關(guān)鍵詞：心沖擊信號(hào);Shapelet;小波變換;人工神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP389.1 文獻(xiàn)標(biāo)志碼：A

0 引言（Introduction）

隨著健康意識(shí)的提升和醫(yī)療技術(shù)的不斷進(jìn)步，人們開始更加關(guān)注自身的心血管健康狀況。因此，心率和心動(dòng)周期作為評(píng)估心血管系統(tǒng)健康狀況的關(guān)鍵指標(biāo)，受到了廣泛關(guān)注。傳統(tǒng)心率檢測(cè)方法的采集設(shè)備需要將傳感器電極直接與人體相連接，這種方式可能會(huì)給患者的日常生活帶來不適和不便。心沖信號(hào)是一種非侵入性的生理信號(hào)，其優(yōu)勢(shì)在于采集設(shè)備不需要與人體直接接觸。這一特點(diǎn)使得BCG能夠?qū)崿F(xiàn)長期的、家庭式的無接觸健康監(jiān)測(cè)，進(jìn)而有效地預(yù)測(cè)和評(píng)估心血管疾病的風(fēng)險(xiǎn)[1]。

近年來，基于BCG信號(hào)進(jìn)行無接觸的心動(dòng)周期檢測(cè)已經(jīng)得到了廣泛的研究。ALVARADO-SERRANO等[2]首先檢測(cè)BCG信號(hào)的前4個(gè)心跳來定義初始參數(shù)，其次學(xué)習(xí)這些參數(shù)來識(shí)別下一個(gè)心跳。HAI等[3]將BCG信號(hào)片段表述為圖像，饋送到門控循環(huán)單元（GRU）網(wǎng)絡(luò)中進(jìn)行特征提取，從而實(shí)現(xiàn)心動(dòng)周期檢測(cè)。王炬等[4]根據(jù)BCG波形中的極大值點(diǎn)截取BCG子序列進(jìn)行模板匹配。上述算法對(duì)模板波形的質(zhì)量要求較高，一旦出現(xiàn)模板錯(cuò)誤，將會(huì)在很大程度上降低后續(xù)心動(dòng)周期檢測(cè)的精度。為了提高心動(dòng)周期檢測(cè)的精度，完善無接觸健康監(jiān)測(cè)技術(shù)，本文提取了BCG信號(hào)的Shapelet特征和小波特征，與傳統(tǒng)的時(shí)域特征相比，Shapelet更具有魯棒性，而小波特征則可以反映信號(hào)的各種細(xì)節(jié)。將兩種特征相融合，命名為Shapelet-WT特征，通過該復(fù)雜特征完善心動(dòng)周期的識(shí)別檢測(cè)。

1 特征提?。‵eature extraction）

1.1 信號(hào)的采集與預(yù)處理

本實(shí)驗(yàn)使用基于微彎曲光纖維傳感器的BCG信號(hào)采集坐墊采集BCG信號(hào)（采樣率為500 Hz），它利用微彎管的形變促使接收器收到的光強(qiáng)發(fā)生改變，基于這種方法制作的傳感器靈敏度高、成本低、傳輸?shù)男盘?hào)比較穩(wěn)定[5]。基于微彎曲光纖維傳感器的BCG信號(hào)采集坐墊如圖1所示。同步采集ECG信號(hào)（采樣率為500 Hz），采集的每段信號(hào)數(shù)據(jù)均含有時(shí)間戳，這種方式解決了兩種不同信號(hào)同步難的問題。BCG信號(hào)在采集過程中極易受到外界噪聲（呼吸、體動(dòng)、電路自身噪聲等干擾信號(hào)）的干擾，從而影響后續(xù)算法檢測(cè)的精度，為了突出BCG信號(hào)中的有效信息，需要對(duì)BCG信號(hào)進(jìn)行預(yù)處理，降低噪聲的影響。本研究使用了截止頻率為0.4～10 Hz的二階巴特沃斯帶通濾波器濾除BCG信號(hào)中包含的呼吸信號(hào)和高頻噪聲。BCG原始信號(hào)如圖2所示，經(jīng)過帶通濾波器濾波后的BCG信號(hào)如圖3所示。

1.2 小波變換提取特征

小波變換[6]（Wavelet Transform，WT）是一種新的變換分析技術(shù)，它針對(duì)短時(shí)傅里葉變換局部化的思路做了改良和繼承，同時(shí)解決了窗口大小不隨時(shí)間改變而改變等缺陷，能夠提供一個(gè)隨頻率改變的時(shí)頻窗口，是進(jìn)行信號(hào)時(shí)頻分析和處理的理想工具。本文利用小波變換把BCG信號(hào)在不同頻率中的特征提取出來，對(duì)信號(hào)進(jìn)行頻帶分析，將最后一級(jí)的近似信號(hào)和每一級(jí)的細(xì)節(jié)信號(hào)作為模型訓(xùn)練所需的特征。BCG信號(hào)f（t）的二進(jìn)小波分解可表示如下：

