基于自適應(yīng)卷積的心電圖心律分類方法

廖桂鑫　甘力

摘要：針對網(wǎng)絡(luò)輕量化后，模型復(fù)雜度降低帶來的檢測性能不足等問題，提出一種基于自適應(yīng)卷積的心電圖（ECG）心律分類方法。首先，采用輕量級的卷積神經(jīng)網(wǎng)絡(luò)模型框架構(gòu)建雙分支結(jié)構(gòu)，主分支提取ECG的波形特征，子分支提取ECG樣本與正常心律的差異信息；然后，通過自適應(yīng)卷積的方法，將ECG樣本與正常心律的差異信息融入到主分支中，提高模型的檢測性能；最后，在公開的數(shù)據(jù)集上進(jìn)行實驗，F1分?jǐn)?shù)、準(zhǔn)確率、召回率分別為93.58%、95.53%和91.70%，相較于未加入ECG樣本與正常心律的差異信息的網(wǎng)絡(luò)有明顯提升，驗證了該方法的有效性。

關(guān)鍵詞：心電圖；心律分類；輕量級卷積神經(jīng)網(wǎng)絡(luò)；自適應(yīng)卷積；雙分支結(jié)構(gòu)

中圖分類號：TP391 ??????????文獻(xiàn)標(biāo)志碼：A ???????????文章編號：1674-2605（2023）05-0011-06

DOI：10.3969/j.issn.1674-2605.2023.05.011

ECG Rhythm Classification Method Based on Adaptive Convolution

LIAO Guixin ?GAN Li

（Guangdong University of Technology， Guangzhou 510006， China）

Abstract：?A heart rhythm classification method for electrocardiogram （ECG） based on adaptive convolution is proposed to address the issues of insufficient detection performance caused by reduced model complexity after network lightweighting. Firstly， a lightweight convolutional neural network model framework is used to construct a dual branch structure. The main branch extracts the waveform features of ECG， while the sub branches extract the difference information between ECG samples and normal heart rhythm; Then， by using adaptive convolution method， the difference information between ECG samples and normal heart rhythm is integrated into the main branch to improve the detection performance of the model; Finally， experiments were conducted on publicly available datasets， and the F1 score， accuracy， and recall rates were 93.58%， 95.53%， and 91.70%， respectively. This showed a significant improvement compared to the network that did not include the difference information between ECG samples and normal heart rhythm， verifying the effectiveness of this method.

Keywords：?electrocardiogram; heart rhythm classification; lightweight convolutional networks; adaptive convolution; double branch structure

0 引言

心電圖（electrocardiogram， ECG）可以直觀反映心臟各部位除極和復(fù)極的過程，廣泛應(yīng)用于心血管疾病的診斷。然而，醫(yī)生面對大量患者日益增長的需求，難以及時進(jìn)行臨床心電圖的診斷。

近年來，深度學(xué)習(xí)方法在各個領(lǐng)域發(fā)展迅速，包括自動ECG檢測，與醫(yī)生人工診斷相比，患者可實

時獲得心臟狀況的反饋，提高診斷效率。自動ECG檢測根據(jù)心律分類方法大致可分為2種：1） 以支持向量機(jī)^[1]、隨機(jī)森林^[2]、隱馬爾可夫模型^[3]為代表的傳統(tǒng)機(jī)器學(xué)習(xí)方法，此種方法依賴人工進(jìn)行特征提取、經(jīng)驗參數(shù)選擇，難以適應(yīng)ECG信號形態(tài)特征的易變性，檢測性能較差；2） 基于深度學(xué)習(xí)的心律分類方法，可以自適應(yīng)調(diào)節(jié)模型參數(shù)，從ECG信號中提取特征，實現(xiàn)端到端的ECG心律檢測。基于深度學(xué)習(xí)的心律分類方法又可以細(xì)分為兩類：第一類為基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）的方法^[4-7]，其將ECG信號轉(zhuǎn)化為二維圖像進(jìn)行分析，如TOMA等^[8]通過短期傅里葉變換提取ECG信號的時頻域信息，生成二維頻譜圖像作為CNN的輸入，實現(xiàn)異常心律檢測；ZHENG等^[9]將一維ECG信號轉(zhuǎn)換為二維灰度圖像作為CNN的輸入，并引入擠壓激勵（squeeze excitation， SE）模塊，融入通道注意力來提高異常心律的檢測性能；第二類為基于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks， RNN）的方法^[10-12]，其將ECG信號作為時間序列進(jìn)行分析，提取時序關(guān)聯(lián)特征，實現(xiàn)ECG心律檢測，如SINGH等^[13]利用長短時記憶網(wǎng)絡(luò)，捕獲ECG前后時序之間的關(guān)聯(lián)性和ECG全局信息，實現(xiàn)ECG異常心律的檢測。但這些端到端的檢測模型參數(shù)較為復(fù)雜，訓(xùn)練時間過長。為此，XIAO等^[14]提出一種基于微控制單元（microcontroller unit，?MCU）的低功耗心電分類系統(tǒng)的超輕量級端到端的心電分類神經(jīng)網(wǎng)絡(luò)，采用分級分類的方法，減小模型計算復(fù)雜度。但檢測模型規(guī)模減小，不可避免地導(dǎo)致模型的檢測性能下降。

