基于改進(jìn)型GRU的心電圖自動(dòng)識(shí)別模型

隨著我國(guó)人口結(jié)構(gòu)和社會(huì)環(huán)境的改變，心血管病已經(jīng)超越腫瘤成為致死率第一的疾病。大多數(shù)心血管疾病常伴有心律失常，本文針對(duì)這一特征，從心電信號(hào)的自動(dòng)識(shí)別和類型分析處入手，研究并提出了一種基于深度學(xué)習(xí)的心電圖分類算法。首先對(duì)原始的心電信號(hào)數(shù)據(jù)集進(jìn)行濾波、歸一化、求取信號(hào)功率圖譜和加窗函數(shù)等處理，數(shù)據(jù)經(jīng)過(guò)預(yù)處理后能夠更好地從其頻域中提取相關(guān)特征;考慮到心電圖本身具有一定的時(shí)序特性，使用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)來(lái)捕捉心電數(shù)據(jù)的前后依賴關(guān)系，通過(guò)多分類器實(shí)現(xiàn)多標(biāo)簽并進(jìn)行相關(guān)訓(xùn)練。

本文采用一種改進(jìn)型的LSTM的高效變體網(wǎng)絡(luò)（GRU）將經(jīng)過(guò)預(yù)處理后的心電信號(hào)作為網(wǎng)絡(luò)的輸入序列，將心電信號(hào)的特征提取并分類。評(píng)價(jià)該模型性能的指標(biāo)為分類準(zhǔn)確率，同時(shí)在2018生理信號(hào)挑戰(zhàn)賽的數(shù)據(jù)（2018數(shù)據(jù)集）上進(jìn)行了測(cè)試，取得了良好的實(shí)驗(yàn)結(jié)果。

隨著計(jì)算機(jī)深度學(xué)習(xí)的不斷發(fā)展，建立一種快速有效識(shí)別心電圖的深度學(xué)習(xí)網(wǎng)絡(luò)，對(duì)整個(gè)社會(huì)醫(yī)療領(lǐng)域的發(fā)展有著重要意義。利用神經(jīng)網(wǎng)絡(luò)對(duì)心電信號(hào)進(jìn)行分類目前還是一個(gè)較新的領(lǐng)域。Andrew Y.Ng等提出了一種固定采樣周期的卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)固定256個(gè)采樣點(diǎn)來(lái)生成一個(gè)標(biāo)簽。Lipton等提出了一種用于多標(biāo)簽分類的LSTM網(wǎng)絡(luò)，該網(wǎng)絡(luò)提取心電信號(hào)的時(shí)序特征來(lái)進(jìn)行分類;Zihlmann等提出了采用卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)，對(duì)心電信號(hào)進(jìn)行識(shí)別和分類。

本文使用的模型為改進(jìn)型的GRU網(wǎng)絡(luò)，與傳統(tǒng)的GRU相比，GRU在算法上增加了用于多標(biāo)簽的分類器機(jī)制，同時(shí)該網(wǎng)絡(luò)所接受的輸入信號(hào)為心電信號(hào)非固定周期的頻域特征。

數(shù)據(jù)集與處理方法

數(shù)據(jù)集

本文使用的是2018數(shù)據(jù)集，心電圖記錄的采樣頻率保持500 Hz，訓(xùn)練集包含了6796個(gè)人的十二導(dǎo)聯(lián)心電圖記錄，持續(xù)時(shí)間為6～60s，每種病例類型的分布如表1所示。

數(shù)據(jù)預(yù)處理

2018數(shù)據(jù)集的采樣率為500 Hz，心電信號(hào)的平均持續(xù)時(shí)間為15s左右，最長(zhǎng)的持續(xù)時(shí)間可以達(dá)到60s，這會(huì)造成數(shù)據(jù)集存在著較長(zhǎng)的數(shù)列，而GRU模型的輸入序列的合適范圍是500～1000。若將2018數(shù)據(jù)集直接作為模型的輸入，則會(huì)出現(xiàn)因?yàn)樾蛄羞^(guò)長(zhǎng)而產(chǎn)生反向傳播過(guò)程導(dǎo)致梯度消失的問題。因此需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。

