基于深度學(xué)習(xí)的ECG信號分類

于 雁，邱 磊,2

(1.青島大學(xué)自動化學(xué)院,山東 青島 266071; 2.青島大學(xué)未來研究院,山東 青島 266071)

0 引 言

隨著我國社會生活水平的提高，人們的精神和物質(zhì)生活已經(jīng)逐漸達到滿足，隨之而來的是生理上的各種壓力，導(dǎo)致心血管疾病的發(fā)病率更普遍和趨向于低齡化，其中心律失常是心血管疾病中的重要疾病之一，它能夠使心臟跳動逐漸衰弱直至停止或者突然發(fā)作致死[1]。ECG信號是人體中最關(guān)鍵的生理信號[2]，它能夠?qū)崟r地反映心臟狀態(tài)，成為診斷心血管疾病的有效手段之一。目前心電信號的自動分類已經(jīng)成為人工智能領(lǐng)域中的研究熱點，通過機器學(xué)習(xí)與模式識別的智能算法，大量研究成果脫穎而出。ECG信號的自動分類通常包括3個部分，即信號預(yù)處理、特征提取和心電分類[3]。針對信號預(yù)處理和特征提取，侯曉晴等[4]利用小波變換對ECG信號去噪后，使用極大值和斜率雙重檢測提取QRS波形特征；王超超等[5]利用改進閾值函數(shù)實現(xiàn)了對ECG信號的有效去噪；Xu[6]采用無監(jiān)督心跳特征學(xué)習(xí)方法進行T波自動檢測，具有較高的適應(yīng)性。對于心電分類方面，宋莉等[7]將一次性直接求解多類模式的SVM方法應(yīng)用于心電信號分類；文獻[8]中利用模糊C均值深度信念網(wǎng)絡(luò)FCMDBN模型自動學(xué)習(xí)心拍分類，驗證了該方法的有效性；陶亮等[9]利用CNN與LSTM混合的心律失常自動診斷算法，高效、準(zhǔn)確地識別心律失常類別；葉思超等[10]采用殘差網(wǎng)絡(luò)融合模型達到了85.5%的心律失常分類能力。上述文獻均利用傳統(tǒng)方法進行ECG信號去噪和波形特征提取，或在傳統(tǒng)CNN網(wǎng)絡(luò)基礎(chǔ)上加大深度以及加入RNN直接提取心電特征，這些研究方法雖有所成效，但都僅局限于單方面心電研究或?qū)π碾娦盘栠M行單一尺度信息提取，沒有充分利用組合優(yōu)勢，達不到預(yù)期的分類目標(biāo)。

針對上述問題，本文首先對Db6小波的4級分解量進行心電信號重構(gòu)，并使用巴特沃斯低通濾波器實現(xiàn)雙重去噪，然后對平滑的去噪心電信號進行R波提取，根據(jù)R波位置將信號分割成多個含有360個采樣點的P-QRS-T波段，最后將全部心電片段輸送到一維改進GoogLeNet網(wǎng)絡(luò)中進行訓(xùn)練。一維改進GoogLeNet是原始二維GoogLeNet的結(jié)構(gòu)優(yōu)化模型，刪除其中部分Inception結(jié)構(gòu)，降低網(wǎng)絡(luò)深度，并在保留的Inception結(jié)構(gòu)中加入最大池化層和擴張卷積，增大感受野，減少訓(xùn)練參數(shù)。相比原始二維GoogLeNet和無添加最大池化層和擴張卷積的一維GoogLeNet，一維改進GoogLeNet網(wǎng)絡(luò)的訓(xùn)練效率和測試效果有所提升，可達到99.39%的心電信號分類準(zhǔn)確率。

1 數(shù)據(jù)集及數(shù)據(jù)處理

1.1 數(shù)據(jù)集

本文實驗采用MIT-BIH心律失常數(shù)據(jù)庫(MIT-BIH Arrhythmia Database)[11]，其中共包括48條雙通道動態(tài)ECG記錄，每條記錄的心跳持續(xù)時間為30 min，采樣頻率為360 Hz。由于數(shù)據(jù)庫中的心拍種類較多，本文選擇其中5種作為心拍分類對象，即正常搏動(Normal beat, N)、左束支傳導(dǎo)阻滯(Left bundle branch block beat, L)、右束支傳導(dǎo)阻滯(Right bundle branch block beat, R)、房性早搏(Atrial premature contraction, A)和室性早搏(premature Ventricular contraction, V)。

