周金治，鄭淋文，黃 靜, 涂道鑫，賴健瓊

(1.西南科技大學(xué) 信息工程學(xué)院，四川 綿陽 621000；2.特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，四川 綿陽 621000)

0 引 言

隨著微機(jī)電系統(tǒng)(MEMS)技術(shù)、物聯(lián)網(wǎng)(IoT)技術(shù)的發(fā)展，低能耗的微小傳感器已經(jīng)能完成信息采集、處理、無線通信等多種功能，無線軀感網(wǎng)應(yīng)運(yùn)而生，并得到了迅猛發(fā)展，在醫(yī)療護(hù)理和智能家居等領(lǐng)域都有廣闊的應(yīng)用前景[1]。

由于穿戴式設(shè)備資源受限，對算法的時間和空間復(fù)雜度要求較高，使得面向軀感網(wǎng)(body sensor network,BSN)的心電(electrocardiograph,ECG)分析方法研究的難點(diǎn)主要在于精確、實(shí)時的波形識別和特征提取[2]。文獻(xiàn)[3]采用自適應(yīng)加窗二樣條小波來定位R波位置，同時解決QRS波抖動的問題，應(yīng)用差分閾值方法來確定ECG波群的邊界值，提取出ECG的時頻域特征。文獻(xiàn)[4]將二維主分量判別法(2D-PCA)和能量百分比法結(jié)合起來對12導(dǎo)聯(lián)高頻ECG信號進(jìn)行融合特征提取，提取出HF-ECG的全局特征和本征向量。文獻(xiàn)[5]利用Baum-Welch算法優(yōu)化離散隱形馬爾科夫模型參數(shù)，采用Viterbi 算法提取出ECG特征。文獻(xiàn)[6]利用長短時記憶(long short term memory,LSTM)網(wǎng)絡(luò)捕捉ECG序列的前后依賴關(guān)系，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)取出信號的局部相關(guān)特征，同時完成特征提取和分類。在上述特征提取算法中，小波變換(WT)算法實(shí)現(xiàn)復(fù)雜，主成分特征值分解具有局限性，馬爾科夫模型中的狀態(tài)轉(zhuǎn)換概率矩陣的存儲復(fù)雜率較高，神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量的計(jì)算參數(shù)和設(shè)備的存儲能力，無法應(yīng)用于受限設(shè)備中。

自編碼器(auto encoders,AEs)是一種可從無標(biāo)簽數(shù)據(jù)中自動學(xué)習(xí)數(shù)據(jù)特征的神經(jīng)網(wǎng)絡(luò)，相比于CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)，網(wǎng)絡(luò)層少，實(shí)現(xiàn)簡單。本文面向軀感網(wǎng)中ECG特征提取性能的要求，提出一種高效、高準(zhǔn)確率的ECG融合特征分析方法。采用Pan-Tompkins算法進(jìn)行快速Q(mào)RS波群識別，并提取出時域特征。應(yīng)用堆疊稀疏自編碼器(sparse AEs,SAEs)進(jìn)行深度特征提取，最后以融合特征表征ECG信號。在SAEs訓(xùn)練模式中以單圖方式訓(xùn)練，采用Adam優(yōu)化器，捆綁權(quán)重，可大大減少模型訓(xùn)練時間。

1 面向軀感網(wǎng)的心電融合特征提取

特征的提取是ECG智能分析診斷模型的基礎(chǔ)和核心，特征質(zhì)量的高低決定著后續(xù)分類結(jié)果和心血管疾病的診斷效果。為了得到更好的分類效果，往往組合運(yùn)用多種類型特征集合[7]。本文采用時域特征和深度特征組合的方式進(jìn)行單導(dǎo)聯(lián)特征提取。

1.1 基于Pan-Tompkins的信號檢測與時域特征提取

在穿戴式健康監(jiān)測系統(tǒng)中，傳感器節(jié)點(diǎn)需要將采集到的ECG信號，通過無線傳送至監(jiān)控中心或顯示設(shè)備，為進(jìn)一步的分析與診斷提供依據(jù)。因此，對于ECG波形檢測，需要正確性與實(shí)時性的統(tǒng)一[8]。Pan-Tompkins(PT)算法具有魯棒性強(qiáng)，計(jì)算量低的特點(diǎn)，被廣泛應(yīng)用于穿戴式ECG設(shè)備的波形檢測當(dāng)中[9]。因此本文選用PT算法來檢測QRS波群。具體步驟如下：

1)帶通濾波器：級聯(lián)了低通濾波器和高通濾波器，可降低信號噪聲干擾，僅在單位圓上具有極點(diǎn)和零點(diǎn)，通帶設(shè)計(jì)靈活。其低通濾波器的為整系數(shù)，可以降低計(jì)算復(fù)雜度。截止頻率約為11 Hz，增益為36 dB，有6個樣本的延遲，傳遞函數(shù)H(z)=(1-z-6)2/(1-z-1)2。高通濾波器的截止頻率為5 Hz，16個樣本延遲，傳遞函數(shù)H(z)=(-1+32z-16+z-32)/(1-z-1)。

