基于ResNet與BiLSTM的心電QRS波群檢測方法

黃毅 孫為軍 王丹雷 伍賢美 袁永浩

開發設計

基于ResNet與BiLSTM的心電QRS波群檢測方法

黃毅 孫為軍 王丹雷 伍賢美 袁永浩

（廣東工業大學，廣東 廣州 510006）

為快速準確地檢測出心電信號中的QRS波群，提出一種基于殘差網絡（ResNet）與雙向長短期記憶網絡（BiLSTM）的深度學習模型—ResBiLSTM，檢測QRS波群的起始點和終點。實驗結果表明：相比于傳統的QRS波群檢測方法，ResBiLSTM提高了檢測效率，且具有較強的魯棒性，能夠準確檢測不同形態的QRS波群。

心電信號；QRS波群；殘差網絡；雙向長短期記憶網絡

0　引言

QRS波群是心電信號最顯著和最重要的特征[1]，通過檢測QRS波群可以獲取用于診斷的生物信息，如心率和呼吸信號[2]可用于心跳分類[3]等。目前，QRS波群檢測方法較多，傳統的QRS波群檢測方法有小波變換法[4-6]、希爾伯特變換法[7]和向量變換法[8]等。但這些檢測方法存在提取特征過于依賴經驗、模型參數固定和變換域計算量大等問題，導致檢測算法魯棒性差、效率低。

近年來，深度學習在計算機視覺和語音識別等領域應用廣泛。卷積神經網絡和循環神經網絡也逐漸應用于心電信號QRS波群的特征提取和檢測定位，這些神經網絡可實現端到端的QRS波群檢測，解決了傳統檢測方法模型參數固定和變換域計算量大等問題。XIANG等[9]搭建兩級一維卷積神經網絡模型，在MIT-BIH心率失常數據庫中獲得的靈敏度和陽性預測值分別為99.77%和99.91%。YUEN等[10]搭建CNN-LSTM神經網絡模型，在MIT-BIH噪聲壓力數據庫和歐洲ST-T噪聲壓力數據庫中都取得較好的QRS波群定位結果。CAI等[11]提出2種基于多拓展卷積塊的神經網絡模型，在MIT-BIH心率失常數據庫中獲得最高靈敏度和最高陽性預測值分別是99.95%和99.97%。雖然這些深度學習模型的QRS波群定位精度較高，但沒有檢測QRS波群的起始點和終點，無法通過這些模型計算QRS波群寬度。而QRS波群寬度是心電圖臨床醫學診斷的重要參數，常被用作心律失常的診斷依據。

本文提出一種基于殘差網絡（residual network, ResNet）與雙向長短期記憶網絡（bidirectional long short-term memory, BiLSTM）的心電QRS波群起始點和終點檢測方法。該方法通過構建ResBiLSTM進行QRS波群的特征提取和檢測，實現端到端的QRS波群檢測，從而提高QRS波群的檢測效率。

1 數據處理

1.1 QT數據庫

QT數據庫[13]共有105條15 min的雙導聯心電信號記錄，每條心電信號記錄由1個頭文件、1個信號文件和9個注釋文件組成，采樣頻率為250 Hz。其中，record.q1c注釋文件對信號文件中的3623個QRS波群做了標記。MARTíNEZ等[6]、DI MARCO等[14]、BOTE等[15]和王大雄等[16]在record.q1c文件標記QRS波群數據上做QRS波群起始點和終點的檢測。record.pu0注釋文件對信號文件中222026個QRS波群做了標記。本文在record.pu0文件標記QRS波群數據上做QRS波群起始點和終點的檢測，并從QT數據集中選擇92條心電信號記錄，其中64條用來訓練模型，剩下28條用來測試模型。

1.2 去噪

在心電信號QRS波群起始點和終點檢測過程中，去除噪聲是關鍵一步。如果直接將帶有基線漂移、高頻肌電干擾等噪聲的心電信號輸入ResBiLSTM模型，受這些噪聲干擾的模型無法準確學習QRS波群的有效特征，從而導致模型檢測QRS波群起始點和終點的準確率下降。目前，一般采用帶通濾波器[17]或小波變換[18-19]去除心電信號噪聲。本文采用基于帶通巴特沃斯濾波器的前向后向濾波器[20]去除基線漂移和高頻肌電干擾噪聲。心電信號Sel30去噪前圖和去噪后圖分別如圖1、圖2所示。

