基于希爾伯特黃變換和深度卷積神經(jīng)網(wǎng)絡(luò)的房顫檢測

郭一楠 邵慧杰 鞏敦衛(wèi) 李海泉 陳 麗

(中國礦業(yè)大學(xué)人工智能研究院智慧醫(yī)療研究中心 徐州 221116)

(中國礦業(yè)大學(xué)信息與控制工程學(xué)院 徐州 221116)

(徐州醫(yī)科大學(xué)第二附屬醫(yī)院呼吸與危重醫(yī)學(xué)科 徐州 221006)

1 引言

房顫是一種常見的心律失常，其發(fā)病率會(huì)在超過60歲以后每10年就增長1倍[1]。房顫會(huì)導(dǎo)致中風(fēng)、心力衰竭和其他心血管疾病的發(fā)病率增加[2]。房顫會(huì)導(dǎo)致女性全因死亡率增加2倍，男性增加1.5倍[3]。因此，房顫的早期檢測對(duì)患者盡早獲得治療至關(guān)重要。

心電(ElectroCardioGram， ECG)是一種方便快速且非侵入式的檢測方法，已經(jīng)廣泛應(yīng)用于臨床。12導(dǎo)聯(lián)的ECG是當(dāng)前識(shí)別房顫的金標(biāo)準(zhǔn)[4]。大體上，ECG可以分為P波、Q波、R波、S波、T波和U波。不規(guī)則的R-R間期和由P波轉(zhuǎn)化成的F波可以有效識(shí)別房顫[5]。然而，常規(guī)的12導(dǎo)聯(lián)ECG在醫(yī)院中只能記錄短時(shí)的ECG信號(hào)，不一樣的身體狀況導(dǎo)致該ECG信號(hào)不能完全真實(shí)地反映患者在醫(yī)院外的心律失常，導(dǎo)致漏檢[6]。近年來，隨著單導(dǎo)聯(lián)ECG可穿戴設(shè)備的快速發(fā)展，長時(shí)、低成本、實(shí)時(shí)的心電信號(hào)已能在醫(yī)院外及時(shí)獲取。由此，迫切需要設(shè)計(jì)基于單導(dǎo)聯(lián)ECG信號(hào)的房顫檢測方法，為患者提供更加及時(shí)、準(zhǔn)確的病程指導(dǎo)。

針對(duì)ECG房顫檢測，研究人員通常基于人工提取的特征來進(jìn)行識(shí)別。Ebrahimzadeh等人[7]采用心律變異性的線性、非線性和時(shí)頻特征進(jìn)行房顫檢測，分別取得了98.21%， 95.55%， 100%的準(zhǔn)確率、特異性和靈敏性。Mohebbi等人[8]采用2個(gè)單譜特征、6個(gè)雙譜特征和4個(gè)非線性特征，取得了96.3%，93.1%的房顫檢測靈敏性和特異性。基于人工提取特征的房顫檢測雖然取得較好的檢測性能，但是計(jì)算相對(duì)費(fèi)時(shí)，且特征選擇依賴大量的人類經(jīng)驗(yàn)。此外，可穿戴設(shè)備采集的心電信號(hào)會(huì)被電磁場和運(yùn)動(dòng)偽跡干擾，直接影響人工提取的特征，導(dǎo)致顯著的檢測誤差。人與人之間的身體狀況差異，也使人工提取的特征往往不具有普適性。

