基于稀疏连接残差网络的心脏传导阻滞精确定位的自动识别

2019-04-11齐继张瑞卿沈阳常世杰沙宪政

中国医疗器械杂志 2019年2期

齐继，张瑞卿，沈阳，常世杰，沙宪政

0 引言

心脏传导阻滞指由于心肌传导组织发生病理性改变，导致起搏细胞发出的动作电位的传递出现障碍，产生传导被阻或传导延缓的现象，是心律失常的表征之一。心脏传导阻滞常见于急性心肌梗死、病毒性心肌炎、心内膜炎等心血管病[1]。心脏传导阻滞按部位分为完全左、右束支阻滞，不完全左、右束支阻滞，及左前分支、左后分支阻滞，按严重程度分为Io、IIo和IIIo传导阻滞[2]。对于大多数心脏传导阻滞的诊断，临床检查最常用的方法是心电图。利用传统的数字信号处理方法，如小波变换等对心电数据进行处理，能够达到较高的识别率[3]。但如果想利用数字信号处理的方法识别心电数据特征，则需要人工提取每一种特征。深度学习技术使用大数据对设计的模型进行训练，使得模型能够自动提取数据之间隐含的特征，进而能够识别心电信号所表现出的疾病。

在心电识别领域，KIRANYAZ等[4]基于MIT-BIH数据库，利用卷积神经网络(Convolutional Neural Network, CNN)[5]模型进行训练，对心室异位节拍的识别准确率为99%，对室上性异位节拍的识别准确率为97.4%； RAJPURKAR等[6]基于实验室构建的心电数据库，利用CNN模型对14种心律失常数据进行研究，得到80.9%的平均识别准确率；ISIN等[7]基于MIT-BIH数据库，利用CNN对MIT-BIH数据进行三分类，得到92.4%的准确率。目前，还没有心脏传导阻滞定位的相关研究。

深度学习是机器学习的分支，是人工智能应用的一部分，在图像分析、语音识别、自然语言处理等领域均表现出强大的性能。其主要框架[8-12]有卷积神经网络(Convolutional Neural Network, CNN)、循环神经网络(Recurrent Neural Networks，RNN)等，其中CNN在数据识别中的应用较为广泛，CNN的变体如GoogLeNet[13]、VGG[14]、ResNet[15]等网络，对于复杂数据有更好的分类效果。本文在CNN的基础上提出多分辨率稀疏连接残差网络，该网络能够应用于心脏传导阻滞定位的自动识别，并可以辅助医生进行心血管疾病的诊断，有一定的临床意义。

1 深度神经网络算法

1.1 卷积神经网络(CNN)及其改进算法

CNN是一种复杂的神经网络（如图1所示），它的中间层有若干组卷积层与池化层组成，卷积层对输入层数据进行卷积运算，产生特征映射图，完成局部特征提取的第一步，确定局部特征与其他特征之间的位置关系，然后根据池化窗口的大小，对特征映射图进行池化操作，融合相似的局部特征，再通过激活函数得到特征映射图。用同样的方法进行n次卷积和池化操作，最后输入到全连接层，得到输出。

图1 卷积神经网络Fig.1 Convolutional neural network

CNN的卷积层和池化层可以用下式表示：

其中，yjl表示第l层的j个输出，Mj表示特征映射图的集合，f是激活函数，k为权值矩阵的对应值，b表示加法偏置，β表示乘法偏置，down表示下采样函数。

ResNet是CNN的一种变体，用来解决退化以及网络过深时无法训练的问题[15]。如图2所示，ResNet 的主要特点是跨层连接，它通过引入短连接技术将输入跨层传递后与卷积之后的结果相加。ResNet 使得底层的网络能够得到充分训练，准确率也随着深度的加深而得到显著提升。

通过预实验，利用上述传统方法处理心脏传导阻滞数据时，遇到了网络模型在训练过程中无法收敛的问题。

图2 残差网络模块Fig.2 A block of residual networks

1.2 稀疏连接残差网络(Sparsely Connected ResNet，RSCR)

本研究设计了如图3所示的网络结构，它有1个输入层和1个输出层，隐藏层由1个卷积层、2个最大池化(Max Pool)层和3组ResNet模块构成，每组ResNet模块含有10个卷积层，本网络结构共有31个卷积层。卷积核的大小是1×9。第一个卷积层对应的输出节点数为32，每组ResNet模块分别对应128、128、256个输出节点。

图3 稀疏连接残差网络Fig.3 Sparsely connected ResNet

训练步骤如下：

（1）训练集数据进入第1层卷积层，通过修正线性单元（Recitified Linear Units，ReLU）函数进行激活，ReLU可以有效克服梯度消失问题，并提高训练效率[16]。

（2）第2层为最大池化（Max Pool）层，再通过ReLU激活后的输出分为两个支路，其中一个支路继续沿着主框架向下进行训练，另一个支路保留数据信息，连接到第1组ResNet 模块的输出端。

