李全池 黃 鑫 羅成思 黃惠泉 饒妮妮

(電子科技大學(xué)生命科學(xué)與技術(shù)學(xué)院，成都 610054)

引言

心律失常是心血管疾病中最為常見(jiàn)的疾病類型之一。一些早期心律失常在體征上與健康個(gè)體沒(méi)有明顯區(qū)別，往往在較為嚴(yán)重時(shí)才被檢出，容易使患者錯(cuò)失最佳治療時(shí)期。因此，開展心律失常的長(zhǎng)時(shí)間智能監(jiān)護(hù)，以提高心律失常的早期檢出率和自動(dòng)診斷準(zhǔn)確率，具有十分重要的實(shí)際意義。

常見(jiàn)的心律失常智能監(jiān)護(hù)模式可簡(jiǎn)單描述為:首先采用便攜式心電設(shè)備，采集用戶的長(zhǎng)程動(dòng)態(tài)心電圖(electrocardiogram，ECG)，然后通過(guò)智能移動(dòng)聯(lián)網(wǎng)設(shè)備(如手機(jī))傳輸至后臺(tái)服務(wù)器，接著后臺(tái)服務(wù)器進(jìn)行智能判斷和處理，再通過(guò)智能移動(dòng)聯(lián)網(wǎng)設(shè)備及時(shí)反饋給用戶和合作醫(yī)院，最后合作醫(yī)院通知有異常心電信號(hào)的患者作進(jìn)一步診療。為了不影響被監(jiān)護(hù)人的日常生活和工作，大多數(shù)便攜式心電設(shè)備只采集1 個(gè)或2 ～3 個(gè)導(dǎo)聯(lián)的ECG 信號(hào)。與臨床靜息態(tài)12 導(dǎo)聯(lián)ECG 相比，少數(shù)導(dǎo)聯(lián)ECG 攜帶的心律失常特征更少，再加上長(zhǎng)程動(dòng)態(tài)ECG 的干擾大，如電極接觸噪聲、基線漂移和呼吸等，給準(zhǔn)確判斷和識(shí)別各種心律失常的智能算法設(shè)計(jì)帶來(lái)較大挑戰(zhàn)。

迄今為止，已經(jīng)有大量心律失常智能檢測(cè)算法問(wèn)世。例如，針對(duì)最為常見(jiàn)的心律失常-房顫(atrial fibrillation，AF)的檢測(cè)與識(shí)別，Andrikopoulos 等[1]和Ladavich 等[2]分別利用P 波的幅度、離散度以及波寬的方差和P 波缺失等系列心房特征，區(qū)分正常心電與房顫信號(hào)；Sarkar[3]與Zhou 等[4]分別利用RR間期差分的洛倫茲散點(diǎn)圖特征和編碼香農(nóng)熵等特征區(qū)分房顫，特別是后者方法的靈敏度和特異性分別達(dá)到了97.37%和98.44%，是目前基于RR 間期識(shí)別房顫的方法中性能較為優(yōu)秀的方法之一。Couceiro 等[5]通過(guò)結(jié)合P 波和心率變異性參數(shù)的一系列特征，以及Jiang 等[6]聯(lián)合P 波和RR 間期特征參數(shù)，都實(shí)現(xiàn)了對(duì)房顫較準(zhǔn)確的檢測(cè)。針對(duì)束支傳導(dǎo)阻滯和早搏的檢測(cè)，王明松等[7]將QRS 波群寬度延長(zhǎng)和形狀改變作為特征構(gòu)建模板，能按單個(gè)心拍識(shí)別完全性束支阻滯。楊波等[8]提出了一種自適應(yīng)變長(zhǎng)模板，對(duì)室性早搏進(jìn)行識(shí)別，算法敏感度可以高達(dá)98%。這類模板方法容易受到噪聲影響，且在遇到波形相近的心律失常時(shí)很容易出現(xiàn)誤識(shí)別?；跈C(jī)器學(xué)習(xí)的方法能夠有效地緩解模板方法的問(wèn)題[9-11]。