圖1 sel30去噪前

圖2 Sel30去噪后

1.3 切片數據

QRS波群標簽編碼后，其圖形是一條幅度為1的脈沖波形，脈沖波形的上升沿和下降沿位置分別對應QRS波群的起始點和終點。心電信號Sele0210的QRS波群標簽編碼圖如圖3所示。

圖3 Sele0210的QRS波群標簽編碼

2 方法

受2015年HEK提出的ResNet[12]結構啟發，本文采用一維卷積神經網絡構建4層殘差網絡模塊；再結合一維卷積層，雙向長短期記憶網絡和全連接層構建ResBiLSTM模型用來檢測QRS波群起始點和終點，模型結構如圖4所示。

ResBiLSTM模型的第一層一維卷積層有4個卷積核，卷積核大小為11×1，激活函數是LeakyReLU。4層殘差網絡模塊里的一維卷積層有4個卷積核，卷積核大小為21×1，激活函數是LeakyReLU。BiLSTM層有128個神經元，激活函數是ReLU。全連接層有2個神經元，激活函數是Softmax。ResBiLSTM模型訓練時，選擇Adam作為訓練優化器，設置學習率為10-3，訓練60個epoch，批量數據大小為128條切片數據。

最終模型得到采樣點屬于QRS波群的預測概率值是一條幅度為1的脈沖波形，脈沖波形的上升沿和下降沿位置就是QRS波群起始點和終點的檢測位置。

3　實驗和結果分析

為驗證本文提出的基于ResNet和BiLSTM的心電QRS波群起始點和終點檢測方法的有效性，用測試集數據測試ResBiLSTM模型。在QRS波群起始點和終點的檢測過程中，查找模型檢測的QRS波群起始點和終點附近150 ms[21]內是否存在對應注釋QRS波群的起始點和終點。

QRS波群基點包括起始點和終點，評估其檢測方法有4個指標：敏感度（）、陽性預測值（）、QRS波群基點位置的平均誤差（）和QRS波群基點位置誤差標準差()。表示所有正樣本有多少被模型判為正樣本；表示模型判為正的所有樣本中有多少是真正的正樣本；±反映QRS波群基點的位置誤差數據分布。這4個指標可以通過式(3)～式(6)計算。

QRS波群起始點和終點檢測如圖5所示。圖5中的(a)圖、(b)圖和(c)圖都是由上下子圖組成，其中上子圖是QRS波群標簽圖，下子圖是QRS波群檢測圖。

圖5 (a) Sel808的正常QRS波群起始點和終點檢測

圖5 QRS波群起始點和終點檢測

由圖5可知：本文提出方法能準確檢測正常QRS波群，倒置QRS波群和雙峰QRS波群。

在QT數據集上，本文提出的基于ResNet與BiLSTM的心電QRS波群起始點和終點檢測方法與其他檢測方法比較結果如表1所示。

表1 不同QRS波群起始點和終點檢測方法的比較結果

4　結語

本文提出一種基于ResNet與BiLSTM的心電QRS波群起始點和終點檢測方法，解決了傳統QRS波群檢測方法存在提取特征過于依賴經驗、模型參數固定和變換域計算量大等問題，具有檢測效率高、魯棒性強等特點，適用于實時的QRS波群檢測。

[1] SHARMA T, SHARMA K. QRS complex detection in ECG signals using locally adaptive weighted total variation denoising[J]. Computers in Biology and Medicine, 2017,87: 187-199.

[2]LANGLEY P, BOWERS E J, MURRAY A. Principal component analysis as a tool for analyzing beat-to-beat changes in ECG features: application to ECG-derived respiration[J]. IEEE Transactions on Biomedical Engineering,2010,57(4):821-829.

[3] BANERJEE S, MITRA M. Application of cross wavelet transform for ECG pattern analysis and classification[J].IEEE Transactions on Instrumentation and Measurement,2014,63(2): 326-333.

[4] LI C , ZHENG C,TAI C. Detection of ECG characteristic points using wavelet transforms[J]. IEEE Transactions on Biomedical Engineering, 1995, 42(1):21-28.

[5] SAHAMBI J S, TANDON S N, BHATT R K P. Using wavelet transforms for ECG characterization. An on-line digital signal processing system[J]. IEEE Engineering in Medicine and Biology Magazine, 1997, 16(1):77-83.

