王自強(qiáng)，劉洪運(yùn)，石金龍，王衛(wèi)東

1.北京航空航天大學(xué)生物與醫(yī)學(xué)工程學(xué)院，北京100191；2.中國(guó)人民解放軍總醫(yī)院醫(yī)學(xué)工程保障中心，北京100853

前言

心電圖由于其無創(chuàng)、廉價(jià)和便于操作等特點(diǎn)而被廣泛運(yùn)用于心臟疾病診斷和心臟功能評(píng)價(jià)[1]，也是目前診斷鑒別心律失常最常用的方法。心率過快或過慢或者心搏不規(guī)則都可稱為心律失常，通常分為有生命威脅和沒有生命威脅兩種[2]。部分心律失常事件偶爾發(fā)生，雖然可能無直接生命威脅，但為了避免產(chǎn)生可能的惡化也需要及時(shí)防范治療，通過動(dòng)態(tài)心電圖長(zhǎng)時(shí)間記錄心電信號(hào)才能捕捉到這些偶爾發(fā)生的事件。為了捕捉這些事件，心搏的識(shí)別非常重要。

心電圖心搏識(shí)別屬于醫(yī)學(xué)領(lǐng)域的模式識(shí)別，心搏自動(dòng)識(shí)別可以提高心電圖分析效率，也是當(dāng)前快速增長(zhǎng)的心電數(shù)據(jù)分析的必然趨勢(shì)。采用機(jī)器學(xué)習(xí)方法來識(shí)別心電圖心搏類型通常包含心電信號(hào)的預(yù)處理（去除各類噪聲）、特征波形檢測(cè)選擇（選擇具有代表性的特征）和心搏識(shí)別。

心電信號(hào)預(yù)處理和特征波形檢測(cè)已經(jīng)有大量相關(guān)研究，本文不再進(jìn)一步贅述。文獻(xiàn)中常用于心搏分類的特征通常包括心電信號(hào)的時(shí)域特征、頻域特征、形態(tài)特征和各類統(tǒng)計(jì)特征等。傳統(tǒng)的心電圖心搏識(shí)別算法通常是基于先驗(yàn)知識(shí)從心搏中提取相應(yīng)的特征之后，再使用機(jī)器學(xué)習(xí)算法分類。常用的分類方法如聚類[3-4]、支持向量 機(jī)（Support Vector Machine，SVM）[5-7]、神經(jīng)網(wǎng)絡(luò)[8-10]等。Mar等[11]采用時(shí)域特征、統(tǒng)計(jì)特征和形態(tài)特征來識(shí)別4種心搏。Yu等[12]結(jié)合了獨(dú)立成分分析（Independent Component Analysis,ICA）分解后的形態(tài)特征和RR間期等特征，用概率神經(jīng)網(wǎng)絡(luò)識(shí)別6種心搏，獲得了超過99%的準(zhǔn)確率。Ye等[13]同樣采用了ICA分解后的心搏和RR間期作為特征，用SVM識(shí)別心搏，獲得了99.3%的平均準(zhǔn)確率。

近年來，深度學(xué)習(xí)發(fā)展迅速并開始用于心搏識(shí)別。有別于傳統(tǒng)機(jī)器學(xué)習(xí)算法，基于深度學(xué)習(xí)的算法能夠從心電信號(hào)中自學(xué)習(xí)提取有用的特征[14]。Acharya等[15]使用深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）來進(jìn)行心搏的識(shí)別。該研究除了信號(hào)的預(yù)處理之外，并沒有進(jìn)行特征波形的檢測(cè)和特征提取，直接輸入分割的心電信號(hào)作為樣本，通過學(xué)習(xí)訓(xùn)練之后，對(duì)經(jīng)過降噪和未經(jīng)降噪的信號(hào)進(jìn)行測(cè)試對(duì)比，結(jié)果平均準(zhǔn)確率分別為94.03%和93.47%，但是該研究只識(shí)別了5種心搏。Yang等[16]使用堆疊的稀疏自編碼器和softmax回歸識(shí)別左束支阻滯、右束支阻滯等6種心搏，其準(zhǔn)確率達(dá)到99.22%?？傮w而言，當(dāng)前的深度學(xué)習(xí)方法識(shí)別心搏種類較少，沒有細(xì)化，具體的心搏類型正確識(shí)別對(duì)于心電分析具有重要潛在價(jià)值，因此本文嘗試使用CNN直接識(shí)別M IT-BIH心律失常數(shù)據(jù)庫(kù)中的13種心搏，并測(cè)試其對(duì)于疊加噪聲數(shù)據(jù)的識(shí)別能力。

