基于CNN和BiGRU-Attention模型的心律異常判別研究

◆丁娜娜 張龍波 吳志勇

基于CNN和BiGRU-Attention模型的心律異常判別研究

◆丁娜娜 張龍波通訊作者吳志勇

（山東理工大學（淄博）計算機科學與技術學院 山東 255049）

心臟病是導致人類死亡的主因，多數心血管疾病發生時，常伴有心律失常現象的出現。為實現心律失常的自動判別，研究并提出一種卷積神經網絡（Convolutional Neural Network，CNN）和基于注意力機制（Attention）的雙向門控循環單元神經網絡（Bidirectional Gated Recurrent Unit Neural Network，BiGRU）結合的心律異常判別方法。該方法首先采用1維CNN自動提取心電信號特征；其次將CNN提取出的特征輸入到BiGRU-Attention網絡中進行學習；最后，使用softmax函數進行分類。實驗結果表明，該方法的總體準確率為99.53%，N、S、V和F四類心跳的靈敏度分別為99.80%、96.35%、98.23%，92.01%，陽性預測值分別為99.74%、96.87%、99.24%、90.37%，證明該方法具有良好的性能。

心電信號；心律失常；卷積神經網絡；注意力機制；BiGRU-Attention網絡

世界衛生組織的統計數據顯示，心血管疾病已經成為居民死亡的頭號殺手，每年有超過1770萬的人死于心血管疾病[1]。心血管疾病發生時經常伴有心律失常的出現，心律失常是威脅人類生命健康的一類重大疾病。實現心律失常的自動分類具有非常重要的現實意義，它能夠使人及時發現心臟疾病并加以診斷，有效的保護心臟健康。

心電信號預處理、特征提取和分類是實現心電信號自動分類的三個階段。心電信號的預處理主要包括去噪和分段，有利于提高自動分類的準確率。特征提取，即提取心電信號的時域特征、頻域特征以及形態學特征等，例如提取其RR間期，心跳間隔，波寬等。Saminu[3]等人使用小波變換法進行特征提取，采用神經網絡反向傳播法進行自動分類，得到了99.84%的分類準確率。Li[4]等人提出了一種結合小波包分解（WPD）和近似熵（ApEn）的心電信號非線性特征提取方法，采用支持向量機（SVM）方法進行分類，最終得到了97.78%的準確率。2019年李鴻強[5]等人首先利用主成分分析（principal component analysis，PCA）對心電信號進行降維，再使用核獨立成分提取心電信號的非線性特征，將心電信號分為5類并獲得了99.11%得準確率。針對心電信號的自動分類，已經有很多方法可以實現，比如最優路徑森林（OPF）、支持向量機（SVM）、鄰近算法（KNN）等。Luz[6]等人使用基于最優路徑森林的方法進行心律失常分類，對比其他方法，該方法取得了良好的效果。Giorgio[7]等人利用支持向量機（Support Vector Machines，SVM）對去噪后的心室晚電位心電信號進行分類，最終得到了98.35%的準確度。有學者在傳統KNN算法的基礎上進行了改進，Faziludeen[8]等人利用基于Dempster Shafer理論的證據k近鄰（EKNN）方法對心電信號進行分類，實驗結果證明，該方法優于傳統KNN算法。以上方法都達到了比較高的分類準確率，但是針對心電信號的波形及模式多樣化特點，還存在一定的缺點，上述方法都是理利用人工提取心電特征，將統一的特征作為評估標準是很受限的，并且還會浪費大量的人力、時間和費用等成本。

隨著科技的發展，深度學習迅速崛起，不少專家學者將深度學習運用到了心電信號領域[2，9]，并取得了較好的成效。2020年Asgharzadeh-Bonab[10]等人使用卷積神經網絡（ConvolutionNeural Network，CNN）實現對心電信號的分類，其分類性能優于該階段引入的分析方法。Zheng[11]等人采用基于去噪自編碼器的深度神經網絡（DNN）進行心電信號自動分類，最終在MIT心律失常數據庫（mitdb）和自采集的聯合數據集上得到94.39%的平均識別率。Chauhan[12]等人使用長短時記憶（Long Short Term Memory，LSTM）神經網絡實現心電信號自動分類，驗證了該網絡在心電信號分類方面的有效性。李潤川[28]等人使用BiLSTM-Attention模型來檢測心律異常，在靈敏度、陽性預測值和F1綜合指標方面都獲得了良好的效果。綜上所述，深度學習方法相對于傳統方法有較大的優勢，但是也有自身的缺點，學習過程復雜，泛化能力較弱，并且需要大量數據進行訓練，耗費成本較高。

