基于卷積神經(jīng)網(wǎng)絡(luò)的心電信號(hào)質(zhì)量分析

張海斌，劉 娟，劉思璇，程 宇

武漢大學(xué) 計(jì)算機(jī)學(xué)院，武漢430072

1 引言

心電圖（ECG）是利用心電圖機(jī)從體表記錄心臟心動(dòng)周期所產(chǎn)生的電活動(dòng)變化圖形的技術(shù)，記錄的是電壓隨時(shí)間變化的曲線。隨著社區(qū)醫(yī)療服務(wù)的發(fā)展，心電圖的作用越見顯著，可以及時(shí)幫助發(fā)現(xiàn)潛在的心臟疾病或先天性心臟病。目前，心電圖已成為臨床最常用的檢查之一，主要用于記錄人體正常心臟的電活動(dòng)，幫助診斷心律失常、心肌缺血、心臟擴(kuò)大、肥厚、心肌梗死及部位，判斷藥物或電解質(zhì)情況對(duì)心臟的影響及判斷人工心臟起搏狀況等。臨床檢查上，心電圖主要依靠心電圖醫(yī)師對(duì)ECG 信號(hào)的波形和節(jié)律等進(jìn)行分析，分析結(jié)果易受醫(yī)師的主觀因素影響。另一方面，各類醫(yī)療和體檢等機(jī)構(gòu)每天均產(chǎn)生大量ECG 數(shù)據(jù)，但有經(jīng)驗(yàn)的心電圖醫(yī)師資源卻嚴(yán)重不足，制約了心電圖的臨床輔助診斷效果。因此，越來(lái)越多的研究機(jī)構(gòu)致力于心電圖信號(hào)的自動(dòng)判讀方法的研究。

心電信號(hào)的采集經(jīng)常受到各種類型的噪聲的污染，包括基線漂移、電干擾、肌肉顫動(dòng)干擾和運(yùn)動(dòng)偽信號(hào)[1]。噪聲污染影響采集到的心電圖信號(hào)的質(zhì)量。心電信號(hào)的質(zhì)量好壞，決定著波形特征和節(jié)律特征檢測(cè)的難易程度，因而直接決定著最終診斷的準(zhǔn)確性。質(zhì)量極差的心電圖幾乎無(wú)法獲得其波形或節(jié)律等有效信息，即使是經(jīng)驗(yàn)豐富的醫(yī)生也很難對(duì)其進(jìn)行正確判讀，不適用于臨床應(yīng)用。因此，在利用計(jì)算機(jī)方法對(duì)心電信號(hào)進(jìn)行自動(dòng)判讀之前，有必要對(duì)其質(zhì)量進(jìn)行評(píng)估，及時(shí)剔除臨床不可接受的心電信號(hào)。自PhysioNet/CinC Chanllenge 2011（PICC）以來(lái)，越來(lái)越多的學(xué)者開始對(duì)此進(jìn)行研究[2]?，F(xiàn)有的心電信號(hào)質(zhì)量評(píng)估方法大體可分為兩類：基于規(guī)則或啟發(fā)式的評(píng)估方法和基于機(jī)器學(xué)習(xí)的評(píng)估方法。

