基于多尺度特征提取的多導(dǎo)聯(lián)心跳信號(hào)分類

張 繁，尹 鑫，徐宇揚(yáng)，郝鵬翼

(1.浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023；2.吉林大學(xué)軟件學(xué)院，吉林 長(zhǎng)春 130000)

1 背景介紹

隨著我國(guó)城市化進(jìn)程的推進(jìn)和生活條件的改善，心血管疾病在我國(guó)的發(fā)生率及死亡率逐步上升。心電圖(electrocardiogram，ECG)作為一項(xiàng)簡(jiǎn)單、快速、非侵入式的檢查方式，被廣泛作為心血管疾病的初步檢查手段。標(biāo)準(zhǔn)的心電圖一般由12 條導(dǎo)聯(lián)組成，每條導(dǎo)聯(lián)以電信號(hào)的方式記錄著心臟不同方向的跳動(dòng)情況，從而綜合反映心臟的健康狀況。而每條導(dǎo)聯(lián)又由若干個(gè)心跳波形構(gòu)成，一個(gè)標(biāo)準(zhǔn)的心跳波形主要由P 波段、QRS 波群、T 波段組成，如圖1 所示。這些波段以固定的順序出現(xiàn)，記錄著心臟的健康狀況。若出現(xiàn)異常波形則表明心臟產(chǎn)生病變，如心肌梗死可產(chǎn)生ST 段壓低、ST 段抬高、T 波倒置等異常波形，所以心跳波形對(duì)于分析心電圖具有重要意義。然而，逐一分析心電圖中的心跳波形是一項(xiàng)十分耗時(shí)、費(fèi)力的任務(wù)，且對(duì)于醫(yī)生的經(jīng)驗(yàn)要求較高，還存在誤診的可能性。所以需要自動(dòng)化的分析檢測(cè)系統(tǒng)以輔助醫(yī)生分析心電信號(hào)，從而做出更客觀、更準(zhǔn)確地判斷。一般分3 步進(jìn)行心跳信號(hào)分類：①心電信號(hào)預(yù)處理；②特征提?。虎坌奶诸?。對(duì)于信號(hào)預(yù)處理，由于從患者身上采集的原始心電信號(hào)包含眾多噪聲，比如存在基線偏移、電力線干擾、肌電干擾等[1]，所以獲得干凈、清晰的心電信號(hào)對(duì)于自動(dòng)檢測(cè)系統(tǒng)至關(guān)重要，許多研究者提出了不同的信號(hào)去噪方法。文獻(xiàn)[2]通過設(shè)置不同閾值，采用離散小波變換的方法消除原始信號(hào)中的基線偏移和高頻噪聲，但會(huì)影響原始信號(hào)中的低頻部分。文獻(xiàn)[3]使用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)和自適應(yīng)均值濾波器的算法消除心電信號(hào)中的多種噪聲，并能保持QRS波群特征的相對(duì)完好。對(duì)于特征提取與心跳分類，由于心跳信號(hào)之間的差異較小，所以設(shè)計(jì)能夠提取有效、關(guān)鍵特征的提取器至關(guān)重要。文獻(xiàn)[4]采用同步壓縮變換的算法計(jì)算心跳信號(hào)的相位信息作為特征，然后使用支持向量機(jī)(support vector machine，SVM)分類器對(duì)4 種心律不齊進(jìn)行分類。文獻(xiàn)[5]利用基于多尺度能量和特征空間的方法來(lái)提取多尺度小波能量和特征值作為診斷特征，然后使用SVM分類器對(duì)多種心肌梗死進(jìn)行分類。然而這種傳統(tǒng)的，需要人為設(shè)計(jì)的特征提取方式不僅要求算法的設(shè)計(jì)人員對(duì)于心血管疾病有著充分的認(rèn)識(shí)和理解，而且最終提取到的特征存在一定的人為主觀性，且特征提取過程較為繁雜。所以近年來(lái)利用深度學(xué)習(xí)技術(shù)自動(dòng)提取特征的方式開始興起。文獻(xiàn)[6]回顧了利用深度學(xué)習(xí)分析生物信號(hào)(包括心電信號(hào))的53篇文章后發(fā)現(xiàn)，利用深度學(xué)習(xí)技術(shù)有著明顯的優(yōu)勢(shì)。文獻(xiàn)[7]利用一個(gè) 34 層的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)自動(dòng)提取特征后對(duì)心跳信號(hào)進(jìn)行分類，最終結(jié)果優(yōu)于6 位心臟疾病專家的平均表現(xiàn)。文獻(xiàn)[8]設(shè)計(jì)了一個(gè)10 層端到端的CNN 對(duì)12 導(dǎo)聯(lián)心電信號(hào)進(jìn)行心肌梗死的分類。文獻(xiàn)[9]將CNN 與長(zhǎng)短期記憶網(wǎng)絡(luò)(long short term memory，LSTM)結(jié)合起來(lái)，提取特征后利用全連接層對(duì)多種心律不齊進(jìn)行分類。

