趙瀅琳，龐春穎，李爽

（長(zhǎng)春理工大學(xué) 生命科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022）

據(jù)《中國(guó)心血管健康與疾病報(bào)告2019》指出，目前我國(guó)心血管疾病患病人數(shù)約3.3億人［1］，其中心肌梗死（以下簡(jiǎn)稱：心梗）患者數(shù)量逐年增多，心梗由于發(fā)病迅速、致死殘率高、復(fù)發(fā)率高等特點(diǎn)受到人們廣泛關(guān)注。根據(jù)心電圖中ST段出現(xiàn)異常的位置，可分為廣泛前壁心梗、下壁心梗、后壁心梗等類型［2］。廣泛前壁心梗面積較大，梗死累及的導(dǎo)聯(lián)數(shù)較多，病人的預(yù)后也較差，患者會(huì)有胸痛、血壓下降、心力衰竭、心律失常等一系列的癥狀，嚴(yán)重者危及生命。廣泛前壁心?？赏ㄟ^(guò)心電圖變化早期診斷，綜合ST段抬高，T波倒置和Q波異常多種改變［3］，這對(duì)于醫(yī)生的經(jīng)驗(yàn)和資質(zhì)有著很高的要求。因此，廣泛前壁心梗的自動(dòng)檢測(cè)至關(guān)重要。

目前已有人對(duì)心梗自動(dòng)檢測(cè)進(jìn)行研究，大多是采用傳統(tǒng)的機(jī)器學(xué)習(xí)框架，通常由特征提取和分類構(gòu)成，首先對(duì)QRS波，ST-T段進(jìn)行主成分分析（PCA，Principal Component Analysis），用小波變換（WT，Wavelet Transform），多項(xiàng)式擬合等技術(shù)，利用全局特征（幅度，峰值，均值，方差等）表示節(jié)拍，然后送入分類器中進(jìn)行分類，常見(jiàn)的分類器有神經(jīng)網(wǎng)絡(luò)（NN，Neural Network），支持向量機(jī)（SVM，Support Vector Machines），K近鄰（KNN，K Nearest Neighbours），隨機(jī)森林（RF，Random Forest）。Saini R 等人［4］采用了 KNN 分類器進(jìn)行心梗自動(dòng)檢測(cè)，達(dá)到了84%的準(zhǔn)確率；Gopakumar C等人［5］用支持向量機(jī)對(duì)心梗進(jìn)行分類，準(zhǔn)確率達(dá)到94%。雖然這些方法體現(xiàn)出了良好的性能，但是需要手工提取特征值，魯棒性低，計(jì)算成本與人工成本昂貴。也有學(xué)者單純用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)檢測(cè)心梗，但是由于網(wǎng)絡(luò)層數(shù)較深，時(shí)間復(fù)雜度較大，并沒(méi)有達(dá)到預(yù)期效果。Resul Dasa等人利用神經(jīng)網(wǎng)絡(luò)、概率模型算法相結(jié)合，實(shí)現(xiàn)了心梗疾病自動(dòng)診斷，準(zhǔn)確率達(dá)89.01%。常戰(zhàn)國(guó)等人［6］利用BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合方法對(duì)12導(dǎo)聯(lián)數(shù)據(jù)進(jìn)行分析，檢測(cè)心梗的準(zhǔn)確率達(dá)到了96%。

本文針對(duì)上述問(wèn)題，提出了一種端到端的改進(jìn)多導(dǎo)聯(lián)殘差網(wǎng)絡(luò)（IMRN，Improved multi-lead residual network），該網(wǎng)絡(luò)以殘差網(wǎng)絡(luò)（ResNet，Residual Network）為基礎(chǔ)［7］，將多個(gè)導(dǎo)聯(lián)的心拍信號(hào)并行輸入，經(jīng)過(guò)空洞卷積層、池化層、歸一化層、激活層，利用融合策略將網(wǎng)絡(luò)提取的特征進(jìn)行合并最后輸出分類結(jié)果［8］。研究表明，該方式改善了心電信號(hào)在單導(dǎo)聯(lián)的特征學(xué)習(xí)過(guò)程，在加深網(wǎng)絡(luò)層數(shù)的前提下避免了模型的退化現(xiàn)象，免去了手動(dòng)提取特征值的繁瑣過(guò)程，可以更加精確地診斷廣泛前壁心梗的發(fā)生。

