基于遷移學(xué)習(xí)和支持向量機(jī)的胎心率分類方法

葉明珠，趙治棟

(杭州電子科技大學(xué)電子信息學(xué)院，浙江 杭州 310018)

0 引 言

電子胎心宮縮監(jiān)護(hù)(Cardiotocography, CTG)作為胎心率和子宮活動(dòng)的圖形表示，是正確評(píng)價(jià)胎兒宮內(nèi)狀況最常用的方法。CTG評(píng)估的臨床實(shí)踐很大程度上取決于臨床醫(yī)師的經(jīng)驗(yàn)和主觀判斷，造成CTG分析的差異性和不準(zhǔn)確性。胎心率是判斷胎兒在子宮內(nèi)的安全指標(biāo)，是CTG最重要的組成部分。胎心率診斷系統(tǒng)一般分為胎心率(Fetal Heart Rate,FHR)信號(hào)預(yù)處理、FHR信號(hào)特征提取、特征降維和狀態(tài)分類?？v觀現(xiàn)有的CTG分類算法，可分為傳統(tǒng)手動(dòng)特征提取算法和特征自學(xué)習(xí)算法。2000年以來，多位學(xué)者對(duì)FHR參數(shù)進(jìn)行研究，提取出多個(gè)線性、時(shí)域、頻域及非線性等特征，采用不同算法對(duì)特征進(jìn)行降維和分類，在小數(shù)據(jù)下取得了較為理想的效果。G.G.Georgoulas等[1]采用隱馬爾可夫模型對(duì)CTG參數(shù)進(jìn)行分類，將胎兒分為正常組和低氧組。J.Spilka等[2]在分析胎兒心率信號(hào)時(shí)，增加了一些非線性特征，提高了信號(hào)分類的準(zhǔn)確性。但是，此類算法的準(zhǔn)確性在很大程度上取決于選擇的特征是否能準(zhǔn)確反應(yīng)胎心率的波形變化狀態(tài)，且手動(dòng)提取特征過程過于繁瑣。為了提高分類性能，許多學(xué)者對(duì)分類算法進(jìn)行深入研究，如人工神經(jīng)網(wǎng)絡(luò)、基于機(jī)器學(xué)習(xí)的算法。A.Georgieva等[3]使用人工神經(jīng)網(wǎng)絡(luò)對(duì)FHR進(jìn)行監(jiān)控，省去繁瑣的特征提取過程，且分類效果有所提升。

為提高胎兒評(píng)估算法的準(zhǔn)確率，并簡(jiǎn)化胎兒評(píng)估算法的步驟，本文提出基于遷移學(xué)習(xí)和支持向量機(jī)(Support Vector Machine,SVM)的胎心率分類算法，節(jié)省了胎兒狀態(tài)評(píng)估的時(shí)間成本，取得了較好的分類效果。

1 基于遷移學(xué)習(xí)與支持向量機(jī)的二分類算法

本文算法分為4個(gè)步驟：預(yù)處理、FHR信號(hào)轉(zhuǎn)換為圖像、AlexNet特征提取和SVM分類，如圖1所示。首先，對(duì)原始的FHR信號(hào)進(jìn)行插值預(yù)處理。然后，將預(yù)處理后的信號(hào)從參數(shù)有限的時(shí)域轉(zhuǎn)換為具有更詳細(xì)局部特征的頻域。FHR軌跡圖像通過在頻域的每個(gè)時(shí)間點(diǎn)繪制當(dāng)前FHR軌跡(每種情況下用N個(gè)點(diǎn)繪制N個(gè)FHR軌跡)獲得，實(shí)現(xiàn)了對(duì)二維圖像的一維信號(hào)處理，充分反映了FHR信號(hào)在一個(gè)連續(xù)周期內(nèi)的頻譜特征趨勢(shì)。AlexNet作為輸入軌跡圖像的特征提取器，節(jié)省了手動(dòng)特征提取、特征降維等復(fù)雜步驟。最后，從卷積神經(jīng)網(wǎng)絡(luò)中提取特征作為SVM的輸入，SVM比卷積神經(jīng)網(wǎng)絡(luò)的Softmax分類器具有更好的泛化能力，且針對(duì)二分類問題具有更好的分類效果。