圖1 標(biāo)準(zhǔn)心跳示意圖[10] Fig.1 Standard heart beat figure[10]

通過上述回顧可發(fā)現(xiàn)，多數(shù)研究者均使用單導(dǎo)聯(lián)或雙導(dǎo)聯(lián)的信號(hào)來(lái)進(jìn)行心跳分類[2-4,7-9,11-19]，只有少數(shù)同時(shí)使用多導(dǎo)聯(lián)信息[5,20-22]。文獻(xiàn)[23]通過將多導(dǎo)聯(lián)心跳信號(hào)特征進(jìn)行堆疊后利用隨機(jī)森林(randomized forests，RF)和多層感知機(jī)(multi-layer perceptron，MLP)對(duì)多種心律不齊進(jìn)行分類。對(duì)于使用多導(dǎo)聯(lián)信號(hào)的研究，其均分別提取各導(dǎo)聯(lián)心跳特征，然后再進(jìn)行特征融合，這樣雖然能夠獲得較為全面的特征，但大大增加了算法的復(fù)雜度，并且在一定程度上忽略了不同導(dǎo)聯(lián)心跳信號(hào)的相關(guān)性。此外，由于心跳信號(hào)有特征分布不均勻，變化幅度不一的特點(diǎn)，并認(rèn)為文獻(xiàn)[5,24]中多尺度的思路有助于全面挖掘出心跳信號(hào)中的特征信息，所以本文提出了一個(gè)基于多尺度特征提取的多導(dǎo)聯(lián)心跳信號(hào)分類方法，將來(lái)自不同導(dǎo)聯(lián)的心跳信號(hào)縱向堆疊后形成信號(hào)矩陣，利用3 種不同尺度的一維卷積提取特征，然后進(jìn)行不同尺度的特征融合，最后利用全連接層進(jìn)行分類。本文方法在公開數(shù)據(jù)庫(kù)PhysioNet[25]中的MIT-BIH Arrhythmia Database，MIT-BIH Supraventricular Arrhythmia Database 和St Petersburg INCART 12-lead Arrhythmia Database 數(shù)據(jù)集上分別進(jìn)行了心跳信號(hào)的“正常-異常”分類和心跳信號(hào)的多分類，對(duì)于“正常-異?！狈诸?，其準(zhǔn)確率、召回率、精確率、F1 值均達(dá)到了99%以上；對(duì)于多類別分類，其平均準(zhǔn)確率、召回率、精確率和平均F1 值能達(dá)到99.5%左右。相較于以往的心跳分類研究，本文方法不僅利用多導(dǎo)聯(lián)心跳信號(hào)組成信號(hào)矩陣以提取更加全面的特征，而且采用3 種不同大小的一維卷積核以提取多尺度的特征，最終達(dá)到現(xiàn)今最優(yōu)秀的分類性能。

2 方法

本文提出了一個(gè)基于多尺度特征提取的多導(dǎo)聯(lián)心跳信號(hào)分類方法(multi-scale net，MSNet)，其能有效提取心跳信號(hào)中的特征并進(jìn)行準(zhǔn)確分類。對(duì)于一個(gè)心電信號(hào)樣本，可分3 步進(jìn)行處理：信號(hào)預(yù)處理、心跳特征提取、特征融合與分類，圖2 為網(wǎng)絡(luò)的整體結(jié)構(gòu)。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)示意圖 Fig.2 The overall structure figure of the network

