[论文评析]Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network,

---

论文信息

题目: Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network
发表: IEEE TBME, 2022
作者信息: Muhammad Uzair Zahid, Serkan Kiranyaz, Turker Ince, Ozer Can Devecioglu, Muhammad E. H.
Chowdhury, Amith Khandakar, Anas Tahir and Moncef Gabbouj

问题描述

虽然当前已经有很多方法(比如知名的PT算法)被提出来用于ECG R-peak的检测, 然后这些方法在低质量的ECG信号上的识别效果并不是很好 .

下图展示的就是PT在CPSC 数据库上测试出现漏报以及误报的例子,

这篇论文提出一种新的深度学习方法,并在MIT-BIH和CPSC两个数据库上进行了测试并取得了不错的效果.

方法

方法主要由数据增广, 前处理, 模型, 后处理三部分组成.

模型

模型如下图所示
可以看到模型采用了UNet这样一种Encoder-Decoder架构, 实际上就是UNet在一维信号上的应用, 那怎么用呢? 实际上就是把R-peak 的检测看作密集的分类任务, 最终每个位置的输出为该位置为R-peak的概率.

模型的输入为(N, 1, L), L=8000,对应20s的ECG segment, 实际上也是滑窗的长度.

模型的输出尺寸也为(N, 1, L).

模型定义如下:

可以看到: 6个down sampling layer将输出的尺寸降为原来的1/64, 然后6个up sampling layers将输出的尺寸升为encoder out的64倍, 输入尺寸保持不变, 最后再经过sigmoid激活, 将每个position的输出转化为概率.

采用BCE loss, 最终损失计算如下:
可以看到,每个position上实际上就是Binary cross entropy,

前处理

前处理比较简单, 由于实验采用了LOSO,
以CPSC数据为例, 该数据库的信息如下:

处理大致分为两步:

(1)通过滑动窗口将数据划分为segments,
这里需要注意的是:在构造训练集时,采用的是Non-overlaped window, 而在构造测试集时采用的是Overlaped window.

具体差异见下图,

(2) range scaling
就是将每个segment的值缩放到[-1, 1], 并且该scaling是逐segment进行的,

作者是通过调用wfdb.processing.normalize_bound来实现的.

后处理

后处理部分较为复杂, 作者将其称之为post-processing和Verification module.

简单来说后处理部分就是利用thresholding, 以及原始的ECG信号等先验信息来设计规则进一步筛选,最终得出有效的R-peak位置.

Post-processing

如代码所示,分为三步:
(1) 通过设置threshold筛选peaks；
(2) 利用极值的定义通过所谓的correct_peaks进一步修正peaks的位置, 这里调用的实际上是wfdb.processing.correct_peaks；
(3) 设置规则进一步筛选peaks;

Verification module

代码部分逻辑比较复杂, 效果如上图所示,

def verifier(ecg, R_peaks, R_probs, ver_wind = 60):
    #
    del_indx = []
    wind = 30
    check_ind = np.squeeze(np.array(np.where(R_probs < 0.95)))

    if R_peaks[check_ind[-1]] == R_peaks[-1]:
        check_ind = check_ind[:-1]

    for ind in check_ind:
        two_ind = [ind, ind+1]
        diff = R_peaks[two_ind[1]] - R_peaks[two_ind[0]]

        # 60 for chinese data 
        if diff < ver_wind:
            try:
                two_probs = [ R_probs[two_ind[0]] , R_probs[two_ind[1]] ] 
                two_peaks = [ R_peaks[two_ind[0]] , R_peaks[two_ind[1]] ] 

                beat1 = ecg[ two_peaks[0] - wind : two_peaks[0] + wind ] 
                beat2 = ecg[ two_peaks[1] - wind : two_peaks[1] + wind ]

                for i in range(two_ind[0]-1,two_ind[0]-1-30,-1):
                    for thr_p in [0.6,0.5,0.4,0.3,0.2,0.1]:
                        if(R_probs[i] > thr_p):
                            #print(i)
                            prv_beat = ecg[ R_peaks[i] - wind : R_peaks[i] + wind ]
                            break

                for i in range(two_ind[1]+1,two_ind[1]+1+30):
                    
                    for thr_p in [0.6,0.5,0.4,0.3,0.2,0.1]:
                        if i == len(R_probs):
                            nxt_beat = ecg[ R_peaks[i-1] - wind : R_peaks[i-1] + wind]
                            break

                        
                        if(R_probs[i] > thr_p):
                            #print(i)
                            nxt_beat = ecg[ R_peaks[i] - wind : R_peaks[i] + wind]
                            break

                    else:
                        # Continue if the inner loop wasn't broken.
                        continue
                    # Inner loop was broken, break the outer.
                    break

                if len(nxt_beat) != 60:
                    nxt_beat = prv_beat
                if len(prv_beat) != 60:
                    prv_beat = nxt_beat
                if len(beat1) != 60:
                    beat1 = beat2
                if len(beat2) != 60:
                    beat2 = beat1

                X1 = np.corrcoef(np.squeeze(beat1),np.squeeze(prv_beat))[0,1]
                X2 = np.corrcoef(np.squeeze(beat1),np.squeeze(nxt_beat))[0,1]

                Y1 = np.corrcoef(np.squeeze(beat2),np.squeeze(prv_beat))[0,1]
                Y2 = np.corrcoef(np.squeeze(beat2),np.squeeze(nxt_beat))[0,1]

                si = np.argmin([X1*X2, Y1*Y2])
                del_indx.append(two_ind[si])
            except:
                pass
    
    R_peaks_ver = np.delete(R_peaks, del_indx)
    
    R_probs_ver = np.delete(R_probs, del_indx)
    
    return R_peaks_ver, R_probs_ver

数据增广

由于心律失常搏动明显少于正常搏动, 为了使S-（室上性异位搏动）和V-（心室异位搏动）搏动检测更准确和鲁棒， 我们通过添加来自噪声应力测试数据库（NST-DB）的基线漂移和运动伪影，从包含一个或多个心律失常搏动的20秒ECG segment来生成增强的心律失常搏动。

这里的Data augmentation实际上起到了使模型更加鲁棒以及可以segment Imbalance的作用.

代码如下:

实验结果

下表为分别在CPSC和MITDB上的实验结果,

作者还分别对Data augmentation和Verification module进行了ablations, 如下:

总结

效果能这么好,主要还是深度学习模型与规则/先验信息的结合,

References

1.Robust R-Peak Detection in Low-Quality Holter ECGs using 1D Convolutional Neural Network