基于單心搏活動特征與BiLSTM-Attention模型的心律失常檢測

李潤川 張行進 王 旭 陳 剛,4* 冀沙沙 王宗敏*

1(鄭州大學產業技術研究院 河南 鄭州 450000)2(鄭州大學互聯網醫療與健康服務河南省協同創新中心 河南 鄭州 450000)3(解放軍信息工程大學數學工程與先進計算國家重點實驗室 河南 鄭州 450003)4(鄭州大學遠程教育學院 河南 鄭州 450000)

0 引 言

心律失常(arrhythmia)是由于心臟活動的起源或傳導受阻導致的心臟搏動的頻率或節律異常，而引起的心電活動異常癥狀。心電圖(electrocardiography,ECG)是被普遍采用的非侵入性檢查和診斷心律失常等多種心臟疾病的重要手段，在全世界的臨床中得到廣泛的應用。最近，一些論文運用卷積神經網絡(CNN)來檢測異常的心電信號[1-2]。通常該類方法所設計的CNN網絡，更復雜，更深入、更廣泛。它們被設計用來自動學習基于大量數據集的特征，進一步增強CNN的處理能力。Acharya等[3]使用卷積神經網絡來分析ECG信號。Kiranyaz等[4]使用一維卷積神經網絡(1D-CNN)來分類心搏形態。Rajpurkar等[5]采用多層卷積神經網絡算法，通過便攜式心電貼檢測心律失常。übeyli等[6]將循環神經網絡(RNN)模型用于心電圖心搏分類。但他們都沒有綜合考慮到心博的局部性與整體性特征的結合。LSTM模型是由Hochreiter等[7]提出的一種對RNN的改進模型，它通過構建專門的記憶單元來存儲歷史信息。LSTM模型是用來處理序列數據的，往往忽略未來的上下文信息，而雙向LSTM模型(Bidirectional LSTM，BiLSTM)結構解決了這個問題，它給輸出層提供輸入序列中每一個點完整的過去和未來的上下文信息。注意力機制是文獻[8-9]中提出的一種模擬人腦注意力觀察的模型，它能夠通過計算注意力概率分布，對關鍵性輸入進行突出，該模型被應用到機器翻譯、文本分析等多個深度學習應用領域，從而對傳統的模型起到良好的優化和改進作用[10]。

本文通過二進樣條小波變換定位R波峰值位置，并在此基礎上提取QRS復合波數據，以及RR間期的計算。本文使用了單心搏活動特征，即單個心搏的QRS波群局部特征數據、單個心搏的RR間期整體特征數據(RR間期代表了當前心搏活動時長特征)構建單心博活動特征能更加全面地表征心搏形態信息。采用基于注意力機制的雙向LSTM(BiLSTM-Attention)神經網絡算法對心搏形態進行分類。通過BiLSTM-Attention計算模型實現網絡中神經元之間的連接，建立更準確客觀的心搏形態識別模型，并使用MIT-BIH心律失常臨床數據庫進行實驗驗證[11]。

1 數據預處理

1.1 心電信號預處理

小波變換良好的空間和頻域定位特性使其能夠進行信號多尺度詳細分析，研究人員已經使用小波變換來實現精確和高效的R波峰值定位[12-15]。小波基函數和連續小波變換的基本定義如下：

(1)

(2)

式中：a為尺度因子，τ為平移因子。因a和τ是連續變換的值，所以稱其為連續小波變換。連續小波變換運算過程復雜，所以將連續小波尺度因子進行離散化處理。離散小波變換的平移不變性使其非常適合信號檢測，實際應用時使用二進小波變換：

(3)

1.2 R波峰值位置檢測與特征提取

一個常見心搏的完整波形主要由P波、QRS波以及T波組成，其波形形態如圖1所示。我們選擇二進樣條小波來檢測R波的位置，這是由于其對稱性和正交性以及濾波器設計簡單的優點。本文利用二進樣條小波變換生成的模極大極小值來定位R波峰值點，在此基礎上進行RR間期的計算及QRS波群數據的提取。圖2顯示了R波峰值位置檢測的結果。

