1、计算机与现代化JISUANJI YU XIANDAIHUA2023年第1期总第329期0引 言在临床上，心血管疾病常伴有心律失常症状，严重的心律失常可能会导致猝死或心力衰竭的发生，因此，及时、准确地检测心律失常是十分必要的1。心电图提供了丰富的心脏健康和病理信息，是诊断心脏疾病的重要方法2。心律失常情况通常要由医生给出诊断，但在临床实践中，受到医生经验的差异性和严重的心电噪声影响，往往会出现误诊和漏诊3的情况，因此需要找到一种识别带有噪声的心电信号，即文章编号：1006-2475（2023）01-0081-07基于对抗域适应的心电信号深度学习分类算法蒋思清1，陈潇俊2，高豪俊1，何佳晋1，吴健
2、1，2（1.浙江大学公共卫生学院，浙江 杭州 310058；2.浙江大学睿医人工智能研究中心，浙江 杭州 310000）摘要：心血管疾病已成为威胁人类生命健康的主要疾病之一。心电图是临床上常见的诊断心律失常的重要方法并被广泛用于监测心脏病患者的健康状况。由于现有的医疗资源匮乏，使用人工智能的方法来分析和诊断从而克服这些局限性的需求愈加迫切，在临床中使用自动检测和分类方法，可以帮助医生对疾病做出准确、快速的诊断。本文对8种常见的心律失常类型进行分类，提出一种基于对抗域自适应的心电信号深度学习分类的方法，解决并改善训练样本标注不足和个体差异导致的数据分布差异现象等问题。该方法包括3个模块：多尺度特
3、征提取A模块、域识别B模块和多分类器C模块。A模块由2组不同的并行卷积块组成，增加了特征提取的宽度。B模块由3个卷积块和1个全连接层组成，用于充分提取浅层特征。在C模块中，将时间特征和深度学习提取特征串联在全连接层上，增强特征多样性。实验结果表明，该方法在准确率、敏感性和阳性预测值上可达到98.8%、97.9%和98.1%，所提出的模型可以帮助医生在常规心电图中准确地检测不同类别的心律失常。关键词：心电信号分类；深度学习；多尺度；时间特征；对抗域自适应中图分类号：TP274文献标识码：ADOI:10.3969/j.issn.1006-2475.2023.01.014Deep Learning
4、Classification Algorithm for Electrocardiogram Signal Based onAdversarial Domain AdaptationJIANG Si-qing1，CHEN Xiao-Jun2，GAO Hao-Jun1，HE Jia-jin1，WU Jian1，2（1.School of Public Health，Zhejiang University，Hangzhou 310058，China；2.Real-doctor Artificial Intelligence Research Center，Zhejiang University，H
5、angzhou 310000，China）Abstract：Cardiovascular disease has become one of the major diseases threatening human life and health.Electrocardiogram（ECG）is a common clinical diagnosis of the important methods for arrhythmia and is widely used in health monitoring of patientswith heart disease.As a result o
6、f the existing medical resources，the use of artificial intelligence method to analysis and diagnosisin order to overcome these limitations of increasingly urgent demand，the use of automatic detection and classification methods inclinical practice may help doctors make accurate and rapid diagnosis of
7、 diseases.In this paper，eight common arrhythmia typesare classified，and a deep learning classification method of ECG signals based on adaptive antagonism domain is proposed，which solves and improves the problems of insufficient training sample labeling and data distribution differences caused by ind
8、ividual differences.This method consists of three modules:Multi-scale feature extraction module A，domain recognition module Band multi-classifier module C.Module A is composed of two groups of different parallel convolution blocks，which increases thewidth of feature extraction.Module B is composed o
