基于改進殘差網絡的心電信號識別分類算法研究?

張培玲，李小真，郭艷濤

(1.河南理工大學物理與電子信息學院，河南 焦作 454000；2.河南理工大學電氣工程與自動化學院，河南 焦作 454000；3.中石化中原石油工程設計公司，河南 鄭州 450000)

心電圖是記錄心電信號隨時間變化的一維序列，由多個心拍組合而成，每個心拍包含P波，QRS波，T波的信號段，其中蘊藏著豐富的生理信息[1]，一方面醫生可以通過觀察心拍來對患者的病情做出診斷，另一方面人們對心電信號進行心拍分割，為后續的心電信號分類識別做好準備。傳統的機器學習在心拍識別方法主要有:支持向量機[2]、模糊數學[3]、隨機森林[4]等。它們主要由數據預處理、人工提取特征和設計分類器三部分構成。其步驟是首先消除各種噪聲，再將人工提取的時域、頻域或小波域特征輸入分類器中。由于需要手動提取特征信息，淺層的網絡結構不能充分挖掘數據庫下所隱藏的深層病理信息，傳統方法在心電信號分類方面具有很大的局限性。

隨著人工智能的興起，帶動了深度學習技術的高速發展，更多的研究人員嘗試將深度學習應用在心電信號分類方面。Ali[5]使用AlexNet網絡模型實現對心電信號分類，平均精度達到92%，Acharya[6]等人構建十一層卷積神經網絡模型，來對心律失常的四種疾病進行分類。張異凡[7]等人利用卷積神經網絡和長短時記憶網絡，采用并行組合的方式。在MIT-BIH數據集進行試驗，實現了對五種不同類別的心電信號分類，其平均準確率達到99.11%。不同于傳統機器學習，深度學習具有自動提取信號特征的能力，在學習能力方面也優于傳統機器學習。

針對模型訓練仍存在梯度消失問題，導致測試準確率低。本文提出了一種改進的深度殘差網絡用于心電信號識別，首先將數據輸入部分卷積池層、池化層替換為Inception模塊，能提取多尺度網絡特征。其次通過殘差網絡嵌套多個殘差網絡，在不同的殘差塊之間信息傳播創造“快捷連接”，充分融合低層和高層提取的網絡特征，緩解了梯度消失問題。最后將該網絡模型在MIT-BIH[8]進行心電信號實驗，達到較好的分類效果。

1 殘差神經網絡

殘差神經網絡是由何凱明[9]等人提出的新型深度學習結構，通過其設計的殘差神經網絡模型取得了在ImageNet比賽分類第一名。在此之前，為了提高訓練準確率，往往增加網絡的深度達到其目的，然而實驗證明，當網絡設計越深入，網絡退化、梯度消失問題就越明顯，導致網絡準確率下降，相比于其他網絡，殘差神經網絡通過對網絡結構添加“快捷連接”來避免這些問題。它借鑒Highway思想，通過在網絡結構中增加shoucut連接，實現了高層直接對低層進行信息傳遞，如圖1所示，可以看出，輸出值x一方面經過兩次卷積映射得到F(x)，另一方面在與自身恒等映射的疊加下得到了H(x)，這樣將學習目標轉換為H(x)和自身恒等映射x的差值，即F(x)＝H(x)－x。

圖1 殘差單元

2 改進的殘差神經網絡

2.1 改進殘差網絡模型設計

如圖2所示，改進后的殘差網絡結構為:首先將一維心電信號輸入的模型中，再采用Inception模塊替換最初的卷積池化層。后面接著四個殘差層，每個殘差層包含不同個數的殘差單元，每個殘差單元含有兩個卷積層。四個殘差層內部殘差單元個數分別為3、4、6、3，其內部使用的卷積核個數分別為64、128、256、512。之后經過均值池化層和全連接層，最后使用Softmax分類器實現對心電信號的四種分類。在本文訓練模型過程中，使用Dropout防止過擬合，采用Adam優化器優化網絡，激活函數使用Relu激活函數。