1 方法

本文的心搏識(shí)別系統(tǒng)流程圖如圖1所示，包含以下過程：首先通過小波變換進(jìn)行信號(hào)預(yù)處理。然后按照時(shí)序依次檢測(cè)R波，當(dāng)檢測(cè)到R波時(shí)，以R波為中心進(jìn)行心搏分割，將分割后得到的樣本輸入到神經(jīng)網(wǎng)絡(luò)中訓(xùn)練模型。最后將待測(cè)心電信號(hào)輸入，經(jīng)訓(xùn)練好的CNN識(shí)別得出心搏類型并標(biāo)注到心電圖中。

圖1 心搏識(shí)別系統(tǒng)流程圖Fig.1 Flow diagram of heartbeat recognition system

1.1 數(shù)據(jù)庫(kù)

所用的數(shù)據(jù)庫(kù)為M IT-BIH心律失常數(shù)據(jù)庫(kù)[17]，該數(shù)據(jù)庫(kù)包含48個(gè)記錄，每個(gè)記錄含有兩個(gè)導(dǎo)聯(lián)、采樣率為360 Hz。每個(gè)數(shù)據(jù)長(zhǎng)度約為30 m in，一共包含約109 000個(gè)心搏，其中約70%為正常心搏。心電信號(hào)對(duì)應(yīng)的心搏類型、節(jié)律信息和信號(hào)質(zhì)量等都保存在注釋文件中。

1.2 預(yù)處理

文章選取的心電導(dǎo)聯(lián)主要為Modified Limb Lead II（MLII）導(dǎo)聯(lián)，首先對(duì)所選擇導(dǎo)聯(lián)的心電信號(hào)進(jìn)行預(yù)處理。選擇bior小波進(jìn)行8階小波變換，去除了1層和2層高頻噪聲和8層低頻信息然后重構(gòu)，去除基線漂移和高頻噪聲干擾。

訓(xùn)練網(wǎng)絡(luò)階段，由于注釋文件中已給出R波的位置，所以未檢測(cè)R波。在具體實(shí)測(cè)過程中，本文采用差分閾值法檢測(cè)R波[18]。然后以R波為中心對(duì)心電數(shù)據(jù)分割，每條分割片段長(zhǎng)為440個(gè)采樣點(diǎn)，通常包含了超過一個(gè)完整心搏的形態(tài)信息。對(duì)每個(gè)分割后的心搏片段進(jìn)行標(biāo)準(zhǔn)化處理，使其均值為0，標(biāo)準(zhǔn)差為1。標(biāo)準(zhǔn)化后的輸入數(shù)據(jù)片段如2圖所示（本文共計(jì)識(shí)別13類心搏，圖2只顯示其中6種）。

1.3 數(shù)據(jù)擴(kuò)增

圖2 6種心搏類型Fig.2 Six types of heartbeats

由于所用數(shù)據(jù)庫(kù)各個(gè)心搏類型的樣本量不均勻，只考慮樣本量相對(duì)較多的13類心搏，對(duì)于這13類心搏，樣本量之間的差別仍然很大，為了使各類心搏的樣本量均衡，本文通過改變樣本均值和方差的方法將樣本量較少的心搏類型進(jìn)行數(shù)據(jù)擴(kuò)增[15]。擴(kuò)增的心搏類型包含（括號(hào)內(nèi)表示該心搏類型的對(duì)應(yīng)符號(hào)）：心室撲動(dòng)（!）、室性融合波（F）、交界性早博心搏（J）、加速的房性逸搏心搏（a）、真性起搏融合心搏（f）、交界性逸搏心搏（j）和未下傳的P波（x）。而樣本量較多的心搏類型則不進(jìn)行擴(kuò)增處理，包含：正常心搏（N）、左束支阻滯心搏（L）、右束支阻滯心搏（R）、房性早搏心搏（A）、室性早搏心搏（V）和起搏心搏（/）。