在規(guī)則或啟發(fā)式的研究方法中，文獻(xiàn)[3]基于心率特異性信號(hào)小波分解系數(shù)得到的能量熵來(lái)評(píng)估是否可以從門診病人的單導(dǎo)聯(lián)心電圖中獲得可靠的心率，在標(biāo)記好的數(shù)據(jù)集上的靈敏度和特異性分別為94%和98%，但該方法對(duì)P 波、T 波等波形受噪聲干擾的數(shù)據(jù)檢測(cè)結(jié)果不佳。Maan等人提出了一種基于導(dǎo)聯(lián)相關(guān)性和Kors矩陣的心電質(zhì)量評(píng)價(jià)方法，在PICC 數(shù)據(jù)庫(kù)對(duì)該方法進(jìn)行評(píng)價(jià)，正確率為92.2%[4]。Johannesen和Galeotti制定規(guī)則丟棄無(wú)信號(hào)變化、大振幅偏移的心電圖記錄，通過(guò)高通濾波器和三次樣條函數(shù)檢測(cè)基線漂移、電力線和偽影來(lái)進(jìn)行質(zhì)量評(píng)估，該方法在PICC 測(cè)試集上的準(zhǔn)確率為90%[5]。Zhang Yatao 等 人 使 用Lempel-Ziv complexity來(lái)評(píng)估心電信號(hào)的質(zhì)量，實(shí)驗(yàn)結(jié)果表明LZ 值對(duì)噪聲信號(hào)比較敏感，尤其是高頻噪聲信號(hào)[6]。Naseri 等人則提出了基于能量凹陷指數(shù)（energy-concavity index）和心電信號(hào)相關(guān)性測(cè)量來(lái)對(duì)心電信號(hào)進(jìn)行分析[7]。文獻(xiàn)[8]提出了一種基于簡(jiǎn)單啟發(fā)式融合和模糊綜合評(píng)判的心電圖質(zhì)量評(píng)價(jià)方法。該方法通過(guò)提取波形基本特征，結(jié)合柯西分布、矩形分布和梯形分布建立了模糊向量。選擇有界算子和加權(quán)隸屬度函數(shù)進(jìn)行評(píng)價(jià)和分類。在PICC 測(cè)試數(shù)據(jù)集上的準(zhǔn)確率、敏感度和特異度分別為0.946、0.903和0.93。

在機(jī)器學(xué)習(xí)方法中，文獻(xiàn)[9]采用結(jié)構(gòu)相似性對(duì)兩個(gè)心電圖的圖像進(jìn)行比較，通過(guò)聚類方法選擇具有代表性的心電圖圖像作為模板，再通過(guò)線性判別分類器進(jìn)行質(zhì)量評(píng)估，該方法在UCSF 數(shù)據(jù)庫(kù)上的準(zhǔn)確率為0.931，在PICC 數(shù)據(jù)集上的準(zhǔn)確率為0.825。Behar 等人通過(guò)7個(gè)信號(hào)質(zhì)量指數(shù)（pSQI、baseSQI、sSQI、kSQI、bSQI、rSQI和pcaSQI）共72個(gè)特征來(lái)設(shè)計(jì)分類器，并在PICC、MITBIHA、MICMIC II數(shù)據(jù)集上進(jìn)行測(cè)試，利用高斯核函數(shù)的SVM分類器，對(duì)于竇性心律正常的心電圖，分類準(zhǔn)確率達(dá)到99%，對(duì)于心律失常的心電圖，分類準(zhǔn)確率達(dá)到95%[10-12]。同樣，Clifford 等人也通過(guò)6 個(gè)信號(hào)質(zhì)量指數(shù)（iSQI、bSQI、fSQI、sSQI、kSQI和pSQI）作為特征來(lái)設(shè)計(jì)多分類器（NB、SVM、MLP 等）進(jìn)行質(zhì)量評(píng)估，在PICC 測(cè)試集上取得了92.6%的準(zhǔn)確率[13]。在文獻(xiàn)[14]中，Kuzilek 提出了三級(jí)算法來(lái)評(píng)估ECG 信號(hào)。第一步提出簡(jiǎn)單規(guī)則對(duì)心電圖做一個(gè)簡(jiǎn)單分類，基于閾值，給心電圖一個(gè)分?jǐn)?shù)。第二步計(jì)算特征，這些特征被給予SVM 用于計(jì)算得分。最后，組合第一步和第二步的分?jǐn)?shù)來(lái)確定心電圖信號(hào)質(zhì)量。該方法在PICC數(shù)據(jù)庫(kù)上進(jìn)行測(cè)試，訓(xùn)練集和測(cè)試集得分分別為0.999和0.836。

