深度學(xué)習(xí)單導(dǎo)心電信號房顫識別研究

李逸群，谷雪蓮，孫毅勇

（1.上海理工大學(xué) 醫(yī)療器械與食品學(xué)院，上海 200093；2.上海微創(chuàng)電生理醫(yī)療科技股份有限公司，上海 201318）

0 引言

房顫（Atrial Fibrillation，AF）是一種常見的心律失常疾病，容易誘發(fā)心力衰竭、腦卒中、心肌梗死等疾病，導(dǎo)致較高的致殘率和死亡率，危害人類健康與生命安全［1］。對于一些發(fā)作時長較短或無癥狀的陣發(fā)性心律失常，傳統(tǒng)心電監(jiān)護設(shè)備不易捕捉，致使臨床診斷較為困難、漏診率增加［2］。單導(dǎo)聯(lián)心電儀作為一種模擬人體胸導(dǎo)聯(lián)動態(tài)實時監(jiān)測心電信號的裝置，相比傳統(tǒng)的心電圖機，具有長時記錄連續(xù)采集、易操控、易佩戴、可提供異常心電回放等功能，因此使用單導(dǎo)心電記錄儀檢測陣發(fā)性房顫具有重要的臨床意義。

房顫發(fā)作時，心電圖表現(xiàn)為不規(guī)則的RR 間期，P 波消失，代之為F 波。經(jīng)典檢測方法主要通過RR 間期分析［3］，時域法或頻域法分析P 波形態(tài)［4-5］。Steven 等［6］通過期望最大化算法構(gòu)造P 波高斯混合模型以判斷P 波消失，其靈敏度、特異性分別為98.09%、91.66%；Du 等［7］使用QT 間期中RR 間期差、F 波均值、標(biāo)準(zhǔn)差作為特征來檢測，其靈敏度、陽性精確率、準(zhǔn)確率分別為94.13%、98.69%、93.67%；Lian等［8］通過RR 間期和兩個相鄰RR 間期差為特征構(gòu)造平面直角坐標(biāo)系，每條數(shù)據(jù)劃分為包含32、64、128 個RR 間期的連續(xù)時間窗口，并對每個窗口進行AF 檢測，其靈敏度、特異性分別為95.90%、95.40%；孟丹陽等［9］先利用信息熵和連續(xù)小波變換篩選出奇異波形并識別出R 波，然后構(gòu)建BP神經(jīng)網(wǎng)絡(luò)將其時域特征作為訓(xùn)練數(shù)據(jù)用于陣發(fā)性房顫識別，最終使用AFDB 數(shù)據(jù)庫進行驗證，其靈敏度、特異性、準(zhǔn)確率分別為96.45%、95.03%、96.05%；魏曉玲等［10］提取心房信號的遞歸矩陣和兩個相鄰信號的相干譜作為特征，利用多特征融合與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方法來識別房顫，最終使用MIT-BIH 數(shù)據(jù)庫進行驗證，其靈敏度、特異性、準(zhǔn)確率分別為99.88%、91.36%、95.62%。這些方法主要依賴人工提取特征，其過程可能丟失重要信息，從而難以反應(yīng)數(shù)據(jù)的內(nèi)在屬性導(dǎo)致算法性能下降，無法適用于龐大的群體。同時，人工特征提取計算代價較大，不利于臨床實時檢測。

近年來基于深度學(xué)習(xí)技術(shù)的模型可自動挖掘數(shù)據(jù)間的關(guān)聯(lián)信息并學(xué)習(xí)有效特征，在語音識別、圖像分類、文本翻譯等領(lǐng)域表現(xiàn)出色。Liman 等［11］設(shè)計兩個獨立的神經(jīng)網(wǎng)絡(luò)，分別從ECG 和心率中提取相關(guān)特征，最終合并至遞歸神經(jīng)網(wǎng)絡(luò)用于描述相關(guān)序列，然后通過支持向量機（SVM）進行最終決策，其靈敏度、特異性分別為72.30%、98.70%；Hong 等［12］利用譜聚類算法構(gòu)造中心波并提取相關(guān)特征，結(jié)合13 層深度殘差網(wǎng)絡(luò)用于房顫檢測，使用數(shù)據(jù)為2017 計算心臟會議（Computing in Cardiology，CinC）提供，其中官方F1 分值為0.84；高碩等［13］利用卷積神經(jīng)網(wǎng)絡(luò)自動提取心電特征，通過投票法和學(xué)習(xí)法的集成策略識別房顫，最終使用中國心血管病數(shù)據(jù)庫進行驗證，準(zhǔn)確率為94.60%。高魯棒性模型依賴于大量的數(shù)據(jù)，而實際采集的數(shù)據(jù)大多為正常竇性心律樣本，房顫只占少數(shù)。相比其他類樣本，房顫樣本分布不平衡，且許多非房顫節(jié)律表征出與房顫類似的不規(guī)則RR 間期，導(dǎo)致房顫識別準(zhǔn)確率下降。現(xiàn)有文獻算法中訓(xùn)練集和測試集均源于同一數(shù)據(jù)集，雖表現(xiàn)出較高的識別精度，但面向臨床數(shù)據(jù)則效果下降，導(dǎo)致模型泛化能力弱，且數(shù)據(jù)預(yù)處理階段耗費大量時間，難以應(yīng)用在單導(dǎo)心電記錄儀進行陣發(fā)性房顫檢測。

