基于CNN與GRU降噪自編碼的心電信號分類方法

燕婷 王于超 金中一

摘 要：心電圖是一種用來監(jiān)測心臟活動的標(biāo)準(zhǔn)測試。心電圖能夠體現(xiàn)心臟異常，包括心律失常，心律失常是心律異常的通稱。同一類型的心律失常在同一患者不同階段的心電信號存在一定差異，不同患者同一類型的心律失常心電信號差異會更大，這對人工判斷是一大挑戰(zhàn)。提出一種基于降噪自編碼的CNN與GRU結(jié)合的心電圖分類方法，從公共數(shù)據(jù)庫（MIT-BIH）中提取原始心電信號集中進(jìn)行實驗。該集合人為擴(kuò)大到平均5類心跳實例，并過濾掉高頻噪聲。該方法對室上（S）和心室搏動（V）的準(zhǔn)確率分別為99.49%、99.43%，靈敏度分別為90.55%、96.65%，精確率分別為91.04%、95.46%。結(jié)果表明，該模型與目前先進(jìn)水平在性能上有較大提高，具有良好的可擴(kuò)展性。

關(guān)鍵詞：心電圖信號;降噪自編碼;卷積神經(jīng)網(wǎng)絡(luò);門控循環(huán)單元

DOI： 10. 11907/rjdk.191995

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301

文獻(xiàn)標(biāo)識碼：A

文章編號：1672-7800（2020）004-0075-04

Denoising Autoencoder ECG Signal Classification Method Based on CNN and GRU

YAN Ting， WANG Yu-chao， JIN Zhong-yi

（College of Computer Science and Engineering ， Slzandong University of Science and Tech.nology ， Qingda0 2665 1 0 . Ch.ina ）Abstract： An electrocardiogram is a standard test used to monitor cardiac activity. An electrocardiogram can reflect cardiac abnormali-ties including arrhythruia . which is a general term f'or heart thythm abnormalities. The same tvpe of arrhythmia has a certain dif'ferencein ECG signals at different stages of the same patient. The difference in ECG signals between the same type of arrhythmia in differentpatients is greater， "-hich is a big challenge for manual judgment. Therefore. this paper proposes a method of ECG classification basedon CNN and G RU based on denoising autoencoders. The experiment is carried out in the original ECG signal extracted from a public da-tabase（MIT-BIH）. This set was artificially expanded to average the numher of instances of Category 5 heartbeats and filtered out highf'requency noise. The accuracy of the method f'or the supraventricular （S） and ventricular beat （V） was 99.49% . 99.43， the sensitivitywere 90.55% . 96.65% . respectively and the accuracy rate were 91.04% . 95.46%. The experiment showed that compared with the ad-vanced level. the model ' s the perforruance has heen greatly iruproved and has good scalability.Key Words ： ECG classif'ication; denoising autoencoder; convolutional neural network; gated recurrent unit

O 引言

在心臟疾病的臨床診斷中，心律失?！袝r表現(xiàn)為心臟功能的嚴(yán)重改變，如果不及時有效治療，可能導(dǎo)致腦猝死或心臟猝死。因此，對心律失常的早期診斷、臨床分析和治療策略至關(guān)重要。心電圖（ECG）是一種無創(chuàng)的廉價技術(shù)，常用來檢測心律異常，測量一段時間內(nèi)心臟的電活動。

心電圖分類醫(yī)學(xué)儀器促進(jìn)協(xié)會（AAMI）[2]標(biāo)準(zhǔn)定義5種類型：正常（N）、心室（v）、室上（S）、正常和心室融合（F）和未知搏動（0）?，F(xiàn)有的心拍分類方法主要是深度學(xué)習(xí)[3]方法，包括深度信念網(wǎng)絡(luò)（DBNs）[4-5]、白編碼器（DAE）[6-7]、卷積神經(jīng)網(wǎng)絡(luò)CNNs）[8-9]。深度學(xué)習(xí)在圖像分類[10]、目標(biāo)識別[11-12]、人臉識別等許多應(yīng)用中效果很好。對分割后的ECGs采用11層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理[13]，最大精度達(dá)到93.18%。一個深度殘差神經(jīng)元網(wǎng)絡(luò)[14-15]直接應(yīng)用34層深度CNN對陣列進(jìn)行分類，不需要任何復(fù)雜的預(yù)處理和特征工程步驟，這種方法通過使用比其它同類方法大500倍的數(shù)據(jù)集實現(xiàn)了心臟病學(xué)家級別的性能。