圖1 心電信號單心搏波形

圖2 R波峰值位置檢測的結果

基于圖2檢測出的R峰位置，我們從記錄中提取R峰處的187點片段，即為提取的單個心搏的局部特征。以當前R點為參考向左搜索72個采樣點，如果位置點存在，則記錄左端點坐標，否則停止搜索；再以當前R點為參考向右搜索114個采樣點，如果位置點存在，則記錄右端點坐標，否則停止搜索。我們默認使用長度為187個采樣點的QRS波群段。其中在第188個樣本點處存儲RR間期的長度值，即為提取的單個心搏的整體特征。

2 基于注意力機制的雙向LSTM模型

2.1 LSTM模型

長短期記憶網絡(Long Short-Term Memory,LSTM)網絡由三個門(輸入門、遺忘門和輸出門)及一個cell單元來實現歷史信息的更新和保留[7]，在時刻t時，輸入門會根據上一時刻LSTM單元的輸出結果ht-1和當前時刻的輸入xt都作為輸入，表述為:

it=sigmoid(Wi·[ht-1,xt]+bi)

(4)

遺忘門會根據上一時刻隱藏層的輸出結果ht-1和當前時刻的輸入xt作為輸入，來決定需要保留和舍棄的信息，實現對歷史信息的存儲，可以表述為：

ft=sigmoid(Wf·[ht-1,xt]+bf)

(5)

對于當前的候選單元記憶值是由當前輸入數據xt和上一時刻LSTM隱藏層單元輸出結果ht-1決定的，可以表述為：

Cin=tanh(Wc·[ht-1,xt]+bc)

(6)

當前時刻記憶單元狀態值Ct除了由當前的候選單元Cin以及自身狀態Ct-1外，還需要通過輸入門和遺忘門對這兩部分因素進行調節，*為矩陣對應元素相乘。可以表述為：

ct=ft*ct-1+it*cin

(7)

計算輸出門Ot，用于控制記憶單元狀態值的輸出，可以表述為：

ot=sigmoid(Wo·[ht-1,xt]+bo)

(8)

最后LSTM單元的輸出為ht，可以表述為：

ht=ot*tanh(ct)

(9)

在計算每個位置的隱藏矢量之后，我們將最后的隱藏矢量看作是ECG信號心搏特征的表示。

2.2 基于注意力機制的雙向LSTM模型

(10)

(11)

(12)

ut=tanh(wwht+bw)

(13)

(14)

st=∑tatht

(15)

式中：ht是上一層BiLSTM神經網絡層的輸出向量，ww表示權重系數，bw表示偏置系數，ut表示ht所決定的能量值，at為各個隱藏層狀態在新的隱藏層狀態中所占比重大小的權重系數，uw為表示隨機初始化的注意力矩陣，并在訓練過程中不斷學習，st為經過Attention機制的輸出向量。輸出層的輸入是上一層Attention機制層的輸出，其采用softmax函數對輸出層的輸入進行相應計算，從而進行心搏分類并輸出結果，具體公式如下：

yj=softmax(wjst+bj)

(16)

式中：wj表示Attention機制層到輸出層的待訓練的權重系數矩陣，bj表示待訓練相對應的偏置，yj為輸出的心搏預測類型。基于注意力機制的雙向LSTM模型中注意力機制層與前向傳播層和后向傳播層通過ht計算連接，可以充分發揮Attention機制的模型優勢。BiLSTM-Attention模型工作過程示意圖如圖3所示。

圖3 基于Attention機制的Bi-LSTM模型

3 實驗設計

3.1 實驗流程

本實驗先將ECG數據通過雙正交小波變換方法去噪;再采用二進樣條小波變換檢測R波峰值，進而計算RR間期并抽取QRS復合波數據;然后通過BiLSTM-Attention模型分析數據;最后輸出分類結果。該實驗流程如圖4所示。

圖4 實驗流程圖

3.2 問題定義

心搏分類的問題可以定義為對ECG心搏時序信號B=[b1，b2,…，bn]的輸入序列進行分類的任務，輸出標簽C=[c1，c2，…,c5]序列的每個ci是C的不同心搏類型之一。每個輸出標簽對應于輸入的一個心搏活動特征。我們使用BiLSTM-Attention模型在監督學習框架中以端到端的方式解決這個問題。損失函數是ECG心搏分類的交叉熵誤差，可以表示為：