1 實(shí)驗(yàn)

臨床研究表明，廣泛前壁心肌梗死涉及到的導(dǎo)聯(lián)數(shù)較多，單一導(dǎo)聯(lián)的心電信號(hào)不能對(duì)其進(jìn)行較為精準(zhǔn)的預(yù)測(cè)，因此選用V1～V5共五條導(dǎo)聯(lián)信號(hào)。本文算法主要分為三個(gè)步驟，首先對(duì)心電信號(hào)進(jìn)行去噪濾波處理，把一段較長(zhǎng)的心電信號(hào)分割為一個(gè)個(gè)獨(dú)立的心拍，然后搭建輸入為五個(gè)并行信號(hào)的改進(jìn)多導(dǎo)聯(lián)殘差網(wǎng)絡(luò)模型，這里引入了空洞卷積的概念，最后加入融合特征層，對(duì)得到的信號(hào)提取主要特征，用softmax進(jìn)行分類。總體框圖如圖1所示。

圖1 總體結(jié)構(gòu)

1.1 數(shù)據(jù)集選取及預(yù)處理

本研究采用的數(shù)據(jù)來(lái)自德國(guó)柏林本杰明富蘭克林大學(xué)心臟病系的邁克爾·奧夫教授（MichaelOeff，M.D.）和德國(guó)國(guó)家計(jì)量學(xué)研究所（Physikalisch-Technische Bundesanstalt，PTB）收集 和處理的公共的ECG診斷數(shù)據(jù)庫(kù)（diagnostic ECG database），即PTB診斷數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)包含148名心?；颊撸?2名健康受試者，每個(gè)ECG記錄是根據(jù)16位的采樣精度和1 000 Hz的采樣率進(jìn)行量化，每個(gè)采樣值為2個(gè)字節(jié)，每個(gè)記錄由15個(gè)同時(shí)測(cè)量的信號(hào)組成，即3個(gè)Frank導(dǎo)聯(lián)（vx，vy，vz）和傳統(tǒng)的12導(dǎo)聯(lián)（Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6）。在大多數(shù)這些心電圖記錄的頭（.hea）文件中有一個(gè)詳細(xì)的臨床摘要，包括年齡、性別、診斷以及病史、藥物和干預(yù)、冠狀動(dòng)脈病理學(xué)、心室造影、超聲心動(dòng)圖和血流動(dòng)力學(xué)的數(shù)據(jù)。頭文件中還記錄了心梗發(fā)生的位置，本文選擇PTB數(shù)據(jù)庫(kù)中52名健康受試者和40名廣泛前壁心?；颊叩墓?88條記錄作為數(shù)據(jù)集。其中健康心拍10 646個(gè)，廣泛前壁心?；颊咝呐?3 652個(gè)。

對(duì)原始心電信號(hào)進(jìn)行去噪處理［9］。心電信號(hào)屬于強(qiáng)噪聲背景下的微弱信號(hào)，存在許多噪聲，常見(jiàn)的有基線漂移、肌電干擾、工頻干擾等噪聲，本研究采用小波變換去噪，選用波形與心電信號(hào)最為相似的Daubechies6小波基函數(shù)，能夠更好地保留心電信號(hào)峰值［10-11］。

由于心電圖QRS波形最能反映心電信號(hào)特點(diǎn)，因此對(duì)去噪后的信號(hào)進(jìn)行R波定位，這里采用潘·湯普金斯（Pan-Tompkins）算法［12］。為了保證心拍分割的完整性，根據(jù)PTB數(shù)據(jù)庫(kù)的采樣頻率，選取R波前250個(gè)點(diǎn)，R波后400個(gè)點(diǎn)組成一個(gè)完整的心拍［13］。

兩種類型心拍經(jīng)去噪處理后如圖2所示。其中圖2（a）為健康心拍，圖2（b）為廣泛前壁心梗的心拍，可以看出，廣泛前壁心梗心電圖發(fā)生了改變，具體表現(xiàn)為ST段弓背向上型抬高，寬而深的Q波、T波倒置。