縮減特征工程，使用端到端的訓(xùn)練方式盡可能使模型從原始輸入到輸出，可給予模型更多的自動調(diào)節(jié)數(shù)據(jù)空間，以增加模型的整體契合度。因此，本文設(shè)計一種端到端的神經(jīng)網(wǎng)絡(luò)，并與移動式單導(dǎo)心電記錄儀相結(jié)合進行陣發(fā)性房顫檢測，首先通過MIT-BIH 數(shù)據(jù)庫驗證算法可行性，然后使用臨床數(shù)據(jù)驗證算法泛化能力，提高檢測效率，使模型具有更高的普適性。

1 基于一維卷積神經(jīng)網(wǎng)絡(luò)的房顫識別方法

經(jīng)典的機器學(xué)習(xí)先經(jīng)過人工特征提取然后訓(xùn)練分類器模型進行預(yù)測。人工特征設(shè)計需要大量的專家知識，Lecun 等［14］最早提出卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）并用于手寫數(shù)字識別。近年來，CNN 作為一種廣泛應(yīng)用的分類器在語音識別、人臉識別、姿態(tài)分析、自然語言處理甚至腦電波分析等方面均有突破。標(biāo)準(zhǔn)CNN 包含卷積層、池化層和全連接層。

1.1 研究數(shù)據(jù)庫

本文實驗數(shù)據(jù)來自MIT-BIH 標(biāo)準(zhǔn)心電數(shù)據(jù)庫。為改善算法魯棒性，本文從多個數(shù)據(jù)庫中選取不同類型的數(shù)據(jù)，如心律失常數(shù)據(jù)庫（MIT-AD）［15］、惡性室性心律失常數(shù)據(jù)庫（MIT-MVA）［16］、房顫數(shù)據(jù)庫（MIT-AFD）［17］、持續(xù)性房顫數(shù)據(jù)庫（MIT-LAFD）［18］、正常竇性心律數(shù)據(jù)庫（MITNSR）等［19］，同時將上海遠心醫(yī)療科技有限公司自主研發(fā)的單導(dǎo)心電記錄儀（Ryhthm WatchTM）采集的60 例數(shù)據(jù)作為全新的未知數(shù)據(jù)來測試算法泛化能力，數(shù)據(jù)采集得到倫理委員會批準(zhǔn)和患者知情同意［20］。該數(shù)據(jù)集以醫(yī)生判定結(jié)果作為標(biāo)準(zhǔn)判斷算法分析檢測的正確與否。受試者包含男 性37 例（71.7%），女 性23 例（38.3%），年 齡37～76（64.12±9.13）歲，其中臨床診斷為陣發(fā)性房顫32 例，正常竇性心律28 例。每例采樣率為256Hz，時長為30s。

1.2 卷積和池化層

本文將數(shù)據(jù)集中訓(xùn)練集記為TR，驗證集記為TE，表示為：

因心電信號為離散的時間序列，故將訓(xùn)練數(shù)據(jù)作為輸入樣本表示為：

其中，xi(t)表示為第i個樣本信號，xi(t)={xi[ 1 ],xi[ 2 ],…,xi[t]}，記t時刻采樣點值為一個特征值，xi(t)∈?1250，∧為信號索引集合，yi作為信號類別，yi∈[0,1]，其中1為房顫，0為非房顫。本文模型采用3 個局部區(qū)域塊用來表示特征，每塊含M個濾波器，尺寸為(Sb,b=1,…4)不等，通過輸入特征向量進行卷積運算，其輸出作為下一塊輸入，可表示為：

