基于深度置信網絡的心電信號分類研究

瞿文鳳

（西華大學計算機與軟件工學院，成都610039）

0 引言

心血管疾病是一種慢性疾病，其特點是高風險性和急性發(fā)作，這對人們的健康是一個嚴重的威脅。近年來，針對心電信號的自動分類算法研究層出不窮，傳統(tǒng)的心電分類方法是先選擇特征提取方法，再選擇分類技術，這種方法嚴重依賴人工提取特征，費時費力，且提取的特征好壞嚴重影響后續(xù)分類結果[1]。所以如何從大量的心電數(shù)據(jù)中自動學習好的特征并進行分類以提高算法的準確率，已經稱為研究人員們廣泛關注的研究熱點。

隨著人工智能技術的發(fā)展，深度學習（DL）掀起了研究熱潮。DL 的思想是從輸入數(shù)據(jù)中自動學習好的特征表示。與傳統(tǒng)方法相比，DL 方法在圖像分類、語音識別和生理數(shù)據(jù)等方面的應用都取得了顯著的效果。典型的DL 網絡模型包括深度置信網絡（DBN）、堆疊式自動編碼器（SAE）、卷積神經網絡（CNN）等。其中深度置信網絡（DBN）是Hinton 在2006 年提出的一種自動學習特征的網絡[2]，在圖像分類和語音識別領域得到了很好的應用。DBN 由堆疊的受限玻爾茲曼機（RBM）組成，并以貪婪的分層方式進行訓練。利用DBN 對心電信號進行自動特征學習并分類，研究意義在于利用深度神經網絡自主學習特征和特征挖掘的特性，提取心電信號深層特征，進而完成心電信號的分類。這種方法可以避免顯式特征提取過程，增強了算法的魯棒性和抗干擾能力。

1 深度置信網絡（DBN）

深度置信網絡（DBN）是概率統(tǒng)計學與機器學習和神經網絡相融合的一個概率生成模型，它是由若干個受限玻爾茲曼機（RBM）堆疊而成[2]。區(qū)別于傳統(tǒng)的判別模型，生成模型是建立一個觀察數(shù)據(jù)和標簽之間的聯(lián)合分布。通過訓練其神經元間的權重，可以讓整個神經網絡按照最大概率來生成訓練數(shù)據(jù)。深層置信網絡的主要目的是幫助系統(tǒng)將數(shù)據(jù)分類到不同的類別。

1.1 受限玻爾茲曼機（RBM）

受限玻爾茲曼機（RBM）是一種隨機神經網絡。它包括一個可見層和一個隱藏層。其特點為層內無連接，層間全連接[3]。并且，隱藏層神經元通常取二進制并服從伯努利分布，可見層神經元可以根據(jù)輸入的類型取二進制或者實數(shù)值。RBM 的結構如圖（1）所示。

從圖（1）可以看出，上面一層神經元組成隱藏層，各神經元的值用h 向量表示，偏置系數(shù)是向量b；下面一層神經元組成可見層，各神經元的值用v 向量表示，偏置系數(shù)是向量a。其為雙向全連接結構，矩陣W 表示兩層之間的連接權重。目前主流的RBM 應用以及變種主要包括高斯-伯努利（GBRBM）以及二值/伯努利-伯努利（BBRBM）。根據(jù)v 和h 的取值不同，可將RBM 分成兩大類，如果v 和h 都是二值分布，那么它就是BBRBM；如果v 是實數(shù)，例如語音特征，h 為二進制，那么則為GBRBM。

RBM 的訓練過程，實際上是求出一個最能產生訓練樣本的概率分布。也就是說，要求一個分布，使得訓練樣本的概率最大。該分布的決定性因素在于權重W，所以訓練RBM 的目標就是尋找最佳的權重。通常采用對比散度（CD）算法[3]或持久對比散度（PCD）算法[4]對RBM 進行訓練。其中CD 算法在開始是用訓練數(shù)據(jù)去初始化可見層，然后用條件分布計算隱藏層；然后，再根據(jù)隱藏層狀態(tài)，同樣，用條件分布計算可見層。這樣產生的結果就是對訓練數(shù)據(jù)的一個重構。

1.2 DBN訓練

DBN 由若干層神經元構成，組成元件是RBM。經典的DBN 網絡結構如圖（2）所示。

DBN 的訓練過程主要包括預訓練階段和權值微調階段。在預訓練階段，分別單獨無監(jiān)督地逐層訓練各層RBM，輸入數(shù)據(jù)作為最底層RBM 的輸入，通過這一次RBM 的訓練，然后把輸出作為第二層的輸入，依次類推直到頂層。每一層RBM 經過多次迭代訓練，得到無監(jiān)督的DBN 網絡。在權值微調階段，在DBN 的最后一層設置BP 網絡，接收最后一個RBM 的輸出值作為其輸入值，計算出前向傳播的輸出結果和標簽數(shù)據(jù)的誤差，通過自頂向下的有監(jiān)督學習對網絡進行微調。其中最后一層的BP 網絡可以根據(jù)具體應用領域替換成任何分類器模型，而不一定是BP 網絡，例如本文所提出的方法使用的就是Softmax 分類器。

