Professional Documents
Culture Documents
1D-TCNFN。在實驗中,本文使用 MIT-BIH 的公開資
1D-TCNFN。在實驗中,本文使用 MIT-BIH 的公開資
基於田口優化方法之卷積模糊神經網路於心律不整診斷應用
林正堅*a,b、林學謙 b
國立臺中科技大學智慧學院
a
b
國立勤益科技大學資訊工程系
摘要 — 隨著生活品質的提升,人們對於自身的健康 梗塞等心臟疾病。心律不整可被分為持續性或偶發性兩
與安全越來越重視。其中,心律不整為全球的死亡主因 種[3]。因此,為了準確診斷,必須長時間連續監測患
之一。因此,如何快速且有效的檢測心律不整顯得至關 者的心電信號。然後由醫護人員來對心電圖進行診斷。
重要。在本文中,提出基於田口優化方法之一維卷積模 這種方式不僅效率低下,且對醫護人員會造成龐大的負
糊神經網路(1D-TCNFN)於心律不整診斷應用。所提出 擔[4]。
的 1D-TCNFN 採用模糊神經網路來替代傳統的多層感知 為了有效的自動檢測這些心電信號,許多學者開發
機,以有效的減少神經網路中的學習參數。為了有效地 了不同的演算法來進行分析、檢測。這些方法主要是基
將卷積神經網路與模糊神經網路相互結合,1D-TCNFN 於 QRS 複合波的分類,或長時間的心電信號[5][6]。
採用四種特徵融合方法進行比較,即全局平均池化、全 Zicong Li 與 Henggui Zhang[7]提出一種自動檢測演算
局最大池化、通道平均池化、通道最大池化。最後,為 法,該方法從心電信號中提取特徵,對多種類型的心臟
了提高神經網路的準確率,採用田口法來優化所提出的 狀態進行分類。該方法的 F1-score 達到 0.908,表明可
1D-TCNFN。在實驗中,本文使用 MIT-BIH 的公開資 以 有 效 檢 測 不 同 類 型 的 心 律 異 常 。 Padmavathi and
料集來驗證所提出的網路模型對於 17 類的心律不整診斷 Ramakrishna[8]通過使用 5、15、30 秒的心律信號比較
性能。結果表明,1D-TCNFN 在 MIT-BIH 的公開資料 了 K 鄰近法與核心支持向量機。他們發現,使用 30 秒的
集上,能有 93.95%的準確率。 心電信號與帶有 Burg 方法的 KNN 可以達到較高的準確
關鍵詞:心律不整檢測、卷積神經網路、模糊神經網路、 率。然而,基於 QRS 複合波的心律不整症狀分類極具挑
心電圖、田口法、特徵融合 戰性且容易出錯。從心電信號中提取的特徵,會因患者
個體不同,而有所差異。因此,使用長期心電訊號的心
一、 介紹 律失常檢測方法越來越受歡迎。
心律不整是一種常見的心血管疾病,通常是因為心 在這項研究中,我們提出了一個基於田口法[9]的一
臟電傳導系統異常,導致患者心臟的不正常跳動。常見 維卷積模糊神經網路(1D-TCNFN),透過田口法的參數優
的臨床症狀包括心悸、胸悶、胸痛[1]。根據美國心臟 化,能夠有效的提升 1D-TCNFN 對於心律不整檢測效能。
協會的數據統計[2],截至 2016 年,心血管疾病每年在
全球造成 1730 萬人死亡。目前診斷心律不診的方式,除 二、 方法
了聽取患者對症狀的陳述之外,絕大多數都是透過觀察 在本節中,將描述所提出的心律不整檢測方法。2.1
心電圖來進行。使用心電圖是一種簡單、快速、安全的 透過使用 1D-TCNFN,可以在長時間的心電信號中(3600
方法,可以在短時間內收集大量數據進行分析。標準的 個採樣點,約為 10 秒信號),針對 17 類的心律不整進行
心電圖是透過心臟的收縮,來記錄 12 個方向的電流活動。 檢測。2.2 透過使用田口法,能在有限的實驗次數中,
通過對這 12 個導聯的分析,可以檢測出心房顫動、心肌 獲得優化後的模型參數組合。
表 II
MIT-BIH 心律不整資料庫
No. Categories Total Train Validation Test
Normal sinus
1 283 200 47 36
rhythm
Atrial premature
2 66 44 10 12
beat
3 Atrial flutter 20 13 3 4
Atrial
4 135 96 21 18
fibrillation
Supraventricular
5 13 9 2 2
tachyarrhythmia
Pre-excitation
圖二: 田口法流程圖 6 21 15 4 2
(WPW)
在本實驗中,使用田口優化 1D-TCNFN 的網路架構。 Premature
實驗過程中,選擇 8 個控制因子,包括 3 個卷積核大小 7 ventricular 133 98 19 16
contraction
與數量、特徵融合方法與模糊規則層數量。除了模糊規 Ventricular
8 55 38 8 9
則層數量選擇 2 個水準之外,其餘皆選擇 4 個水準,如 bigeminy
Ventricular
表一所示。 9
trigeminy
13 10 2 1
表I Ventricular
10 10 7 1 2
控制因子與其水準 tachycardia
Idioventricular
Control 11 10 7 2 1
No. Level 1 Level 2 Level 3 Level 4 rhythm
Factors Ventricular
A Conv1 Filters 16 32 64 128 12 10 6 1 3
flutter
Conv1 Kernel Fusion of
B 15 30 60 120
size 13 ventricular and 11 7 3 1
C Conv2 Filters 32 64 128 256 normal beat
Conv2 Kernel Left bundle
D 7 15 30 60
size 14 branch block 103 73 11 19
E Conv3 Filters 64 128 256 512 beat
Conv3 Kernel Right bundle
