基于ResNet的心电图识别研究

景恩彪，田裕，纪占林

（华北理工大学人工智能学院，唐山063210）

0 引言

社会的进步伴随着诸多隐藏的问题。由世卫组织权威报道，心血管疾病而死亡的人数在全球范围内持续增长，严重威胁到人们的正常学习和生活。对于心血管疾病的诊断，心电图（Electrocardiogram，ECG）是最实用的方法，因此被心脏病学专家广泛使用。全世界已经开发出各种心律失常自动检测技术来对患者进行诊断。

人工的诊断在长时间实时监测方面存在着不小的问题，由于心电图手工诊断心律失常非常耗时，监测巨量的数据肯定是无法实现的，实时性也得不到满足。更重要的是，医生长时间观察处理波形，肯定会感到疲劳，一些在心电图上显示的异常就有可能被忽视掉，误诊漏诊的现象不可避免，影响着识别的准确率。

计算机的出现缓解了这一问题，医生可以借助计算机更有效率地进行对心电图的诊断[1]。将计算机技术应用到医疗诊断方面，进行心电数据分析，先进通信技术与生物信号领域相结合，遇到心血管疾病时可以及早发现并做出应对。本文以心电图波形类型识别为研究方向，依据心电图标准数据集MIT-BIH的数据用小波变换、神经网络以及延伸模型残差网络等方式深层提取心电波形与心电异常事件之间的关系特征，构建精准预测模型，达到监测与预警的目的。本文从心电图监测这一研究论点着手，结合神经网络算法，以求在心电监测领域有新的突破性的研究。

1 心电分析领域的研究进展

心电图经过全球学者100多年研究与应用，在当今仍然是是检查心脏病不可或缺的手段，在监测心律失常领域的作用至关重要。1885年，生物学家Einthoven通过使用毛细管静电计对心电图波形进行记录[2]，为后世创造了一种经典的手段。

近年来，人工智能已被应用于心电图预测领域。机器学习（Machine Learning，ML）的重要分支深度学习，在预测ECG波形和异常ECG事件方面取得巨大的成功，从而提高检测精度。一种想法是将ECG信号视为一维数据，并根据应用于文本的标准方法对其进行处理。Guo等人将心电信号的波动分为四类，提出一种基于EMD和多类别有向无环图的支持向量机[3]。Thomas M等人对心电波形数据进行双树复小波变换[4]，实现了特征的自动提取。

深度学习是基于使用人工神经网络和表示学习。其中，卷积神经网络被广泛应用于许多领域。在心电信号分类中也表现出良好的性能，许多研究都取得了很好的分类精度。Hannun等人开发出一种基于34层CNN的算法[5]，利用传感和监测设备产生的单导联ECG数据检测各种心律失常。这种算法在检测心脏疾病方面比普通心脏病专家表现得更好。Sellami和Hwang提出一个具有批量加权损失的稳健Deep CNN[6]，在心电识别方面也有突出的表现。Yang等人提出一种基于ResNet的注意机制[7]，用于MIT和PTB诊断数据集中的ECG数据处理。这个模型在两个数据集中都很突出。Park等人使用一个SE-ResNet模型，该模型属于带有压缩和激励块的残差网络[8]，其性能优于ResNet基线模型。

2 基于神经网络的心电波形异常分类

2.1 卷积神经网络模型

卷积神经网络（Convolutional Neural Networks，CNN）是传统的前向传播的变种[9]，由于其对图像数据的特征设计与描述是传统机器学习方法不可比拟的，故一开始在计算机视觉方面出现并发展起来。CNN的设计灵感来源于图像中的感受野这一重要含义，类比到数据中就代表着特征。CNN由多个卷积层组成，层与层的处理功能模仿的是视觉皮层细胞处理图像的过程。图1为识别心电图的卷积神经网络。

图1 卷积神经网络整体结构

在第一阶段中，卷积核用于扫描图像，通过其滑动映射功能将样本的感受野代入网络。在卷积神经网络中，尽量加入不同尺寸、通道的卷积核来进行操作，达到信息的交互。在卷积层之后，数据通常送入池化层来对维度进行收缩，进行下采样，从而减少特征和网络的计算复杂性。需要注意的是，当每个特征映射的维数降低时，池化步骤保留了最重要的信息，常用的池化操作是最大池化。然后，第一级的输出变成第二级的输入，并采用新的卷积核。在下一阶段，CNN使用一个全连接层，然后是通常使用可以输出类别概率的Softmax激活函数进行分类[10]。

卷积运算的公式可以概括为：

池化层的作用是模仿人类视觉系统，降低数据的维数，并用更高层次的特征来指代图像[11]，公式如下：

利用最大似然函数在全连接层计算每个样本的概率，将学习到的特征映射到目标标签上，并以概率最高的标签作为分类结果，从而实现CNN分类。

2.2 ResNet结构

残差结构的目的，就是让神经网络保留基本的恒等映射的能力。这种能力可以随着网络的堆叠，保证网络训练结果至少不会发生退化。

假设神经网络的输入参数是x，目标输出是H（x），H（x）的内部结构可能无法被清晰表述。ResNet允许子模块直接学习的残差F（x）=H（x）-x使目标输出成为F（x）+x，避免了由于卷积层太多而导致的性能下降和准确率降低的问题。右侧的结构属于shortcut连接，通过在激活函数前的shortcut操作，将这一层之前的输出和通过这一层网络后得到的输出相加，将相加后的值送到激活函数中得到本层的总输出。图2为残差块结构。

