高级搜索

基于卷积长短时记忆网络的心律失常分类方法

柯丽 王丹妮 杜强 姜楚迪

引用本文: 柯丽, 王丹妮, 杜强, 姜楚迪. 基于卷积长短时记忆网络的心律失常分类方法[J]. 电子与信息学报, doi: 10.11999/JEIT190712 shu
Citation:  Li KE, Danni WANG, Qiang DU, Chudi JIANG. Arrhythmia Classification Based on CNN and LSTM Networks[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190712 shu

基于卷积长短时记忆网络的心律失常分类方法

    作者简介: 柯丽: 女,1977年生,博士,教授,博士生导师,研究方向为生物电工与阻抗成像技术;
    王丹妮: 女,1995年生,硕士生,研究方向为医学信号处理与分析;
    杜强: 男,1975年生,博士,讲师,研究方向为生物医学信号检测与处理;
    姜楚迪: 女,1996年生,硕士生,研究方向为医学电磁工程及医疗仪器
    通讯作者: 柯丽,keli@sut.edu.cn
  • 基金项目: 国家自然科学基金(51377109),辽宁省自然科学基金计划(2019-ZD-0204)

摘要: 心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络方法实现心律失常自动分类。该方法首先设计深层卷积神经网络对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

English

    1. [1]

      World Health Organization. Cardiovascular diseases[EB/OL]. https://www.who.int/health-topics/cardiovascular-diseases/#tab=tab_1, 2017.

    2. [2]

      YE Can, KUMAR B V K V, and COIMBRA M T. Heartbeat classification using morphological and dynamic features of ECG signals[J]. IEEE Transactions on Biomedical Engineering, 2012, 59(10): 2930–2941. doi: 10.1109/tbme.2012.2213253

    3. [3]

      YILDIRIM Ö. ECG beat detection and classification system using wavelet transform and online sequential ELM[J]. Journal of Mechanics in Medicine and Biology, 2019, 19(1): 1940008. doi: 10.1142/S0219519419400086

    4. [4]

      高兴姣, 李智, 陈珊珊, 等. 基于近邻保持嵌入算法的心律失常心拍分类[J]. 生物医学工程学杂志, 2017, 34(1): 1–6. doi: 10.7507/1001-5515.201605045
      GAO Xingjiao, LI Zhi, CHEN Shanshan, et al. Arrhythmia heartbeats classification based on neighborhood preserving embedding algorithm[J]. Journal of Biomedical Engineering, 2017, 34(1): 1–6. doi: 10.7507/1001-5515.201605045

    5. [5]

      AHMED R and ARAFAT S. Cardiac arrhythmia classification using hierarchical classification model[C]. Proceedings of the 6th International Conference on Computer Science and Information Technology (CSIT), Amman, Jordan, 2014: 203–207. doi: 10.1109/CSIT.2014.6806001.

    6. [6]

      BALOUCHESTANI M, SUGAVANESWARAN L, and KRISHNAN S. Advanced K-means clustering algorithm for large ECG data sets based on K-SVD approach[C]. Proceedings of the 9th International Symposium on Communication Systems, Networks & Digital Sign (CSNDSP), Manchester, UK, 2014: 177–182. doi: 10.1109/CSNDSP.2014.6923820.

    7. [7]

      LI Duan, ZHANG Hongxin, and ZHANG Mingming. Wavelet de-noising and genetic algorithm-based least squares twin SVM for classification of arrhythmias[J]. Circuits, Systems, and Signal Processing, 2017, 36(7): 2828–2846. doi: 10.1007/s00034-016-0439-8

    8. [8]

      YIN Xi and LIU Xiaoming. Multi-task convolutional neural network for pose-invariant face recognition[J]. IEEE Transactions on Image Processing, 2018, 27(2): 964–975. doi: 10.1109/TIP.2017.2765830

    9. [9]

      王斐, 吴仕超, 刘少林, 等. 基于脑电信号深度迁移学习的驾驶疲劳检测[J]. 电子与信息学报, 2019, 41(9): 2264–2272. doi: 10.11999/JEIT180900
      WANG Fei, WU Shichao, LIU Shaolin, et al. Driver fatigue detection through deep transfer learning in an electroencephalogram-based system[J]. Journal of Electronics and Information Technology, 2019, 41(9): 2264–2272. doi: 10.11999/JEIT180900

    10. [10]

      MENG Huanhuan and ZHANG Yue. Classification of electrocardiogram signals with deep belief networks[C]. Proceedings of the 17th International Conference on Computational Science and Engineering, Chengdu, China, 2014: 7–12. doi: 10.1109/CSE.2014.36.