相比于傳統(tǒng)的房顫檢測方法，基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network， CNN)的檢測方法具有更強(qiáng)的特征提取能力，并已經(jīng)廣泛應(yīng)用于信號(hào)分類中。Acharya等人[9]通過CNN自動(dòng)地區(qū)分兩秒心電信號(hào)的類型，并取得了92.5%， 98.09%， 93.13%的準(zhǔn)確率、靈敏性和特異性。蔣芳芳等人[10]在不同長度的心電片段和不同深度的CNN中尋找最佳組合，顯著提高了識(shí)別準(zhǔn)確率。為進(jìn)一步提升CNN的表達(dá)能力，Petmezas等人[11]將CNN和長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory， LSTM)構(gòu)成的混合網(wǎng)絡(luò)，結(jié)合焦點(diǎn)損失函數(shù)處理心電數(shù)據(jù)的不平衡問題，將靈敏性和特異性提升到97.87%和99.29%。楊萍等人[12]、顧佳艷等人[13]先后提出集成CNN-LSTM網(wǎng)絡(luò)和由殘差網(wǎng)絡(luò)、雙向LSTM與多頭注意力層構(gòu)成的混合網(wǎng)絡(luò)，用于實(shí)時(shí)房顫檢測。Fan等人[14]則利用具有不同卷積核的兩路CNN提取不同尺寸特征，取得了98.13%， 93.77%和98.77%的準(zhǔn)確率、靈敏性和特異性。

在設(shè)計(jì)不同模型結(jié)構(gòu)的同時(shí)，研究人員還引入時(shí)頻分析，通過豐富原始信號(hào)的信息來改善房顫檢測算法的性能。Lai等人[5]將RR序列和F波頻譜相結(jié)合作為CNN的輸入，顯著提高了檢測準(zhǔn)確性能。Xia等人[15]則采用短時(shí)傅里葉變換(Short-Time Fourier Transform， STFT )和標(biāo)準(zhǔn)小波變換(Wavelet Transform， WT)將1維的心電信號(hào)轉(zhuǎn)換為2維的時(shí)頻信號(hào)。Ma等人[16]引入改進(jìn)的頻率切片WT，結(jié)合人工提取特征來訓(xùn)練CNN和支持向量機(jī)混合模型，提高模型的泛化能力和魯棒性。楊淑瑩等人[17]利用小波分解和1維谷歌網(wǎng)絡(luò)(GoogLeNet)，緩解了計(jì)算效率低、收斂困難和模型退化的問題。然而，在設(shè)計(jì)模型架構(gòu)和引入時(shí)頻分析時(shí)，現(xiàn)有的房顫檢測算法仍然存在以下不足：

(1) 傳統(tǒng)的時(shí)頻分析方法通常基于積分變換，如STFT或WT等。這類時(shí)頻分析方法容易產(chǎn)生頻譜泄漏，無法很好地刻畫局部細(xì)節(jié)。

(2) 對(duì)1維信號(hào)進(jìn)行時(shí)頻轉(zhuǎn)換，雖然可以豐富其特征，但是也會(huì)形成高維度特征空間，需要采用更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型提取其特征，從而容易產(chǎn)生梯度消失，導(dǎo)致訓(xùn)練過程難以收斂。

基于以上原因，本文結(jié)合希爾伯特黃變換(Hilbert-Huang Transform， HHT)[18]和深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network， DCNN)，構(gòu)建了一種新型房顫檢測模型。HHT將1維的時(shí)域心電信號(hào)轉(zhuǎn)換為2維的時(shí)頻矩陣。傳統(tǒng)的基于積分變換時(shí)頻分析方法(如STFT和WT)會(huì)受到時(shí)間分辨率和頻率分辨率的限制，容易導(dǎo)致偽影產(chǎn)生。與之不同，HHT能獲得瞬時(shí)頻率和幅度，獲得的時(shí)頻矩陣更加精細(xì)且不會(huì)發(fā)生頻譜泄漏。因此，HHT可以更有效地描述ECG的局部細(xì)節(jié)。基于此，引入 DenseNet[19]卷積神經(jīng)網(wǎng)絡(luò)來處理高精細(xì)度的時(shí)頻矩陣，可以有效緩解梯度消失、進(jìn)行特征復(fù)用，并且所提算法在未被使用的驗(yàn)證集上經(jīng)過了檢驗(yàn)。