(17)

3.3 模型訓練

為了訓練模型，Nadam方法被應用。Nadam類似于帶有Nesterov動量項的Adam(Adaptive Moment Estimation)。Adam算法是隨機梯度下降算法(SGD)的優化，被廣泛用于深度學習中。SGD就是逐次迭代計算mini-batch的梯度，主要公式為：

gt=▽θt-1f(θt-1)

(18)

Δθt=-ηgt

(19)

式中：η是學習率，gt表示t時刻的梯度。SGD選擇合適的學習率比較困難，容易收斂到局部最優。Adam結合了AdaGrad和RMSProp算法最優的性能，它能夠提供解決稀疏梯度和噪聲問題的優化方法。其中Adam的計算公式如下：

mt=μ·mt-1+(1-μ)·gt

(20)

(21)

(22)

(23)

(24)

式中：μ是動量因子；為平滑項，以防止除數為零;mt和nt分別是對梯度的一階矩估計和二階矩估計，可以看作對期望E|gt|和的估計；和是對mt和nt的修正，這樣就能夠近似為對期望的無偏估計。Nadam在公式上的變化如下：

(25)

mt=μt·mt-1+(1-μt)·gt

(26)

(27)

(28)

(29)

可以看出，Nadam相對Adam提高了收斂速度，對學習率有了更強的約束[16]。

4 實驗結果

4.1 數據集

本文使用MIT-BIH心律失常數據庫[11]，依據ANSI/AAMI EC57:2012標準將所有心搏數據分為N(正常或者束支傳導阻滯心搏)、S(室上性異常心搏)、V(心室異常心搏)、F(融合心搏)4類。如表1所示，本文對MIT-BIH心律失常數據庫中標Ⅱ導聯通道中的89 538個心搏進行分類，從中隨機抽取90%的數據集用于訓練，10%的數據集用于測試。81 693個心搏被專家記錄為N類型，其中的73 502個被用于訓練，8 191個被用于測試。2 561個心搏被記錄為S類型，其中2 295個用于訓練，266個用于測試。4 519個心搏被記錄為V類型，其中4 073個用于訓練，446個被用于測試。只有765個心搏被記錄為F類型，其中709個用于訓練，56個用于測試。可以看出，實驗是在不平衡樣本下進行的，不同類型的心搏個數有很大的不同。N型數量大約是S型數量的32倍，V型數量的18倍，F型數量的107倍。

表1 實驗數據分布情況

4.2 評價指標

(30)

(31)

(32)

4.3 結果與討論

本實驗是在具有i7-7700K處理器和32 GB RAM的PC上使用tensorflow-gpu 1.11.0[17]及Keras 2.2.4和MATLAB 2017b開發工具進行的。表2顯示了實驗分類的混淆矩陣結果，其中N、S、V、F代表醫生標注的心搏類型，n、s、v、f代表模型預測出的心搏類型。

表2 心搏分類結果統計

表3 本實驗與其他實驗結果的比較 %

上述分析表明，本文基于單心搏活動特征與BiLSTM-Attention模型的心律失常檢測方法在心搏類型識別上的精確性得到了提高，受數據集的不平衡影響較小，對正常或束支傳導阻滯、室上性異常心搏和心室異常心搏識別度高，對融合心搏也有一定的識別度，有利于準確識別心律失常，在動態心電圖分析領域具有明顯的臨床意義和實用性。

5 結 語

心電圖的高精度診斷可以為心臟病患者的臨床監測、診斷和治療提供客觀依據，減輕醫生的工作量，使臨床醫生減少誤診的次數并節省不少的時間，進而提高心電診療工作的效率。本文使用了單心搏活動特征，既包含單心博的局部特征，又包含單心搏的整體特征，能更精確地識別異常心搏。但由于數據的不平衡性，F類型心搏識別的精度還有待提高，我們將會不斷探索更有效的檢測方法，從而幫助醫生得到更準確的診斷結果。