基于深度学习的多标签不均衡心电信号分类

心电图(ECG)自动分类技术已经成为医学诊断的热门研究领域。在临床上，同一个患者通常伴随多种心律失常。为了能够精准分类出多种心律失常，本文提出了一种涵盖多种注意力机制的一维卷积神经网络模型。相比传统的机器学习或者深度学习方法提取特征的能力有限，引入的注意力机制能够引导模型学习心电信号中不同通道和空间位置之间的差异信息的同时结合全局稀疏自注意力，提高分类仿真模型对与心律失常有关特征的关注程度；其次，通过重采样技术以及在损失函数的设计上融入了标签相关性策略来应对多标签带来的类别不均衡问题。在两个公开的多标签心电数据集CPSC2018和PTB-XL上评估该网络的性能，macro-F1分别达到84.13%和73.6%。实验结果表明，该模型具有良好的分类性能。

心电图(ECG)是一种有效的无创、低成本的心血管体外监测工具， 它可以通过检测和记录心脏电信号活动来诊断一系列的心脏疾病。然而，由于心电信号的形态和时间特征在不同身体状况下的不同患者中存在明显的差异，因此心电信号的分类是一个难题。此外，两种不同的疾病在心电图信号上可能具有大致相同的性质。同时，在整个ECG 分析过程中，由于医生的疲劳和心电信号诊断需要深入的知识，可能会出现一些不可避免的个人错误，从而给患者带来无法预料的误诊后果。因此，ECG 自动分类已经被广泛应用于临床医学实践中。

ECG 自动分类可以将ECG 信号分类到不同的心律失常类别中。在临床实践中，已经提出了许多机器学习方法，包括决策树[1]、随机森林[2]和支持向量机[3]。在这些方法中，需要数据预处理和手动特征提取来从原始信号中获得各种特征。

近年来， 随着深度学习技术的发展和广泛应用， 卷积神经网络(CNN)和循环神经网络(RNN)等端到端的深度学习模型已被用于从原始信号中提取高水平特征来实现ECG 诊断。Rajpurkar 等人[4]设计了一种深度卷积神经网络使用91,232 个单导联心电图进行12 种心律失常的分类。Xiong 等人[5]通过使用短时傅里叶变换(STFT)来转换ECG 信号，将其表示为频谱图，并结合CNN模型实现准确的心律失常分类。Gao 等人[6]使用长短期记忆(LSTM)网络在非平衡的ECG 数据集上检测心律失常， 利用LSTM 捕捉心电信号的长期依赖关系， 模型能够准确地识别心律失常的存在并进行分类。

然而，在以前的大部分工作中，ECG 诊断被视为单一标签分类，它们忽略了在临床实践中同一个患者多种心律失常并发的可能性。这意味着一个心电信号记录中可能出现多个心律失常，这使得心律失常的自动诊断具有挑战性。例如，“心房颤动”和“右束支传导阻滞”通常同时出现，但“正常”和“右束支传导阻滞”很少同时出现[7]。Ran 等人[7]认为不同类型的心律失常之间可能存在相关性，采用标签关联性嵌入技术， 引导网络在训练过程中学习到更准确的标签表示。

Ge 等人[8]引入了包含通道注意力的SE 模块。

该模块通过学习特征通道之间的相关性来增强对重要特征的关注， 并减少对不相关特征的依赖。

Natarajan 等人[9]提出了一种用于多导联心电图分类的无卷积的纯Transformer 方法，由多个自注意力模块和全连接层组成，通过学习波形之间的关联和重要特征，实现ECG 分类任务。为了能够解决多标签分