2)微分:主要用于濾除輸入的直流分量，高頻獲得線性增益。可看作一個高通濾波器，有2個樣本的延遲。傳遞函數(shù)為H(z)=(-z-2-2z-1+2z+z2)/8。

3)平方：可以確保每個樣本值都為正數(shù)，增強(qiáng)P，T波和QRS波斜率，凸顯Q，S波。具體計(jì)算y(n)=x2(n)。

4)滑窗積分：通過微分后，QRS波群將產(chǎn)生許多波，采用滑窗積分可將其進(jìn)行平滑輸出，并得到R波斜率以及其他波形特征信息。計(jì)算方式：y(n)=[x(n-(N-1))+x(n-(N-2))+…+x(n)]/N。式中,N為滑動窗口內(nèi)采樣點(diǎn)的數(shù)量，N過大時,會將QRS波和T波復(fù)合在一起，N過小時，會在QRS波群中產(chǎn)生很多峰值?；瑒臃e分有21個樣本延遲。

5)自適應(yīng)閾值：PT算法采用雙閾值檢測QRS波群。令SPKI代表QRS波群峰值，NPKI代表非QRS波群峰值，THRESHOLD I1為閾值1，THRESHOLD I2為閾值2。閾值1用于搜索濾波后的ECG信號，閾值2搜索滑窗積分產(chǎn)生的信號。如果峰值大于閾值1，則判定為SPKI，否則為NPKI。PEAKI 表示總體的峰值。閾值更新方式:SPKI=0.125PEAKI+0.875SPKI,if PEAKI is signal peak;NPKI=0.125PEAKI+0.875SPKI,if PEAKI is signal peak;THRESHOLD I1=NPKI+0.25(SPKI-NPKI);THRESHOLD I2=0.5THRESHOLD I1。

利用PT算法檢測到QRS波群后，提取出R-R間期、Q-R間期、R-S間期、R波幅值和QRS波斜率作為時域特征。

1.2 基于深度學(xué)習(xí)的特征提取

有研究表明，稀疏的表達(dá)往往比其他的表達(dá)要更有效[10]。SAEs是通過在自編碼器(AEs)的誤差函數(shù)中添加散度來對隱含層進(jìn)行稀疏性約束，改善發(fā)現(xiàn)數(shù)據(jù)隱藏結(jié)構(gòu)的性能，同時加快模型收斂。對于輸入ECG數(shù)據(jù)x={x1,x2,…，xT+D}，T代表訓(xùn)練樣本，D代表測試樣本。為了避免模型出現(xiàn)過擬合，本文在誤差函數(shù)中加入正則項(xiàng)。以Sigmoid為激活函數(shù)，均方誤差為損失函數(shù)，SAEs的誤差函數(shù)表達(dá)式如下

(1)

(2)

SAEs隱含層的輸出為所提取到的ECG抽象特征，特征向量的表達(dá)式為

(3)

圖1 堆疊SAEs單圖訓(xùn)練

將訓(xùn)練過程分為兩個階段:第一階段跳過隱含層2和隱含層3的輸出層，訓(xùn)練隱含層1和輸出層的權(quán)重和偏置，輸出層與棧式自編碼器的輸出層具有相同的權(quán)重和偏置;第二階段凍結(jié)隱含層1，訓(xùn)練隱含層2和隱含層3的權(quán)重和偏置，使得隱含層3盡可能逼近隱含層1。為了避免反復(fù)計(jì)算隱含層1的輸出，在第一階段結(jié)束時使用整個訓(xùn)練集計(jì)算，在第二階段只需輸入隱含層1的緩存輸出，可大大提高模型性能和減少訓(xùn)練時間。

為了降低堆疊SAEs的算法復(fù)雜度，提高效率，在算法進(jìn)行訓(xùn)練和微調(diào)時，采用Adam進(jìn)行參數(shù)尋優(yōu)。Adam算法[11]實(shí)現(xiàn)簡單，計(jì)算高效，對內(nèi)存需求少，梯度對角縮放具有不變性，對超參數(shù)具有較好的解釋性，經(jīng)驗(yàn)值能解決大多數(shù)問題。

1.3 面向軀感網(wǎng)的特征融合

本文利用PT進(jìn)行ECG信號的特征點(diǎn)識別與切割，提取出5維時域特征;通過歸一化和標(biāo)準(zhǔn)化后，存儲為行向量的形式。利用堆疊SAEs網(wǎng)絡(luò)對統(tǒng)一長度的ECG信號進(jìn)行深度特征提取，提取出10維深度特征，也存儲為行向量的形式。然后以向量張成的方式進(jìn)行特征融合，得到一個15維的特征行向量來表征ECG信號。

