基于卷積神經網絡的房室肥大心電圖的自動識別與分類診斷

佟彥妮，張瑞卿，沈陽，蔣華，常世杰，沙憲政

1 中國醫(yī)科大學 生物醫(yī)學工程系，沈陽市，110122

2 中國醫(yī)科大學附屬第一醫(yī)院 心血管內科，沈陽市，110054

0 引言

心房、心室肥大是由于心臟房室負荷過重，引起普通心肌壁增厚，房室腔擴大。房室肥大常由某些心臟疾病，如二尖瓣心臟病、先天性心臟病、室間隔缺損等引起。通過心電圖（ECG）對心臟運作的觀察，其得出的結論可作為臨床上判別房室肥大的標準之一。心房、心室分別除極產生的對應于ECG上的P波、QRS波群，其形態(tài)與幅值對房室肥大的診斷具有重要意義。傳統(tǒng)分析ECG的標準模式通常由以下步驟組成：預處理[1]、心拍分割[2-3]、特征提取[4]與分類。近年來，卷積神經網絡（CNN）作為深度學習的模型之一，其內部通過卷積層、池化層、全連接層的不同組合并與不同形式的損失函數相結合以實現(xiàn)不同的功能，應用于多個領域。由CNN衍生出來的模型包括U-Net[5]、Faster R-CNN[6]、YOLO[7]、GAN[8]等分別應用于信號圖像分割、目標檢測、有監(jiān)督與無監(jiān)督學習等方面。CNN的應用也拓展到了ECG識別分析領域，ACHARYA等[9]利用CNN區(qū)分3類心律失常與正常ECG，其測試集的敏感度、特異度以及準確率分別達到了98.09%、93.13%和92.50%；HANNUN等[10]利用ResNet CNN對12類不同節(jié)律的ECG進行分類，其測試結果的AUC均值為0.97，F(xiàn)1-Score為0.837。

本研究采用傳統(tǒng)與卷積神經網絡方法相結合的方式，搭建10層一維CNN識別分析房室肥大ECG，以實現(xiàn)臨床ECG的輔助分類診斷。

1 方法

1.1 預處理

本研究所使用的心電圖數據由中國醫(yī)科大學附屬第一醫(yī)院數據庫（CMUH1）提供。其中數據均采集于2013—2017年間來院進行標準12導聯(lián)靜態(tài)心電圖檢查的患者。心電圖采樣率為560 Hz。因房室肥大心電圖P波、QRS波的異常改變在Ⅰ、Ⅱ、V1與V5導聯(lián)較為顯著，本文從12導聯(lián)原始心電數據中僅提取這4個導聯(lián)的記錄，每條記錄時長為2.5 s。

數據挑選完成后，利用db5小波對心電信號進行8層分解以濾除基線漂移和高頻噪聲。圖1顯示了原始以及分解重構后的心電信號。

圖1 利用小波變換對心電信號濾波前后對比圖Fig.1 Comparison of ECG signal before and after filtering by wavelet transform

對于濾除噪聲后的心電數據，利用Pan-Tompkins算法，檢測R波峰值點。定位R波波峰后，在其前、后方各取140、224個點，并以這365個點構成一個心拍。對心拍采集的描述如圖2所示。

圖2 R波定位及心拍采集Fig.2 R wave detection and beats selection

本實驗從CMUH1中隨機挑選出29例右心房肥大（RAH）、21例左心房肥大（LAH）、68例右心室肥大（RVH）、339例左心室肥大（LVH）以及400例正常（Normal）心電圖（患者的性別、年齡以及檢查時間均隨機），并對其進行分割以采集心拍。因心房肥大心電圖數據量較少，分割心拍不僅可以擴增數據并且可以減少冗余信息。其中正常心電圖指無肥大癥狀的心電圖。心電圖各導聯(lián)為同步測量，其從不同方位反映出心臟的運作狀況，因此將從四個導聯(lián)I、II、V1、V5提取出的心拍數據以并聯(lián)的形式連接，每四個心拍的并聯(lián)組合作為數據集中的一條樣本數據。最終右心房肥大、左心房肥大、右心室肥大、左心室肥大以及正常心電圖的心電樣本數分別為69、52、176、826以及1 042。根據每條樣本數據所屬類別，為其打上不同的標簽?？紤]到左、右心房肥大心電信號的數據量較少，而且心房肥大心電圖的異常主要體現(xiàn)在P波的異常，因此在實驗中將左、右心房肥大兩類心電圖合并為心房肥大一類心電圖。標簽0、1、2、3分別對應正常、心房肥大（AH）、右心室肥大、左心室肥大心電圖。

1.2 CNN

本研究使用的CNN結構如圖3所示。前半部分的卷積模塊實現(xiàn)了CNN的特征提取功能。模塊中的前6層為3組卷積層與池化層的交替組合，可以逐級提取由粗粒度到細粒度的特征。卷積操作中，輸入層的部分神經元與輸出層的單個神經元進行局部連接，輸入與對應的連接權值加權求和并與偏置值相加，最后通過激活函數激活以得到輸出值。本研究選取ReLu激活函數[11]為模型注入非線性元素，可以有效避免模型訓練過程中出現(xiàn)的梯度消失問題。池化操作中，選取卷積核所覆蓋區(qū)域的最大值作為輸出值。最大池化層可極大地減少需要訓練的參數，對于在訓練過程中擁有大量參數的CNN模型，池化層可以降低計算負擔，同時增強模型的魯棒性。卷積模塊中每層輸出的特征圖數量均為128。CNN模型的后半部分由三個全連接層組成，其中嵌入了Dropout正則化[12]，在訓練過程中，其以0.5的概率隨機丟棄全連接層中的神經元以避免過擬合的發(fā)生。網絡的最后一個全連接層由Softmax函數[13]激活，從而實現(xiàn)多分類的輸出。