2.1 問題描述

本文提出的心跳信號(hào)分類方法以接收多導(dǎo)聯(lián)心跳信號(hào)堆疊矩陣作為輸入，假設(shè)導(dǎo)聯(lián)數(shù)量為l，單個(gè)心跳信號(hào)的長(zhǎng)度為n，則輸入矩陣為

其中，nclass為類別數(shù)量；oi=1 為該心跳信號(hào)屬于類別i(i∈[1,nclass])。

2.2 方法

已知卷積網(wǎng)絡(luò)結(jié)構(gòu)是最常使用且效果優(yōu)異的 特征提取器。而在卷積網(wǎng)絡(luò)結(jié)構(gòu)中，最核心的是其卷積層，憑借著局部連接和權(quán)重共享的思想，卷積操作能夠有效降低參數(shù)量，加快計(jì)算速度的同時(shí)，擁有非常優(yōu)秀的特征提取能力。本文心跳信號(hào)Ml×n的特點(diǎn)是寬度大于高度，即n＞l，且屬于時(shí)序信號(hào)，不適合使用二維卷積，所以采用一維卷積的方式提取特征。為了將原始信息投射到更高維度的特征空間以利于后續(xù)的多尺度特征提取，本文首先使用2個(gè)一維卷積塊對(duì)輸入矩陣Ml×n進(jìn)行處理，得到特征矩陣F。由于心跳波形的生理特征，信息量分布不均勻，主要體現(xiàn)在QRS 波群上，并認(rèn)為單一大小(單尺度)的卷積核無(wú)法提取全面的特征，而多種大小(多尺度)的卷積核可以較好地應(yīng)對(duì)心跳波形的變化，有效提升特征提取能力。所以可用3 種大小的卷積核分別對(duì)F進(jìn)行進(jìn)一步的特征提取，對(duì)應(yīng)于圖2，路徑A使用的卷積核大小為3，得到的特征向量為Fα，其維度為α×1；路徑B使用的卷積核大小為5，得到的特征向量為Fβ，其維度為β×1；路徑C使用的卷積核大小為7，得到的特征向量為Fγ，其維度為γ×1。

該研究中的一維卷積塊由一維卷積層、批量標(biāo)準(zhǔn)化層、激活層和池化層組成，一維殘差卷積塊是串聯(lián)2 個(gè)一維卷積塊并添加殘差連接[26]。圖3 為一維卷積的具體流程，v和y分別為輸入、輸出矩陣中的具體數(shù)值，w為卷積核的權(quán)重，r和c分別為輸入矩陣的行和列(若以第一個(gè)卷積層為例，則可以理解為堆疊導(dǎo)聯(lián)數(shù)量和單個(gè)心跳信號(hào)的長(zhǎng)度，即r=l，c=n)。輸入矩陣在經(jīng)過一維卷積后，輸出矩陣的高度(行)r'為卷積核的數(shù)量，寬度(列)c'為：(K為卷積核的大小，即尺度；P為填充數(shù)量；S為步伐)。批量標(biāo)準(zhǔn)化[27]是神經(jīng)網(wǎng)絡(luò)訓(xùn)練中常用的手段，在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，隱藏層的數(shù)據(jù)分布會(huì)發(fā)生偏移，從而導(dǎo)致模型收斂緩慢。所以在每一層使用批量標(biāo)準(zhǔn)化操作將數(shù)據(jù)分布偏移的現(xiàn)象進(jìn)行一定糾正，避免梯度消失，使網(wǎng)絡(luò)的訓(xùn)練更容易。本文使用ReLu 激活函數(shù)增加模型的非線性因素，最后使用最大池化過濾掉冗余特征，進(jìn)一步降低模型的參數(shù)量。