其中：A 是近似信號(hào)，為低頻成分;D 是細(xì)節(jié)信號(hào)，為高頻成分;x（i）代表第i 個(gè)節(jié)點(diǎn)的BCG信號(hào)，低頻和高頻成分分別由α近似系數(shù)及β 細(xì)節(jié)系數(shù)構(gòu)成。上述過程迭代地應(yīng)用于每個(gè)級(jí)別的低頻成分，直到達(dá)到指定級(jí)別。多尺度分解的信號(hào)頻帶分布如圖4所示，研究人員選擇第五層的近似信號(hào)和各層的細(xì)節(jié)信號(hào)作為特征構(gòu)建特征向量。

1.3Shapelet特征提取

Shapelet[7]算法是一種時(shí)間序列分析工具，它的準(zhǔn)確性和可解釋性使其在時(shí)域分析領(lǐng)域備受矚目。Shapelet作為時(shí)間序列的子序列，是該序列中最具特色的部分，將其作為特征能夠有效地區(qū)分兩類時(shí)間序列的差異。使用時(shí)間序列到Shapelet的距離作為特征的分類算法，大幅提高了分類識(shí)別的靈敏度，并增強(qiáng)了算法的可解釋性。

研究人員提取了BCG信號(hào)中10種不同長度的Shapelet，在清除冗余和相關(guān)性不高的Shapelet后，得到了精簡(jiǎn)后的Shapelet共43個(gè)，不同長度的Shapelet如圖5所示。精簡(jiǎn)后的Shapelet解決了其形式的局限性，同時(shí)保持了多樣性，降低了算法的復(fù)雜度和縮短了學(xué)習(xí)時(shí)間。通過Shapelet變換[8]將Shapelet與BCG子序列之間的距離作為特征值，將BCG子序列變換到基于Shapelet的特征空間中，目的是縮減子序列的長度，但同時(shí)也保留了子序列中包含檢測(cè)心動(dòng)周期的關(guān)鍵信息，圖6為某BCG子序列和其映射到同一空間的Shapelet，兩個(gè)時(shí)間序列的最佳匹配距離即所需要的特征值。

2 ANN網(wǎng)絡(luò)模型的搭建（Construction of ANN ）

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)（ANN）[9]是在生物學(xué)的基礎(chǔ)上，將大腦對(duì)外界刺激的反應(yīng)進(jìn)行理解和抽象，模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的數(shù)學(xué)模型。該模型同時(shí)具備并行處理和分布式處理能力，并且結(jié)構(gòu)簡(jiǎn)單，網(wǎng)絡(luò)參數(shù)多，計(jì)算量大，能夠承受多隱層網(wǎng)絡(luò)的規(guī)模。

本文使用的ANN具有5層結(jié)構(gòu)，如圖7所示。第一層是輸入層，第二層、第三層、第四層是隱藏層，第五層是輸出層。輸入層接收小波變換和Shapelet算法提取的特征數(shù)據(jù)。隱藏層是神經(jīng)網(wǎng)絡(luò)中的內(nèi)部處理層，這些神經(jīng)元在網(wǎng)絡(luò)內(nèi)部形成一個(gè)中間層，多個(gè)隱藏層能夠在各個(gè)層次上對(duì)輸入特征進(jìn)行多級(jí)抽象，從而更有效地對(duì)不同數(shù)據(jù)進(jìn)行線性劃分。本研究設(shè)置了3個(gè)隱藏層防止隱藏層過多導(dǎo)致的過擬合和訓(xùn)練困難問題。Dropout層[10]放在隱藏層中用于解決模型的過擬合問題。

2.2 激活函數(shù)和損失函數(shù)的選擇

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，超參數(shù)的調(diào)整是必不可少的。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中常用的超參數(shù)有梯度下降優(yōu)化器、損失函數(shù)和激活函數(shù)。激活函數(shù)經(jīng)常用于解決非線性問題，它可以幫助神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)復(fù)雜的數(shù)據(jù)模型。Sigmoid、Tanh和ReLu是常用的激活函數(shù)。Sigmoid函數(shù)和Tanh函數(shù)可能會(huì)遇到梯度消失的問題，而ReLu[11]函數(shù)的輸出范圍從0到無窮大，解決了梯度消失的問題，并且其收斂速度比Sigmoid函數(shù)和Tanh函數(shù)的收斂速度更快。所以，研究人員在隱藏層使用ReLu函數(shù)，在輸出層使用Sigmoid函數(shù)。

