基于通道分離卷積的心電肢體電極錯接檢測方法

摘要：針對心電圖采集過程中常見的肢體電極錯接問題，文章提出了一種結合通道混合卷積、通道分離卷積與 GRU 的模型，并采用 Focal Loss 作為損失函數。利用 PTB-XL 數據集作為訓練集，CSE 數據集作為測試集，從電極錯接原理出發，設計了數據生成方法以構建訓練和測試數據。最終在 CSE 測試集上實現了 99.91% 的特異度，假陽性率首次低于肢體電極錯接的實際發生率，五種錯接類別的 Macro-F1 指標達到 99.46%。通過與現有研究的比較，驗證了文章方法達到了當前的最高水平。

關鍵詞：通道分離卷積；肢體電極錯接；心電采集質量控制；Focal Loss；融合模型

中圖分類號：TP181 文獻標識碼：A

文章編號：1009-3044（2025）01-0036-05 開放科學（資源服務） 標識碼（OSID） ：

0 引言

近年來，隨著心電遠程診斷的大規模商業化推廣，心電遠程診斷在各級醫療機構中得到了廣泛應用[1]。在大型醫療機構中，原本需要在心電圖室進行的心電圖采集工作被逐步下放到各個科室的住院部[2]。而在基層醫療機構（如村醫、衛生室、診所、鄉鎮衛生院等不具備心電報告出具能力或心電圖解讀能力較弱的部門） ，通過心電網絡系統，將心電圖發送到具備診斷能力的醫療機構或區域心電中心進行判讀和報告出具[3]。

隨著心電遠程診斷技術的廣泛普及，心電圖采集過程中的質量控制變得愈發重要[4]。通過對三家三級醫療機構為期一年的數據調研，在共計82 899份遠程心電圖報告中，發現 437 份存在肢體電極錯接問題，發生率達到5.3‰，這一結果與 SK Roy 等人[5] 研究中得到的 4‰ 數據基本一致。由于遠程心電診斷從采集完畢到報告出具通常需要一定時間，被測者完成心電圖采集后往往會暫時離開采集地點。這導致如果在采集過程中出現肢體電極錯接問題，接收到錯接反饋后再次進行采集的時間將大大延長。這不僅可能對許多重要的心電疾病造成診斷延誤，也降低了患者的就診體驗。

1 當前研究進展

隨著人工智能技術在心電領域的迅猛發展，眾多專注于心電診斷的人工智能系統被設計并應用于臨床實踐，為臨床工作帶來了極大便利。通過在心電圖采集后采用人工智能方法判斷是否存在肢體電極錯接問題，并及時提醒采集者進行糾正，或在判讀前自動提醒和校正，可大幅降低因工作疏忽導致的不良就診體驗。

早在1998年，馬駿[6]通過總結大量電極錯接的心電圖，提出了電極錯接的人工判讀方法。此后，諸如M Bickerton、A Pearce、R Lynch 等人的研究均指出，應通過制度建設以及采集人員的持續培訓來降低電極錯接的發生率[7-9]。

2012年，Henian Xia在研究中對比了基于規則系統、基于神經網絡以及結合特征工程的神經網絡方法[10]。由于當時技術條件的限制，其采用的神經網絡是簡單的MLP網絡。對于正常心電圖，這些方法的最高識別準確度可達98.4%，但對于心律失常患者，準確率則下降至36.1%到78.4%之間。

2020年，K Rjoob等人對該領域的研究進行了全面回顧和比較[11]。目前準確率最高的方法是Jekova I 等人提出的基于人工識別特征填表打分的方法[12]，其敏感度達到97.9%，特異度達到99.2%。盡管這些數字看似較高，但由于肢體電極錯接的實際發生率僅為4‰，99.2%的特異度意味著誤報數量遠遠超出實際發生數量。此外，該方法在執行過程中需要人工填表打分，耗費大量人力資源，難以實際推廣。

