電壓值，xmax為該樣本數據中最大值，xmin為該樣本數據中最小值。

圖6 歸一化與未歸一化數據

2.2 數據集

本文使用的ECG信號來自MIT-BIH心律失常數據庫和中國科學院計算技術研究所天津分所大象隨心寶可穿戴設備采集的數據。將MIT-BIH心律失常數據庫的數據分為訓練集和驗證集，以驗證本方法的可行性；將可穿戴設備采集的數據作為測試集，以檢驗算法的準確度、魯棒性及抗噪聲能力。

MIT-BIH心律失常數據庫包括48個雙通道動態心電圖記錄，前23個記錄是從常規門診患者的數據中提取的，而剩下的25個記錄是由于包含一些比較少見、復雜且不易識別的室性、交界性、室上性心律失常以及傳導異常等臨床常見異常而選擇的，其48個雙通道信號分布見表1。正常QRS波群通常在第一個通道特征顯著，第二個通道信號導聯軸差不多與平均心電軸正交，為了準確定位QRS波群位置，本文采用的是第一通道信號。在MIT-BIH心律失常數據庫中選擇46條記錄(102和104記錄兩通道信號均不來自MLII導聯，本文不將其作為數據集)按照跨病人的方式分為訓練集DS1和驗證集DS2，其中DS1=(101，106，108，109，112，114，115，116，118，119，122，124，201，203，205，207，208，209，215，220，223，230)，DS2為剩下的24條記錄[8]。

表1 MIT-BIH心律失常數據庫每條記錄的通道分布

通過對DS1和DS2中的記錄做分割和歸一化處理，最終3個不同長度數據集中訓練集與驗證集所含數據量見表2。

表2 數據集

用戶通過將可穿戴設備粘貼于胸部，如圖7(a)，圖7(b)所示，獲得250 Hz采樣頻率的模擬導聯心電數據。本文在大象隨心寶可穿戴設備所有用戶中隨機抽取50條較為常規的心電數據，記為first_50，然后隨機抽取50條混有心肌缺血、基線漂移、工頻干擾的心電數據，記為last_50，每條數據時長為10 min。

圖7 可穿戴設備數據采集

為了檢測算法的實時效果，針對測試集，本文不對其進行整體數據切割，而是通過每次滑動一個采樣點的方式滑動固定窗對數據截取和歸一化后直接喂入1-D CNN模型，經過非極大值抑制算法，輸出連續的概率分布，來實時展示本算法的QRS波群檢測效果。

2.3 評價指標

用于評估檢測性能的測量指標是假陰性率(false negative rate，FNR)，假陽性率(false positive rate，FPR)和準確率(accuracy，Acc)，它們分別通過式(4)～式(6) 計算

(4)

(5)

(6)

其中，TP為正樣本預測為正樣本的數量，FP為負樣本預測為正樣本的數量，TN為負樣本預測為負樣本的概率，FN為正樣本預測為負樣本的數量。

2.4 1-D CNN模型特征提取

1-D CNN模型在對數據進行分類時，只需我們將數據輸入網絡，在模型內部通過前向傳播和反向傳播算法不斷更新參數找到全局最優解或局部最優解來自動進行特征提取，在每個卷積層所提取的特征中隨機選取3個并進行可視化，如圖8所示，其中第一排為原始數據，后面依次是1-5卷積層隨機選取的3個特征向量。

圖8 特征向量可視化

從不同卷積層可視化出來的特征向量圖可以得出：①淺層網絡提取的是紋理，細節特征；②深層網絡提取的是高緯度特征，可視化后的特征圖越來越抽象，可解釋性差，這也是卷積神經網絡所存在的一個缺陷。

2.5 1-D CNN模型實驗結果

實驗結果見表3，可以看出，采用相同的歸一化方式，包含101個采樣點的數據集所訓練的模型假陰性率過高，包含201個采樣點的數據集所訓練的模型假陽性率過高；相同數據集長度條件下，采用優化歸一化方式所訓練的模型在3個評價指標上都要優于MIT-BIH自帶歸一化方式所訓練的模型，且在假陽性率和準確度上提升較為明顯。由此可見，151個采樣點與優化后的歸一化方式組合，算法效果最佳。