9、f three convolution blocks and a fully connected layer to fully extract shallowfeatures.In module C，time features and deep learning extracted features are connected in series on the fully connected layer toenhance feature diversity.The experimental results show that the accuracy，sensitivity and posi
10、tive predictive value of thismethod can reach 98.8%，97.9%and 98.1%，and the proposed model can help doctors accurately detect different types of arrhythmias in routine electrocardiogram.Key words：ECG signal classification；deep learning；multi-scale；time characteristics；adversarial domain adaptation收稿日
11、期：2022-03-08；修回日期：2022-04-07基金项目：国家自然科学基金资助项目（62176231）;浙江省公益技术研究项目（LGF20F020013）作者简介：蒋思清（1997），男，浙江杭州人，硕士研究生，研究方向：深度学习，数据库，E-mail:；陈潇俊（1992），男，江苏南京人，工程师，硕士，研究方向：云心电，数据库，E-mail:；高豪俊（1996），男，浙江温州人，硕士研究生，研究方向：NLP，深度学习，E-mail:；何佳晋（1997），男，浙江义乌人，硕士研究生，研究方向：联邦学习，E-mail:；通信作者:吴健（1975），男，浙江杭州人，教授，博士，研究方向：医
12、学人工智能，E-mail:。计算机与现代化2023年第1期可实现对心律失常类别进行准确判断的方法，进而帮助医生更精准地发现心律失常事件。此外，在人工智能技术迅速发展的背景下，目前计算机辅助心电图分析的方法4越来越受到大家的关注，成为了心电图领域的研究热点之一，其中高精度的心电图自动诊断在心血管疾病的预防和辅助诊疗中起到了关键作用，具有良好的实践前景和重要的医学价值。目前，临床心电图在计算机领域的分类方法包括2个大类，即基于信号处理技术的方法和基于深度学习的方法5。第一类信号处理方法包括小波特征、高阶统计量、功率谱特征等通过提取特征向量的方式针对波形的振幅和频率进行分析6-11。例如 Marti
13、s等12对正常、心房颤动和心房扑动心电图信号进行了独立成分分析（Independent Component Correlation Algorithm，ICA），其分类效果显著高于K邻近分类器；Acharya 等13提出了一种计算机辅助诊断（Computer Aided Diagnosis，CAD）方法，他们从心电信号中提取了熵特征并通过决策树对14个重要特征进行分类；Ye等14采用形态学和动态特征方法，检测准确率达到86.4%。虽然上述传统的分类方法取得了良好的结果，但从心电信号中提取关键特征并构建心电特异性特征向量的过程复杂且耗时，其次，分类效果与特征的选择高度相关，特征的选择容易受到主观
14、因素的影响，加上过拟合问题15的出现，在实际应用中具有一定的局限性，难以达到预期的诊断精度。相比之下，第二类深度学习方法比传统方法更具优势。它们可以优化心电信号特征提取的过程，取得更好的分类性能和泛化能力。Yildirim 等16采用长短期记忆神经网络（Long Short-Term Memory，LSTM）对心电进行识别和分类；Chu等17首先提出了一种针对多导联心电信号的二维卷积神经网络（Convolutional Neural Networks，CNN）来提取交叉导联心电图特征，将CNN和LSTM提取的特征与传统特征相结合，采用二值粒子群优化算法（Discrete Binary Part
15、icle Swarm Optimization Algorithm，BPSO）对特征进行区分和选择，最后选择加权支持向量机作为分类器时效果表现良好；Sellami等18采用Resnet对心电信号进行自动分类，并提出了批量加权损失来处理数据不平衡的问题，每个输入数据包含2个心拍以便更好地学习特征，总体分类准确率达到89%。随着可穿戴技术的发展，心电数据的采集更加方便、高效19，但由于数据标注的成本较高，许多普通医院无法支持相应设施，导致许多标注不完整，无法获得足够的优质训练数据。心电图数据的分布由于个体差异以及数据采集来源和方法不同也存在差异，而迁移学习中的领域自适应方法在处理标记较少的数据及其
16、分布差异方面具有优势，因此可以将迁移学习20引入心电信号分类任务中。本文重点研究基于迁移学习的自动分类技术，采用大量标记样本作为源域数据，少量未标记样本作为目标域数据，利用域适应提高域间迁移能力，多尺度特征提取器则有助于更好地学习信号的复杂特征，提高模型分类性能。基于对抗域适应来解决标记不完整和个体变异问题，并对8类常见的心律失常进行智能分类的方法应用于临床心电领域的相关研究在国内外鲜有报导。本文的3个主要工作如下:1）提出一种基于对抗域自适应学习的心电信号分类方法，解决标记训练样本不足的问题，改善个体差异导致的数据分布差异的现象。2）对该方法的A、B、C这3大模块各组成部分分别进行优化，进而实现对临床上8种常见的心律失常类别的精准分类，为心电图临床决策和辅助诊断提供依据。3）提出4个关键的时间特征，并将其与深度学习特征进行串联，增加特征的丰富性。1数据分析与预处理心电信号分类任务流程如图1所示。首先对心电记录中的信号进行预处理，生成输入数据，然后将其传递到对抗域自适应模型中进行训练，将自动提取的模型特征与人工提取的时间特征进行融合并输入到分类器中，得到最终的分类结果。图1心电信号分类