受文獻(xiàn)[14]啟發(fā)，正常心律與異常心律存在明顯的差異信息，本文通過預(yù)訓(xùn)練子分支提取的ECG樣本與正常心律的差異信息，并將此差異信息融入主分支中，在不大幅增加主分支模型復(fù)雜度的前提下，提高分類性能。為了更好地融合主分支和子分支的信息，本文提出一種基于自適應(yīng)卷積的心電圖心律分類方法。首先，采用輕量級卷積神經(jīng)網(wǎng)絡(luò)ComvMixer^[15]作為模型主干網(wǎng)，構(gòu)建雙分支結(jié)構(gòu)，其中，主分支用于提取ECG波形特征；子分支采用預(yù)訓(xùn)練的方式，提取ECG樣本與正常心律的差異信息；然后，采用自適應(yīng)卷積的方法，通過ECG樣本與正常心律的差異信息生成自適應(yīng)的卷積核參數(shù)，利用自適應(yīng)卷積塊對主分支的波形特征進(jìn)一步表征，從而提高模型的分類性能，增加模型的魯棒性，實現(xiàn)ECG心律的準(zhǔn)確分類。

1 分類網(wǎng)絡(luò)

1.1 ?問題描述

1.2 ?損失函數(shù)及優(yōu)化方法

本文ECG心律分類為多標(biāo)簽分類任務(wù)，其中每個類別都被單獨(dú)視為一個二分類任務(wù)。為了對每個類別進(jìn)行獨(dú)立的建模和訓(xùn)練，且不受其他類別的干擾，采用的損失函數(shù)為BCELoss。BCELoss可以獨(dú)立地處理每個類別的概率，并且能夠處理樣本屬于多個類別的情況，計算公式為

為了使損失函數(shù)收斂更快，減少網(wǎng)絡(luò)的訓(xùn)練時間，本文采用的優(yōu)化方法為AdamW優(yōu)化器，學(xué)習(xí)率為，權(quán)重衰減為，每5個epoch學(xué)習(xí)率減少一半，采用5個epoch的預(yù)熱，并采用余弦衰減的方式使學(xué)習(xí)率在每個epoch內(nèi)都動態(tài)變化。

1.3 ?網(wǎng)絡(luò)結(jié)構(gòu)

基于自適應(yīng)卷積的ECG心律分類方法模型框架如圖1所示，其中Convn，/s的卷積核大小為n，滑動窗步長為s；DWConv為深度可分離卷積，本文采用的卷積層均為Conv1d。

基于自適應(yīng)卷積的ECG心律分類模型框架采用雙分支結(jié)構(gòu)。其中，子分支（左上部分）進(jìn)行正常心律（竇性心律）和異常心律（除竇性心律之外的心律類別）的二分類任務(wù)，采用預(yù)訓(xùn)練的方式提取ECG樣本與正常心律的差異信息，且在主分支訓(xùn)練時，不更新子分支模型參數(shù)；主分支（右上部分）提取ECG的波形特征。