圖2 改進殘差網絡結構圖

2.2 inception模塊結構

在處理心電信號過程中，為了能夠幫助網絡提取到不同尺度的特征，提高網絡的學習能力，本文使用了inception模塊，如圖3所示，它與以往的卷積神經網絡(Convolutional Neural Networks，CNN)結構不同，inception網絡結構共有四個通道數，整個網絡不僅含有1×1、3×3、5×5三種卷積核，還包含一個最大池化層，最后會在輸出被統一聚合起來成為一個非常深的特征圖。在3×3和5×5的卷積核前面放置1×1的卷積核用于降低維度，減少參數量。另外，由于本文輸入為一維心電信號，而傳統的inception模塊為二維輸入數據，因此，本文的卷積核二維結構應改為一維結構，即1×1、1×3、1×5替換掉1×1、3×3、5×5。

圖3 Inception模塊結構

2.3 改進的殘差單元結構原理

為進一步緩解傳統殘差塊仍存在的梯度消失、測試準確率低的問題，充分挖掘殘差網絡的優化能力，提高模型的學習能力，本文對殘差單元進行改進。

假設一個殘差單元為:

式中:x代表輸入，Y代表輸出，W1、W2代表經過卷積核的權重矩陣，F(x，W)代表網絡學習的殘差函數。σ代表激活函數Relu，把兩個相鄰的殘差單元結構看成一個整體模塊，則:

式中:F1(x，W)代表經過第一個殘差單元的學習到的網絡特征，F2(x，W)代表經過兩個殘差單元學習到的網絡特征。普通卷積層內部的梯度為輸入對輸出的求導:

為了達到訓練的高精度，從反向傳播的誤差入手，假設共有N個殘差單元，從深層N層展開到淺層n，得到:

對于任意深度單元模塊n(0≤n≤N)，損失函數到達n梯度為:

式中:ε代表損失函數，?x n代表的是第n層的輸入和第n＋1層的輸出。表示的是第i個內部卷積層的梯度。隨著網絡的加深，到達第n層的梯度越來越少直至消失，為防止這種情況發生，在公式6上加上1即:

所以對于每個殘差單元，其內部卷積層的梯度為:

將式(8)還原得:

如圖4所示，假設淺層特征X為殘差單元的輸入，其輸出與其下個卷積層相關，完成了層與層之間的連續傳播。其次在兩個殘差單元直接添加“快捷連接”構成殘差層，實現了淺層特征和深層特征信息融合。對比反向傳播式(6)和式(7)，改進的殘差嵌套兩個殘差單元能夠緩解梯度消失影響。同理為了擴展網絡的深度，保證網絡得以充分學習，在多個殘差單元之間形成“快捷連接”，如圖5所示。

圖4 殘差嵌套殘差單元

圖5 殘差嵌套多個殘差單元

3 實驗與結果分析

3.1 實驗數據

本文采用MIT-BIH數據庫進行實驗，共含有48條數據記錄，每條記錄長30 min，采用3個不同文件進行保存，分別是dat文件、atr文件和hea文件。采樣頻率為360 Hz，以R波為中心截取一個心拍為250個點作為模型的輸入特征。

本文按照AAMI的心拍分類標準，不考慮使用心臟起搏器的記錄，即102、104、107和217號被剔除在外，將心拍劃分為五類分別是:正常心拍(N)、室上性心拍(S)、室性心拍(V)、融合心拍(F)和未分類心拍(Q)。將44條記錄劃分為訓練集和測試集，其中22條記錄為測試集(DS1)，另外22條記錄為訓練集(DS2)，測試集為:100，103，105，111，113，117，121，123，200，202，210，212，213，214，219，221，222，228，231，232，233，234。訓練集為:101，106，108，109，112，114，115，116，118，119，122，124，201，203，205，207，208，209，215，220，223，230。

如表1所示，本文從MIT-BIH數據庫提取到五種不同類型的心拍，并且計算了它們的數量。由表1可知，一共大約有十萬個心拍，其中N類心拍占主要部分。而Q類心拍遠小于其他類別心拍，將它舍去，本文只研究N、S、F、V四類別心拍。從表1中還可以看到S、F類別心拍較少，為降低ECG分類不平衡問題，將S類隨機過抽樣原來的2倍，將F類隨機過抽樣原來的4倍。