為了避免數(shù)據(jù)不平衡的問題[15]，從擴(kuò)增的數(shù)據(jù)中隨機(jī)選取了每類心搏中的2 000個(gè)樣本組成26 000個(gè)樣本集。為了更加客觀的評(píng)價(jià)模型的性能，本文采用十折交叉驗(yàn)證來評(píng)價(jià)模型[19]，即將所有樣本均分為10部分，依次將其中一份作為測(cè)試數(shù)據(jù)，另外9份作為訓(xùn)練數(shù)據(jù)，經(jīng)過10次測(cè)試的平均結(jié)果來評(píng)價(jià)模型，即每次的訓(xùn)練集為23 400個(gè)隨機(jī)樣本，測(cè)試集為2 600個(gè)隨機(jī)樣本。

1.4 網(wǎng)絡(luò)結(jié)構(gòu)

CNN是近年來發(fā)展最快的人工神經(jīng)網(wǎng)絡(luò)之一，它可被視為一種特殊結(jié)構(gòu)的多層感知器，常用于圖像識(shí)別、自然語言處理等領(lǐng)域。網(wǎng)絡(luò)通常包含卷積層、池化層和全連接層[20]。卷積層和池化層交替重復(fù)堆疊在網(wǎng)絡(luò)前端提取輸入數(shù)據(jù)的特征。卷積層的輸出經(jīng)過了激活函數(shù)的非線性化映射，然后輸出到池化層，池化層能降低數(shù)據(jù)維數(shù)，避免過擬合，增強(qiáng)網(wǎng)絡(luò)的魯棒性[21]。常用的池化操作有最大池化和平均池化，本文使用平均池化。將最后一個(gè)平均池化層的各個(gè)輸出通道串聯(lián)起來得到的一維信號(hào)作為全連接層的輸入，多個(gè)全連接層組成多層感知器分類得出識(shí)別結(jié)果。

本文的網(wǎng)絡(luò)結(jié)構(gòu)包含3個(gè)卷積層，3個(gè)池化層和3個(gè)全連接層。將輸入層設(shè)為第1層，第2、4、6層為卷積層，一維卷積核長(zhǎng)度分別為21、13和12，對(duì)應(yīng)的輸出通道數(shù)為10、12和8。第3、5、7層為平均池化層，池化步長(zhǎng)為2。最后是神經(jīng)元個(gè)數(shù)分別為90、40和13的多層感知器。

采用誤差反向傳播算法最大化驗(yàn)證準(zhǔn)確率[22]，初始的學(xué)習(xí)率α為0.5，隨著訓(xùn)練周期降低學(xué)習(xí)率，為了加快訓(xùn)練速度，加入了動(dòng)量項(xiàng)，其系數(shù)μ設(shè)為0.8，此外采用小批量訓(xùn)練的方法[23]，將批量大小p設(shè)為64。

本網(wǎng)絡(luò)為處理一維數(shù)據(jù)的CNN，其訓(xùn)練算法流程如下：假設(shè)輸入某個(gè)樣本（x,y），其中x、y均為矢量，f表示非線性映射，W表示卷積層的連接權(quán)，U表示全連接層的連接權(quán)，b表示各個(gè)層的偏置，L表示網(wǎng)絡(luò)的層數(shù)，即第L層網(wǎng)絡(luò)，l表示當(dāng)前層中的輸出通道，即第l個(gè)輸出通道，a表示各個(gè)層的輸出，I表示各個(gè)層的輸入。

（1）隨機(jī)初始化各卷積層的連接權(quán)、偏置（此時(shí)，L=2，4，6；對(duì)應(yīng)卷積層的第l個(gè)輸出通道），以及全連接層的連接權(quán)、偏置（此時(shí)，L=8，9，10；i、j分別表示當(dāng)前層的第i個(gè)神經(jīng)元和當(dāng)前層上一層的第j個(gè)神經(jīng)元）。