隨著深度神經(jīng)網(wǎng)絡(luò)(deep neural network，DNN)的發(fā)展，一大批基于深度學(xué)習(xí)的多種心律失常檢測(cè)與識(shí)別算法涌現(xiàn)出來(lái)，一些大型國(guó)際比賽也極大地促進(jìn)了這類算法的發(fā)展。例如，張清學(xué)等[12]提出了一種基于離散小波變換的時(shí)頻域一維卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)來(lái)自于多個(gè)數(shù)據(jù)庫(kù)中異常節(jié)律的識(shí)別，平均識(shí)別率達(dá)到了93.5%。Chen 等[13]利用一維卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)并結(jié)合長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long short term memory network，LSTM)，在MIT-BIH 數(shù)據(jù)庫(kù)中進(jìn)行驗(yàn)證，對(duì)正常、房顫、房撲、心室肥大、竇性心動(dòng)過(guò)緩和起搏節(jié)律等共6 種節(jié)律的識(shí)別準(zhǔn)確率達(dá)到了97.15%。Hannun 等[14]采用了一種34 層的DNN，構(gòu)建了一個(gè)大型心電數(shù)據(jù)集，實(shí)現(xiàn)了對(duì)房顫、房室傳導(dǎo)阻滯、二聯(lián)律、室性自主心律、交界性心律、噪聲、正常心律、室上性心動(dòng)過(guò)速、三聯(lián)律、室性心動(dòng)過(guò)速、異位房性心律和文氏現(xiàn)象等12 種不同類型心電信號(hào)的分類，其平均準(zhǔn)確率達(dá)到了83.7%。這些研究證明，基于DNN 的方法在檢測(cè)與識(shí)別心律失常上可行和有效，但需要大量數(shù)據(jù)用于訓(xùn)練，且獲取的特征可解釋性較差。由于傳統(tǒng)特征工程獲取的專家特征大都具有較好的可解釋性，有利于幫助醫(yī)生等專業(yè)人士對(duì)ECG 作出解釋，因此本研究將傳統(tǒng)解釋性強(qiáng)的特征與DNN 自動(dòng)提取的特征進(jìn)行結(jié)合，并在小樣本訓(xùn)練和特征解釋性上做了嘗試，發(fā)展了一種基于單導(dǎo)聯(lián)ECG 的常見(jiàn)心律失常智能識(shí)別算法，最后采用靜息態(tài)和動(dòng)態(tài)單導(dǎo)聯(lián)ECG 數(shù)據(jù)，驗(yàn)證該算法的有效性和可行性。

1 材料與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

1.1.1 靜態(tài)ECG 數(shù)據(jù)集

該數(shù)據(jù)集來(lái)源于2018年中國(guó)生理信號(hào)挑戰(zhàn)賽( China Physiological Signal Challenge 2018，CPSC2018)[15]。它提供了6 877 條不同時(shí)長(zhǎng)的12導(dǎo)聯(lián)心電數(shù)據(jù)，采樣率為500 Hz，包括房顫、一度房室阻滯、左/右束支阻滯、房/室性早搏、ST 段抬高或壓低等共9 類心律失常和正常節(jié)律，具體分布情況如表1所示?？紤]到大多數(shù)便攜式心電設(shè)備采集了肢體導(dǎo)聯(lián)的ECG，且肢體Ⅰ導(dǎo)聯(lián)和Ⅱ?qū)?lián)數(shù)據(jù)相近，因此筆者提取了該數(shù)據(jù)集中肢體Ⅱ?qū)?lián)的ECG用于后續(xù)研究。由于臨床上判斷ST 段抬高或者壓低需要綜合12 導(dǎo)聯(lián)信息，基于單導(dǎo)聯(lián)心電圖識(shí)別ST 段抬高、壓低的準(zhǔn)確率難以滿足臨床需求，因此排除了ST 段抬高或壓低。在房顫、一度房室阻滯、左/右束支阻滯、房/室性早搏和正常等7 種心電圖中，左束支阻滯的記錄數(shù)量最少，房顫和右束支阻滯的記錄數(shù)量較多，因此各類心電圖信號(hào)之間存在樣本數(shù)不均衡的問(wèn)題。

表1 CPSC2018 提供的心電圖數(shù)據(jù)集分布情況Tab.1 ECG data profile for the CPSC2018

需要特別指出的是，該數(shù)據(jù)集中部分心電圖可能同時(shí)包含多種心律失常的特征，說(shuō)明患者身上存在多種心律失常共病，這一特點(diǎn)符合臨床實(shí)際。為此，本研究采用sigmoid 函數(shù)，同時(shí)映射多種心律失常的概率，取概率最高的心律失常類型作為預(yù)測(cè)結(jié)果。

采用這組靜態(tài)ECG 數(shù)據(jù)的目的是:靜態(tài)ECG干擾小，攜帶的心律失常特征明顯，有利于本研究提取準(zhǔn)確的心律失常傳統(tǒng)特征，并優(yōu)化深度特征，為構(gòu)建適用于動(dòng)態(tài)ECG 的心律失常識(shí)別方法奠定基礎(chǔ)。

1.1.2 動(dòng)態(tài)ECG 數(shù)據(jù)集

為了驗(yàn)證本研究算法在便攜式設(shè)備采集的動(dòng)態(tài)ECG 數(shù)據(jù)上的有效性和可行性，采用2017年全球房顫挑戰(zhàn)大賽(The physionet/cinc challenage 2017，CINC2017)的動(dòng)態(tài)ECG 數(shù)據(jù)。CINC2017 數(shù)據(jù)集來(lái)源于AliveCor 單導(dǎo)聯(lián)心電采集設(shè)備，采樣率為300 Hz，總共包含了8 528 組不等長(zhǎng)的訓(xùn)練數(shù)據(jù)和3 658組隱藏測(cè)試集(未公布)。訓(xùn)練集上的數(shù)據(jù)分布信息如表2所示，包括正常、房顫、其他心律失常和噪聲4 種類型。按照該數(shù)據(jù)庫(kù)對(duì)分類結(jié)果評(píng)價(jià)的推薦，本研究在計(jì)算算法性能評(píng)估參數(shù)的平均值時(shí)，只對(duì)正常、房顫和其他心律失常的節(jié)律求取平均值。