（3）第1组的ResNet 模块间的输出分为两个支路，其中一条支路经ReLU激活函数和Max Pool层处理后，沿主框架向下训练，另一条支路直接连接到第2组 ResNet 模块的输出端。

（4）第2组的ResNet 模块间的输出分为两个支路，其中一条支路经ReLU激活后，沿主框架向下训练，另一条支路直接连接到第3组 ResNet 模块的输出端。

（5）最后通过平均池化（Average Pool）层、全连接层和softmax分类器得到最终输出。

需要指出的是，每个卷积层之后都伴随一个批量归一化（Batch Normalization，BN）层，BN层是一种训练优化方法，用来解决Covariate Shift的问题，即把每层网络任意神经元的输入值限制为均值为0方差为1的正态分布，使得梯度变大，训练过程收敛快，加快训练速度，避免梯度消失问题[17]。

这里将该网络结构称为稀疏连接残差网络（Sparsely Connected ResNet，RSCR）。

2 数据处理与提取

本文采用MIT-BIH标准数据库进行训练和验证。

MIT-BIH是美国麻省理工学院提供的研究心律失常的数据库，该数据库采集了48位患者的心电数据并以心拍的形式进行记录，采样率为360 Hz。本文根据MIT-BIH数据注释文件的特点设计提取的规则为：选择二导联数据，先找到注释文件中标注阻滞注释的心拍，之后以此为中心截取10 s的数据长度，形成一个样本，每条样本提取3 600个电位数据，之后进行线性插值运算，使每个样本具有5 600个数据点，从而实现数据的扩增。

从MIT-BIH数据库提取的训练集与测试集数据分布如表1所示，训练集数据有右束支传导阻滞（RBBB）、左束支阻滞（LBBB）和正常（NORMAL）心电数据各1 000条，共计3 000条；测试集有RBBB、LBBB、NORMAL各250条共计750条数据。

表1 训练集与测试集的数据分布Tab.1 The distribution of training set and test set

3 结果

3.1 模型训练方法

本文采用较为精短的LeNet34、Vgg16、ResNet34、RAJPURKAR[6]提出的模型与本文提出的RSCR进行对比。利用MIT-BIH训练集数据对五种模型分别进行训练，测试集数据输入到训练好的模型中，得出模型的分类结果。

本文采用的开发平台是Windows 10操作系统，CNTK 2.0，编程语言是python 3.5.2。计算机配置：Intel Core i3-2120 3.3 GHz，显卡为NVIDIA GeForce GTX1080，显存大小为8 GB，内存大小为16 GB。

本文采用的RSCR网络模型参数设置如下：

学习率设置为0.000 025～0.000 1，训练集和测试集的输入数据矩阵大小均为1×1×5 600，故输入层的节点数为5 600，隐藏层的节点数为32～256。

3.2 基于不同网络的识别结果分析

本文从MIT-BIH数据库选取如表1所示的训练集与测试集数据，分别基于LeNet34、Vgg16、ResNet34、MRSCR以及RAJPURKAR[6]提出的网络模型进行训练，识别结果如表2所示，RSCR的准确率为95.2%，均高于其他四种网络。

表2 RSCR与经典模型测试集识别准确率对比Tab.2 Comparison of RSCR and classic models' identify precision on test data

进一步分析实验结果，为了体现训练集数据在训练过程中的收敛情况，得到上述五种模型的收敛曲线如图4所示。可见相较于其他网络，RSCR收敛曲线更加平滑，收敛效果更好。在训练过程中RSCR的识别错误率能够降得较低，并且维持在比较稳定的水平。

4 讨论

本文提出MRSCR网络并将其用于心脏传导阻滞精确定位的自动识别。首先，从MIT-BIH数据库中提取训练集数据用于训练神经网络模型，提取测试集数据用于评估模型识别效果。然后，将传统的深度神经网络与RSCR进行对比。最后，对RSCR模型的分类结果进行可视化处理。

对MIT-BIH数据库进行三分类，RSCR的识别准确率均高于RAJPURKAR提出的模型以及LeNet34等其他深度学习模型；在RAJPURKAR等[6]的试验中，临床专家对完全心脏传导阻滞的识别准确率为70%，RSCR模型的识别准确率为95.2%，高于临床专家的识别准确率；在ISIN等[7]的试验中，识别准确率为92.4%，与前者相比，RSCR准确率略高，并省去了噪声处理、数据预处理等复杂的人工特征提取步骤。由实验可知，在心脏传导阻滞定位识别方面，RSCR有较高的准确率和较好的临床诊断效果，可以应用于临床心电图辅助诊断任务，也可以与硬件相结合，开发带有辅助诊断功能的家用心电监护便携设备，用于家庭日常监护诊断和预警。在以后的研究中，将对心脏传导阻滞以外的心电数据进行深度神经网络训练，使其能够识别更多种类的心血管疾病，从而在临床心电数据自动诊断中实现更广泛的应用。