基于深度学习的心电信号特征点检测的算法研究

梁晓洪,宋宁宁,刘成友,田书畅,张华伟,秦航

(南京医科大学附属南京医院(南京市第一医院),南京 210006)

0 引言

心电图是诊断心脏疾病的基本依据,可为临床医生提供重要信息。常规心电波形主要由P波、QRS波群和T波组成。临床上通过分析这三种波形的状态、持续时间、振幅和波段(PR间期、ST段和QT间期等)检测患者的心脏状况,但心电信号是非平稳信号,极易受噪声干扰,且不同患者间的差异性使得异常心电信号的识别成为一项极具挑战性的工作[1]。

心电信号特征点识别可从心电信号中自动提取重要特征,以辅助医生做出进一步决策。基于此,研究者提出了多种算法进行心电信号特征点的自动识别,如Pan and Tompkins[2]、小波变换[3]、经验模态分解[4-5]和希尔伯特变换[6-7]等,该类方法将心电信号进行时频变换以增强待检测波形,并借助不同的经验阈值进行各类波形检测。

随着深度学习的发展,许多研究将其运用至波形特征点检测中。Sodmann等[8]利用一种具有不同内核大小的新型卷积神经网络(convolution neural network,CNN)进行P波、QRS波群和T波的自动识别,取得了显著的检测性能;Abrishami等[9]和Nurmaini等[10]使用双向长短期记忆(bidirectional long term and short term memory,BiLSTM)将心电波形分为三类。Peimankar等[11]开发了一种CNN-2BiLSTM网络,用于心电信号各类波形的识别。结果表明,结合CNN和LSTM的模型比单一CNN或LSTM模型具有更好的识别性能。

然而,以上信号处理算法主要存在以下问题:一是大多数算法借助经验设定阈值,在信号噪声水平较高时,经验阈值失效导致波形检测性能较差;二是由于大多数算法需要预先指定阈值或其他假设,缺乏对未知数据库的泛化能力;三是缺乏详尽带有注释的心电数据库,大多数实验只在公开数据库[12]上进行,基于深度学习的心电特征点检测算法具有一定的局限性[13-14]。针对上述问题,本研究基于SegNet模型[15],提出了一种高效的心电信号特征点检测算法ECG_SegNet,将心电信号划分为P波、QRS波群和T波,同时获得不同波形的特征点检测结果。

1 材料与方法

1.1 数据与方法

1.1.1数据预处理 本研究使用LU数据库[16]中的200条单导联心电记录和QT数据库[17]中87条心电记录作为研究对象,并将其分割为10 s的心电片段。QT数据库中的每份心电记录只有30～100个节拍被心脏病专家标记[18],其余记录均由ecgpuwave[19]方法标记。为获得研究数据,并保证标签的准确性,本研究参考ecgpuwave方法来校准剩余的心电标签,在心电图室医生建议下,对87条心电记录重新进行校准。同时将LU数据库的心电记录重采样至250 Hz,随后按照预设心电信号片段时间长度对重采样后的心电信号进行分割处理,得到一系列预设长度的标准心电信号片段;并将原始心电信号所对应的波形位置分别对应至分割后心电信号片段对应的波形位置;最后对心电片段中P波、QRS波群及T波位置进行one-hot编码,每个心电片段的标签被映射成四个通道的二进制序列。

1.1.2模型架构 本研究提出的基于深度学习的心电信号智能分析模型ECG_SegNet网络结构,见图1。为捕获丰富的心电信号特征,在编码结构第2层到第4层的最大池化层后添加标准空洞卷积模块(standard dilated convolution module,SDCM),并将提取的心电特征合并后,输入最大池化层,以减少时间和空间消耗。由于心电信号是时间序列,为平滑心电信号中存在的高频噪声,本研究在编码器结构的最后添加了2层BiLSTM来捕获时间依赖信息,并通过前后向传播获取心电波形不同的形态特征[20]。经参数寻优,2层BiLSTM层中的隐藏单元数分别设置为60和30。

解码结构可利用编码结构提取的心电特征重构原始心电信号,并获取分类特征。由于编码器部分的池化操作可导致信息丢失,本研究采用了多尺度解码结构,将编码结构中各级心电信号的特征集输出结果直接短接至解码结构中分级解码,合并后作为最后特征输出,以有效减少编码过程中的信息丢失。最后,将提取的心电信息特征输入全连接层和softmax分类器后,得到心电信号的分类结果。经后处理,得到心电信号特征点的检测结果。

