基于一维卷积神经网络的患者特异性心拍分类方法研究

黄佼，宾光宇，吴水才

北京工业大学 生命科学与生物工程学院，北京 100124

引言

心电图（Electrocardiograms，ECG）反映了心脏兴奋的电活动过程，是心脏疾病诊断的重要依据。心电信号的自动检测与分类技术在心电远程监护和辅助诊断方面具有重要的意义，受到研究者的普遍关注，也是医学模式识别研究的经典领域。

传统的心电图分类算法主要依据先验知识进行特征提取，然后再利用机器学习进行心拍的分类，如基于频域分析[1]、小波变换[2]、数学形态学[3]、支持向量机[4]、隐马尔科夫模型[5]、人工神经网络[6]等心电信号自动分类方法。近年来，基于深度学习自动提取特征的方法被应用于心拍分类。2014年，Meng等[7]用4层深度信念网络从滤波后的ECG信号中自动提取了50个特征，加入高斯核的非线性支持向量机（Support Vector Machine，SVM）分类器，将心拍分成6类（正常、左束支传导阻滞、右束支传导阻滞、房性早搏、室性早搏、起搏心拍），总的准确率达到了98.49%。2016年，Rahhal等[8]使用具有稀疏约束的堆叠去噪自动编码器，以无监督的方式从原始的ECG信号中学习得到特征，再馈送到顶层的softmax回归层，进行分类；对于信息量复杂、难以分辨的心电特征，引入了专家干预，同时利用自主学习技术，进一步提升分类准确度。Zubair等[9]基于深度卷积神经网络，提出了应用于ECG信号分类的系统，分类准确率为92.7%，且计算效率明显提高。但在实际应用中ECG信号分布复杂多变，不同类型的心电信号也可能存在相似之处，同一种类型的心电信号在不同的患者身上形态也有差异，这种复杂性成为心电分类算法的一大难题。已有的分类算法大多基于标准数据库，很难适应临床上复杂的ECG信号。

目前已有很多研究报道了具有患者特异性的心电分类算法[10-12]。Kiranyaz等[12]基于一维卷积神经网络提出了一种患者特异性心电图分类和监测系统，对室性异位搏动（Ventricular Ectopic Beats，VEB）和室上性异位搏动（Supraventricular Ectopic Beats，SVEB）的分类准确率分别为99%和97.6%，较其他研究[10-11]报道的准确率有所提升，但对SVEB识别的灵敏度仅有60.3%，仍有提升的空间。为此，本研究提出了一种基于一维卷积进行特征融合的神经网络患者特异性心拍分类方法，通过融合一维卷积神经网络自动学习的特征和心电R波峰之间的时间间隔（RR间期）特征作用于softmax分类器，选择少量公共心拍数据加上患者特定的心拍数据用于训练分类模型，实现患者特异性心拍识别。实验结果表明，该方法不仅进一步提升了心拍分类性能，对SVEB识别的灵敏度由60.3%提升到了88.7%，分类算法的普适性显著提升，可作为医护人员诊断心脏疾病的辅助依据。

1　心拍分类算法

1.1　数据库及分类标准

本文选用PhysioBank标准心电数据库中的MIT-BIH心律失常数据库，该数据库包含48条记录，每条记录包含约30 min的心电信号，采样频率为360 Hz。编号100到124之间的23条数据（中间有些编号遗漏）中包含了心律失常现象中常见的伪迹和变异波形；另外编号200～234之间的25条数据包含一些比较少见、复杂且不易识别的结性、室性、室上性异常以及传导异常，在临床上有重要意义[13]。

依据美国医疗促进协会（Association for the Advancement of Medical Instrumentation，AAMI）的ANSL/AAMI EC57: 2012标准，可将心电节拍主要分成5大类：N类（正常或者束支传导阻滞）、S类（室上性异常）、V类（心室异常）、F类（融合类）、Q类（未知类）。MIT-BIH心律失常数据库注释的心拍类型和AAMI规定的心电种类是两种临床上的分类方法，为了心电分类算法之间横向比较，需要把MIT-BIH数据库中的心拍类型转换为AAMI的心电种类，Chazal等[14]报道了具体转换标准。AAMI标准中指出Q类分类的准确率仅供参考，因此本文仅对N、S、V、F类的心拍进行分类。

1.2　心拍表示

典型的心电图包含P波、QRS波群和T波。P波由心房除极产生、QRS波群反映心室除极过程，T波由心室复极产生，因而一个心电波形能够反映出心脏搏动过程各阶段的状况，医生也是根据各波的形态进行判别。其中PR间期为0.12～0.20 s，QT间期为0.36～0.44 s，因此本文以R波为中心，向前取0.25 s，向后取0.35 s的数据表示一个心拍，见图1，其中横坐标表示采样点，纵坐标表示幅值。R波的定位从MIT-BIH数据库的标签标注中获得，采样率为360 Hz。