F 7 15 30 60
size 15 branch block 62 45 8 9
G Fusion Method CAP GAP CMP GMP beat
H Fuzzy Rule 32 64 - - Second-degree
CAP: Channel Average Pooling; GAP: Global Average Pooling; 16 10 6 3 1
heart block
CMP: Channel Max Pooling; GMP: Global Max Pooling; Pacemaker
17 45 26 4 14
如表一所示,總共有 8 個控制因子。其中,7 個因子 rhythm
的水平為 4,其餘 1 個為 2。若採用全因子實驗則需要 Total 1000 700 150 150
Level A B C D E F G H
1 -7.301 -7.398 -5.965 -5.895 -6.251 -5.757 -9.404 -6.649
2 -5.164 -6.299 -5.198 -5.798 -7.236 -5.717 -2.382 -6.286
3 -5.776 -4.975 -7.179 -5.907 -5.255 -6.084 -11.870 -
4 -7.628 -7.198 -7.527 -8.269 -7.127 -8.311 -2.214 -
Delta 2.464 2.423 2.328 2.472 1.981 2.594 9.656 0.3630
Rank 4 5 6 3 7 2 1 8
Best Level 2 3 2 2 3 2 4 2
Optimal parameter 32 60 64 15 256 15 G.M.P. 64
圖三: 控制因子可視化圖
3.3 心律不整的模型評估 𝑇𝑃
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = (4)
𝑇𝑃+𝐹𝑁
為了評估所提出模型的有效性,使用四個評估指標,
2×𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛×𝑅𝑒𝑐𝑎𝑙𝑙
即準確率、召回率、精確率、F1-Score。各指標定義如 𝐹1 − 𝑠𝑐𝑜𝑟𝑒 = (5)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑅𝑒𝑐𝑎𝑙𝑙
下:
其中,TP、FP、TN、FN 分別為真陽性、假陽性、
𝑇𝑃+𝑇𝑁
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (2) 真陰性、假陰性。
𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁
𝑇𝑃 為了體現 1D-TCNFN 的性能,與其他不同價購的深
𝑅𝑒𝑐𝑎𝑙𝑙 = (3)
𝑇𝑃+𝐹𝑃 度學習模型進行比較,如表五所示。
Proceedings of 2023 National Symposium on System Science and Engineering 國立臺灣海洋大學
National Taiwan Ocean University, Keelung, 10~12 June, 2023
表V
與其他不同方法的性能比較
參考文獻
[1] M. S. Thaler, “The Only EKG Book You'll Ever Need,”
Lippincott Williams & Wilkins, 2007.
[2] D. Mozaffarian et al., “Heart disease and stroke statistics—
2016 update: A report from the American Heart Association,”
Circulation, vol. 133, no. 4, pp. e38–e360, 2016.
[3] T. Barill and S. L. Inc, “The Six Second ECG: A Practical
Guide to Basic and 12 Lead ECG Interpretation,” SkillStat
Learning Incorporated, 2012.
[4] B. Hedén, M. Ohlsson, L. Edenbrandt, R. Rittner, O. Pahlm,
and C. Peterson, “Artificial neural networks for recognition of
electrocardiographic lead reversal,” Am J Cardiol, vol. 75, no.
14, pp. 929-33, 1995.
[5] Ö. Yıldırım, P. Pławiak, R.-S. Tan, and U. R. Acharya,
‘‘Arrhythmia detection using deep convolutional neural
network with long duration ECG signals,’’ Comput. Biol. Med.,
vol. 102, pp. 411–420, Nov. 2018
[6] P. Pławiak, “Novel methodology of cardiac health recognition
based on ECG signals and evolutionary-neural system,” Expert
Systems with Applications, vol. 92, pp. 334-349, 2018.
[7] Z. Li and H. Zhang, “Automatic Detection for Multi-Labeled
Cardiac Arrhythmia Based on Frame Blocking Preprocessing