作者：蔡增玉 ，崔夢(mèng)夢(mèng) ，侯佳林 ，張建偉

引 言

心臟病已經(jīng)成為威脅人類生命的一項(xiàng)重大疾病，目前中國(guó)的心血管疾病預(yù)防工作雖然取得了初步成效，但是仍舊面臨嚴(yán)峻的挑戰(zhàn)，中國(guó)心血管疾病的患病率及死亡率仍處于上升階段。防治心血管病的態(tài)勢(shì)已經(jīng)刻不容緩，每10例死亡患者中，就有 4例是心血管疾病患者，心臟病的致死率占心血管疾病的50%以上。

目前我國(guó)有多種方式檢測(cè)患者是否患有心臟病，如動(dòng)態(tài)心電圖、CTA、ECG、UCG等?；颊呤紫刃枰メt(yī)院做心電圖檢查，經(jīng)驗(yàn)豐富的醫(yī)師通過查看患者的心電圖是否有心房顫動(dòng)、房性前收縮、房室和束支傳導(dǎo)阻滯等癥狀，以此對(duì)患者是否患有心臟病做出診斷。傳統(tǒng)的心臟病診斷方式會(huì)因各種主觀因素對(duì)結(jié)果造成影響，許多學(xué)者對(duì)此進(jìn)行了深入的研究，并將機(jī)器學(xué)習(xí)的方法引入到心臟病預(yù)測(cè)中，提出了各種基于機(jī)器學(xué)習(xí)的心臟病預(yù)測(cè)方法［1?10］。比較典型的方法有用支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)兩種不同的模型對(duì)數(shù)據(jù)進(jìn)行建模［11］；使用基于聚類和 XGboost算法進(jìn)行建模［12］。其中，文獻(xiàn)［11］中設(shè)計(jì)的模型具有較高的查重率，但訓(xùn)練過程中容易產(chǎn)生過擬合問題，造成模型的泛化能力不強(qiáng)；文獻(xiàn)［12］基于聚類和XGboost 算法雖然有較高的準(zhǔn)確率，但是當(dāng)有大量的訓(xùn)練數(shù)據(jù)時(shí)，訓(xùn)練速度將變得十分緩慢。

1、 基于殘差神經(jīng)網(wǎng)絡(luò)的心臟病預(yù)測(cè)系統(tǒng)

1.1 系統(tǒng)功能設(shè)計(jì)

本文主要將系統(tǒng)分成：用戶模塊、病歷模塊、數(shù)據(jù)預(yù)處理模塊、模型訓(xùn)練模塊和預(yù)測(cè)模塊，其總體的功能結(jié)構(gòu)圖如圖1所示。

1）用戶模塊。該模塊包含用戶注冊(cè)和用戶登錄兩個(gè)部分。用戶在注冊(cè)部分通過注冊(cè)操作把個(gè)人的賬號(hào)、密碼等信息以密文的形式寫入數(shù)據(jù)庫(kù)；用戶在登錄部分輸入之前注冊(cè)過的賬號(hào)和密碼信息，通過數(shù)據(jù)庫(kù)驗(yàn)證系統(tǒng)使用權(quán)限。

2）病歷模塊。該模塊同樣包含建立病歷和查看病歷兩個(gè)部分。用戶可以通過該模塊收集和查看患者的個(gè)人信息以及既往病史，方便對(duì)患者的信息進(jìn)行管理，還可以對(duì)用戶當(dāng)前的就診情況進(jìn)行記錄。

3）數(shù)據(jù)預(yù)處理模塊。該模塊主要通過對(duì)要訓(xùn)練的數(shù)據(jù)進(jìn)行整理，把患者的心電圖與其對(duì)應(yīng)的種類標(biāo)簽結(jié)合在一起，為之后的訓(xùn)練模型做準(zhǔn)備。

4）模型訓(xùn)練模塊。該模塊通過對(duì)大量數(shù)據(jù)的學(xué)習(xí)，提取其中的規(guī)律、準(zhǔn)則，最終形成一個(gè)能夠預(yù)測(cè)心電圖的模型。

5）預(yù)測(cè)模塊。該模塊利用之前形成的模型對(duì)患者的心電圖進(jìn)行分析之后，得出患者最終是否患有心臟病以及種類和概率的結(jié)論。

1.2 系統(tǒng)流程設(shè)計(jì)

