基于Poincare Plot和LSTM的胎心率分類算法

【作 者】葉明珠，邵李煥，鄧艷軍

杭州電子科技大學(xué) 電子信息學(xué)院，杭州市，310018

0 引言

電子胎心宮縮監(jiān)護(hù)（Cardiotocography,CTG）是一種非入侵式的，安全可靠的胎兒健康檢測方法。CTG由胎心率（fetal heart rate,FHR）信號和宮縮信號組成。異常波動的胎心率表示胎兒宮內(nèi)缺氧和胎兒不安全。如今，電子胎心監(jiān)護(hù)在不斷的創(chuàng)新發(fā)展中，使用胎兒監(jiān)護(hù)設(shè)備識別胎心率異常的案例和經(jīng)驗(yàn)數(shù)據(jù)越來越豐富，評判胎兒健康狀況的標(biāo)準(zhǔn)也越來越清晰[1]。

現(xiàn)有的胎心率分類算法包括傳統(tǒng)手動特征提取算法和特征自學(xué)習(xí)算法。基于手動特征自提取的胎心率分類算法步驟包含信號預(yù)處理、手動提取信號特征和信號分類。OCAK等[2]采用遺傳算法（genetic algorithm,GA）來減少特征數(shù)量并找到使支持向量機(jī)（support vector machine,SVM）的分類性能最大化的特征子集，從正常和病理的CTG信號中手動提取特征構(gòu)建基于SVM的分類器。SPILKA等[3]對FHR參數(shù)進(jìn)行研究，提取出多個線性、時域、頻域及非線性等特征，再采用不同的算法對特征進(jìn)行降維和分類，在小數(shù)據(jù)集下取得了較為理想的效果。COMERT等[4]采用GA和SVM對胎心率信號的時頻特征進(jìn)行分類，其結(jié)果的敏感性和特異性分別為63.45%和65.88%。SAHIN等[5]評估了8種不同的機(jī)器學(xué)習(xí)算法對胎心率的21個特征進(jìn)行分類的性能。但此類算法特征提取過程較為繁瑣。

特征自學(xué)習(xí)胎心率分類算法省去了繁瑣的特征提取和特征降維步驟，并且具有更高的準(zhǔn)確率。早期有GEORGIEVA等[6]和CMERT等[7]采用人工神經(jīng)網(wǎng)絡(luò)對FHR進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)作為經(jīng)典的前饋神經(jīng)網(wǎng)絡(luò)，在機(jī)器視覺等很多領(lǐng)域都取得了成功的應(yīng)用，多個卷積層和池化層連續(xù)級聯(lián)用于對輸入信號提取特征，softmax層用于對提取的特征進(jìn)行分類。例如 CMERT等[8]利用深層卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural networks,DCNN）對胎心率信號在短時傅里葉變換（short-time Fourier transform，STFT）下獲得的頻譜圖進(jìn)行二分類取得了不錯的結(jié)果。LI等[9]亦成功地采用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）對胎心率信號進(jìn)行分類。強(qiáng)大的特征自學(xué)習(xí)能力使得CNN成為目前最為流行的模式識別算法之一。作為一種循環(huán)神經(jīng)網(wǎng)絡(luò)，長短期記憶網(wǎng)絡(luò)（long short term memory,LSTM）是另外一種重要的深度學(xué)習(xí)算法，解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)格（rerrent neural network,RNN）在時間長期依賴性上的問題。2009年，用LSTM構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)模型贏得過ICDAR手寫識別比賽冠軍。LSTM還普遍用于自主語音識別，2013年運(yùn)用TIMIT自然演講數(shù)據(jù)庫達(dá)成17.7%錯誤率的紀(jì)錄。李雪[10]利用LSTM成功實(shí)現(xiàn)對心率失常的分類。