表1 MIT-BIH數據庫不同類別心拍數量

3.2 ECG信號去噪

ECG信號在采集過程中容易受儀器、環境影響。如工頻干擾、肌電干擾、基線漂移影響分類結果的準確性[10－11]。因此，能夠合理的對ECG進行濾波顯得尤為重要。本文結合軟、硬閾值的優點提出了新閾值函數。該閾值函數不僅使得小波系數的恒定偏差進一步降低而且小波域內連續，而且高階可導，如式(10)所示。

從MIT-BIH數據庫選取108號原始數據，采樣點數n為3500，如圖6所示，信號含有大量噪聲。對含噪信號進行自適應完備集合經驗模態分解(Complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)[12－13]分 解，采 用sym8小波基，結合改進的小波閾值應用于去除心電信號中基線漂移和高頻噪聲[14]，如圖7所示，采用CEEMDAN－改進小波閾值算法很好的消除了心電信號存在的噪聲，保留了心電信號的原始特征，有利于后期分類研究的進行。

圖6 ECG原始信號

圖7 濾波結果

3.3 實驗結果

本文選取的心電信號分類性能的評估標準為敏感度(Sensitivity，Se)、陽性檢測率(Positivity，P＋)和總正確率(Accuracy，Acc)[15]，其公式如下:

式中:TP為真陽性，代表是預測結果為正樣本，實際上結果也為正樣本，FP為假陽性，代表預測結果為負樣本，實際上結果為正樣本。FN為假陰性，代表預測結果為負樣本，實際上結果也為負樣本，TN為假陽性，代表是預測結果為負樣本，但實際上為正樣本[16－17]。

為了驗證本文提出的改進殘差網絡模型對分類結果的有效性，將原始殘差網絡模型Resnet、數據輸入部分卷積層，池化層替換成Inception模型稱為ResNet-Incept、殘差網絡嵌套多個殘差網絡模型稱為ResNet-ResNet以及本文提出的算法在MIT-BIH數據庫進行比較。

如圖8所示，為不同模型在MIT-BIH數據庫的準確率變化情況，本文提出的算法分類準確率最高為95.1%。ResNet-ResNet網絡模型準確率為93.4%，相比之下，本文算法準確率提高1.7%。再看ResNet-Incept網絡模型的準確率為91.7%，本文算法準確率提升3.4%，而原始殘差網絡模型分類準確率為90.4%，要低于其他三種算法準確率。

圖8 不同算法準確率比較圖

為了進一步驗證本文提出分類算法的有效性，將提出的改進網絡模型與近幾年的已發表的論文做對比，其算法性能對比圖如表2所示。

表2 算法性能對比

如表2所示，圖表比較了本文算法和其他三種算法在4種類別的性能。本文算法與文獻[18]作對比，可以看出，Se的平均值提升了23.4%，P＋的平均值提升了2.6%，精度提升了0.6%。與文獻[19]作對比，Se的平均值提升了13.5%，P＋的平均值提升了12.6%，精度提升了1.18%，與文獻[20]作對比，Se的平均值提升了6.9%，P＋的平均值提升了8.6%，精度提升了6.8%。總體來說，本文算法要優于其他三種算法，得到了較好的分類效果。

4 結論

本文提出了一種改進的殘差網絡結構，通過以殘差網絡嵌套多個殘差網絡方式充分融合底層和高層的網絡特征，從而能進一步緩解殘差網絡在訓練時梯度消失問題；將傳統輸入部分的卷積層、池化層替換為inception模塊，能提取到更豐富的網絡特征。最后，將殘差網絡在MIT-BIH數據庫進行驗證，實驗結果表明了本算法的有效性和可行性。然而本算法僅僅停留在對某幾類心律異常識別，在未來的工作中，我們將嘗試與相關醫院和企業合作以便擴充樣本數據庫，實現對更多心律異常分類識別，并將分類算法應用到可穿戴設備中，為人們提供便捷的服務。