[6] MARTíNEZ J P, ALMEIDA R, OLMOS S, et al. A wavelet-based ECG delineator: evaluation on standard databases[J]. IEEE Transactions on Biomedical Engineering, 2004, 51(4): 570-581.

[7] BENITEZ D, GAYDECKI P A, ZAIDI A, et al. The use of the Hilbert transform in ECG signal analysis[J]. Computers in Biology and Medicine, 2001, 31(5): 399-406.

[8] MARTINEZ A, ALCARAZ R, RIETA J J. Automatic electrocardiogram delineator based on the phasor transform of single lead recordings[C]//2010 Computing in Cardiology. IEEE, 2010: 987-990.

[9] XIANG Y , LIN Z , MENG J . Automatic QRS complex detection using two-level convolutional neural network[J]. Biomedical Engineering Online, 2018, 17(1):13.

[10] YUEN B, DONG X, LU T. Inter-patient CNN-LSTM for QRS complex detection in noisy ECG signals[J]. IEEE Access, 2019, 7: 169359-169370.

[11] CAI W , HU D . QRS complex detection using novel deep learning neural networks[J]. IEEE Access, 2020 (99):1-1.

[12] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition, 2016: 770-778.

[13] LAGUNA P, MARK R G, GOLDBERG A, et al. A database for evaluation of algorithms for measurement of QT and other waveform intervals in the ECG[C]//Computers in cardiology 1997. IEEE, 1997: 673-676.

[14] DI MARCO L Y, CHIARI L. A wavelet-based ECG delineation algorithm for 32-bit integer online processing[J]. Biomedical Engineering Online, 2011, 10(1): 23.

[15] BOTE J M, RECAS J, RINCóN F, et al. A modular low-complexity ECG delineation algorithm for real-time embedded systems[J]. IEEE journal of Biomedical and Health Informatics, 2018, 22(2): 429-441.

[16] 王大雄,蔣云良,徐耕,等.基于LS估計檢測QRS波群寬度[J].中國生物醫學工程學報,2010,29(3):321-325.

[17] PAN J, TOMPKINS W J. A real-time QRS detection algorithm[J]. IEEE Transactions on Biomedical Engineering, 1985,32(3): 230-236.

[18] KADAMBE S, MURRAY R, BOUDREAUX-BARTELS G F. Wavelet transform-based QRS complex detector[J]. IEEE Transactions on Biomedical Engineering, 1999, 46(7): 838-848.

[19] ELHANINE M, ABDELMOUNIM E, HADDADI R, et al. Electrocardiogram signal denoising using descrete wavelet transform[C]// 2014 International Conference on Multimedia Computing and Systems(ICMCS).IEEE, 2014.

[20] GUSTAFSSON F. Determining the initial states in forward-backward filtering[J]. IEEE Transactions on Signal Processing, 1996, 44(4): 988-992.

[21] Association for the Advancement of Medical Instrumentation. Testing and reporting performance results of cardiac rhythm and ST segment measurement algorithms[R]. ANSI/AAMI EC38, 1998, 1998.

[22] CSE Working Party. Recommendations for measurement standards in quantitative electrocardiography[J]. European Heart Journal, 1985, 6(10): 815-825.

QRS Complexes Detection Method of Electrocardiogram Signal Based on ResNet and BiLSTM

Huang Yi Sun Weijun Wang Danlei Wu Xianmei Yuan Yonghao

(Guangdong University of Technology, Guangzhou 510006, China)

In order to detect QRS complexes quickly and accurately, a deep learning model based on residual network (ResNet) and bidirectional long short-term memory network (BiLSTM) is proposed and the model is ResBiLSTM. The ResBiLSTM can detect the start and end points of QRS complexes. The experimental results show that compared with the traditional QRS complexes detection methods, ResBiLSTM not only improves the detection efficiency, but also has strong robustness ,which can accurately detect different forms of QRS complexes.

electrocardiogram; QRS complexes; residual network; bidirectional long short-term memory

TN911.7; TP183

A

1674-2605(2021)01-0005-06

10.3969/j.issn.1674-2605.2021.01.005

黃毅，男，1993年生，碩士研究生，主要研究方向：深度學習，模式識別，生物信號處理。E-mail:1216621782@qq.com