基于卷積神經網絡特征提取與融合的心律失常分類*

徐晨華，葉思超，喬清理

(天津醫科大學生物醫學工程與技術學院，天津 300070)

1 引 言

心律失常是心血管疾病最顯著的表現，嚴重的心律失常可能會導致心臟驟停，甚至死亡。便攜式可穿戴設備可實現對患者的長期監測，達到早期識別心律失常的目的，但其必須滿足識別準確度高、重量輕、能耗低、識別速度快等要求，因此，在降低計算復雜度的基礎上，提高心律失常的分類準確度具有重要意義。

隨著技術的發展，機器學習方法被應用于心律失常分類[1-4]。Mondéjar-Guerra等[2]提取心電信號的RR間期特征、小波特征、高階統計特征等，輸入到支持向量機中，獲得了95.9%的準確度。但人工提取特征高度依賴于經驗，難以提取隱含特征，并且會引入大量計算，無法滿足計算簡單的要求。后來，卷積神經網絡(convolutional neural network, CNN)被應用于心律失常分類[5-6]。基于CNN的方法具有從輸入中獨立學習特征并分類的能力。Rajpurkar等[5]訓練了一個34層的CNN，可以實現心律失常自動分類，其靈敏度和準確度均超過了心臟病專家的平均水平。如果使用較淺的CNN，則很難學習心電信號中的深層次特征，而當網絡深度增加時，網絡參數將成指數倍增加，計算負擔加重[7]。

本研究將人工提取特征和CNN自動提取特征的優勢相結合，提出了一種基于CNN的抗噪聲自動心律失常分類方法。使用CNN對原始心電信號和小波分量進行特征提取并與RR間期特征進行融合，再使用softmax函數對心拍進行自動分類。為驗證特征融合的有效性，對特征融合前后的網絡進行性能評估對比。

2 實驗數據

實驗數據來自MIT-BIH心律失常數據庫[8]。該數據庫包含48條數據，每條數據持續30 min，采樣頻率為360 Hz，提供約110 000個心拍[9]。醫療器械促進協會(AAMI)將心律失常分為五類：正常心拍(normal beat, N)、室上性異位心拍(superventricular premature beat, S)、心室異位心拍(ventricular ectopic beat, V)、融合心拍(fusion beat, F)和未知心拍(unknown beat, Q)。未知心拍是由于信噪比過低而無法準確識別的心拍。因此，只對N、S、V、F四類心拍進行研究。

II導聯是診斷心臟病最常用的導聯之一[10]。研究中使用修正后的II導聯數據(MLII)。

3 方法

3.1 數據集劃分

去除使用心臟起搏器的4條心電數據(102、104、107和217)。將數據分為不含相同患者信息的兩個數據集DS1和DS2[11]。DS1數據編號為：101、106、108、109、112、114、115、116、118、119、122、124、201、203、205、207、208、209、215、220、223、230。DS2數據編號為：100、103、105、111、113、117、121、123、200、202、210、212、213、214、219、221、222、228、231、232、233、234。

本研究使用主動學習的訓練方式[12]。將訓練集分為全局訓練集和個體訓練集。使用全局訓練集訓練一個模型，當遇到新患者時，為新患者的一部分數據制作標簽，作為個體訓練集對模型進行微調，用微調后的模型預測剩下的數據。研究中，DS1數據集充當全局訓練集。DS2數據集的前5 min數據作為個體訓練集，引入患者特異性。將去除前5 min的DS2數據作為測試集。此做法符合AAMI標準。

3.2 心拍分割

特征提取之前需要將完整的心電信號分割為單個心拍。使用數據庫中標記的R峰位置對心電信號進行分割。為了表征一個完整的心拍周期，本研究取R峰前100個點、R峰后150個點，共250個點表征一個心拍，并制作標簽。

3.3 人工特征提取

RR間期表示兩個相鄰心拍R峰之間的時間間隔，能夠有效區分心律失常的類型[13]。使用前RR間期和后RR間期表征心電信號的時域信息。根據式(1)、式(2)計算RR間期特征。

rrpre=rcur-rpre

(1)

rrpost=rpost-rcur

(2)

其中，rcur表示當前R峰的位置，rpre表示前相鄰R峰的位置，rpost表示后相鄰R峰位置，rrpre為前RR間期，rrpost為后RR間期。

心電信號中，QRS波群包含的信息最多，對該部分進行小波特征提取。以R峰為中心選取44個點表示QRS波群。使用離散小波變換(db4)將QRS波群信號分解為四個尺度，分別為D2、D3、D4、A4，并重建每個尺度的小波分量。

3.4 網絡結構設計

CNN可以自動提取ECG信號的有效特征。研究中，提出一種用于心律失常分類的CNN，網絡結構見圖1。網絡分為四個模塊：輸入、特征提取、特征融合、分類。

輸入模塊。網絡包括三部分輸入：尺寸為250×1的心拍信號，4個尺寸為44×1的小波特征，尺寸為2×1的RR間期特征。

特征提取模塊。構建網絡提取心拍波形特征和深層小波特征。提取心拍波形特征時，對心拍波形進行卷積核為9×1的卷積操作。對卷積結果進行批量歸一化后再進行非線性激活處理，非線性激活函數使用Relu函數。對得到的特征圖進行最大池化操作，步長為4，能夠減少特征數，降低計算量。對得到的特征圖再進行大小為9×1的卷積操作、批量歸一化和Relu激活。為防止過擬合，加入Dropout層。最終得到大小為45×16的特征向量；提取深層小波特征時，對四個小波分量D2、D3、D4、A4分別進行卷積，卷積核大小為9×1，并在卷積操作之后使用Relu激活函數，平均池化后最終得到22個4×4的特征向量。