圖3 一維卷積示意圖 Fig.3 One dimensional convolution process figure

2.3 特征融合

對(duì)心跳信號(hào)使用3 種不同大小卷積核，可分別得到3 種不同尺度的特征向量Fα,Fβ,Fγ。目前常用的特征融合方式主要為2 種：①將多個(gè)特征向量進(jìn)行點(diǎn)對(duì)點(diǎn)的求和，形成新的特征向量，這種方式要求多個(gè)特征向量的維度完全一致，即融合前后維度保持一致，不會(huì)增加模型的參數(shù)量，對(duì)計(jì)算友好；②將多個(gè)特征向量按照某一維度進(jìn)行拼接，從而得到新的特征向量，該方式僅需保證特征向量在拼接方向上的維度一致，且最大限度保留原始特征的相對(duì)獨(dú)立性，缺陷是特征融合后維度增加。本文考慮到心跳信號(hào)的長(zhǎng)度較短，且經(jīng)過多層卷積后得到的特征向量維度較小，并且不同尺度特征向量的維度不完全一致，所以采用拼接的方式進(jìn)行特征融合，最后將拼接后的特征向量作為全連接層進(jìn)行最終的分類，融合特征可表示為

其中，符號(hào)⊕為向量拼接。

3 數(shù)據(jù)集及預(yù)處理

3.1 公開數(shù)據(jù)集介紹

本文采用MIT-BIH Arrhythmia Database (MIT_ ARR)，MIT-BIH Supraventricular (MIT_SUP)以及St.Petersburg Institute of Cardiological Technics 12-lead Arrhythmia Database (INCART) 3 個(gè)公開數(shù)據(jù)集分別進(jìn)行模型的訓(xùn)練與測(cè)試。其中，只有INCART 數(shù)據(jù)集有12 條導(dǎo)聯(lián)數(shù)據(jù)(I,II,III,aVR,aVL,aVF,V1,V2,V3,V4,V5,V6)，其余2 個(gè)數(shù)據(jù)集均僅有2 條導(dǎo)聯(lián)數(shù)據(jù)，MIT_ARR 為II 和V1 導(dǎo)聯(lián)，MIT_SUP 為ECG1 和ECG2(官方未說(shuō)明具體導(dǎo)聯(lián))。3 個(gè)數(shù)據(jù)集在心跳總樣本量、各類心跳樣本量以及采樣頻率均有一定差異，見表1。MIT_ARR數(shù)據(jù)集包含48 個(gè)樣本，每個(gè)樣本的采樣頻率和采集時(shí)間分別為360 Hz 和30 min，本文使用數(shù)量相對(duì)較多的6 種類型心跳，具體為正常心跳(N)、室性早搏心跳(V)、右束支傳導(dǎo)阻滯心跳(R)、左束支傳導(dǎo)阻滯心跳(L)、房性早搏心跳(A)和起搏心跳(/)，共計(jì)92 520 個(gè)心跳樣本。MIT_SUP 數(shù)據(jù)集包含78 個(gè)樣本，每個(gè)樣本的采集頻率和采集時(shí)間分別為125 Hz 和30 min，本文使用正常心跳(N)、室性早搏心跳(V)、室上性早搏心跳(S)以及孤立的QRS 偽影(|)4 種類型的186 564 個(gè)心跳樣本。INCART 數(shù)據(jù) 集包含75 個(gè)樣本，采樣頻率和采樣時(shí)間分別為257 Hz 和30 min，使用正常心跳(N)、室性早搏心跳(V)、右束支傳導(dǎo)阻滯心跳(R)和房性早搏心跳(A)4 種類型，共計(jì)165 174 個(gè)心跳樣本。

表1 3個(gè)公開數(shù)據(jù)集介紹 Table 1 Introduction of the three public data set

3.2 預(yù)處理

本研究的預(yù)處理可分為3 步：基線校準(zhǔn)、振幅歸一化、心跳分離。

(1) 基線校準(zhǔn)。心電信號(hào)在采集時(shí)會(huì)受到呼吸、移動(dòng)等外部因素的影響，從而產(chǎn)生不同程度的基線偏移，所以本文采用中值濾波的方式對(duì)其進(jìn)行矯正，圖4 為基線校正的前后對(duì)比圖，紅色波形為原始信號(hào)，綠色波形為使用中值濾波后，可以在看到矯正基線的同時(shí)，不影響信號(hào)中其他特征。