2.3 優(yōu)化器和學(xué)習(xí)率

優(yōu)化器是在深度學(xué)習(xí)反向傳播過程中，計(jì)算網(wǎng)絡(luò)的權(quán)重和偏差導(dǎo)數(shù)，以完成網(wǎng)絡(luò)參數(shù)的更新，指導(dǎo)損失函數(shù)能夠以適當(dāng)?shù)姆瘸_的方向更新，使得損失函數(shù)值不斷逼近全局最小。本文使用的優(yōu)化器Adam是一種隨機(jī)優(yōu)化算法，與傳統(tǒng)隨機(jī)梯度下降算法不同的是，它更善于處理稀疏梯度和非平穩(wěn)目標(biāo)，初始化學(xué)習(xí)率并且根據(jù)訓(xùn)練數(shù)據(jù)迭代及時(shí)更新神經(jīng)網(wǎng)絡(luò)權(quán)重，通過自適應(yīng)地調(diào)整學(xué)習(xí)率改進(jìn)梯度下降問題。

2.4 隱藏層神經(jīng)元的數(shù)量設(shè)置

神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的節(jié)點(diǎn)設(shè)置相對(duì)簡(jiǎn)單。輸入層的神經(jīng)元數(shù)量取決于輸入數(shù)據(jù)的變量數(shù)量，輸出層神經(jīng)元的數(shù)量可以設(shè)置為1，但是如何設(shè)置每層隱藏層的神經(jīng)元數(shù)量相對(duì)復(fù)雜。如果隱藏層的神經(jīng)元數(shù)量過少，會(huì)導(dǎo)致模型欠擬合，如果隱藏層的神經(jīng)元數(shù)量過多，不僅會(huì)導(dǎo)致數(shù)據(jù)中的有限信息無法訓(xùn)練每一個(gè)神經(jīng)元而使模型過擬合，同時(shí)會(huì)導(dǎo)致訓(xùn)練時(shí)間過長。從表1中可以清楚地看出，當(dāng)神經(jīng)元數(shù)量過少時(shí)，測(cè)試集準(zhǔn)確率過低;當(dāng)神經(jīng)元數(shù)量過多時(shí)，模型出現(xiàn)了過擬合。因此，在本次實(shí)驗(yàn)中隱藏層的數(shù)量設(shè)置為10×10×2。

3 實(shí)驗(yàn)與分析（Experiments and analysis）

3.1 數(shù)據(jù)集的獲取與劃分

在本次實(shí)驗(yàn)中，同步采集了5位健康受試者的BCG信號(hào)和ECG信號(hào)用于驗(yàn)證本文提出的算法，其中有3名女性和2名男性，年齡在23～27歲，每位受試者數(shù)據(jù)長度約為5 min。通過同步采集的ECG信號(hào)將BCG信號(hào)劃分為若干個(gè)子序列，其中包含完整心動(dòng)周期片段（HB）和非心動(dòng)周期片段（NHB），片段長度r 設(shè)置為450（每個(gè)時(shí)間序列為0.9 s）。由ECG信號(hào)標(biāo)注的BCG信號(hào)如圖8所示，圖8中上方波形為BCG信號(hào)，下方波形為ECG信號(hào)。

在數(shù)據(jù)集標(biāo)注完成后，對(duì)其進(jìn)行分割，將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集（圖9），其中80%的數(shù)據(jù)用于訓(xùn)練，20%的數(shù)據(jù)用于測(cè)試。訓(xùn)練集用于訓(xùn)練模型和更新模型參數(shù)，測(cè)試集用于評(píng)估模型并測(cè)試模型的最終性能，驗(yàn)證集用于觀察模型的訓(xùn)練效果。

3.2 評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)可以反映模型的泛化能力，評(píng)估不同模型的性能，還可以用于模型優(yōu)化。對(duì)于分類模型，混淆矩陣可以直觀地計(jì)算出模型的準(zhǔn)確性（AC）、F1分?jǐn)?shù)、敏感性（SE）等指標(biāo)?；煜仃嚨亩x如公式（8）所示，其中TP是正確檢測(cè)的HB的數(shù)量，F(xiàn)P是未檢測(cè)到的NHB的數(shù)量，TN是正確檢測(cè)到NHB的數(shù)量，F(xiàn)N是錯(cuò)過的HB的數(shù)量。AC反映了正確預(yù)測(cè)的樣本的百分比，由公式（9）定義。SE是指檢測(cè)到的正確HB的數(shù)量與所有HB的數(shù)量之比，如公式（10）所定義。F1分?jǐn)?shù)又稱平衡F 分?jǐn)?shù)（Balanced Score），它被定義為精確率和召回率的調(diào)和平均數(shù)，如公式（11）中所定義，其中r 為召回率。