CNN可以自動提取特征，避免了人工提取特征的弊端，節約成本；BiGRU網絡不僅結構簡單，學習復雜度低，還可以學習前后心跳之間的關系。結合CNN和BiGRU網絡的優勢以及上述問題，本文提出1維卷積神經網絡和基于注意力機制的雙向門控循環單元神經網絡結合的心電信號自動分類方法。結合眾多文獻發現，該方法首次被運用在單導聯心電信號分類當中，并且在MIT-BIH心律失常數據庫的驗證中取得了良好的效果。

1 基于CNN和BiGRU-Attention模型的心電信號自動分類

1.1 心電信號預處理

原始心電信號往往是存在噪聲的，常見的心電信號噪聲主要有電源線干擾和基線漂移[13]。噪聲的存在，會降低模型性能，因此需要對原始心電信號進行去噪處理。

為去除電源線干擾和基線漂移，首先對所有的心電信號使用200-ms和600-ms的中值濾波器進行處理，得到去除基線漂移后的心電信號；接下來使用一個截止頻率為35赫茲的12階FIR 低通濾波器去除電源線干擾。研究發現經過以上方法的處理，可有效去除心電信號的噪聲[2，14]。以100記錄為例，去噪前和去噪后的心電信號如圖1（a）和1（b）所示。

R波檢測是心電信號檢測的關鍵，它不僅是檢測其他心電波群（P波、T波）的基礎，還可以幫助診斷心律不齊和心跳異常等疾病[15]，同時也是心電信號分割的重要依據。本論文中采用MIT-BIH數據庫提供的R峰坐標完成心電信號的分割，研究發現該方法已被大量學者使用[16，17，18，19]。根據R峰的坐標位置，將心電信號統一分割為180個采樣點的單個心跳。

圖1 去噪前后心電信號段

1.2 卷積神經網絡

卷積神經網絡在很多方面尤其是圖像識別領域表現出色[20，21]。卷積神經網絡屬于前饋神經網絡，主要由輸入層、卷積層、池化層以及全連接層等組成[22，23]，該網絡具有權值共享、局部連接等特點。卷積層可以充分提取數據特征，獲得數據之間的內在聯系；池化層也稱采樣層，包括最大池化和平均池化等，可以降低特征維度，減少網絡復雜度，同時也可以減少訓練的參數數量；全連接層的作用主要是將特征進行非線性組合來得到最終的輸出。在各層的作用下，卷積神經網絡表現出良好的特征提取性能。

1.3 雙向門控循環單元神經網絡

GRU是LSTM的一種變體，擁有和LSTM相似的功能，但它相對于LSTM網絡來說，網絡結構更簡單，是目前非常流行的網絡之一。GRU由更新門和重置門構成，更新門相當于LSTM的輸入門和遺忘門，它決定了哪些信息被丟棄或者哪些信息被添加，值越大表示前一時刻被保留的信息越多；重置門決定遺忘前一刻信息的程度，值越小表示遺忘程度越大。更新門和重置門之間的關系可表述如下：

其中，Zt是更新門，Rt是重置門，WZ、WR、Wh是當前時刻輸入的權重，Uz、UR、Uh是當前時刻循環輸入的權重，ht-1為上一時刻的隱藏狀態信息，xt為輸入的心電信號數據，h’t為候選隱藏狀態，ht為心電信號特征的輸出，σ表示sigmod激活函數。

雙向GRU實際上由兩個單向GRU組成，一個是正向傳播的GRU，一個是反向傳播的GRU。BiGRU的隱藏層狀態由正向隱藏層狀態和反向隱藏層狀態經過重新加權相加后得到，可以更加充分的學習前后心跳之間的聯系，提高識別率。

1.4 Attention注意力機制

Attention注意力機制的作用是為了捕獲更為關鍵的特征，提高分類準確率。Attention在語音處理、自然語言處理等方面都表現出了良好的性能[24，25]，在處理時序信息方面具有優勢。Attention注意力機制是對人體注意力機制的一種模仿，它通過為每個特征向量分配概率權重，從而獲取更關鍵的特征信息，提高特征提取的質量，獲取更好的分類效果。Attention注意力機制的計算公式如下：

其中，hm是原始隱藏層狀態，S是新的隱藏層狀態，am是每個原始隱藏層狀態在新的隱藏層狀態中所占的比重大小，em表示隱藏層狀態向量hm被處理后的向量，vm為m時刻的權重，bm為m時刻的偏置。

