基于深度卷积神经网络的肥厚型心肌病自动检测模型

Abstract

The diagnosis of hypertrophic cardiomyopathy (HCM) is of great significance for the early risk classification of sudden cardiac death and the screening of family genetic diseases. This research proposed a HCM automatic detection method based on convolution neural network (CNN) model, using single-lead electrocardiogram (ECG) signal as the research object. Firstly, the R-wave peak locations of single-lead ECG signal were determined, followed by the ECG signal segmentation and resample in units of heart beats, then a CNN model was built to automatically extract the deep features in the ECG signal and perform automatic classification and HCM detection. The experimental data is derived from 108 ECG records extracted from three public databases provided by PhysioNet, the database established in this research consists of 14,459 heartbeats, and each heartbeat contains 128 sampling points. The results revealed that the optimized CNN model could effectively detect HCM, the accuracy, sensitivity and specificity were 95.98%, 98.03% and 95.79% respectively. In this research, the deep learning method was introduced for the analysis of single-lead ECG of HCM patients, which could not only overcome the technical limitations of conventional detection methods based on multi-lead ECG, but also has important application value for assisting doctor in fast and convenient large-scale HCM preliminary screening.

引言

肥厚型心肌病（hypertrophic cardiomyopathy，HCM）是一种常见的遗传性心血管疾病^[1-2]，是青少年以及竞技运动员发生心源性猝死的主要原因之一^[3-6]，其主要表现为心室壁的非对称性肥厚以及心室内腔变小等，比如肥厚梗阻型心肌病(hypertrophic obstructive cardiomyopathy，HOCM)是肥厚型心肌病的一种重要类型，其主要临床特征为心肌非对称性肥厚、心腔变小^[7]。HCM的诊断对于心源性猝死的风险分级、家族遗传病的检测与筛查、纵向临床随访等都具有重要的意义。

心脏磁共振成像（magnetic resonance imaging，MRI）及超声心动图是HCM临床诊断的两种常用方法，心脏MRI可以获得心脏在各个层面和各个时间帧上的高分辨率形态信息，超声心动图则可以较清晰地观察肥厚心肌的部位和程度，也能够评估心脏瓣膜及室腔形态，进而准确地测量病变程度和梗阻程度，为HCM诊断提供参考^[8-12]。然而，由于受资金和技术等条件的限制，并不是所有医院都能够提供这些检查，尤其是对于接收了早期无症状患者的基层医院，大范围筛查更难于推广普及。与之相比，进行一次常规心电图（electrocardiograph，ECG）检查的费用通常较低，检查过程也较为方便。已有研究显示^[13]，超过90%的HCM患者表现为ECG异常，其中，心尖肥厚型心肌病在ECG上的特征尤为明显^[14-15]。目前，基于ECG的HCM自动诊断研究往往将标准12导联ECG的时域以及形态学特征作为重要依据，所提出模型的分类依据也仅局限于ECG的时域特征如RR间期、P波、QRS复波和T波的时长，以及形态学特征如QRS复波、P波与T波的形态异常等^[16-20]。然而，这些特征在总体上并不能完全反映出ECG所包含的所有信息，其中有些特征并非是HCM所特有的特征，甚至和正常人的某些ECG特征相重合。另一方面，标准12导联ECG通常是通过台式心电图机或动态心电图记录仪来进行采集，其采集仍然受使用场景的限制，不利于在大范围HCM筛查中使用。HCM在Ⅱ导联上的特征主要体现在异常Q波比例，存在异常Q波，且Q波时限 ≤ 30 ms，深度 ≥ 3 ms，还伴随QRS波主波与T波方向一致性的现象。同时Ⅱ导联通常显示典型且正向的P波、QRS波和T波，所以在HCM临床诊断及ECG数据库中是不可缺少的^[20]。近期，深度学习尤其是卷积神经网络（convolutional neural network，CNN）技术的发展，为端到端的心律失常自动诊断提供了有效的工具^[21-23]，同时，诸如单导联心电贴^[24]、心电背心^[25]等智能穿戴设备的出现也为心脏疾病的筛查提供了有利的条件。因此，探讨一种基于单导联ECG和深度学习方法的HCM自动检测方法具有重要的应用价值。