图2 残差块结构

ResNet由于存在shortcut连接，假设输入为x，则输出y为：

正常的数据输入神经网络得到输出的关系如下，由于中间存在激活函数ReLU，所以考虑到双层权重，则有：

一般使用激活函数ReLU增加非线性，把函数和结构两层的权重W1与W2关联起来。

改变通道数目可以使信号的输入数据和输出数据的维度发生改变，这里在短接时对x做一个线性变换Ws，如下式。

回顾近年来提出的各大网络模型，ResNet才是从底层思想上深刻理解了DL理论体系的深层结构。除了重要的残差思想，ResNet选取常规的SGD[12]优化器，而不是使用一些新兴的优化方法。使用一个合理的初始化函数，可以最大限度的保持训练特征的完整性。得益于这种特殊结构，即便使用上百层的网络结构来构造模型也有了意义。

2.3 改进的ResNet-18模型

神经网络模型的训练效果与数据量成正比。数据量的增加，伴随着模型中个单元的连接数目增加，分类精度也就得到了提高。输入数据的维度和隐藏层的神经元数目影响着一个完全连通的神经网络的大小。一般来说，网络参数的数目会越来越多，模型变大，训练的速度自然就会比以前慢。为了解决这一问题，本文采用具有局部连接和参数共享特性的卷积神经网络。CNN可以减少模型参数的数量，从而加快模型的训练速度。对于单导联的心电波形数据，可以看作为一维时间序列，所以本文提出的研究方法对CNN进行改进，提出一种改进的ResNet-18单导联心电图自动分类模型。该模型能够从输入的心电数据中提取到有用的多个特征，从而有效地获得心电数据内部结构特征的表征，从而提高分类精度。图3显示了改进的ResNet-18模型结构。

图3 改进的ResNet-18模型

改进的ResNet-18模型分为四个部分：卷积层、经典ResNet层、改进ResNet层和全连接层。

第一部分，卷积层在获得输入数据后，进行数据的特征提取，以便为下一个更深层次的输入做好准备。

第二部分使用了经典的ResNet结构，它被认为是ECG多分类的最佳模型之一。在这一部分中，输入数据进行两次卷积，并在两次卷积之间加上修正的线性单元ReLU。ReLU对部分神经元的输出进行归零化处理，使得网络稀疏化，减少了参数间的相互依赖性。它还可以减轻过拟合问题的发生。另外，将卷积前的数据输入到最大池层，将样本划分为多个特征区域，并以某个区域的最大值作为区域代表，以减少计算量和参数数目。最后，添加两种经过不同处理的相同维数的数据，完成块模块的创建。这一步的目的是继承前一步的优化效果，使模型继续收敛。

为了获得更好的性能，在第三部分使用了改进的ResNet结构。在经典ResNet结构前加入一个批处理范数，以加快神经网络的训练速度，加快收敛速度，保持算法的稳定性。详细的模型经过7次这种结构，然后将数据发送到模型的下一部分。

最后，将输出数据特征通过全连接层变成一维向量，并用适合多目标分类的softmax函数对向量进行回归。其目的是将全连接层的输出特征向量转换成指数函数，并通过指数函数将向量进行等维映射。将所有结果相加并归一化，以概率的形式表示多分类结果。使用的softmax函数定义为：

独热编码使得实际心跳类标签对应位置为1，其余位置为0。对结果进行汇总，用来表示该分类结果的概率。当训练样本经过卷积、正则化、激活和合并后，输出数据特征从全连通层映射成一维向量，并用softmax函数计算。最后，以概率的形式给出了心跳分类的结果。

为了加快网络的收敛速度和限制过拟合现象的产生，在提出的模型中，将L2正则化[13]添加到所有卷积层和全连通层中是很重要的。加权正则化的损失函数定义为：

为了简化模型，在卷积层中加入Dropout[14]并设置为0.5，大大减少了参数数目和训练时间。

改进的ResNet-18模型被用于对ECG图像中的心跳进行分类，可从MIT-BIH数据库中获得。虽然由于时间序列的密集性，人眼很难区分心电图像中的某些区域，但借助于该模型，可以识别出每个标记图像中的标签。与其他分类模型相比，该模型可以在较短的计算时间内对复杂的混合波图像进行分类。总体上，减少了复杂图像的训练和测试时间。根据算法进行模型训练。

3 结语

综上所述，本文提出了改进的ResNet-18的神经网络模型。由于医生诊断主要是通过其形态学上的一些特征来进行判断，本文提出的ResNet-18模型在ResNet的基础上进行改进和层数的叠加，能够深层次地捕捉到心电信号的形态学特征，通过不断地进行卷积操作，最后的输出的特征能够感知到波形全局，因此能够准确地诊断心电图中的异常信号。所提模型在临床应用方面具有很大的前景，值得深层次的研究和发展。