圖1 算法流程圖

1.1 數(shù)據(jù)集

本文采用的數(shù)據(jù)庫來自捷克技術(shù)大學(xué)布爾諾大學(xué)醫(yī)院(Czech Technical University-University Hospital in Brno，CTU-UHB)CTG數(shù)據(jù)庫，包含552個(gè)原始FHR信號(hào)，數(shù)據(jù)為2009—2012年在捷克共和國(guó)布爾諾大學(xué)醫(yī)院產(chǎn)科病房獲得的9 164次分娩CTG記錄的子集，所有信號(hào)采樣頻率均為4 Hz。CTU-UHB數(shù)據(jù)庫中使用的孕婦和新生兒生理參數(shù)的詳細(xì)信息見文獻(xiàn)[4]。

臨床實(shí)踐中，新生兒臍動(dòng)脈血的pH值是一種常用的胎兒注記方法。本文選擇pH值為標(biāo)準(zhǔn)，對(duì)胎兒心率信號(hào)進(jìn)行跟蹤分類。pH<7.15為異常，pH≥7.15為正常。數(shù)據(jù)庫含正常胎兒447例，病理異常胎兒105例。數(shù)據(jù)庫中正常和異常CTG信號(hào)的1個(gè)例子如圖2所示。本文從CTU-UHB數(shù)據(jù)庫中隨機(jī)選取正常和異常信號(hào)各100例進(jìn)行訓(xùn)練和測(cè)試，其中訓(xùn)練集占70%，測(cè)試集占30%。

圖2 正常和病理異常FHR信號(hào)示例

1.2 信號(hào)預(yù)處理

本文采用線性插值方法對(duì)原始信號(hào)進(jìn)行預(yù)處理，減少了由于胎兒運(yùn)動(dòng)和換能器位移引起的偽影和尖峰。首先，移除值為0，且持續(xù)時(shí)間大于15 s的FHR信號(hào)；然后，當(dāng)信號(hào)不穩(wěn)定時(shí)，即相鄰2點(diǎn)的絕對(duì)值大于25次/min，在初始采樣點(diǎn)和下一個(gè)穩(wěn)定部分的第一個(gè)點(diǎn)之間進(jìn)行插值；最后，采用埃爾米特(Hermite)樣條插值填補(bǔ)信號(hào)值大于200 bpm和小于50 bpm的信號(hào)。數(shù)據(jù)庫中的每例FHR信號(hào)包括14 400個(gè)時(shí)間點(diǎn)，實(shí)驗(yàn)隨機(jī)截取信號(hào)的1 800個(gè)點(diǎn)以供后續(xù)工作。預(yù)處理的效果如圖3所示。

圖3 FHR信號(hào)預(yù)處理結(jié)果

1.3 廣義S變換

信號(hào)的瞬時(shí)頻率特征反映信號(hào)在不同時(shí)刻的頻率變化規(guī)律。本文采用廣義S變換(Generalized S-transformation, GST)對(duì)信號(hào)進(jìn)行時(shí)頻分析[5]，得到比原始時(shí)域更為豐富的信息。與傳統(tǒng)的時(shí)頻分析方法相比，廣義S變換具有可變形態(tài)的窗口，可以對(duì)信號(hào)的特定區(qū)域進(jìn)行時(shí)頻聚焦，得到更好的局部譜和時(shí)頻聚集。因此，本文采用廣義S變換對(duì)FHR信號(hào)進(jìn)行時(shí)頻域轉(zhuǎn)換處理，將一維的時(shí)域信號(hào)映像到二維的圖像信號(hào)處理，得到FHR信號(hào)的二維圖像，作為卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的輸入層。

