基于ResNet的心電圖識別研究

景恩彪，田裕，紀占林

（華北理工大學人工智能學院，唐山063210）

0 引言

社會的進步伴隨著諸多隱藏的問題。由世衛組織權威報道，心血管疾病而死亡的人數在全球范圍內持續增長，嚴重威脅到人們的正常學習和生活。對于心血管疾病的診斷，心電圖（Electrocardiogram，ECG）是最實用的方法，因此被心臟病學專家廣泛使用。全世界已經開發出各種心律失常自動檢測技術來對患者進行診斷。

人工的診斷在長時間實時監測方面存在著不小的問題，由于心電圖手工診斷心律失常非常耗時，監測巨量的數據肯定是無法實現的，實時性也得不到滿足。更重要的是，醫生長時間觀察處理波形，肯定會感到疲勞，一些在心電圖上顯示的異常就有可能被忽視掉，誤診漏診的現象不可避免，影響著識別的準確率。

計算機的出現緩解了這一問題，醫生可以借助計算機更有效率地進行對心電圖的診斷[1]。將計算機技術應用到醫療診斷方面，進行心電數據分析，先進通信技術與生物信號領域相結合，遇到心血管疾病時可以及早發現并做出應對。本文以心電圖波形類型識別為研究方向，依據心電圖標準數據集MIT-BIH的數據用小波變換、神經網絡以及延伸模型殘差網絡等方式深層提取心電波形與心電異常事件之間的關系特征，構建精準預測模型，達到監測與預警的目的。本文從心電圖監測這一研究論點著手，結合神經網絡算法，以求在心電監測領域有新的突破性的研究。

1 心電分析領域的研究進展

心電圖經過全球學者100多年研究與應用，在當今仍然是是檢查心臟病不可或缺的手段，在監測心律失常領域的作用至關重要。1885年，生物學家Einthoven通過使用毛細管靜電計對心電圖波形進行記錄[2]，為后世創造了一種經典的手段。

近年來，人工智能已被應用于心電圖預測領域。機器學習（Machine Learning，ML）的重要分支深度學習，在預測ECG波形和異常ECG事件方面取得巨大的成功，從而提高檢測精度。一種想法是將ECG信號視為一維數據，并根據應用于文本的標準方法對其進行處理。Guo等人將心電信號的波動分為四類，提出一種基于EMD和多類別有向無環圖的支持向量機[3]。Thomas M等人對心電波形數據進行雙樹復小波變換[4]，實現了特征的自動提取。

深度學習是基于使用人工神經網絡和表示學習。其中，卷積神經網絡被廣泛應用于許多領域。在心電信號分類中也表現出良好的性能，許多研究都取得了很好的分類精度。Hannun等人開發出一種基于34層CNN的算法[5]，利用傳感和監測設備產生的單導聯ECG數據檢測各種心律失常。這種算法在檢測心臟疾病方面比普通心臟病專家表現得更好。Sellami和Hwang提出一個具有批量加權損失的穩健Deep CNN[6]，在心電識別方面也有突出的表現。Yang等人提出一種基于ResNet的注意機制[7]，用于MIT和PTB診斷數據集中的ECG數據處理。這個模型在兩個數據集中都很突出。Park等人使用一個SE-ResNet模型，該模型屬于帶有壓縮和激勵塊的殘差網絡[8]，其性能優于ResNet基線模型。

2 基于神經網絡的心電波形異常分類

2.1 卷積神經網絡模型

卷積神經網絡（Convolutional Neural Networks，CNN）是傳統的前向傳播的變種[9]，由于其對圖像數據的特征設計與描述是傳統機器學習方法不可比擬的，故一開始在計算機視覺方面出現并發展起來。CNN的設計靈感來源于圖像中的感受野這一重要含義，類比到數據中就代表著特征。CNN由多個卷積層組成，層與層的處理功能模仿的是視覺皮層細胞處理圖像的過程。圖1為識別心電圖的卷積神經網絡。

圖1 卷積神經網絡整體結構

在第一階段中，卷積核用于掃描圖像，通過其滑動映射功能將樣本的感受野代入網絡。在卷積神經網絡中，盡量加入不同尺寸、通道的卷積核來進行操作，達到信息的交互。在卷積層之后，數據通常送入池化層來對維度進行收縮，進行下采樣，從而減少特征和網絡的計算復雜性。需要注意的是，當每個特征映射的維數降低時，池化步驟保留了最重要的信息，常用的池化操作是最大池化。然后，第一級的輸出變成第二級的輸入，并采用新的卷積核。在下一階段，CNN使用一個全連接層，然后是通常使用可以輸出類別概率的Softmax激活函數進行分類[10]。

卷積運算的公式可以概括為：

池化層的作用是模仿人類視覺系統，降低數據的維數，并用更高層次的特征來指代圖像[11]，公式如下：

利用最大似然函數在全連接層計算每個樣本的概率，將學習到的特征映射到目標標簽上，并以概率最高的標簽作為分類結果，從而實現CNN分類。

2.2 ResNet結構

殘差結構的目的，就是讓神經網絡保留基本的恒等映射的能力。這種能力可以隨著網絡的堆疊，保證網絡訓練結果至少不會發生退化。

假設神經網絡的輸入參數是x，目標輸出是H（x），H（x）的內部結構可能無法被清晰表述。ResNet允許子模塊直接學習的殘差F（x）=H（x）-x使目標輸出成為F（x）+x，避免了由于卷積層太多而導致的性能下降和準確率降低的問題。右側的結構屬于shortcut連接，通過在激活函數前的shortcut操作，將這一層之前的輸出和通過這一層網絡后得到的輸出相加，將相加后的值送到激活函數中得到本層的總輸出。圖2為殘差塊結構。

