ML-Net：检测心肌梗死的多通道轻量级网络

ML-Net: Multi-Channel Lightweight Network for Detecting Myocardial Infarction
原文地址：
https://ieeexplore.ieee.org/document/9359331
接收时间：2021

摘要：
现有的MI检测模型需要较高的计算和存储容量，不适合便携式设备；
该文章提出：ML-Net，一种轻量级的网络；
工作流程：在ML网络中，每个心电图（ECG）导联被分配一个独立的通道，确保数据独立性，并保留不同导联代表的不同角度的ECG特征。此外，利用大小不等的卷积核，只需少量的导联数据即可实现准确的分类。
效果：ML-Net在诊断心肌梗死方面优于同类方案，并且需要更低的计算成本和更少的内存，因此便携式设备可以在医疗物联网（IoMT）领域得到更广泛的应用。

数据集描述：
在本文中，我们使用了Physicalisch Technisch Bundesanstalt（PTB）数据库[38]中的12导联心电图数据。该数据库包含290名受试者的549项记录，包括148名心肌梗死受试者和52名健康对照者（HC）。每个记录包含一名心脏病专家的诊断结果和15个同时测量的信号，包括常见的12导联，分别为I、II、III、V1、V2、V3、V4、V5、V6、aVF、aVL、aVR，以及3导联ECG数据。相当一部分患者（超过50%）出现全身性前壁心肌梗死（GAMI）[33]，包括前壁心肌梗死（AMI）、前外侧心肌梗死（ALMI）和前腹壁心肌梗死（ASMI），因此我们选择了60例GAMI患者，共167例记录。

导联选取：
在每个记录中，V5被证明是诊断心肌缺血性疾病最敏感的导联，V2和V3可以反映心脏前壁和间隔壁的详细信息。原则上，这3条心前导联应设置为较低水平。此外，aVL是一种肢体导联，可传达心脏的一般状态[33]。所以我们从每条记录中选择这四条线索作为模型的输入数据。虽然使用的数据减少了，但使用ML-Net并不会降低检测的准确性。

数据处理：
为了保证模型的泛化和鲁棒性，我们对数据进行了处理。首先，为了缓解数据集不均匀的问题，我们对数据集进行了重采样（重采样1000 Hz到500 Hz）。我们将选定的4-lead数据集拆分为500个样本（1s）的子集。其次，采用Z-分数归一化方法对每段数据进行归一化，消除了偏移量的影响和幅度缩放问题。重新采样后，共收集了57176个样本，包括38536个GAMI样本和18640个HC样本。在表I中，我们展示了数据集的详细描述。

（Z-Score通过（x-μ）/σ将两组或多组数据转化为无单位的Z-Score分值，使得数据标准统一化，提高了数据可比性，削弱了数据解释性。）

原理介绍：
作者表示：ECG信号的12导联信号
可以直接形成一个单通道的二维矩阵（其中每一行代表一个导联，每一列代表一个时刻），然后使用2D-CNN来进行分类（就像识别一张灰度图像）；
也可以为每个导联分配一个通道，然后使用1D-CNN来分类；

并且作者还认为由于不同导联的数据从不同角度反映了心脏的健康状况，因此导联是独立的。将多个导联数据组合成一个二维矩阵以进行单通道操作将破坏引线之间的独立性。单通道结构不适合直接应用于心电数据处理。因此，ML Net为每条导联使用一个通道来执行卷积运算，这可以确保ECG数据的独立性。这种由多个单通道独立计算组成的结构构成了多通道结构。单独分析每条导联的多通道方法可以利用这种独立性来提取单个心脏状况反映到每条导联上的更丰富的特征。与单通道方法相比，多通道方法可以从多个维度提取更丰富的数据特征，并充分发挥其优势。
另外，作者还通过不同大小的卷积核进行特征提取，这有利于在不同感受野下挖掘数据特征。如下图所示。Depthwise卷积和Pointwise卷积的组合有利于降低计算量（深度可分离卷积）。

实验对比结果：
与自己设计的不同超参数的单通道（Ⅰ，Ⅱ，Ⅲ）和多通道模型（Ⅳ）模型进行对比，结果如下图所示。

与现有模型进行对比，对比结果如下图所示。

结论：
使用5G无线网络进行疾病诊断的移动设备进行IoMT是一种发展趋势。然而，移动设备的内存小、计算速度有限等特点对应用模型提出了很高的要求。作者构建了一个多通道轻量级网络ML-Net，它可以应用于便携式移动设备来检测MI。作者从12条导联中选择了4条与MI相关的导联。在重新调整和划分ECG节拍后，可以减少模型计算的数量并丰富数据类型。ML Net使用的多通道方法为每个导联构建了一个单独的通道，每个导联都有一个独立的处理通道。它保证了不同导联之间数据的独立性，可以为每个引线获得最合适的滤波器，以获得功能特性。在PTB数据集上测试，ML Net模型的ACC、Spec和Sen分别为96.65%、97.72%和94.30%。与常见的多通道CNN模型相比，ML网络采用不同大小的卷积核（压缩卷积、深度卷积和点卷积）来提取心电特征。这种网络结构大大减少了模型参数，提高了计算运行时间，更适合移动设备。因此，与传统的CNN模型相比，ML Net更适合于多导联心电图数据分析和心肌梗死识别。

参考文献：
Y. Cao et al., “ML-Net: Multi-Channel Lightweight Network for Detecting Myocardial Infarction,” IEEE Journal of Biomedical and Health Informatics, vol. 25, no. 10, pp. 3721–3731, Oct. 2021.