基于卷积神经网络的房室肥大心电图的自动识别与分类诊断

佟彦妮，张瑞卿，沈阳，蒋华，常世杰，沙宪政

1 中国医科大学 生物医学工程系，沈阳市，110122

2 中国医科大学附属第一医院 心血管内科，沈阳市，110054

0 引言

心房、心室肥大是由于心脏房室负荷过重，引起普通心肌壁增厚，房室腔扩大。房室肥大常由某些心脏疾病，如二尖瓣心脏病、先天性心脏病、室间隔缺损等引起。通过心电图（ECG）对心脏运作的观察，其得出的结论可作为临床上判别房室肥大的标准之一。心房、心室分别除极产生的对应于ECG上的P波、QRS波群，其形态与幅值对房室肥大的诊断具有重要意义。传统分析ECG的标准模式通常由以下步骤组成：预处理[1]、心拍分割[2-3]、特征提取[4]与分类。近年来，卷积神经网络（CNN）作为深度学习的模型之一，其内部通过卷积层、池化层、全连接层的不同组合并与不同形式的损失函数相结合以实现不同的功能，应用于多个领域。由CNN衍生出来的模型包括U-Net[5]、Faster R-CNN[6]、YOLO[7]、GAN[8]等分别应用于信号图像分割、目标检测、有监督与无监督学习等方面。CNN的应用也拓展到了ECG识别分析领域，ACHARYA等[9]利用CNN区分3类心律失常与正常ECG，其测试集的敏感度、特异度以及准确率分别达到了98.09%、93.13%和92.50%；HANNUN等[10]利用ResNet CNN对12类不同节律的ECG进行分类，其测试结果的AUC均值为0.97，F1-Score为0.837。

本研究采用传统与卷积神经网络方法相结合的方式，搭建10层一维CNN识别分析房室肥大ECG，以实现临床ECG的辅助分类诊断。

1 方法

1.1 预处理

本研究所使用的心电图数据由中国医科大学附属第一医院数据库（CMUH1）提供。其中数据均采集于2013—2017年间来院进行标准12导联静态心电图检查的患者。心电图采样率为560 Hz。因房室肥大心电图P波、QRS波的异常改变在Ⅰ、Ⅱ、V1与V5导联较为显著，本文从12导联原始心电数据中仅提取这4个导联的记录，每条记录时长为2.5 s。

数据挑选完成后，利用db5小波对心电信号进行8层分解以滤除基线漂移和高频噪声。图1显示了原始以及分解重构后的心电信号。

图1 利用小波变换对心电信号滤波前后对比图Fig.1 Comparison of ECG signal before and after filtering by wavelet transform

对于滤除噪声后的心电数据，利用Pan-Tompkins算法，检测R波峰值点。定位R波波峰后，在其前、后方各取140、224个点，并以这365个点构成一个心拍。对心拍采集的描述如图2所示。

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

本实验从CMUH1中随机挑选出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）心电图（患者的性别、年龄以及检查时间均随机），并对其进行分割以采集心拍。因心房肥大心电图数据量较少，分割心拍不仅可以扩增数据并且可以减少冗余信息。其中正常心电图指无肥大症状的心电图。心电图各导联为同步测量，其从不同方位反映出心脏的运作状况，因此将从四个导联I、II、V1、V5提取出的心拍数据以并联的形式连接，每四个心拍的并联组合作为数据集中的一条样本数据。最终右心房肥大、左心房肥大、右心室肥大、左心室肥大以及正常心电图的心电样本数分别为69、52、176、826以及1 042。根据每条样本数据所属类别，为其打上不同的标签。考虑到左、右心房肥大心电信号的数据量较少，而且心房肥大心电图的异常主要体现在P波的异常，因此在实验中将左、右心房肥大两类心电图合并为心房肥大一类心电图。标签0、1、2、3分别对应正常、心房肥大（AH）、右心室肥大、左心室肥大心电图。

1.2 CNN

本研究使用的CNN结构如图3所示。前半部分的卷积模块实现了CNN的特征提取功能。模块中的前6层为3组卷积层与池化层的交替组合，可以逐级提取由粗粒度到细粒度的特征。卷积操作中，输入层的部分神经元与输出层的单个神经元进行局部连接，输入与对应的连接权值加权求和并与偏置值相加，最后通过激活函数激活以得到输出值。本研究选取ReLu激活函数[11]为模型注入非线性元素，可以有效避免模型训练过程中出现的梯度消失问题。池化操作中，选取卷积核所覆盖区域的最大值作为输出值。最大池化层可极大地减少需要训练的参数，对于在训练过程中拥有大量参数的CNN模型，池化层可以降低计算负担，同时增强模型的鲁棒性。卷积模块中每层输出的特征图数量均为128。CNN模型的后半部分由三个全连接层组成，其中嵌入了Dropout正则化[12]，在训练过程中，其以0.5的概率随机丢弃全连接层中的神经元以避免过拟合的发生。网络的最后一个全连接层由Softmax函数[13]激活，从而实现多分类的输出。