2 實(shí)驗(yàn)分析

本文實(shí)驗(yàn)平臺為Intel Core i5—3230M，CPU主頻為2.6 GHz，64位Window10操作系統(tǒng) MATLAB2016a。仿真數(shù)據(jù)來自MIT-BIH心律失常數(shù)據(jù)庫中100#，105#，111#，114#，116#，118#，201#，203#，207#，210#，213#，215#，228#，232#樣本。按照數(shù)據(jù)庫中專家的標(biāo)注信息，在融合特征末尾添加類別標(biāo)簽向量為Y=[Y1,Y2,…，Y5]，Yi取值為1或0，代表是否屬于第i類ECG類型。

2.1 基于PT的信號檢測

PT算法利用斜率、振幅和寬度信息對QRS波群進(jìn)行快速檢測，如圖2所示為119#樣本中一段波形檢測的實(shí)驗(yàn)圖。

圖2中(a)為原始信號，(b)～(d)分別為經(jīng)過帶通、微分和平方后的信號，(e)為最后識別的結(jié)果圖，黑色虛線代表噪聲，淺灰色虛線表示自適應(yīng)閾值，深灰色虛線代表信號電平，圓圈為R波位置。

圖2 PT算法波形定位

2.2 基于融合特征的模型有效性測試

本文分別對時域、深度以及融合特征的有效性進(jìn)行測試。分類器采用基于高斯徑向基核函數(shù)(RBF)的支持向量機(jī)(SVM)，懲罰因子c為2.863 3, 核參數(shù)g為4.542 3。堆疊SAEs的權(quán)重衰減參數(shù)λ=0.000 1，稀疏參數(shù)ρ=0.05，懲罰稀疏β=3，網(wǎng)絡(luò)結(jié)構(gòu)為：200—100—50—10—50—100—200，輸入為200個采樣點(diǎn)的連續(xù)ECG信號，取R波峰值前后各100個采樣點(diǎn)，第四層10個單元為深度特征。實(shí)驗(yàn)中采用5折交叉驗(yàn)證方法，訓(xùn)練數(shù)據(jù)量為28 660，測試數(shù)據(jù)量為7 165。實(shí)驗(yàn)結(jié)果如表1所示。

從表1中可以看出，時域特征的平均識別率為67.23 %，識別率征不高是因?yàn)檫x取的特僅從時域方面描述，維度較少。深度特征的平均識別率為94.29 %，說明本文使用深度特征是有效的。利用融合特征進(jìn)行分類時，融合特征較單一特征的識別率均有所提高，其中較時域特征平均提升了30.58 %，較深度特征提升了3.52 %，平均識別率達(dá)到了97.81 %。表明利用時域特征和深度特征進(jìn)行融合表征ECG信號的方法是有效的。

表1 融合特征交叉驗(yàn)證結(jié)果

表2是本文融合特征提取與其他文獻(xiàn)結(jié)果進(jìn)行對比。通過數(shù)據(jù)分析，在相同分類器的情況下，本文采用的融合特征總體效果更好，平均識別率為97.81 %，能達(dá)到較為理想的效果。

表2 與其他研究結(jié)果的對比

為了突出本文SAEs的特點(diǎn)，在訓(xùn)練時通過限制計(jì)算機(jī)的CPU個數(shù)和性能，來證明模型在受限設(shè)備上的適應(yīng)能力。與其他兩個模型的訓(xùn)練時間對比結(jié)果如圖3所示。圖中模型1為Adam單圖訓(xùn)練方式，模型2為采用梯度下降(gradient descent,GD)進(jìn)行單圖訓(xùn)練，模型3為SGD傳統(tǒng)訓(xùn)練方式。從圖3中可以看出，模型3訓(xùn)練消耗的時間最長，使用Adam優(yōu)化器比SGD優(yōu)化器時的訓(xùn)練時間更短，表明本文采用的優(yōu)化器和訓(xùn)練方式能有效減少模型的訓(xùn)練時間，優(yōu)化模型性能，在受限設(shè)備上也具有較好的適應(yīng)能力。

圖3 模型訓(xùn)練時間對比

3 結(jié) 論

本文提出一種面向軀感網(wǎng)的ECG融合特征分析方法。采用PT算法進(jìn)行快速波形檢測并提取出時域特征，利用堆疊SAEs對連續(xù)ECG信號進(jìn)行深度特征提取，并在模型中加入正則項(xiàng)，捆綁編解碼權(quán)重，以單圖方式進(jìn)行訓(xùn)練，應(yīng)用Adam優(yōu)化器進(jìn)行參數(shù)尋優(yōu)。實(shí)驗(yàn)結(jié)果表明:本文的融合特征能有效表征ECG信號，在五種心律識別中達(dá)到97.81 %的識別率，模型總體訓(xùn)練時間也大幅減少，適合于資源受限的可穿戴式健康監(jiān)測系統(tǒng)。