1.2 心電信號預(yù)處理

由于心電信號的產(chǎn)生機制及周邊環(huán)境影響，采集的ECG信號長度不固定且容易存在基線漂移和肌電干擾等噪聲[12-14]，本實驗將心電信號輸入到模型中進行訓(xùn)練之前，首先進行了心電信號去噪和特征提取操作。

1.2.1 信號去噪

針對ECG信號中存在的噪聲問題，本文首先利用Db6小波進行4級分解，并將分解的小波系數(shù)進行權(quán)重分配后得到重構(gòu)信號[15]，接著使用巴特沃斯低通濾波器[16]進行二次降噪，提高模型對心電波形的檢測能力。圖1表示Db6的第1～4級近似系數(shù)d1～d4和第4級細(xì)節(jié)系數(shù)a4，信號重構(gòu)公式如式(1)所示。

x=d1+d2+d3+d4+a4

(1)

其中，x表示重構(gòu)信號，di(i=1,2,3,4)表示第i層信號分解得到的近似系數(shù)(即高頻信息)，a4表示第4層分解的細(xì)節(jié)系數(shù)(即低頻信息)。

巴特沃斯低通濾波器的表達公式為：

(2)

(a) a4、d1和d2分量

(b) d3和d4分量

圖2表示原始ECG波形和各方法去噪后的ECG波形。從圖中可以看出，經(jīng)過2次去噪處理后，保留了原有的心電波形特征和細(xì)節(jié)信息，與原始波形相比更為平滑，消除了由各種噪聲產(chǎn)生的小毛刺現(xiàn)象。

圖2 原始、Db6的4級分解并重構(gòu)、低通濾波器消噪后的ECG信號波形

1.2.2 特征提取

MIT-BIH數(shù)據(jù)集中的每條ECG信號持續(xù)時間為30 min左右，采樣頻率為360 Hz，每一個人工注釋都標(biāo)注在R波位置。一個完整的心電周期主要包括P波、QRS波和T波，大約在0.6 s到1 s之間，由于被采集者的心律不同，故將提取到的每類心拍時間固定為最長時間1 s，即截取R波注釋點存在的360個采樣點，并將位于始末位置的心拍舍掉，避免因該點前后數(shù)據(jù)點不足而誤導(dǎo)心拍分類，最終的各心拍數(shù)量如表1所示。

表1 各心拍數(shù)量

2 一維改進GoogLeNet

一般來說，提升網(wǎng)絡(luò)性能最直接的辦法是加大結(jié)構(gòu)深度和寬度，如之前的AlexNet、VGG等深度CNN網(wǎng)絡(luò)，它們有效提升了訓(xùn)練效果，但隨之帶來的是網(wǎng)絡(luò)參數(shù)的猛增以及過擬合、梯度消失和梯度爆炸等問題[17-18]，上述核心解決方案是將卷積或全連接都轉(zhuǎn)化為稀疏連接。稀疏連接可實施的原因是現(xiàn)實中生物的神經(jīng)系統(tǒng)是稀疏連接，且若稀疏性過大可以利用激活值的統(tǒng)計特性和對相關(guān)性強的輸出進行聚類來逐層構(gòu)建最優(yōu)網(wǎng)絡(luò)，最終臃腫稀疏網(wǎng)絡(luò)得到有效簡化且不失性能[19]。

原始GoogLeNet是一種全新的深度學(xué)習(xí)二維網(wǎng)絡(luò)結(jié)構(gòu)[20]，整體上共有22層，適用于圖像分類和物體識別領(lǐng)域。由于檢測心律失常的心電信號屬于一維時間序列數(shù)據(jù)，故將二維GoogLeNet一維化進行心電研究，同時進行結(jié)構(gòu)優(yōu)化，最終的一維改進GoogLeNet分類模型見圖3。由于MIT-BIH數(shù)據(jù)集中的是二導(dǎo)聯(lián)ECG信號，且每一心電片段固定為360個數(shù)據(jù)點，因而對原始二維GoogLeNet進行網(wǎng)絡(luò)結(jié)構(gòu)改進，刪除結(jié)構(gòu)末端的多個Inception結(jié)構(gòu)和最大池化層(MaxPooling1D)，保留平均池化層(AveragePooling1D)，同時將剩余的Inception加入最大池化層和擴張卷積(Dilated conv)[21]得到Inception1和Inception2結(jié)構(gòu)。其中最大池化層先刪后添的目的是將其具有的最強形態(tài)特征提取功能分散到Inception結(jié)構(gòu)中的多個分支上，充分發(fā)揮Inception結(jié)構(gòu)和每一個最大池化層的作用，而不是僅局限在主干路上的結(jié)構(gòu)末端。Inception1和Inception2結(jié)構(gòu)見圖4，括號內(nèi)的第一個數(shù)據(jù)表示卷積核或池化窗口大小，S表示stride(步長)，dilation_rate表示擴張卷積的擴張率。Out結(jié)構(gòu)是幫助模型訓(xùn)練的輔助Softmax分類器，避免訓(xùn)練時出現(xiàn)梯度消失，賦予其0.3的權(quán)重，且不參與實際測試。

