王露笛，周曉光

北京郵電大學，北京 100876

引言

心力衰竭是一種臨床綜合癥，其產(chǎn)生的根本原因為心室泵血能力衰弱，導致每一次心臟搏動所排出的血液量無法滿足人體新陳代謝的正常需要，因此也被稱作為充血性心力衰竭。心力衰竭會導致人體其他組織和器官的血液灌注不足，正常功能受到影響，甚至是威脅患者生命安全。根據(jù)美國心臟病基金會(ACCF)以及美國心臟病協(xié)會(AHA)共同發(fā)布的充血性心力衰竭指南[1]，心力衰竭的等級一共分為四級，只有三、四級的患者才會出現(xiàn)明顯的癥狀。在我國，心力衰竭的患病率已經(jīng)達到了1.61%，大約一般的心力衰竭患者會在確診后的五年內死亡[2]。因此，心力衰竭的自動診斷具有十分重要的臨床價值和社會意義。

有研究表明，心力衰竭可以基于連續(xù)心率的量化指標進行檢測[3]。該研究發(fā)現(xiàn)，連續(xù)心率的標準偏差(SDNN)可以被用于預測心力衰竭患者死亡的風險：SDNN 為50ms的受試分組死亡率(51.4%)約為SDNN 為100ms的受試分組死亡率(5.5%)的9.3倍。從此，不斷有研究者嘗試通過對連續(xù)心率的分析來識別心力衰竭患者。

近年來，深度學習算法不斷被應用在圖像識別、語音分析、自然語言處理等諸多領域[4,5]，并取得了顯著的效果[6,7,8]。在眾多深度學習模型中，深度殘差網(wǎng)絡(Residual Network，ResNet)[9]的表現(xiàn)尤其突出，迅速成為多種計算機視覺任務中最流行的網(wǎng)絡框架之一。ResNet 允許原始輸入信息跳過中間卷積層直接傳輸?shù)胶竺娴膶又?，使得神?jīng)網(wǎng)絡學習的目標發(fā)生改變，從之前的完整輸出轉變成為輸出與輸入之間的差值，也就是殘差。本文基于深度殘差網(wǎng)絡架構和短時連續(xù)心率信號進行心力衰竭的識別，有效提升心力衰竭檢測的準確度和實時性，幫助心力衰竭患者進行自我管理，提升其生存率和生活質量。

1 心力衰竭自動診斷研究現(xiàn)狀

Yu和Lee[10]基于雙譜分析方法對連續(xù)心率進行特征提取，并利用遺傳算法進行特征選擇，最終選取了約三分之一的特征輸入到支持向量機(SVM)中進行心力衰竭的識別；Chen[11]等人從連續(xù)心率中提取了180個特征，其中包括54個經(jīng)典統(tǒng)計特征和126個動態(tài)指標，利用非平衡決策樹及SVM分類器進行心力衰竭的檢測，最終結果達到了96.61%的準確度。

近年來，也有研究者基于短時連續(xù)心率數(shù)據(jù)進行各類心血管疾病的檢測，其中也包括心力衰竭。研究表明[12]，短時連續(xù)心率可以用作檢測心房顫動等心血管疾病，并且取得了良好的效果。在心力衰竭識別方法，短時連續(xù)心率分析也具有一定的診斷意義。Liu[13]等人提出一種基于模糊熵的方法對心力衰竭患者進行識別。之后，Liu[14]等人還嘗試利用多尺度熵分析的方法對短時連續(xù)心率進行特征提取，并同樣基于SVM分類器進行心力衰竭的診斷。Chen[15]等人基于稀疏自編碼方法(Sparse auto-encoder)對短時心率信號進行特征提取，并利用深度學習網(wǎng)絡對心力衰竭進行檢測。

2 實驗數(shù)據(jù)

本研究的實驗數(shù)據(jù)來源于國際公認的開源數(shù)據(jù)庫PhysioNet，該數(shù)據(jù)庫主要分為臨床數(shù)據(jù)庫和波形數(shù)據(jù)庫兩大類。其中，波形數(shù)據(jù)庫包含多種非重癥監(jiān)護環(huán)境的生理信號的連續(xù)記錄。在本研究中，我們采用了BIDMC 心力衰竭數(shù)據(jù)庫(BIDMC Congestive Heart Failure Database，BIDMC-CHF)、MIT-BIH正常竇性心律數(shù)據(jù)庫(MIT-BIH Normal Sinus Rhythm，NSR)和幻想曲數(shù)據(jù)庫(Fantasia database，F(xiàn)D)。

