基于多通道卷積的心電信號識別方法

魏中杰，許少華

(山東科技大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，山東 青島 266590)

0 引 言

心血管疾病是當(dāng)今社會的頭號死因[1]，因而基于心電信號(electrocardiogram，ECG)[2,3]的心血管疾病自動識別是當(dāng)前醫(yī)療人工智能領(lǐng)域的熱點(diǎn)問題，Kiranyaz等[4]提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)并適用于可穿戴設(shè)備的心電信號識別方法；Zhou等[5]提出了一種一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行AF檢測的方法；Pranav Rajpurkar等[6]建立了34層卷積神經(jīng)網(wǎng)絡(luò)，對14種心電圖進(jìn)行分類；Patrick Schwa等[7]建立了一種多樣化的循環(huán)神經(jīng)網(wǎng)絡(luò)用于區(qū)分正常、竇性心律、心房顫動以及其它類型的心率失常；Hong等[8]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)與決策樹的方法對心房顫動進(jìn)行診斷；Rajan等[9]提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林分類算法的RNN+RF深度神經(jīng)網(wǎng)絡(luò)，采用多導(dǎo)聯(lián)心電信號診斷心肌梗死；Acharya等[10]建立了11層卷積神經(jīng)網(wǎng)絡(luò)，對心力衰竭進(jìn)行識別。

上述方法在對心電信號分類過程中存在一定的局限性：

(1)分類過程中大都采用一個或幾個導(dǎo)聯(lián)參與診斷，而醫(yī)學(xué)診斷過程中不同種類心臟疾病的異常特征有時會出現(xiàn)在不同導(dǎo)聯(lián)當(dāng)中，因此上述模型大都無法擴(kuò)展至更多種類的心臟疾病診斷當(dāng)中。

(2)上述算法都從時變信號的角度出發(fā)，關(guān)注信號的數(shù)值變化，而醫(yī)生在進(jìn)行疾病診斷的過程當(dāng)中需要參考病人的心電圖形的變化，因而上述方法的診斷方式與醫(yī)生的診斷過程相比缺少對于波形特征的參考，且無法同時處理信號與圖像。

(3)上述方法當(dāng)中大都基于心拍進(jìn)行的分類診斷，因而在診斷之前需要心拍的分割，這里往往需要人工參與，增加標(biāo)注的成本。

考慮到上述方法在對心電信號處理過程當(dāng)中的不足，本文設(shè)計(jì)一種多通道深度卷積神經(jīng)網(wǎng)絡(luò)模型：

(1)該模型針對12個導(dǎo)聯(lián)進(jìn)行訓(xùn)練，使其后期可以擴(kuò)展至更多種類的疾病。

(2)能夠同時處理信號與圖形的特征，并使用信號與圖形兩類特征參與診斷，更加符合醫(yī)生的診斷規(guī)則。

(3)該模型基于一段信號分類，不需標(biāo)注心拍，更加符合自動化檢測的規(guī)則。

1 算法思想

為了將信號與波形特征都參與診斷，本文將信號數(shù)據(jù)轉(zhuǎn)為圖像后再與原數(shù)據(jù)組成新的數(shù)據(jù)集,該數(shù)據(jù)集中的心電數(shù)據(jù)中包含時變信號數(shù)據(jù)以及圖像數(shù)據(jù)。而在卷積神經(jīng)網(wǎng)絡(luò)中，處理信號通常需要采用一維卷積核，處理圖像需要采用二位卷積核，因而一條深度卷積網(wǎng)絡(luò)模型無法同時處理信號與圖形數(shù)據(jù)。因此本模型將不同數(shù)據(jù)經(jīng)過不同卷積通道處理后在進(jìn)行分類，其基本思想為：不同類型的數(shù)據(jù)通過不同通道中不同維度(所使用的卷積核的維度不同，針對處理圖像數(shù)據(jù)的通道選擇二維卷積核，處理時變信號數(shù)據(jù)的通道選擇一維卷積核)的卷積處理后得到相同類型的輸出向量，再將相同類型的向量融合后用于診斷。方法處理的基本步驟為：