图3 本研究所用CNN结构图Fig.3 Structure of CNN in the study

网络搭建完成后，将处理好的心电数据制作成数据集以适应模型的输入。训练集表达为A={(Xi,Yi),i=1,2,…,n},Xi代表由四个导联的心拍数据并联构成的输入，Y∈{0，1，2，3}为Xi所对应的真实标签。这里Yi=0，Yi=1，Yi=2和Yi=3分别代表正常、心房肥大（AH）、右心室肥大以及左心室肥大心电图。网络各层之间通过权重ω=(ω[1],ω[2],…,ω[n])和偏置b=(b[1],b[2],…,b[n])连接，n代表某一层在网络中的排列顺序。网络输出层的神经元数量与分类个数相对应，每个神经元通过Softmax激活后得到预测值其含义为模型的损失函数表达如下：

整个CNN的训练以最小化损失函数为目的。训练过程中，权重ω和偏置b通过模型内置的Adam优化器[14]进行更新，优化器中的超参数β1，β2分别设置为0.9，0.999。

2 结果

区分房室肥大与正常心电图的结果通过ROC（Receiver Operating Characteristic）曲线（图4）展示。ROC曲线的横纵轴分别代表假阳性率（FPR）与真阳性率（TPR）。这里，房室肥大与正常心电图的真实标签分别为阳性与阴性。AUC值为ROC曲线下的面积，其值越大代表模型的分类效果越好。本实验的训练集与测试集划分如下，随机抽取（患者的性别、年龄以及检查时间均随机）533条正常心电图数据与549条房室肥大心电图数据作为训练集，余下的509条正常心电图数据与574条房室肥大心电图数据则作为测试集。

从所有的心电数据中随机抽取一半作为训练集（1 082条数据），余下的则作为测试集，四分类的混淆矩阵结果如表1所示。

心房肥大，左、右心室肥大与正常心电图四分类的五折交叉验证结果如表2所示。表中选取Sensitivity（真阳性率）、Precision（精确率）以及F1分数对模型的分类性能进行展现。其中F1-score计算如下：

图4 房室肥大与正常心电图二分类ROC曲线图Fig.4 ROC of differentiating AVH and Normal ECG

Recall等同于真阳性率。

表1 四分类的混淆矩阵结果Tab.1 Confusion matrix for 4 classes

表2 四分类的五折交叉验证结果Tab.2 Five-fold validation results of 4 classification

3 讨论

在识别房室肥大心电图的实验中，网络的最后输出层只有一个神经元，并使用Sigmoid函数激活以得到输入心电图为阳性的概率。根据测试集的结果绘制的ROC曲线图，其AUC值达到0.991，证明该CNN模型可以很好地对房室肥大心电图进行识别。在对心房肥大以及左、右心室肥大心电图的分类诊断中，综合观察表1的混淆矩阵与表2的交叉验证结果得到，正常以及左心室肥大的分类效果整体要优于心房肥大和右心室肥大。分析原因得出，深度学习取得良好效果的关键之一是训练集的数量要大，而心房肥大以及右心室肥大心电图的数据量要明显低于其他两类，造成其分类结果较差。但由于右心室肥大心电图在对应导联特征较为突出，与其他三类相比差别也较大，因此其分类的敏感度较高可以达到0.992。此外，正常心电图与左心室肥大心电图分类时，结果会出现混淆，临床上左心室肥大最突出的特征即为R波电压增高，这个特点也是医生判定左心室肥大的重要依据，而有些心电图其R波电压会突增，但未达到左心室肥大的诊断标准，此时会比较容易出现误判。通过对表1、2的观察还可得出，大部分分类错误的心房肥大心电图会被视作正常心电图，分析得到，在临床上心房肥大心电图的异常主要表现为P波宽度或幅值的异常，与正常心电图相比此变化有时较为细微，也是认为观察时容易漏掉的细节，因此计算机在进行判断时也容易发生误诊。

本实验综合考虑一维心电信号的特性，构造CNN网络并为其设置合理的参数，实现了心电信号特征的自动提取与筛选，并利用提取到的特征对房室肥大心电图进行自动分析诊断。其最后的测试结果也展现了较高的灵敏度与准确率，证明本方法可以辅助医生对心电图进行识别诊断，提高临床工作效率，并更好地服务于患者。接下来的研究中，会扩展算法在心电领域的应用范围，利用更多类型的心脏病对算法进行测试，并加以改进算法，使其发挥出更大的价值服务于社会。