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

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。

圖一： 1D-TCNFN 架構圖

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

2.1 1D-TCNFN 的減少實驗次數。

所提出的 1D-TCNFN 為 7 層的網路架構，包括 3 個卷 為了提升實驗的可靠性，每種實驗組合都進行 4 次實
積層、1 個特徵融合層、1 個模糊化層、1 個規則層、1 驗，總共進行 128 次實驗。並使用最大信噪比來提升架
個輸出層，架構如圖一所示。 構性能。信噪比定義如下：
𝑛
2.2 田口法 1
𝜂 = 10𝑙𝑜𝑔[ ∑ ( )2 ]
1
(1)
為了設計出穩定且高準確率的模型，通常採用專家 𝑛 𝑘=1 𝑦𝑖

的經驗、試錯法、單因子實驗、多因子實驗等等。然而 其中，η為信噪比(越大越好)，n 為實驗次數，y 為實驗

這些方法會需要大量的時間成本來支持。相比之下，田 的準確率。透過分析每個控制因子的信噪比，能找出最
口法通過統計方法，能在有限次數的實驗下，獲得較佳 交的參數組合。
的實驗組合。田口法有以下六個步驟：(1)定義問題、(2)
確定控制因子與水準、(3)設計直交表、(4)進行實驗、(5) 三、 實驗結果
分析實驗結果，以及(6)驗證實驗結果。田口法流程如圖 在本研究中，使用 MIT-BIH 的心律不整資料庫來評
二所示。 估 1D-TCNFN 的性能。本節被分為三部分：(1)MIT-BIH
心 律 不 整 資 料 庫 的 介 紹 、 (2) 透 過 田 口 法 優 化 的 1D-
TCNFN 與(3) 用於心律不整檢測的 1D-TCNFN 結果。
3.1 MIT-BIH 心律不整資料庫
MIT-BIH 心律不整資料庫[10]包括 48 個半小時的雙通
道 ECG 信號，採樣率為 360Hz。這些信號來自 47 個受
試者。該數據集包括 1000 筆資料，每筆資料為 10 秒信
號，即 3600 個採樣點。數據即按照 70: 15: 15 的比例被
拆分為訓練資料、驗證資料、測試資料。

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

32768 次實驗。通過直交表的設計，L32 的直交表能有效 3.2 基於田口法的參數優化

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

所提出的 1D-TCNFN 包括 3 層卷積、1 個特徵融合 表 III

層、1 個模糊化層、1 個規則層以及 1 個輸出層，如表三 1D-CNFN 的架構圖
所示。架構中包括大量可調的超參數，透過田口法，可 Layer Layer name
Kernel x Other
Filter
從這些超參數中選出較佳的參數組合。本實驗採用 L32 1 Input layer - -
的直交表，能將實驗次數減少至 32 次。為了提高實驗 2 Convolutional layer 1 30 x 32 Strides=2
的穩定性，每組實驗進行 4 次取平均。 3 Convolutional layer 2 15 x 64 Strides=2
4 Convolutional layer 3 15 x 128 Strides=2
5 Global average pooling layer - -
6 Fuzzy rule layer - Rule=64
7 Output layer 1 x 17 -
透過信噪比的計算，以分析每個因子的影響，如表
四與圖三所示。
表 IV
各個控制因子的信噪比
Control Factors

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

Method Feature fusion Accuracy Recall Precision F1-score

1D-LeNet - 25.73% 27.48% 23.60% 25.38%

1D-AlexNet - 42.13% 42.74% 41.20% 41.96%

1D-VGG16 - 47.20% 53.44% 42.67% 44.47%

1D-GoogLeNet - 77.87% 80.93% 75.33% 78.03%

1D-ResNet18 - 84.00% 86.02% 83.07% 84.50%

1D-ResNet50 - 48.40% 51.37% 47.07% 49.01%

CAP 37.63% 41.37% 28.53% 33.72%

GAP 88.95% 94.30% 84.13% 88.49%

1D-CNFN
CMP 39.60% 48.57% 28.53% 35.91%

GMP 91.45% 94.10% 91.20% 92.62%

1D-TCNFN GMP 93.95% 96.03% 93.47% 94.30%

and Residual Networks,” Front Cardiovasc Med, vol. 8, p.

結論 616585, 2021.
[8] K. Padmavathi and K. S. Ramakrishna, “Classification of ECG
本文提出一種用於檢測 17 種心律不整的網路模型 1D- Signal during Atrial Fibrillation Using Autoregressive
TCNFN。該方法可用於長時間的異常心率檢測，以減少 Modeling,” Procedia Computer Science, vol. 46, pp. 53-59,
2015.
醫務人員的負擔。所提出的 1D-TCNFN 結合卷積神經網 [9] S. M. Usman, M. Usman, and S. Fong, “Epileptic seizures
路與模糊神經網路，該網路不僅能從原始信號中提取特 prediction using machine learning methods,” Comput. Math.
徵，還能減少因使用權連接層所導致的參數過多。本文 Methods Med., vol. 2017, pp. 1–10, 2017.
還使用田口法來優化 1D-TCNFN 以提升該架構的性能。 [10] G. B. Moody and R. G. Mark, “The impact of the MIT-BIH
Arrhythmia Database,” IEEE Engineering in Medicine and
隨後使用 MIT-BIT 的公開資料集進行驗證。結果表明， Biology Magazine, vol. 20, no. 3, pp. 45-50, 2001.
所提出的 1D-TCNFN 的性能優於其他深度學習網路，其
準確率與 F1-score 分別為 93.95%與 94.30%。在未來的研
究中，我們打算將所提出的方法移植至嵌入式系統以進
行邊緣計算。

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