图1　正常心拍样本

1.3　卷积神经网络

卷积神经网络是一种前馈神经网络，通常由交替的卷积层和池化层构成，卷积层能捕捉输入信息中区域性连接特征，且应用了权值共享原理，使模型要训练的参数量大大减少；池化层将相邻的多个节点合并为一个来合并相似特征，进一步减小训练的数据量。体现其局部连接、权重共享以及子采样的特性。这些特性使得卷积神经网络具有一定程度上的平移、缩放和扭曲不变性，且参数更少，使得训练效率加快，训练过程中采用反向传播算法更新权重。

1.3.1一维卷积层

本文需要处理的心电信号是离散的时间序列，故选用一维卷积作为卷积层构建适用于心电信号特征提取的一维卷积神经网络。给定一个输入信号序列xt，t=1, …, n，和滤波器wt，t=1, …, m，滤波器依次对上一层的输入特征进行局部卷积操作。一般情况下，滤波器的长度m远小于信号序列长度n。卷积的输出为：

在卷积层当中，第l层的每一个神经元都只和第l-1层的一个局部窗口内的神经元相连，构成一个局部连接网络。卷积层需要一个激活函数f()做非线性特征映射，本文选用收敛速度较快的修正线性单元作为激活函数：

那么第l层的第i个神经元的输入定义为：

其中，wl∈Rm为m维的滤波器bi是偏置参数，i=1,…,n。wl对该卷积层的所有神经元都是相同的。

1.3.2池化层

池化层的操作同样是从一个区域中通过某种方式得到一个值作为特征，常见的池化方法是取区域内所有神经元的最大值或平均值。对于卷积层得到的一个特征映射Xl，将其划分为很多个区域Rk，k=1,…,K。

池化是一个自采样过程，可大大降低特征的位数，避免过拟合，且可使得下一层的神经元对一些小的形态改变保持不变性，是提供了很强的鲁棒性。

1.4　特征融合神经网络

RR间期反映了心电信号的时间特性，多种心律失常，都会引起RR间期异常改变，如早搏心律的RR间期缩短，逸搏心律的RR间期延长，房颤心律的RR间期绝对不规则。且单个心拍样本能够反映心拍的形态信息。

为了使心电信号的时间特性和形态特征能够更好地作用于分类器，以提高分类性能，本文提出了一种基于神经网络输出层特征融合的混合模型。该模型由两个分支组成，第一分支是1维卷积神经网络，作为形态特征提取器，以原始心拍数据作为特征学习原材料；第二分支以RR间期特征向量作为输入，与卷积神经网络学习的特征融合，融合后的特征向量被馈送到MLP（多层感知器），最后通过softmax分类器进行分类。融合神经网络结构，见图2。模型在后端是TensorFlow的Keras神经网络框架上实现。

图2　特征融合神经网络模型

本文选取当前心拍与前一心拍的的RR间期（pre_RR），当前心拍与后一心拍的RR间期（post_RR），以及他们的间期差值（d_RR）组成RR间期特征向量。

2　实验结果与分析

2.1　实验设置

MIT-BIT心律失常数据库中102、104、107、214号心电记录是起搏心电，实验中将其排除。余下的44个心电记录依据AAMI标准，将心拍分成了5类，共计83945个心拍。根据Mar等[15]的建议，本研究按照跨病人的方式把选用的心电记录分为训练集DS1和测试集DS2，其中DS1=（101，106，108，109，112，114，115，116，118，119，122，124，201，203，205，207，208，209，215，220，223，230），DS2为剩下的22条心电记录。因为Q类数据量较少，且AAMI标准中指出Q类分类的准确率仅供参考，故本研究舍弃了Q类。从训练集中的N、S、V、F类中各随机抽取了115例心拍样本构成公共数据集。那么公共数据集既包含心律失常现象中常见的伪迹和变异波形，又包含了复杂且不易识别的结性、室性、室上性异常以及传导异常。从每个患者心电信号中选取前5 min的心拍样本作为患者特定的数据集，联合公共数据集构成训练样本集，以训练患者特异性分类模型。每个患者余下的约25 min的心拍样本作为各自模型的测试数据。

使用4个标准指标用来评估模型的分类性能[16]，分别是：准确率、灵敏度、特异性和阳性预测值。

式(6)～(9)中，TP表示模型将正类预测为正类的样本数，FP表示模型将负类预测为正类的样本数，TN表示模型将负类预测为负类的样本数，FN表示模型将正类预测为负类的样本数。

2.2　实验结果与讨论

近几年已有的相关研究中[11-12]，选用了3个数据集来评估算法的性能，为了横向比较，本研究的实验结果也呈现在这3个数据集中。数据集1对VEB的评估，选用了测试集DS2中11条心电记录，分别是（200，202，210，213，214，219，221，228，231，233，234），对SVEB的评估加入了（212，222，232）3条心电记录；数据集2是除去100到124号心电记录后剩下的24条心电记录；数据集3是实验所用的所有44条心电记录。