兩個分支采用相同的結(jié)構(gòu)進(jìn)行特征提取，分支結(jié)構(gòu)為：

首先，利用Patch?Embedding進(jìn)行淺層ECG波形特征提取，將ECG時間序列信號分割為小的時序片段，再將每個時序片段轉(zhuǎn)換為固定維度的特征向量進(jìn)行表征，通過提取每個時序片段的關(guān)鍵特征，捕獲ECG的局部信息，使模型更好地表征ECG信號，并實現(xiàn)了數(shù)據(jù)降維，減少模型計算的復(fù)雜度；

然后，采用1×1卷積和深度可分離卷積相結(jié)合的殘差結(jié)構(gòu)對淺層ECG波形特征進(jìn)一步表征，在特征提取過程中不進(jìn)行降采樣操作，可以保留ECG信號更多的細(xì)節(jié)信息，減少信息丟失，提高模型感受野；通過分支結(jié)構(gòu)，實現(xiàn)子分支對ECG樣本和正常心律的差異信息提取，主分支對ECG波形特征的提取；

接著，采用自適應(yīng)卷積的方法，將差異信息經(jīng)過自適應(yīng)卷積核^[16]生成模塊生成卷積核參數(shù)k和偏執(zhí)參數(shù)b，并構(gòu)建自適應(yīng)卷積塊；主分支經(jīng)過自適應(yīng)卷積塊和以sigmoid和tanh構(gòu)成的激活函數(shù)對ECG波形特征進(jìn)一步表征，實現(xiàn)ECG波形特征與ECG樣本和正常心律差異特征的融合，提高其分類性能；

最后，通過全連接層得到ECG心律分類的結(jié)果。

2??數(shù)據(jù)

2.1 ?數(shù)據(jù)集

本文實驗數(shù)據(jù)來自公開的“合肥高新杯”心電人機(jī)智能大賽復(fù)賽數(shù)據(jù)集（以下簡稱“合肥高新杯”數(shù)據(jù)集）^[17]。該數(shù)據(jù)集的采樣頻率為500?Hz，樣本時長為10?s，共有34類樣本，每類樣本有8個導(dǎo)聯(lián)，分別為I、II、V1、V2、V3、V4、V5、V6。通過公式（2）～（5）計算其余4個導(dǎo)聯(lián)的數(shù)據(jù)，作為12導(dǎo)聯(lián)數(shù)據(jù)輸入。

2.2 ?數(shù)據(jù)預(yù)處理與劃分

為去除偽跡噪聲，本文采用窗寬分別為200?ms和600?ms 的雙中值濾波器消除ECG基線漂移；采用雙線性變換法設(shè)計IIR數(shù)字帶阻濾波器，去除工頻干擾，阻帶截止頻率分別為49?Hz 和51?Hz；采用5級小波變換去除肌電干擾，其中小波基函數(shù)為bior4.4。

實驗數(shù)據(jù)集按7∶2∶1的比例劃分為訓(xùn)練集、驗證集、測試集，各子數(shù)據(jù)集的心電數(shù)據(jù)相互獨(dú)立，取自不同的心電記錄，并保持類別數(shù)量比例統(tǒng)一。

3 ?實驗結(jié)果與分析

3.1 ?實驗環(huán)境

實驗采用Centos Linux 7.9，Python 3.8 安裝Pytorch?1.11深度學(xué)習(xí)框架對本文提出的基于自適應(yīng)卷積的ECG心律分類模型進(jìn)行訓(xùn)練和測試。計算服務(wù)器的CPU為Intel Core?i9-13900K@?5.80?G?Hz，內(nèi)存128?GB，GPU 為NVIDIA Geforce RTX4090，顯存為24?GB。

3.2 ?評價指標(biāo)

本文采用準(zhǔn)確率（precision rate，P）、召回率（recall rate，R）和F1分?jǐn)?shù)（F1-score，F(xiàn)1）作為異常心律分類性能的評價指標(biāo)，計算公式分別為