本文以单导联ECG为研究对象，提出了一种基于CNN的HCM自动检测方法，首先定位每段ECG信号的R波峰值位置，再以心拍为单位对ECG信号进行处理，之后使用CNN自动提取ECG信号中的深层特征并进行自动分类。然后，本文进一步探讨了CNN模型的优化，通过从PhysioNet的三个公开数据库中提取的数据对模型进行训练和测试，验证了所提出的HCM自动检测算法的准确性。

1. 材料和方法

基于单导联ECG的HCM自动检测算法的方法流程框图如图1所示，主要包括HCM心电数据库建库及信号预处理、按心拍分段和CNN分类模型搭建及训练与优化等部分。

图 1.

Schematic diagram of the proposed HCM automatic detection algorithm based on convolution neural network (CNN) by using single-lead electrocardiogram (ECG) signal

基于单导联ECG的HCM自动检测算法的方法流程框图

1.1. 实验数据

本文所使用的心电数据来源于PhysioNet提供的三个国际公开的数据库，包括心源性猝死动态心电图数据库（Sudden Cardiac Death Holter Database，SDDB）^[26]、德国国家计量研究所诊断心电图数据库（PTB Diagnostic ECG Database，PTBDB）^[27]以及美国麻省理工学院正常窦性心律数据库（MIT-BIH Normal Sinus Rhythm Database，NSRDB）^[26]。其中，SDDB为心源性猝死动态心电图数据库，PTBDB包含了多类心脏疾病以及健康对照组的心电记录，NSRDB中的心电记录则没有表现出明显的心律失常，可以全部用作健康对照组。

SDDB数据库一共包含了23条完整记录，包括18例潜在窦性心律患者、1例连续起搏和4例房颤，我们发现在18例潜在窦性心律患者中有一例是肥厚型心肌病。PTBDB数据库中包含了7名心肌肥厚的受试者共9条记录，作为HCM组；同时该数据库还包括了52名健康受试者共涵盖80条数据记录，用于健康对照组；此外PTBDB数据库中每个受试者包含1～5项记录，每条ECG记录包括15个数据通道：常规12导联和3个Frank导联，采样频率1 000 Hz，16位分辨率。MIT-BIH-NSRDB数据库包含18个长时程心电图记录的受试者，纳入本数据库的受试者未发现明显的心律失常，所以可全部用于对照组。表1给出了本文实验数据的总体信息，包括78名患者的108条ECG记录，其中HCM组包含10条记录，对照组共包含98条记录。特别地，对于PTBDB中存在的多条记录来源于同一受试者的情况，本文采用括号以及括号内的不同数字进行区分，其中数字代表数据库中受试者编号，括号里数字表示该受试者的多段数据记录。考虑到PTBDB中部分受试者的ECG记录长度较短（不超过2 min），为尽量保证数据的平衡性，避免过多使用同一受试者的长时程数据，本文对于其他两个数据库中的受试者，只截取前2 min的数据纳入专用数据库。同时，鉴于标准Ⅱ导联是临床单导联ECG观测的常用导联，以及考虑到数据库记录规则不同导致的导联信息不完全匹配，本文选用了标准Ⅱ导联ECG作为实验数据。

表 1. Data source information of HCM group and control group.

HCM组及对照组数据来源信息

数据库		记录名称*	记录 总数	受试者 总数	心拍 总数
* 对于多条记录来源于同一受试者的情况，本文采用括号以及括号内的不同数字进行区分
HCM组	SDDB	42	1	1	183
	PTBDB	127（1），127（2），201（1），201（2），262，137，222，289，167	9	7	1 126
对照组	PTBDB	104，105，116，117（1），117（2），121，122，131，150，155，156，165（1），165（2），166，169（1），169（2），170，172，173，174（1），174（2），174（3），180（1），180（2），180（3），180（4），180（5），180（6），180（7），182，184，185，198（1），198（2），214，229（1），229（2），233（1），233（2），233（3），233（4），233（5），234，235，236（1），236（2），236（3），237，238，239，240，241（1），241（2），242，243，244，245（1），245（2），246，247，248，251（1），251（2），251（3），252，255，260，263，264，266，267，276，277，279（1），279（2），279（3），279（4），284（1），284（2），284（3）	80	52	10 311
	NSRDB	16 265，16 272，16 273，16 420，16 483，16 539，16 773，16 786，16 795，17 052，17 453，18 177， 18 184，19 088，19 090，19 093，19 140，19 830	18	18	2 839