2 結(jié)合希爾伯特黃變換和深度卷積神經(jīng)網(wǎng)絡(luò)的房顫檢測

2.1 希爾伯特黃變換

存在房顫的心電信號(hào)中，F(xiàn)波可能存在不同的振幅、形態(tài)和頻率[20]。此外，在運(yùn)動(dòng)偽跡的影響下，心電信號(hào)的基線也會(huì)隨時(shí)間發(fā)生改變[21]。因此，心電信號(hào)可以看作一類非平穩(wěn)時(shí)間序列。采用傳統(tǒng)的頻域分析方法處理心電信號(hào)時(shí)，難以提取到該類信號(hào)的有效特征。而HHT結(jié)合了經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition， EMD)和希爾伯特變換(Hilbert Transform， HT)，可以計(jì)算瞬時(shí)頻率和幅度，適合處理心電信號(hào)這一類非平穩(wěn)時(shí)間序列。因此，本文采用HHT將只包含時(shí)域信息的原始ECG信號(hào)轉(zhuǎn)換為包含時(shí)域和頻域?qū)?yīng)關(guān)系的時(shí)頻圖。首先，采用EMD將多模態(tài)心電信號(hào)分解為若干個(gè)單一模態(tài)的信號(hào)；其次，通過HT計(jì)算出每個(gè)模態(tài)的瞬時(shí)頻率和幅度；最后，綜合所有模態(tài)信息，獲得心電信號(hào)的時(shí)頻圖。

2.1.1 經(jīng)驗(yàn)?zāi)B(tài)分解

原始信號(hào)x(t)通過EMD可以得到若干個(gè)本征模態(tài)函數(shù)(Intrinsic Mode Function， IMF)，每個(gè)IMF必須滿足兩個(gè)限制：(1)極值點(diǎn)和零點(diǎn)的數(shù)量之差不超過1；(2)在任意時(shí)刻點(diǎn)，局部最大值的包絡(luò)線和局部最小值的包絡(luò)線之間的均值為0。對(duì)原始信號(hào)x(t)的EMD計(jì)算過程如表1所示。

表1 EMD算法步驟

EMD分解的結(jié)果為

其中，N表示可以從原始信號(hào)分解出來的IMF數(shù)量，IMFi(t)代表了第i個(gè)IMF，r(t)為無法被繼續(xù)分解的殘余分量。

2.1.2 希爾伯特變換

在經(jīng)過EMD分解后，HT被用來對(duì)每一個(gè)IMF計(jì)算瞬時(shí)頻率和幅度。記HT的脈沖響應(yīng)為

2.2 深度卷積神經(jīng)網(wǎng)絡(luò)

本文利用DenseNet來處理具有高精度的時(shí)頻圖。DenseNet由大量的稠密塊組成。在稠密塊中，每層網(wǎng)絡(luò)都會(huì)和其他層之間通過前饋方式連接，如圖1所示。DenseNet通過不同層之間的跳連接可以緩解梯度消失并使網(wǎng)絡(luò)設(shè)計(jì)更深。另一個(gè)方面，DenseNet將不同通道的特征連接起來實(shí)現(xiàn)特征復(fù)用。這兩個(gè)方面可以讓DenseNet獲得強(qiáng)大的特征提取能力。本文采用的DenseNet結(jié)構(gòu)如表2所示。

圖1 稠密塊結(jié)構(gòu)

