2. 沈阳东软智能医疗科技研究院有限公司, 辽宁 沈阳 110167
2. Neusoft Research of Intelligent Healthcare Technology, Co., Ltd., Shenyang 110167, China
近年来, 心血管疾病(cardiovascular disease, CVD)的死亡率呈逐年上升趋势, 已超过癌症、艾滋病等疾病, 成为人类生命健康的首要威胁[1].其中, 房颤作为最常见的心律失常之一, 极易引发脑卒中、心力衰竭、血栓栓塞等恶性事件[2-3], 故对其及时诊断尤为重要.目前, 临床上多以心电图(electrocardiogram, ECG)作为诊断房颤的金标准, 通过观察R-R间期变异、P波消失等特征进行确诊[3].但ECG信号检测过程中需要在人体体表安装电极, 给受试者造成不便的同时, 其耦合剂对皮肤具有刺激作用, 不适合长期实时性监测.而阵发性房颤具有发作时间不确定、发作突然、临床表现不明显等特点, ECG信号检测无法满足其日常诊断的需要.因此, 迫切需要一种非接触的检测方法来实时监测受试者的心脏健康状况, 以及时诊断并预警阵发性房颤的发作.
心冲击信号(ballistocardiogram, BCG)通过记录心脏搏动传导至体表的微弱振动反映其动力学特征, 是目前非接触式评估心脏功能的主流方法之一[4-6].BCG信号现已成功应用于实时心率提取、心律变异检测等领域.在房颤检测方面, Brüser等通过提取BCG信号在时/频域中的17个特征, 对比了7种经典机器学习方法的分类性能, 实现了对BCG信号的三分类(房颤、窦性心律、体动)[6].Zink等通过计算BCG信号与ECG信号的同步特征相关性, 提取了房颤期间BCG信号的心动周期成分[3].由此可见, 应用BCG信号进行房颤分析具有可行性和先进性.
随着深度学习理论的兴起, 其分类精度较经典机器学习方法有了明显提升.其中, 卷积神经网络(convolutional neural network, CNN)具有训练速度快、学习参数少、抗过拟合能力强、特征映射平移不变等优势.且其在基于ECG信号的房颤检测领域得到了成功的应用[2, 7].因此, 本文提出了一种应用CNN自动检测BCG信号中房颤事件的方法.利用BCG信号的非接触特性, 扩展其在日常阵发性房颤监测中的实时应用, 进一步提高房颤自动分类的精度和速度.
1 数据获取本文分别采用实验室研发的BCG信号采集设备和型号为CT-08s的动态心电记录仪同步采集BCG信号和ECG信号, 其采样频率分别为125和200 Hz[8].受试者数据均在医院病房的环境下通过卧姿的方式获取, 采集时间段为晚上12点至次日8点, 共记录了8 h的数据.受试者共59人, 其中男性34名, 女性25名, 年龄分布为27岁至93岁.图 1为房颤与非房颤的BCG信号数据示例.
为便于将BCG信号输入CNN中, 需对其进行分帧.根据前人应用ECG信号进行房颤检测的分帧经验[9], 本文将BCG信号分别进行1 000, 2 000, 3 000个采样点的分帧操作.在分帧过程中, 首先进行3 000个采样点的分帧, 而后1 000个和2 000个采样点的分帧数据均由该3 000个采样点的分帧数据产生, 三者一一对应, 以确保训练与验证数据集和测试数据集的总数据量不变.针对BCG信号日常监护的实际需求, 将数据分为房颤和非房颤两类.应用同步ECG信号对其自动设定标签(0为非房颤, 1为房颤), 且其标定结果由专业的医生进行人工二次校正.
2 卷积神经网络模型CNN是一种广泛应用于图像视频分类的深度学习模型[10-12], 而Kiranyaz等首次将一维卷积神经网络应用于心律失常检测后[13], 对室性异位搏动和室上性异位搏动分别取得了99%和97.6%的分类准确率.一维CNN与传统二维CNN相比, 需要针对输入信号的维度将卷积层与最大池化层的卷积核大小均修订为一维序列.对于ECG信号而言, 一维CNN不仅可以提取当前时间的特征, 而且可以涵盖此时刻前后数据的关联性.所以同样基于时序模型的BCG信号可以被CNN有效地学习并检测房颤.