另外，現(xiàn)有的大部分研究往往采用將一維胎心率信號轉(zhuǎn)換成二維圖片的方法，實(shí)現(xiàn)FHR信號的時頻域轉(zhuǎn)換，常用的時頻域轉(zhuǎn)換方法有連續(xù)小波變換(continuous wavelet transform,CWT)[11],STFT[8]，S變換等。龐加萊圖（Poincare Plot）可用于觀察和研究非線性系統(tǒng)的演化規(guī)律，而生物醫(yī)學(xué)信號作為典型的混沌信號，采用龐加萊圖對胎心率信號進(jìn)行非線性分析有助于更好地揭示胎兒的生理特性。例如GOSHVARPOUR等[12]成功地利用龐加萊截面圖重建狀態(tài)空間中的信號軌跡的全局圖對脈搏信號進(jìn)行情緒識別。SATTI等[13]通過對信號進(jìn)行二維相空間重構(gòu)，成功地利用擴(kuò)展龐加萊圖對心率變異性進(jìn)行分析，提高胎心率分類效果并節(jié)省分類時間。

本研究提出了一種基于龐加萊圖—LSTM的胎兒健康狀況評估算法：①利用插值法對原始胎心率信號進(jìn)行預(yù)處理；②對預(yù)處理后的數(shù)據(jù)進(jìn)行龐加萊繪圖，得到FHR信號的非線性特征，每張龐加萊圖由FHR信號中隨機(jī)的100個連續(xù)的點(diǎn)組成，共繪制得20 000張圖，其中訓(xùn)練集占70%，驗(yàn)證集占20%，測試集占10%；③通過大數(shù)據(jù)分析軟件Orange中的SqueezeNet對龐加萊圖進(jìn)行特征提取，每個信號提取出1 000個特征向量；④利用LSTM對特征向量進(jìn)行分類，完成胎兒健康狀況的評估。

1 數(shù)據(jù)與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

本研究采用的數(shù)據(jù)來自布拉格的捷克科技大學(xué)（CTU）和布爾諾科大醫(yī)院（UHB）共同創(chuàng)建的CTU-UHB胎監(jiān)數(shù)據(jù)庫。該數(shù)據(jù)庫是從2010年和2012年收集的9 164組CTG數(shù)據(jù)中精心挑選出來的552組CTG數(shù)據(jù)。每組數(shù)據(jù)長度至少90 min，包含胎心率和宮縮信號數(shù)據(jù)。數(shù)據(jù)的采樣率統(tǒng)一為4 Hz。該數(shù)據(jù)庫中孕婦和新生胎兒的生理參數(shù)詳細(xì)信息可參考文獻(xiàn)[14]。

在臨床實(shí)踐中，新生兒臍動脈血流的pH值是一種常見的胎兒標(biāo)注方式，適用于新生兒窒息的檢測和診斷，具有較高的特異性和客觀性。因此，本研究采用臍動脈血流的pH值對胎兒進(jìn)行標(biāo)注。考慮到病理例和相關(guān)并發(fā)癥之間存在的數(shù)量關(guān)系，本研究以pH值為7.15作為分類閾值，pH≥7.15視為正常，pH<7.15視為病理性信號[15]。依據(jù)此標(biāo)準(zhǔn)，CTU-UHB數(shù)據(jù)庫中含105例病理性胎心率數(shù)據(jù)，447例正常胎心率數(shù)據(jù)。為解決類不平衡問題，使正常數(shù)據(jù)和異常數(shù)據(jù)分配均勻，選取100例正常胎心率數(shù)據(jù)和100例異常胎心率數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，其中70%的數(shù)據(jù)用作訓(xùn)練集，20%用作驗(yàn)證集，剩余10%用作測試集。

1.2 數(shù)據(jù)預(yù)處理

信號在采集過程中，受到諸如母親和胎兒運(yùn)動、采集儀器誤差和網(wǎng)絡(luò)干擾等幾個因素的污染。預(yù)處理的目的在于去除數(shù)據(jù)中異常的點(diǎn)，得到干凈的信號，提高后續(xù)實(shí)驗(yàn)的可靠性。分段選擇、孤立點(diǎn)分解和插值是預(yù)處理操作的基本過程。首先，移除值為0且持續(xù)時間大于15 s的異常數(shù)據(jù)；然后，當(dāng)信號不穩(wěn)定時（相鄰兩點(diǎn)的絕對值大于25 bpm），在初始采樣點(diǎn)和下一個穩(wěn)定部分的第一個點(diǎn)之間進(jìn)行插值；最后采用Hermite樣條插值去除數(shù)據(jù)尖峰的值，并將其視為數(shù)據(jù)尖峰。數(shù)據(jù)庫中的每例FHR信號包括14 400個時間點(diǎn)，實(shí)驗(yàn)隨機(jī)截取信號的1 800個點(diǎn)以供后續(xù)工作。該預(yù)處理算法的效果如圖1所示。

