基于循环神经网络的心衰分型研究

• 作 者: 高珊
• 机 构: 重庆大学
• 出 处: 重庆大学
• 发表日期: 2020年期
• 关键词: 心力衰竭

近年来，随着人民生活水平的提高和人口老龄化问题的日渐严峻，具有高发病率和高死亡率的心力衰竭（下简称“心衰”）日益成为威胁人类健康的主要因素之一。根据左心室射血分数，临床上将心衰分为射血分数保留型心衰（heart failure with preserved ejection fraction，HFpEF）和射血分数降低型心衰（heart failure with reduced ejection fraction，HFrEF），研究表明，不同类型心衰在发病机制和治疗方案上存在较大差异，因此，越早对心衰患者做出准确诊断并进行相应治疗，越能有效地延缓心衰的发展进程，然而这却与目前心衰诊断存在严重滞后的现实相矛盾。心音是心血管系统中重要的生理信号，能在心脏出现器质性病变前反映出心肌运动过程中的机械障碍。HFpEF和HFrEF在心室重塑机制上存在差异，这种差异在心音上也有所反应，故可尝试将心音用于心衰等心血管疾病的早期诊断。本课题基于心音与心力衰竭的内在联系，结合深度学习的特点，提出了基于循环神经网络的心衰分型新途径，具体内容包含以下几个方面：
　　①获取深度学习所需要的数据集。数据集包含正常心音、HFpEF和HFrEF心衰患者心音，其中正常心音样本来自于公开数据库，心衰患者心音样本来自于自主采集。原始心音信号需进行一定预处理以满足深度学习网络的输入要求，预处理包括去噪、分段、降采样以及归一化四个步骤，其中去噪选用的是改进阈值函数及阈值选定规则的小波去噪算法；心音分段运用的是定点等长度的分段策略，首先利用基于逻辑回归的隐半马尔可夫模型对第一心音的起始点进行标定，然后基于该点选择合适的长度进行信号的分割。
　　②基于循环神经网络中的长短时记忆网络（Long Short-Term Memory，LSTM）和门控循环单元网络（Gated Recurrent Unit，GRU），构建了用于心衰分型的深度学习模型。由于循环神经网络擅长挖掘时序信号的深度特征，因此本文直接将预处理后的心音片段作为模型的输入，而无需进行额外的特征提取步骤。将模型学习到的深度特征输入softmax分类器，最终实现正常、HFpEF和HFrEF三类心音的自动分类。十折交叉验证的结果显示，GRU网络在心衰分型识别中表现更为优异，平均识别准确率达到96.90%。此外，为了将深度学习与传统特征提取的机器学习方法进行对比，本文提取了心音信号的各类熵值构成特征向量，并选用支持向量机进行心音分类，结果显示深度学习模型在心衰分型方面优于支持向量机，推测传统机器学习算法效果不理想的原因与心音特征及分类器的选择有关。另外，本文基于GRU网络研究了不同心音数据段长度对心衰分型识别性能的影响，结果表明数据段长度与包含信息量大小有关，且数据段长度为1.6s时模型性能最佳。
　　③为了提升网络挖掘心音空间特征的能力，提出了GRU与卷积神经网路（fully convolutional networks，FCN）的融合模型GRU-FCN，实现了心音深度特征在时间和空间两个维度上的进一步挖掘。结果显示，GRU-FCN模型的识别准确率达97.60%，较GRU模型提升了0.7%，说明融合模型能够更好地区分正常、HFpEF和HFrEF三类心音，可为心衰分型的早期诊断提供有力参考。