Multiple-feature-branch convolutional neural network for myocardial infarction diagnosis using electrocardiogram
1.摘要
通常，12导联心电图被广泛应用于心肌梗死的诊断。它有两个独特的属性，即完整性和多样性。但以往的心梗自动诊断算法研究大多没有同时利用这两个属性。本文提出了一种基于多特征分支卷积神经网络(MFB-CNN)的心电MI自动检测与定位方法。MFB-CNN的每个独立特征分支都对应于一个特定的导联。一个特征分支可以利用12个线索之间的多样性来学习一个线索的单个特征。全局全连接softmax层可以充分利用其完整性，总结所有的特征分支。基于深度学习框架，分析不需要手工设计的特征。此外，采用患者特异性范式来管理患者间的变异性，这是自动化诊断的一个重大挑战。此外，进行基于类别的实验(不考虑患者间的差异)。
利用PTB诊断数据库中的心电数据对该算法进行了评价。在心肌梗死诊断中具有良好的诊断效果。对于基于类的心肌梗死检测和定位，平均准确率分别高达99.95%和99.81%;在患者特异性实验中，心肌梗死检测和定位的平均准确率分别为98.79%和94.82%。由于其优异的性能，MFB-CNN可以应用于计算机辅助诊断平台，辅助真实世界的心肌梗死检测和定位。
2.介绍
心肌梗死(MI)是世界范围内最常见的心血管疾病之一。其主要原因是冠状动脉堵塞，随后流向心肌的富氧血流量减少。由于缺氧，心肌会发生坏死并扩张，导致严重的心脏病发作。根据美国健康协会的数据，每年大约有75万美国人心脏病发作，其中15.5%的人死亡。因此，心肌梗死的早期诊断是至关重要的，心电图可以完成早期诊断。
本文提出了一种新型的多特征分支CNN (MFB-CNN)用于12导联心电图的心梗检测和定位。每个特征分支都包含独立的卷积层和池化层，对应于某个先导。采用全局全连接softmax层对所有特征分支进行汇总，确定最终诊断结果。
本文贡献如下：
-
为了充分利用12导联心电图的多样性和完整性，开发了一种MFB-CNN。独立的特征分支由一维卷积层和池化层组成。他们可以通过训练从不同的导联那里学习不同的特征，这样就可以利用多样性。全局全连接层可以同时利用来自所有12条引线的信息，充分利用其完整性。基于深度学习框架，不需要额外手工设计特征提取和选择。与传统的1维cnn相比，它专门针对12导联心电图进行处理，更适合心梗的自动化诊断。
-
实现了MI检测和定位。与其他研究相比，我们的算法具有较好的鲁棒性。由于所有12个引线都被利用，它可以比使用更少引线的算法识别更多类型的MI。
-
为减轻患者间的变异性，MI的检测和定位采用患者特异性方案。此外，不考虑患者间的差异，也进行了基于类别的实验。在患者特异性实验方面，MFB-CNN可以用于学习特定患者的独特特征。
3.数据集和预处理
3.1 数据库：PTB diagnostic ECG database
数据库介绍：它提供了290名受试者的549份记录，每一份记录都有心脏病专家的诊断结果。心电信号以1 kHz采样，16位分辨率，范围为16.384 mV。大多数心电图记录时间为~ 2min，所有记录时间至少为30s。数据库中包含了148名心肌梗死患者。并提供了52名健康对照(HC)受试者。采用5种心肌梗死类型进行评价，包括前壁心肌梗死(AMI)、前隔心肌梗死(ASMI)、前外侧心肌梗死(ALMI)、下壁心肌梗死(IMI)、下壁心肌梗死(ILMI)。
本工作共考虑了6类心电信号。可以看出，PTB数据库中MI类和HC类的样本记录数量不同。虽然样本记录的均衡分布有利于模型的训练，但不均衡的数据分布在实际应用中更为常见。因此，本文保持了样本记录的不平衡分布。
根据数据库，每个病人都有多条记录，每条记录都包含多个心跳。下面的算法基于心跳，心跳是心电信号的基本单位。采用Pan-Tompkins算法对所有节拍进行qrs波检测分割。每个心跳包含600个样本，其中qrs峰值点前的样本为199个，qrs峰值点后的样本为400个。此外，为了消除心电信号的偏移效应，将某导联中的每一次心跳通过去除其振幅的平均值来“集中”。图1显示了心肌梗死前路、心肌梗死内路和健康心跳的例子(导联II、V3和V5，因为这3条导联的病理变化在视觉上是明显的)。综上所述，本研究使用的心电信号的详细统计如下表所示。