（2）輸入樣本前向傳播：表示第L層，第l個(gè)輸出通道的第i個(gè)輸出（此時(shí)，L=1,2,3,4,5,6,7）。全連接層的輸出另表示為（此時(shí)，L=8,9,10,11）。

輸入層：a1l,i=xi

卷積層：

此時(shí)，L=2,4,6為該層（卷積層）的通道l和該層的輸入層（池化層或輸入層）的通道l'之間的卷積核；其中，M為該卷積核的長(zhǎng)度，K表示該層的輸入層（池化層或輸入層）的通道個(gè)數(shù)。

池化層：

此時(shí)，L=3,5,7；k為池化步長(zhǎng)。

全連接層：

此時(shí)，L=9,10、11，a8為a的各個(gè)輸出通道首尾串聯(lián)而得，AL的第i個(gè)輸出記為AiL，R為的長(zhǎng)度。

（3）誤差反向傳播：δL記為，其中e為輸出誤差，IL為第L層的輸入。對(duì)應(yīng)不同層的誤差具體如下所示。

全連接層：

此時(shí)，L=11，符號(hào)⊙表示對(duì)應(yīng)位置相乘得到的新矢量。

此時(shí)，L=9,10，T表示轉(zhuǎn)置操作。因此得到：

池化層：誤差由上層（卷積層）傳過來，δ7為δ9按照原連接次序再斷開得到。

此時(shí)，L=3,5，符號(hào)?表示卷積，即和的卷積為上層（卷積層）的通道l'和該池化層的通道l之間的卷積核；flip為對(duì)輸入一維數(shù)據(jù)進(jìn)行倒序操作。

卷積層：此時(shí)，L=2,4,6；其中，upsample為上采樣，對(duì)于本文采用平均池化，上采樣即誤差反向傳播時(shí)由上層（池化層）誤差δL+1均分到該層相應(yīng)的神經(jīng)元。

（4）含有p個(gè)樣本的批次訓(xùn)練參數(shù)t時(shí)刻更新量為：

（5）t時(shí)刻權(quán)值更新：

其中，α為學(xué)習(xí)率，μ為動(dòng)量項(xiàng)系數(shù)。

（6）不斷重復(fù)（1）～（5）更新參數(shù)，直到更新量小于設(shè)定的某個(gè)較小閾值或到達(dá)訓(xùn)練次數(shù)時(shí)得到網(wǎng)絡(luò)模型。

當(dāng)前許多關(guān)于心搏識(shí)別的方法中，SVM是識(shí)別性能最好的分類器之一。本文選擇將SVM算法作為對(duì)比，使用林志仁開發(fā)的LIBSVM工具箱[24]，選用徑向基核（Radial Basis Kernel,RBK）。將訓(xùn)練集訓(xùn)練得到SVM模型，然后將該分類器模型用于心搏識(shí)別。評(píng)估指標(biāo)包含準(zhǔn)確率Acc、陽(yáng)性預(yù)測(cè)率PPV、敏感度Se和特異度Sp 4個(gè)方面。

2 結(jié)果

表1為經(jīng)過十折交叉驗(yàn)證的平均測(cè)試結(jié)果，從表1可以看出本研究的測(cè)試準(zhǔn)確率達(dá)到98.05%以上，即最大誤差為1.95%，所有心搏的平均準(zhǔn)確率為99.24%。所有心搏的平均特異度達(dá)到99.59%。所有心搏的陽(yáng)性預(yù)測(cè)率和敏感度平均結(jié)果分別為95.00%和95.06%。結(jié)果表明，本網(wǎng)絡(luò)能較準(zhǔn)確的識(shí)別13種心搏。

