自动化12导联心电图分类方法研究——基于可变形卷积的DCNet网络

用户811035523472
113 阅读6分钟

以下是文章的阅读笔记：Automatic 12-Leading Electrocardiogram Classification Network with Deformable Convolution doi.org/10.1109/emb…

一、研究背景与目的

心电图（ECG）是一种非侵入式、无创伤的检测心脏活动电信号的医疗工具，在临床诊断、健康筛查和远程监测中具有广泛的应用价值。特别是12导联ECG，它能从多个角度反映心脏的电生理活动，因此成为医生识别心律失常、传导阻滞和缺血性心脏病等疾病的重要依据。

然而，面对日益庞大的医疗数据，依赖医生人工分析心电图已无法满足实际需求。一方面，ECG信号具有噪声大、变化快、结构复杂等特征，即便是经验丰富的心脏科专家也可能在处理大量图谱时出现漏诊或误判；另一方面，人工诊断效率低，难以适应急诊场景和远程医疗的发展趋势。因此，发展一种高效、准确、自动化的心电图诊断方法迫在眉睫。

二、研究方法与技术创新

为了克服传统卷积神经网络（CNN）在处理多导联心电图时只能提取局部特征、无法捕捉导联间全局联系的局限性，本文提出一种结合常规卷积与可变形卷积的新型神经网络结构——DCNet（Deformable Convolution Network）。其主要创新体现在以下三个方面：

  1. 引入可变形卷积结构：可变形卷积通过引入位移权重，使卷积核在特征图上可灵活采样，不再局限于固定形状。这一机制允许网络在空间维度上自动调整感受野，增强其适应不同导联间信息分布差异的能力。
  2. 模块化设计的DCN Block：每个DCN Block包括两个一维卷积层与一个可变形卷积层，在保持局部特征提取能力的基础上提升跨导联的特征融合效果。逐层堆叠DCN Block能有效提升模型的深度和表达能力。
  3. 轻量级架构与端到端训练：整个DCNet架构紧凑，采用一维卷积、最大池化与全局平均池化等操作，避免复杂预处理与过度特征工程。该网络支持端到端训练流程，简化了实际部署和模型迁移的难度。

网络的实现基于Pytorch 1.4.0平台，训练采用Stochastic Gradient Descent（SGD）优化器，初始学习率设定为0.0001，动量为0.5，训练轮次为100轮，使用批量大小为8。训练与测试均在具备高性能GPU支持的Linux服务器上完成，确保实验数据的可靠性与可复现性。

三、数据集与实验结果分析

使用的数据来源于中国生理信号挑战赛CPSC-2018公开数据集，该数据集包含来自全国多家医院的12导联心电图记录，覆盖九大类心律诊断类型：正常（Normal）、房颤（AF）、一度房室传导阻滞（I-AVB）、左束支传导阻滞（LBBB）、右束支传导阻滞（RBBB）、房性早搏（PAC）、室性早搏（PVC）、ST段压低（STD）与ST段抬高（STE）。

原始数据的采样率为500Hz，本文通过统一重采样至250Hz，并截取30秒的信号段进行训练，最终获得5850条长度为7500的数据样本。数据按比例随机划分为训练集（60%）、验证集（20%）与测试集（20%），确保网络在训练过程中的泛化能力。

分类准确率作为模型评估指标，实验结果显示：

  • DCNet的整体加权平均准确率达到了86.3%，显著高于传统CNN（80.1%）、ResNet18（79.8%）、VGG16（81.3%）与LSTM（77.3%）等基准模型。
  • 在房性早搏（PAC）与室性早搏（PVC）等识别难度较高的类别中，DCNet表现尤为突出，准确率分别达到71.6%和93.7%，远超其它模型在该类别下的表现。
  • 模型在训练过程中的收敛速度也表现良好，大约在第50个epoch后准确率趋于稳定，表明结构设计具备较强的学习效率。

四、DCNet网络结构详细解析

DCNet的结构逐层描述如下：

  1. 输入层：12通道并行输入ECG信号，每通道对应一个导联。

  2. DCN Block 1-4：

    • 每个Block由两层1×3的一维卷积、一个1×4最大池化层和一个3×3可变形卷积构成；
    • ReLU激活函数紧随每个卷积层以提升非线性表达能力；
    • 通道数逐层扩展为32、64、128、256，以增强特征提取能力；

  3. 分类层：对最终特征图执行全局平均池化，接入全连接层并使用softmax分类器输出9类诊断概率。

这一结构设计使得模型在保持结构紧凑的同时，兼顾特征提取的深度与广度，是轻量级、强表达力的典范。

五、未来研究方向

尽管DCNet已在CPSC-2018数据集上取得良好结果，研究团队仍计划开展以下拓展工作：

  • 跨数据库验证：引入更多临床实际数据集（如MIT-BIH、PTB）进行测试，提升模型的实用性与泛化能力；
  • 模型轻量化与边缘部署：通过结构剪枝、量化等技术，探索模型在移动端与穿戴设备上的部署可能；
  • 引入注意力机制：进一步提升模型对重要导联与关键波形的响应能力，提高判别性能；
  • 多模态融合：尝试将ECG与其他生理参数（如血压、血氧等）融合，实现更全面的心血管健康评估。

六、结语与展望

作者提出的DCNet模型，成功将可变形卷积引入心电图自动诊断任务中，突破了传统卷积神经网络在导联间特征建模上的瓶颈。实验验证表明，DCNet在多个类别下均展现出优异的性能，特别是在复杂节律识别方面具备较大优势。

该方法无需复杂预处理，具备端到端部署能力，可广泛应用于医院临床系统、急救车监控系统、家庭心电监测设备等多种场景。未来，随着研究的深入和技术的演进，DCNet有望成为智能心电诊断的核心引擎之一。

avatar
文章
阅读
粉丝