劉守華，王小松，劉 昱

(1.中國科學(xué)院大學(xué)，北京 100049； 2.中國科學(xué)院微電子研究所，北京 100029;3.新一代通信射頻芯片技術(shù)北京市重點實驗室，北京 100029)

0 引 言

心電圖(Electrocardiogram， ECG)是記錄人體心臟活動的可視時間序列,已經(jīng)在臨床上廣泛用于心血管類疾病的診斷[1-2]。由于ECG容易受到各種干擾信號的影響,臨床醫(yī)生往往要忽略受嚴重干擾的心電波形再進行判斷。這種基于人工分析的心電圖容易導(dǎo)致診斷結(jié)果誤判。而心電圖的自動分類能高效地為臨床醫(yī)生診斷心血管類疾病提供重要信息。在人工智能技術(shù)迅速發(fā)展的背景下，目前計算機輔助ECG分析方法[3]越來越受到大家的關(guān)注，成為了心電圖領(lǐng)域的研究熱點之一。

ECG自動分類方法主要有2種，一種是基于數(shù)理特征例如小波特征、高階統(tǒng)計量、功率譜特征[4-10]等。它們配合時域特性以及傳統(tǒng)的分析方法例如主成分分析[11]、獨立成分分析等用于ECG分類識別。另一種是基于人工智能的[12-14]，Rajpurkar等[15]和Hannun等[16]采用34層卷積神經(jīng)網(wǎng)絡(luò)，利用來自超過5萬位病人的91,232條記錄組成的大型數(shù)據(jù)集，將心電信號分為包括竇性心律在內(nèi)的11種心律。Jun等[17]提出了具有11層二維卷積的CNN算法；金林鵬等[18]提出了導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的概念，使用了4層一維卷積的CNN算法；Acharya等[19]利用數(shù)據(jù)增強來解決數(shù)據(jù)不平衡問題，并采用9層CNN實現(xiàn)ECG分類。

但無論是使用哪種分類法，現(xiàn)有的不少文獻只是在標準數(shù)據(jù)庫或其中某個子集上得出結(jié)論(整個MIT-BIH數(shù)據(jù)集也只有47個病人)，算法的泛化能力很難得到保證。還有一個很顯著的心搏分類結(jié)論是,病人內(nèi)的正異常分類效果要遠高于病人間的，而病人間的某種疾病識別率要介于病人內(nèi)和病人間的正異常識別率[20]。同時，只針對單導(dǎo)聯(lián)的分類算法將會丟失很多重要的信息，限制了算法的分類能力；其次，很多算法都是針對少數(shù)心率類型實現(xiàn)分類算法，且只能將ECG信號與單一心率類型匹配，或者只做正異常二分類任務(wù)。但是臨床上心率類型種類眾多，且每個心電圖同時屬于多種心率類型。所以這種分類算法雖然具有較好的實驗結(jié)果，但是局限性也很大，很難在臨床上推廣應(yīng)用。針對以上問題，本文基于多導(dǎo)聯(lián)二維結(jié)構(gòu)，采用一維卷積ResNet網(wǎng)絡(luò)的方法，對包括竇性心律在內(nèi)的共計34種心率類型實現(xiàn)自動識別。

1 模型描述

標準的心電信號每個樣本有12個導(dǎo)聯(lián)，其中8個導(dǎo)聯(lián)正交，其余4個導(dǎo)聯(lián)可從已有的8個導(dǎo)聯(lián)導(dǎo)出，現(xiàn)有的CNN主要應(yīng)用于二維圖像。雖然多導(dǎo)聯(lián)ECG與二維圖像類似，但是導(dǎo)聯(lián)間的相關(guān)性與導(dǎo)聯(lián)內(nèi)數(shù)據(jù)的相關(guān)程度相差很大。為此本文基于多導(dǎo)聯(lián)ECG這種特殊的二維結(jié)構(gòu)，使用一維卷積的方法，采用深度卷積神經(jīng)網(wǎng)絡(luò)來完成這種端對端的學(xué)習任務(wù)。網(wǎng)絡(luò)結(jié)構(gòu)采用的是34層的ResNet[21]，將原始的ResNet中二維卷積改為一維卷積，以及設(shè)置第一層卷積核尺寸為15×1，步長為2，以適應(yīng)2048×1的輸入尺寸，另外設(shè)置全連接層輸出長度為34×1，對應(yīng)于34種心率類型。圖1展示了模型結(jié)構(gòu)。

圖1 模型結(jié)構(gòu)圖

ResNet由微軟研究院的何愷明等4名華人提出，通過使用Residual Unit成功訓(xùn)練152層深的神經(jīng)網(wǎng)絡(luò)，錯誤率為3.57%，同時參數(shù)量卻比VGGNet低，效果非常突出。ResNet的結(jié)構(gòu)可以極快地加速超深神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，模型的準確率也有非常大的提升。