表2 CINC2017 數(shù)據(jù)庫(kù)中訓(xùn)練集數(shù)據(jù)的分布信息Tab.2 ECG data profile for the CINC2017

1.2 方法

首先采用傳統(tǒng)方法提取單導(dǎo)聯(lián)心電信號(hào)的專家特征，然后分別搭建殘差塊網(wǎng)絡(luò)和雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，提取其深度學(xué)習(xí)特征，最后設(shè)計(jì)一種能夠融合不同尺度特征的多分類方法，圖1所示為該方法的整體流程。

圖1 研究方法的整體流程Fig.1 The structure of the proposed method

1.2.1 傳統(tǒng)專家特征提取

在原始心電信號(hào)通過(guò)巴特沃斯低通濾波器和中值濾波進(jìn)行高頻和基線漂移的噪聲濾波后，采用QRS 波群定位、小波變換以及基于RR 間期的心率變異性非線性分析等方法，對(duì)心電信號(hào)進(jìn)行時(shí)域、頻域和形態(tài)3 方面的傳統(tǒng)專家特征提取。

1)時(shí)域特征提取策略。

針對(duì)房顫發(fā)生時(shí)RR 間期呈現(xiàn)絕對(duì)不規(guī)則的特點(diǎn)，提取RR 間期的均方差、最大值、最小值、平均值、偏度、峰度和變異系數(shù)等統(tǒng)計(jì)值，以及基于洛倫茲散點(diǎn)圖得到的特征，用于房顫的檢測(cè)與識(shí)別。洛倫茲散點(diǎn)圖相關(guān)的特征包括:反映心拍之間的變化率平均增長(zhǎng)步長(zhǎng)參數(shù)(stepping)、反映洛倫茲散點(diǎn)圖中各點(diǎn)和對(duì)角線的分布離散程度的分散率參數(shù)(dispersion，disper)[16]，對(duì)RR 間期做一階差分得到的不規(guī)則度參數(shù)(irregularity evidence，irrEv)、密度參數(shù)(density evidence，Density)、代償間歇參數(shù)(PACEvidenc，PACEv)和綜合指標(biāo)( AFEvidence，AFEv)等[3]。

針對(duì)早搏發(fā)生時(shí)聯(lián)律的出現(xiàn)會(huì)呈現(xiàn)出間期長(zhǎng)短相間的特點(diǎn)，本研究將相鄰RR 間期間呈現(xiàn)代償間歇規(guī)律特征的心拍視為二聯(lián)律的發(fā)生，提取了相對(duì)于每個(gè)心拍出現(xiàn)的比例、RR 間期變異系數(shù)與每?jī)蓚€(gè)相鄰RR 間期為單位的變異系數(shù)之比，以及每?jī)蓚€(gè)相鄰RR 間期的平均值，作為區(qū)分早搏的時(shí)域特征。

束支傳導(dǎo)和一度房室阻滯最為顯著的特征為間期延長(zhǎng)。為此，本研究將QRS 波群寬度的平均值、中位數(shù)、標(biāo)準(zhǔn)差，Q 波和R 波寬度的中位數(shù)、變異系數(shù)等，用于識(shí)別束支傳導(dǎo)和一度房室阻滯的特征；因?yàn)樽铚l(fā)生后，還伴隨有S 波畸形和ST 段間期縮小等特點(diǎn)，所以提取了T 波寬度平均值和RT平均長(zhǎng)度等作為阻滯的特征。此外，在粗略定位了P 波和T 波及其起止點(diǎn)后，還提取了PR 間期長(zhǎng)度平均值、標(biāo)準(zhǔn)差等，作為區(qū)分一度房室阻滯的特征。

進(jìn)一步，本研究將基于RR 間期分析得到的樣本熵系數(shù)、樣本熵、復(fù)雜度、心率的平均數(shù)和標(biāo)準(zhǔn)差等也作為時(shí)域特征。

2)頻域特征提取策略

心電信號(hào)是周期節(jié)律性信號(hào)，在一個(gè)心動(dòng)周期中，不同特征波的頻帶范圍不同。例如，QRS 波主要集中在20 Hz 以下，正常P 波和T 波的主要頻率段分別在5～30 Hz 和0 ～10 Hz 范圍內(nèi)[17]。當(dāng)發(fā)生某些心律失常時(shí)，這些特征波的頻段會(huì)發(fā)生改變。房顫的f 波頻率范圍在3 ～10 Hz[18]。因此，首先對(duì)心電信號(hào)進(jìn)行功率譜分析，然后提取3 ～10 Hz 的能量值、3～10 Hz 能量占比、0.1 ～5 Hz 能量占比、10 ～20 Hz 能量占比、20～100 Hz 能量占比等多個(gè)頻段作為頻域特征；接著，對(duì)R 波前200 到60 ms 間的片段(可能存在P 波)進(jìn)行4 層連續(xù)小波變換，獲取各層能量系數(shù)與整體能量的比例、各層小波系數(shù)均值和各層小波變換系數(shù)中大于平均系數(shù)的占比等作為頻譜特征；最后，參照大多數(shù)相關(guān)方法，在對(duì)心電信號(hào)進(jìn)行6 層小波變換后，將各層能量系數(shù)作為頻譜特征。