但已有的研究，無(wú)論是規(guī)則化還是機(jī)器學(xué)習(xí)的方法，都存在一定的局限性：第一，噪聲環(huán)境下計(jì)算各種特征尤其是形態(tài)學(xué)特征，仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。第二，臨床環(huán)境下，心電專家很難提出一套合適的規(guī)則來(lái)對(duì)心電圖質(zhì)量的好壞進(jìn)行判定，閾值參數(shù)的設(shè)定也非常困難。

深度學(xué)習(xí)（Deep Learning，DL）是機(jī)器學(xué)習(xí)研究中一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)。深度學(xué)習(xí)通過(guò)組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，在計(jì)算機(jī)視覺(jué)[15]、圖像處理[16]、語(yǔ)音識(shí)別[17]、自然語(yǔ)言處理[18]等領(lǐng)域已經(jīng)取得了很好的成果。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在計(jì)算機(jī)視覺(jué)、圖像處理等方面都取得了不錯(cuò)的成績(jī)。在心電疾病多分類領(lǐng)域也有研究[19-20]。本文基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)的質(zhì)量進(jìn)行評(píng)估，用經(jīng)過(guò)標(biāo)記的“質(zhì)量可接受”和“質(zhì)量不可接受”的原始心電圖數(shù)據(jù)進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，通過(guò)網(wǎng)絡(luò)模型自己尋找分類特征，最終學(xué)習(xí)得到心電信號(hào)質(zhì)量評(píng)估模型。

很多心電圖信號(hào)中部分片段質(zhì)量不可接受，而部分片段的質(zhì)量可接受。如果質(zhì)量可接受的部分信息足夠多，則該心電圖也能用于臨床。與其他方法直接對(duì)心電圖整體的質(zhì)量進(jìn)行評(píng)估的策略不同，本文基于片段對(duì)心電圖進(jìn)行質(zhì)量評(píng)估，可以得到更精細(xì)的評(píng)估結(jié)果。

2 模型與方法

2.1 模型框架

臨床上在對(duì)心電圖進(jìn)行診斷分析時(shí)，更多的是將心電信號(hào)當(dāng)作圖像來(lái)分析。卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋人工神經(jīng)網(wǎng)絡(luò)，已成功地應(yīng)用于圖像識(shí)別方向。典型的卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、內(nèi)積層和輸出層組成。本文將心電圖質(zhì)量評(píng)估問(wèn)題看成是將心電信號(hào)分為臨床可接受和臨床不可接受的兩分類問(wèn)題，并使用文獻(xiàn)[21]中的3 層卷積神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建分類模型，模型示意圖如圖1所示。

2.2 輸入層

輸入層：輸入層加載模型的輸入并產(chǎn)生用于饋送給卷積層的輸出。臨床診斷下，心電圖節(jié)律異常需要根據(jù)連續(xù)多個(gè)心動(dòng)周期做出判斷，單一或少數(shù)幾個(gè)心動(dòng)周期很難發(fā)現(xiàn)問(wèn)題，因此本文模型輸入的數(shù)據(jù)格式定義為1×1×3 000，即3 000 個(gè)采樣點(diǎn)長(zhǎng)度的一維數(shù)據(jù)，代表著一段時(shí)間長(zhǎng)度的心電信號(hào)，這樣，既保證了得到的質(zhì)量可接受的數(shù)據(jù)片段能用于節(jié)律異常診斷，也能最大化地找到“質(zhì)量可接受”數(shù)據(jù)。同時(shí)數(shù)據(jù)采樣頻率為500 Hz。

圖1 CNN模型結(jié)構(gòu)

目前，常見心電圖主要是單導(dǎo)聯(lián)、8 導(dǎo)聯(lián)、12 導(dǎo)聯(lián)等。并且不同來(lái)源的心電信號(hào)，其采樣頻率和采樣長(zhǎng)度也不同。當(dāng)需要對(duì)采樣頻率不是500 Hz的多導(dǎo)聯(lián)心電信號(hào)作為輸入時(shí)，需要對(duì)每個(gè)導(dǎo)聯(lián)進(jìn)行降采樣或過(guò)采樣以調(diào)整采樣頻率為500 Hz。