1.5 CNN和BiGRU-Attention模型

實驗采用CNN和BiGRU-Attention網絡結合的模型完成心電信號的分類。經過大量實驗，采用兩層卷積，卷積核個數分別為6和16；池化層部分采用的是最大池化，其大小為2，滑動步長也為2；最后通過全連接層將特征進行了非線性組合，并將特征維度設置為50。經過上述操作，最終得到了50x1的心電信號特征。在得到心電信號特征之后，將特征向量輸入到BiGRU網絡中進行學習；接下來，將BiGRU隱藏層的輸出再輸入到Attention中，進一步提取更為關鍵的心電信號特征；最后，輸入到softmax函數完成分類。整體模型見圖2。

2 實驗結果與分析

2.1 數據集

本實驗采用的是MIT-BIH 數據庫，它是由美國麻省理工學院提供的。MIT-BIH 心律失常數據庫包含的ECG 的來源，是由 Beth Israel 醫院采集的4000 多個長時間Holter記錄。MIT-BIH心律失常數據庫一共有48個記錄，每個記錄時長約30分鐘，這些記錄包含了多種臨床病理現象。MIT-BIH心律失常數據庫可供研究者免費使用，為心電信號的研究提供了數據集，應用十分廣泛。根據AAMI推薦的做法，對MIT-BIH心電數據庫的分類如表1所示。由于Q類的心電信號數量極少，因此本實驗中將心電信號分為N、S、V、F四大類。數據集共有100671條心跳記錄，分為訓練集DS1和測試集DS2，具體分類如表2。

圖2 CNN和BiGRU-Attention模型

表1 MIT-BIH標簽和AAMI標準分類

表2 數據集劃分

2.2 實驗結果與分析

為測試模型的性能，本文使用靈敏度（Se）、陽性預測值（PPV）、分類準確率（Acc） 3種評估指標。具體計算公式如下所示：

上述公式中，TP表示為分類正確的心跳個數，FN表示為分類錯的心跳個數，TN表示為本不屬于某類心跳而被分類為該類的心跳個數，FP表示本屬于某類心跳而被錯誤分類的心跳個數。

表3為本實驗結果的混淆矩陣。根據混淆矩陣即可計算出模型的評價指標，本實驗先使用CNN提取特征，再使用BiGRU-Attention模型進行學習，最后使用softmax完成分類，該模型與其他實驗的分類結果性能比較如表4所示。可以看出，本實驗的分類準確率較高，達到了99.53%；N、S、V、F四類心跳的靈敏度分別為99.80%、96.35%、98.23%，92.01%，陽性預測值分別為99.74%、96.87%、99.24%、90.37%。

表3 分類混淆矩陣

表4 分類結果性能比較

與文獻[26]、文獻[27]相比，本文提出的心電信號自動分類方法具有較高的分類準確率，并且N、S、V、F四類心跳在靈敏度和陽性預測值方面也有比較明顯的提升，特別是對于S和F類心跳，本實驗對這兩類心跳的識別度明顯高于其他實驗。以上所述，證明了本文所提模型具有良好的性能，對于心電診斷有更強的適應性，并且受數據集不平衡性因素的影響程度較小，在心電圖分析領域具有明顯的臨床意義和實用性。

3 結論

為實現心律失常的自動判別，研究并提出CNN和BiGRU-Attention結合的心律異常判別方法，首先利用CNN對心電特征進行自動提取，再利用BiGRU-Attention網絡對心電特征進行學習，最后利用softmax函數完成分類。此方法大大提高了整體分類準確率以及效率，在靈敏度和陽性預測值方面也都具有相應的提升，尤其對于數據量少且較難辨別的S和F兩類心跳的識別度有明顯提升，證明該模型具有良好的性能，在心電分析方面具有臨床意義。本次實驗使用的是單導聯心電信號的自動分類，未來的工作考慮研究多導聯心電信號的自動分類，進一步提高心電診斷的效率。

[1]World Health Organization（2017）. Cardiovascular diseases （CVDs）.http://www.who.int/mediacentre/ factsheets/fs317/en/ Accessed 18 Apr 2018.

[2]Sannino G，De Pietro G. A deep learning approach for ECG-based heartbeat classification for arrhythmia detection[J]. Future Generation Computer Systems，2018，86：446-455.

[3]Saminu S ，Ozkurt N，Karaye B A . Wavelet feature extraction for ECG beat classification[C]// IEEEInternational Conference on Adaptive Science & Technology. IEEE，2015.

[4]Li H，Feng X，Cao L，et al. A New ECG Signal Classification Based on WPD and ApEn Feature Extraction[J]. Circuits Systems & Signal Processing，2016，35（1）：339-352.