2.6 最優檢測算法實驗結果

將該算法、蘇志同等[9]提出的差分閾值算法以及 Merah 等[10]提出的小波變換算法均應用于測試集實時進行QRS波群檢測，最終在100條測試集數據的準確度上求統計平均，1-D CNN檢測算法準確度為98.51%，小波變換算法準確度為95.75%，差分閾值算法準確度為92.34%，本文算法要明顯高于其它兩個傳統算法。在first_50和 last_50 數據上面的表現性能如圖9所示，傳統算法和本文算法對于常規的心電信號準確度相差無幾，差分閾值方法僅有一條數據較低，但準確度也高于95%，然而，在混有基線漂移、工頻干擾、肌電干擾等干擾的數據中準確度差別較大，充分說明本算法在抗干擾方面明顯優于現有的QRS波群檢測算法。

心房顫動(atrial fibrillation，AF)簡稱房顫，是一種常見的心律失常。發生房顫時心電圖表現為：①P波消失，出現一系列連續并且不規則的心房激動波，稱為f波；②RR間期絕對不規則[11]，房顫波形如圖10心電信號所示。在心電信號幅值較低的患者中會將f波誤判為R波，進而對心律失常進行誤判，影響患者治療。本算法在房顫心電信號的表現性能如圖10中檢測結果所示，能夠很好的對房顫患者的心電信號進行準確的QRS波群檢測。

表3 實驗結果

圖9 實驗結果對比

圖10 房顫心電數據

在ECG的采集過程中，由于電極與體表接觸不良、電極電阻變化、人體呼吸或其它肌肉緩慢運動等，導致ECG發生基線漂移，如圖11中心電信號所示。在大多數研究中，都會通過曲線擬合、小波變換或自適應濾波等方法來消除基線漂移對心電信號的影響[12]，本文算法在不去除基線漂移的前提下，能夠很好地識別混有基線漂移的心電信號中的QRS波群，如圖11中檢測結果所示。

圖11 基線漂移心電數據

在心電圖的采集、轉化過程中容易受到環境和設備的影響，產生噪聲，特別是50 Hz的工頻干擾[13]。相比于在醫院檢查時靜息狀態下采集的心電信號，動態心電圖是在人們運動中采集的，其中會混有大量的工頻干擾，如圖12中心電信號所示。因此，準確定位混有工頻干擾的心電信號中QRS波群的位置，為患者的診斷提供良好的基礎是至關重要，本算法在混有工頻干擾的心電信號中的QRS波群檢測的表現性能如圖12中檢測結果所示。

圖12 工頻干擾心電數據

3 結束語

本文通過將不同數據集長度、不同歸一化方式組合作對比實驗，得出結論：①在250 Hz采樣頻率下，對比3個不同長度數據集所訓練模型的實驗結果，取151個采樣點所訓練模型的QRS波群檢測效果最好，101個采樣點數會導致QRS波群檢測假陰性率增高，201個采樣點數會導致QRS波群檢測假陽性率增高；②本文通過優化歸一化方式試圖解決非QRS波群因幅度較低經原始歸一化后被判斷為QRS波群的問題，實驗結果表明新的歸一化方式在假陽性率和準確度上都有所提升；③為了避免心電信號中的有用信息被過濾掉，本算法在不對數據做去噪處理的情況下，具有較好的噪聲魯棒性。

實際生活中，動態心電數據會因個體、時間、環境等因素發生變化，僅使用MIT-BIH心律失常數據庫來對模型進行訓練，不足以滿足患者心電數據的特異性，還需要更多的數據加入模型訓練來提高模型的魯棒性；此外，QRS波群檢測幾乎是所有ECG自動分析的切入點，僅對其研究是不夠的，接下來還需要對單個心搏進行分類，進而利用醫學知識，根據心搏的排列順序以及心率來對心律失常進行判斷，以此來減少醫生工作量，提高醫生的工作效率。