本文是一篇医学论文，本文设计了一个双判别器GAN网络，将特征融合问题转变成生成器与判别器的对抗问题。通过生成器与判别器之间的对抗博弈，使得GAN网络能够生成融合了两种疾病特征的多标签数据，为此类多标签疾病的分类提供了可能。
1 前言
1.1 研究背景与意义
随着经济的发展，人民的生活方式正在逐渐发生变化，心血管疾病已经成为威胁人类健康的第一杀手，成为了我们国家的重大公共卫生问题[1, 2]。心血管疾病治疗费用高昂，治疗周期漫长，这给家庭乃至社会无疑都会带来沉重的负担。同时由于心血管疾病年轻化趋势[3]的渐显，许多家庭遭受到了来自身体和经济的多重打击。在日常生活中，那些伴有抽烟、饮酒以及不良饮食习惯的人往往会有更高的心血管疾病发病率。面对如此高发，且治疗成本高的疾病，尽早实现对其的精确诊断与治疗成为重中之重。
心电图[4, 5]作为心电疾病检测的重要手段，是将电极片放置在人体表面，然后将其采集到的心脏电信号变化反映到身体表面，再将其转化成可以读取分析的诊断结果。心电图检测方法无创且蕴含了丰富的心脏活动信息，这尽管是一种有效的诊断方式，但是由于心血管疾病专家缺乏，医生每天需要面对大量患者的心电图，诊断结果包含自身主观判断的同时，由于疲惫等多种原因，可能会导致误判，从而延误疾病的治疗。这就推动了计算机心电图自动分析诊断[6]的出现。心电信号自动分类算法包括传统方法和深度学习方法。其中，传统方法依赖于领域专家的经验，且需要人工选取特征，工作量庞杂且算法执行效率低下，很难提取到高质量的特征，这也是传统机器学习算法的局限性；而深度学习方法可以自动、高效的获取对任务有帮助的特征，不需要设计者具有相关领域的特殊知识，可以有效降低误诊率[7]。心电信号（ECG）具有和图像相似的特性，它的某些局部波形与整体结果息息相关，疾病诊断实质就是将一些低层次的、可见的波形抽象成一些疾病的概念，即高层次的特征。可见我们同样可以用卷积神经网络（CNN）来处理我们的一维心电信号，经过CNN的处理，既能提取到高质量特征，还能提升分类效果，同时也能增加算法的鲁棒性,成为目前心电疾病分类的常用方法。
1.2 国内外特征融合研究进展
基于特征融合方向的研究，目前从已有的算法上来说，整体分为两类，传统机器学习方法和基于深度学习理论的方法。
传统的机器学习方法，关键在于需要人工设计特征。具体说来又可以细分为两类：一类是基于推断和估计理论的贝叶斯决策理论算法。Kittler等人[10]提出的分类器融合框架，总结了乘法规则、加法规则、最大规则、最小规则、中值规则、多数决策规则等经典的融合规则。Kuncheva等人[11]建模分析了基于贝叶斯算法的分类错误率，这项研究使得特征融合的优势逐渐显露出来。第二类是基于稀疏表示理论的算法，它通常结合最优化理论，将特征融合问题转化为优化问题，通过求得联合稀疏表示来实现融合。Shekhar等[12]提出基于联合稀疏表示的特征级融合方法，也被应用于多模态生物特征识别中，拓宽了特征融合方法的应用范围。
基于深度学习的特征融合算法的主要研究围绕两种方向展开：一种是将特征融合思想融入卷积神经网络中，用来优化网络效果。视频作为增加了时序信息的图像数据，特征融合方法被应用到解决基于视频的目标识别和动作识别问题中，Feichtenhofer等人[13]在文献[14]的基础上，通过结合时间融合和空间融合相关算法，应用特征融合思想，改进了基于卷积神经网络的双流融合方法，为解决视频中的动作识别提供了解决方法。另一种是利用编码器或者生成对抗网络等网络结构在学习原有数据特征以及生成数据上具有的天然优势，在网络中使用特殊设计的融合策略或者某种数据连接方式，能够使得同一张图像上可以提供更多有用的信息，得到同时含有不同信息的图像。这在图像识别[15]、小物体目标检测[16]等领域都得到了广泛的应用，最常见的便是图像融合[17]，旨在将两幅具有独立信息（特征）的图像融合成一幅图像，使得这幅图像同时具有两幅图像的特征。
2 材料与方法
2.2 数据
本文所使用的数据均来自中国医科大学第一附属医院。训练阶段所需的数据主体分别为完全性右束支传导阻滞（CRBBB），左心室肥大（LVH）以及室性早搏（VPB）以及同时患有CRBBB和LVH、CRBBB和VPB、LVH和VPB的心电疾病数据。前三种疾病在心电图上的诊断特征相对明显，使用深度学习方法对其进行分类可以取得很好的效果。其中，CRBBB常见于冠心病、高血压性心脏病、风湿性心脏病、大面积肺梗死、急性心肌梗死后等情况，亦可见于正常人。其心电图诊断特点为[23]：①、QRS波群时限延长；②、V1或V2导联QRS波呈rsR′型或M型，此为最具特征性的改变；③、V1、V2导联ST段轻度压低，T波倒置；④、Ⅰ、V5、V6导联T波方向一般与终末S波方向相反；LVH在临床上常见于主动脉关闭不全、主动脉狭窄、高血压性心脏病等疾病，其心电图诊断特点为：①、左胸导联QRS高压；②、左心室壁激动时间延长；③、ST-T段改变；④、电轴左偏；VPB简称室早，是一种常见的心律失常疾病，其临床诊断特点为[24]：提前发生的QRS波，时限通常超过0.12秒，宽大畸形且ST段与T波的方向和QRS波主波方向相反。以上三种心电疾病除各自特征较为明显外，疾病之间两两组合时即同时患有其中任意两种疾病的心电信号仍然会保留着各自的特征，因此认为其适用于神经网络的训练。