4.方法
12导联心电图有2个独特的属性:
-
多样性:每个导联提供一个独特的视图，对应于心脏的特定距离和角度。因此，每个导联都包含了单独的特征。
-
完整性:所有12条导联都反映了同一颗心。12导联心电图心跳由12个同步获取的单导联心跳组成，应作为一个整体来对待。
在本研究中，部署了12个特征分支，对应于12条导联。它们彼此独立。在MFB-CNN的后端部署了一个完全连接的softmax层，以提供最终输出。基于深度学习框架的MFB-CNN可以自动动态地从心电数据中学习有效的特征。算法中不使用固定的和手工设计的特征。如图所示：
4.1 Independent feature branch
在MFB-CNN中，每个导联对应一个独立的特征分支。通过训练来识别最优特征进行诊断。一个独立的特征分支由一维卷积层和池化层组成。一个层的输入或输出也称为特征映射。在本研究中，卷积层与池化层在一个特征分支中交替使用。
4.1.1 1-D convolutional layer
这是执行一维卷积和激活的层。它的功能是从输入中提取特征。与二维图像相似，一维心电图的局部变化具有高度相关性，表明卷积层可以检测到重要的特征。
4.1.2. 1-D pooling layer
这是执行下采样的层。来自输入映射局部补丁的语义相似特征被合并为一个更健壮的特征。因此，池化层可以通过压缩特征来增强失真的不变性。同时，减少模型的计算量，缓解过拟合问题。
4.2 Global fully-connected layer
为了充分利用12导联心电图的完整性，采用全局全连接层对其特征进行总结并给出最终结果。全连接层中的神经元与相邻层中的所有神经元连接。
4.3 Training
采用随机梯度下降(SGD)对MFB-CNN进行训练。
5.结果
5.1 Model structure and parameters
本文提出了一种具有12个特征分支的MFB-CNN算法。为了保持12个领导之间的平衡，每个特性分支都按照统一的结构进行部署。一个特征分支有7层，包括一个输入层，3个1-D卷积层，3个1-D均值池化层。具体信息如下表：
5.2 Class-based experiments
epoch:30
mini-batch:16
5.2.1 MI detection
MI检测是MI和HC拍之间的二元分类任务。5次交叉验证的结果汇总如表:
混淆矩阵如下表所示：
5.2.2 MI localization
5次交叉验证的结果见下表：
此外，可以注意到ALMI的精度略低于其他类。这是因为ALMI类的节拍更少，而深度学习模型通常需要更多的数据
5.3. Patient-specific experiments
在实际应用中，患者间的变异性是心电图自动分析的主要挑战。由于每个人心脏独特的生理属性或患者年龄、性别、既往病史的不同，往往表现为不同患者、不同患者群体的心电图波形和特征的明显差异。因此，基于固定训练集的分类器可能由于患者间的巨大变异性而无法准确诊断新患者。为了克服这一问题，基于患者特定范式的算法已经被开发出来。
对于患者特异性方案，首先使用全局训练集训练模型，然后使用来自新患者的患者特异性数据集使分类器适应患者。患者特异性范式被证明是管理患者间变异性的有效方法，其框架如图所示。
5.3.1 MI detection
5.4. Comparison between MFB-CNN and 1-D CNN
为了从特征上验证该算法的优越性，将MFB-CNN与传统的1-D CNN进行性能比较。每条导联由1-D CNN处理，得到MI检测和定位结果，1-D CNN的参数设置与MFB-CNN的一个特征分支一致。同时进行了基于类的实验和针对患者的实验，并采用了5倍交叉有效。除上述三个性能指标(敏感性、特异性和准确性)外，还采用受试者工作特征(ROC)曲线和ROC曲线下面积(Area Under curve, AUC)来评估模型。