圖3 一維改進GoogLeNet分類模型

如圖4所示，Inception結(jié)構(gòu)是對網(wǎng)絡(luò)的一種拓寬處理[22]，具有稀疏連接的特點，不同卷積核尺寸的使用可以將輸入的ECG信息進行不同尺度的特征融合，其中每一條分支都有卷積核尺寸為1的卷積層來對數(shù)據(jù)特征進行降維和映射處理，減少特征矩陣的深度和卷積參數(shù)量，從而減少計算量。本文中的Inception1和Inception2結(jié)構(gòu)在不同分支中加入的最大池化層可以提取各尺度上特征性強的信息，同時對數(shù)據(jù)進行降維，減少訓(xùn)練參數(shù)，擴張卷積能夠擴大卷積看到的范圍，增大感受野，但不會增加網(wǎng)絡(luò)參數(shù)，兩者的共同結(jié)合優(yōu)化了模型的訓(xùn)練性能，提高了測試準(zhǔn)確率。

圖5表示擴張卷積原理圖。圖5(a)對應(yīng)著卷積核尺寸為3×3、擴張率為1的擴張卷積，與普通卷積操作一致。圖5(b)對應(yīng)著卷積核尺寸為3×3、擴張率為2的擴張卷積，但僅有權(quán)重不為0的9個實心圓點和3×3的卷積核進行卷積操作，其余部分權(quán)重均為0，沒有增加參數(shù)量，卷積核雖為3×3，但卷積感受野已經(jīng)擴大到7×7，使得卷積輸出含有較大范圍的信息，且不會導(dǎo)致原信息缺失，優(yōu)化了模型訓(xùn)練效果。

(a) Inception1

(b) Inception2圖4 Inception1和Inception2結(jié)構(gòu)

(a) (b)圖5 擴張卷積原理圖

3 實 驗

3.1 實驗參數(shù)

本文基于Keras 2.2.4對一維改進GoogLeNet模型進行搭建和測試，在操作系統(tǒng)為CentOS 7.5、顯卡為Nvidia Titan V的GPU服務(wù)器上進行訓(xùn)練。模型訓(xùn)練時的最大迭代(epoch)數(shù)為100，若10個epoch內(nèi)訓(xùn)練精度沒有提升，訓(xùn)練自動停止；優(yōu)化算法使用Adam[23]，初始學(xué)習(xí)率(lr)設(shè)為10-3，當(dāng)訓(xùn)練效果在8個epoch內(nèi)無提升時，lr會自動縮減到之前的1/10，直至10-8；批量大小設(shè)為200；數(shù)據(jù)集按6:2:2分為訓(xùn)練集、驗證集和測試集。

3.2 評價指標(biāo)

混淆矩陣顯示心律失常的最終分類結(jié)果，具體形式如式(3)所示。

(3)

本文使用精確率(Precision)、召回率(Recall)和F1值作為指標(biāo)評價模型的心拍分類性能，其中F1值是Precision和Recall之間的一個平衡點，能夠衡量測試總體的分布程度，具體公式如下：

(4)

(5)

(6)

上述指標(biāo)均由混淆矩陣獲得，TP指預(yù)測為正、實際為正的總數(shù)；FP指預(yù)測為正、實際為負(fù)的總數(shù)；TN指預(yù)測為負(fù)、實際為負(fù)的總數(shù)；FN指預(yù)測為負(fù)、實際為正的總數(shù)。

3.3 實驗結(jié)果

本文將一維改進GoogLeNet分類模型進行epoch迭代訓(xùn)練，當(dāng)?shù)?2次時，早?；卣{(diào)函數(shù)迫使訓(xùn)練停止。訓(xùn)練精度acc和損失值loss變化曲線如圖6所示，acc迅速提升接近于1，而loss下降速度快，最終接近于0?？梢娫撃Ｐ陀?xùn)練效果優(yōu)異，對心律失常的自動分類具有很好的引導(dǎo)性作用。

