基于改進型GRU的心電圖自動識別模型

隨著我國人口結構和社會環境的改變，心血管病已經超越腫瘤成為致死率第一的疾病。大多數心血管疾病常伴有心律失常，本文針對這一特征，從心電信號的自動識別和類型分析處入手，研究并提出了一種基于深度學習的心電圖分類算法。首先對原始的心電信號數據集進行濾波、歸一化、求取信號功率圖譜和加窗函數等處理，數據經過預處理后能夠更好地從其頻域中提取相關特征;考慮到心電圖本身具有一定的時序特性，使用長短時記憶網絡來捕捉心電數據的前后依賴關系，通過多分類器實現多標簽并進行相關訓練。

本文采用一種改進型的LSTM的高效變體網絡（GRU）將經過預處理后的心電信號作為網絡的輸入序列，將心電信號的特征提取并分類。評價該模型性能的指標為分類準確率，同時在2018生理信號挑戰賽的數據（2018數據集）上進行了測試，取得了良好的實驗結果。

隨著計算機深度學習的不斷發展，建立一種快速有效識別心電圖的深度學習網絡，對整個社會醫療領域的發展有著重要意義。利用神經網絡對心電信號進行分類目前還是一個較新的領域。Andrew Y.Ng等提出了一種固定采樣周期的卷積神經網絡，通過固定256個采樣點來生成一個標簽。Lipton等提出了一種用于多標簽分類的LSTM網絡，該網絡提取心電信號的時序特征來進行分類;Zihlmann等提出了采用卷積神經網絡的架構，對心電信號進行識別和分類。

本文使用的模型為改進型的GRU網絡，與傳統的GRU相比，GRU在算法上增加了用于多標簽的分類器機制，同時該網絡所接受的輸入信號為心電信號非固定周期的頻域特征。

數據集與處理方法

數據集

本文使用的是2018數據集，心電圖記錄的采樣頻率保持500 Hz，訓練集包含了6796個人的十二導聯心電圖記錄，持續時間為6～60s，每種病例類型的分布如表1所示。

數據預處理

2018數據集的采樣率為500 Hz，心電信號的平均持續時間為15s左右，最長的持續時間可以達到60s，這會造成數據集存在著較長的數列，而GRU模型的輸入序列的合適范圍是500～1000。若將2018數據集直接作為模型的輸入，則會出現因為序列過長而產生反向傳播過程導致梯度消失的問題。因此需要對原始數據進行預處理。

為了選擇合適的輸入序列長度以及提取心電信號的頻域特征，使用FFT窗口函數將龐大的原始數據映射為適宜模型計算的長度序列，并在時間窗口中計算頻譜圖，為實現心電數據的非固定周期采樣，通過加窗來盡可能減少在非整數個周期上進行FFT產生的誤差;由于人體心電信號的高頻成分較少，且有一定的隨機性，其功率圖譜的高次諧波部分峰峰之間的區別較為模糊，在選擇加窗函數時，優先考慮良好頻譜分辨率的具有窄主瓣的平滑窗。

由于人體心電信號是非常微弱的生理低頻電信號，頻率范圍為0.1～35Hz，主要集中在5～20Hz;同時，肌電信號的頻率為20～5000 Hz，其主要成分的頻率與肌肉的類型有關，一般在30～300Hz。為了抑制噪聲，需要對ECG信號進行濾波處理，選擇巴特沃斯低通濾波器來濾除肌電干擾。利用濾波器對原始心電信號進行消噪處理，結果如圖1所示

（a）原始心電信號

GRU網絡模型

長短期記憶網絡—LSTM

長短期記憶網絡是一種特殊的循環神經網絡，最大的特點在于引入了門機制和記憶單元，在LSTM網絡中不會出現諸如梯度消失和梯度爆炸等問題。LSTM模型就像是一條流水線，不同的門和記憶單元對輸入量進行一步步的深加工，在LSTM模型中，輸入序列通過輸入門運算后進入記憶單元，記憶單元通過輸出門被運送到其他LSTM單元。圖2給出了LSTM存儲器單元的內部結構。

然而，由于其結構復雜性，求解LSTM模型通常需要很長的時間。為了加快訓練速度，GRU被提出作為改進LSTM的簡易方便的模型，目前GRU模型并未用于心電信號的識別。

改進型GRU網絡

GRU就是LSTM的一個變形狀態，它將遺忘門和輸入門組合成了更新門，但GRU模型的計算和實現更加簡單。一個典型的GRU單元由2個門組成：復位門和更新門。

類似于LSTM單元，t時刻的隱藏狀態輸出是由t-1時刻的隱藏狀態值和t時刻的輸入序列計算得來，如式（6）所示。

與傳統的單一標簽分類不同，心律失常往往會造成多個疾病同時存在，傳統的GRU模型在多標簽處理數據方面有著一定的局限性，于是本文引入了十二導聯多標簽分類的算法。

如圖4所示，在改進后的GRU模型中，x₁，x₂，x₃，……，x_i表示經過數據預處理后的各個導聯的向量，這些向量經過GRU模型的計算，輸出為對應的h₁，h₂，h₃，…，h_i，然后GRU模型中添加了多標簽分類層v，其中v層由keras庫中multi-label算法構成，通過訓練不同的病理特征，分析出各個導聯輸出所對應的各種疾病分布的概率值a₁，a₂，a₃……，a_i，并通過Sofimax函數層對層的輸出進行計算分析，從而達到十二導聯多標簽分類的目的。

實驗結果與討論

實驗環境

本實驗所采用的設備為Windowsl0操作系統，i5四核處理器，8G運行內存。所采用的編程語言為Python3.6、C語言，并在matlab平臺以及pytorch平臺分別進行數據預處理和模型搭建測試的環節，pytorch平臺上配合Keras以及Tensorflow深度學習框架進行庫的調用和測試訓練。

實驗結果

為了進行模型性能的評估，引入了混沌矩陣，矩陣的每一列代表了數據預測的類別，而每一列的總數代表預測為該類別數據的數目;每一行代表了數據的實際類別，每一行的數據總數表示該類別實際的數據數目。混沌矩陣具有4個基礎指標：TP，TN，FP，FN。

TP為真實值是positive，模型認為是positive的數量;TN為真實值是positive，模型認為是negative的數量;FP為真實值是negative，模型認為是positive的數量;FN為真實值是negative，模型認為是negative的數量。

為了更直觀地查看模型的性能，可以分別計算此時的tpr與fpr，tpr和fpr的計算公式如下式（7）、式（8）所示;根據這組tpr以及fpr值就可以畫出ROC曲線，由該ROC曲線就可以判斷模型的性能，ROC曲線如圖5所示。

可以很直觀地看出，GRU模型對測試集中的數據進行識別的準確率達到了0.88，模型性能良好。同時對所有的測試集進行得分F的計算。實驗結果如下表2所示。

可以看出在2018數據集上，該模型對AF的分類效果最好，在RBBB上的分類效果最差，對所有疾病的分類準確率均大于0.7，這表明模型具有良好的分類性能，具有一定的可行性和獨特的優勢。

本文提出了一種改進型的GRU網絡模型來識別并分類心電信號，與主流的深度學習識別模型相比，該模型提取了心電信號的頻域特征，濾波處理，消除掉不必要的干擾信號，利用多標簽識別算法，更加簡單，計算量也較少。缺點是在頻域處理過程中，容易丟失少部分時域信息，從而降低某些罕見病癥的識別準確率。在下一步工作中，需要繼續研究信號的特征提取，在減少計算量的同時，保證信息特征的完全性和信號分類的準確性。