圖4 基線矯正前后對(duì)比圖((a)原始信號(hào)(存在基線偏移)；(b)基線矯正后；(c)基線矯正前后對(duì)比) Fig.4 Comparison between before baseline drift correction and after baseline drift correction ((a) Original signal (with baseline drift);(b) After baseline drift correction; (c) Comparison between before correction and after correction)

(2) 振幅歸一化。不同數(shù)據(jù)集，不同導(dǎo)聯(lián)中的信號(hào)數(shù)值范圍有較大浮動(dòng)，不利于后續(xù)的特征提取。所以本文使用文獻(xiàn)[19]中的算法對(duì)原始心跳信號(hào)進(jìn)行歸一化。計(jì)算方式如下

其中，x為原始信號(hào)值；xp為處理后的信號(hào)值；min和max 分別為原始心跳信號(hào)中的最小、最大值；newmin 和newmax 分別表示歸一化后信號(hào)值的最小、最大值，在本研究中，newmin 和newmax 為0 和1。

(3) 分離心跳。由于本文內(nèi)容是對(duì)心跳信號(hào)進(jìn)行分類，而公開數(shù)據(jù)集提供的數(shù)據(jù)為長(zhǎng)時(shí)間采集的導(dǎo)聯(lián)信號(hào)，所以需要從導(dǎo)聯(lián)中分離出單個(gè)心跳。一般分為2 步：首先檢測(cè)出信號(hào)中R 點(diǎn)的位置，然后設(shè)定單個(gè)心跳的長(zhǎng)度即可分離出心跳。本文使用的3 個(gè)公開數(shù)據(jù)集均已利用文獻(xiàn)[28]的算法較為準(zhǔn)確地檢測(cè)出R 點(diǎn)并標(biāo)注其類別，根據(jù)其標(biāo)注的相鄰心跳的R-R 間隔時(shí)間，確定每個(gè)數(shù)據(jù)集的心跳長(zhǎng)度。具體來(lái)說(shuō)，MIT_ARR，MIT_SUP 和INCART 數(shù)據(jù)集中的心跳長(zhǎng)度分別為230，150 和160。圖5 為3個(gè)數(shù)據(jù)集的單心跳示意圖。

圖5 單個(gè)心跳示意圖 Fig.5 Figure of a single heartbeat ((a) MIT_ARR; (b) MIT_SUP;(c) INCART)

4 實(shí)驗(yàn)與討論

4.1 評(píng)價(jià)標(biāo)準(zhǔn)

為了充分評(píng)估模型的性能，可使用以下4 個(gè)通用的指標(biāo)：準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)以及F1 值(F1_Score)。其具體計(jì)算方式為

其中，TN，TP，F(xiàn)N，F(xiàn)P分別為真陰性、真陽(yáng)性、假陰性、假陽(yáng)性。值得注意的是，在心跳信號(hào)多分類任務(wù)中，對(duì)于特定類別的心跳，只需計(jì)算其召回率、精確率以及F1 值，然后通過加權(quán)平均計(jì)算上述指標(biāo)的平均值，可更好地綜合評(píng)價(jià)模型性能。以平均召回率為例，即

其中，Recalli為i類別的召回率；Wi為i類別的樣本量占總樣本量的比例。

4.2 實(shí)驗(yàn)環(huán)境

本文采用了3 個(gè)公開數(shù)據(jù)集，為了保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性和可信度，采用五折交叉驗(yàn)證的方式進(jìn)行結(jié)果評(píng)估，即對(duì)于每個(gè)數(shù)據(jù)集，可將所有樣本平均分為5 份，并且保證每份的各類樣本數(shù)量比例一致，每次選取其中4 份作為訓(xùn)練集，一份作為驗(yàn)證集，重復(fù)5 次，最后將平均分?jǐn)?shù)作為模型的評(píng)價(jià)指標(biāo)。為了加快模型訓(xùn)練時(shí)的收斂速度，本文將學(xué)習(xí)率調(diào)整為余弦衰減[29]的方式，即

其中，Lre為當(dāng)前訓(xùn)練輪次的學(xué)習(xí)率；e為當(dāng)前訓(xùn)練輪次；E為訓(xùn)練的總輪數(shù)；Lri為初始學(xué)習(xí)率。