2.3 卷積層

卷積層：卷積層將輸入層輸出的數(shù)據(jù)與一組可學(xué)習(xí)濾波器卷積，每個(gè)濾波器在輸出圖像中產(chǎn)生一個(gè)特征映射。給定一個(gè)輸入信號(hào)序列xt，t=1,2,…,n 和濾波器wt，t=1,2,…,m。輸入層的特征被一個(gè)卷積核進(jìn)行卷積，再加上一個(gè)額外的偏置b，之后通過(guò)激活函數(shù)得到輸出特征。第l 層的第i 個(gè)神經(jīng)元的輸入ali定義為：

2.4 池化層

池化層：池化層的輸入是上一層卷積層的輸出結(jié)果，它的目的主要是對(duì)輸入的空間維度進(jìn)行下采樣，降低特征向量維度。常見的池化操作是取核區(qū)域內(nèi)所有神經(jīng)元的最大值（MAX）或者平均值（AVE）。對(duì)上一個(gè)卷積層輸出的特征向量，將其劃分為多個(gè)區(qū)域Rk，k=1,2,…,K ，每一個(gè)區(qū)域的大小即池化size的大小，有：

2.5 內(nèi)積層和輸出層

內(nèi)積層：也稱之為全連接層。經(jīng)過(guò)之前的卷積層、池化層后，樣本數(shù)據(jù)已經(jīng)被映射到隱藏層的特征空間中，內(nèi)積層就是將之前學(xué)習(xí)到的特征又映射到樣本分類空間中。在這個(gè)模型中有兩個(gè)內(nèi)積層。其中，最后一個(gè)卷積層的輸出通過(guò)SoftMax 激活函數(shù)輸出屬于每個(gè)類別的概率。

經(jīng)模型訓(xùn)練過(guò)程，得到本模型采用的CNN 網(wǎng)絡(luò)結(jié)構(gòu)如表1。經(jīng)過(guò)3個(gè)卷積池化操作和2個(gè)全連接層操作后，模型輸出數(shù)據(jù)屬于某一類別的概率值。通過(guò)概率值即可判斷該數(shù)據(jù)屬于二分類中的哪一類。

表1 本文采用的CNN網(wǎng)絡(luò)結(jié)構(gòu)

2.6 多導(dǎo)聯(lián)長(zhǎng)數(shù)據(jù)輸出結(jié)果

由模型輸入數(shù)據(jù)的條件可知，當(dāng)對(duì)多導(dǎo)聯(lián)心電圖進(jìn)行質(zhì)量分析時(shí)，如果每個(gè)導(dǎo)聯(lián)的長(zhǎng)度大于3 000 個(gè)采樣點(diǎn)的長(zhǎng)度，最后通過(guò)模型判斷，該心電圖的每個(gè)導(dǎo)聯(lián)都有多個(gè)輸出結(jié)果，分別表示該導(dǎo)聯(lián)各個(gè)小片段數(shù)據(jù)的信號(hào)質(zhì)量分析結(jié)果。

3 實(shí)驗(yàn)

3.1 訓(xùn)練數(shù)據(jù)準(zhǔn)備

PhysioNet/CinC Chanllenge 2011 挑戰(zhàn)賽（PICC）期望參賽選手評(píng)估心電圖信號(hào)質(zhì)量，以獲得質(zhì)量可接受的心電圖數(shù)據(jù)。本文從PICCset-a數(shù)據(jù)集上選取模型訓(xùn)練需要的數(shù)據(jù)。該數(shù)據(jù)集包含1 000份數(shù)據(jù)，是標(biāo)準(zhǔn)12導(dǎo)聯(lián)心電信號(hào)，采樣頻率是500 Hz，采樣時(shí)長(zhǎng)10 s。每份數(shù)據(jù)均經(jīng)過(guò)多名醫(yī)生標(biāo)記為“質(zhì)量不可接受”（unacceptable）或者“質(zhì)量可接受”（acceptable）。該數(shù)據(jù)集可以通過(guò)文獻(xiàn)[22]進(jìn)行下載獲取。