[5]李鴻強，魏小清，王有璽，張振，宮正，吳非凡.主成分分析和線性判別分析應用于心電信號特征提取和診斷算法研究[J].生物醫學工程研究，2019，38（02）：145-150.

[6]Luz E J D S，Nunes T M，De Albuquerque V H C，et al. ECG arrhythmia classification based on optimum-path forest[J]. Expert Systems with Applications，2013，40（9）：3561-3573.

[7]Giorgio，A.; Rizzi，M.;Guaragnella，C. Efficient Detection of Ventricular Late Potentials on ECG Signals Based on Wavelet Denoising and SVM Classification. Information 2019，10，328.

[8]Faziludeen S，Sankaran P. ECG beat classification using evidential K-nearest neighbours[J]. ProcediaComputer Science，2016，89：499-505.

[9]Pyakillya B，Kazachenko N，Mikhailovsky N . Deep Learning for ECG Classification[J]. Journal of Physics Conference Series，2017，913：012004.

[10]Asgharzadeh-Bonab A，Amirani M C，Mehri A. Spectral entropy and deep convolutional neuralnetwork for ECG beat classification[J]. Biocybernetics and Biomedical Engineering，2020，40（2）.

[11]Gang Zheng，Shengzhen Ji，Min Dai. ECG Based Identification by Deep Learning[C]// Chinese Conference on Biometric Recognition. Springer，Cham，2017.

[12]Chauhan S，Vig L . Anomaly detection in ECG time signals via deep long short-term memory networks[C]// IEEE International Conference on Data Science & Advanced Analytics. IEEE，2015.

[13]彭榮輝，趙治棟，張燁菲.EWT算法在單導聯心電信號去噪中的研究[J].杭州電子科技大學學報（自然科學版），2019，39（05）：13-18.

[14]Z. Zhang，J. Dong，X. Luo，K.S. Choi，X. Wu，Heartbeat classification using disease-specific feature selection， Comput. Biol. Med. 46（Suppl. C）（2014）79-89.

[15]李立策，郭興明，王景燦，潘靜.基于DSP的心電信號R波檢測新算法[J].微計算機信息，2008（32）：182-183.

[16]燕婷，王于超，金中一.基于CNN與GRU降噪自編碼的心電信號分類方法[J].軟件導刊，2020，19（04）：75-78.

[17]Mondéjar-Guerra V， Novo J， Rouco J， et al. Heartbeat classification fusing temporal and morphological information of ECGs via ensemble of classifiers[J]. Biomedical Signal Processing and Control，2019，47：41-48.

[18]Chen X，Wang Y，Wang L. Arrhythmia Recognition and Classification Using ECG Morphology andSegment FeatureAnalysis[J]. IEEE/ACM transactions on computational biology and bioinformatics，2018，16（1）：131-138.

[19]Singh S，Pandey S K，Pawar U，et al. Classification of ECG arrhythmia using recurrent neural networks[J]. Procedia computer science，2018，132：1290-1297.

[20]Shang L，Yang Q，Wang J，et al.Detection of rail surface defects based on CNN image recognition and classification[C]// 2018 20th International Conference on Advanced Communication Technology （ICACT）.2018.

[21]Yanai K，Kawano Y . Food image recognition using deep convolutional network with pre-training and fine-tuning[C]// IEEE International Conference on Multimedia & Expo Workshops. IEEE，2015：1-6.

[22]Lei X，Pan H，Huang X . A dilated CNN model for image classification[J]. IEEE Access，2019，（99）：1-1.

[23]柯麗，王丹妮，杜強，姜楚迪.基于卷積長短時記憶網絡的心律失常分類方法[J].電子與信息學報，2020，42（08）：1990-1998.

[24]Kong Q，Xu Y，Wang W，et al. Audio Set Classification with Attention Model：A Probabilistic Perspective[C]//International Conference on Acoustics，Speech， and Signal Processing，ICASSP 2018，15-20 April 2018. 2018.

[25]Parikh A P，Tckstrm O，et al. A Decomposable Attention Model for Natural Language Inference[J].2016.

[26]Afkhami R G，Azarnia G，Tinati M A . Cardiac arrhythmia classification using statistical and mixture modeling features of ECG signals[J]. Pattern Recognition Letters，2016，70（Jan.15）：45-51.

[27]Mar T，Zaunseder S，Marti?Nez J P，et al. Optimization of ECG Classification by Means of Feature Selection[J]. 2011，58（8）：2168-2177.

[28]李潤川，張行進，王旭，陳剛，冀沙沙，王宗敏.基于單心搏活動特征與BiLSTM-Attention模型的心律失常檢測[J].計算機應用與軟件，2019，36（10）：145-150.