1.2. HCM心电数据库建库

图2展示了本文模型训练和测试过程中所使用的专用数据库的建库过程，该示例中的样本取自PTBDB中167号受试者的记录。对原始ECG信号进行适当的预处理可以减弱噪声干扰，提高特征波形识别的准确率，从而提高自动检测算法的识别效果。如图2a所示，来自公开数据库的原始ECG信号中所包含的噪声以基线噪声和其他高频噪声为主，我们首先使用带通滤波器（0.5～100 Hz）去除ECG有效频率范围外的噪声干扰，之后使用窗口大小为0.85倍采样频率的中值滤波器提取基线信号并去除，最后，对预处理后的数据进行归一化，即将信号幅值按比例映射到－1到1的区间上，目的是避免奇异值点所造成的影响，加快网络的收敛速度^[28]，预处理后的信号如图2b所示。在信号分段方面，考虑到CNN处理分类问题的特点，我们提出了以R波为界对ECG信号进行分段的方法，之后对每段ECG信号进行重采样，从而固定每个心拍所包含的采样点个数，以适应CNN输入层的固定长度大小。由于使用的公开数据库中存在128 Hz、1 000 Hz和少量250 Hz的采样频率，为了减少信息损失同时减轻CNN计算量，我们以每个心拍采样点个数为128为例，对公开数据进行心拍分段处理形成专用数据库，心拍信号相叠加后的效果如图2c所示。此外，可以根据实际模型训练和测试需求，对公开数据库数据进行不同心拍个数的分段处理。

图 2.

Demonstration of database building

本文数据库建库样本示例

a. 原始ECG信号；b. 信号预处理及R波定位；c. 该样本所有心拍分段及重采样后叠加显示的结果

a. raw ECG signal; b. signal pre-processing and R waves location; c. the overlapping results of all heartbeats after segmentation and resample

将所有记录按心拍进行分段得到专用数据库后，我们需要根据测试方式的不同对数据进行划分，本文中定义了“心拍级别”测试方式。心拍级别测试的数据划分规则为：先随机打乱数据库中所有数据，再按照数据量4∶1的比例划分训练集和测试集，这种方式较为简单，缺点是训练集和测试集中的心拍可能会来源于同一记录，本文中的模型调优过程便是采用该方式。

1.3. CNN分类模型设计与HCM自动检测评估

HCM组与其对照组的分类问题是一个典型的二分类问题，本文通过训练CNN模型来自动提取每个心拍的形态差异并进行HCM自动检测。CNN模型结构分为输入层、隐含层和输出层，对于本文的HCM自动分类检测问题，输入层单条数据样本的尺寸设计为128×1。隐含层则包含卷积层、池化层和全连接层，同时，在模型中进行适当的节点失活处理可以避免过拟合，具体做法是在全连接层和输出层之间添加结点随机失活层（Dropout），即仅对随机选中的部分网络节点进行训练。Dropout按照一定的比例，将一些节点随机选中并设置为无效，Dropout的数值即表示每个节点被置为无效的概率，对于隐含层节点，该值通常设置为0.5。同时，对于二分类问题，输出层通常采用Sigmoid函数或归一化指数函数（Softmax）输出分类结果。本文CNN模型的训练过程中使用五折交叉验证法，具体做法是将训练集分为五个互斥的子集，依次使用每个子集作为该轮的测试数据，其余四个子集的并集作为该轮的训练数据，如此训练五轮，可以得到五个模型。然后针对HCM与对照组的自动分类和检测，我们在测试集上取上述五个模型测试结果的均值用于性能评估。具体评估指标包括HCM检测灵敏度（sensitivity，Sen）、特异度（specificity，Spe）和准确率（accuracy，Acc），三个指标的计算方式具体如下：

1

2

3

其中TP、FN、TN和FP分别代表真阳性、假阴性、真阴性和假阳性结果的个数。HCM组的所有样本归为阳性，对照组的样本则归为阴性，因此本文中灵敏度表示HCM组中被正确分类的样本所占的比例，与之对应，特异度表示对照组中被正确分类的样本所占的比例，而准确率则表示所有样本中被正确分类的样本所占的比例。