3.3 實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)的計(jì)算機(jī)配置如下：11th Gen Intel（R） Core（TM） i7-11700 @ 2.50 GHz 2.50 GHz，RAM 為16 GB，仿真環(huán)境為Python3.7。圖10和圖11分別為模型訓(xùn)練過程中訓(xùn)練集和驗(yàn)證集隨著迭代次數(shù)的增加，其損失值和準(zhǔn)確率的變化曲線。在前10次迭代中，隨著驗(yàn)證集和訓(xùn)練集的損失值迅速下降，準(zhǔn)確率則快速攀升，當(dāng)?shù)螖?shù)達(dá)到30次時(shí)，模型性能趨于穩(wěn)定，最終確定迭代次數(shù)為30次。

為了驗(yàn)證提取的Shapelet-WT特征更具魯棒性，本研究也提取了BCG信號(hào)的時(shí)域特征，將時(shí)域特征與小波特征進(jìn)行融合并命名為TD-WT特征，具體提取的時(shí)域特征如表2所示。模型使用不同特征進(jìn)行心動(dòng)周期檢測(cè)的實(shí)驗(yàn)結(jié)果如表3所示，將輸入到ANN中的TD-WT特征和Shapelet-WT特征進(jìn)行比較，驗(yàn)證模型在不同特征下每位測(cè)試者心動(dòng)周期的檢測(cè)性能。通過添加每位測(cè)試者的混淆矩陣計(jì)算總體的AC、SE和F1分?jǐn)?shù)，與TD-WT特征相比，使用Shapelet-WT特征顯著提高了模型的整體性能，其中準(zhǔn)確率高達(dá)98.35%，同時(shí)對(duì)于敏感性的大幅提升也反映了Shapelet-WT特征的顯著性。

采用與文中相同的數(shù)據(jù)集及劃分策略，研究人員對(duì)支持向量機(jī)（SVM）、隨機(jī)森林（RF）、K-最近鄰（KNN）、Logistic回歸以及本文所提算法進(jìn)行了性能對(duì)比。由圖12可以看出，基于Shapelet-WT特征的ANN分類器在各個(gè)指標(biāo)上都明顯優(yōu)于傳統(tǒng)的分類器，預(yù)測(cè)的心動(dòng)周期與實(shí)際心動(dòng)周期高度重合證明了其在心動(dòng)周期檢測(cè)中的優(yōu)越性。總體而言，本文提出的檢測(cè)算法可以準(zhǔn)確地檢測(cè)到絕大多數(shù)的心動(dòng)周期，并且對(duì)于受到體動(dòng)等噪聲影響的BCG信號(hào)，也獲得了很好的心動(dòng)周期檢測(cè)精度，驗(yàn)證了該算法的魯棒性。

4 結(jié)論（Conclusion）

本文提出了一種基于復(fù)雜特征的心動(dòng)周期檢測(cè)算法，提取BCG信號(hào)的Shapelet特征和小波變換多尺度特征，并在此基礎(chǔ)上使用人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型智能化地檢測(cè)心動(dòng)周期。其中，Shapelet特征主要用于彌補(bǔ)普通的時(shí)域特征無法很好地區(qū)分時(shí)間序列差異的缺陷，提取的小波特征則可以進(jìn)一步完善遺漏的細(xì)節(jié)特征，同時(shí)提取了信號(hào)的時(shí)域特征用于對(duì)比驗(yàn)證。為了更加準(zhǔn)確地檢測(cè)心動(dòng)周期，本研究摒棄了傳統(tǒng)的分類器，采用ANN神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明，本文提取的復(fù)雜特征比傳統(tǒng)特征更具魯棒性，與傳統(tǒng)算法相比，本文提出的算法顯著提升了心動(dòng)周期的識(shí)別準(zhǔn)確率，具有優(yōu)秀的檢測(cè)效果，可以用于長期的家庭式健康監(jiān)測(cè)。

作者簡(jiǎn)介：

朱永梁（1998-），男，碩士生。研究領(lǐng)域：BCG信號(hào)處理。

朱耀東（1970-），男，博士，教授。研究領(lǐng)域：智能計(jì)算機(jī)與健康物聯(lián)網(wǎng)。

唐敏（1999-），女，碩士生。研究領(lǐng)域：智能健康機(jī)器人。

胡蝶（1998-），女，碩士生。研究領(lǐng)域：情緒識(shí)別。