S變換是連續(xù)小波變換的“相位校正”，即多分辨率下小波變換的擴(kuò)展。而廣義S變換是在S變換基礎(chǔ)上，對(duì)高斯窗函數(shù)的改進(jìn)。

首先，x(t)的S變換表示為：

(1)

式中，τ為窗函數(shù)的中心點(diǎn)，t為積分時(shí)間，f為頻率，j為虛部符號(hào)，廣義高斯窗口函數(shù)表示為：

(2)

式中，λ和p為調(diào)節(jié)因子，用于調(diào)節(jié)高斯窗口函數(shù)的形狀，使時(shí)間窗適應(yīng)頻率的變化，從而細(xì)致地表征信號(hào)的局部特性，獲得理想的時(shí)頻分析效果。將式(2)代入式(1)，得到廣義S變換的標(biāo)準(zhǔn)形式：

(3)

式(3)得到復(fù)數(shù)矩陣，矩陣的每一列代表每一個(gè)時(shí)刻的瞬時(shí)時(shí)頻域特征。每例FHR信號(hào)中含1 800個(gè)時(shí)間點(diǎn)，從中隨機(jī)抽取100個(gè)時(shí)間點(diǎn)，對(duì)其進(jìn)行廣義S變換，得到100個(gè)時(shí)頻特征，樣本包含200個(gè)FHR信號(hào)，于是，采用廣義S變換得到的FHR軌跡圖共有20 000幅，其中胎兒的正常類別和異常類別各占10 000幅，每幅圖像的分辨率為227×227×3。

1.4 特征選擇和分類

CNN使原問題轉(zhuǎn)化成圖像分類問題，通過大量樣本數(shù)據(jù)的訓(xùn)練，無需圖像預(yù)處理和手動(dòng)特征提取即可獲得理想的分類結(jié)果。圖4給出了一個(gè)典型的CNN網(wǎng)絡(luò)結(jié)構(gòu)，主要包括卷積層、下采樣層、池化層、全連接層。卷積層通過卷積運(yùn)算來提取圖像特征；下采樣層在減少數(shù)據(jù)處理量的同時(shí)保留有用信息；池化層減少網(wǎng)絡(luò)參數(shù)，緩解模型過擬合問題；全連接層得到CNN提取的圖片特征，Softmax作用于輸出層，得到每個(gè)像素的分類結(jié)果。CNN避免了傳統(tǒng)的手動(dòng)提取特征的步驟，但其強(qiáng)大的特征自學(xué)習(xí)功能依賴于大數(shù)據(jù)庫的長(zhǎng)時(shí)間訓(xùn)練。遷移學(xué)習(xí)的主要優(yōu)點(diǎn)是節(jié)省訓(xùn)練時(shí)間，而且在大多數(shù)情況下，不需要通過大量的數(shù)據(jù)來提高性能。在預(yù)先訓(xùn)練的CNN上進(jìn)行特征提取是最簡(jiǎn)單、最快的方法。

圖4 CNN結(jié)構(gòu)圖

AlexNet模型是文獻(xiàn)[6]提出的一種深卷積神經(jīng)網(wǎng)絡(luò)模型，在2012年的ImageNet比賽中獲得冠軍，模型成功地對(duì)1 000個(gè)物體進(jìn)行分類，取得了準(zhǔn)確率為99.99%的識(shí)別結(jié)果。本文采用預(yù)訓(xùn)練的AlexNet對(duì)數(shù)據(jù)集進(jìn)行特征提取，數(shù)據(jù)集由20 000條輸入的FHR軌跡組成，分為訓(xùn)練集和測(cè)試集。10 000例正常CTG數(shù)據(jù)中，7 000例納入訓(xùn)練組，其余納入測(cè)試組。10 000例病理數(shù)據(jù)以同樣的方式劃分。詳細(xì)的網(wǎng)絡(luò)架構(gòu)如表1所示。微調(diào)預(yù)訓(xùn)練的AlexNet對(duì)新的圖像集合進(jìn)行分類，首先加載并劃分?jǐn)?shù)據(jù)集，然后調(diào)整圖像大小以適應(yīng)網(wǎng)絡(luò)的輸入大小，指定最小批量，將神經(jīng)網(wǎng)絡(luò)的Softmax分類器替換為SVM，從網(wǎng)絡(luò)中提取測(cè)試圖像的特征并輸入到SVM中。SVM是一種用于數(shù)據(jù)二分類的監(jiān)督學(xué)習(xí)分類器，其決策邊界是求解學(xué)習(xí)樣本的最大邊緣超平面。相比于Softmax，SVM對(duì)于未見過的測(cè)試樣本具有更好的推廣能力，且得到的是全局最優(yōu)解，解決了神經(jīng)網(wǎng)絡(luò)中無法避免的極值問題。