1.4. CNN模型参数调优

在上述基本模型设计基础之上，为了进一步提高HCM的自动检测准确度，本文对CNN模型进行了参数调优，包括CNN模型的主要结构参数优化以及输入尺寸参数优化。调整模型结构参数的方法是使用控制变量法对卷积层的特征图个数、卷积核尺寸等参数进行优化；而调整模型输入尺寸的具体方法是改变输入数据中一个心拍所包含的采样点个数，控制其余部分不变或做细微调整。本文的CNN模型调优过程中，我们同样使用五折交叉验证法对模型进行训练和测试，并采用了心拍级别测试的数据划分方式，首先不重复地将所有心拍数据随机分为5份，每一次挑选其中一份作为测试集，剩余4份作为训练集用于模型训练，按照4∶1的比例来划分训练集和测试集。最后综合各个模型的输出从而得出最优模型参数及其HCM自动检测的性能结果。

2. 结果

本文在数据库建库过程中所采用的软件平台为MATLAB R2018a，按照1.2节中所介绍的方法进行数据库建库，最终得到的数据库包含了14 459条样本，每条样本均为包含128个采样点的单个心拍的原始ECG信号。其中HCM组共包含1 309个心拍，对照组共包含13 150个心拍。按照心拍级别测试的划分方法，划分后的训练集共包含12 050个心拍，测试集共包含2 409个心拍。

表2展示了模型结构参数优化的过程。本文在搭建和训练CNN模型的过程中所采用的软件平台为Python 3.7.6与TensorFlow 2.2。在训练过程中，我们基于全部训练集样本进行10次完整迭代（epoch）来调整模型的参数。M1～M4四个模型主要探究卷积核尺寸对网络性能的影响，由结果可知，M4性能略优于其他模型。之后M5和M6在M4的基础上将全连接层节点个数分别改为512和2 048，结果显示二者的性能均次于M4。之后M7和M8则在M2的基础上将两个卷积核的个数分别设置为32与64、64与128。多次对照实验后，同时兼顾网络复杂度和训练时间的考虑，可以认为M4具有相对较好的性能。

表 2. Optimization process of model structure parameters.

模型结构参数优化过程

模型		M1	M2	M3	M4	M5	M6	M7	M8
*表中字体加粗的模型M4为模型结构参数优化的最优结果
卷积层1	特征图个数	32	32	32	32	32	32	32	64
	卷积核尺寸	3*1	5*1	7*1	9*1	9*1	9*1	9*1	9*1
	步长	1*1	1*1	1*1	1*1	1*1	1*1	1*1	1*1
BN层1	批大小	240	400	560	720	720	720	720	720
池化层1	尺寸	2*1	2*1	2*1	2*1	2*1	2*1	2*1	2*1
	步长	2*1	2*1	2*1	2*1	2*1	2*1	2*1	2*1
Dropout比例		0.5	0.5	0.5	0.5	0.5	0.5	0.5	0.5
卷积层2	特征图个数	96	96	96	96	96	96	64	128
	卷积核尺寸	3*1	5*1	7*1	9*1	9*1	9*1	9*1	9*1
	步长	1*1	1*1	1*1	1*1	1*1	1*1	1*1	1*1
BN层2	批大小	240	400	560	720	720	720	720	720
池化层2	尺寸	2*1	2*1	2*1	2*1	2*1	2*1	2*1	2*1
	步长	2*1	2*1	2*1	2*1	2*1	2*1	2*1	2*1
Dropout比例		0.5	0.5	0.5	0.5	0.5	0.5	0.5	0.5
全连接层结点个数		1 024	1 024	1 024	1 024	512	2 048	1 024	1 024
Dropout比例		0.5	0.5	0.5	0.5	0.5	0.5	0.5	0.5
灵敏度（%）		94.67	95.82	96.64	98.03	95.33	97.54	97.71	98.03
特异度（%）		92.42	94.93	93.47	95.79	94.77	95.54	95.54	95.01
准确率（%）		92.61	95.01	93.74	95.98	94.82	95.67	95.72	95.26