圖1 FHR信號預(yù)處理效果圖Fig.1 An example of FHR signal preprocessing result

1.3 繪制龐加萊散點(diǎn)圖

已有研究表明[16]，胎心率的功率譜譜線是具有尖峰結(jié)構(gòu)的連續(xù)譜，其近似熵和復(fù)雜度的值明顯區(qū)別于噪聲，同時具有線性和非線性特征。這說明胎兒心率是服從一定非線性規(guī)律的高維混沌信號。因此在分析胎心率信號的過程中常常會考慮一些非線性動力學(xué)的研究方法，如近似熵、樣本熵等。龐加萊散點(diǎn)圖具有非線性混沌特性的多維空間結(jié)構(gòu)，可用于觀察和研究非線性信號的演化規(guī)律。圖中任意一點(diǎn)的坐標(biāo)分別由時間序列中兩點(diǎn)組成的配對來表示。

Poincare Plot是由給定時間序列中連續(xù)時間點(diǎn)構(gòu)成的散點(diǎn)圖，本實(shí)驗(yàn)的龐加萊散點(diǎn)圖由信號中100個連續(xù)的點(diǎn)組成，其橫縱坐標(biāo)為兩個連續(xù)的點(diǎn)（X軸為An，Y軸為An+1）。以數(shù)據(jù)庫中兩例胎心率信號為例，圖2為正常FHR信號和病理FHR信號的龐加萊散點(diǎn)圖。

圖2 正常胎心率信號和病理性胎心率信號的龐加萊散點(diǎn)圖對比Fig.2 The comparison between the Poincare Plot of normal fetal heart rate signal and the pathological fetal heart rate signal

觀察圖2發(fā)現(xiàn)，龐加萊散點(diǎn)圖中的標(biāo)記點(diǎn)大部分位于一個不規(guī)則的橢圓內(nèi)，由中央到邊界呈逐漸稀疏分布。從龐加萊散點(diǎn)圖中可以提取若干個指標(biāo)來量化圖形的特性，如橢圓的長軸和短軸等。設(shè)散點(diǎn)圖集為Ω，Ax和Ay分別表示A點(diǎn)的X軸和Y軸的值：

（1）長軸方差（standard deviation of long axis,SDLA），SD1：在X=Y方向上的散點(diǎn)圖區(qū)域內(nèi)最長的兩點(diǎn)間距，即：

上式Sup表示滿足條件的邊界值。

（2）短軸方差（standard deviation of short axis,SDSA），SD2：在X=-Y方向上的散點(diǎn)圖區(qū)域內(nèi)最長的兩點(diǎn)間距，即：

預(yù)處理后的每例胎心率信號包含1 800個數(shù)據(jù)點(diǎn)，從中隨機(jī)選取100個連續(xù)的點(diǎn)對其進(jìn)行龐加萊散點(diǎn)圖繪制，并通過傳統(tǒng)的散點(diǎn)圖標(biāo)準(zhǔn)描述方法，計(jì)算出散點(diǎn)圖擬合橢圓的長軸和短軸的值，每個信號繪制100張散點(diǎn)圖，共得到20 000張散點(diǎn)圖。因此，本研究采用龐加萊散點(diǎn)圖獲取FHR信號的非線性特征。

1.4 SqueezeNet特征提取

SqueezeNet是輕量化網(wǎng)絡(luò)的代表結(jié)構(gòu)之一，在保證不降低檢測精度的同時，將原始AlexNet模型壓縮至原來的1/51。本研究采用大數(shù)據(jù)分析軟件Orange中的SqeezeNet對龐加萊散點(diǎn)圖進(jìn)行特征提取。龐加萊圖從Import Images中輸入，Image Viewer中可以看到圖片的詳細(xì)信息，Image Embedding中選擇SqueezeNet進(jìn)行特征提取，提取出的特征從DataTable中輸出。SqueezeNet在ImageNet上實(shí)現(xiàn)了和AlexNet相同的正確率，但是只使用了1/50的參數(shù)。從SqueezeNet輸出的特征向量為1 000維，將其作為LSTM的輸入。