其中，t=(1,2…1250 -Sb+1)，權(quán)重wk∈?Μ@Sb，bk∈?Μ為濾波器所對應(yīng)的偏置系數(shù)，輸入信號xi(t)經(jīng)過線性運算后再由非線性激活函數(shù)Relu 進行線性修正以保證網(wǎng)絡(luò)稀疏性，加速模型收斂，其過程可表示為：

為了降低下一層輸入維度，約減參數(shù)，本文對結(jié)果C 采取最大池化操作，其本質(zhì)是起到平移不變性作用，舍棄不明顯特征，剔除信號扭曲變形帶來的影響，減少計算代價。同時，為了防止每一層經(jīng)過線性修正后的輸出值范圍發(fā)生變化，可對池化后結(jié)果進行歸一化處理，使得訓(xùn)練集批量樣本分布服從標(biāo)準(zhǔn)正態(tài)分布，減小梯度彌散，網(wǎng)絡(luò)更加穩(wěn)定［21］。

1.3 全連接層

將“分布式特征表示”映射到樣本標(biāo)記空間，故本文設(shè)計Lk(k=1,…,5) 層感知器，如圖1 所示（彩圖掃OSID 碼可見，下同）。在C3 卷積層經(jīng)過池化操作得到M個2 維特征圖，再計算每個特征圖的平均值，得到一個Vm(m=1,2,…,130)特征向量。該向量為輸入信號xi(t)的抽象特征表示，通過權(quán)重矩陣連接至L1～L4，其每層輸出通過式（4）計算的結(jié)果作為下一層輸入。本文最后采用邏輯回歸分類器將L5層作為輸出層，該層輸出結(jié)果s 通過Sigmoid函數(shù)計算出預(yù)測結(jié)果，可表示為：

式（5）中P為分布式特征屬于類別yc的后驗概率，θ為回歸系數(shù)。通過優(yōu)化θ使得代價函數(shù)J(θ) 最小，以此刻畫預(yù)測值和真實值的接近程度，表示如下：

Fig.1 CNN structure diagram with 3 convolution layers圖1 具有3 層卷積層的CNN 結(jié)構(gòu)

2 MIT-BIH 數(shù)據(jù)集驗證

2.1 數(shù)據(jù)集建立及預(yù)處理

本文從MIT-AD、MIT-MVA、MIT-AFD、MIT-LAFD、MIT-NSR 共5 個數(shù)據(jù)庫中選取數(shù)據(jù)集DS=｛NSR、AF、AB、AFL、B、BI、HGEA、IVR、NOD、P、PM、PREX、SBR、SVTA、T、VF、VFIB、VFL、VT｝的19 種心拍類型作為實驗數(shù)據(jù)。根據(jù)Mar 等［22］建議本文采取跨患者方式DS1={AF } 定義為房顫類，將DS2定義非房顫類，即有DS2=DS-DS1。為減小計算代價，適應(yīng)神經(jīng)網(wǎng)絡(luò)輸入，設(shè)定每個數(shù)據(jù)序列長度為10s，同時根據(jù)節(jié)律注釋對每個序列進行標(biāo)注。由于不同數(shù)據(jù)庫的采樣頻率存在差異，故對采樣率重新下采樣至125Hz，插值使用Matlab R2014 內(nèi)置的resample 函數(shù)。因正常心拍人群遠遠大于病態(tài)人群，故數(shù)據(jù)分布是類不平衡的。本文數(shù)據(jù)集中AF 類共12 184 例，除去NSR 和AF 的其他類屬于少數(shù)類，此類樣本共計4 875 例。為了增強算法魯棒性，本文對非AF 類進行過抽樣以保證類平衡，非AF 共計為12 203 例，其中包含NSR 類為7 328 例。

因數(shù)據(jù)集來源于多個數(shù)據(jù)庫，具有不同的單位量綱，為提升模型的收斂速度和精度，去除數(shù)據(jù)的單位限制，本文進行歸一化處理，轉(zhuǎn)化為無量綱的純數(shù)值以便不同單位或量級的指標(biāo)能夠進行比較和加權(quán)。常見的歸一化方式有Min-max 標(biāo)準(zhǔn)化、z-score 標(biāo)準(zhǔn)化兩種。本文采用z-score標(biāo)準(zhǔn)化，先求出原始數(shù)據(jù)的均值μ，標(biāo)準(zhǔn)差σ 經(jīng)過如下轉(zhuǎn)換：