本研究经过5次独立实验，计算出VEB和SVEB两类各评估指标的平均结果，与已有相关研究的算法[11-12]进行分类性能比较，见表1。对比观察各指标，可以看出：① 本文使用小部分患者特定数据集，训练出的特征融合神经网络的患者特异性心电分类模型，能够表现出优秀的分类性能；② 本文方法对VEB和SVEB的识别都相对出色，且对SVEB的识别率有显著的提升，在测试数据集1中，分类灵敏度达到了88.8%，算法的普适性有所提升；③ SVEB识别结果在所有算法中均低于VEB识别的结果，这种现象的一个原因是构成训练集的患者特定数据集中SVEB数据量少。尽管如此，本文方法对SVEB的识别仍有很大的改善。

3　结论

本文提出了一种基于一维卷积的特征融合神经网络患者特异性心拍分类方法。特征融合神经网络第一分支的卷积神经网络能够自动提取心电信号的形态特征；第二分支的RR间期特征反映了心拍的规则性；少量患者特定的心电数据加入训练集能够实现患者心电特异性识别，可解决不同患者之间心电波形差异问题。实验结果表明，本文的方法能够实现很好的分类性能，可作为医护人员诊断心脏疾病的辅助依据。且卷积神经网络权值共享，计算速度快，使得模型便于移植到便携式的可穿戴设备，让心电实时监测成为可能。但在实际应用中，选取作为训练集的患者特定数据集，心拍类型还需要医生进行标注，是实现心电信号全自动分类需要进一步研究和解决的问题。

表1　本文方法对VEB和SVEB的分类结果与文献结果的性能比较（%）

[参考文献]

[1] Uslu E,Bilgin G.Exploiting locality based Fourier transform for ECG signal diagnosis[A].International Conference on Applied Electronics[C].New York:IEEE,2012:323-326.

[2] Banerjee S,Mitra M.Application of cross wvelet transform for ECG pattern analysis and classi fi cation[J].IEEE T Instrum Meas,2014,63(2):326-333.

[3] Yu Y,Cheng S.ECG beat classification algorithm based on cluster analysis[J].J Comput Appl,2014,34(7):2132-2135.

[4] Homaeinezhad MR,Atyabi SA,Tavakkoli E,et al.ECG arrhythmia recognition via a neuro-SVM-KNN hybrid classi fi er with virtual QRS image-based geometrical features[J].Expert Syst Appl,2012,39(2):2047-2058.

[5] Pan ST,Hong TP,Chen HC.ECG signal analysis by using hidden Markov model[A].International Conference on Fuzzy Theory and It’s Applications[C].New York:IEEE,2013:288-293.

[6] Ubeyli ED.Combining recurrent neural networks with eigenvector methods for classification of ECG beats[J].Digit Signal Process,2009,19(2):320-329.

[7] Meng H,Yue Z.Classification of electrocardiogram signals with deep belief networks[A].Computational Science and Engineering (CSE),2014 IEEE 17thInternational Conference on IEEE[C].2014:7-12.

[8] Rahhal MMA,Bazi Y,Alhichri H,et al.Deep learning approach for active classi fi cation of electrocardiogram signals[J].Inform Sciences,2016,345(1):340-354.

[9] Zubair M,Kim J,Yoon C.An automated ECG beat classi fi cation system using convolutional neural networks[A].IT Convergence and Security (ICITCS),20166thInternational Conference on IEEE[C].New York:IEEE,2016:1-5.

[10] Jiang W,Kong SG.Block-based neural networks for personalized ECG signal classification[J].IEEE T Neural Network,2007,18(6):1750-1761.

[11] Ince T,Kiranyaz S,Gabbouj M.A generic and robust system for automated patient-specific classification of ECG signals[J].IEEE T Biomed Eng,2009,56(5):1415-1426.

[12] Kiranyaz S,Ince T,Gabbouj M.Real-time patient-speci fi c ECG classi fi cation by 1-D convolutional neural networks[J].IEEE T Biomed Eng,2016,63(3):664-675.

[13] Goldberger AL,Amaral LAN,Glass L,et al.Physiobank,physiotoolkit, and physionet[J].Circulation,2000,101(23):215-220.

[14] De Chazal P,O’Dwyer M,Reilly RB.Automatic classification of heartbeats using ECG morphology and heartbeat interval features[J].IEEE Trans Biomed Eng,2004,51(7):1196-1206.

[15] Mar T,Martinez JP,Llamedo M,et al.Optimization of ECG classi fi cation by means of feature selection[J].IEEE T Biomed Eng,2011,58(8):2016-2017.

[16] Association for the Advancement of Medical Instrumentation.ANSI/AAMI EC57,Testing and Reporting Performance Results of Cardiac Rhythm and ST Segment Measurement algorithms[S].Arlington: Association for the Advancement of Medical Instrumentation,2012:1-22.