考慮到模型輸入層數(shù)據(jù)的要求和數(shù)據(jù)樣本的數(shù)量，本文將set-a 數(shù)據(jù)集中每個(gè)導(dǎo)聯(lián)的心電信號(hào)截取成6 s、3 000個(gè)采樣點(diǎn)長(zhǎng)度的訓(xùn)練樣本數(shù)據(jù)。數(shù)據(jù)經(jīng)處理和心電醫(yī)生標(biāo)記后得到4 878份數(shù)據(jù)用于模型訓(xùn)練，其中“質(zhì)量可接受”數(shù)據(jù)2 719 份，“質(zhì)量不可接受”數(shù)據(jù)2 159份。圖2（a）是該數(shù)據(jù)集中被標(biāo)記為“質(zhì)量可接受”標(biāo)簽的數(shù)據(jù)，圖2（b）～（d）是該數(shù)據(jù)集中被標(biāo)記為“質(zhì)量不可接受”標(biāo)簽的數(shù)據(jù)。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

PICC 2011 挑戰(zhàn)賽數(shù)據(jù)的長(zhǎng)度為5 000 個(gè)采樣點(diǎn)，為滿足模型輸入的條件，先將數(shù)據(jù)分割成3 000 個(gè)采樣點(diǎn)長(zhǎng)度的片段。這里，每個(gè)導(dǎo)聯(lián)的數(shù)據(jù)均被分割成2個(gè)小片段。再將每個(gè)片段作為模型的輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)得到結(jié)果，最后將每個(gè)片段的結(jié)果進(jìn)行綜合分析得到該份數(shù)據(jù)的質(zhì)量分析結(jié)果。

圖2 PICC標(biāo)記ECG信號(hào)

實(shí)驗(yàn)數(shù)據(jù)中，正類表示“質(zhì)量不可接受”，負(fù)類表示“質(zhì)量可接受”。用TP 表示正確預(yù)測(cè)的正類數(shù)，TN表示正確預(yù)測(cè)的負(fù)類數(shù)，F(xiàn)N 表示將正類預(yù)測(cè)為負(fù)類的數(shù)目，F(xiàn)P 表示將負(fù)類預(yù)測(cè)為正類的數(shù)目，對(duì)于正確率accuracy(Acc) ，敏感性sensitivity(Se) ，特異性specificity(Sp)，有：

3.3 實(shí)驗(yàn)環(huán)境

本文使用Caffe框架，實(shí)驗(yàn)軟件平臺(tái)采用Windows10系統(tǒng)、Pycharm 和Anaconda 2，硬件環(huán)境是16 GB 內(nèi)存，intel?Core? i5-7200 CPU @ 3.40 GHz，主頻3.41 GHz的Dell計(jì)算機(jī)。

3.4 PICCset-b數(shù)據(jù)集實(shí)驗(yàn)分析

本文采用隨機(jī)梯度下降法來(lái)最小化損失函數(shù)，經(jīng)模型調(diào)試，模型訓(xùn)練時(shí)batchsize 設(shè)為50，即每次輸入的樣本數(shù)為50；基礎(chǔ)學(xué)習(xí)率為0.01；epoch為50，共進(jìn)行50輪訓(xùn)練迭代。