使Z 符合標(biāo)準(zhǔn)正態(tài)分布，如圖2 所示。

2.2 實驗配置和分類評估

本模型將80%數(shù)據(jù)集用于訓(xùn)練，20%用于驗證，采用二元交叉熵作為損失函數(shù)，Adagrad 作為優(yōu)化器，初始學(xué)習(xí)率設(shè)為0.06。初始訓(xùn)練代數(shù)為150 輪，每代訓(xùn)練樣本為275例。本文采用早停法獲取最佳模型，同時在卷積層和全連接層使用dropout，其系數(shù)設(shè)為0.5 以防止模型過擬合，架構(gòu)使用Keras 和Tensorflow 作為后端實現(xiàn)。為減少模型學(xué)習(xí)時間，本文采用英偉達GTX 2080 Ti GPU 作為硬件計算平臺。通過計算靈敏度（SEN）、特異性（SPE）、陽性精確率（PPV）、準(zhǔn)確率（ACC）4 個指標(biāo)來評估模型分類性能［23］，然后經(jīng)過5 折交叉驗證，求得其平均值作為最終評估指標(biāo)。其中：

其中，TP 為將房顫預(yù)測為房顫樣本數(shù)，F(xiàn)P 為將非房顫預(yù)測為房顫樣本數(shù)，TN 為將非房顫預(yù)測為非房顫樣本數(shù)，F(xiàn)N 為將房顫預(yù)測為非房顫的樣本數(shù)。

Fig.2 Data before and after normalization圖2 歸一化前后數(shù)據(jù)

2.3 K 折交叉驗證

訓(xùn)練集與驗證集比例差異使得模型在驗證集上的性能變化明顯，同時從整個數(shù)據(jù)集中按照一定的比例隨機選擇驗證集會造成模型的不穩(wěn)定性，特別是數(shù)據(jù)集相對較小的情況下。為此本文采用K（K=5）折交叉驗證來評估模型穩(wěn)定性。本文將DS劃分為5 個大小相等的互斥子集，即DS=S1?S2?S3?S4?S5且Si?Sj=?(i≠j)，依次將4 個子集選為訓(xùn)練集，剩余一個為驗證集，經(jīng)過5 次獨立實驗得出各評估指標(biāo)最終求出的平均值來驗證算法有效性。

2.4 結(jié)果與分析

本算法在MIT-BIH 數(shù)據(jù)庫經(jīng)過5 折驗證后的結(jié)果如表1 所示。從表1 可以看出，模型在第二次劃分的數(shù)據(jù)集（K=2）下效果最好，靈敏度、特異性、陽性精確率、準(zhǔn)確率分別99.23%、98.16%、97.81%、98.64%。其驗證集的平均靈敏度、特異性、陽性精確率、準(zhǔn)確率分別為98.41%、97.76%、97.74%、98.07%。最后使用5 次不同的驗證模型分別對60例臨床數(shù)據(jù)進行測試，首先設(shè)置10s 的時長窗口，其移動步長S 分別以10s、8s、5s、3s、1s 為單位對每例數(shù)據(jù)進行重疊截取，如圖3 所示。此時發(fā)現(xiàn)步長為1s 時算法泛化性能最好，其平均靈敏度、特異性、陽性精確率、準(zhǔn)確率分別為96.88%、89.29%、91.18%、93.33%，如表2 所示。為更進一步驗證本文算法的可行性，選取有代表性的Erdenebayar等［24］的二分類模式方法進行對比實驗。首先基于本文數(shù)據(jù)集進行網(wǎng)絡(luò)訓(xùn)練，其驗證集性能表現(xiàn)與本文對比結(jié)果如表3 所示。最后，模型采用單導(dǎo)數(shù)據(jù)進行測試并與文獻方法進行對比，結(jié)果如表4 所示。從表4 可知，雖然本文的總體靈敏度相比文獻低1.25%，但其特異性、陽性精確度、準(zhǔn)確率比文獻方法高，從而驗證了本方法在陣發(fā)性房顫檢測中的是有效性。

Table 1 Performance of algorithm in verification set表1 算法在驗證集的性能表現(xiàn)

Fig.3 Clinical data（30s duration）圖3 臨床數(shù)據(jù)（30s 時長）

Table 2 Algorithm performance in real data表2 算法在臨床數(shù)據(jù)的性能表現(xiàn)

Ta ble 3 Comparison of the performance of the literature algorithm with algorithm of this paper in the verification set表3 文獻算法與本文方法在驗證集上的性能對比