傳統(tǒng)的ECG信號分類方法需要提前知道一定的信號先驗知識，或經(jīng)常需要專家進(jìn)行手動標(biāo)注，耗費(fèi)大量時間，準(zhǔn)確性和效率往往差異很大，且不利于穿戴式設(shè)備應(yīng)用?；谶@些不足，本文提出一種基于降噪白編碼模式的CNN與GRU結(jié)合的心電分類方法，提高了心電圖（ECG）信號分類準(zhǔn)確性和效率，并有利于可穿戴設(shè)備應(yīng)用。

1數(shù)據(jù)處理

1.1數(shù)據(jù)庫選擇

本文選用的MIT-BIH心律失常數(shù)據(jù)庫[16]。包含48條半小時的2導(dǎo)聯(lián)動態(tài)心電圖記錄，錄音采樣頻率是360Hz，所有記錄都包含原始心電信號，并由兩名或兩名以上心臟病專家分別進(jìn)行逐拍標(biāo)記，被標(biāo)記的心跳總數(shù)為108655次。這些心跳分成15種不同的類型，如表1所示。4個記錄（102、104、107和217）被排除在外，因為它們包含有節(jié)奏的心跳。剩下的44條記錄分為訓(xùn)練集、測試集和驗證集，本文選用的是導(dǎo)聯(lián)Ⅱ。

1.2數(shù)據(jù)預(yù)處理

與文獻(xiàn)[17-18]類似，所有心電信號都是先用200ms寬度的中值濾波去除P波和QRS波，再用600ms寬度的中值濾波去除T波。利用原始輸入的ECG信號減去利用中值濾波器去除完的P波、QRS波和T波，得到的信號便是基線校正后的ECG信號。然后采用截止頻率為35Hz的12階低通濾波器去除電源線和高頻噪聲.最終得到本文所需要的ECG信號，如圖l所示。

1.3數(shù)據(jù)分割

數(shù)據(jù)分割先要進(jìn)行R峰檢測。由于在MIT-BIH數(shù)據(jù)庫中給出了準(zhǔn)確的R峰位置，因此本文直接使用原有的R峰位置劃分心拍。在MIT-BIH數(shù)據(jù)庫所給的R峰中，去除第一個R峰與最后一個R峰，取每個R峰與前一個R峰和后一個R峰的RR間隔的一半之和為一個心拍，運(yùn)用插值法對剩余的n-2個心拍進(jìn)行降采樣，降為60維即一個心拍的長度為60，其中包含P-QRS-T波，如圖2所示。眾所周知，時間信息對于識別類簽名非常重要，因此添加4個時間特性，即前RR間隔、后RR間隔、局部RR間隔和全局RR間隔。每一個R峰與前一個R峰的RR間隔為前RR間隔，與后一個R峰的RR間隔為后RR間隔，局部RR間隔是在lOs內(nèi)通過滑動R峰窗口得到的所有R峰間隔的平均值。全局RR間隔是在5分鐘內(nèi)通過滑動R峰窗口得到的所有R峰中平均值，最終拼接成64維矩陣輸入模型。

2模型

2.1降噪自編碼模型

白編碼模型是一種壓縮再解壓過程。本文的降噪白編碼在訓(xùn)練過程中輸入的數(shù)據(jù)有一部分是“損壞”的。DAE（ Denoising Autoencoder）的核心思想是，一個能夠恢復(fù)出原始信號的神經(jīng)網(wǎng)絡(luò)表達(dá)未必是最好的，能夠?qū)Α皳p壞”的原始數(shù)據(jù)編碼、解碼，然后還能恢復(fù)真正的原始數(shù)據(jù)，這樣的特征才是好的。選擇降噪白編碼原因是，白編碼學(xué)習(xí)只是對輸入的原始數(shù)據(jù)加以保存，并不能確保從中獲得重要的特征表示;而降噪白編碼器可以通過對輸人數(shù)據(jù)加入噪聲重構(gòu)含有噪聲的輸入數(shù)據(jù)解決該問題。降噪白編碼分為數(shù)據(jù)損壞、編碼和解碼階段。