3)形態(tài)特征提取策略。

心電圖信號(hào)的幅度是臨床醫(yī)生最關(guān)注的形態(tài)特征，本研究將R 波和S 波的平均幅度、標(biāo)準(zhǔn)差和中位數(shù)以及T 波的平均幅度等作為形態(tài)特征。由于Q 波、S 波、P 波和T 波在某些心律失常發(fā)生時(shí)可能不存在，因此將它們相對(duì)于R 波出現(xiàn)次數(shù)的比例也作為一類形態(tài)特征。此外，每個(gè)心拍信號(hào)整體幅度的平均值、最大最小值和中位數(shù)，以及信號(hào)幅度的統(tǒng)計(jì)偏度和峰度等，也是本研究采用的形態(tài)特征。

QRS 波畸形是束支阻滯的特征之一。Q 波(沒(méi)有Q 波時(shí)采用QRS 波起點(diǎn)代替)和R 波之間片段幅度值的一階差分后小于0 的情況，被定義為QR段出現(xiàn)切記[19]。本研究將QR 段的斜率平均值、中位數(shù)和切記比例，以及RS 段的斜率平均值、中位數(shù)和切記等，納入?yún)^(qū)分束支阻滯的形態(tài)特征。

針對(duì)房、室性早搏在形態(tài)上的特征，本研究將基于多重分形去波動(dòng)分析得到的奇異程度的最大值和最小值、分形譜的寬度、赫斯特指數(shù)的最大值和最小值納入了區(qū)分房、室性早搏的重要形態(tài)特征[20]。

1.2.2 深度特征提取

針對(duì)數(shù)據(jù)可能的不等長(zhǎng)問(wèn)題，首先統(tǒng)一將心電圖信號(hào)截取為16 384 個(gè)采樣點(diǎn)的時(shí)長(zhǎng)片段。對(duì)長(zhǎng)于該時(shí)長(zhǎng)的心電圖信號(hào)進(jìn)行截?cái)嗖僮?，?duì)于不足該時(shí)長(zhǎng)的心電圖信號(hào)進(jìn)行末尾補(bǔ)零處理(見(jiàn)圖1)。為了加快訓(xùn)練進(jìn)程和收斂速度，這一步還對(duì)所有的輸入心電圖信號(hào)進(jìn)行了標(biāo)準(zhǔn)數(shù)據(jù)歸一化處理(即常用的白化操作)；然后，分別采用殘差塊和雙向長(zhǎng)短時(shí)記憶(bi-directional long short memory，BiLSTM)網(wǎng)絡(luò)，提取心電圖信號(hào)的卷積特征和時(shí)序序列特征。

1)基于殘差塊網(wǎng)絡(luò)的深度特征提取。

所采用的殘差塊網(wǎng)絡(luò)根據(jù)Awni 等[14]的方法修改而來(lái)。為了避免梯度消除問(wèn)題，原網(wǎng)絡(luò)采用了目前最常用的Relu 作為激活函數(shù)[21]，且每?jī)蓚€(gè)一維卷積層、兩次批歸一化處理、兩個(gè)以Relu 為函數(shù)的激活層和一個(gè)Droupout 層作為一個(gè)小殘差塊，共計(jì)16 個(gè)殘塊。在此基礎(chǔ)上，以每3 個(gè)小殘差塊為1 個(gè)大殘差塊，總共3 個(gè)大殘差塊，形成了殘差嵌套結(jié)構(gòu)。這種改進(jìn)能夠加強(qiáng)淺層網(wǎng)絡(luò)中的形態(tài)特征與后面深度特征的結(jié)合，而殘差塊中的批歸一化和Droupout 層用于加速網(wǎng)絡(luò)收斂和減少過(guò)擬合。在經(jīng)過(guò)殘差塊的一次批歸一化、Relu 激活層和全局最大池化獲得特征序列后，通過(guò)全連接層映射成更為抽象的特征空間，由此獲得心電信號(hào)在第一個(gè)尺度上的特征，后面稱為殘差塊特征。值得一提的是，在殘差塊網(wǎng)絡(luò)中，卷積核大小都為16，步長(zhǎng)為1，卷積層的初始權(quán)重按照文獻(xiàn)[22]中的描述進(jìn)行設(shè)置。

2)基于BiLSTM 網(wǎng)絡(luò)的深度特征提取。

為了充分挖掘心電圖信號(hào)的特征信息，受Oh等[23]方法的啟發(fā)，引入LSTM 參與時(shí)間尺度的特征提取。為了更好地聯(lián)系前后時(shí)間關(guān)系特征，采用了BiLSTM 網(wǎng)絡(luò)結(jié)構(gòu)。

