[人工智能]深度学习ECG分类

ECG分类简要介绍

本篇内容属于ECG（心电图）分类方法的整理，用于了解ECG分类的流程。传统的时间序列分类方法高度依赖于提取的特征。深度学习算法对ECG信号的检测一般分为三个步骤：信号预处理，特征学习，ECG分类。本篇内容重点关注不同网络架构的性能表现，比如准确度，特异性和敏感性等性能指标。

基于专家知识的特征提取是耗费时间且容易出错的，并且提取的特征在许多变化方面（平移，噪声，缩放和位移）是不鲁棒的。为了自动检测心电图中的心律失常，算法应该隐式识别不同的波形并推断它们之间的关系。

下面介绍ECG分类的评价指标，通常使用准确率，灵敏度，特异性，阳性预测性，F-score。首先了解一些对象：

• TP（True Postive）：实际为正样本，预测为正样本；
• FN（False Negative）：实际为正样本，预测为负样本；
• FP（False Postive）：实际为负样本，预测为正样本；
• TN（True Negative）：实际为负样本，预测为负样本；

准确率（Accuracy）用于测量整体预测性能：$$A_{cc}=\frac{TP+TN}{TP+TN+FP+FN}$$灵敏度（Sensitivity）也称为召回率，是所有正例事件中被正确分类为正例的占比，Recall可以衡量模型对正例事件的识别能力：$$S_{en}=\frac{TP}{TP+FN}$$特异性（Specificity）是所有负例事件中被正确分类为负例事件的占比，衡量模型对负例事件的识别能力：$$S_{pe}=\frac{TN}{TN+FP}$$阳性预测性（Postive Predictive Value，PPV）也称为精确率（Precision），是在所有预测为正例事件中正确分类为正例事件的占比：$$P_{pv}=\frac{TP}{TP+FP}$$F-score综合考虑阳性预测性（精确率）与灵敏度（召回率）的调和：$$F_{score}=(1+{\beta }^2)\frac{P_{pv}{S}_{en}}{{\beta }^2{P}_{pv}+S_{en}}$$$$F_1=\frac{2TP}{2TP+FP+FN}$$当$\beta =1$时，称为F-1，此时表明，精确率和召回率都很重要，若精确率更重要则调整$\beta <1$，若召回率更重要则调整$\beta >1$。

鲁棒性指的是控制系统在一定结构，大小的参数变动下，维持它某些性能的度量。在异常或危险情况下，该性能是确保系统安全的关键。

鲁棒性是控制论中的词语，主要是指在某些参数略微改变时，系统仍然具有稳定性和有效性；（关于模型参数的鲁棒性）

如果模型具有鲁棒性，则当我们微调其参数时，也可以确保模型性能不会产生过度的变化；

模型的鲁棒性也包括输入数据的微小改变：对输入信号增加微小的噪声，模型性能不会出现太大偏差；（关于输入信号的鲁棒）

泛化性是指根据有限样本训练的系统，对其他变量域也具有良好的预测能力，此处注意，其他变量域通常要求和训练样本具有近似的分布。

ECG分类过程

数据预处理

常用的数据集有PhysioNet和MIT-BIH，PhysioNet是一个不断扩充，免费提供大量生理信号以及相关处理工具的资源网站。数据来源于正常人以及一些病人（心脏猝死，心力衰竭，心律失常等）。其拥有50个心电信号的数据库，共10,000个心电信号数据。PhysioNet$/$Computing in Cardiology Challenge 2017（CinC17）使用广泛，共包含8528个心电信号用于训练和3658个信号用于测试。

MIT-BIH是国际公认的标准心电数据集。包含了48条记录，每条记录包含半小时的通道持续时间的双通道ECG信号。下面是每种心电节拍的数量：

另外，CCDD（Chinese Cardiovascular Disease Database）被用于研究面向临床的ECG分析。

对于数据处理，ECG信号预处理包括消除噪声，基线漂移和数据增强。对于输入到模型的信息还需要进行处理，ECG分类的基础是检测R波峰，因此，定位心跳节拍，心跳周期如下图所示：

心脏电活动的去极化表现为P波和QRS波，心脏电活动的复极化表现为心电图上的T波，其中，PR，ST分别表示心电图上的P-R波段和S-T段。通常使用小波变换提取ECG的QRS波。

ECG特征提取

特征提取即从波形信号提取其中的特征。基于小波变换提取的特征通常和SVM，KNN等分类器联合使用。在深度学习中，特征提取和分类器在同一个网络中执行，网络既要学习特征，又要学会分类特征。用于网络中的经过预处理的信号，有两种方式作为输入信息：

• 一种是将分割后的节拍信息输入到网络中；
• 另一种是将信号转换到频域，再进行特征提取；

在目前关于多网络架构的研究中，常使用卷积网络作为特征提取器，将长短期记忆模型用于学习心律节拍信息。大部分经过训练的网络都已表现出良好的性能。

目前ECG还存在的问题有：

• 心电信号预处理方面，对是否需要处理存在一定的争论，有的研究表明未处理的信号因为噪声存在一定的失真。有的研究表明，通过小波变换等处理后的信号特征有缺失，不能完全表达原始信号。
• 有的网络表现仅限于部分心电信号的异常分类，没有结合临床数据训练网络而不具备泛化性。
• 有的网络虽然表现良好，但缺乏计算效率。
• 有的网络表现良好，但不能完全代替医生的操作，缺乏特征上的可解释性。

Reference

Tang Jianjun, Li Xingxiu, Hua Jing, Yang Fuhao. A review of electrocardiogram detection and classification based on neural network [J]. Computer Applications and Software, 2021, 38(05): 1-9+41.