特征融合與分類模塊。將網絡提取的特征向量和RR間期特征拼接后輸入到全連接層進行融合，并在輸出層使用softmax函數分類。CNN結構具體配置參數見表1。

表1 CNN結構具體配置Table 1 Specific configuration of convolutional neural network structure

3.5 網絡訓練

使用交叉熵損失函數，通過Adam優化器在訓練過程中對權重和偏置進行優化。當20次迭代內損失值不再下降時，停止迭代，保存準確率最高的模型。

注：Conv Modular由一維卷積層Conv1D、批量歸一化BN、激活函數ReLu組成，Maxpool1D表示一維最大池化層，Dropout表示隨機失活層，Flatten層把多維的輸入一維化，Averagepool1D表示一維平均池化層，Concatenate表示拼接層，fc為全連接層。圖1 網絡結構圖Fig.1 Network structure diagram

3.6 評價指標

本研究提出的算法已在MIT-BIH心律失常數據庫中得到驗證。選取準確度(Acc)、靈敏度(Se)和陽性預測值(P+)來評估模型的性能，計算公式如下：

(3)

(4)

(5)

其中，TP(True Positive)為真陽性數量，FP(False Positive)為假陽性數量，TN(True Negative)為真陰性數量，FN(False Negative)為假陰性數量。

4 實驗結果

4.1 特征融合前后實驗結果對比

使用測試集對特征融合前后的網絡分別進行了測試，計算了特征融合前后各類心拍的靈敏度、陽性預測值以及總體準確度、平均靈敏度、平均陽性預測值，見表2。僅使用CNN對心拍進行特征提取，所得結果在F類心拍上表現較差，靈敏度僅為37.15%。使用CNN對心拍和小波分量進行特征提取并融合，主要改善了V類的分類性能，使其達到了91.03%靈敏度。當使用CNN對心拍進行特征提取，并與RR間期特征進行融合時，取得了最佳的S類靈敏度。將提取的所有特征進行融合后，網絡的總體準確度達到了98.12%，且各類心拍均取得了較高的靈敏度和陽性預測值，分類性能較融合前有了極大的提升。

表2 性能評估結果Table 2 Performance evaluation results

4.2 噪聲對分類結果的影響

為了評估噪聲對分類結果的影響，向原始心電數據疊加四種不同信噪比的高斯白噪聲，以及使用db8小波對原始信號進行去噪。以單個心拍為例，原始波形圖以及經過處理后的心拍波形見圖2。使用構建的CNN對增加和去除噪聲后的信號進行分類，結果見表3。

圖 2 原始心拍與增加、去除噪聲后的心拍波形圖Fig. 2 Original heartbeat and heartbeat waveform after adding and removing noise

表3 抗噪能力測試結果Table 3 Noise immunity test results

根據表3數據，疊加10 dB信噪比噪聲時，網絡的各項性能指標均有所下降。由圖2(c)可知，疊加10 dB噪聲的心拍波形嚴重失真，雖然分類效果有所下降，但仍然可以達到95.69%的總體準確度，具有一定的參考價值。

當疊加信噪比大于等于20 dB的噪聲時，總體準確度無顯著變化，且各類別性能評價指標相差不大。網絡對去除基線漂移和高頻噪聲后的信號分類的總體準確度最高。

4.3 與其他心律失常分類方法的對比

表4顯示了其他同樣符合AAMI標準的分類方法的性能評估指標結果，每項指標的最佳結果加粗顯示。Kiranyaz等[12]使用一維CNN對MIT-BIH數據庫中24條心電數據進行測試，得到95.13%的總體準確度；Luo等[14]使用了一種頻率切片小波變換的方法產生心拍的時頻圖，構建深度神經網絡提取心拍特征并分類，取得了97.5%的總體準確度；Xiang等[15]提出了一種基于注意機制的兩級特征提取方法，得到了96.74%的總體準確度。通過對比，本研究方法的N、S類靈敏度和陽性預測值以及總體準確度更高。

表4 心律失常分類方法及性能評估指標Table 4 Arrhythmia classification methods and performanceevaluation indicators

5 討論

本研究構建CNN對心拍和QRS波群小波分量進行自動特征提取，融合RR間期特征，使用softmax函數對心拍進行分類。通過對比特征融合前后獲得的評估指標結果，證明本研究提出的特征融合方法能有效提高網絡對心拍的分類能力。

為了評估所構建網絡對噪聲的抗干擾能力，向測試集信號中疊加或濾除噪聲，對網絡進行測試。根據測試結果可以認為本研究構建的網絡對噪聲具有一定的抗干擾能力。這種抗噪能力的形成主要有兩個原因：(1)在網絡結構中采用的批量歸一化層能夠消除一部分噪聲的影響；(2)本研究中未對輸入CNN的心電數據進行去噪、歸一化等預處理，最大程度保留心電信號完整性的同時，在包含噪聲的情況下訓練網絡，訓練后的CNN模型能夠在含噪聲信號中提取到有效特征。

在后續工作中，需要結合QRS波群檢測，優化網絡結構和訓練過程，進一步提高分類準確度。另外，研究中的異常心拍的數據量較少，需要采集更多的數據用于實驗。

6 結論

本研究基于CNN提出了一種對單導聯心電信號進行特征提取與融合的抗噪聲自動心律失常分類方法。提出的方法減少了預處理的過程，計算負擔小。將人工提取特征和CNN自動提取特征的優勢相結合，有效提高了分類準確度。經過抗干擾能力測試，證明本研究的分類方法對噪聲具有一定的抗干擾能力。另外，本研究方法僅需要單導聯數據就可以實現對心拍的分類，對心電數據處理速度快，計算量小，具有一定的臨床意義和價值，可以用作ECG篩查工具。