本文所有實(shí)驗(yàn)均在Linux 平臺(tái)上借助深度學(xué)習(xí)框架PyTorch 完成，硬件具體配置為：英特爾9 900 K處理器，英偉達(dá)2080Ti 顯卡以及32 GB 內(nèi)存。

4.3 心跳信號(hào)的“正常-異?！狈诸?/h3>

本實(shí)驗(yàn)將3 個(gè)公開數(shù)據(jù)集的心跳數(shù)據(jù)分為正常與異常心跳2 類。數(shù)據(jù)中除正常心跳外其他類型均認(rèn)定為異常心跳。對(duì)于每個(gè)數(shù)據(jù)集均使用了3 種方法進(jìn)行實(shí)驗(yàn)。方法1 采用文獻(xiàn)[9]方法，其將每個(gè)心跳信號(hào)分為3 段，對(duì)于每一段首先使用一維卷積提取特征，然后將各段特征拼接后輸入LSTM 網(wǎng)絡(luò)，進(jìn)行心跳最終的分類。方法2 采用本文多尺度特征提取網(wǎng)絡(luò)結(jié)構(gòu)，將單個(gè)心跳信號(hào)作為網(wǎng)絡(luò)的輸入，簡(jiǎn)稱MSNet (單心跳)。方法3 是在方法2 的基礎(chǔ)上，將網(wǎng)絡(luò)輸入改為多導(dǎo)聯(lián)心跳信號(hào)堆疊矩陣Ml×n，簡(jiǎn)稱MSNet (堆疊心跳)。表2 為3 種方法在公開數(shù)據(jù)集上進(jìn)行“正常-異?！狈诸惖慕Y(jié)果。整體而言，3 種方法在3 個(gè)數(shù)據(jù)集上均取得較為優(yōu)異的表現(xiàn)，方法1 在數(shù)據(jù)集MIT_ARR 上準(zhǔn)確率達(dá)到了98.59%，召回率、精確率、F1 值分別達(dá)到了97.58%，97.59%，97.58%，在數(shù)據(jù)集INCART 上準(zhǔn)確率能夠達(dá)到99.07%。方法2 較方法1 在3 個(gè)數(shù)據(jù)集上均有明顯的提升，在MIT_SUP 數(shù)據(jù)集上，準(zhǔn)確率提升了1.98%，召回率提升了2.01%，精確率提升了11.82%，F(xiàn)1 值提升了6.6%。獲得明顯提升的原因是方法1 中使用的單一尺度的卷積無(wú)法很好的適應(yīng)不同類型心跳信號(hào)的變化，而方法2 使用3 種不同尺度的一維卷積可以充分提取心跳信號(hào)中的特征，進(jìn)而提升分類效果。方法3 相較于方法2 也有一定程度的提升，在數(shù)據(jù)集MIT_ARR 上準(zhǔn)確率提升了0.86%，召回率提升了2.11%，精確率提升了0.89%，F(xiàn)1 值提升了1.51%。提升原因是本文方法在利用多尺度卷積提取心跳信號(hào)更全面特征的同時(shí)考慮到不同導(dǎo)聯(lián)間心跳信號(hào)可能存在關(guān)聯(lián)性，于是使用多導(dǎo)聯(lián)心跳信號(hào)堆疊矩陣作為模型的輸入，最終獲得了最為優(yōu)異的分類表現(xiàn)。此外,方法1 和方法2 對(duì)于MIT_ARR 數(shù)據(jù)集中不同導(dǎo)聯(lián)的心跳信號(hào)分類表現(xiàn)存在一定差異。2 種方法對(duì)于II 導(dǎo)聯(lián)心跳信號(hào)的分類效果優(yōu)于V1 導(dǎo)聯(lián)心跳信號(hào)的分類效果。圖6 為3 個(gè)數(shù)據(jù)集中各導(dǎo)聯(lián)的質(zhì)量情況。可以看出在MIT_ARR 數(shù)據(jù)集中，II 導(dǎo)聯(lián)質(zhì)量要明顯優(yōu)于V1 導(dǎo)聯(lián)質(zhì)量，II 導(dǎo)聯(lián)波形清晰，無(wú)較大噪聲，而V1 導(dǎo)聯(lián)波形雜亂，有明顯噪聲。而在MIT_SUP 與INCART 數(shù)據(jù)集中，2 條導(dǎo)聯(lián)的質(zhì)量情況相差不大，雖然有一定低頻噪聲，但整體波形均較為清晰。所以認(rèn)為方法1 和方法2 對(duì)MIT_ARR 數(shù)據(jù)集中V1導(dǎo)聯(lián)心跳信號(hào)分類效果下降是因?yàn)槠湫盘?hào)質(zhì)量下降明顯。但即使在信號(hào)質(zhì)量較差的情況下，方法2仍能獲得98.66%的準(zhǔn)確率，說(shuō)明其擁有較為優(yōu)秀特征提取能力和抗干擾能力。