2.5 討論

本文算法與近幾年其他同類算法結(jié)果如表5 所示。Erdenebayar 等［24］先對數(shù)據(jù)進行帶通濾波和離散小波變換以去除基線漂移和高頻分量，最終基于7 層CNN 模型進行分類，雖然該研究在MIT 數(shù)據(jù)集上取得較高的分類性能，但其原始樣本僅包含房顫類與正常類，樣本來源較為單一，難以反映實際臨床情形，最終因算法魯棒性較差無法應(yīng)用至臨床檢測。本文采用文獻［24］方法基于同一測試集進行對比研究，表4 的結(jié)果表明本文指標(biāo)整體上要優(yōu)于文獻算法。文獻方法預(yù)處理數(shù)據(jù)要30s 時長，而本文僅需要10s；Fan 等［25］采用兩種不同濾波器的卷積流分別提取ECG特征，最終將融合特征通過3 層感知層映射為2 個標(biāo)記空間，其數(shù)據(jù)來源于CinC，數(shù)據(jù)時長為20s，最高靈敏度、特異性、陽性精確率、準(zhǔn)確率分別為93.77%、98.77%、91.78%、98.13%；Wang［26］提出一種CNN與修改動態(tài)遞歸網(wǎng)絡(luò)（ENN）堆疊的方法，該方法引入調(diào)節(jié)上下文單元反饋信息的權(quán)重值α，同時考慮來自上下文單元的信息與全部隱含層信息反饋，最高靈敏度、特異性、準(zhǔn)確率分別為97.90%、97.10%、97.40%。盡管Fan 等在訓(xùn)練集中復(fù)制房顫類樣本以阻止網(wǎng)絡(luò)學(xué)習(xí)非相關(guān)特性以增強梯度方向效果，但該做法并未引入新的特征信息，不具備總體樣本代表性；文獻［27］所采用的數(shù)據(jù)集中存在房顫類樣本占比少、類間分布不平衡問題；文獻［28］采用個體內(nèi)分類模式，忽略了個體間的差異［29］，導(dǎo)致算法普適性差難以在臨床檢測中應(yīng)用。本文采用端到端的神經(jīng)網(wǎng)絡(luò)，剔除了人工提取形態(tài)特征易錯、易漏等問題［30-31］，與Wang 所使用的原始ECG 序列相比，雖讓采用了帶通濾波消除基線漂移及肌肉噪聲的干擾使得相關(guān)特征更加明顯，但其預(yù)處理因增加了計算代價因而降低了房顫的實時檢測效率。與傳統(tǒng)的房顫識別相比，尤其像基于RR 間期識別算法需要40s-120s 數(shù)據(jù)，本文采用10s 數(shù)據(jù)更好地提高了效率，方便了臨床診斷，同時進一步驗證了本文方法在陣發(fā)性房顫檢測中的有效性。特別是本文使用的模型基于圖形處理器計算平臺，對單個樣本的處理時間為5ms 左右，可為單導(dǎo)心電記錄儀及實時云計算應(yīng)用提供參考。

Table 4 Performance comparison of algorithm in this paper and the literature algorithm in clinical data表4 本文和文獻算法在臨床數(shù)據(jù)的性能對比

3 結(jié)語

本文提出基于一維卷積神經(jīng)網(wǎng)絡(luò)的陣發(fā)性房顫識別方法，該方法將CNN 自動提取的心電特征輸入到二元分類器中再進行房顫識別。采用MIT-BIH 數(shù)據(jù)庫進行實驗，結(jié)果表明算法可行，在單導(dǎo)心電記錄儀采集的數(shù)據(jù)上進行測試，結(jié)果表現(xiàn)出算法良好的泛化優(yōu)勢，對單個樣本的處理時間也表明該方法具有較高的計算效率，可為移動式單導(dǎo)心電記錄儀及實時云計算提供參考，也可為臨床提供輔助診斷。但該方法在二分類情況下噪音類數(shù)據(jù)對精度的影響是后續(xù)需研究的問題。下一步擬從以下幾方面研究更進一步優(yōu)化模型：①擴充實際臨床樣本驗證算法精度、采用多途徑數(shù)據(jù)集測試模型泛化能力；②加入噪聲數(shù)據(jù)，由二分類變?yōu)樗姆诸悊栴}，提升模型魯棒性；③結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)進行建模分析。

Table 5 Presentation of similar studies in recent years表5 近幾年同類研究結(jié)果展示