    11. [11]

      ACHARYA U R, OH S L, HAGIWARA Y, et al. A deep convolutional neural network model to classify heartbeats[J]. Computers in Biology and Medicine, 2017, 89: 389–396. doi: 10.1016/j.compbiomed.2017.08.022

    12. [12]

      ZHAI Xiaolong and TIN C. Automated ECG classification using dual heartbeat coupling based on convolutional neural network[J]. IEEE Access, 2018, 6: 27465–27472. doi: 10.1109/ACCESS.2018.2833841

    13. [13]

      CHENG Maowei, SORI W J, JIANG Feng, et al. Recurrent neural network based classification of ecg signal features for obstruction of sleep apnea detection[C]. Proceedings of 2017 IEEE International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC), Guangzhou, China, 2017, 199–202. doi: 10.1109/CSE-EUC.2017.220.

    14. [14]

      TAN J H, HAGIWARA Y, PANG W, et al. Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals[J]. Computers in Biology and Medicine, 2018, 94: 19–26. doi: 10.1016/j.compbiomed.2017.12.023

    15. [15]

      吴志勇, 丁香乾, 许晓伟, 等. 基于深度学习和模糊C均值的心电信号分类方法[J]. 自动化学报, 2018, 44(10): 1913–1920. doi: 10.16383/j.aas.2018.c170417
      WU Zhiyong, DING Xiangqian, XU Xiaowei, et al. A method for ECG classification using deep learning and fuzzy C-means[J]. Acta Automatica Sinica, 2018, 44(10): 1913–1920. doi: 10.16383/j.aas.2018.c170417

    16. [16]

      HANNUN A Y, RAJPURKAR P, HAGHPANAHI M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network[J]. Nature Medicine, 2019, 25(1): 65–69. doi: 10.1038/s41591-018-0268-3

    17. [17]

      PARK J, LEE K, and KANG K. Arrhythmia detection from heartbeat using k-nearest neighbor classifier[C]. Proceedings of 2013 IEEE International Conference on Bioinformatics and Biomedicine, Shanghai, China, 2013: 15-22. doi: 10.1109/BIBM.2013.6732594.

    18. [18]

      ELHAJ F A, SALIM N, HARRIS A R, et al. Arrhythmia recognition and classification using combined linear and nonlinear features of ECG signals[J]. Computer Methods and Programs in Biomedicine, 2016, 127: 52–63. doi: 10.1016/j.cmpb.2015.12.024

    19. [19]

      GÜLER I and ÜBEYLI E D. ECG beat classifier designed by combined neural network model[J]. Pattern Recognition, 2005, 38(2): 199–208. doi: 10.1016/j.patcog.2004.06.009

    20. [20]

      SAHOO S, KANUNGO B, BEHERA S, et al. Multiresolution wavelet transform based feature extraction and ECG classification to detect cardiac abnormalities[J]. Measurement, 2017, 108: 55–66. doi: 10.1016/j.measurement.2017.05.022

    1. [1]

      袁野, 贾克斌, 刘鹏宇. 基于深度卷积神经网络的多元医学信号多级上下文自编码器. 电子与信息学报,

    2. [2]

      杨宏宇, 王峰岩. 基于深度卷积神经网络的气象雷达噪声图像语义分割方法. 电子与信息学报,

    3. [3]

      李寰宇, 毕笃彦, 查宇飞, 杨源. 一种易于初始化的类卷积神经网络视觉跟踪算法. 电子与信息学报,

    4. [4]

      吴泽民, 王军, 胡磊, 田畅, 曾明勇, 杜麟. 基于卷积神经网络与全局优化的协同显著性检测. 电子与信息学报,

    5. [5]

      伍家松, 达臻, 魏黎明, SENHADJILotfi, 舒华忠. 基于分裂基-2/(2a)FFT算法的卷积神经网络加速性能的研究. 电子与信息学报,

    6. [6]

      王鑫, 李可, 宁晨, 黄凤辰. 基于深度卷积神经网络和多核学习的遥感图像分类方法. 电子与信息学报,

    7. [7]

      吕晓琪, 吴凉, 谷宇, 张明, 李菁. 基于深度卷积神经网络的低剂量CT肺部去噪. 电子与信息学报,

    8. [8]

      郭晨, 简涛, 徐从安, 何友, 孙顺. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别. 电子与信息学报,

    9. [9]

      王星, 周一鹏, 周东青, 陈忠辉, 田元荣. 基于深度置信网络和双谱对角切片的低截获概率雷达信号识别. 电子与信息学报,

    10. [10]

      董书琴, 张斌. 基于深度特征学习的网络流量异常检测方法. 电子与信息学报,

    11. [11]

      李寰宇, 毕笃彦, 杨源, 查宇飞, 覃兵, 张立朝. 基于深度特征表达与学习的视觉跟踪算法研究. 电子与信息学报,

    12. [12]

      侯志强, 戴铂, 胡丹, 余旺盛, 陈晨, 范舜奕. 基于感知深度神经网络的视觉跟踪. 电子与信息学报,

    13. [13]

      李祖贺, 樊养余, 王凤琴. YUV空间中基于稀疏自动编码器的无监督特征学习. 电子与信息学报,

    14. [14]

      赵海涛, 程慧玲, 丁仪, 张晖, 朱洪波. 基于深度学习的车联边缘网络交通事故风险预测算法研究. 电子与信息学报,

    15. [15]