步驟1 針對圖像以及信號數(shù)據(jù)各設(shè)計(jì)并預(yù)訓(xùn)練一條卷積神經(jīng)網(wǎng)絡(luò)，預(yù)訓(xùn)練通過端到端的方式完成，訓(xùn)練的標(biāo)簽為其所對應(yīng)的疾病標(biāo)簽。

步驟2 裁剪掉各預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)部分全連接層，裁剪后的每個網(wǎng)絡(luò)即為一條通道。裁剪后無論信號數(shù)據(jù)還是圖像數(shù)據(jù)在通過各自的網(wǎng)絡(luò)處理后都會得到一條一維的特征向量。

步驟3 將不同通道輸出的特征向量按照拼接的方式融合，得到一個新的特征向量，該條特征向量同時包含心電數(shù)據(jù)的時序數(shù)值特征與不同導(dǎo)聯(lián)的波形特征。

步驟4 針對新的向量設(shè)計(jì)并訓(xùn)練新的全連接層，在新向量通過全連接層處理后通過Softmax完成分類。

通過上述處理可以得到一個能夠同時處理不同類型數(shù)據(jù)的網(wǎng)絡(luò)模型，該模型可以更加全面地處理心電數(shù)據(jù)各個方向上的特征并用于診斷。

對于一個樣本進(jìn)行診斷的完整步驟為：不同類別數(shù)據(jù)通過不同通道提取特征—通道輸出的特征進(jìn)行融合—通過全連接層處理—完成分類。

2 算法原理

對于心電信號進(jìn)行分類是傳統(tǒng)的模式識別問題，問題描述如式(1)

c=g(f(x,θf),θg)

(1)

c代表預(yù)測神經(jīng)元的輸出，g(·,θg)為預(yù)測函數(shù)，θg為其相關(guān)參數(shù)，f(·,θf)為特征提取函數(shù)，θf為其參數(shù)。根據(jù)相關(guān)樣本及其標(biāo)簽選擇適當(dāng)?shù)膿p失函數(shù)，通過優(yōu)化求解損失函數(shù)獲得參數(shù)θg，θf，可以表述為式(2)，其中L(·)代表度量預(yù)測值與真實(shí)類別的損失函數(shù),S(·)代表Softmax分類函數(shù)，y代表真實(shí)類別

(2)

深度學(xué)習(xí)將特征提取與分類器的訓(xùn)練統(tǒng)一用深度神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行建模，并實(shí)現(xiàn)端到端的學(xué)習(xí)。學(xué)習(xí)過程中需要選擇適當(dāng)?shù)膿p失函數(shù)，本文選擇了交叉熵?fù)p失函數(shù)[11]，表示如式(3)

(3)

其中，oi為ci經(jīng)過Softmax處理所得到的預(yù)測概率，o為包含所有類別預(yù)測概率的向量，且0

(4)

計(jì)算交叉熵?fù)p失函數(shù)L(·)對oi的偏導(dǎo)數(shù)可見參考文獻(xiàn)[11]。求得偏導(dǎo)數(shù)后再根據(jù)反向傳播算法[12]對網(wǎng)絡(luò)權(quán)重進(jìn)行更新。

在本文中，同時考慮了信號以及不同導(dǎo)聯(lián)的圖像特征，因此樣本x={x1,x2,…,xn}，xi代表一個樣本中的不同類型的數(shù)據(jù)，由于類型不同，無法通過同一個特征提取函數(shù)來處理，因此本文中針對各部分使用不同的特征提取函數(shù)fi(·,θfi)來初步提取特征，再將提取的各部分特征融合得到新的特征向量xnew，如式(5)，后使用新的函數(shù)gnew(xnew,gnew)進(jìn)一步提取特征并最終完成分類，如式(6)

xnew=[f1(x1,θf1),f2(x2,θf2),…,fn(xn,θfn)]

(5)

c=gnew(xnew,θnew)

(6)

其中，fi(xi,θfi)代表提取xi中的特征，θfi通過優(yōu)化求解式(7)得到。根據(jù)得到的θfi提取xi中的特征，即fi(xi,θfi)。gnew(·,θnew)為最終的分類函數(shù)，θnew通過優(yōu)化求解式(8)求得