因此，利用更為先進的深度學習方法，設計能夠在實際醫療環境中應用的全自動、高精度肢體電極錯接檢測算法，具有重要的研究價值。

2 方法設計

2.1 肢體電極錯接對心電圖的影響分析

心電圖的采集基于心臟每次心跳周期中產生的微小電流變化。這些電流通過人體組織傳導至體表，放置在特定位置的電極捕捉到這些電信號，并將其轉換成可記錄和分析的心電圖波形。在標準十二導聯心電圖中，肢體電極共有4個：左手電極（LA） 、右手電極（RA） 、左腿電極（LL） 和右腿電極（RL） 。

通常使用右腿電極（RL） 作為 0 電位參照點來確定其他各電極的電壓值。因此，本文中使用電極簡稱代指該電極相對于 RL 的電壓值。

在標準十二導聯心電圖的肢體導聯中，各導聯與電極電壓之間存在如下換算關系（見表 1） 。

由于大量研究驗證表明，左腿導聯（LL） 與右腿導聯（RL） 的錯接對心電圖基本無影響，且不會妨礙心電圖的進一步判讀與報告出具[13]。因此，與 A. KhaledRjoob 等人的研究一致，本研究不再涉及與 RL 電極相關的錯接情況[11]。

在排除涉及 RL 電極的錯接后，所有肢體電極錯接可分為以下5種情況進行探討。

2.1.1 LA 與 RA 錯接

根據表1的換算關系，可得出左手電極（LA） 與右手電極（RA） 錯接后，與標準十二導聯心電圖的換算關系，如表2所示。

2.1.2 LA 與LL 錯接

根據表1的換算關系，可得出左手電極（LA） 與左腿電極（LL） 錯接后，與標準十二導聯心電圖的換算關系，如表3所示。

2.1.3 RA 與LL 錯接

根據表 1 的換算關系，可得出右手（RA） 與左腿（LL） 錯接后，與標準十二導聯心電圖的換算關系，如表 4 所示。

2.1.4 LA 接RA、RA 接LL、LL 接LA

根據表 1 的換算關系，可以得出LA接RA、RA接LL、LL接LA錯接后，與標準十二導聯心電圖的換算關系，如表 5 所示。

2.1.5 LA 接LL、RA 接LA、LL 接RA

根據表1的換算關系，可以得出LA接LL、RA接LA、LL接RA錯接后，與標準十二導聯心電圖的換算關系，如表6所示。

2.2 數據集構建

如2.1節所述，除右腿電極外，所有肢體電極錯接情況下的導聯波形均可通過標準十二導聯的圖形變換得到。因此，可以直接利用2.1節中表2至表6給出的變換關系，生成模擬的錯接導聯波形。

PTB-XL[14]數據庫和 CSE[15]數據庫均為標準十二導聯心電數據庫，可用于相關研究。PTB-XL數據庫包含21 837份長度為10秒、采樣率為1 000 Hz的心電數據，覆蓋正常心電圖、心肌梗死、ST-T改變、傳導異常、心室肥大等常見心電圖類型，數據量豐富，且不存在電極錯接問題。CSE數據庫數據量較少，共有1 220 份長度為10秒、采樣率為500 Hz的心電數據，同樣不存在電極錯接問題。

本研究以 PTB-XL 數據庫作為訓練集，CSE 數據庫作為測試集進行研究。

具體步驟如下：

1） 將原始的十二導聯數據作為非電極錯接數據；

2） 按照表2的變換關系，對原始數據中的肢體導聯進行變換，生成LA與RA錯接的模擬數據；

3） 按照表3的變換關系，生成LA與LL錯接的模擬數據；

4） 按照表4的變換關系，生成RA與LL錯接的模擬數據；

5） 按照表5的變換關系，生成LA連接RA、RA連接LL、LL連接LA的模擬數據；

6） 按照表6的變換關系，生成LA連接LL、RA連接LA、LL連接RA的模擬數據。

按照上述方法，對各種錯接情況進行模擬數據生成，分別處理PTB-XL和CSE數據庫。最終，獲得總計131022條的PTB-XL訓練集和總計7 320條的CSE測試集。