系統(tǒng)的模型構(gòu)成大體可以分為4個(gè)步驟，分別為數(shù)據(jù)預(yù)處理、卷積層、池化層、全連接層。本文構(gòu)建的是一個(gè)16層的卷積神經(jīng)網(wǎng)絡(luò)，如圖2所示。

為了取得更好的模型訓(xùn)練效果，數(shù)據(jù)集選用 2017年度 PhysioNet 計(jì)算心臟病學(xué)挑戰(zhàn)賽提供的官方數(shù)據(jù)。首先對(duì)心電圖數(shù)據(jù)進(jìn)行預(yù)處理，把要訓(xùn)練的心電圖數(shù)據(jù)集貼上對(duì)應(yīng)種類的標(biāo)簽，形成一個(gè)整體的數(shù)據(jù)+標(biāo)簽的標(biāo)準(zhǔn)化數(shù)據(jù)集合，為后續(xù)的訓(xùn)練作準(zhǔn)備；然后將標(biāo)準(zhǔn)化的數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)模型中迭代進(jìn)行卷積、池化操作，同時(shí)為了解決網(wǎng)絡(luò)退化問題，加入殘差模塊，將殘差模塊的數(shù)據(jù)和迭代得到的數(shù)據(jù)匯總，經(jīng)過運(yùn)算后輸入全連接層最終得到分析結(jié)果。

1.2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理模塊對(duì)數(shù)據(jù)整理起到重要作用，本文訓(xùn)練中用到的數(shù)據(jù)來自2017年度 PhysioNet計(jì)算心臟病學(xué)挑戰(zhàn)賽提供的官方數(shù)據(jù)，根據(jù)官方提供的參考文檔，將這些心電圖貼上相應(yīng)種類的標(biāo)簽，最終形成一個(gè)trainingset，為后續(xù)的訓(xùn)練做準(zhǔn)備。該模塊界面設(shè)計(jì)簡(jiǎn)單，方便用戶操作。

1.2.2 卷積層

對(duì)圖片進(jìn)行卷積運(yùn)算，第一個(gè)參數(shù)是輸入心電圖數(shù)據(jù)，第二個(gè)參數(shù)是卷積核，卷積具體運(yùn)算就是卷積核與對(duì)應(yīng)圖片的像素點(diǎn)進(jìn)行相乘然后累加之后的數(shù)值，作為特征映射的值。本系統(tǒng)卷積層以一維卷積的方式進(jìn)行卷積，卷積核大小選取 3×1，步長(zhǎng)為 1，通過訓(xùn)練網(wǎng)絡(luò)將卷積核中的每一個(gè)數(shù)值訓(xùn)練出來，以期達(dá)到最好的效果。本系統(tǒng)在卷積的過程中，當(dāng)出現(xiàn)卷積核的大小超過圖片區(qū)域時(shí)，用 0進(jìn)行邊緣填充，因?yàn)?0填充的方式不會(huì)對(duì)卷積產(chǎn)生影響，只是輔助卷積完成。

1.2.3 池化層

池化操作對(duì)不同大小的輸入具有調(diào)和作用，當(dāng)需要對(duì)輸入大小不同的圖像進(jìn)行處理時(shí)，若對(duì)輸入圖像的大小有限制，可以通過對(duì)池化區(qū)域的偏置進(jìn)行調(diào)整，就可以使不同大小的圖片在調(diào)整后達(dá)到一致。池化操作一般有兩種，即最大池化和平均池化。最大池化選擇該區(qū)域中最大值作為池化后的值，反向傳播時(shí)，梯度通過前向傳播過程的最大值反向傳播，其他位置梯度為0；平均池化選擇區(qū)域中的平均值作為池化后的值。本系統(tǒng)采用最大池化，選用濾波器大小為2×1，池化步長(zhǎng)為2，與卷積操作相互配合，形成一個(gè)卷積、池化迭代的深層網(wǎng)絡(luò)。

1.2.4 殘差神經(jīng)網(wǎng)絡(luò)