表2 3種方法在公開數(shù)據(jù)集上的“正常-異?！狈诸惐憩F(xiàn) Table 2 Performance of three methods on public data set to distinguish“Normal-Abnormal”

圖6 3 個(gè)公開數(shù)據(jù)集中導(dǎo)聯(lián)情況((a) MIT_ARR 數(shù)據(jù)集中II，V1 導(dǎo)聯(lián)情況；(b) MIT_SUP 數(shù)據(jù)集中ECG1，ECG2導(dǎo)聯(lián)情況；(c) INCART 數(shù)據(jù)集中II，V1 導(dǎo)聯(lián)情況) Fig.6 Leads in three public data set ((a) Lead II and V1 in MIT_ARR data set;(b) Lead ECG1 and ECG2 in MIT_SUP data set;(c) Lead II and V1 in INCART data set)

4.4 心跳信號(hào)的多分類

通過實(shí)驗(yàn)可知本文方法對(duì)于心跳信號(hào)二分類擁有優(yōu)異的性能。另使用本文方法對(duì)3 個(gè)數(shù)據(jù)集中的心跳信號(hào)進(jìn)行多分類，見表3～5。

表3 MIT_ARR 數(shù)據(jù)集多分類結(jié)果 Table 3 Performance of multi-type classification on MIT_ARR data set

對(duì)于MIT_ARR 數(shù)據(jù)集，表3 對(duì)其樣本量較多的6 類心跳進(jìn)行了分類，其判別正常心跳的召回率為99.72%，精確率為99.63%，F(xiàn)1 值可達(dá)99.67%。

對(duì)于MIT_SUP 數(shù)據(jù)集，表4 對(duì)4 類心跳進(jìn)行分類，其中對(duì)于正常心跳判別較為優(yōu)秀，召回率達(dá)到了98.98%、精確率為98.78%、F1 為98.88%，但對(duì)于室上性早搏心跳、室性早搏心跳和孤立的QRS偽影判別效果不夠理想，其原因可能為：①原始數(shù)據(jù)采樣率僅為125 Hz，明顯低于MIT_ARR 的360 Hz和INCART 的257 Hz，蘊(yùn)含的信息量驟減，使模型無(wú)法提取有效的特征以很好的區(qū)分不同類型心跳；②數(shù)據(jù)集中所有樣本的2 條導(dǎo)聯(lián)可能不一致，即對(duì)于第m份樣本，其2 條導(dǎo)聯(lián)可能為I 和II，而對(duì)于第n份樣本，其2 條導(dǎo)聯(lián)可能為V1 和V2，不確定的導(dǎo)聯(lián)堆疊不利于模型提取有效特征。

表4 MIT_SUP 數(shù)據(jù)集多分類結(jié)果 Table 4 Performance of multi-type classification on MIT_SUP data set

對(duì)于INCART 數(shù)據(jù)集，表5 對(duì)其4 類心跳進(jìn)行分類，其中在正常、室性早搏、右束支傳導(dǎo)阻滯心跳的判別上表現(xiàn)優(yōu)異，對(duì)于正常心跳，召回率為99.83%，精確率為99.90%，F(xiàn)1 值為99.86%。

表5 INCART 數(shù)據(jù)集多分類結(jié)果 Table 5 Performance of multi-type classification on INCART data set