（1）原始數(shù)據(jù)“損壞”階段。本文給原始數(shù)據(jù)加入15dB的高斯白噪聲，如圖3所示。

（2）編碼階段。對加入高斯噪聲之后的ECG信號進(jìn)行壓縮，編碼階段公式如下：

（3）解碼階段。對進(jìn)行編碼后的ECG信號進(jìn)行解壓，解碼階段公式如下： 2.2 CNN模型

卷積神經(jīng)網(wǎng)絡(luò)是一種特征提取器，其中包含了卷積層和子采樣層。在卷積神經(jīng)網(wǎng)絡(luò)的卷積層中，一個神經(jīng)元只能與很少的部分神經(jīng)元相互連接。CNN權(quán)值共享的特點(diǎn)減少了相應(yīng)的訓(xùn)練參數(shù)，相同的權(quán)值可以使濾波器的檢測結(jié)果不受信號位置影響，池化運(yùn)算降低了網(wǎng)絡(luò)的空間分辨率，從而消除了信號的微小偏移和扭曲。對輸入數(shù)據(jù)的平移不變性要求不高，使訓(xùn)練出來的模型具有較強(qiáng)的泛化能力，卷積的矩陣尺寸如式3所示。

其中，w為卷積層的矩陣大小，F(xiàn)為卷積核大小，s為卷積核移動幅度，P為零填充邊界寬度。

2.3 GRU模型

GRU模型是遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的一種變體，GRU層有更新門和重置門兩個門，相對于RNN而言，GRU可以很好地解決其梯度消失和梯度爆炸問題，因此GRU是對遞歸神經(jīng)網(wǎng)絡(luò)（ RNN）的一種改進(jìn)。重置門r可由公式（4）計算得到。

其中，r，是用來計算候選隱藏層的，即前一時刻隱藏層h，中的信息有多少保留在當(dāng)前時刻 ，中;x，為f時刻隱藏層所輸入的心電圖信號，h，1為t時刻前一個時間點(diǎn)輸出的心電圖信號，W為重置門權(quán)值，U為f時刻的前一時刻隱藏層中重置門的權(quán)值。通過公式（5）計算更新門。

z，指前一個時間點(diǎn)隱藏層h，忘記多少信息，候選隱藏層 加入了多少信息。W，為更新門權(quán)值，U.為f時刻的前一個時間更新門權(quán)值，最終輸出結(jié)果通過公式（6）計算得到。其中h見公式（7）。

式中，U為f時刻前一個時間點(diǎn)隱藏層權(quán)重，w為候選隱藏層權(quán)值。GRU不但在訓(xùn)練樣本較少情況下可以防止訓(xùn)練出現(xiàn)過擬合，而且在訓(xùn)練樣本多的時候可以節(jié)省訓(xùn)練時間。

2.4實驗?zāi)Ｐ?/p>

本文采用基于降噪白編碼的CNN與GRU結(jié)合的心電分類方法，在編碼階段使用兩層卷積和兩層GRU，在解碼階段僅使用兩層卷積，在一定程度上節(jié)省了很多訓(xùn)練時間，實驗?zāi)Ｐ腿鐖D4所示。

3 實驗結(jié)果

通過對MIT-BIH數(shù)據(jù)庫進(jìn)行訓(xùn)練與測試，得到測試集的混淆矩陣如表2所示。

通過混淆矩陣可以算出測試集的準(zhǔn)確率、精確率和靈敏度。準(zhǔn)確率指分類模型中所有判斷正確的結(jié)果占總觀測值的比重;精確率指模型預(yù)測為positive的所有結(jié)果中，模型預(yù)測正確的比重;靈敏度指真實值為positive的所有結(jié)果中，模型預(yù)測正確的比重。由于在MIT-BIH數(shù)據(jù)庫中，類F和Q在數(shù)據(jù)集中的比例非常?。ㄐ∮?%），因此這兩類分類性能對總體性能貢獻(xiàn)不大。另一方面，S類和V類的比例更高（約10%）[19]。這兩類包含了大多數(shù)心律失常，因此把重點(diǎn)放在這兩類上。對比結(jié)果[20]如表3所示。

4 結(jié)語

本文采用基于降噪白編碼的兩層卷積神經(jīng)網(wǎng)絡(luò)和GRU神經(jīng)網(wǎng)絡(luò)，不僅提高了心電圖（ECG）信號分類的準(zhǔn)確性和效率，而且采用的兩層卷積神經(jīng)網(wǎng)絡(luò)在一定程度上可以滿足可穿戴設(shè)備應(yīng)用。后續(xù)將從以下幾方面進(jìn)行深入研究：①多導(dǎo)聯(lián)心電數(shù)據(jù)處理;②用可變窗口對心律失常變長進(jìn)行分類;③分析更多導(dǎo)聯(lián)（2-12）的心電信號片段;④在臨床環(huán)境中對提出的方法進(jìn)行測試。

參考文獻(xiàn)：

[1]陳學(xué)琴.基于心電圖分析的心率失常分類[D].北京：北京交通大

學(xué)，2011.