针对BCG信号与ECG信号表现心脏节律的同步性, 本文设计了由两层卷积层与一层池化层组成的特征提取模块.卷积层可以深入分析数据并提取其高维特征, 还可以通过共享权值参数提高训练速度; 池化层则可以最大保留特征的同时有效减少特征矩阵和参数, 增加模型的抗过拟合能力.以所提特征提取模块为基础, 本文共设计了三种网络结构.其中网络A含有6层卷积层和3层池化层,网络B包括8层卷积层和4层池化层,网络C有10层卷积层和5层池化层.以含有8层卷积层的网络B为例, 在输入层后设置四层特征提取模块, 同时在每层卷积操作之后对输出结果进行Dropout处理以增加CNN模型的抗过拟合能力, 最后通过Flatten层以及全连接层, 由softmax函数激活, 输出二分类结果(房颤/非房颤).该8层CNN网络结构如图 2所示.
参考相关文献的经验值以及实测BCG信号训练结果, 本文选定全连接层数、滑动步长分别为3和1.其余参数的具体选择以网络B为例如表 1所示.此外, 数据长度和网络深度是影响CNN分类精度的重要指标, 为获取二者的最优组合, 本文设计了9组对比实验, 准确率最高且损失函数最低为选定模型的标准.
通过对59例BCG信号数据进行分帧操作后, 共得到22 000帧数据, 其中1 000帧房颤数据和1 000帧非房颤数据作为独立测试数据集.其余的10 000帧房颤和10 000帧非房颤数据用于模型训练.在模型学习的过程中, 用于模型训练的数据中80%作为训练集, 剩余20%作为验证集来验证模型每一次迭代后的性能.
本文应用灵敏度(Sen)、特异性(Spe)、精度(Pre)和准确性(Acc)这4个指标来评估CNN网络模型的分类性能, 这些指标都基于真阳性(tp)、真阴性(tn)、假阳性(fp)和假阴性(fn).
tp, tn, fp和fn可以被混淆矩阵明确地表示出来, 设C表示一个2×2大小的混淆矩阵, 表 2显示了对混淆矩阵C的解释.其中cij是指实际类为i, 而预测类为j时的数量, 使用C定义的真、假阳性和真、假阴性的数量.
真阳性:
(1) |
假阳性:
(2) |
真阴性:
(3) |
假阴性:
(4) |
特异性:
(5) |
敏感性:
(6) |
精度:
(7) |
准确性:
(8) |
本文基于Ubuntu14.04系统的GPU版Tensorflow深度学习框架完成训练, 网络模型基于Python3完成代码编写工作.使用32 GB内存、E5-2630 V4的10核CPU、显存为11 GHz的NVIDIA GTX 1080Ti的GPU组成的戴尔T7910工作站完成模型的训练以及验证工作.
4 实验结果与分析本文选择1 000, 2 000, 3 000三种不同长度的数据, 分别输入含有6, 8, 10层卷积层的CNN中进行分类, 其实验对比结果如表 3所示.
就数据长度而言, 为保证诊断房颤的实时性, BCG信号数据分帧长度不宜过长.选择1 000分帧长度时, 无论如何匹配网络结构, 均无法取得性能优势; 分帧长度增加至2 000时, 仅在8层网络结构下获得最大敏感性98.8%;继续增加分帧长度至3 000时, 在8层及10层网络结构下均取得良好的分类性能, 尤其在匹配8层网络结构时, 3项评估分类性能的指标均达到最高值.由此可见, 若分帧长度过短, 其包含的有效信息不足, 会使网络训练不充分, 导致性能下降.随着分帧长度的增加, 其涵盖的节律信息更丰富, 从而获得更优的心律失常分类结果.当分帧长度为3 000(约24 s)时, 其各项指标均达到日常检测的基本要求, 因此更适合应用于BCG信号检测阵发性房颤.
就网络深度而言, 采用6层CNN网络结构时, 输入不同长度的分帧数据均无法达到分类性能要求; 采用8层CNN网络结构时, 输入3 000长度的分帧数据, 即可获得4项最优指标.由此可见, 并非网络层数越深分类性能越好, 网络层数的加深会造成权值参数的增加, 使得训练时间延长甚至出现过拟合, 最终导致分类性能下降.因此, 需要针对分类数据的特点, 选择分帧长度和网络结构的最优组合, 才能获得最佳分类性能.