心電信號(hào)經(jīng)過(guò)第1 個(gè)殘差塊處理后，送入由一維卷積層、Relu 和步長(zhǎng)為2 的最大值池化層組成的卷積模塊通道。該模塊通道需要重復(fù)4 次，4 次卷積核大小分別設(shè)置為16、8、6、4，步長(zhǎng)都為1，每次卷積含有32 個(gè)隱藏單元。在通過(guò)卷積模塊通道后，進(jìn)入以雙向LSTM 為主的模塊，以獲取心電信號(hào)的時(shí)序特征。對(duì)于序列越長(zhǎng)的信號(hào)處理，LSTM 單元的運(yùn)算復(fù)雜度也會(huì)呈平方增加，所以本研究通過(guò)加深特征的深度來(lái)減少數(shù)據(jù)量，從而加快BiLSTM 的訓(xùn)練速度。本研究采用的BiLSTM 層含有64×2 個(gè)隱藏單元，并只在最后一個(gè)記憶單元輸出，以得到第2個(gè)尺度上的特征，后稱為BiLSTM 特征。

1.2.3 基于特征的分類識(shí)別

將傳統(tǒng)專家特征作為第3 個(gè)尺度上的特征，送入節(jié)點(diǎn)數(shù)為32 的全連接層進(jìn)行處理。全連接層的作用在于對(duì)傳統(tǒng)專家特征做自動(dòng)加權(quán)映射，以甄別出最利于分類的特征組合，避免了傳統(tǒng)專家特征的優(yōu)化工作。經(jīng)全連接層處理后的傳統(tǒng)專家特征再與殘差塊和BiLSTM 網(wǎng)絡(luò)提取的深度特征進(jìn)行融合，最后融合特征通過(guò)全接連層映射為各個(gè)心律失常類別，用sigmoid 函數(shù)進(jìn)行多種心律失常的概率預(yù)測(cè)。

圖2所示為基于特征融合的多種心律失常識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)。

圖2 基于特征融合的多種心律失常識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The structure of the proposed method

1.2.4 Loss 函數(shù)計(jì)算

本研究采用評(píng)價(jià)多分類的F1 分?jǐn)?shù)與1 的差值作為loss 函數(shù)，稱為F1＿loss，在圖像處理領(lǐng)域也稱為Dice loss，常用來(lái)衡量相似程度。在心律失常分類中，對(duì)于獨(dú)熱碼形式的標(biāo)簽預(yù)測(cè)值也可以與真實(shí)值進(jìn)行相似度評(píng)價(jià)。通常F1 分?jǐn)?shù)的取值為多個(gè)樣本間的平均值，相對(duì)于常用的多分類交叉熵函數(shù)，在樣本不均衡時(shí)具有更好的抑制過(guò)擬合的能力。一個(gè)通常意義的F1＿loss 計(jì)算公式如下:

式中，p代表sigmoid 函數(shù)的預(yù)測(cè)值，代表其真實(shí)標(biāo)簽，它們的取值范圍為[0，1]。

1.2.5 超參數(shù)設(shè)置

采用優(yōu)化算法Adam[24]，對(duì)本研究算法進(jìn)行優(yōu)化。學(xué)習(xí)率設(shè)置為0.001，其余參數(shù)按默認(rèn)值設(shè)置。最小批量(mini batch)設(shè)置為55，訓(xùn)練周期(epoch)為100 次。為了防止過(guò)擬合，引入了早停法(early stop)和 Droupout 層。早停法最小損失設(shè)為0.000 1，連續(xù)10 個(gè)周期小于這個(gè)最小損失將停止訓(xùn)練，所有Droupout 層的損失率設(shè)置為0.5。

1.2.6 分類性能評(píng)估

采用5 折交叉驗(yàn)證的方式進(jìn)行算法的訓(xùn)練和性能測(cè)試。在靜、動(dòng)態(tài)兩個(gè)數(shù)據(jù)集上的訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)的劃分方式如圖3所示。每一折中訓(xùn)練數(shù)據(jù)的1/10 用于驗(yàn)證集，測(cè)試集完全獨(dú)立于訓(xùn)練過(guò)程。

圖3 5 折交叉驗(yàn)證中每一折訓(xùn)練、驗(yàn)證和測(cè)試集劃分方式Fig.3 The way to divide the training，validation for each fold in the five-fold cross-validation

實(shí)驗(yàn)的硬件平臺(tái)是RAM 為128 GB 的深度學(xué)習(xí)服務(wù)器，其顯卡為RTX2080Ti。深度學(xué)習(xí)平臺(tái)基于TensorFlow 的Keras，其中TensorFlow 的版本為1.14.0，Keras 的版本為2.2.4。

采用能夠綜合反映多分類性能的F1 分?jǐn)?shù)、靈敏度和特異性來(lái)評(píng)估算法的性能，其中屬于某一類別i的F1 分?jǐn)?shù)計(jì)算過(guò)程如下:

式中:F1i為識(shí)別第i類疾病的F1 分?jǐn)?shù)，i的取值范圍為1～7；Nij和Nji分別為第i類預(yù)測(cè)為第j類疾病的數(shù)量和第j類預(yù)測(cè)為第i類疾病的數(shù)量。

總的F1 分?jǐn)?shù)為所有類別的F1 分?jǐn)?shù)之和取平均。假設(shè)總分類數(shù)為n，那么對(duì)n分類的F1 分?jǐn)?shù)計(jì)算如下:

2 結(jié)果

2.1 基于不同特征的分類識(shí)別性能驗(yàn)證結(jié)果

為了驗(yàn)證來(lái)自殘差塊網(wǎng)絡(luò)、BiLSTM 網(wǎng)絡(luò)和傳統(tǒng)專家3 個(gè)不同尺度特征對(duì)算法分類識(shí)別的影響力，本研究驗(yàn)證了這3 個(gè)尺度的特征及其隨機(jī)組合成7種特征模式的性能，包括:專家特征、殘差塊和BiLSTM 網(wǎng)絡(luò)分別提取的特征(3 種)、3 種尺度的特征兩兩融合(3 種)以及3 種尺度特征融合(1 種)。這7 種特征模式在CPSC2018 靜態(tài)ECG 數(shù)據(jù)集上識(shí)別6 種心律失常和1 種正常節(jié)律，分類識(shí)別的F1 分?jǐn)?shù)如表3所示。由表3可知，單獨(dú)基于專家特征、殘差塊和BiLSTM 網(wǎng)絡(luò)特征的測(cè)試結(jié)果顯示，本研究算法的整體F1 分?jǐn)?shù)分別為0.766、0.826 和0.800，說(shuō)明基于單獨(dú)的殘差塊網(wǎng)絡(luò)特征的整體分類效果最優(yōu)。從對(duì)每種心律失常的分類識(shí)別結(jié)果來(lái)看，專家特征對(duì)右束支阻滯和房顫具有較高的識(shí)別能力，BiLSTM 網(wǎng)絡(luò)特征對(duì)右束支阻滯和房性早搏的識(shí)別性能較好，而殘差塊網(wǎng)絡(luò)特征則對(duì)右束支阻滯、房顫、室性早搏和一度房室阻滯分類效果較優(yōu)。

表3 基于不同特征模式的分類識(shí)別F1 分?jǐn)?shù)Tab.3 F1 scores of classification based on different feature patterns

基于4 種組合特征的實(shí)驗(yàn)結(jié)果顯示，除了基于BiLSTM+殘差塊網(wǎng)絡(luò)組合特征以外，基于其余組合特征的性能均優(yōu)于基于單獨(dú)特征的性能，但基于BiLSTM+殘差塊網(wǎng)絡(luò)組合特征的性能，相對(duì)于相關(guān)的兩種單獨(dú)特征而言，在右束支阻滯和房性早搏的分類識(shí)別效果上有明顯提升，在一度房室阻滯和室性早搏上有所降低。

進(jìn)一步計(jì)算了專家特征+殘差塊+BiLSTM 特征融合模式下的分類識(shí)別靈敏度和特異性，如表4所示。除LBBB 以外，識(shí)別其他類別的靈敏度均在0.820 以上，而識(shí)別所有類別的特異性均超過(guò)0.940。平均分類識(shí)別靈敏度和特異性分別為0.766 和0.802，說(shuō)明獲得了較好的性能。

表4 基于專家特征+殘差塊+BiLSTM 特征融合的分類識(shí)別靈敏度和特異性Tab.4 Sensitivity and specificity of classification recognition based on expert + residual blocks + BiLSTM features fusion

進(jìn)一步將本研究算法的5 折交叉驗(yàn)證結(jié)果與其他3 個(gè)相關(guān)研究進(jìn)行比較。Wang 等[25]通過(guò)搭建卷積網(wǎng)絡(luò)，將信號(hào)特征提取后送入LSTM 網(wǎng)絡(luò)，與本研究方法有較強(qiáng)對(duì)比性。He 等[26]和Liu 等[27]分別獲得了CPSC2018 競(jìng)賽的第3 名和第7 名，并將結(jié)果公開發(fā)表，因此將本研究方法與他們的方法作了對(duì)比。兩個(gè)對(duì)比方法均采用了殘差塊網(wǎng)絡(luò)結(jié)構(gòu)，不同的是:He 等利用殘差塊網(wǎng)絡(luò)提取特征后再經(jīng)過(guò)BiLSTM 網(wǎng)絡(luò)提?。欢鳯iu 等采用殘差塊網(wǎng)絡(luò)獲取的特征與他們提取的專家特征融合，用于訓(xùn)練一個(gè)Xgboost 模型后進(jìn)行分類識(shí)別。本研究方法與對(duì)比方法分類識(shí)別正常、房顫、一度房室阻滯、左束支傳導(dǎo)阻滯、右束支傳導(dǎo)阻滯、室性早搏和房性早搏等7種節(jié)律，F(xiàn)1 分?jǐn)?shù)比較如圖4所示。由圖可知，在所有對(duì)比方法中，本研究方法在正常、房顫、室性早搏與房性早搏上的F1 分?jǐn)?shù)最高。特別是在房顫識(shí)別上，獲得了0.938 的F1 分?jǐn)?shù)，具有很強(qiáng)的房顫識(shí)別能力，而且在其他心律失常的識(shí)別上也獲得了較好的性能。