[2]DEANS. ZANDRA C. Recommended practice for testing and report-ing performance results of rentricular arrhmtmia detection algorithms[c].Arlington：Associatinn Advanc.ement Medical Instrumentation ，1987.

[3]張文輝基于深度學(xué)習(xí)的監(jiān)控視頻車輛實時監(jiān)測[J].軟件導(dǎo)刊，2019，18（7）：37-40.

[4]HINTON G E. OSINDERO S Y.A fast learning algorithm for deep he-lief nets[J]. Neural Comput， 2006（18）： 1527-1554

[5]朱龍飛，王鵬程.基于深度信念網(wǎng)絡(luò)的腦電信號疲勞檢測系統(tǒng)[J].計算機(jī)測量與控制，2019，27（5）：26-29，34

[6]SWIETOJANSKI P， GHOSHAL A. RENALS S.Convolutional neuralnetworks for distant speech recngnition[J].IEEE Signal Process. Lett，2014（21）：1120-1124.

[7]崔廣新，李殿奎基于自編碼算法的深度學(xué)習(xí)綜述[J].計算機(jī)系統(tǒng)

應(yīng)用，2018，27（9）：47-51.

[8]SCHMIDHUBER J Deep learning in neural networks： An overview[J] Neural lYretw， 2015（ 61）：85-117.

[9]高碩，許少華.一種集成CNN模型及其在ECG信號分類中的應(yīng)用

[J]軟件導(dǎo)刊，2019. 18（7）：24-27.

[lo]]楊鑫，楊晶東基于多分支網(wǎng)絡(luò)的圖像分類算法[J].軟件導(dǎo)刊，

2019.18（7）：56-59.

[11]BAI J，WU Y. ZHANG J，et al. Subset based deep learning forRCB-D object recognition[J]. Neurocomputing， 2015（165）：280-292

[12]程嘉遠(yuǎn)，于小紅.不確定性理論在通信目標(biāo)識別中的應(yīng)用[J]火力與指揮控制，2018，43（8）：96-101.

[13]ACHARYA U R. FUJITA H. GERTYCH A. et al. Automated iden- tification of shockable and non-shockahle life-threatening ventricu-lar arrhvthmias using convolu tional neural network[J].Future Gener-ation Computer Svstems， 2018（79）： 952-959.

[14]RAJPURKAR P. HANNUNr A. PREPRINT M H. Cardiologist-levelarrh＼'thmia detection with convolutional neural netwnrks[DB/OL].https： //aixiv.org/pdf/1707 .01 836.pdf

[15]HE K.ZHANC X. REN S，et al. Deep residual learning for image rec-ognition[EB/OL].https： //blog.csdn.net/wspba/article/details/57074389.

[16]TAN J H. HACIWARA Y. PANG W，et al. Application nf stackedcon，'olutional and long shoit-tPrm memorv network for accurate iden-tification of CAD ECG signals[J]. Computers in Biology and Medi-cine. 2018（94）：19-26.

[17] DE CHAZAL P.0'DWYER M，REILLY R B，Automatic classififi-cation of heartheats using ECC morphology and heartbeat interval fea-tures[J].IEEE Transactions on Biome dic al Engineering， 2004（51）：1196-1206.

[18]DE CHAZAL P， REILLY R B A patient-adapting heartbeat classifi-fier using ECG morphology and heanbeat interval features[ Jl. IEEETransactions on Binmedical EWineering， 2006（53）： 2535-2543.

[19]XL S S，MAK M W.CHEUNG C C Towards end-tr）-end ECG classi-fication with raw signal extraction and deep neural networks[J].IEEE Journal of Biomedical and Health Informatics， 2018（5）：287-351

[20]ACHARYA L R， OH S L， HACIWARA Y. et al.A deep convolu-tional neural network model to classifv heartbeats [J]. Computers inBiology and Medicine，2017（89）： 389-396.

（責(zé)任編輯：杜能鋼）

收稿日期：2019-07-11

作者簡介：燕婷（1995-），女，山東科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院碩士研究生，研究方向為人工智能。