為了選擇合適的輸入序列長(zhǎng)度以及提取心電信號(hào)的頻域特征，使用FFT窗口函數(shù)將龐大的原始數(shù)據(jù)映射為適宜模型計(jì)算的長(zhǎng)度序列，并在時(shí)間窗口中計(jì)算頻譜圖，為實(shí)現(xiàn)心電數(shù)據(jù)的非固定周期采樣，通過(guò)加窗來(lái)盡可能減少在非整數(shù)個(gè)周期上進(jìn)行FFT產(chǎn)生的誤差;由于人體心電信號(hào)的高頻成分較少，且有一定的隨機(jī)性，其功率圖譜的高次諧波部分峰峰之間的區(qū)別較為模糊，在選擇加窗函數(shù)時(shí)，優(yōu)先考慮良好頻譜分辨率的具有窄主瓣的平滑窗。

由于人體心電信號(hào)是非常微弱的生理低頻電信號(hào)，頻率范圍為0.1～35Hz，主要集中在5～20Hz;同時(shí)，肌電信號(hào)的頻率為20～5000 Hz，其主要成分的頻率與肌肉的類型有關(guān)，一般在30～300Hz。為了抑制噪聲，需要對(duì)ECG信號(hào)進(jìn)行濾波處理，選擇巴特沃斯低通濾波器來(lái)濾除肌電干擾。利用濾波器對(duì)原始心電信號(hào)進(jìn)行消噪處理，結(jié)果如圖1所示

（a）原始心電信號(hào)

GRU網(wǎng)絡(luò)模型

長(zhǎng)短期記憶網(wǎng)絡(luò)—LSTM

長(zhǎng)短期記憶網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，最大的特點(diǎn)在于引入了門機(jī)制和記憶單元，在LSTM網(wǎng)絡(luò)中不會(huì)出現(xiàn)諸如梯度消失和梯度爆炸等問題。LSTM模型就像是一條流水線，不同的門和記憶單元對(duì)輸入量進(jìn)行一步步的深加工，在LSTM模型中，輸入序列通過(guò)輸入門運(yùn)算后進(jìn)入記憶單元，記憶單元通過(guò)輸出門被運(yùn)送到其他LSTM單元。圖2給出了LSTM存儲(chǔ)器單元的內(nèi)部結(jié)構(gòu)。

然而，由于其結(jié)構(gòu)復(fù)雜性，求解LSTM模型通常需要很長(zhǎng)的時(shí)間。為了加快訓(xùn)練速度，GRU被提出作為改進(jìn)LSTM的簡(jiǎn)易方便的模型，目前GRU模型并未用于心電信號(hào)的識(shí)別。

改進(jìn)型GRU網(wǎng)絡(luò)

GRU就是LSTM的一個(gè)變形狀態(tài)，它將遺忘門和輸入門組合成了更新門，但GRU模型的計(jì)算和實(shí)現(xiàn)更加簡(jiǎn)單。一個(gè)典型的GRU單元由2個(gè)門組成：復(fù)位門和更新門。

類似于LSTM單元，t時(shí)刻的隱藏狀態(tài)輸出是由t-1時(shí)刻的隱藏狀態(tài)值和t時(shí)刻的輸入序列計(jì)算得來(lái)，如式（6）所示。

與傳統(tǒng)的單一標(biāo)簽分類不同，心律失常往往會(huì)造成多個(gè)疾病同時(shí)存在，傳統(tǒng)的GRU模型在多標(biāo)簽處理數(shù)據(jù)方面有著一定的局限性，于是本文引入了十二導(dǎo)聯(lián)多標(biāo)簽分類的算法。

