使用Python+TensorFlow2构建基于卷积神经网络（CNN）的ECG心电信号识别分类

Posted 2021-02-20 执念

本篇博客以及之后的一个系列，我将记录下我是如何从一个没学过信号处理，不懂什么是深度学习，没接触过心电信号的小白，一步步做出基于CNN的心电信号识别分类的过程。网络上关于ECG方面的相关博客内容不多，可以直接运行的相关代码也寥寥无几，这给初学者造成了很大的困难。希望通过自己的总结和整理能够帮助自己更好的理解这些知识和技术，也能够为同为新接触这方面研究的小伙伴们一些入门的帮助。本篇博客的相关代码由Python3写成，使用了TensorFlow2的框架，已经开源到了我的GitHub上，地址如下https://github.com/lxy764139720/mit-bih_ecg_recognition。这里还有一个其他博主使用MATLAB进行研究的相关博客，地址如下https://blog.csdn.net/qq_15746879/article/details/80329711。

心电信号简介

在一个心跳周期中，心脏受到外界刺激后会有规律的持续收缩并产生电激动，之后刺激消失后又会舒张，在这个过程中，会有大量的心肌细胞产生有规律的电位变化，通过人体表面的电极可以记录到电位变化的曲线，曲线经过放大也就是临床上的心电图，即心电信号（ECG）。心电信号是一种微弱生物电信号，有以下特征：

（1）微弱性：心电信号的幅值在10uV-5mⅤ范围，是低幅值信号。

（2）不稳定性：心电信号在不断地变化且容易受到环境干扰，覆盖大量噪声，导致心电信号的很多有价值信息被淹没，很难检测，且不同个体在不同时刻下的心电图都是不同的，即使同一个体在不同生理状态下波形也可能不同。

（3）低频性：心电信号的频率范围主要在0.05-100Hz内，主要能量集中分布在0.5-40Hz。

一个完整的心拍主要由P波、QRS波群、T波、PR波段以及ST波段构成，不同波段分别反映了兴奋传导至心脏各部位的具体变化情况。PR间期和QT间期可以传递心电信号非常重要的生理信息，是心电信号中非常重要的特征。一个完整的心电波形如下图所示：

常见心律失常疾病

心律失常是十分常见的心血管疾病，主要表现为心脏搏动频率或节律的异常。心律失常若得不到及时治疗，可发作导致人死亡。正常心率记为（Normal,N），常见的心律失常疾病主要包括：房性期前收缩（ Premature Atrial Contraction,A）、室性期前收缩（ Premature Ventricular Contraction,V）、左束支传导阻滞（ Left bundle branch block,L）和右束支传导阻滞（Right Bundle Branch Block,R）等。

心电信号自动分类识别算法流程

由于心电信号通常十分微弱，采集过程中容易受到各种因素的干扰，心电信号的噪声种类繁多，所以心电图分类识别的首要步骤就是对信号进行预处理。国内外研究学者针对去噪方面做了很多研究，主要的去噪手段有经典的数字滤波器和基于小波变换的阈值去噪等。经典的数字滤波器根据频率范围的不同对噪声进行去噪：对于基线漂移使用高通滤波器去噪、对于肌电干扰使用低通滤波器去噪、对于工频干扰使用带通滤波器去噪。近年来，小波变换技术的快速发展催生出了一系列基于小波阈值去噪技术。该类技术是根据信号和噪声的频率在不同尺度上的分布，先对信号进行小波变换，再根据阈值对各层小波系数进行处理，最后重构信号实现去噪。小波阈值去噪技术对于非平稳信号具有优秀的处理效果，与传统处理方法相比有显著的优越性。

在对心电信号进行预处理和特征提取的基础之上，使用深度学习对心电信号进行自动分类识别。深度学习的研究与神经网络有着密不可分的联系。2006年，Hinton提出了深度置信网络，成为了深度学习领域的一个里程碑。如今在大数据、计算机算力大幅度增加的背景下，深度学习已经在图像处理、语音识别和NLP等众多领域的研究中取得了巨大进展。而卷积神经网络模型经历了从最早的LeNet模型到现在的GoogleNet、ResNet等不断的演进，识别率已经十分优秀。在研究心电分类算法时，利用深度学习在大量数据处理方面表现出的优势，使得分类效果有着显著的提升。