為了解決出現(xiàn)的網(wǎng)絡(luò)退化問題，在卷積神經(jīng)網(wǎng)絡(luò)中加入恒等映射模塊，也稱殘差單元。像神經(jīng)網(wǎng)絡(luò)那樣，如果直接累加上一層所學(xué)的模型，會(huì)使模型訓(xùn)練的難度加大，但增加帶有捷徑連接的殘差模塊時(shí)，結(jié)果就會(huì)產(chǎn)生不同。假設(shè)某個(gè)神經(jīng)網(wǎng)絡(luò)的輸入值為x，期望輸出值為H（x），訓(xùn)練的結(jié)果是F（x），學(xué)習(xí)率為0.01，在沒加入殘差模塊時(shí)，輸入是x=1，期望值是1.01，從1.01學(xué)習(xí)到1.02，映射輸出增加為0.011.01=1%；當(dāng)引入殘差模塊時(shí)，映射F（x）是從0.01到0.02，映射輸出為0.010.01=100%，后者輸出變化對(duì)權(quán)重的調(diào)整作用更明顯。換句話說，殘差單元的思想是差分放大器，通過去掉上層輸入的相同部分，從微小變化中提升學(xué)習(xí)能力。通過這種方式解決了隨著層數(shù)的加深準(zhǔn)確率和精準(zhǔn)度減小的問題，同時(shí)還降低了梯度消失和梯度爆炸的風(fēng)險(xiǎn)。殘差網(wǎng)絡(luò)的提出將深度學(xué)習(xí)的性能提高了一個(gè)層次，使得網(wǎng)絡(luò)層數(shù)可以從幾十層上升到幾千層，為殘差網(wǎng)絡(luò)在圖像領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。

1.2.5 全連接層

通過對(duì)卷積、池化操作形成的局部特征進(jìn)行權(quán)值矩陣的重組，并整合成多個(gè)完整的圖像，與標(biāo)準(zhǔn)圖像進(jìn)行對(duì)比，如果結(jié)果一樣，則反向激活相應(yīng)圖的權(quán)值。把原始數(shù)據(jù)經(jīng)過卷積、池化操作后映射到特征平面中，全連接層會(huì)提取分布式特征，全連接層把特征整合到一起，能夠極大地減少特征位置給分類產(chǎn)生的影響。全連接層一般設(shè)置為兩層，用來解決非線性問題。由于最終得出的預(yù)測(cè)結(jié)果的類別是互斥的，所以本文的全連接層采用 softmax回歸進(jìn)行分類，模型優(yōu)化采用adam優(yōu)化器。

2、 基于殘差神經(jīng)網(wǎng)絡(luò)的心臟病預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

2.1系統(tǒng)實(shí)現(xiàn)

2.1.1模型訓(xùn)練實(shí)現(xiàn) 模型訓(xùn)練是整個(gè)預(yù)測(cè)系統(tǒng)的基礎(chǔ)，該部分的主要功能是為之后的預(yù)測(cè)模塊提供一個(gè)泛化能力強(qiáng)的模型。該功能利用tensorflow框架實(shí)現(xiàn)了參數(shù)可調(diào)整，通過對(duì)Batch、epochs、卷積窗口大小、池化窗口大小進(jìn)行調(diào)整，可以不斷提高模型的準(zhǔn)確度，不斷進(jìn)行訓(xùn)練，直到達(dá)到模型的最優(yōu)性能。

2.1.2 預(yù)測(cè)分析功能實(shí)現(xiàn) 預(yù)測(cè)功能是整個(gè)系統(tǒng)的核心部分，也是系統(tǒng)的主界面。該功能通過載入患者的心電圖數(shù)據(jù)，然后利用訓(xùn)練好的模型進(jìn)行結(jié)果預(yù)測(cè)。該模塊實(shí)現(xiàn)了查找用戶心電圖功能，系統(tǒng)操作人員根據(jù)患者的名字就可以把患者的心電圖數(shù)據(jù)載入模型中，方便醫(yī)生操作。同時(shí)，該模塊還實(shí)現(xiàn)了心電圖預(yù)覽功能。通過設(shè)置顯示心電圖按鈕，點(diǎn)擊之后可以先粗略地觀察心電圖，了解一些情況。最后實(shí)現(xiàn)分析功能，對(duì)患者的心電圖進(jìn)行分析，生成最后的分析報(bào)告。

2.2 系統(tǒng)性能調(diào)參測(cè)試 2.2.1 Batch 大小最優(yōu)測(cè)試Batch大小即批處理的尺寸大小，它的大小決定著下降的方向。選擇合適的批處理大小可以迅速找到合適的學(xué)習(xí)率，加快模型的收斂。如果批處理尺寸太大的話，雖然可以提高內(nèi)存的利用率，但是會(huì)減小相應(yīng)的精度，對(duì)參數(shù)的修正也更加緩慢；如果批處理尺寸太小，不僅會(huì)使學(xué)習(xí)的時(shí)間增加，甚至?xí)鼓Ｐ筒皇諗?。Batch大小一般設(shè)置成16的倍數(shù)，便于機(jī)器的處理，通過控制其他變量不變，改變 Batch尺寸大小，查看對(duì)模型準(zhǔn)確率的影響，如圖3所示。