如圖4所示，在改進(jìn)后的GRU模型中，x₁，x₂，x₃，……，x_i表示經(jīng)過(guò)數(shù)據(jù)預(yù)處理后的各個(gè)導(dǎo)聯(lián)的向量，這些向量經(jīng)過(guò)GRU模型的計(jì)算，輸出為對(duì)應(yīng)的h₁，h₂，h₃，…，h_i，然后GRU模型中添加了多標(biāo)簽分類層v，其中v層由keras庫(kù)中multi-label算法構(gòu)成，通過(guò)訓(xùn)練不同的病理特征，分析出各個(gè)導(dǎo)聯(lián)輸出所對(duì)應(yīng)的各種疾病分布的概率值a₁，a₂，a₃……，a_i，并通過(guò)Sofimax函數(shù)層對(duì)層的輸出進(jìn)行計(jì)算分析，從而達(dá)到十二導(dǎo)聯(lián)多標(biāo)簽分類的目的。

實(shí)驗(yàn)結(jié)果與討論

實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)所采用的設(shè)備為Windowsl0操作系統(tǒng)，i5四核處理器，8G運(yùn)行內(nèi)存。所采用的編程語(yǔ)言為Python3.6、C語(yǔ)言，并在matlab平臺(tái)以及pytorch平臺(tái)分別進(jìn)行數(shù)據(jù)預(yù)處理和模型搭建測(cè)試的環(huán)節(jié)，pytorch平臺(tái)上配合Keras以及Tensorflow深度學(xué)習(xí)框架進(jìn)行庫(kù)的調(diào)用和測(cè)試訓(xùn)練。

實(shí)驗(yàn)結(jié)果

為了進(jìn)行模型性能的評(píng)估，引入了混沌矩陣，矩陣的每一列代表了數(shù)據(jù)預(yù)測(cè)的類別，而每一列的總數(shù)代表預(yù)測(cè)為該類別數(shù)據(jù)的數(shù)目;每一行代表了數(shù)據(jù)的實(shí)際類別，每一行的數(shù)據(jù)總數(shù)表示該類別實(shí)際的數(shù)據(jù)數(shù)目。混沌矩陣具有4個(gè)基礎(chǔ)指標(biāo)：TP，TN，F(xiàn)P，F(xiàn)N。

TP為真實(shí)值是positive，模型認(rèn)為是positive的數(shù)量;TN為真實(shí)值是positive，模型認(rèn)為是negative的數(shù)量;FP為真實(shí)值是negative，模型認(rèn)為是positive的數(shù)量;FN為真實(shí)值是negative，模型認(rèn)為是negative的數(shù)量。

為了更直觀地查看模型的性能，可以分別計(jì)算此時(shí)的tpr與fpr，tpr和fpr的計(jì)算公式如下式（7）、式（8）所示;根據(jù)這組tpr以及fpr值就可以畫出ROC曲線，由該ROC曲線就可以判斷模型的性能，ROC曲線如圖5所示。

可以很直觀地看出，GRU模型對(duì)測(cè)試集中的數(shù)據(jù)進(jìn)行識(shí)別的準(zhǔn)確率達(dá)到了0.88，模型性能良好。同時(shí)對(duì)所有的測(cè)試集進(jìn)行得分F的計(jì)算。實(shí)驗(yàn)結(jié)果如下表2所示。

可以看出在2018數(shù)據(jù)集上，該模型對(duì)AF的分類效果最好，在RBBB上的分類效果最差，對(duì)所有疾病的分類準(zhǔn)確率均大于0.7，這表明模型具有良好的分類性能，具有一定的可行性和獨(dú)特的優(yōu)勢(shì)。

本文提出了一種改進(jìn)型的GRU網(wǎng)絡(luò)模型來(lái)識(shí)別并分類心電信號(hào)，與主流的深度學(xué)習(xí)識(shí)別模型相比，該模型提取了心電信號(hào)的頻域特征，濾波處理，消除掉不必要的干擾信號(hào)，利用多標(biāo)簽識(shí)別算法，更加簡(jiǎn)單，計(jì)算量也較少。缺點(diǎn)是在頻域處理過(guò)程中，容易丟失少部分時(shí)域信息，從而降低某些罕見病癥的識(shí)別準(zhǔn)確率。在下一步工作中，需要繼續(xù)研究信號(hào)的特征提取，在減少計(jì)算量的同時(shí)，保證信息特征的完全性和信號(hào)分類的準(zhǔn)確性。