ResNet最初的靈感出自這個問題：在不斷增加神經(jīng)網(wǎng)絡(luò)的深度時，會出現(xiàn)一個Degradation(退化)的問題，即準確率會先上升然后達到飽和，再持續(xù)增加深度，準確率反而會下降。這并不是過擬合的問題，因為不光在測試集上誤差增大，訓(xùn)練集本身誤差也會增大。同時由于Bacth Normalization的應(yīng)用，梯度消失(或者梯度爆炸)現(xiàn)象理應(yīng)很早就被解決了。對此何愷明等人在文獻[21]中也有提及：假設(shè)有一個比較淺的網(wǎng)絡(luò)達到了飽和的準確率，若后面再加上幾個全等的映射層，誤差不會增加，即更深的網(wǎng)絡(luò)也不會造成訓(xùn)練集上的誤差增加。因此理論上越深的神經(jīng)網(wǎng)絡(luò)其效果應(yīng)該越好，而這種全等映射恰好是當前網(wǎng)絡(luò)難以實現(xiàn)的東西。文獻[22]也提到過類似的現(xiàn)象，由于非線性激活函數(shù)Relu的存在，每次從輸入到輸出的過程都幾乎是不可逆的(信息損失)。人們很難從輸出反推回完整的輸入。而這里使用全等映射將前一層輸出直接傳到下一層的思想，就是ResNet的靈感來源。假定某段神經(jīng)網(wǎng)絡(luò)的輸入是x，期望輸出是H(x)，如果直接把輸入x傳到輸出作為初始結(jié)果，那么此時需要學(xué)習的目標就是F(x)=H(x)-x。圖2是一個ResNet的殘差學(xué)習單元(Residual Unit)，ResNet相當于將學(xué)習目標改變了，不再是學(xué)習一個完整的輸出H(x)，只是輸出和輸入的差別H(x)-x，即殘差。

圖2 殘差單元

這個殘差單元通過Identity mapping的引入在輸入和輸出之間建立一條關(guān)聯(lián)通道，可以將學(xué)習單元的輸入和輸出進行一個element-wise的疊加，這個簡單的加法不會增加網(wǎng)絡(luò)額外的參數(shù)和計算量，但可以大大增加模型的訓(xùn)練速度，提高訓(xùn)練效果，并且當模型的層數(shù)加深時，這個簡單的結(jié)構(gòu)能夠很好地解決退化問題。

2 數(shù)據(jù)分析與處理

2.1 數(shù)據(jù)分布

本文使用的數(shù)據(jù)為杭州師范大學(xué)移動健康管理系統(tǒng)教育部工程研究中心提供的20,036個樣本，數(shù)據(jù)經(jīng)過脫敏處理，只保留波形數(shù)據(jù)和心電異常事件名稱以及部分患者年齡性別信息。每個樣本采樣頻率為500 Hz，長度為10 s，單位電壓為4.88 μV。

每條樣本對應(yīng)多種心率類型。超過2萬條樣本，包括QRS低電壓、電軸右偏、起搏心律、T波改變等在內(nèi)共計34種心率類型。

溫柔的樹袋熊，女（PS：不要問女生年齡），明清史碩士（其實最稀罕魏晉士人來著），喜歡旅游（尤其是不用自己掏荷包那種）。長卷發(fā)、天秤座、愛吃辣椒，喜歡傳統(tǒng)君子士人：“謙謙君子，溫潤如玉”，可惜現(xiàn)代社會很難遇見，所以有了這篇文章。

數(shù)據(jù)集每種心率包含樣本數(shù)分別為：3、1124、16、3479、1124、120、64、52、16、286、142、25、551、25、35、32、23、414、5264、22、9501、7、299、16、29、34、543、314、901、418、4895、126、35、60。將其中80%劃分為訓(xùn)練集，20%劃分為驗證集，訓(xùn)練集和驗證集各類別占比保持一致。

2.2 數(shù)據(jù)預(yù)處理

針對數(shù)據(jù)集的類別分布可以看到樣本中各個類別心率分布極度不平衡，正常的竇性心律樣本數(shù)含有9501條，最少的QRS低電壓樣本只有3條。對類別失衡的處理辦法通常有2種：1)處理數(shù)據(jù)，也就是通過對數(shù)據(jù)重新抽樣改變數(shù)據(jù)類別的分布；2)優(yōu)化算法，增加小樣本的權(quán)重，從而使得模型在訓(xùn)練的時候更加專注類別小的樣本以獲得較好的學(xué)習效果。

