引用本文
吴志勇, 丁香乾, 许晓伟, 鞠传香. 基于深度学习和模糊C均值的心电信号分类方法. 自动化学报, 2018, 44(10): 1913-1920. doi: 10.16383/j.aas.2018.c170417
WU Zhi-Yong, DING Xiang-Qian, XU Xiao-Wei, JU Chuan-Xiang. A Method for ECG Classification Using Deep Learning and Fuzzy C-means. ACTA AUTOMATICA SINICA, 2018, 44(10): 1913-1920. doi: 10.16383/j.aas.2018.c170417
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170417
关键词
心电信号分类,深度学习,模糊C均值,深度信念网络
摘要
针对长时海量心电信号自动分类系统中,心电专家诊断费时、费力和成本高,心电信号形态复杂导致特征提取困难,异常诊断模型适应性差、准确度低等问题,本文提出一种基于深度学习和模糊C均值的心电信号分类方法.该方法主要包括心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊C均值分类4个步骤,给出了模糊C均值深度信念网络FCMDBN模型结构和学习分类算法.仿真实验基于MIT-BIH心率异常数据库表明,与基于传统心电特征人工设计的分类方法相比,本文提出的信号诊断方法具有较高的适应性和准确度.
文章导读
据世界卫生组织统计, 2012年全球约有17.5万人死于心血管疾病, 占全球死亡人数的31 % [1].为降低心脏疾病的发生, 预防性的前期诊断是关键.心电图作为一种重要的非侵入式心电检测工具被心脏专家广泛使用.通常情况下, 针对短时心电图可通过视觉观察来识别各种心电信号异常的各种症状.但是, 随着便携式心电图(例如, Holter、Loop recorder)的广泛使用, 因其可连续记录24小时、48小时, 甚至14个月的心电信号记录[2].面对庞大的数据, 采用传统的视觉方法判断心脏疾病已不可能, 取而代之的是采用智能化的心电信号自动分类技术.
心电信号自动分类系统通常包括5个阶段, 包括心电信号采集、预处理、心跳分段、特征提取和降维、自动分类, 如图 1所示.心电信号采集可综合利用智能硬件、物联网等核心技术远程采集心电信号数据, 汇入医疗健康数据仓库.心电信号预处理主要去除心电信号的各种噪声, 为后续阶段处理提供干净的信号信息, 去除的心电噪声主要包括基线漂移、工频干扰和高频噪声等[3].心跳分段的目的是提取每个完整的心跳周期波形, 需要检测P波、QRS波群和T波等关键点[4].针对心电信号预处理和心跳分段技术, 已有众多学者在文献中进行了研究并得到了广泛应用, 本文重点研究心电信号特征提取和自动分类两方面技术.在心电信号特征提取方面, 近十年来大量文献提出了各种方法, 包括心电信号形态特征[3]、时间间隔特征[5]、小波变换特征[6]和高阶统计特征[7]等.为获取更有效的特征集合, 在分类系统应用中往往组合运用多种类型的心电信号特征, 为此, 特征降维方法, 例如主成分分析、独立成分分析等[6-9]常应用于上百心电特征的关键特征提取中.在心电信号自动分类技术方面, 以低维特征空间为基础, 分类模型多采用各种智能算法, 例如人工神经网络[9]、最近路径森林[10]、群智能算法[11]和模糊分类[12]等.
图 1 心电信号自动分类系统流程
从以上提到的各种文献来看, 尽管各种心电信号分类系统在特定心电信号数据集(例如, MIT-BIH、AHA和CSE数据库等)取得较高的准确率.但仍然面临以下几个问题: 1)特征提取的过程通常需要心脏专家的参与, 导致时间和费用成本的增加; 2)因心电特征需人工设计, 可能造成源心电信号特征信息丢失; 3)构建的心电信号分类模型对不同病患者具有低适应性的缺陷.针对上述问题, 近年来, 随着深度无监督特征提取技术的深入研究, 基于深度学习技术的心电信号自动分类系统得到广泛关注.