對(duì)用PICCset-a 數(shù)據(jù)集訓(xùn)練好的模型采用獨(dú)立的PICCset-b 數(shù)據(jù)集進(jìn)行評(píng)估。PICCset-b 數(shù)據(jù)集共有500份標(biāo)準(zhǔn)的12 導(dǎo)聯(lián)心電圖信號(hào)，采樣頻率和與PICCset-a數(shù)據(jù)集格式一樣。用PICCset-a數(shù)據(jù)集上訓(xùn)練好的模型和基于片段策略，在PICCset-b上測(cè)試，不僅可以在實(shí)際情況中設(shè)置不同的閾值給出每張心電圖的質(zhì)量評(píng)估結(jié)果，還能確定具體可用的數(shù)據(jù)片段。圖3 是數(shù)據(jù)集NO.2794112心電圖，各導(dǎo)聯(lián)中每個(gè)小片段數(shù)據(jù)“質(zhì)量不可接受”的概率評(píng)估結(jié)果（保留2 位小數(shù)，下同）為{（0.01，0.03），（0.03，0.06），（1.00，1.00），（0.04，0.08），（0.70，0.72），（0.67，0.58），（0，0），（0，0），（0，0），（0，0），（0，0），（0.01，0）}。III導(dǎo)聯(lián)2個(gè)小片段評(píng)估為“質(zhì)量不可接受”的概率都為1。但其他導(dǎo)聯(lián)小片段數(shù)據(jù)質(zhì)量不可接受的概率都非常小，因此該心電圖全局會(huì)判定為質(zhì)量可接受，同時(shí)給出局部評(píng)估結(jié)果，后續(xù)可以不對(duì)III導(dǎo)聯(lián)的信號(hào)進(jìn)行特征檢測(cè)，避免因?yàn)樵肼暩蓴_造成特征提取不準(zhǔn)的問(wèn)題。圖4 是NO.2969646 心電圖，各導(dǎo)聯(lián)每個(gè)小片段數(shù)據(jù)“質(zhì)量不可接受”的概率評(píng)估結(jié)果為[（0.34，

0.50），（0.40，0.94），（0.22，0.97），（0.35，0.92），（0.44，1.00），（0.44，0.96），（0.29，1.00），（0.21，0.90），（0，0），（0.03，

0.59），（0.12，0.98），（0.25，0.99）]。2 個(gè)導(dǎo)聯(lián)的前部分信號(hào)“質(zhì)量不可接受”的概率都很小，后部分信號(hào)“質(zhì)量不可接受”的概率很大，該心電圖可以根據(jù)實(shí)際情況給出全局分析結(jié)果，特定情況下可以丟棄后部分“質(zhì)量不可接受”信號(hào)，利用前半部分信號(hào)進(jìn)行下一步的分析。

圖3 NO.2794112 ECG信號(hào)

圖4 NO.2969646 ECG信號(hào)

從實(shí)驗(yàn)分析也可以看出，采用小片段進(jìn)行分析，給出全局分析結(jié)果的同時(shí)，也提供局部質(zhì)量分析結(jié)果，能更準(zhǔn)確地找出心電圖信號(hào)“質(zhì)量可接受”的片段，對(duì)后續(xù)的特征提取和自動(dòng)判讀更有價(jià)值。

3.5 與其他方法的比較

在set-b 測(cè)試集上進(jìn)行全局質(zhì)量評(píng)估，實(shí)驗(yàn)設(shè)定：80%以上的小片段檢測(cè)為“質(zhì)量不可接受”，則全局判定為“質(zhì)量不可接受”，否則全局判定為“質(zhì)量可接受”。與心電醫(yī)生標(biāo)記的結(jié)果比較，共472 份心電數(shù)據(jù)判定正確，正確率達(dá)到0.944，其中，敏感性Se 為0.964，特異性Sp 為0.924。