圖2 心拍示例

1.2 空洞卷積

空洞卷積（dilated convolution）是指在原始的卷積層里加入空洞，使之感受野變大，且不損失原有信息［14］。空洞卷積起源于圖像分割［15］，將圖像輸入卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Network）中，經(jīng)過(guò)卷積操作時(shí)，隨著卷積核不斷移動(dòng)，會(huì)有許多像素點(diǎn)被重復(fù)卷積，再經(jīng)過(guò)池化層（pooling）減小圖像尺寸，增大感受野，此時(shí)圖像信息難免會(huì)有損失和誤差，空洞卷積因此而生。如圖3所示，圖3即是在卷積核為3×3時(shí)，不同空洞率（dilated rate）下的感受野大小，當(dāng)空洞率為1時(shí)候，空洞卷積與傳統(tǒng)卷積相同，而增加空洞率以后，感受野明顯增大?？斩淳矸e在保證卷積核不變的前提下，增加了感受野，且實(shí)現(xiàn)了池化層的下采樣功能，因此加入了空洞卷積的網(wǎng)絡(luò)可以省去池化層。

圖3 空洞卷積示意圖

1.3 殘差塊

深度學(xué)習(xí)中，隨著網(wǎng)絡(luò)層數(shù)的增加，難免會(huì)出現(xiàn)精度不夠、計(jì)算復(fù)雜度高等問(wèn)題，殘差網(wǎng)絡(luò)（Resnet）的出現(xiàn)為這種問(wèn)題提供了解決方法。殘差網(wǎng)絡(luò)在2016年首次被提出［16］，旨在提高基于Image Net數(shù)據(jù)庫(kù)的圖像分類技能，模型通過(guò)識(shí)別映射概念解決梯度消失和梯度爆炸及退化問(wèn)題。同時(shí)利用不同層次特征之間的信息整合來(lái)提取強(qiáng)相關(guān)的代表性特征［17］。殘差網(wǎng)絡(luò)主要由殘差塊組成，擁有跨層連接結(jié)構(gòu)，可以在深層次網(wǎng)絡(luò)結(jié)構(gòu)中充分訓(xùn)練，提高準(zhǔn)確率。殘差塊如圖4所示，公式如下：

圖4 殘差塊

其中，y為特定層的輸出；relu為激活函數(shù)；i為Resnet塊的輸入；conv為卷積算法；o為Resnet塊的輸出。

1.4 網(wǎng)絡(luò)結(jié)構(gòu)

本研究提出的改進(jìn)多導(dǎo)聯(lián)殘差網(wǎng)絡(luò)模型（IMRN），將部分殘差塊中的傳統(tǒng)卷積層改進(jìn)為空洞卷積，減少了重復(fù)參數(shù)的數(shù)量，減輕了網(wǎng)絡(luò)訓(xùn)練難度，不對(duì)訓(xùn)練結(jié)果造成影響。經(jīng)過(guò)一系列卷積層、殘差塊進(jìn)行處理后，送入正則化層（dropout）防止過(guò)擬合，加入特征融合層，將五導(dǎo)聯(lián)的信號(hào)特征進(jìn)行權(quán)重提取，即將輸入列表合并到一個(gè)長(zhǎng)的特征向量或者張量中，或者只保留輸入層的最大值，最后送入softmax層進(jìn)行分類［18-19］。結(jié)構(gòu)如圖5所示。

圖5 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

其中，殘差塊a和殘差塊b的具體結(jié)構(gòu)如圖6所示。

圖6 改進(jìn)殘差塊示意圖

模型中，卷積層（Covolutional）是用來(lái)提取特征，卷積層具有平移不變性、大小不變、旋轉(zhuǎn)不變的特點(diǎn)；批量歸一化層（BN，Batch Normalization，）使訓(xùn)練過(guò)程收斂速度加快，減輕梯度消失；激活函數(shù)選用非線性函數(shù)（Relu，Rectified Linear Unit）提高效率，Relu公式為：f(x)=max(0,x)，通過(guò)減少參數(shù)的依賴性來(lái)緩解過(guò)擬合的發(fā)生。