圖2 殘差塊結構

ResNet由于存在shortcut連接，假設輸入為x，則輸出y為：

正常的數據輸入神經網絡得到輸出的關系如下，由于中間存在激活函數ReLU，所以考慮到雙層權重，則有：

一般使用激活函數ReLU增加非線性，把函數和結構兩層的權重W1與W2關聯起來。

改變通道數目可以使信號的輸入數據和輸出數據的維度發生改變，這里在短接時對x做一個線性變換Ws，如下式。

回顧近年來提出的各大網絡模型，ResNet才是從底層思想上深刻理解了DL理論體系的深層結構。除了重要的殘差思想，ResNet選取常規的SGD[12]優化器，而不是使用一些新興的優化方法。使用一個合理的初始化函數，可以最大限度的保持訓練特征的完整性。得益于這種特殊結構，即便使用上百層的網絡結構來構造模型也有了意義。

2.3 改進的ResNet-18模型

神經網絡模型的訓練效果與數據量成正比。數據量的增加，伴隨著模型中個單元的連接數目增加，分類精度也就得到了提高。輸入數據的維度和隱藏層的神經元數目影響著一個完全連通的神經網絡的大小。一般來說，網絡參數的數目會越來越多，模型變大，訓練的速度自然就會比以前慢。為了解決這一問題，本文采用具有局部連接和參數共享特性的卷積神經網絡。CNN可以減少模型參數的數量，從而加快模型的訓練速度。對于單導聯的心電波形數據，可以看作為一維時間序列，所以本文提出的研究方法對CNN進行改進，提出一種改進的ResNet-18單導聯心電圖自動分類模型。該模型能夠從輸入的心電數據中提取到有用的多個特征，從而有效地獲得心電數據內部結構特征的表征，從而提高分類精度。圖3顯示了改進的ResNet-18模型結構。

圖3 改進的ResNet-18模型

改進的ResNet-18模型分為四個部分：卷積層、經典ResNet層、改進ResNet層和全連接層。

第一部分，卷積層在獲得輸入數據后，進行數據的特征提取，以便為下一個更深層次的輸入做好準備。

第二部分使用了經典的ResNet結構，它被認為是ECG多分類的最佳模型之一。在這一部分中，輸入數據進行兩次卷積，并在兩次卷積之間加上修正的線性單元ReLU。ReLU對部分神經元的輸出進行歸零化處理，使得網絡稀疏化，減少了參數間的相互依賴性。它還可以減輕過擬合問題的發生。另外，將卷積前的數據輸入到最大池層，將樣本劃分為多個特征區域，并以某個區域的最大值作為區域代表，以減少計算量和參數數目。最后，添加兩種經過不同處理的相同維數的數據，完成塊模塊的創建。這一步的目的是繼承前一步的優化效果，使模型繼續收斂。

為了獲得更好的性能，在第三部分使用了改進的ResNet結構。在經典ResNet結構前加入一個批處理范數，以加快神經網絡的訓練速度，加快收斂速度，保持算法的穩定性。詳細的模型經過7次這種結構，然后將數據發送到模型的下一部分。

最后，將輸出數據特征通過全連接層變成一維向量，并用適合多目標分類的softmax函數對向量進行回歸。其目的是將全連接層的輸出特征向量轉換成指數函數，并通過指數函數將向量進行等維映射。將所有結果相加并歸一化，以概率的形式表示多分類結果。使用的softmax函數定義為：

獨熱編碼使得實際心跳類標簽對應位置為1，其余位置為0。對結果進行匯總，用來表示該分類結果的概率。當訓練樣本經過卷積、正則化、激活和合并后，輸出數據特征從全連通層映射成一維向量，并用softmax函數計算。最后，以概率的形式給出了心跳分類的結果。

為了加快網絡的收斂速度和限制過擬合現象的產生，在提出的模型中，將L2正則化[13]添加到所有卷積層和全連通層中是很重要的。加權正則化的損失函數定義為：

為了簡化模型，在卷積層中加入Dropout[14]并設置為0.5，大大減少了參數數目和訓練時間。

改進的ResNet-18模型被用于對ECG圖像中的心跳進行分類，可從MIT-BIH數據庫中獲得。雖然由于時間序列的密集性，人眼很難區分心電圖像中的某些區域，但借助于該模型，可以識別出每個標記圖像中的標簽。與其他分類模型相比，該模型可以在較短的計算時間內對復雜的混合波圖像進行分類。總體上，減少了復雜圖像的訓練和測試時間。根據算法進行模型訓練。

3 結語

綜上所述，本文提出了改進的ResNet-18的神經網絡模型。由于醫生診斷主要是通過其形態學上的一些特征來進行判斷，本文提出的ResNet-18模型在ResNet的基礎上進行改進和層數的疊加，能夠深層次地捕捉到心電信號的形態學特征，通過不斷地進行卷積操作，最后的輸出的特征能夠感知到波形全局，因此能夠準確地診斷心電圖中的異常信號。所提模型在臨床應用方面具有很大的前景，值得深層次的研究和發展。