式中：TP、FP、FN分別為檢測到的真陽性樣本個數(shù)、假陽性樣本個數(shù)和假陰性樣本個數(shù)。

對于每個預(yù)測樣本，若該類預(yù)測概率大于0.5，則認(rèn)為該類別預(yù)測正確。

3.3 ?實驗對比與分析

為驗證本文模型ECG心律分類的性能，與以下4種基線方法進(jìn)行對比：1） 1D ResNet-34^[6]，利用CNN的時域特征提取能力，采用一維殘差網(wǎng)絡(luò)實現(xiàn)異常心律分類；2）SE ECGNet^[7]，將多導(dǎo)聯(lián)數(shù)據(jù)作為二維矩陣輸入到多尺度殘差網(wǎng)絡(luò)，引入SE模塊捕獲不同導(dǎo)聯(lián)層的通道注意力，提高異常心律分類檢測的精度；3）MLWGAT^[18]，采用自注意權(quán)值與類的先驗共現(xiàn)知識相結(jié)合的權(quán)值生成方法，將每個類作為加權(quán)圖的節(jié)點(diǎn)，類依賴關(guān)系用圖的邊權(quán)重表示，增加模型的可解釋性；4）HRNN^[19]，通過在神經(jīng)網(wǎng)絡(luò)中引入臨床規(guī)則，提高異常心律分類檢測的效果。

上述5種方法的網(wǎng)絡(luò)模型都采用相同的數(shù)據(jù)集劃分比例、損失函數(shù)和優(yōu)化器，實驗結(jié)果如表1所示。

由表1可以看出：本文模型的實驗結(jié)果優(yōu)于其他4種網(wǎng)絡(luò)模型，相較于同樣采用CNN模型的1D?ResNet-34和SE ECGNet，F1、P和R分別提高了約3%、4%和2.5%，證明了本文模型的優(yōu)越性，數(shù)據(jù)集的檢測性能有明顯優(yōu)勢；相較于同樣融入信息的檢測方法MLWGAT和HRNN，F1提高了2%，證明本文模型加入ECG樣本與正常心律的差異信息的可靠性。

對比本文模型有無加入ECG樣本與正常心律的差異信息的ECG心律分類性能。通過在模型框架上增刪ECG樣本與正常心律的差異信息融合模塊，其他實驗條件保持一致，進(jìn)行對比實驗，結(jié)果如表2所示。

由表2可以看出：加入ECG樣本與正常心律的差異信息相較于未加入時，F1提高了0.57%，證明通過加入ECG樣本與正常心律的差異信息可有效提高網(wǎng)絡(luò)ECG心律分類的性能。

對比2種相似結(jié)構(gòu)的基線方法浮點(diǎn)計算量（FLOPs）和參數(shù)量（Params），如表3所示。

由表3可以看出：本文模型的FLOPs和Params與相似結(jié)構(gòu)的1D ResNet-34和HRNN相比較，分別降低了約3.1 GB和0.7 MB，模型結(jié)構(gòu)更簡單，分類性能更好，證明了本文模型的有效性；通過加入自適應(yīng)卷積塊，只額外增加少許計算量，但大幅提高了模型的分類性能，證明本文采用自適應(yīng)卷積方法，在主分支加入子分支提取的ECG樣本與正常心律的差異信息，可以使模型輕量化的同時，提高其分類性能。

4 ?結(jié)論

為了解決輕量級模型因減少模型復(fù)雜度而帶來的檢測性能不足的問題，本文提出一種基于自適應(yīng)卷積的ECG心律分類方法。采用輕量級CNN模型框架ConvMixer作為主干網(wǎng)，并通過雙分支結(jié)構(gòu)分別提取ECG波形特征和ECG樣本與正常心律的差異信息，最后采用自適應(yīng)卷積在主分支加入ECG樣本與正常心律的差異信息，只額外增加少許計算量，但提高了網(wǎng)絡(luò)ECG心律分類的性能。在“合肥高新杯”數(shù)據(jù)集上進(jìn)行實驗，驗證了本文方法的有效性。

參考文獻(xiàn)

參考文獻(xiàn)

[1]CELIN S， VASANTH K. ECG signal classification using various machine learning techniques[J]. Journal of Medical Systems， 2018，42（12）：241.

[2]ANSARI S， FARZANEH N， DUDA M， et al. A review of automated methods for detection of myocardial ischemia and infarction using electrocardiogram and electronic health records [J]. IEEE Reviews in Biomedical Engineering， 2017，10： 264-298.