將不超過0.4 mV的隨機(jī)噪聲信號(hào)疊加到測(cè)試數(shù)據(jù)中，使用CNN模型和SVM模型進(jìn)行測(cè)試。從表2可以看出本研究的CNN模型測(cè)試得到各項(xiàng)性能指標(biāo)均較高，而且各個(gè)類別間的性能指標(biāo)差異較小，識(shí)別的平均準(zhǔn)確率為99.07%，平均敏感度達(dá)到94.01%，平均特異度為99.50%，陽(yáng)性預(yù)測(cè)平均結(jié)果為93.96%。表3為SVM測(cè)試疊加噪聲數(shù)據(jù)結(jié)果，疊加噪聲幾乎不影響SVM識(shí)別真性起搏融合波、未下傳的P波、心室撲動(dòng)和加速的房性逸搏等幾種心搏類型，但是SVM對(duì)疊加噪聲后的正常心搏、起搏心搏和左束支阻滯心搏的識(shí)別明顯降低很多。整體而言，本研究的方法識(shí)別評(píng)估指標(biāo)波動(dòng)小，對(duì)噪聲的魯棒性更強(qiáng)，可靠性更高。

表1 本研究算法十折交叉驗(yàn)證平均結(jié)果Tab.1 Ten-fold cross-validation resu lts of the p roposed algorithm

表2 本研究算法測(cè)試疊加噪聲數(shù)據(jù)的結(jié)果Tab.2 Perform ance of the p roposed algorithm to test added noise

表3 SVM測(cè)試疊加噪聲數(shù)據(jù)的結(jié)果Tab.3 Perform ance of support vector m achine algorithm to test added noise

為了進(jìn)一步檢驗(yàn)設(shè)計(jì)流程的可靠性，考慮到具體病人的心搏類型應(yīng)在本文識(shí)別的13種心搏類型范圍之內(nèi)，本文選取數(shù)據(jù)庫(kù)中的R119作為實(shí)測(cè)數(shù)據(jù)，該記錄包含1 987個(gè)心搏，去除頭尾兩個(gè)心搏后的數(shù)據(jù)作為待測(cè)數(shù)據(jù)。按照?qǐng)D1輸入信號(hào)，經(jīng)過小波變換去噪、差分閾值法檢測(cè)R波、心搏分割后，利用網(wǎng)絡(luò)識(shí)別心搏類型。輸出結(jié)果能正確識(shí)別1 985個(gè)心搏中的1 969個(gè)心搏，陽(yáng)性預(yù)測(cè)值達(dá)到99.19%。其中一部分心電信號(hào)的具體心搏信息顯示如圖3所示。

3 討論

近幾年用深度學(xué)習(xí)方法識(shí)別心搏的研究越來越多，識(shí)別心搏通常分為以心搏類別為導(dǎo)向（intrapatient）和以被試個(gè)體為導(dǎo)向（inter-patient）兩種范式[25]。表4為新發(fā)表的將深度學(xué)習(xí)方法用于心搏識(shí)別的一些研究，稱為intra-patient范式。其數(shù)據(jù)均來自M IT-BIH心律失常數(shù)據(jù)庫(kù)，盡管每種方法使用數(shù)據(jù)庫(kù)中的數(shù)據(jù)量不盡相同，但是作為心搏識(shí)別方法還是具有一定的可比性。Acharya等[15]使用9層卷積神經(jīng)網(wǎng)絡(luò)識(shí)別5種心搏，輸入分割的心搏數(shù)據(jù)，最后得到識(shí)別準(zhǔn)確率為94.04%。Zubair等[26]同樣使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別5種心搏獲得了92.70%的準(zhǔn)確率。Yildirim[27]使用基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）識(shí)別5種心搏，其識(shí)別準(zhǔn)確率高達(dá)99.39%。Yang等[16]使用稀疏自編碼器和softmax回歸識(shí)別6種心搏，其準(zhǔn)確率也超過99.22%。

圖3 心電信號(hào)及其心搏類型Fig.3 ECG signals and the types of heartbeats

表4 本研究算法與新研究結(jié)果比較Tab.4 Com parison of performance am ong the proposed algorithm with other state-of-the-art studies