在改進(jìn)的殘差塊a中，將第一個(gè)卷積過(guò)程中卷積層設(shè)置為空洞卷積，在對(duì)心電數(shù)據(jù)進(jìn)行特征提取時(shí)，增加了感受野，減少了參數(shù)量，使用空洞卷積的優(yōu)點(diǎn)是避免了使用池化層時(shí)出現(xiàn)的信息缺失，保證了實(shí)驗(yàn)中24 298個(gè)心拍的充分利用和訓(xùn)練，提升模型的魯棒性和準(zhǔn)確率。殘差塊b的設(shè)計(jì)與普通殘差網(wǎng)絡(luò)一致，由傳統(tǒng)的卷積層、激活層、歸一化層組成，為了保證與殘差塊a輸出的維度一致，加入了池化層和零填充。

模型參數(shù)設(shè)置如下：網(wǎng)絡(luò)輸入形狀為650×1，卷積核大小統(tǒng)一設(shè)置為3，步長(zhǎng)為1，第一層卷積核數(shù)量為16個(gè)，第一組殘差塊卷積核數(shù)量為16，空洞率為2，第二組殘差塊卷積核數(shù)量為32個(gè)，空洞率為2，第三組殘差塊卷積核數(shù)量為64，空洞率為2，最后經(jīng)過(guò)特征融合，輸出分類結(jié)果。

2 實(shí)驗(yàn)及結(jié)果討論

利用梯度下降法對(duì)模型進(jìn)行訓(xùn)練，選用常見(jiàn)的優(yōu)化器Adam［20］用來(lái)更新網(wǎng)絡(luò)權(quán)重，本研究將學(xué)習(xí)率設(shè)為0.000 1，設(shè)置patience為10，即當(dāng)連續(xù)訓(xùn)練10次后結(jié)果沒(méi)有改善，訓(xùn)練就會(huì)停止。

網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，首先通過(guò)正向傳播得出損失值大小，然后需要根據(jù)損失值利用反向傳播重新調(diào)整部分參數(shù)，優(yōu)化最終模型。這里要用到損失函數(shù)，損失函數(shù)也稱為代價(jià)函數(shù)，表示的是預(yù)測(cè)值與真實(shí)值之間的差距，由于模型是一個(gè)二分類模型，分類結(jié)果服從伯努利分布，所以采用二分類交叉熵?fù)p失函數(shù)，公式如下：

其中，ti是某類別的真實(shí)值，取值為0或1；pi是某類別的預(yù)測(cè)值。損失值越小，說(shuō)明模型分類效果越好。

2.1 實(shí)驗(yàn)環(huán)境

利用Python3.6語(yǔ)言編程，采用Tensorflow作為后端的keras深度學(xué)習(xí)框架，其內(nèi)部有很多深度學(xué)習(xí)模型，計(jì)算機(jī)內(nèi)存8 GB，操作系統(tǒng)為Windows 10，處理器為Intel i7-8750H。

2.2 評(píng)價(jià)指標(biāo)

為了評(píng)估分類器性能，通過(guò)比較實(shí)際輸出和預(yù)測(cè)輸出來(lái)測(cè)量不同參數(shù)，如靈敏度（sensitivity）、特異性（specificity）、準(zhǔn)確率（accuracy）和精度（Precision，PPV）。他們的定義如下：

其中F1-score值是精度和靈敏度的調(diào)和平均數(shù)，最大為1，最小為0，也可作為評(píng)價(jià)指標(biāo)之一。TP和TN分別代表真陽(yáng)性和真陰性，F(xiàn)P和FN分別代表假陽(yáng)性和假陰性。

另外采用受試者工作特性曲線ROC-AUC（Receiver Operating Characteristic-Area Under Curve）來(lái)評(píng)價(jià)最終的二分類結(jié)果。ROC曲線縱軸為真正率（TPR靈敏度），橫軸為假正率（1-特異度FPR）。ROC曲線下面積為AUC，曲線越靠近左上角，即AUC面積越大，分類效果越好，越具有應(yīng)用價(jià)值［23］。

2.3 評(píng)估模型

為了實(shí)驗(yàn)結(jié)果的可靠性，評(píng)估模型性能，采用了K倍交叉驗(yàn)證方案。本研究選擇5折交叉驗(yàn)證。首先將整體數(shù)據(jù)集隨即劃分為5個(gè)數(shù)量相同的子集，第一次將第一份用于測(cè)試，剩下四份用于訓(xùn)練，然后將第二份用于測(cè)試，剩余四份用于訓(xùn)練，以此類推，最后將結(jié)果匯總求平均值作為最后的模型評(píng)價(jià)。示意圖如圖7所示。