1.5 LSTM分類

循環(huán)神經(jīng)網(wǎng)絡(luò)（rerrent neural network,RNN）是一種有反饋結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其輸出的結(jié)果不但與此刻輸入和權(quán)值有關(guān)，還與之前的輸入相關(guān)，其特殊的結(jié)構(gòu)模型解決了信息保存的問題。然而，RNN存在梯度消失和梯度爆炸的問題，很難處理長序列數(shù)據(jù)，HOCHREITER等[17]對RNN的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn)，得到LSTM，從而規(guī)避RNN的梯度消失。所有的RNN都具有一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈?zhǔn)叫问剑趥鹘y(tǒng)RNN中，這個重復(fù)的結(jié)構(gòu)模塊只有一個非常簡單的結(jié)構(gòu)，例如一個tanh層。LSTM隱含層的基本單元是一個特殊的細(xì)胞結(jié)構(gòu)，通過細(xì)胞結(jié)構(gòu)中的輸入門、輸出門、遺忘門分別實(shí)現(xiàn)信息的流入、流出以及對以前狀態(tài)的更新，如圖3所示。

圖3 RNN、LSTM細(xì)胞結(jié)構(gòu)對比圖Fig.3 Comparison of the structures of RNN and LSTM cells

LSTM模型由t時刻的輸入Xt，細(xì)胞狀態(tài)Ct，臨時細(xì)胞狀態(tài)，隱藏層狀態(tài)ht，遺忘門ft，記憶門it，輸出門ot組成。隱藏層的輸入包括當(dāng)前序列的輸入xt，上一時刻隱藏層的狀態(tài)ct-1，以及輸出向量ht-1，經(jīng)過計(jì)算得到當(dāng)前狀態(tài)輸出ht，并更新狀態(tài)得到ct。LSTM通過對細(xì)胞狀態(tài)中信息遺忘和記憶新信息使得有用的信息得以傳遞，無用的信息被拋棄，由此解決了RNN的梯度消失和梯度爆炸的問題。在輸入門中，tanh函數(shù)用于產(chǎn)生當(dāng)前時刻的信息，sigmoid函數(shù)用于控制有多少新信息可以傳遞給細(xì)胞狀態(tài)，輸出門基于新的細(xì)胞狀態(tài)得到當(dāng)前狀態(tài)對應(yīng)的輸出ht。遺忘門、輸入門和輸出門的計(jì)算公式為：

其中，σ表示sigmoid激活函數(shù)，ft表示遺忘門，it表示輸入門，ot表示輸出門；ht-1為上一個細(xì)胞輸出；Wf、Wi、Wo、bf、bi、bo分別為遺忘門，輸入門和輸出門的權(quán)重矩陣和偏置項(xiàng)。具體實(shí)現(xiàn)步驟如下：

Step1：加載訓(xùn)練集數(shù)據(jù)和標(biāo)簽，該數(shù)據(jù)集包含9 000個正常FHR信號和9 000個病理性FHR信號，每個序列有1 000個特征，這1 000個特征即為SqueezeNet的輸出。

Step2：定義LSTM網(wǎng)絡(luò)框架，輸入指定為大小為1 000的向量，指定包含200個隱含單元的LSTM層，并輸入完整序列。網(wǎng)絡(luò)最后為softmax層和分類層，以此來指定2個類。

Step3：指定訓(xùn)練選項(xiàng)，將求解器設(shè)置為‘a(chǎn)dam’，進(jìn)行100輪訓(xùn)練，為防止梯度爆炸，將閾值設(shè)置為3。使用trainNetwork以指定訓(xùn)練選項(xiàng)訓(xùn)練LSTM網(wǎng)絡(luò)。每個小批量包含整個訓(xùn)練集，因此每訓(xùn)練一輪便更新一次繪圖。

Step4：加載測試數(shù)據(jù)集，并對每個時間步的活動進(jìn)行分類。最后計(jì)算預(yù)測的準(zhǔn)確度。

2 實(shí)驗(yàn)結(jié)果及分析

本研究提出了一種基于Poincare Plot-LSTM的胎心率分類算法。首先將預(yù)處理后的時序胎心率信號轉(zhuǎn)化成龐加萊散點(diǎn)圖，其次利用SqueezeNet對龐加萊散點(diǎn)圖進(jìn)行特征提取，得到20 000組1 000維的特征向量，最后將數(shù)據(jù)劃分為70%的訓(xùn)練集、20%驗(yàn)證集和10%的測試集。adam優(yōu)化器的batch size為100。