      侯志强, 王鑫, 余旺盛, 戴铂, 金泽芬芬. 基于自适应深度稀疏网络的在线跟踪算法. 电子与信息学报,

    16. [16]

      张文明, 姚振飞, 高雅昆, 李海滨. 一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型. 电子与信息学报,

    17. [17]

      唐伦, 赵培培, 赵国繁, 陈前斌. 基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法. 电子与信息学报,

    18. [18]

      杜兰, 魏迪, 李璐, 郭昱辰. 基于半监督学习的SAR目标检测网络. 电子与信息学报,

    19. [19]

      秦华标, 曹钦平. 基于FPGA的卷积神经网络硬件加速器设计. 电子与信息学报,

    20. [20]

      杜兰, 刘彬, 王燕, 刘宏伟, 代慧. 基于卷积神经网络的SAR图像目标检测算法. 电子与信息学报,

  • 图 1  心电信号预处理

    图 2  C-LSTM网络结构

    图 3  各类别心电信号分段结果

    图 4  CNN提取到的信号特征

    图 5  (a)LSTM网络和(b)C-LSTM网络的训练(蓝线)和验证(橙线)性能图

    图 6  (a)LSTM网络和(b)C-LSTM网络测试集混淆矩阵

    表 1  CNN模型的细节和参数

    层数层名称卷积核大小卷积核个数激活函数步长参数输出大小
    0输入300×1
    1一维卷积5×116ReLU196300×16
    2批归一化128300×16
    3一维卷积5×116ReLU11424300×16
    4批归一化1456300×16
    5最大池化216232150×16
    6一维卷积3×132ReLU13024150×32
    7批归一化3088150×32
    8一维卷积3×132ReLU16192150×32
    9批归一化6256150×32
    10最大池化23226475×32
    11一维卷积5×164ReLU11656075×64
    12批归一化1668875×64
    13一维卷积5×11ReLU12880075×1
    14批归一化2892875×1
    15最大池化212238×1
    下载: 导出CSV

    表 2  LSTM模型的细节和参数

    层名称隐含单元激活函数参数
    长短时记忆层3212
    全连接256ReLU9996
    全连接5Softmax11024
    下载: 导出CSV

    表 3  AAMI标准在心电信号分类中描述

    AAMI类别类别数量MIT-BIH心跳节拍类别
    Normal(N)89972正常(NOR)
    左束支传导阻塞(LBBB)
    右束支传导阻塞(RBBB)
    房性逸搏(AE)
    结性逸搏(NE)
    Supraventricular(S)2758房性早搏(AP)
    异常房性早搏(aAP)
    交界性早搏(NP)
    室上性早搏(SP)
    Ventricular(V)7140室性早搏(PVC)
    室性逸搏(VE)
    Fusion(F)800心室融合心跳(fVN)
    Unknown(Q)30起搏心跳(P)
    起搏融合心跳(fPN)
    未分类心跳(U)
    下载: 导出CSV

    表 4  LSTM网络和C-LSTM网络测试集的相关评价参数

    网络评价参数NSVFQ
    LSTMACC(%)99.5499.6299.4499.7199.97
    SEN(%)99.8791.0695.6680.190.00
    SPE(%)96.9199.8699.7699.5899.99
    PPV(%)99.6195.0997.0078.700.00
    C-LSTMACC(%)99.5299.6199.5199.8499.97
    SEN(%)99.7892.1196.6388.520.00
    SPE(%)98.3699.8399.7399.9399.99
    PPV(%)99.6894.0896.4591.530.00
    下载: 导出CSV

    表 5  自动检测心律失常分类结果性能比较

    研究类型分类器信号长度性能
    Acc (%)Sen (%)Spe (%)PPV (%)
    文献[19]4FFNN250 samples (0.69 s)96.9497.7896.31
    文献[17]17KNN360 samples (1 s)97.0097.1096.90
    文献[18]5SVM+RBF200 samples (0.56 s)98.9198.9197.85
    文献[4]14NPE+SVM300 samples (0.83 s)98.5198.5198.51
    文献[11]5CNN360 samples (1 s)94.0396.7191.5497.86
    文献[20]4SVM8×107198.3996.8698.9296.85
    文献[12]5CNN73×7398.4272.0697.8365.91
    文献[15]5FCMDBN200 samples (0.56 s)96.5494.5593.3193.91
    文献[14]2CNN+RNN211×2495.7687.8587.8594.99
    本文方法5LSTM300 sample (0.83 s)99.1491.7099.2292.60
    C-LSTM300 →38 samples(0.83 s)→(0.12 s)99.2394.2699.5795.44
    下载: 导出CSV
  • 加载中
图(6)表(5)
计量
  • PDF下载量:  6
  • 文章访问数:  76
  • HTML全文浏览量:  204
文章相关
  • 通讯作者:  柯丽, keli@sut.edu.cn
  • 收稿日期:  2019-09-16
  • 录用日期:  2020-02-20
  • 网络出版日期:  2020-03-23
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章