圖6 acc和loss變化曲線

為驗證結(jié)構(gòu)簡化以及Inception結(jié)構(gòu)中添加最大池化層和擴張卷積的訓(xùn)練效果，將一維改進GoogLeNet(有擴張卷積和最大池化層)、一維GoogLeNet(無擴張卷積和最大池化層)和原始GoogLeNet訓(xùn)練時的最終acc值、loss值、模型參數(shù)總量、內(nèi)存大小以及訓(xùn)練運行總時間5項參數(shù)進行比較，如表2所示。可以看出，一維改進GoogLeNet和一維GoogLeNet的參數(shù)量、內(nèi)存和運行時間相差不大，但前者的acc和loss最優(yōu)，相對來說，原始GoogLeNet各項指標(biāo)都最低。綜上可得加入擴張卷積和最大池化層的一維改進GoogLeNet訓(xùn)練效率最高。

表2 各模型訓(xùn)練參數(shù)比較

將測試集分別投入到訓(xùn)練好的3個模型中進行心拍分類測試，混淆矩陣如圖7～圖9所示，表3～表5分別為Precision、Recall和F1值。由這些圖表可以看出一維改進GoogLeNet模型正確識別心拍類別的數(shù)量最多，Recall和F1值最高，一維GoogLeNet的Precision值最高，就總體F1值而言，原始GoogLeNet的結(jié)果最低。由于A類心拍數(shù)量相比其它心拍占總心拍比重過小，因此其測試結(jié)果相比其它類別都偏低，但總體上評價結(jié)果依然很高。

圖7 原始GoogLeNet測試混淆矩陣

圖8 一維GoogLeNet測試混淆矩陣

圖9 一維改進GoogLeNet測試混淆矩陣

表3 各模型分類Precision值

表4 各模型分類Recall值

表5 各模型分類F1值

3.4 結(jié)果對比

本文總結(jié)了部分相關(guān)工作者的研究結(jié)果，并與本文中的3個模型分類準(zhǔn)確率進行比較，如表6所示。所有實驗均使用MIT-BIH數(shù)據(jù)集，準(zhǔn)確率均指總體F1值。

表6 各模型準(zhǔn)確率對比

由表6中的對比結(jié)果可以看出，本文所提一維改進GoogLeNet的準(zhǔn)確率優(yōu)于其它全部模型，相比一維GoogLeNet和原始GoogLeNet，準(zhǔn)確率分別提升了0.17個百分點和0.26個百分點，可見簡化原始GoogLeNet，同時在Inception結(jié)構(gòu)的分支中加入擴張卷積和最大池化層后測試效果優(yōu)異。對比文獻中的心電數(shù)據(jù)處理方式不同，除此之外，數(shù)據(jù)特征提取大都采用深度疊加的傳統(tǒng)CNN或LSTM，它們是通過單尺度進行信息提取，提取的特征量大且不全面，使得實驗準(zhǔn)確率差異較大，其中文獻[26]使用了缺少數(shù)據(jù)信息的小波分量{d2～d7}組合數(shù)據(jù)，同時1D-GoogLeNet是對原始GoogLeNet中Inception結(jié)構(gòu)的分支刪減以及傳統(tǒng)卷積層的增添，相比本文在Inception多分支中添加最大池化層和擴張卷積的一維改進GoogLeNet，增加了參數(shù)量，削弱了多尺度特征提取和增大卷積感受野的特性，導(dǎo)致準(zhǔn)確率較低，而本文實驗充分利用雙重降噪后的全部有效數(shù)據(jù)，最終達到了最高分類準(zhǔn)確率。

4 結(jié)束語

對心臟異常的實時診斷可以降低心血管疾病的發(fā)生率和病人的死亡率，由于心律失常能夠反映心臟狀態(tài)，因此本文基于深度學(xué)習(xí)對心律失常自動分類進行了研究。針對ECG信號收集環(huán)境的不穩(wěn)定性，將MIT-BIH數(shù)據(jù)庫中的心電信號進行Db6小波和巴特沃斯低通濾波器的雙重降噪，對消噪后的長時心電信號進行P-QRS-T波段截取，并輸入到一維改進GoogLeNet中進行模型訓(xùn)練和分類。相比原始GoogLeNet和一維GoogLeNet模型，添加最大池化層和擴張卷積的一維改進GoogLeNet更利于心電特征提取，5類心拍的測試準(zhǔn)確率達到了99.39%。以上結(jié)論可以得出本文實驗具有更實時準(zhǔn)確的心律失常自動分類效果，可用于長期監(jiān)測心律失常的便攜式裝置。