圖4 本研究方法與對(duì)比方法分類識(shí)別7 種心電節(jié)律的F1 分?jǐn)?shù)比較Fig.4 Comparison of the F1 scores of the proposed method with the comparative methods of classifying 7 cardiac rhythms

2.2 在單導(dǎo)聯(lián)動(dòng)態(tài)ECG 上的分類識(shí)別能力

為了說(shuō)明本研究方法在單導(dǎo)聯(lián)動(dòng)態(tài)ECG 上的分類識(shí)別能力，筆者在CINC2017 動(dòng)態(tài)ECG 數(shù)據(jù)集上，對(duì)本研究提出的多尺度特征融合方法進(jìn)行了訓(xùn)練和測(cè)試，并與CINC2017 競(jìng)賽中兩個(gè)并列第一的方法和相關(guān)方法進(jìn)行了比較。其中，Datta 等[28]采用了傳統(tǒng)的特征提取與篩選技術(shù)，通過(guò)訓(xùn)練集成學(xué)習(xí)的AdaBoost 模型，對(duì)各節(jié)律心電信號(hào)進(jìn)行分類。Zabihi 等[29]通過(guò)提取大量的特征，采用訓(xùn)練隨機(jī)森林模型進(jìn)行分類。Wang 等[25]通過(guò)搭建卷積網(wǎng)絡(luò)，將信號(hào)特征提取后，送入LSTM 網(wǎng)絡(luò)進(jìn)行分類識(shí)別。Mahajan 等[30]將短程單導(dǎo)聯(lián)ECG 信號(hào)送入隨機(jī)森林，獲得分類識(shí)別結(jié)果。本研究方法與對(duì)比方法的實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 本研究方法在單導(dǎo)聯(lián)動(dòng)態(tài)ECG 數(shù)據(jù)集上的分類識(shí)別能力與比較(其中，N、AF 和other 分別代表正常、房顫和其他心律失常)Fig.5 Performance and comparison of the proposed method with others on single-lead dynamic ECG dataset(Where N，AF and other represent normal，atrial fibrillation and other arrhythmias，respectively)

3 討論

本課題對(duì)常見(jiàn)節(jié)律類心律失常(房顫、房/室性早搏)和阻滯類心律失常(一度房室阻滯、左/右束支阻滯)進(jìn)行了智能識(shí)別的研究，將神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)專家特征相結(jié)合，提出了一種能夠區(qū)分正常、AF、PVC、PAC、LBBB、RBBB 和I-AVB 等常見(jiàn)節(jié)律的智能識(shí)別方法。

從表3可以看出，傳統(tǒng)專家特征可以明顯輔助提升深度網(wǎng)絡(luò)的分類識(shí)別能力。當(dāng)只用BiLSTM 網(wǎng)絡(luò)特征時(shí)的平均F1 分?jǐn)?shù)為0.802，只用殘差塊網(wǎng)絡(luò)特征時(shí)的平均F1 分?jǐn)?shù)為0.826，而當(dāng)分別在兩種網(wǎng)絡(luò)特征上融合了傳統(tǒng)專家特征后，平均F1 分?jǐn)?shù)分別提升到了0.817 和0.851。BiLSTM 網(wǎng)絡(luò)融合殘差塊網(wǎng)絡(luò)特征時(shí)的分類平均F1 分?jǐn)?shù)為0.811，而在此基礎(chǔ)上添加了傳統(tǒng)專家特征后，平均F1 分?jǐn)?shù)就達(dá)到了0.855。實(shí)驗(yàn)結(jié)果表明，專家特征與深度特征融合策略具有較好的的可行性和有效性，也表明不同尺度特征融合能夠取長(zhǎng)補(bǔ)短，使算法達(dá)到更好的分類識(shí)別性能。

此外，基于兩種特征融合的方法中，殘差塊網(wǎng)絡(luò)+專家特征融合的方法是最好的，其平均F1 達(dá)到了0.851，甚至在一度房室阻滯的識(shí)別上略優(yōu)于3種特征融合，但在其他節(jié)律類型上的平均分類識(shí)別能力均弱于3 種特征融合的性能。這說(shuō)明，BiLSTM網(wǎng)路特征對(duì)于像早搏和束支阻滯這類按單獨(dú)心拍發(fā)生的心律失常識(shí)別能力較強(qiáng)，而對(duì)在整個(gè)時(shí)間段中遍布發(fā)生的心律失常識(shí)別能力較弱，原因可能是由LSTM 的性質(zhì)決定的。LSTM 通過(guò)對(duì)信號(hào)相鄰時(shí)間單元間的一種反饋循環(huán)機(jī)制，實(shí)現(xiàn)對(duì)時(shí)間狀態(tài)的分析，使重要信息被保留、不相關(guān)的信息被遺忘[31]。在本研究中，識(shí)別單獨(dú)心拍發(fā)生的心律失常可能更需要聯(lián)系上下文的信息，對(duì)于遍布發(fā)生的心律失常，上下文信息相對(duì)沒(méi)那么重要。