深度学习方法思想是对输入层数据可自动学习特征的过程.与传统方法相比, 深度学习已在图像识别[13]、语音识别[14]和生理数据分析[15]等方面取得较好的成绩.典型的深度学习框架包括深度信念网络(Deep belief network, DBN) [16]、栈式自编码器(Stacked auto-encoder, SAE) [17]和卷积神经网络(Convolutional neural network, CNN) [18]等.基于深度学习方法进行心电信号自动识别已有众多学者开展研究, 并取得了较好的结果.例如, Kiranyaz等[19]采用一维卷积神经网络提取信号特征为特定病人进行心电异常实时诊断; Rahhal等[15]提出采用栈式自动编码器从源心电信号中学习特征进行心电信号分类, 并用Softmax算法实现多心律分类; Yan等[20]和Meng等[21]均基于受限玻尔兹曼机(Restricted Boltzmann machine, RBM)构造的DBN提取心电特征, 在分类技术方面, 前者使用Softmax多分类器, 后者使用支持向量机决策树.从上述文献来看, 基于无监督深度学习的心电特征提取技术相对于传统的人工特征设计方法优势突出, 而在心电信号分类技术方面, 仍旧难以体现心电信号模糊分类特性.传统心电信号异常诊断中, 医生的诊断过程本身具有模糊性, 而且大量复杂多样心电信号中异常心跳属于少数.因此, 采用具有对稀有数据敏感特性、模糊性和更符合人类思维过程的模糊聚类过程算法进行心电信号分类得到广泛研究. Özbay等[22]结合模糊C均值(Fuzzy c-means, FCM)聚类算法和多层感知机对多种心电信号分类; Yeh等[23]利用FCM算法对异常心电分类并给出了4个详细的聚类步骤.本文综合深度学习与模糊分类技术的优势, 提出一种结合深度学习和模糊C均值技术的心电信号分类方法.首先, 描述了该方法的技术流程, 包括心电信号降噪预处理、心电信号分段和采样点统一化、无监督心跳特征学习、模糊分类等; 然后, 提出模糊C均值深度信念网络模型结构和算法, 介绍了面向心电信号特征提取的深度网络DBN构建方法和面向心电信号的模糊C均值分类方法; 最后, 基于MIT-BIH心律异常数据库进行仿真实验, 验证该方法的有效性.
图 2 基于深度学习和模糊C均值的心电信号分类技术流程
图 3 模糊C均值深度网络结构
面对大数据量心电信号自动分析诊断问题, 本文提出了基于深度学习和模糊分类相结合的心脏疾病诊断方法.深度学习是目前研究最为广泛的对象特征自动提取技术, 在众多应用领域均有研究成果, 本文采用基于RBM构建的深度信念网络DBN对连续心电信号进行高层抽象特征抽取, 形成用于心律分类的特征向量数据基础, 然后结合模糊C均值聚类算法构建心电分类模型.仿真实验表明:与传统人工设计心电特征相比, 本文所提方法分类准确率更高、适应性更强.未来工作可深入研究其他深度学习方法和分类算法相结合在心电信号自动分类中的应用, 构建多种不同的体征信号自动分析算法库.
作者简介
丁香乾
中国海洋大学信息科学与技术学院教授.主要研究方向为智能计算.E-mail:dingxq1995@vip.sina.com
许晓伟
中国海洋大学信息科学与技术学院副教授.主要研究方向为智能计算.E-mail:xuxw52@ouc.edu.cn
鞠传香
山东理工大学计算机学院讲师.主要研究方向为模糊数学.E-mail:chuanxiangju@sina.com
吴志勇
中国海洋大学信息科学与技术学院博士研究生, 山东理工大学计算机学院讲师.主要研究方向为智能计算.本文通信作者.E-mail:wuzhiyong_sdut@sina.com
转载本文请联系原作者获取授权,同时请注明本文来自欧彦科学网博客。
链接地址:https://wap.sciencenet.cn/blog-3291369-1406814.html?mobile=1
收藏