2.2.1 數(shù)據(jù)增強

Mateusz等[23]針對神經(jīng)網(wǎng)絡(luò)中類別失衡做過系統(tǒng)性研究，在深度學(xué)習中針對類別失衡對少量類別進行過采樣，效果總是會好于原數(shù)據(jù)集，并且適當?shù)倪^采樣不會造成模型的嚴重過擬合。

在圖1中，將8導(dǎo)聯(lián)ECG看作二維圖像，原始數(shù)據(jù)的維度是8×5000；隨機設(shè)置起始點，截斷導(dǎo)聯(lián)數(shù)據(jù)之后，輸入維度是8×4000；對導(dǎo)聯(lián)信號重新采樣，并增加年齡數(shù)值，此時網(wǎng)絡(luò)的輸入維度是9×2048。

2.2.2 更改類別權(quán)重

算法層面：對于分類任務(wù)一般使用的損失函數(shù)都是交叉熵損失，以二分類使用的二值交叉熵損失為例,公式為：

(1)

其中，y∈{±1}表示類別標簽，p∈[0,1]表示模型輸出的類別為1的概率，為了簡便，定義：

(2)

其中Pt為t樣本輸出類別為1的概率。此時交叉熵就變成了：

CE(p,y)=CE(Pt)=-log(Pt)

(3)

Lin等[24]提出了Focal Loss，通過在交叉熵的基礎(chǔ)上增加一個動態(tài)縮放因子，以解決類別分類不平衡以及困難的樣本難以訓(xùn)練的問題。Focal Loss的縮放因子可以自動降低簡單樣本的損失權(quán)重，幫助模型集中于訓(xùn)練更加困難的樣本。Focal Loss的思想與OHEM[25]的思想有點類似，OHEM是僅將損失較大的部分反向傳播，直接忽略簡單樣本的損失，這種直接忽略肯定也會帶來一定的影響，所以Focal Loss將簡單樣本的損失降低，而不是直接忽略，從而得到更好的結(jié)果。

Focal Loss的計算公式為：

FL(Pt)=-αt(1-Pt)γlog(pt)

(4)

其中，αt表示樣本t中該類別的權(quán)重參數(shù)，(1-pt)γ表示動態(tài)縮放因子，γ是一個可調(diào)的參數(shù)，控制縮放比例。對于Pt值較大的簡單樣本，通過動態(tài)縮放因子可以下調(diào)該類別的權(quán)重。該損失函數(shù)的缺點是增加了2個超參數(shù)(α,γ)，想要得到好的效果，需要精細調(diào)整。本文采用的αt=1/logN,其中N為原數(shù)據(jù)集類別樣本數(shù)。

圖3是正常的8導(dǎo)聯(lián)竇性心律心電信號圖；圖4展示了不同年齡之間的電軸右偏和起搏心律的分布情況。可以看出，心律分布和年齡的關(guān)聯(lián)性很大，對于起搏心律分布集中在80歲左右，40歲以下沒有該心率異常事件；而不屬于起搏心率的在20～40歲區(qū)間的較多。

圖3 8導(dǎo)聯(lián)ECG

圖4 心率年齡分布圖

3 實驗及結(jié)果分析

3.1 實驗

實驗使用一維卷積神經(jīng)網(wǎng)絡(luò)，輸入為每個樣本前8個導(dǎo)聯(lián)以及年齡構(gòu)成的9通道長度為2048的一維向量。年齡的缺失值用0代替，輸入不做歸一化處理。模型結(jié)構(gòu)如圖1所示。

對輸入數(shù)據(jù)使用FFT方法重新采樣，采樣之后導(dǎo)聯(lián)長度為2048。數(shù)據(jù)增強使用的方法包括：隨機對導(dǎo)聯(lián)信號做上下平移、數(shù)值翻轉(zhuǎn)以及加隨機噪聲。這樣不僅增加了輸入數(shù)據(jù)的豐富程度，進一步降低樣本類別不平衡的影響，并且能增加模型的泛化能力。圖5為對樣本第一導(dǎo)聯(lián)進行數(shù)據(jù)增強的效果，其中每一個子圖為對上一個子圖進行相關(guān)處理之后的效果。

圖5 導(dǎo)聯(lián)I信號的輸入處理

對心電信號進行數(shù)據(jù)增強之后，結(jié)合年齡，將batch size設(shè)置為64，此時輸入的size為[9×2048]，將ResNet第一層卷積核尺寸設(shè)置為15×1，步長設(shè)置為2，以適應(yīng)2048的導(dǎo)聯(lián)長度。模型的輸出size為[34×1]，將模型的輸出經(jīng)過sigmoid函數(shù),此時輸出序列為Y=[y1,y2,…,yn]，n為34，yn的值表示預(yù)測為第n類心律類型的概率值。當yn大于閾值a時，可以認為該樣本屬于第n類心律?？梢酝ㄟ^實驗結(jié)果選取合適的a值。