2.3 算法模型設計

一維卷積在對心電信號進行處理時，相較于其他類型的網絡具有顯著優勢[16]。因此，本研究中所有的卷積層操作均采用一維卷積。

如表2至表6所示，電極錯接對各個導聯的影響既包括整體分布的宏觀層面影響，也包括各個導聯的獨立影響。如果直接將所有12個導聯視為一維信號輸入的12個通道，深度學習網絡會較早地將各導聯的數據進行融合，這不利于各導聯形態特征的獨立提取。

為此，本研究在模型架構設計上，采用12通道分離卷積和12通道混合卷積兩個分支進行處理。隨后，通過GRU[17]和MaxPooling層對特征進行進一步提取，最后使用輸出層激活函數為softmax的MLP層進行最終分類處理。模型架構如圖1所示。

2.3.1 12通道混合卷積

輸入模型的單個batch 的心電圖為一個大小為（batch_size， 12， 10000）的矩陣。將其依次輸入12通道混合卷積中的各個block，其中，SEblock為SENET中的squeeze and excitation 層[18]，SEDblock 為將SEblock 中最后一個卷積操作的stride參數調整為2后得到的具有兩倍降采樣效果的卷積單元。

整個混合卷積部分包含10個block單元，除第一個單元的輸入通道數為12、輸出通道數為128外，其余9個block單元的輸入和輸出通道數均為128。經過全部10 個block 單元后，最終得到大小為（batch_size，128，313）的矩陣。

2.3.2 12通道分離卷積

將輸入模型的單個batch的心電圖矩陣沿導聯的維度拆分成12 個矩陣，每個矩陣的維度均為（batch_size， 1， 10 000）。將每個導聯的心電矩陣依次輸入其對應的卷積處理層中。

通道分離卷積部分的結構與12通道混合卷積的結構基本一致，但中間各個block的輸入和輸出通道數從原來的128縮減到32。

每個導聯分別經過其對應的卷積處理層后，得到12個大小為（batch_size， 32， 313）的矩陣。將這些矩陣沿通道維度進行合并，最終得到大小為（batch_size，384， 313）的矩陣。

2.3.3 GRU 處理層

由于Transformer在連續狀態空間中的建模效果弱于傳統的RNN[19]，且GRU的參數量少于LSTM，因此本研究采用GRU作為最終的序列建模模塊。

將12通道混合卷積的輸出與12通道分離卷積的結果沿通道維度拼接，得到大小為（batch_size， 512，313）的矩陣。將其轉置后輸入到雙層雙向GRU 中（GRU的輸入維度為512，單向輸出維度為64，雙向共計128） ，得到大小為（batch_size， 313， 128）的矩陣。

隨后，對該矩陣沿313的維度進行MaxPooling操作，得到大小為（batch_size， 128）的矩陣。最后，將其輸入激活函數為Softmax的 MLP 層中進行處理，得到最終的輸出，大小為（batch_size， 6）的矩陣，用p?表示。

2.3.4 損失計算

由于本研究中所采用的生成數據不存在標簽錯誤問題，因此采用 Focal Loss 來進行損失計算，以提升模型對少量難學樣本的處理能力[20]。

將一個batch對應的標簽表示為p，其為一個大小（batch_size， 6）的One-Hot矩陣，損失計算的公式如式（1） 所示：

式中：pi，j 表示batch中第i 個數據的第j 個電極錯接類別的標簽，如果錯接則該值 1 否則為 0。p?i，j 表示模型對batch中第i 個數據的第j 個電極錯接類別的概率估計結果。

2.4 模型實驗

本研究所有的模型訓練實驗均采用AdamW優化器[21]，學習率設置為0.001，β 值設置為（0.9， 0.999），權重衰減系數設置為 0.05。

所有實驗均在 RTX 4090 顯卡上進行。

2.4.1 模型消融實驗

為驗證本研究中所提出模型的結構合理性，對關鍵的結構部分進行了消融實驗，實驗對照組設定如下：

1） 通道混合卷積+ MLP。將通道混合卷積處理得到的大小為（batch_size， 128， 313）的矩陣直接沿313的維度進行MaxPooling操作，得到的（batch_size， 128）矩陣直接輸入帶有Softmax輸出層的雙層MLP。