BIDMC 心力衰竭數(shù)據(jù)庫包括15位患有嚴重心力衰竭(NYHA等級為3～4級)患者的連續(xù)心電數(shù)據(jù)，其中包括11位年齡在22至71歲之間的男性以及4位年齡在54至63之間的女性；MIT-BIH 正常竇性心律數(shù)據(jù)庫包括18位健康人群的連續(xù)心電數(shù)據(jù)，其中包括5位年齡在26至45歲之間的男性以及13位年齡在20至50歲之間的女性；而幻想曲數(shù)據(jù)庫則包括20名年輕人(21到34歲)和20名老年人(68到85歲)經(jīng)過嚴格篩查的健康受試者經(jīng)過連續(xù) 2個小時的休息后測試的生理特征數(shù)據(jù)。在本研究中，我們首先根據(jù)受試者的檔案信息將數(shù)據(jù)庫分成訓練集和測試集，這樣做的目的在于保證測試集中的數(shù)據(jù)從未在訓練階段出現(xiàn)，防止過擬合對算法評估的影響。之后，將數(shù)據(jù)集中的連續(xù)心率數(shù)據(jù)以長度為500、1000和2000個連續(xù)心跳劃分成等長的數(shù)據(jù)，表1總結了以上三種數(shù)據(jù)庫在經(jīng)過數(shù)據(jù)分割處理之后得到的樣本數(shù)量。表2是測試集中受試者的信息(訓練集受試者較多，在此不列出)。圖1 表示的是在分割長度為500心跳時兩個種類連續(xù)心率信號示意圖。

3 深度網(wǎng)絡結構

3.1 深度殘差網(wǎng)絡

深度殘差網(wǎng)絡是何愷明在2015年提出的一種深度網(wǎng)絡模型，它對網(wǎng)絡連接結構進行了改進，并在實際應用中取得了不錯的效果。這種全新的網(wǎng)絡連接方式也被稱作為恒等快捷連接(Identify shortcut connection)，如圖2所示，它直接跳過一個或多個層，從而將前若干層的數(shù)據(jù)輸出直接引入到后面數(shù)據(jù)層的輸入部分。

表1 不同數(shù)據(jù)庫的樣本量Table1 The number of signal for different database

表2 測試集中受試者信息Table2 Information of subjects in testing dataset

圖1 樣本長度為500個心跳時兩類數(shù)據(jù)Fig.1 RR intervals of CHF and normal subjects: a, CHF subjects; b, normal subjects

深度殘差網(wǎng)絡結構的出現(xiàn)有效地解決了深度學習中的退化問題，這是因為殘差網(wǎng)絡學習的是殘差函數(shù)F(x)=H(x)–x而不是H(x)，盡管這兩種形式的目標函數(shù)原則上都能夠逼近所需的函數(shù)，但學習的難易程度并不相同。如果最優(yōu)函數(shù)更趨近于恒等映射而不是零映射，那么對于求解器來說尋找關于恒等映射的干擾比學習一個新函數(shù)要容易的多。事實上，經(jīng)過大量的實踐驗證，深度殘差網(wǎng)絡比其他網(wǎng)絡，例如VGGNet和GoogLeNet 具有更高的準確率。

3.2 基于深度殘差網(wǎng)絡的心力衰竭診斷

如上文所述，連續(xù)心率信號其本身是一種時間序列信號，它同時具有空間信息和時間信息。因此，我們在深度殘差網(wǎng)絡的基礎上，引入長短時記憶(Long short-term memory, LSTM)單元對時間序列特征進行更有效的提取。

如圖3所示，長短時記憶單元的原型是循環(huán)神經(jīng)網(wǎng)絡(Recurrent neural network, RNN)。它通過加入輸入門、記憶門和遺忘門，來改進對長期時間序列時間信息的處理過程。LSTM 網(wǎng)絡非常適合基于時間序列數(shù)據(jù)的分類、處理和預測任務，并且已經(jīng)成功地應用在旅游時間預測和音樂生成等領域。