3.2 實驗結(jié)果

3.2.1 評估方法

對于多分類常用的評價指標為F1，其結(jié)果越大越好，計算公式為：

(5)

其中，P為準確率，R為召回率，計算公式為：

(6)

(7)

P、R中涉及的心電異常事件數(shù)均是所有樣本的累加。

3.2.2 結(jié)果分析

當(1-pt)γ的參數(shù)γ=1，a=0.5時，模型在驗證集取得最好的效果，選用的起始學(xué)習率lr=0.02，每經(jīng)過完整的一輪迭代，學(xué)習率衰減因子lr_decay=0.97。為了防止算法過擬合，dropout=0.2，最大迭代輪數(shù)為300。最終在驗證集上的F1值達到了0.91的分數(shù)，準確率為93.96%，召回率為87.89%。

圖6、圖7為經(jīng)過300輪迭代的訓(xùn)練集和驗證集的損失曲線和F1曲線。

圖6 loss曲線

圖7 F1 score曲線

由于初始學(xué)習率設(shè)置為0.2，loss曲線在訓(xùn)練集和驗證集上在第80個iter左右已經(jīng)基本收斂，后200個iter只有輕微下降。雖然在訓(xùn)練集上損失小于驗證集，但是其F1值在訓(xùn)練集和驗證集上基本一致。因此對訓(xùn)練集進行小規(guī)模過抽樣并沒有使得模型嚴重過擬合，對于34種心電異常事件預(yù)測準確率仍達到94%。

當設(shè)置輸出閾值a=0.5時，對于訓(xùn)練集樣本數(shù)超過100的類別在驗證集上的預(yù)測效果如表1所示。

表1 部分心率類別預(yù)測效果

對于訓(xùn)練數(shù)據(jù)類別樣本數(shù)大于100的心率類型，在驗證集上大部分類別的預(yù)測準確率都在90%以上，并且也都取得較高的召回率，但是對于樣本數(shù)較多的少數(shù)心率類型，例如竇性心律不齊以及對于樣本數(shù)少的ST段改變、不完全性右束支傳導(dǎo)阻滯心率類型的學(xué)習效果仍不理想。

3.3 與其他研究方法對比

為了驗證本文提出的模型的有效性和泛化能力，將本文的模型與先前ECG心率分類工作的性能進行比較。由于這些工作具有不同的數(shù)據(jù)集和心率失常類型，因此直接比較是不合理的。故針對公共數(shù)據(jù)集MIT-BIH心電數(shù)據(jù)庫使用本文的模型進行驗證。

使用美國醫(yī)療儀器促進協(xié)會制定的AAMI標準對MIT-BIH數(shù)據(jù)進行類型劃分，得到6類心率類型，訓(xùn)練樣本數(shù)M=12000，其中各個類型包含2000個樣本，采樣點為統(tǒng)一為512個，80%的樣本用于訓(xùn)練模型，20%用于驗證。為了便于與其他文獻算法相比較，測試集總體的分類效果用整體精度(OA)表示，定義為：

(8)

其中:N、L、R、V、A、P分別為測試集中正常信號(N)、左束支傳導(dǎo)阻滯(LBBB)、右束支傳導(dǎo)阻滯(RBBB)、房性期前收縮(APC)、室性期前收縮(PVC)、融合性心拍(P)正樣本預(yù)測為正樣本數(shù)目;M為總樣本數(shù)目。

從表2可以看出,本文方法在公共數(shù)據(jù)庫上的識別精確度高于表2中的其他方法。在心率類別數(shù)目上多于其他方法的同時識別精度遠高于其他方法。驗證了本模型具備較好的泛化能力。

表2 本文與其他方法比較

4 結(jié)束語

本文對面向臨床的ECG分類進行了研究。針對多導(dǎo)聯(lián)ECG分類問題引入了一維卷積神經(jīng)網(wǎng)絡(luò)。使用的數(shù)據(jù)增強和Focal loss損失函數(shù)對類別失衡有較優(yōu)的效果。經(jīng)過1.8萬條訓(xùn)練樣本，最終在2千多條的驗證集上取得了0.91的F1值，93.96%的準確率，召回率為87.89%的結(jié)果。

網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的進一步優(yōu)化、起始點范圍的選擇以及分類器融合途徑等都有待進一步研究。今后將不斷以既有思想和方法為基礎(chǔ),吸納新的理論和技術(shù),為計算機輔助ECG分析方法的廣泛應(yīng)用進行不斷的探索和努力。