综上所述, 应用BCG信号检测房颤事件时, 应用3 000分帧长度的数据对8层网络结构的CNN进行训练, 模型可达到最优分类性能:其测试准确性、敏感性和特异性分别为94.8%, 97.2%, 92.7%.该模型达到最佳分类性能时所得到的混淆矩阵图如图 3所示.
本文探索了数据长度与网络结构对提高模型分类能力的影响.通过实验对比, 卷积神经网络在基于BCG信号的阵发性房颤自动检测上具有良好的性能, 测试准确性为94.8%, 精度、敏感性和特异性分别为92.3%, 97.2%, 92.7%, 能够达到日常实时诊断的要求.该方法具有非接触性、无需提取特征、分类速度快等优势, 为基于BCG信号的日常远程家庭监护提供了可能性和发展方向.
[1] |
陈伟伟, 高润霖, 刘力生, 等.
《中国心血管病报告2017》概要[J]. 中国循环杂志, 2018, 33(1): 1–8.
( Chen Wei-wei, Gao Run-lin, Liu Li-sheng, et al. Summary of report on cardiovascular diseases in China 2017[J]. Chinese Circulation Journal, 2018, 33(1): 1–8. ) |
[2] |
Pourbabaee B, Roshtkhari M J, Khorasani K.
Deep convolutional neural networks and learning ECG features for screening paroxysmal atrial fibrillation patients[J]. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2018, 48(12): 2095–2104.
DOI:10.1109/TSMC.2017.2705582 |
[3] |
Zink M D, Brüser C, Winnersbach P, et al.
Heartbeat cycle length detection by a ballistocardiographic sensor in atrial fibrillation and sinus rhythm[J]. Biomed Research International, 2015(19): 1–10.
|
[4] |
Etemadi M, Inan O T.
Wearable ballistocardiogram and seismocardiogram systems for health and performance[J]. Journal of Applied Physiology, 2017, 124(612): 452–461.
|
[5] |
Lim Y G, Hong K H, Kim K K, et al.
Monitoring physiological signals using nonintrusive sensors installed in daily life equipment[J]. Biomedical Engineering Letters, 2011, 1(1): 11–20.
|
[6] |
Bruser C, Diesel J, Zink M D H, et al.
Automatic detection of atrial fibrillation in cardiac vibration signals[J]. IEEE Journal of Biomedical and Health Informatics, 2013, 17(1): 162–171.
DOI:10.1109/TITB.2012.2225067 |
[7] |
Acharya U R, Fujita H, Lih O S, et al.
Automated detection of arrhythmias using different intervals of tachycardia ECG segments with convolutional neural network[J]. Information Sciences, 2017, 405: 81–90.
DOI:10.1016/j.ins.2017.04.012 |
[8] |
金晶晶, 王旭, 杨丹.
基于体震信号的心率测量方法[J]. 东北大学学报(自然科学版), 2009, 30(2): 176–179.
( Jin Jing-jing, Wang Xu, Yang Dan. Heart rate measurement based on fluttering signal from human body[J]. Journal of Northeastern University(Natural Science), 2009, 30(2): 176–179. ) |
[9] |
Fan X, Yao Q, Cai Y, et al.
Multi-scaled fusion of deep convolutional neural networks for screening atrial fibrillation from single lead short ECG recordings[J]. IEEE Journal of Biomedical and Health Informatics, 2018, 22(6): 1744–1753.
DOI:10.1109/JBHI.2018.2858789 |
[10] |
Lecun Y L, Bottou L, Bengio Y, et al.
Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278–2324.
DOI:10.1109/5.726791 |
[11] |
Golkov V, Dosovitskiy A, Sperl J I, et al.
Q-Space deep learning:twelve-fold shorter and model-free diffusion MRI scans[J]. IEEE Transactions on Medical Imaging, 2016, 35(5): 1344–1351.
DOI:10.1109/TMI.2016.2551324 |
[12] |
Van Grinsven M, van Ginneken B, Hoyng C, et al.
Fast convolutional neural network training using selective data sampling:application to hemorrhage detection in color fundus images[J]. IEEE Transactions on Medical Imaging, 2016, 35(5): 1273–1284.
DOI:10.1109/TMI.2016.2526689 |
[13] |
Kiranyaz S, Ince T, Gabbouj M.
Real-time patient-specific ECG classification by 1D convolutional neural networks[J]. IEEE Transactions on Bio-medical Engineering, 2015, 63(3): 664–675.
|