本文采用CNN識(shí)別心搏，輸入分割后的心搏，通過CNN自學(xué)習(xí)提取特征，然后利用多層感知器對(duì)輸入的特征進(jìn)行識(shí)別分類，即是一種端對(duì)端學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)[28]。本研究通過大量嘗試設(shè)置不同的網(wǎng)絡(luò)層數(shù)、輸出通道個(gè)數(shù)、各層神經(jīng)元的個(gè)數(shù)以及學(xué)習(xí)率等參數(shù)，最終選擇了表現(xiàn)最好的模型。測(cè)試結(jié)果表明網(wǎng)絡(luò)能較準(zhǔn)確的識(shí)別13種心搏（準(zhǔn)確率：99.24%）。本文的CNN是一種端對(duì)端學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)，不需要人工選擇提取特征，同時(shí)又能獲得很高的準(zhǔn)確率。

研究統(tǒng)計(jì)對(duì)比擴(kuò)增心搏和未進(jìn)行擴(kuò)增心搏的各項(xiàng)測(cè)試結(jié)果，進(jìn)行樣本擴(kuò)增心搏的各項(xiàng)評(píng)價(jià)指標(biāo)均高于未擴(kuò)增的心搏各項(xiàng)評(píng)價(jià)指標(biāo)。原因是本文獲得擴(kuò)增數(shù)據(jù)后用于訓(xùn)練和測(cè)試時(shí)再次使用了歸一化，其效果相當(dāng)于對(duì)樣本量較少的數(shù)據(jù)進(jìn)行復(fù)制式的擴(kuò)增，因此在測(cè)試階段擴(kuò)增數(shù)據(jù)各項(xiàng)性能較好，但是從結(jié)果中可以看出未擴(kuò)增的數(shù)據(jù)和擴(kuò)增后的數(shù)據(jù)測(cè)試指標(biāo)并沒有太大差距。本研究的網(wǎng)絡(luò)雖然能夠以較高準(zhǔn)確率識(shí)別13種心搏，但是還有許多不足之處，如：由于數(shù)據(jù)庫(kù)中的各類心搏數(shù)量有限，考慮到心搏之間的樣本量大小，本文只進(jìn)行了13種心搏的識(shí)別，還不能覆蓋臨床上所有的心搏類型；本文的心電采樣率為360 Hz，對(duì)于不同采樣率的待測(cè)信號(hào)需要重采樣到360 Hz才能保證每個(gè)輸入樣本時(shí)間長(zhǎng)度一致；本文所用數(shù)據(jù)庫(kù)中心電的導(dǎo)聯(lián)主要為MLII導(dǎo)聯(lián)，對(duì)于其他導(dǎo)聯(lián)數(shù)據(jù)，其泛化能力可能會(huì)下降；深度網(wǎng)絡(luò)訓(xùn)練時(shí)間往往很長(zhǎng)，本文的網(wǎng)絡(luò)同樣如此，需要經(jīng)過多周期的訓(xùn)練，但是測(cè)試階段只要訓(xùn)練好的模型，測(cè)試時(shí)間非常短，因此前期的訓(xùn)練時(shí)長(zhǎng)是可接受的。

4 結(jié)論

本文使用CNN算法識(shí)別心搏類型。網(wǎng)絡(luò)包含3個(gè)卷積層、3個(gè)池化層和3個(gè)全連接層，通過CNN自學(xué)習(xí)提取輸入分割的心電信號(hào)特征，然后利用多層感知器對(duì)輸入的特征進(jìn)行識(shí)別分類，采用誤差反向傳播的方法訓(xùn)練模型。最后測(cè)試得到的平均準(zhǔn)確率達(dá)到99.24%，特異度平均達(dá)到99.59%以上，陽(yáng)性預(yù)測(cè)結(jié)果和敏感度平均為95.0%和95.06%。對(duì)于加噪信號(hào)，本網(wǎng)絡(luò)仍具有較高的準(zhǔn)確率，這對(duì)于實(shí)際使用過程中的動(dòng)態(tài)心電圖測(cè)試具有重要意義。目前深度學(xué)習(xí)的方法識(shí)別心搏的種類較少，本文采用一種端對(duì)端學(xué)習(xí)卷積神經(jīng)的網(wǎng)絡(luò)能以較高的準(zhǔn)確率識(shí)別多達(dá)13種心搏。其識(shí)別心博種類多、可靠性高、快速和使用簡(jiǎn)便等特點(diǎn)可以在未來的心律失常的自動(dòng)診斷中發(fā)揮重要作用。