4.5 討 論

從上述心跳信號(hào)的“正常-異常”分類與多分類的結(jié)果看，本文方法在3 個(gè)數(shù)據(jù)集上均取得了優(yōu)異的表現(xiàn)。表6 為近年在心跳分類方向上的方法及其性能表現(xiàn)。文獻(xiàn)[17]將一維的心跳信號(hào)通過算法轉(zhuǎn)換為二維的心跳圖片，然后對(duì)心跳圖片進(jìn)行數(shù)據(jù)增強(qiáng)，最后使用二維卷積提取特征并分類，在MIT_ARR 數(shù)據(jù)集上達(dá)到了99.05%的準(zhǔn)確率，但其召回率僅為97.85%。文獻(xiàn)[18]設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)31層的一維殘差網(wǎng)絡(luò)來(lái)對(duì)MIT_ARR 數(shù)據(jù)集中的心跳信號(hào)分類，其能達(dá)到較高的準(zhǔn)確率(99.06%)，但召回率不夠理想。文獻(xiàn)[19]通過獨(dú)立成分分析(independent component analysis，ICA)與主成分分析(principal component analysis，PCA)提取心跳信號(hào)中的特征，最后使用SVM 分類，在MIT_ARR 數(shù)據(jù)集上獲得了98.63%的準(zhǔn)確率。文獻(xiàn)[23]首先計(jì)算出各條導(dǎo)聯(lián)中心跳信號(hào)的10 種特征，利用堆疊的方式進(jìn)行特征融合，然后利用PCA 對(duì)特征矩陣進(jìn)行降維，最后利用RF 和MLP 組成級(jí)聯(lián)分類器對(duì)上述特征進(jìn)行分類。其在MIT_SUP 和INCART 數(shù)據(jù)集上均取得了優(yōu)異的表現(xiàn)，其中在INCART 數(shù)據(jù)集上的表現(xiàn)要略微高于本文方法。其方法有效性的關(guān)鍵在于通過特征融合的方式充分利用了多導(dǎo)聯(lián)心跳信號(hào)的特征。而本文的方法同樣使用多導(dǎo)聯(lián)心跳信號(hào)，并且利用一維殘差卷積的方式自動(dòng)提取特征并控制參數(shù)量，使用全連接層進(jìn)行最終的分類。總之，本文方法在大大簡(jiǎn)化處理流程的同時(shí)取得了優(yōu)異的分類性能。

表6 近年心跳分類研究總結(jié) Table 6 Conclusionof the recent years’ heartbeat researches

5 結(jié)束語(yǔ)

本文提出了基于多尺度特征提取的多導(dǎo)聯(lián)心跳信號(hào)分類方法(MSNet)。方法流程可分為：心跳信號(hào)預(yù)處理、特征提取、特征融合與分類。在MIT_ARR，MIT_SUP 和INCART 3 個(gè)心電公開數(shù)據(jù)集上進(jìn)行了充分的實(shí)驗(yàn)，對(duì)于心跳信號(hào)“正常-異常”分類，在MIT_ARR 和INCART 數(shù)據(jù)集上準(zhǔn)確率、召回率等指標(biāo)均達(dá)到99%以上。對(duì)于心跳信號(hào)的多分類，在MIT_ARR 和INCART 數(shù)據(jù)集上的平均準(zhǔn)確率、平均召回率等指標(biāo)也達(dá)到99.5%左右。相較于其他方法，本文方法的優(yōu)勢(shì)在于：①充分考慮并利用多導(dǎo)聯(lián)信息；②只采用少量信號(hào)處理手段，一定程度上簡(jiǎn)化了預(yù)處理流程；③采用3 種不同大小的一維卷積自動(dòng)提取心跳信號(hào)特征，無(wú)需憑借人為主觀因素設(shè)計(jì)特征提取算法，并且克服了單一大小卷積提取特征不全面的劣勢(shì)。未來(lái)將繼續(xù)研究如何緩解各類心跳樣本分布不均的問題，提高模型對(duì)極少樣本量類別的判別效果，使模型能夠達(dá)到臨床應(yīng)用的標(biāo)準(zhǔn)。