表1 網(wǎng)絡(luò)架構(gòu)

2 實(shí)驗(yàn)結(jié)果與分析

本文采用3個(gè)評(píng)價(jià)指標(biāo)來評(píng)價(jià)FHR信號(hào)分類算法的性能，分別為：真陽性率(True Positive Rate，TPR)、假陽性率(False Positive Rate，F(xiàn)PR)和準(zhǔn)確率(Accuracy, ACC)，TPR又稱靈敏度，F(xiàn)PR為特異性。這些指標(biāo)的定義如下：

PTPR=NTP/(NTP+NFN)

(4)

PFPR=NTN/(NTP+NFP)

(5)

PACC=(NTN+NTP)/(NTP+NTN+NFN+NFP)

(6)

真正例(True Positive，TP)表示原始正確樣本被歸類為正確的樣本。真反例(True Negative，TN)表示最初錯(cuò)誤樣本被歸類為錯(cuò)誤的樣本。假正例(False Positive，F(xiàn)P)表示原始錯(cuò)誤樣本被歸類為正確的樣本。假反例(False Negative，F(xiàn)N)表示原始正確樣本被歸類為錯(cuò)誤的樣本。這些參數(shù)有規(guī)律地應(yīng)用于具有二分類問題中，以測(cè)試分類方法的性能。實(shí)驗(yàn)結(jié)果得到PACC，PTPR，PFPR分別為97.90%，98.38%和97.42%。

為了驗(yàn)證本文方法的分類性能，在使用相同的數(shù)據(jù)集CTU-UHB數(shù)據(jù)庫的基礎(chǔ)上，與EMD、統(tǒng)計(jì)檢驗(yàn)和短時(shí)傅里葉變換進(jìn)行比較，結(jié)果如表2所示。

表2 本文方案與前人方案比較

通過表2可以看出：本文方法的分類準(zhǔn)確率達(dá)到97.90%，優(yōu)于傳統(tǒng)胎心率分類算法。與文獻(xiàn)[7]和文獻(xiàn)[9]方法相比，本文通過采用廣義S變換對(duì)FHR信號(hào)進(jìn)行圖像變換，大大提高了模型的精度；與文獻(xiàn)[8]相比，本文方法基于AlexNet的遷移學(xué)習(xí)進(jìn)行特征自學(xué)習(xí)，省去了特征提取的繁瑣步驟；與文獻(xiàn)[9]相比，本文方法的輸出層將卷積神經(jīng)網(wǎng)絡(luò)的Softmax分類器替換成SVM，得到更好的分類效果。因此，可以通過遷移學(xué)習(xí)和SVM來提高FHR信號(hào)的分類效果。

3 結(jié)束語

本文通過研究胎兒狀態(tài)評(píng)估方法，提出基于遷移學(xué)習(xí)和SVM的胎心率分類算法，較傳統(tǒng)分類算法有更高的分類精度，且分類過程簡(jiǎn)單。本文亦存在不足之處，一方面實(shí)驗(yàn)使用的數(shù)據(jù)庫較為單一，另一方面實(shí)驗(yàn)算法沒有得到臨床驗(yàn)證，下一步把算法運(yùn)用在臨床數(shù)據(jù)中，不斷改進(jìn)算法的臨床可實(shí)踐性。