圖3 本研究所用CNN結構圖Fig.3 Structure of CNN in the study

網絡搭建完成后，將處理好的心電數據制作成數據集以適應模型的輸入。訓練集表達為A={(Xi,Yi),i=1,2,…,n},Xi代表由四個導聯(lián)的心拍數據并聯(lián)構成的輸入，Y∈{0，1，2，3}為Xi所對應的真實標簽。這里Yi=0，Yi=1，Yi=2和Yi=3分別代表正常、心房肥大（AH）、右心室肥大以及左心室肥大心電圖。網絡各層之間通過權重ω=(ω[1],ω[2],…,ω[n])和偏置b=(b[1],b[2],…,b[n])連接，n代表某一層在網絡中的排列順序。網絡輸出層的神經元數量與分類個數相對應，每個神經元通過Softmax激活后得到預測值其含義為模型的損失函數表達如下：

整個CNN的訓練以最小化損失函數為目的。訓練過程中，權重ω和偏置b通過模型內置的Adam優(yōu)化器[14]進行更新，優(yōu)化器中的超參數β1，β2分別設置為0.9，0.999。

2 結果

區(qū)分房室肥大與正常心電圖的結果通過ROC（Receiver Operating Characteristic）曲線（圖4）展示。ROC曲線的橫縱軸分別代表假陽性率（FPR）與真陽性率（TPR）。這里，房室肥大與正常心電圖的真實標簽分別為陽性與陰性。AUC值為ROC曲線下的面積，其值越大代表模型的分類效果越好。本實驗的訓練集與測試集劃分如下，隨機抽?。ɑ颊叩男詣e、年齡以及檢查時間均隨機）533條正常心電圖數據與549條房室肥大心電圖數據作為訓練集，余下的509條正常心電圖數據與574條房室肥大心電圖數據則作為測試集。

從所有的心電數據中隨機抽取一半作為訓練集（1 082條數據），余下的則作為測試集，四分類的混淆矩陣結果如表1所示。

心房肥大，左、右心室肥大與正常心電圖四分類的五折交叉驗證結果如表2所示。表中選取Sensitivity（真陽性率）、Precision（精確率）以及F1分數對模型的分類性能進行展現(xiàn)。其中F1-score計算如下：

圖4 房室肥大與正常心電圖二分類ROC曲線圖Fig.4 ROC of differentiating AVH and Normal ECG

Recall等同于真陽性率。

表1 四分類的混淆矩陣結果Tab.1 Confusion matrix for 4 classes

表2 四分類的五折交叉驗證結果Tab.2 Five-fold validation results of 4 classification

3 討論

在識別房室肥大心電圖的實驗中，網絡的最后輸出層只有一個神經元，并使用Sigmoid函數激活以得到輸入心電圖為陽性的概率。根據測試集的結果繪制的ROC曲線圖，其AUC值達到0.991，證明該CNN模型可以很好地對房室肥大心電圖進行識別。在對心房肥大以及左、右心室肥大心電圖的分類診斷中，綜合觀察表1的混淆矩陣與表2的交叉驗證結果得到，正常以及左心室肥大的分類效果整體要優(yōu)于心房肥大和右心室肥大。分析原因得出，深度學習取得良好效果的關鍵之一是訓練集的數量要大，而心房肥大以及右心室肥大心電圖的數據量要明顯低于其他兩類，造成其分類結果較差。但由于右心室肥大心電圖在對應導聯(lián)特征較為突出，與其他三類相比差別也較大，因此其分類的敏感度較高可以達到0.992。此外，正常心電圖與左心室肥大心電圖分類時，結果會出現(xiàn)混淆，臨床上左心室肥大最突出的特征即為R波電壓增高，這個特點也是醫(yī)生判定左心室肥大的重要依據，而有些心電圖其R波電壓會突增，但未達到左心室肥大的診斷標準，此時會比較容易出現(xiàn)誤判。通過對表1、2的觀察還可得出，大部分分類錯誤的心房肥大心電圖會被視作正常心電圖，分析得到，在臨床上心房肥大心電圖的異常主要表現(xiàn)為P波寬度或幅值的異常，與正常心電圖相比此變化有時較為細微，也是認為觀察時容易漏掉的細節(jié)，因此計算機在進行判斷時也容易發(fā)生誤診。

本實驗綜合考慮一維心電信號的特性，構造CNN網絡并為其設置合理的參數，實現(xiàn)了心電信號特征的自動提取與篩選，并利用提取到的特征對房室肥大心電圖進行自動分析診斷。其最后的測試結果也展現(xiàn)了較高的靈敏度與準確率，證明本方法可以輔助醫(yī)生對心電圖進行識別診斷，提高臨床工作效率，并更好地服務于患者。接下來的研究中，會擴展算法在心電領域的應用范圍，利用更多類型的心臟病對算法進行測試，并加以改進算法，使其發(fā)揮出更大的價值服務于社會。