表2 DenseNet結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果與分析

本文分別采用了MIT-BIH房顫數(shù)據(jù)集(MITBIH Atrial Fibrillation DataBase， AFDB)[22，23]和2017 PhysioNet Challenge 房顫數(shù)據(jù)集來驗(yàn)證提出方法的有效性。其中，AFDB數(shù)據(jù)集包括23個(gè)長時(shí)的ECG，大多數(shù)ECG來自陣發(fā)性房顫患者。每個(gè)ECG包含兩通道且以250 Hz的采樣率采集。在本文中，只采用標(biāo)記為房顫和竇性心律的第一導(dǎo)聯(lián)ECG，并將ECG以每1250個(gè)采樣點(diǎn)進(jìn)行分割。2017 PhysioNet Challenge數(shù)據(jù)集總共包含8528個(gè)30～60 s長度的ECG片段，其中包括5154個(gè)竇性節(jié)律、771個(gè)房顫、2557個(gè)其他節(jié)律以及46個(gè)噪聲片段。每段ECG的采樣頻率均為300 Hz。本文僅使用竇性節(jié)律和房顫的ECG，并將ECG以1250個(gè)采樣點(diǎn)進(jìn)行分割。數(shù)據(jù)集的具體構(gòu)成如表3和表4所示，圖2展示了竇性節(jié)律和房顫的ECG片段。

圖2 ECG片段

表3 AFDB數(shù)據(jù)集

表4 2017 PhysioNet Challenge數(shù)據(jù)集

為合理評(píng)價(jià)模型性能，本文采用準(zhǔn)確率(ACCuracy， ACC)、靈敏性(SEnsitivity， SE)和特異性(SPecificity， SP)3個(gè)性能指標(biāo)。記真正例為TP(True Positive)、假正例為FP(False Positive)、假反例為FN(False Negative)和真反例為TN(True Negative)，上述3個(gè)性能指標(biāo)定義為

面向兩類數(shù)據(jù)集，分別采用STFT，WT和HHT，將1維心電信號(hào)轉(zhuǎn)換為時(shí)頻圖，如圖3所示。可見，相比于STFT和WT，本文所采用HHT生成的100×1250 2維時(shí)頻矩陣具有更清晰的局部細(xì)節(jié)，不會(huì)產(chǎn)生由頻譜泄露導(dǎo)致的偽影。分別基于上述3種時(shí)頻分析方法和傳統(tǒng)1維(1 Dimensional，1-D)心電，采用DenseNet對(duì)兩類數(shù)據(jù)集獲得的識(shí)別準(zhǔn)確率，如圖4所示。顯然，所提方法可以獲得最好的房顫識(shí)別性能，這是因?yàn)橥ㄟ^HHT時(shí)頻轉(zhuǎn)換能夠更清晰地反映局部特征。

圖3 不同變換方法的時(shí)頻圖

圖4 3種時(shí)頻分析和1維心電在驗(yàn)證集上的準(zhǔn)確率曲線

可穿戴設(shè)備采集的ECG信號(hào)可能會(huì)受到電磁和運(yùn)動(dòng)偽跡的干擾。如圖5(a)所示，當(dāng)人體運(yùn)動(dòng)后，ECG信號(hào)幅度會(huì)在短時(shí)間發(fā)生劇烈變化，在人體恢復(fù)靜止時(shí)，ECG會(huì)慢慢地回復(fù)到正常狀態(tài)。在此期間，ECG信號(hào)的方差、均值等手動(dòng)提取特征會(huì)嚴(yán)重失真。此外，如圖5(b)所示，電磁干擾會(huì)導(dǎo)致ECG信號(hào)出現(xiàn)細(xì)小的毛刺，影響到信號(hào)熵的計(jì)算。本文在AFDB數(shù)據(jù)集上分別選取了53段受運(yùn)動(dòng)偽跡影響和279段受電磁干擾影響的ECG片段作為數(shù)據(jù)集，單獨(dú)進(jìn)行實(shí)驗(yàn)來驗(yàn)證模型的魯棒性，實(shí)驗(yàn)結(jié)果見表5和表6。對(duì)比算法包括隨機(jī)森林、支持向量機(jī)和Adaboost，它們都采用模糊熵、樣本熵、符號(hào)序列熵、基本尺度熵，以及RR間期的均值和方差作為特征，實(shí)施模型訓(xùn)練。當(dāng)心電信號(hào)存在運(yùn)動(dòng)偽跡和電磁干擾時(shí)，與傳統(tǒng)基于手動(dòng)提取特征的方法相比，本文所提方法在準(zhǔn)確率上提升了15.14%和3.94%，特異性提高了23.08%和4.58%，靈敏性改善了7.41%和3.18%。結(jié)果表明，基于深度學(xué)習(xí)算法的房顫檢測在信號(hào)出現(xiàn)異常時(shí)更具有魯棒性。