(7)

(8)

θfi與θgi為針對xi的一個分類器的完整參數(shù)，借用遷移學(xué)習(xí)的思想主要是保留訓(xùn)練好的部分參數(shù)θfi提取特征fi(xi,θfi)。

3 模型結(jié)構(gòu)與參數(shù)

3.1 模型結(jié)構(gòu)

本文對心電數(shù)據(jù)處理的方法涉及圖像與時變信號兩種類型的數(shù)據(jù)，而卷積神經(jīng)網(wǎng)絡(luò)在信號與圖像方面皆有廣泛應(yīng)用并取得較好的效果[13-15]，故可以選擇卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行處理，設(shè)計(jì)合理有效的二維CNN模型與一維CNN模型，使其分別提取心電圖像的波形特征與心電信號的數(shù)值特征。

典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。由卷積、歸一化、池化、激勵以及全連接層構(gòu)成。

圖1 典型卷積神經(jīng)網(wǎng)絡(luò)模型

本文中模型的主要卷積網(wǎng)絡(luò)模型，主要包括4個部分：

(1)一維卷積網(wǎng)絡(luò)模型CNN4，通過訓(xùn)練并裁剪該模型獲得處理心電信號的通道。

(2)二維卷積網(wǎng)絡(luò)模型CNN1-CNN3，通過訓(xùn)練并裁剪該模型獲得處理心電圖像的通道。

(3)多通道網(wǎng)絡(luò)模型，包括多通道圖像模型以及多通道圖像+信號模型，該模型用來處理經(jīng)過各通道處理后的特征。

(4)相關(guān)模型。

一維卷積神經(jīng)網(wǎng)絡(luò)模型CNN1與二維卷積神經(jīng)網(wǎng)絡(luò)模型CNN1-CNN3結(jié)構(gòu)如圖1所示，即為普通卷積網(wǎng)絡(luò)模型。

多通道網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖2所示。該模型主要由多通道與全連接兩個部分構(gòu)成，多通道部分中每個Channel為已經(jīng)訓(xùn)練并截取完成的一個網(wǎng)絡(luò)。全連接部分為針對融合后的向量所設(shè)計(jì)的新的全連接層。

圖2 多通道網(wǎng)絡(luò)結(jié)構(gòu)

3.2 模型參數(shù)

3.2.1 一維卷積網(wǎng)絡(luò)參數(shù)設(shè)計(jì)

使用一維卷積網(wǎng)絡(luò)結(jié)構(gòu)提取時變信號數(shù)據(jù)的數(shù)值特征，該網(wǎng)絡(luò)包含5層卷積，后接兩個全連接層。5層卷積層中卷積核的個數(shù)依次為：32、64、64、128、128，設(shè)定卷積核大小均為1×5，步長均為1，激勵函數(shù)采用Relu，池化方式為最大池化且步長全部為4，在卷積與池化過程中邊界均不補(bǔ)零。后接兩層的全連接層，神經(jīng)元的個數(shù)依次為256、3。

3.2.2 二維卷積網(wǎng)絡(luò)參數(shù)設(shè)計(jì)

二卷積神經(jīng)網(wǎng)絡(luò)提取心電圖像的特征，卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，該卷積網(wǎng)絡(luò)結(jié)構(gòu)共包含4層卷積，最后接兩層全連接層。該CNN模型中卷積核的個數(shù)依次為：32、64、128、256,大小均為5×5，步長為1。所有池化層均選擇最大池化的方法，4層池化的步長依次為：(4,4),(5,5),(5,5),(4,4)。激活函數(shù)為LReLU,卷積與池化過程中邊界作補(bǔ)零處理。

3.2.3 多通道網(wǎng)絡(luò)參數(shù)設(shè)計(jì)

截取訓(xùn)練好的4個CNN分類器的部分全連接層構(gòu)成4個通道，其中3個圖像分類器只保留卷積層，保留后3個通道的輸出均為1×512的向量，1個信號分類器保留至第1個全連接層，該通道的輸出為1×256的向量。在預(yù)訓(xùn)練4個網(wǎng)絡(luò)的基礎(chǔ)上，設(shè)計(jì)了3通道圖像分類器與4通道圖像+序列分類器。