圖7 五折交叉示意圖

為了體現(xiàn)文中改進(jìn)殘差網(wǎng)絡(luò)的優(yōu)越性，增加了經(jīng)典殘差網(wǎng)絡(luò)模型（Resnet）實(shí)驗(yàn)［21］的對(duì)比，即將殘差塊a和b統(tǒng)一為殘差塊b（效果等同于將空洞率設(shè)置為1），其余參數(shù)不變，將預(yù)處理的數(shù)據(jù)送入模型進(jìn)行訓(xùn)練，其ROC曲線如圖8所示?？梢钥闯?，Resnet模型AUC值為95.80%，分類效果較好，但是還有提升空間。

圖8 經(jīng)典殘差網(wǎng)絡(luò)ROC曲線

為了進(jìn)一步分析模型分類效果，圖9分別繪制了LeNet-5網(wǎng)絡(luò)、AlexNet網(wǎng)絡(luò)和多導(dǎo)聯(lián)殘差網(wǎng)絡(luò)（IMRN）相應(yīng)的ROC曲線以及對(duì)應(yīng)的AUC值。LeNet-5是最經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，由兩個(gè)卷積層、兩個(gè)池化層、兩個(gè)全連接層和一個(gè)輸出層組成［22］；AlexNet是 Hinton研究團(tuán)隊(duì)在 2012年參加的Image Net圖像識(shí)別競(jìng)賽中獲得冠軍的一種新型卷積神經(jīng)網(wǎng)絡(luò)［23］，將二者與本文算法進(jìn)行對(duì)比，對(duì)廣泛前壁心梗進(jìn)行自動(dòng)診斷，從圖9中可以看出，傳統(tǒng)LeNet網(wǎng)絡(luò)AUC值為86.54%，AlexNet網(wǎng)絡(luò)AUC值達(dá)到了93.20%，而本文提出的新算法AUC值可達(dá)到98.00%，曲線更靠近Y軸，分類性能更好。

圖9 三種模型ROC曲線對(duì)比

將三種算法及傳統(tǒng)殘差網(wǎng)絡(luò)算法的準(zhǔn)確率、靈敏度、特異性、精度與F1-score值進(jìn)行比較，如表1所示。

表1 不同模型比較

從表1中可以看出，本文提出的IMRN算法準(zhǔn)確率達(dá)到了97.85%，F(xiàn)1-score值達(dá)到96.33%，各方面參數(shù)都優(yōu)于前三種網(wǎng)絡(luò)模型。再將IMRN網(wǎng)絡(luò)與現(xiàn)有的其他文獻(xiàn)里面的準(zhǔn)確率進(jìn)行比較，如表2所示。

表2 本文算法與文獻(xiàn)中算法比較

表2中可以看出，與其他文獻(xiàn)運(yùn)用深度學(xué)習(xí)提出的網(wǎng)絡(luò)結(jié)構(gòu)相比，IMRN的準(zhǔn)確性和特異性都有明顯提升，證明了此算法的優(yōu)越性。

3 結(jié)論

針對(duì)人工診斷廣泛前壁心梗復(fù)雜度高、傳統(tǒng)機(jī)器學(xué)習(xí)算法診斷準(zhǔn)確率低的問(wèn)題，提出了一種基于改進(jìn)的多導(dǎo)聯(lián)殘差網(wǎng)絡(luò)（IMRN）模型，實(shí)現(xiàn)了廣泛前壁心梗和正常心電信號(hào)的分類，達(dá)到了97.85%的準(zhǔn)確率。將其與經(jīng)典的LeNet、AlexNet、Resnet相比較，根據(jù)ROC曲線分析，得出IMRN診斷能力更強(qiáng)。

下一步研究是將預(yù)測(cè)模型用于臨床數(shù)據(jù)的檢測(cè)，根據(jù)國(guó)人心電數(shù)據(jù)特點(diǎn)進(jìn)一步調(diào)整參數(shù)，優(yōu)化模型，從而在臨床中獲得更廣泛應(yīng)用。