[3]BOUCHIKHI S， BOUBLENZA A， CHIKH M A. Discrete hidden Markov model classifier for premature ventricular contraction detection[J]. International Journal of Biomedical Engineering and Technology， 2015， 17（4）： 371-386.

[4]CHEN J， ZHENG X， YU H， et al. Electrocardio panorama： Synthesizing new ECG views with self-supervision[J]. arXiv preprint arXiv：2105.06293， 2021.

[5]YAO Q， WANG R， FAN X， et al. Multi-class arrhythmia detection from 12-lead varied-length ECG using attention-based time-incremental convolutional neural network[J]. Information Fusion， 2020， 53：174-182.

[6]BRITO C， MACHADO A， SOUSA A L. Electrocardiogram beat-classification based on a ResNet network[C]//MedInfo， 2019：55-59.

[7]ZHANG H， ZHAO W， LIU S. SE-ECGNet： A multi-scale deep residual network with squeeze-and-excitation module for ECG signal classification[C]//2020 IEEE International Conference on Bioinformatics and Biomedicine （BIBM）. IEEE， 2020： 2685-2691.

[8]TOMA T I， CHOI S. A comparative analysis of 2D deep CNN models for arrhythmia detection using STFT-based long dura- tion ECG spectrogram[C]//2022 Thirteenth International Con- ference on Ubiquitous and Future Networks （ICUFN）. IEEE， 2022： 483-488.

[9]ZHENG X， MA Y， PAN Z， et al. Arrhythmia detection algorithm based on CNN and SENet[C]//Proceedings of the 5th International Conference on Big Data Technologies， 2022：76-82.

[10]XIONG Z， NASH M P， CHENG E， et al. ECG signal classification for the detection of cardiac arrhythmias using a convolutional recurrent neural network[J]. Physiological Mea- surement， 2018，39（9）：094006.

[11]POKAPRAKARN T， KITZMILLER R R， Moorman R， et al. Sequence to sequence ECG cardiac rhythm classification using convolutional recurrent neural networks[J]. IEEE Journal of Biomedical and Health Informatics， 2021，26（2）：572-580.

[12]ZHANG J， LIU A， GAO M， et al. ECG-based multi-class arrhythmia detection using spatio-temporal attention-based convolutional recurrent neural network[J]. Artificial Intelli- gence in Medicine， 2020，106：101856.

[13]SINGH S， PANDEY S K， PAWAR U， et al. Classification of ECG arrhythmia using recurrent neural networks[J]. Procedia Computer Science， 2018，132：1290-1297.

[14]XIAO J， LIU J， YANG H， et al. ULECGNet： An ultra-lightweight end-to-end ECG classification neural network[J]. IEEE Journal of Biomedical and Health Informatics， 2021， 26（1）：206-217.

[15]TROCKMAN A， KOLTER J Z. Patches are all you need？[J]. arXiv preprint arXiv：2201.09792， 2022.

[16]ZENG Z， WANG J， CHENG N， et al. Lvcnet： efficient condition-dependent modeling network for waveform gene- ration[C]// IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. IEEE， 2021：6054-6058.

[17]TIANCHI. Hefei hi-tech cup ECG intelligent competition [EB/OL]. 2019. Available： https：//tianchi.aliyun.com/compe-tition/entrance/231754/information.

[18]WANG H， ZHAO W， LI Z， et al. A weighted graph attention network based method for multi-label classification of elec- trocardiogram abnormalities[C]//2020 42nd Annual Interna- tional Conference of the IEEE Engineering in Medicine & Biology Society （EMBC）. IEEE， 2020： 418-421.

[19]BIAN Y， CHEN J， CHEN X， et al. Identifying electrocar- diogram abnormalities using a handcrafted-rule-enhanced neural network[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2022.

作者簡介：

廖桂鑫，男，1999年生，碩士研究生，主要研究方向：模式識別、生物信號處理。E-mail：?2112104074@mail2.gdut.edu.cn

甘力，男，1996年生，碩士研究生，主要研究方向：模式識別、生物信號處理。E-mail：?695839557@qq.com