2） 通道分離卷積+ MLP。12通道分離卷積處理得到的大小為（batch_size， 384， 313）的矩陣沿313的維度進行MaxPooling操作，得到的（batch_size， 384）矩陣直接輸入帶有Softmax輸出層的雙層MLP。

3） GRU + MLP。不使用卷積，直接使用GRU處理大小為（batch_size， 12， 10000）的矩陣。GRU的輸入層維度為12，序列長度為10000，輸出層維度為雙向共計128。將GRU輸出的大小為（batch_size， 128， 10000）的矩陣沿10000 的維度進行MaxPooling 操作，得到的（batch_size， 128）矩陣直接輸入帶有Softmax輸出層的雙層MLP。

4） 通道混合卷積+通道分離卷積+ MLP。在本研究所提出的方法上去除GRU單元，將原MLP層的輸入維度調整為512。將12通道混合卷積和12通道分離卷積拼接后得到的大小為（batch_size， 512， 313）的矩陣沿313的維度進行MaxPooling操作后，輸入MLP層。

5） 通道混合卷積+ GRU + MLP。在本研究所提出的方法上去除12通道分離卷積，將原MLP層的輸入維度調整為128。將12通道混合卷積得到的大小為（batch_size， 128， 313）的矩陣沿313的維度進行Max?Pooling操作后，輸入GRU層，經MaxPooling操作后再輸入MLP層。

6） 通道分離卷積+ GRU + MLP。在本研究所提出的方法上去除12通道混合卷積，將原MLP層的輸入維度調整為384。將12通道分離卷積得到的大小為（batch_size， 384， 313）的矩陣沿313的維度進行Max?Pooling操作后，輸入GRU層，經MaxPooling操作后再輸入MLP層。

表7列舉了這些實驗設定的對比結果。本文采用與Khaled Rjoob[11]綜述研究中相同的指標，即敏感度、特異性和macro-F1（括號內為標準差值） 。所有的敏感度與特異性值均為10次訓練的平均值，標準差也通過10次訓練計算所得。從表格中的結果可以明顯看出，通道分離卷積對整個模型的貢獻最大。

2.4.2 模型對比實驗

為驗證本研究中所提出模型相較于其他研究的合理性，在表8中對近年來其他研究所提出的方法的準確度進行了相同實驗設定下的復現與實驗結果比對。通過表中結果的比對，可以確定當前所提出的方法具有絕對的領先優勢，且在特異性表現上最佳。這在臨床應用中能夠極大降低誤報率，從而提升醫師的使用體驗以及患者的就診體驗。

3 結束語

本文針對心電圖采集過程中的肢體電極錯接問題，設計了一種結合通道混合卷積、通道分離卷積和GRU 的深度學習網絡。通過消融實驗驗證了所提方法的結構設計合理性，通過對比實驗驗證了方法的有效性，最終實現了本領域最佳的準確度評估結果。

然而，心電電極的錯接問題并不僅限于肢體電極之間。雖然胸導聯電極錯接在本研究中未被發現，但臨床調研表明，其在實際工作中也可能發生。因此，未來若能將本研究的理論與方法擴展應用于胸電極錯接的判斷，將對心電圖采集過程的質量控制起到更全面的促進作用。

參考文獻：

[1] 鄧輝， 范詠梅. 遠程心電診斷系統的應用分析[J]. 重慶醫學，2023， 52（S01）： 211-214.

[2] 張淑桂，周銅霞，吳業新，等.區域性心電遠程會診中心在醫院內網中的應用[J].實用心電學雜志，2020，29（6）：386-390.

[3] 施亞娟，陸健泉，韓雪華，等.縣級遠程心電醫聯體“啟東模式” 探討[J].臨床心電學雜志，2019，28（5）：375-378.

[4] 石亞君.遠程心電質控與可持續發展[J].臨床心電學雜志，2023，32（4）：247-258.

[5] ROY S K，SHAH S U，VILLA-LOPEZ E，et al.Comparison ofelectrocardiogram quality and clinical interpretations usingprepositioned ECG electrodes and conventional individual elec?trodes[J].Journal of Electrocardiology，2020，59：126-133.