圖2 DBN的網絡結構

2 基于DBN的心電信號分類

2.1 實驗數(shù)據(jù)

本文所使用的數(shù)據(jù)集來源于MIT-BIH 心律失常數(shù)據(jù)庫[4]。該數(shù)據(jù)庫包含48 組雙導聯(lián)記錄，每組記錄時長約30min，采樣率為360Hz，并且具有R 波位置和心跳類型標注。

為了進行比較分析，分類系統(tǒng)遵循AAMI 標準。根據(jù)AAMI 標準，心跳類型可以被分成五大類：①正常心搏（N）；②室上異位搏動（S）；③室性異位搏動（V）；④融合心搏（F）；⑤未知心搏類型（Q）。考慮到實際的臨床應用，數(shù)據(jù)集的劃分可按照跨病人（inter-patient）方式進行，這在很多文獻中都被廣泛使用。根據(jù)AAMI標準，包含起搏心跳（P）的四組記錄（102、104、107 和217）將被排除。然后將剩下的44 組記錄劃分為兩個獨立的數(shù)據(jù)集。第一個數(shù)據(jù)集（DS1: 101、106、108、109、112、114、115、116、118、119、122、124、201、203、205、207、208、209、215、220、223 和230）構成訓練集，用于分類模型的訓練。第二個數(shù)據(jù)集（DS2:100、103、105、111、113、117、121、123、200、202、210、212、213、214、219、221、222、228、231、232、233 和234）構成測試集，用于分類模型的測試。

2.2 數(shù)據(jù)預處理

由于心電信號較微弱，易受噪聲干擾，故本文先通過結合小波閾值法和小波分解重構算法進行噪聲的濾除，以增強心電信號中的有效成分，便于后續(xù)的特征提取和分類。再在樣條小波的基礎上，采用B-樣條小波函數(shù)作為尺度函數(shù)，將心電信號進行4 個尺度的小波分解，得出模極大值對過零點，即對應R 波峰值點。在成功檢測出R 波峰后，以R 波位置為基準，截取R 波前99 個采樣點，R 波后160 個采樣點，共計260 個采樣點，構成一個心拍樣本。經過心拍劃分后，DS1 共獲得66557 個心拍樣本，DS2 共獲得64940 個心拍樣本。其中類Q 被丟棄，因為這一類在數(shù)據(jù)集中僅有少量的表示，并且數(shù)量很低。

2.3 DBN構建及訓練

基于RBM 和DBN 基本原理，本文構建了一個結構為260-600-300-100-50 的DBN 網絡對心拍樣本進行特征學習和分類。

該DBN 網絡共5 層，由高斯-伯努利（GBRBM）和伯努利-伯努利（BBRBM）兩種受限玻爾茲曼機（RBM）疊加而成，并且在最后一層設置了一個Softmax 回歸分類器。為了學習連續(xù)心電數(shù)據(jù)，在DBN 的底層采用GBRBM 接收心電數(shù)據(jù)作為輸入，而其余4 層均由BBRBM 疊加而成。在預訓練階段，采用對比散度（CD）算法對每層RBM 進行順序訓練。因為分類的心跳類型有4 種（N,S,V,F），所以Softmax 分類器的輸出節(jié)點數(shù)為4。在權值微調階段，采用最小均方誤差準則的反向傳播算法對所構建的DBN 網絡進行有監(jiān)督的參數(shù)微調，使得整個DBN 網絡模型收斂到全局最優(yōu)值。本文設定無監(jiān)督學習速率為0.01，監(jiān)督學習速率為0.1，預訓練和微調迭代次數(shù)為200，微批次大小為100。

3 實驗結果與分析

為了評價分類模型的性能，本文采用了三個統(tǒng)計指標：靈敏度（Se）、特異性（Sp）和正確率（Acc）。Se、Sp分別用于評估每一種心跳類型的系統(tǒng)性能，Acc 用于確定整個系統(tǒng)的性能，由正確分類的總數(shù)除以總的心跳數(shù)計算。其定義如公式（1）-（3）所示：

其中，TP、FP、FN 和TN 分別表示屬于該類且被分類器正確分類的樣本數(shù)，不屬于該類但被錯誤分類的樣本數(shù)，屬于該類但被錯誤分類的樣本數(shù)，不屬于該類且被正確分類的樣本數(shù)。表1 顯示了本文提出的基于DBN 的分類模型對心電信號分類的混淆矩陣。

表1 分類混淆矩陣

性能比較以S 和V 為主，如表2 所示。由表2 可知，本文所提出的方法具有較好的分類性能，尤其是S類（Se 90.3%，Sp 99.8%，Acc 99.4%）。

表2 分類結果比較

4 結語

本文提出了一種基于深度置信網絡的心電信號分類方法。在對心電信號進行濾波等預處理后，利用DBN 從心電數(shù)據(jù)中自動學習抽象特征并構建分類模型，通過在MIT-BIH 心律失常數(shù)據(jù)庫上進行測試，最終的實驗結果表明本文所提出的方法和傳統(tǒng)人工設計的心電信號分類方法相比分類具備更好的分類性能。未來的研究將集中于提高分類精度和基于其他深度學習模型的動態(tài)建模方法。