0引 言

心肌梗死(MI)[1]指营养心肌的冠状动脉发生了粥样变化，管腔内壁上沉积的胆固醇斑块脱落形成血栓，堵塞了某支冠状动脉，使某部分心肌长时间得不到血供，便发生了心肌缺血、损伤甚至坏死，心肌梗死具有极高的死亡率和致残率。图1是一个典型的心肌梗死心拍波形。

图1 典型心肌梗死心拍波形

在MI发作期间患者可能经历许多严重症状，例如意识丧失、胸痛和呼吸短促。然而，许多患者仅出现轻微症状或根本没有症状，这通常被描述为无症状(也称作沉默)心脏病发作。基于手工提取心电信号特征，国内外研究者提出了各种针对心梗的自动分类算法，辅助医生快速做出临床诊断。心梗自动分类整体工作流程包括如下五个部分：(1) 心电信号采集；(2) 利用滤波或小波变换等方法进行去噪预处理；(3) 分割成心拍；(4) 心电特征提取与选择；(5) 心梗类型的自动分类识别。工作流程图如图2所示。

图2 心梗自动分类流程图

传统的手工提取特征的方法首先确定R波峰，然后用类似的方法定位Q波起点、S波终点、P波和T波的峰值点、起点和终点，最后获得几个幅值和间期特征。这些特征是根据医生的诊断规则提取的，它存在一个缺点，虽然QRS波群检测算法的准确度很高，但是R波的检测依然存在误差，由于其他特征值都是基于R波的位置而提取到的，所以其他特征值的提取会产生累积误差。与传统识别方法相比，深度学习[2]的优势在于它能够从海量数据中自动学习，并得到有效的特征表示。深度学习极大地推动了图像识别[3]、计算机视觉[4]、语音识别[5]等领域的研究进展，并在医学领域[6-7]得到应用。

本文提出了一种基于BiGRU和多导联ECG信号的神经网络深度学习算法，用于心梗检测，可行性高、识别率高，具有可扩展性。

1相关工作

针对心肌梗死的计算机自动分析诊断，研究者提出了各种不同的分类识别方法。Sopic等[8]采用随机森林分层分类方法，实现了心肌梗死的检测，为了应用于实时分析系统，逐层增加特征数量，以减少分类所需要的时间。Sharma等[9]设计了一种双波段最优双正交小波滤波器组对ECG信号进行预处理，然后采用K-近邻(K-Nearest Neighbor,KNN)方法，只利用单导联数据就实现了心梗检测。Dohare等[10]对提取的多维特征首先采用主成份分析(Principal Component Analysis,PCA)方法降维，然后用基于径向基函数(Radial Basis Function,RBF)的SVM方法，实现了心梗的检测。

Chang等[11]首先使用隐马尔科夫模型(Hidden Markov Model,HMM)从V1～V4胸导联信号中提取特征，然后采用SVM和高斯混合模型(Gaussian Mixture Model,GMM)实现了心梗的检测。Seenivasagam等[12]采用前馈神经网络(Feed-Forward Neural Network,FFNN)和SVM实现了心梗的检测。Lui等[13]使用PTB 上标准I导联的数据，采用卷积递归神经网络实现了心梗的检测。Acharya等[14]使用标准II导联的心电数据，采用卷积神经网络(Convolutional Neural Networks,CNN)方法实现了心梗的检测。Reasat等[15]采用卷积神经网络方法，仅仅使用三个导联的ECG数据，就实现了心肌梗死的检测。Wu等[16]基于小波分解，采用多尺度深度特征学习方法实现了心梗的检测。

2实验数据

本文使用PTB心电诊断数据库，总共采集了549条记录。290名受试者包括有心肌梗死、心肌肥大、心率衰竭、房室束支传导阻滞患者和健康对照者，其中男性209名(平均年龄为 55.5岁)，女性81名(平均年龄为61.6岁)。每条记录大约2分钟，包括15个同步测量的信号：传统的12导联以及3个Frank导联心电信号。PTB诊断类别及受试者人数统计数据如表1所示。

表1 PTB诊断类别及受试者人数统计表诊断类别受试者人数Myocardial infarction148Cardiomyopathy/Heart failure18Bundle branch block15Dysrhythmia14Myocardial hypertrophy7Valvular heart disease6Myocarditis4Miscellaneous4Healthy controls52

3数据预处理

ECG信号是诊断心血管疾病的重要依据，但由于心电信号是一种不稳定、非线性和微弱的电信号，振幅约为几毫伏，频率范围在0.05 Hz到100 Hz之间，在信号采集过程中容易受到人体活动和仪器等各种因素的干扰，不利于ECG信号的特征提取，因此有必要对采集到的ECG信号滤除各种噪声。

3.1基线漂移

基线漂移的频率在0.05～2 Hz之间，与低频正弦曲线相似。本文采用中值滤波算法去除基线漂移，方法简单，速度快，准确度高，能有效滤除变化较大的基线漂移。首先对原始心电信号进行重采样，然后对重采样点前后一定长度的数据按照大小排序，取排序后数据的中间值。用同样的方法处理所有重采样点，得到ECG信号中的基线部分，从原始心电信号中减去这个基线部分，就得到去除基线漂移后的心电信号。

文章来源：《心电图杂志(电子版)》 网址: http://www.xdtzzzz.cn/qikandaodu/2020/0801/414.html