表3展示了模型输入尺寸优化的过程，其中Md3为基准模型（即表2中的M4），Md2和Md4仅调整了模型输入尺寸，其他各结构参数不变；Md1和Md5在调整模型输入尺寸的基础上只对卷积核尺寸进行了微调。Md1和Md5都将卷积核的尺寸缩小了接近一半，但是相应的也几乎成倍地影响了网络训练的时长，即Md3和Md5网络的训练时间分别是Md1网络的2倍和4倍，显然减少数据长度可以有效地简化网络结构，是优化训练时长的有效策略之一。结果表明当输入尺寸为64*1时，模型分类的最佳准确率为95.76%，当输入尺寸为256*1时，模型分类的最佳准确率为91.51%，均低于输入尺寸为128*1的情况，因此选定一个心拍包含128个采样点。

表 3. Optimization process of the model input length.

模型输入尺寸优化过程

模型		Md1	Md2	Md3	Md4	Md5
*表中字体加粗的模型Md3为模型输入尺寸优化的最优结果
输入层		64*1	64*1	128*1	256*1	256*1
卷积层1	特征图个数	32	32	32	32	32
	卷积核尺寸	5*1	9*1	9*1	9*1	5*1
	步长	1*1	1*1	1*1	1*1	1*1
BN层1	批大小	400	720	720	720	400
池化层1	尺寸	2*1	2*1	2*1	2*1	2*1
	步长	2*1	2*1	2*1	2*1	2*1
Dropout比例		0.5	0.5	0.5	0.5	0.5
卷积层2	特征图个数	96	96	96	96	96
	卷积核尺寸	5*1	9*1	9*1	9*1	5*1
	步长	1*1	1*1	1*1	1*1	1*1
BN层2	批大小	400	720	720	720	400
池化层2	尺寸	2*1	2*1	2*1	2*1	2*1
	步长	2*1	2*1	2*1	2*1	2*1
Dropout比例		0.5	0.5	0.5	0.5	0.5
全连接层结点个数		1 024	1 024	1 024	1 024	1 024
Dropout比例		0.5	0.5	0.5	0.5	0.5
灵敏度（%）		97.03	96.74	98.03	96.57	97.09
特异度（%）		95.57	95.66	95.79	90.99	90.43
准确率（%）		95.71	95.76	95.98	91.51	91.05

图3展示了优化后的CNN模型的结构及参数，输入层单条数据样本的尺寸为128*1，卷积层1中卷积核的数量、尺寸和步长分别为32、9*1和1*1，BN层1（BatchNormalization，BN，批归一化）的归一化批大小为720，池化层1的尺寸和步长分别为2*1和2*1，卷积层2中卷积核的数量、尺寸和步长分别为96、9*1和1*1，BN层2的归一化批大小为720，池化层2的尺寸和步长分别为2*1和2*1，全连接层的结点个数为1 024，输出层的结点个数则为1，该结点的值表示该样本属于HCM组的概率值。其中卷积层的激活函数采用ReLU激活函数，全连接层的节点失活比例为0.5，输出层的激活函数采用Sigmoid激活函数，损失函数采用二元交叉熵函数，采用的优化器为Adam优化器。测试结果显示，优化后的模型达到了95.98%的准确率、98.03%的灵敏度和95.79%的特异度。

图 3.

Structure and parameters of the CNN model after optimization

模型优化后的卷积神经网络结构及参数

3. 讨论

3.1. 标准12导联与单导联的对比

标准12导联是临床常用的ECG导联配置方式，采用该导联体系可以记录较为丰富的体表ECG信息，以往的HCM自动检测的相关研究中，实验数据通常都来源于各研究者临床采集得到的标准12导联ECG。与标准12导联相比，本文所使用的单导联记录方式则更为简便，在降低了电极等医疗资源使用成本的同时，提高了单次ECG采集和HCM诊断过程的效率，并且不会给患者的行动带来明显的不便。若采用深度学习方法能够弥补单导联ECG相较于标准12导联ECG在信息量上的不足，单导联的记录方式将可以很好地应用于临床上大范围HCM筛查的场景。

此外，与以往研究相比，本文所采用的数据全部来源于公开数据库，并且我们严格按照头文件中的标注提取数据库中的数据，为之后的同类研究提供了对比和参照。虽然数据来源不同，但是以往基于标准12导联的相关研究与本文研究中的HCM诊断性能结果对比仍可以在一定程度上说明问题。