表2是本文方法和其他方法的對(duì)比結(jié)果，Xia等人[23]提出的正則矩陣（Matrix of Regularity）融合信號(hào)質(zhì)量多項(xiàng)特征，準(zhǔn)確率為0.929，由于質(zhì)量不可接受數(shù)據(jù)不確定性較大，種類較多，該方法特征規(guī)則主要針對(duì)缺失信號(hào)、導(dǎo)聯(lián)信號(hào)交叉和不規(guī)則節(jié)拍等質(zhì)量不可接受信號(hào)，因此質(zhì)量不可接受的識(shí)別率(Se)相對(duì)較低，而質(zhì)量可接受的數(shù)據(jù)在這些特征規(guī)則的判定下識(shí)別率(Sp)較高。Clifford等人[12]提取6種信號(hào)質(zhì)量指數(shù)（SQIs），通過(guò)實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)5個(gè)特征組合的分類器準(zhǔn)確率最高，運(yùn)用在多層感知機(jī)（MLP）上的準(zhǔn)確率為0.940，運(yùn)用支持向量機(jī)（SVM）的方法，準(zhǔn)確率為0.916，相比于MLP 對(duì)這些特征進(jìn)行再學(xué)習(xí)不同，原特征在SVM方法中對(duì)“質(zhì)量可接受”數(shù)據(jù)區(qū)分度不大，特異性Sp 有待提高。Kalkstein等人[24]則根據(jù)先驗(yàn)知識(shí)，針對(duì)該數(shù)據(jù)集制定相應(yīng)規(guī)則，在set-b上的準(zhǔn)確率為0.912。而本文方法在不需要顯示手動(dòng)提取信號(hào)質(zhì)量特征，也不需要選取規(guī)則和閾值的情況下，準(zhǔn)確率和敏感性均最高，相較于“質(zhì)量可接受”的數(shù)據(jù)，模型對(duì)“質(zhì)量不可接受”的預(yù)測(cè)能力更強(qiáng)，原因在樣本標(biāo)記時(shí)，質(zhì)量可接受與否的界定存在主觀因素，存在噪聲干擾但臨床還能接受的數(shù)據(jù)標(biāo)記為正常，模型在學(xué)習(xí)時(shí)會(huì)將這類噪聲當(dāng)做“質(zhì)量不可接受”類別的特征，誤判為“質(zhì)量不可接受”。針對(duì)該問(wèn)題，后續(xù)研究會(huì)增加模型訓(xùn)練的樣本數(shù)，保證數(shù)據(jù)和標(biāo)簽的差異性，使模型具有更強(qiáng)的泛化能力，更準(zhǔn)確地學(xué)習(xí)到不同類別的特征。

表2 本文方法與其他方法的實(shí)驗(yàn)結(jié)果

4 結(jié)束語(yǔ)

臨床環(huán)境下采集的心電信號(hào)往往由于含有大量的噪聲使得心電特征提取和診斷變得異常困難，評(píng)估心電信號(hào)質(zhì)量將有助于后續(xù)研究。卷積神經(jīng)網(wǎng)絡(luò)是一種深度前饋人工神經(jīng)網(wǎng)絡(luò)，已成功地應(yīng)用于圖像識(shí)別方向。本文使用一維卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)心電信號(hào)質(zhì)量進(jìn)行分析。模型通過(guò)3個(gè)卷積、池化層和2個(gè)全連接層，將輸入的信號(hào)數(shù)據(jù)進(jìn)行二分類概率輸出。經(jīng)過(guò)心電醫(yī)生標(biāo)記，PICC set-a 數(shù)據(jù)集上訓(xùn)練得到的模型，在set-b 數(shù)據(jù)集上測(cè)試，準(zhǔn)確率為0.944，敏感性為0.964，特異性為0.924，相比其他方法，在不需要顯示提取特征的情況下，分類效果得到一定的提升。

對(duì)心電圖進(jìn)行質(zhì)量評(píng)估的主要目的是減少由于心電信號(hào)不可接受而造成的誤報(bào)警。已有方法大多對(duì)心電圖進(jìn)行整體分析，一旦判定為質(zhì)量不可接受，就不會(huì)對(duì)該心電圖進(jìn)行后續(xù)的特征檢測(cè)或疾病分類。本文基于小片段數(shù)據(jù)分析，當(dāng)質(zhì)量不可接受數(shù)據(jù)比較少，質(zhì)量可接受的數(shù)據(jù)足夠多，該心電圖也能用于臨床研究。在心電圖信號(hào)采集無(wú)法避免噪聲干擾的情況下，可以最大限度地利用已有數(shù)據(jù)進(jìn)行臨床輔助診斷。