本研究采用準(zhǔn)確率、真陽性率、假陽性率和F-Score四個指標(biāo)來評價胎心率分類算法的性能，該四項(xiàng)指標(biāo)的定義如下：

其中，TP（true positive）為真正例，在實(shí)驗(yàn)中表示正確分類正常FHR信號的個數(shù)。TN（true negative）為真反例，表示正確分類病理FHR信號的個數(shù)。FP（false positive）為假正例，表示病理FHR信號被歸類為正常信號的個數(shù)。FN（false negative）為假反例，表示正常FHR信號被歸類為病理信號的個數(shù)。TPR(true positive rate)也就是靈敏度（sensitivity,SE）、FPR(false positive rate)即特異度（specificity,SP）。F1為F-score，是TPR和FPR的加權(quán)調(diào)和平均，綜合了TPR和FPR的結(jié)果，當(dāng)F1的值較高時說明結(jié)果較為理想。

網(wǎng)絡(luò)模型受訓(xùn)練參數(shù)的影響，訓(xùn)練準(zhǔn)確度主要受InitialLearningRate和GradientThreshold的影響，GradientThreshold為1、2、3時準(zhǔn)確率較高。本研究調(diào)節(jié)了InitialLearningRate和GradientThreshold的值，觀察其對分類準(zhǔn)確率的影響。如圖4所示為InitialLearningRate和GradientThreshold的值對分類效果的影響，圖的橫坐標(biāo)為InitialLearningRate，縱坐標(biāo)為Accuracy。圖中三種折線是GradientThreshold分別為1、2、3時對應(yīng)的不同的InitialLearningRate的分類準(zhǔn)確率。由圖可知，當(dāng)InitialLearning Rate為0.000 5，GradientThreshold為3時分類效果最佳，準(zhǔn)確率為98.0%，TPR=1，F(xiàn)PR=0.923，F(xiàn)1=0.96。

圖4 不同參數(shù)下的分類準(zhǔn)確率Fig.4 Accuracy under different parameters

為了對該分類算法進(jìn)行更準(zhǔn)確的評價，我們將本實(shí)驗(yàn)的結(jié)果與其他算法的效果進(jìn)行對比。對比結(jié)果如表1所示。本算法省去了手動特征提取和特征降維等步驟，并得到較高的準(zhǔn)確率。因此，基于Poincare Plot-LSTM的胎心率分類算法是十分高效的。

表1 分類算法對比Tab.1 Comparison of different classification algorithms

3 結(jié)束語

針對目前CTG計(jì)算機(jī)輔助系統(tǒng)存在兩大問題，CTG參數(shù)識別不夠準(zhǔn)確、胎兒狀態(tài)判斷假陽性率高、分類過程繁瑣等，本研究進(jìn)行了大量的文獻(xiàn)調(diào)研和實(shí)驗(yàn)研究，分別提出了相應(yīng)的解決方案。

本研究采用龐加萊散點(diǎn)圖對原始胎心率信號進(jìn)行分析，得到胎心率的非線性特征。此外，改進(jìn)了胎心率特征提取方法，采用輕量化的卷積神經(jīng)網(wǎng)絡(luò)SqueezeNet對龐加萊散點(diǎn)圖進(jìn)行特征提取，節(jié)約了計(jì)算資源，處理更加快速高效。最后，通過SqueezeNet提取出的特征作為LSTM的輸入，解決了傳統(tǒng)分類過程繁瑣的問題，實(shí)現(xiàn)了胎心率信號的有效分類。可見在胎心率分類準(zhǔn)確率方面，本研究所提出的算法明顯優(yōu)于傳統(tǒng)的胎心率分類算法。

本研究主要的創(chuàng)新點(diǎn)是利用LSTM結(jié)合龐加萊散點(diǎn)圖對胎心率的非線性特征進(jìn)行分類，不足之處在于采用的實(shí)驗(yàn)數(shù)據(jù)只有CTU-UHB一種，算法沒有在臨床數(shù)據(jù)中得到驗(yàn)證。因此，研究針對不同數(shù)據(jù)的分類算法將是今后的重點(diǎn)研究方向，以幫助醫(yī)生在臨床決策中實(shí)現(xiàn)更加客觀、準(zhǔn)確的判斷。