3通道圖像分類器將3圖像通道輸出的向量按照拼接方式形成新的向量，該向量包含12導(dǎo)聯(lián)的波形特征，向量大小為1×1536，新的全連接層結(jié)構(gòu)為：Input—FC1—FC2—FC3，神經(jīng)元的個數(shù)以此為：1536—64—32—3，損失函數(shù)為交叉熵?fù)p失。

圖像+序列分類器將4個通道所輸出的向量按照拼接方式形成新的向量，該向量的大小為1×1792。新的全連接層結(jié)構(gòu)：Input—FC1—FC2—FC3，神經(jīng)元的個數(shù)依次為：1792—256—64—3。該階段損失函數(shù)依舊為交叉熵?fù)p失。

3.2.4 相關(guān)模型參數(shù)

本文在實(shí)驗(yàn)過程當(dāng)中亦進(jìn)行了相關(guān)的對比實(shí)驗(yàn)，主要包括基于卷積神經(jīng)網(wǎng)絡(luò)的單導(dǎo)聯(lián)圖像、信號以及集成CNN模型。其模型結(jié)構(gòu)為：

單導(dǎo)聯(lián)圖像模型，包含4個卷積層，CNN模型中卷積核的個數(shù)依次為：16、32、64、128，大小均為5×5，步長為1，后接兩層的全連接層，神經(jīng)元的個數(shù)依次為256、3。

單導(dǎo)聯(lián)序列模型，包含5個卷積層，CNN模型中卷積核的個數(shù)依次為：16、32、64、128、128，大小均為1×5，步長為1，后接兩層的全連接層，神經(jīng)元的個數(shù)依次為128、3。

集成CNN模型在CNN4模型的基礎(chǔ)上進(jìn)行的，將數(shù)據(jù)集分為6份，分別訓(xùn)練得到6個CNN4，最后進(jìn)行隨機(jī)森林的投票分類。

4 實(shí) 驗(yàn)

4.1 ECG數(shù)據(jù)準(zhǔn)備與處理

為了得到足夠多且有效的數(shù)據(jù)，本文選擇了中國心血管疾病數(shù)據(jù)庫[16](the Chinese cardiovascular disease database，CCDD)中的ECG樣本，每個樣本的采樣頻率為500 Hz，記錄時間為10 s左右，并且包含專家的標(biāo)注結(jié)果，同時所有樣本皆包含12個導(dǎo)聯(lián)。所用數(shù)據(jù)集中疾病與樣本個數(shù)見表1。為了便于計(jì)算，本文實(shí)驗(yàn)中統(tǒng)一對每個導(dǎo)聯(lián)截取4500個采樣點(diǎn)，再將其抽析為2250維的向量。處理之后，每個樣本包含12個導(dǎo)聯(lián)，每個導(dǎo)聯(lián)包含2250個采樣點(diǎn)。

表1 數(shù)據(jù)集分布

由于心電信號數(shù)據(jù)在采集過程中會受到噪聲的影響，因而在實(shí)驗(yàn)前需對數(shù)據(jù)進(jìn)行降噪處理。本文選擇低通濾波的處理方法，使用巴特沃斯濾波器(Butterworth)對數(shù)據(jù)進(jìn)行處理，處理過程中的截止頻率Wn為0.08，濾波器的階數(shù)N為4。

山風(fēng)比午間更加狂烈，呼嘯著，像一群怨魂，在天葬場的地面處游蕩。白鷲仍然沒有離去，它們中的一些盤旋在眾人的頭頂上空，另一些則站在天葬臺對面的高坡上，不時發(fā)出一聲聲令人揪心的悲鳴。

同時需要將心電信號轉(zhuǎn)為灰度圖像，為了保證得到足夠清晰的圖像，每條導(dǎo)聯(lián)對應(yīng)的圖像分辨率為700×100，此時進(jìn)行單導(dǎo)聯(lián)分類所得到的識別率為88.6%，進(jìn)一步將分辨率調(diào)整為800×150，其識別率為88.8%，幾乎無提高。同時如果將12導(dǎo)聯(lián)繪制在同一張圖像當(dāng)中，所得到的圖像分辨率為700×1200，圖像過大導(dǎo)致訓(xùn)練難度增加，因此12導(dǎo)聯(lián)轉(zhuǎn)為3張圖像，既降低了圖像的大小，減少了訓(xùn)練難度，又能夠保持部分導(dǎo)聯(lián)間所存在的組合特征。