2.3 数据预处理
从中国医科大学心电数据库中选取符合要求的疾病数据共15600例。以往大多数研究多基于单导联或者二导联的心电数据，将其切割成心拍进行信号分析。通过对心脏疾病诊断知识的学习了解到，心电信号在采集时，由心脏电极片采集人体表面多个位点的心电信号，故能同时得到多个通道的心电信号信息，因此在多个导联上均有有助于该疾病诊断的有效特征，综合导联特征能得到全面的诊断结果。故本研究拟同时使用十二导联数据。同时，虽然心电数据具有周期性，但为了更加充分地体现该导联的特征，本研究摒弃了以往基于单心拍的方式，截取了一段连续信号，每条导联共截取1320个数据点，共包含三个心拍信号。
中国医科大学心电数据库中的原始数据噪声严重，不利于后续分析，因此首先使用小波变换法去除噪音和基线漂移[25]。利用python中的pywt.threshold函数进行小波阈值去噪，降噪前后的心电信号如图2.1所示。同时，去噪过程中使用Python绘制函数将心电信号进行可视化，通过观察法，将譬如VPB这类特征在QRS波段明显的疾病的噪声筛选出来后进行剔除。去噪后，最后得到CRBBB数据5400条，VPB数据5400条，LVH数据5400条，同时患有CRBBB和LVH的数据256条、同时患有CRBBB和VPB的有320条、同时患有LVH和VPB的心电疾病数据207条。
3 实验......................................... 16
3.1 GAN网络训练 ........................... 16
3.2 分类器训练...................................... 16
3.3 对比实验.......................... 17
4 结果....................................... 18
4.1 评价指标.................................. 18
4.2 本实验结果............................. 19
5 讨论........................ 27
5 讨论
基于心电疾病种类繁多，为每种疾病都搜集大量数据不现实的基本事实。本文利用GAN网络能够生成数据的天然优势，结合特征融合思想，提出将两种单标签的心电疾病数据进行融合从而得到多标签疾病数据的研究手段。接下来利用得到的融合数据作为训练集，真实多标签疾病做测试集来实现对真实多标签疾病的分类诊断。区别于常规GAN网络，本研究采用双判别器GAN网络，能够使网络更好的学习融合前各个类的特征。损失函数部分，为了缓解GAN网络训练过程中出现的不稳定性，本研究增加了信号融合约束𝐿𝑟𝑒𝑐𝑜𝑛，经验证，此举可以在一定程度上缓解GAN网络的不稳定性，同时有效提高了生成的融合数据的质量。训练稳定的GAN网络能够输出可供判断的多标签融合信号，利用得到的融合信号可以对真实多标签疾病的辅助诊断提供一定程度上的帮助。
本研究从融合结果和分类结果两个层面对结果进行评价。在融合结果上，本文选取的三种疾病特征相对明显独立，同时患有任意两种疾病的心电波形上都会保留各自的特征。目前通过对可视化融合信号的观察就可以在一定程度上比较模型学习的效果；在分类结果上，本研究使用常用的多分类评价指标。结合表4.2~表4.4的结果可以看到，三组实验中分类模型不仅可以对其他两种单一标签的疾病进行准确的分类准确率都在91%以上，F1值均在89%以上，同时对于测试集中的真实多标签信号地分类准确率也都高于89.9%，F1值都高于86%。这进一步验证了训练集中的融合数据有效学习到了融合前两种疾病的特征。
6 结论
考虑到多标签疾病与单一标签疾病在心电图诊断上的内在联系，本文设计了一个双判别器GAN网络，将特征融合问题转变成生成器与判别器的对抗问题。通过生成器与判别器之间的对抗博弈，使得GAN网络能够生成融合了两种疾病特征的多标签数据，为此类多标签疾病的分类提供了可能。
在网络设计细节上，本研究为了更好地将两类疾病的信号进行融合，一方面在生成器结构上采用了U-net网络，其中的跳跃连接结构可以在特征提取、融合的过程中尽量保证信息的保留。另一方面，两个判别器分别学习两类融合前的疾病特征，使用了特殊的训练策略也可以保证GAN网络在训练过程中不会造成两类疾病特征学习的失衡；同时在损失函数设计上，在常规GAN网络损失函数的基础上本研究增设了信号融合约束𝐿𝑟𝑒𝑐𝑜𝑛，经验证其既可以增加GAN网络的稳定性，同时能够使得融合信号更好的同时保留融合前两类疾病的特征。训练过程中，三类疾病数据，两两融合进行三组独立重复实验。训练稳定后，只使用GAN网络生成器的生成作用生成三组融合信号，使用融合信号作为训练集，使用真实多标签数据作为测试集进行三次分类训练。在测试集上，分类模型在三组不同疾病数据作为输入的情况下都可以将大部分真实多标签数据分到融合数据类别，说明了本文提出的双判别器GAN网络用来生成融合数据的有效性。
参考文献（略）