眾所周知，便攜式設(shè)備采集的單導(dǎo)聯(lián)動(dòng)態(tài)ECG信號(hào)干擾大，質(zhì)量較差。圖5中CINC2017 數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果表明，本方法在較低信噪比的單導(dǎo)聯(lián)心電信號(hào)上鑒別常見(jiàn)的心律失常，仍然具備良好的性能和泛化能力。這一部分得益于CNN 對(duì)噪聲不敏感[32]，它在一定程度上能夠勝任處理由便攜式設(shè)備采集的、具有強(qiáng)干擾的單導(dǎo)聯(lián)心電信號(hào)。另外，傳統(tǒng)專家特征中也存在一些基于不易受到噪聲干擾的特征(如RR 間期特征)，這進(jìn)一步增強(qiáng)了本方法在較低信噪比的單導(dǎo)聯(lián)心電信號(hào)上鑒別常見(jiàn)心律失常的魯棒性。

綜上所述，本研究的主要貢獻(xiàn)有3 個(gè)方面:

1)建立了一種能夠區(qū)分正常、AF、PVC、PAC、LBBB、RBBB 和I-AVB 等常見(jiàn)節(jié)律的智能識(shí)別方法，這種方法可擴(kuò)展性強(qiáng)，無(wú)論是在12 導(dǎo)聯(lián)還是單導(dǎo)聯(lián)中都能獲得優(yōu)良的性能。

2)驗(yàn)證了傳統(tǒng)方法提取的心電特征與深度網(wǎng)絡(luò)提取的心電特征對(duì)區(qū)分多種心律失常具有一定的互補(bǔ)性，提出了結(jié)合兩類特征信息的新思路，以達(dá)到更好的多種心律失常的識(shí)別效果。

3)提取一些傳統(tǒng)專家特征，如基于RR 間期的特征以及心電波形幅度特征等，作為診斷心律失常的重要臨床信息。在深度學(xué)習(xí)網(wǎng)絡(luò)的框架上融入傳統(tǒng)專家特征，提高了基于深度學(xué)習(xí)的心律失常識(shí)別方法的可解釋性和應(yīng)用價(jià)值。

本研究方法也存在一些局限性。提出結(jié)合傳統(tǒng)和深度網(wǎng)絡(luò)特征來(lái)識(shí)別多種心律失常的方法，雖然在肢體導(dǎo)聯(lián)上取得了較好效果，但是否對(duì)其他導(dǎo)聯(lián)(如胸前導(dǎo)聯(lián))也有類似的效果還需要作進(jìn)一步的分析。在改善深度學(xué)習(xí)分類常見(jiàn)心律失常的特征可解釋性上，提供了深度網(wǎng)絡(luò)特征+專家特征的思路。然而，傳統(tǒng)專家特征的提取受到人類認(rèn)知和信號(hào)處理技術(shù)的限制，其準(zhǔn)確性因不同方法差別較大，其他傳統(tǒng)特征提取方法是否可以替代本研究對(duì)應(yīng)的方法，還需要作進(jìn)一步的探索。

4 結(jié)論

本研究從ECG 信號(hào)的時(shí)域、頻域和形態(tài)上提取傳統(tǒng)專家特征，采用殘差塊和BiLSTM 深度網(wǎng)絡(luò)自動(dòng)獲取深度特征，提出了一種基于傳統(tǒng)專家特征和深度特征融合的常見(jiàn)心律失常(房顫、房/室性早搏、一度房室阻滯和左/右束支阻滯)和正常節(jié)律的識(shí)別方法。在CPSC2018 單導(dǎo)聯(lián)靜態(tài)ECG 數(shù)據(jù)集上的測(cè)試結(jié)果表明，本研究方法的性能優(yōu)于其他現(xiàn)有的相關(guān)方法。在CINC2017 單導(dǎo)聯(lián)動(dòng)態(tài)ECG 數(shù)據(jù)集上進(jìn)一步證實(shí)了本研究方法識(shí)別常見(jiàn)心律失常的有效性和可行性，因此在常見(jiàn)心律失常的輔助診斷和監(jiān)護(hù)中具有較好的應(yīng)用前景。

在下一步的研究中，一是驗(yàn)證本研究方法適應(yīng)不同穿戴式設(shè)備采集的心電信號(hào)能力，二是開展臨床預(yù)實(shí)驗(yàn)并建立相應(yīng)的臨床應(yīng)用模式。