3.2. 不同分类方法的HCM诊断性能对比

在分类器的选择方面，以往研究通常使用基于明确ECG特征的机器学习方法^[16-19]，然而，这些特征并不是HCM所特有的，在一些运动员甚至正常人群体中也会出现^[29]，此外，10%的HCM患者ECG中不会出现明显的异常^[13]，这些都为基于人工特征的分类方法带来了困难。

2015年，Rahman等^[17]基于标准12导联ECG提取了504个特征，使用支持向量机（support vector machine，SVM）进行分类，达到了88%的灵敏度和91%的特异度；使用随机森林进行分类，达到了87%的灵敏度和92%的特异度。2017年，Campbell等^[18]使用基于形态学差异特征的HCM分类算法，达到了81.2%的灵敏度和90.7%的特异度。与上述研究相比，本文创新性地提出了基于深度学习的HCM自动检测方法，避免了人工特征提取过程，并且达到了95.98%的准确率、98.03%的灵敏度和95.79%的特异度，验证了深度学习方法在HCM诊断中的可行性和应用价值，并且能够达到良好的性能。

3.3. CNN模型的优化过程

在模型的结构参数优化方面，如表2所示，在迭代次数相同的前提下，卷积核尺寸、卷积层特征图个数会导致不同的自动特征提取结果，过大或过小的卷积核都会导致CNN模型的分类性能不理想，卷积层特征图的个数也并非越多越好。此外，全连接层结点个数也会对CNN模型的性能产生细微的影响，在保证分类性能稳定的情况下减少全连接层结点个数以及引入Dropout方法，可以有效防止出现过拟合问题。

此外，在模型输入尺寸优化方面，如表3所示，三种数据长度在HCM自动检测的性能方面未见显著差异，输入尺寸为128*1的模型分类准确率最高，可以认为其更能有效地提取关键信息。模型输入尺寸的大小主要对网络的复杂度产生影响，例如输入长度256的网络，由于样本中的细节增加，在实验中更容易体现出过拟合的倾向，导致测试得出的性能显著降低。此外，Md1和Md5对卷积核尺寸进行了微调，却极大地影响了实际中网络训练的时长，Md3和Md5网络的训练时间分别约为Md1网络的2倍和4倍，显然，缩小输入数据的尺寸可以有效简化网络结构，从而缩短训练的时长。

4. 结论

本文提出了一种基于单导联ECG和CNN的HCM自动检测方法，该方法将单导联ECG按照心拍进行划分，使用CNN对每个心拍进行自动特征提取和分类，并在公开数据库上进行了测试，该方法具有的优点为：① 所采用的数据源为单导联ECG，导联配置简单，较适用于临床HCM筛查的场景；② 所提出的模型采用原始ECG信号作为输入进行分类，避免了特征提取带来的信息损失；③ 具有较高的特异性，在阴性受试者群体中进行初筛时，可以有效避免误诊。尽管本文方法在国际公开数据库的测试显示了较好的性能，然而本文工作仍然存在诸多不足：首先，数据样本量较小，特别是针对HCM患者的数据量很少，目前阶段本文仅在国际公开数据库上通过使用不区分患者（记录）的情况下验证了该自动检测模型的性能表现；其次，临床上对HCM的心电图诊断普遍基于12导联，欲开发一种基于单导联的HCM自动检测算法，有必要进行科学的过渡，同时在单导联的测试阶段，也需要针对不同的导联选择继续对比，探究哪一种导联最能凸显HCM心律的异常特征。因此，在后续研究中，我们将结合临床HCM患者数据采集对该方法进行进一步的临床级别的测试与评估验证，同时验证单导联心电监护在临床HCM诊断上的应用价值。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：本文数据库建库、算法设计及论文写作与修改由卜雨翔、茶兴增及朱金灵共同完成，苏叶医生承担本文工作的临床指导，赖大坤教授承担本文工作的总体指导。卜雨翔和茶兴增两位作者贡献相同。

Funding Statement

国家自然科学基金（61771100）；四川省科技计划（2021YFH0093）

The National Natural Science Foundation of China; The Sichuan Science and Technology Program