[6] 馬駿.心電圖左上/下肢導聯反接的識別[J].國外醫學 心血管疾病分冊，1998，25（6）：356.

[7] BICKERTON M，POOLER A.Misplaced ECG electrodes andthe need for continuing training[J].British Journal of CardiacNursing，2019，14（3）：123-132.

[8] PEARCE A.Examining the causes and effects of electrode mis?placement during electrocardiography： a literature review[J].British Journal of Cardiac Nursing，2019，14（7）：1-15.

[9] LYNCH R.ECG lead misplacement：a brief review of limb leadmisplacement[J].African Journal of Emergency Medicine，2014，4（3）：130-139.

[10] XIA H N，GARCIA G A，ZHAO X P.Automatic detection ofECG electrode misplacement：a tale of two algorithms[J].Physi?ological Measurement，2012，33（9）：1549-1561.

[11] RJOOB K，BOND R，FINLAY D，et al.Machine learning tech?niques for detecting electrode misplacement and interchangeswhen recording ECGs：a systematic review and meta-analysis[J].Journal of Electrocardiology，2020（62）：116-123.

[12] JEKOVA I，KRASTEVA V，LEBER R，et al.Inter-lead correla?tion analysis for automated detection of cable reversals in 12/16-lead ECG[J].Computer Methods and Programs in Biomedi?cine，2016（134）：31-41.

[13] HARRIGAN R A.Electrode misconnection，misplacement，andartifact[J]. Emergency Medicine Clinics of North America，2006，24（1）：227-235.

[14] WAGNER P， STRODTHOFF N， BOUSSELJOT R D， et al.PTB-XL， a large publicly available electrocardiography data?set[J]. Scientific Data， 2020， 7（1）： 154.

[15] WILLEMS J L，ARNAUD P，VAN BEMMEL J H，et al.A refer?ence data base for multilead electrocardiographic computermeasurement programs[J].Journal of the American College ofCardiology，1987，10（6）：1313-1321.

[16] KIRANYAZ S，AVCI O，ABDELJABER O，et al.1D convolu?tional neural networks and applications：a survey[J].Mechani?cal Systems and Signal Processing，2021，151：107398.

[17] CHO K，VAN MERRIENBOER B，GULCEHRE C，et al.Learn?ing phrase representations using RNN encoder-decoder forstatistical machine translation[J].ArXiv e-Prints，2014：arXiv：1406.1078.

[18] HU J，SHEN L，SUN G.Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and PatternRecognition.June 18-23，2018，Salt Lake City，UT，USA.IEEE，2018：7132-7141.

[22] DE BIE J，MORTARA D W，CLARK T F.The development andvalidation of an early warning system to prevent the acquisi?tion of 12-lead resting ECGs with interchanged electrode po?sitions[J].Journal of Electrocardiology，2014，47（6）：794-797.

[23] HAN C Z，GREGG R E，BABAEIZADEH S.Automatic detec?tion of ECG lead-wire interchange for conventional andMason-Likar lead systems[C]//Computing in Cardiology.Sep?tember 7-10，2014，Cambridge，MA，USA.IEEE，2014：145-148.

[24] JEKOVA I， KRASTEVA V， AB?CHERLI R. Detection ofelectrode interchange in precordial and orthogonal ECG leads[C]//Proceedings of the 2013 Computing in Cardiology Confer?ence （CinC）， 2013： 519-522.

[25] GREGG R E， HANCOCK E W， BABAEIZADEH S. DetectingECG limb lead-wire interchanges involving the right leg leadwire[C]//Proceedings of the 2017 Computing in CardiologyConference （CinC）. 2017： 1-4.

[26] RJOOB K， BOND R， FINLAY D， et al.. Machine learning im?proves the detection of misplaced V1 and V2 electrodes dur?ing 12-lead electrocardiogram acquisition[C]//Proceedings ofthe 2019 Computing in Cardiology Conference （CinC）. 2019：1-4.

【通聯編輯：唐一東】