1.1.3标准空洞卷积模块 为解决因不同卷积核大小的卷积简单叠加导致网络层数过深,产生过拟合及计算量增加等问题,本研究结合一维空洞卷积,设计了SDCM,其结构见图2。该模块由两个并行的标准卷积、空洞卷积运算和指数线性单元(exponential linear unit,ELU)[21]组成。空洞卷积可提取局部和全局信息,双通道特征提取可获得大量重要的心电信号特征。

1.2 训练设置

1.2.1训练及测试方式 本研究利用Matlab对心电信号进行预处理,在Python 3.7.6 Keras API环境下搭建模型,选择Adam作为训练优化器,损失函数为多分类交叉熵,学习率和epoch分别设置为1e-3和60,同时设置early stopping以减少过拟合。模型使用ELU作为网络的激活函数,以避免神经元失活引起梯度消失。

图1 ECG_SegNet模型网络结构

图2 SDCM模型网络结构

本研究采用数据库内和数据库间两种训练测试策略。随机抽取QT数据库中66名受试者的心电记录作为训练集,其余21名受试者的心电记录作为测试集,将训练好的模型在测试集上测试,以评价模型在数据库内部的泛化能力。此外,本研究将全部QT数据库心电记录作为训练集,全部LU数据库心电记录作为测试集,来验证模型在不同数据库之间的泛化能力。

1.2.2评价指标 本研究利用式(1)—式(4)对模型性能进行评估:

(1)

(2)

(3)

(4)

式中,N代表心电片段采样点的个数,y′i和yi分别是算法检测位置和医生注释位置。m代表算法检测结果和医生注释位置偏差绝对值的均值,s是均值m的标准差。根据AAMI建议,当心率为70次/分时,若算法检测结果与医生注释间偏差绝对值不超过150 ms,则可认为该算法检测结果正确。以QRS波群起止点检测结果为例,若检测算法预测到的QRS波群起点在医生注释的QRS波群起点位置前后的150 ms范围内,则将预测结果标记为真阳性(TP);若检测算法预测到的QRS波群起点不在医生注释的QRS波群起点位置前后的150 ms范围内,则将预测结果标记为假阳性(FP);若检测算法无法在医生注释范围内检测到QRS波群起点的位置,则将预测结果标记为假阴性(FN)。

2 结果与分析

2.1 各类心电信号特征点检测结果

2.1.1QT数据库检测结果,模型在QT数据库上P波、QRS波群和T波的检测结果,见表1。其平均Sen、PPV、F1、偏差及其标准差(m±s)分别为99.66%、99.50%、99.58%和(8.56±8.71) ms。其中,模型检测P波、QRS波群和T波的平均Sen分别为99.50%、99.86%和99.63%;平均PPV分别为99.55%、99.77%和99.19%;平均F1分别为99.53%、99.81%和99.41%;平均偏差及其标准差(m±s)分别为(6.80±5.88) ms、(4.69±4.82) ms和(14.19±15.41) ms。P波,QRS波群和T波起止点检测平均Sen、PPV和F1均在99%以上。QRS波群的检测性能最好,其次是P波和T波。P波和QRS波起止点的平均偏差及其标准差均小于8 ms,T波起止点的平均偏差及其标准差略大,但小于20 ms。

表1 ECG_SegNet模型在QT数据库上P波、QRS波群和T波起止点检测结果

2.1.2LU数据库检测结果 由表2可知,在LU数据库中,模型P波、QRS波群和T波三种波形平均检测的Sen、PPV、F1和偏差及其标准差(m±s)分别为98.30%、95.85%、97.05%和(12.23±15.88) ms。其中,模型检测P波、QRS波群和T波的平均Sen分别为97.28%、99.50%和98.12%;平均PPV分别为92.33%、98.27%和96.95%;平均F1分别为94.74%、98.88%和97.53%;平均偏差及其标准差分别为(8.24±11.93) ms、(9.71±12.41) ms和(18.73±23.30) ms。P波、QRS波群和T波起止点的平均Sen、PPV和F1均在90%以上。P波和QRS波群起止点的平均偏差及其标准差(m±s)均小于13 ms,T波起止点的平均偏差及其标准差略大,但小于25 ms。与模型在QT数据库上波形检测结果相比,平均Sen、PPV和F1分别下降了1.36%、3.66%和2.53%,平均偏差及其标准差分别增加了3.67和7.72 ms。

表2 ECG_SegNet模型在LU数据库上P波、QRS波群和T波起止点检测结果

2.2 可视化结果

图3、4为ECG_SegNet模型在QT和LU数据库下波形特征点检测的可视化结果。由图可知,该模型可根据医生标注结果将P波(粉色)、QRS波群(绿色)和T波(紫色)三种波形正确分类。