表5 運(yùn)動(dòng)偽跡時(shí)模型魯棒性驗(yàn)證(%)

表6 電磁干擾時(shí)模型魯棒性驗(yàn)證(%)

圖5 受干擾的ECG片段

為了驗(yàn)證DenseNet對(duì)時(shí)頻圖的處理能力，引入常用的VGG[24]和ResNet[25]進(jìn)行對(duì)比。VGG，Res-Net和DenseNet分別在兩個(gè)數(shù)據(jù)集上的準(zhǔn)確率如圖6所示。可見DenseNet的正確率曲線大體高于另外兩種。在AFDB數(shù)據(jù)集上，最佳模型是經(jīng)過76次迭代的DenseNet，取得了99.2%的準(zhǔn)確率、98.57%的靈敏性和99.47%的特異性。在2017 PhysioNet Challenge數(shù)據(jù)集上，最佳模型是迭代了98次的DenseNet，取得了97.32%的準(zhǔn)確率、81.75%的靈敏性和99.64%的特異性。

為避免過擬合，模型在測試集上檢驗(yàn)真實(shí)性能并和其他算法進(jìn)行比較。表7對(duì)比了所提方法和其他常用算法的識(shí)別性能。可見，本文所提方法在AFDB和2017 PhysioNet Challenge 數(shù)據(jù)集都具有最佳的識(shí)別準(zhǔn)確性、特異性和次優(yōu)的靈敏性。在對(duì)比算法中，Xia等人[15]和Ebrahimzadeh等人[7]分別采用WT生成的時(shí)頻圖和手動(dòng)提取的心律變異性特征，對(duì)房顫加以檢測；其他方法均基于1維心電信號(hào)，采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)房顫識(shí)別。而本文將HHT和DenseNet相結(jié)合，取得了最好的綜合識(shí)別性能。特別是，本文采用的HHT和Xia等人[15]采用的WT通過時(shí)頻分析豐富了原始信號(hào)，有效提高了識(shí)別正確率。而Ebrahimzadeh等人[7]手動(dòng)提取特征，從而使識(shí)別正確率受限。此外，Jin等人[27]采用ResNet緩解梯度消失，實(shí)現(xiàn)房顫檢測，取得了相對(duì)較好的正確率。相比而言，DenseNet不僅可以緩解梯度消失，還可以更有效地利用特征，并且圖6所示實(shí)驗(yàn)結(jié)果表明DenseNet性能優(yōu)于ResNet。綜上所述，本文所提方法具有最優(yōu)的綜合性能。雖然所提方法通過HHT的時(shí)頻圖提供更加精細(xì)的信號(hào)信息，但是也導(dǎo)致模型訓(xùn)練時(shí)需要較大的算力。

圖6 VGG， ResNet和DenseNet在驗(yàn)證集上的準(zhǔn)確率曲線

表7 不同算法的性能比較(%)

4 結(jié)束語

本文采用HHT將1維ECG信號(hào)轉(zhuǎn)換為2維時(shí)頻矩陣，進(jìn)而采用DenseNet實(shí)現(xiàn)房顫識(shí)別，從而深入挖掘原始信號(hào)中的時(shí)間和頻率信息。通過在兩類數(shù)據(jù)集上的實(shí)驗(yàn)對(duì)比可見，所提方法在房顫檢測中具有最好的識(shí)別性能，具有一定的臨床應(yīng)用潛力。然而，相比而言，所提方法需要相對(duì)較大的算力。為進(jìn)一步提高所提時(shí)頻分析方法的性能，DenseNet網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)搜索將是我們未來的研究工作。