圖2 殘差構建塊示意圖Fig.2 A building block of residual learning

圖3 LSTM 單元結構Fig.3 A LSTM cell with three gates

圖4 深度網(wǎng)絡架構Fig.4 Deep learning network structure

如圖4所示，在本研究中，我們利用 LSTM 網(wǎng)絡代替殘差塊之間的卷積網(wǎng)絡。我們選擇自適應矩估計方法(Adaptive Moment Estimation，adam)作為優(yōu)化器，其參數(shù)設置為學習率為0.001,β1= 0.9以及β2=0.999。

4 實驗結果及分析

4.1 評價指標

在本研究中，我們采用準確性、靈敏性和特異性作為驗證指標，具體的定義如下：

其中，TP，F(xiàn)P，F(xiàn)N和TN的意義如下：

1.TP(True positive)是真陽性樣本數(shù)量，代表被正確劃分為正例的個數(shù)(實際為正例，且被分類器劃分為正例的樣本數(shù))；

2.FP(False positive)是假陽性樣本數(shù)量，代表被錯誤劃分為正例的個數(shù)(實際為負例，且被分類器劃分為正例的樣本數(shù))；

3.FN(False negative)是假陰性樣本數(shù)量，代表被錯誤劃分為負例的個數(shù)(實際為正例，且被分類器劃分為負例的樣本數(shù))；

4.TN(True negative)是真陰性樣本數(shù)量，代表被正確劃分為負例的個數(shù)(實際為負例，且被分類器劃分為負例的樣本數(shù))。

需要指出的是，在醫(yī)學診斷中，靈敏性是指算法能夠正確檢測出患有某種疾病的患者的能力，而特異性則是代表算法能夠正確識別沒有疾病的人的能力。

4.2 實驗結果

在實際的臨床應用中，衡量一個模型是否成熟有效主要是看它在面對位置患者時，是否能做出準確可靠的檢測。因此，在本研究中，我們采取無偏見測試(Blind test)對算法的有效性進行評估。表3是本方法在無偏見測試集上的表現(xiàn)。

表3 無偏見測試集上的表現(xiàn)Table3 Performance with blind test

當輸入的連續(xù)心率長度為500時，模型的識別整體準確度為99.67%，靈敏性為99.34%，特異性100%；當輸入的連續(xù)心率長度為1000時，模型的識別整體準確度為98.84%，靈敏性為97.53%，特異性100%；而當輸入的連續(xù)心率長度為2000時，模型的識別整體準確度為96.63%，靈敏性為100%，特異性93.64%。

5 討論

與傳統(tǒng)的心力衰竭識別算法相比，基于深度學習的心力衰竭識別算法能夠在高維空間中進行可靠的特征提取，并且不需要人工操作，避免可能存在的人為誤差。深度學習系統(tǒng)通過組合低級特征來發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，從而形成更加抽象的特征表示。

本方法具有兩個優(yōu)點，首先，基于殘差神經(jīng)網(wǎng)絡進行心力衰竭的檢測，基于該方法的決策系統(tǒng)可以從全部數(shù)據(jù)中自動獲取有用的信息，而不是通過特征提取來進行人工的數(shù)據(jù)降維。這樣做能夠最大范圍地保有數(shù)據(jù)的有用信息，避免潛在誤差；其次，我們基于LSTM 網(wǎng)絡單元對網(wǎng)絡架構進行了修改，使得該模型更加適用于時間序列信號的分類。

然而，本研究也存在一些局限性。首先，本研究沒有就不同嚴重程度的心力衰竭進行多分類識別，并且沒有深入討論心力衰竭藥物對數(shù)據(jù)庫中受試者連續(xù)心率的影響；其次，本方法需要大數(shù)據(jù)對模型進行訓練，以獲得最佳性能，并且基于LSTM修改后的網(wǎng)絡模型在訓練階段的計算消耗有所增加。

6 總結

在文獻 [9]的啟發(fā)下，本文提出一種基于LSTM改進的殘差網(wǎng)絡，并將其應用在利用短期連續(xù)心率檢測心力衰竭的研究中?；?個開源數(shù)據(jù)庫和4種不同長度的輸入數(shù)據(jù)對所提出的方法進行了評估，結果表明，在長度為500、1000和2000時，本方法的準確度分別達到了99.67%、98.84%以及96.63%。

使用連續(xù)心率來進行心力衰竭檢測對于醫(yī)療保健應用十分重要，特別是對于智能手表、手環(huán)等穿戴式設備。在下一步工作中，我們會將本模型部署到保健應用中，作為心力衰竭患者日常監(jiān)控的輔助手段，同時嘗試加入注意力機制進一步提高準確度。