图3 ECG_SegNet模型在QT数据库sel100号数据可视化结果

图4 ECG_SegNet模型在LU数据库116号测试集上可视化结果

2.3 实验结果分析

由表1、2可知,模型在QT数据库上的测试结果优于LU数据库,且在QRS波群上表现最佳,其次是P波和T波,这可能是由于不同数据采集设备及不同受试者之间的差异所致。

为进一步分析原因,本研究利用信号质量评价指标purSQI[22]和entSQI[23]对QT数据库和LU数据库的平均信号质量进行了评价,得出心电波形纯度(LU数据库:0.103±0.061,QT数据库:0.139±0.091)和心电波形样本熵(LU数据库:0.204±0.195,QT数据库:0.117±0.049),由于心电波形纯度越高、样本熵越低则信号质量越好,由此可见,QT数据库的信号质量略优于LU数据库。这是由于LU数据库相比于QT数据库,波形噪声多、信号质量差且易受污染,因此,在波形检测中表现能力不佳。此外,除不同数据采集设备及不同受试者之间的差异性外,数据库内部数据种类不匹配也是导致在LU数据库上测试结果略差的原因。同时在QT数据库内部训练及测试过程中,QT数据库由于数据量大,种类不平衡,数据占比小,测试结果表现良好,而LU数据库数据量小,数据种类不平衡导致表现不佳。

2.4 消融实验

与原始SegNet模型相比,本研究ECG_SegNet模型对其进行了部分改进,为验证改进后的性能,本研究在QT数据库中进行了消融实验。在所有模型中,使用相同参数、优化方法和随机种子。检测结果见图5。由图5可知,各类波形平均检测结果中,ECG_SegNet的平均性能最好,三种波形检测的平均Sen、PPV和F1最高,而平均偏差及其标准差最小。SegNet_Imdecoder模型和Imencoder_SegNet模型的检测性能均优于原始SegNet模型。

图5 不同改进模型检测平均结果对比

由于ECG_SegNet模型中改进的编码器部分可以提取更重要的心电信号特征,且编码器部分的输出特征在解码器路径上进行多尺度解码可保留更多有用信息。因此,本研究的ECG_SegNet模型对心电波形特征点识别更为有效。

2.5 与其他研究方法对比

本研究在QT和LU数据库中对目前八种较为先进的心电信号特征点识别模型:2BiLSTM[9]、1CNN_2BiLSTM[24]、3CNN_2BiLSTM[11]、4CNN_1BiLSTM[25]、UNet[26]、CNNs[27]和文献[28]中最新的语义分割算法(2-UNet级联和3-UNet级联)对比评估ECG_SegNet模型。

九种模型对QT和LU数据库中心电信号特征点的检测性能对比,见表3、4。由表3、4可知,ECG_SegNet模型检测性能最优,其次为3-UNet级联、2-UNet级联、4CNN_1BiLSTM、UNet、3CNN_2BiLSTM和1CNN_2BiLSTM,端到端CNN模型和BiLSTM网络表现性能较差。这可能是由于CNN只专注于学习波形特征信息,而BiLSTM只专注于学习时间序列特征,通过将CNN和BiLSTM组合可有效避免此问题。UNet模型作为最常用的医学图像分割模型,其在心电信号特征点检测上表现较好,效果优于CNN和BiLSTM组合的模型。3-UNet级联在几乎所有特征点检测上均优于UNet模型,证明了级联模型可显著提高模型检测性能,且由结果可知,在两个数据库中,该模型对于P波的识别相较于其他模型的区分度更为明显。

表3 ECG_SegNet模型在QT数据库上各类波形检测F1与其他深度学习模型检测F1对比Table 3 Various waveforms detection F1 of ECG_SegNet on QT database compared with other deep learning models

表4 ECG_SegNet模型在LU数据库上各类波形检测F1与其他深度学习模型检测F1对比Table 4 Various waveforms detection F1 of ECG_SegNet on LU database compared with other deep learning models

3 结论

为更好地提取心电信号特征,本研究提出了一种基于编解码结构的深度学习模型ECG_SegNet,以实现P波、QRS波和T波特征点检测。该方法可避免人工预先指定阈值,且在未知数据库上表现良好。然而由于收集每种波形不同形态的数据,并进行归纳标记非常困难,导致本研究的数据类型不平衡;此外,由于同一患者不同导联的心电记录呈现较大差别,而本研究仅使用来自两个数据库的单导联数据,同一导联及不同导联间的泛化能力还有待研究。在后续研究中,考虑通过增加注意力机制或改进损失函数,以减少数据类别不平衡的问题,并在保证模型精度的前提下,通过简化或压缩模型减少计算量,或通过开发半监督或无监督方法利用大型、无注释的数据缓解数据稀缺性问题。