通過測(cè)試發(fā)現(xiàn)，當(dāng)Batch的大小選擇為32時(shí)，模型的準(zhǔn)確率最高，再增加Batch大小會(huì)使模型的準(zhǔn)確率降低，所以本文選定的Batch大小為32。

2.2.2 卷積核大小最優(yōu)測(cè)試

卷積核大小對(duì)模型的影響至關(guān)重要。如果卷積核的尺寸選得太大的話，會(huì)使整個(gè)模型的復(fù)雜度急劇增加；如果卷積核的尺寸選得太小的話，又會(huì)使訓(xùn)練的速度降低。所以選擇合適的卷積核大小比較重要。通常卷積核的大小設(shè)置成偶數(shù)，形成正方形。本文采用一維卷積，通過控制其他變量不變，改變卷積核的大小查看對(duì)模型準(zhǔn)確率的影響，如圖4所示。

通過測(cè)試發(fā)現(xiàn)，當(dāng)卷積核的大小選擇為16 時(shí)，模型的準(zhǔn)確率最高，選擇小于或者大于 16 的尺寸時(shí)，模型的準(zhǔn)確率會(huì)降低，所以本文選擇卷積核大小為16。

2.2.3 池化窗口大小最優(yōu)測(cè)試

池化窗口的大小也會(huì)影響著模型的準(zhǔn)確率。當(dāng)池化層的窗口選擇太大的話，會(huì)在一定程度上損失信息。如果選擇太小的話，會(huì)影響感受野的大小變化。本文通過控制其他變量不變，改變池化窗口的尺寸觀察其對(duì)模型準(zhǔn)確率的影響，如圖5所示。

通過測(cè)試發(fā)現(xiàn)，當(dāng)池化窗口大小為4時(shí)，模型的準(zhǔn)確率最高，再增加池化窗口的大小時(shí)會(huì)導(dǎo)致模型的準(zhǔn)確率下降。

3、 結(jié) 語(yǔ)

本文采用殘差神經(jīng)網(wǎng)絡(luò)以心電圖的方式進(jìn)行機(jī)器學(xué)習(xí)，對(duì)患者是否患有心臟病進(jìn)行預(yù)估。利用殘差網(wǎng)絡(luò)具有快捷連接和恒等映射的特點(diǎn)，解決了網(wǎng)絡(luò)退化、網(wǎng)絡(luò)深度限制的問題，為學(xué)習(xí)心電圖的深層次特征提供了巨大的幫助。此外，本文采用PhysioNet計(jì)算心臟病學(xué)挑戰(zhàn)賽官方提供的8528個(gè)數(shù)據(jù)進(jìn)行學(xué)習(xí)，將心臟病分為4個(gè)種類，進(jìn)行實(shí)驗(yàn)驗(yàn)證。其中構(gòu)建了一個(gè)16層的卷積神經(jīng)模型，首先將數(shù)據(jù)以300×30大小的方式輸入卷積層，然后用 16×1的卷積核進(jìn)行一維卷積，經(jīng)過4×1大小的濾波器進(jìn)行最大池化，加上批標(biāo)準(zhǔn)化處理迭代至16層，最后加上全連接層構(gòu)成16層卷積神經(jīng)網(wǎng)絡(luò)。通過整體的訓(xùn)練后，對(duì)未訓(xùn)練的一批數(shù)據(jù)進(jìn)行預(yù)測(cè)，其結(jié)果準(zhǔn)確率達(dá)到76.5%。最終，利用該技術(shù)設(shè)計(jì)了一種心臟病智能預(yù)測(cè)系統(tǒng)，實(shí)現(xiàn)了對(duì)心臟病的實(shí)時(shí)預(yù)測(cè)，提供了對(duì)患者病情的詳細(xì)分析報(bào)告。利用該系統(tǒng)可以減輕醫(yī)生的負(fù)擔(dān)，給醫(yī)生對(duì)病情的診斷提供了輔助判斷，提高了就診的效率，對(duì)社會(huì)醫(yī)療體系提供了幫助。

審核編輯：郭婷