為此將12個導(dǎo)聯(lián)分為3組，每組所包含的導(dǎo)聯(lián)見表2，每組4個導(dǎo)聯(lián)繪制在分辨率為700×400的圖像當(dāng)中，利用python中的繪圖，將采樣點(diǎn)繪制為圖像，每個樣本得到如圖3所示的3張圖像，其中圖3(a)、圖3(b)、圖3(c)分別對應(yīng)組別1、2、3。

表2 每組所包含的導(dǎo)聯(lián)

最終每個樣本轉(zhuǎn)換為一個12×2250的二維矩陣和3張分辨率為700×400的心電圖像。

圖3 心電圖像

4.2 實(shí)驗(yàn)環(huán)境

本文當(dāng)中的實(shí)驗(yàn)環(huán)境包括兩個部分：

(1)實(shí)驗(yàn)數(shù)據(jù)預(yù)處理環(huán)境

硬件環(huán)境為：Inter(R) Core(TM)i5-4200 h CPU @2.8 GHZ，8 GB內(nèi)存

軟件環(huán)境為：Windows10操作系統(tǒng)，MATLAB R2016b win64平臺

硬件環(huán)境為：Intel(R) Xeon(R) Gold 5118 CPU@2.3 GHz，NVIDIA TITAN X GPU，32 G內(nèi)存。

軟件環(huán)境為：16.04.1-Ubuntu 系統(tǒng)，Python3.6.4|Ana-conda+tenserf1ow1.11.1平臺。

4.3 實(shí)驗(yàn)過程

本次實(shí)驗(yàn)的基本步驟為：

(1)數(shù)據(jù)的處理；

(2)分別訓(xùn)練基于3組圖像的3個卷積網(wǎng)絡(luò)CNN1-CNN3；

(3)訓(xùn)練基于12導(dǎo)聯(lián)信號的卷積網(wǎng)絡(luò)CNN4；

(4)裁剪CNN1-CNN4，獲得4個通道；

(5)訓(xùn)練融合CNN1-CNN3的多通道模型；

(6)訓(xùn)練融合CNN1-CNN4的多通道模型；

(7)對比實(shí)驗(yàn)，訓(xùn)練對比模型。

在訓(xùn)練CNN分類器的過程中，epoch為40，即對訓(xùn)練集迭代40次，圖像分類器中Batchsize為8，信號分類器中Batchsize為64，初始學(xué)習(xí)率為0.001,并隨著迭代次數(shù)的增加而指數(shù)衰減，衰減系數(shù)為0.95，衰減的速度為每個epoch一次。模型的訓(xùn)練過程中選擇交叉熵?fù)p失(Cross-entropy)作為該網(wǎng)絡(luò)的損失函數(shù),采用自適應(yīng)動量估計(jì)[17](Adam)進(jìn)行優(yōu)化求解。

在訓(xùn)練融合后的全連接層的過程中，epoch為30，Batchsize為274，初始學(xué)習(xí)率為0.001，衰減方案與訓(xùn)練CNN分類器時相同。

4.4 實(shí)驗(yàn)結(jié)果

在本數(shù)據(jù)集的基礎(chǔ)上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表3。CNN1-CNN4為預(yù)訓(xùn)練的分類器，其中CNN1-CNN3分別為3個圖像分類器，每個分類器針對一組導(dǎo)聯(lián)所轉(zhuǎn)換為的心電圖像；CNN4為信號分類器，采用12個導(dǎo)聯(lián)信號數(shù)據(jù)分類；多通道圖像為多通道遷移CNN1-CNN3,利用波形特征分類；圖像+序列為多通道遷移CNN1-CNN4網(wǎng)絡(luò)，利用波形與數(shù)值兩類特征分類。其中單導(dǎo)聯(lián)序列、CNN4信號以及集成CNN均為傳統(tǒng)上采用時變信號的傳統(tǒng)方式。

表3 實(shí)驗(yàn)結(jié)果

由表3可以觀察到，無論是采用時間序列還是圖像的方式，單導(dǎo)聯(lián)的分類方法均低于多導(dǎo)聯(lián)。采用圖像方法的識別率要略高于采用時間序列的方法，其中單導(dǎo)聯(lián)圖像方法相較于單導(dǎo)聯(lián)序列提高了1.3%；CNN1-CNN3遷移融合(即采用12導(dǎo)聯(lián)圖像的方式)的分類方法相較于12導(dǎo)聯(lián)矩陣序列以及集成CNN模型的方式有略微提高，融合了波形與數(shù)值特征的多通道圖像+序列分類方法相較于傳統(tǒng)的12導(dǎo)聯(lián)分類方法提高了1.1%，集成CNN模型提高了1%；多通道圖像提高了0.7%。

4.5 對比分析

這次實(shí)驗(yàn)進(jìn)行了一系列的對比實(shí)驗(yàn)，直接使用了3個深度卷積神經(jīng)網(wǎng)絡(luò)模型對心電信號進(jìn)行分類，這包括文獻(xiàn)[6]中所提出的基于34層卷積神經(jīng)網(wǎng)絡(luò)的分類方法、文獻(xiàn)[9]中所提出的基于RNN+RF的分類方法、文獻(xiàn)[10]中所提出的基于11層一維卷積神經(jīng)網(wǎng)絡(luò)的分類方法，在相同樣本集的情況下，將這3個模型與本文方法進(jìn)行了比較。

在對比實(shí)驗(yàn)中，CNN-34layers模型網(wǎng)絡(luò)包含16個residual blocks組成，并且每個塊包含2個卷積層。每個塊中的卷積層的濾波器長度均為16，并且具有64k個濾波器，其中k以1開始，并且每4個塊增加1；CNN-11layer模型包括4個卷積、4個最大池和3個完全連接的層，步幅(濾鏡移動量)設(shè)置為1和2，卷積核為1×5；在RNN+RF模型中構(gòu)建的每個LSTM中的隱藏層設(shè)置為6，在特征向量空間中建立隨機(jī)森林分類器以進(jìn)行分類。

在本數(shù)據(jù)集的基礎(chǔ)上，以端到端的方式相關(guān)訓(xùn)練，實(shí)驗(yàn)結(jié)果見表4。

表4 ECG分類方法與結(jié)果

通過以上對比可以發(fā)現(xiàn)，本文分類方法將12個導(dǎo)聯(lián)參與診斷，相較于其它方法考慮到了疾病在不同導(dǎo)聯(lián)上的不同特征，同時也將波形特征參與到診斷當(dāng)中，因而處理過程更加符合醫(yī)生診斷的規(guī)則，使更多更全面的特征參與到診斷過程中，因而取得了較好的效果。

為了檢驗(yàn)?zāi)Ｐ偷臅r效性，本文測試了圖像+序列網(wǎng)絡(luò)的GPU與CPU運(yùn)行時間，采用圖像處理器硬件加速(GPU)實(shí)現(xiàn)算法，處理一個樣本所需要的時間為0.027 s,在不使用GPU的情況下，單獨(dú)使用CPU處理樣本所需要的時間為0.21 s。

5 結(jié)束語

本文借鑒醫(yī)生對心臟病人的診斷過程,提出了一種能夠提取并融合心電數(shù)據(jù)波形與數(shù)值特征的多通道卷積神經(jīng)網(wǎng)絡(luò)模型，該模型在多通道利用卷積神經(jīng)網(wǎng)絡(luò)自動提取波形與數(shù)值特征，再借用遷移學(xué)習(xí)的思想，在全連接層將波形特征與數(shù)值特征融合，關(guān)注了信號不同方面的特征，取得了95.6%的分類準(zhǔn)確率。本文實(shí)驗(yàn)驗(yàn)證了該方法的可行性，下一步的研究方向主要考慮利用卷積神經(jīng)網(wǎng)絡(luò)識別心電圖像中的異常區(qū)域。