心電信號(hào)中的R峰是確定心率和節(jié)律、以及檢測(cè)其它波形特征點(diǎn)（圖1A）的基礎(chǔ)。R峰的準(zhǔn)確檢測(cè)是心率變異性分析、心拍分割和心律失常識(shí)別重要的處理步驟。

現(xiàn)有的心電信號(hào)R峰檢測(cè)方法主要為基于規(guī)則的決策法和基于深度學(xué)習(xí)的檢測(cè)方法。基于規(guī)則的決策法通常對(duì)心電信號(hào)進(jìn)行時(shí)域或頻域變換，增強(qiáng)R波分量，抑制其他波形和各種噪聲分量，在增強(qiáng)R波分量的變換信號(hào)中以閾值法進(jìn)行點(diǎn)檢測(cè)，再通過啟發(fā)式的后處理校正R峰位置。然而，規(guī)則難以涵蓋心電信號(hào)的各種復(fù)雜情況，如QRS波群具有多種形態(tài)（圖1B）、可穿戴式心電信號(hào)存在復(fù)雜干擾（圖1C）、以及不同病人的心率差異大等；另外，規(guī)則的歸納依賴于豐富的領(lǐng)域知識(shí)，難以在各種心律失常事件中精確地檢測(cè)出R峰，漏檢率和誤檢率高?；谏疃葘W(xué)習(xí)的檢測(cè)方法比基于規(guī)則的決策法更魯棒，文獻(xiàn)［16］使用LSTM檢測(cè)R峰，文獻(xiàn)使用UNet檢測(cè)R峰，存在模型的參數(shù)量和推理速度無法滿足移動(dòng)端R峰檢測(cè)的實(shí)時(shí)性需求等問題。

針對(duì)上述問題，我們提出心拍感知卷積網(wǎng)絡(luò)用于預(yù)測(cè)可穿戴式心電信號(hào)的心拍數(shù)量和R峰熱圖，對(duì)熱圖進(jìn)行峰值定位獲得R峰位置。心拍感知（HA）模塊通過預(yù)測(cè)心電信號(hào)的心拍數(shù)量，為R峰檢測(cè)任務(wù)引入全局上下文信息，提高卷積網(wǎng)絡(luò)提取心電信號(hào)全局信息的能力，以實(shí)現(xiàn)R峰的準(zhǔn)確檢測(cè)。同時(shí)，心拍感知模塊預(yù)測(cè)的心拍數(shù)量還可估計(jì)R-R間期用于輔助熱圖峰值定位，提高R峰檢測(cè)的魯棒性。進(jìn)一步地，為實(shí)現(xiàn)移動(dòng)端的實(shí)時(shí)R峰檢測(cè)，我們采用深度可分離卷積來輕量化卷積網(wǎng)絡(luò)模型，減小模型的參數(shù)量和計(jì)算量。為檢驗(yàn)?zāi)Ｐ偷聂敯粜院头夯芰Γ疚膶?shí)驗(yàn)中用可穿戴式心電數(shù)據(jù)訓(xùn)練模型，用可穿戴式心電數(shù)據(jù)和可公開獲取的ECG數(shù)據(jù)集測(cè)試模型。

1 材料和方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)包含兩個(gè)獨(dú)立的心電信號(hào)數(shù)據(jù)集，數(shù)據(jù)已經(jīng)過脫敏處理，以實(shí)現(xiàn)病人信息的保密。私有數(shù)據(jù)集為心韻恒安醫(yī)療科技（北京）有限公司建立的可穿戴式12導(dǎo)聯(lián)心電數(shù)據(jù)集，采集設(shè)備為可穿戴式心電記錄儀CONX CC1612，收集日期為2020 年9 月～2021 年9月。信號(hào)的采樣頻率為500 Hz，時(shí)長為15 s?？纱┐魇叫碾姅?shù)據(jù)集共有1056條來自不同受試者的數(shù)據(jù)，包含各種復(fù)雜的心電模式，涵蓋ST段改變、房顫、房性心律、室性心律、房性早搏、室性早搏、束支阻滯等多種心律失常類型的數(shù)據(jù)。其中，訓(xùn)練集和測(cè)試集分別包含950和106條心電信號(hào)?？纱┐魇叫碾姅?shù)據(jù)集的R峰由三名心電專家進(jìn)行標(biāo)注和交叉驗(yàn)證。R峰位置的標(biāo)注以心電信號(hào)Ⅱ?qū)?lián)為基準(zhǔn)、其他導(dǎo)聯(lián)為參考。

公開數(shù)據(jù)集為Lobachevsky大學(xué)建立的12導(dǎo)聯(lián)心電信號(hào)特征點(diǎn)檢測(cè)數(shù)據(jù)庫Lobachevsky University Database（LUDB）。信號(hào)的采樣頻率為500 Hz，時(shí)長為10 s。LUDB包含200條來自不同受試者的數(shù)據(jù)，在本實(shí)驗(yàn)中均作為測(cè)試集。數(shù)據(jù)的每個(gè)導(dǎo)聯(lián)均具有R峰標(biāo)注，為保持?jǐn)?shù)據(jù)集間心電信號(hào)R峰標(biāo)簽的統(tǒng)一，實(shí)驗(yàn)中僅采用II導(dǎo)聯(lián)的R峰位置作為標(biāo)簽。

民族唱法美聲化，美聲唱法民族化，是中西文化相互融合、互相影響的結(jié)果，也是我國聲樂教育發(fā)展取得的一大成果。這種“洋為中用”的做法使得我國聲樂更加成熟化、科學(xué)化、國際化。這樣在保留自己本民族特點(diǎn)的基礎(chǔ)上進(jìn)行學(xué)習(xí)、借鑒、改革對(duì)于我國民族聲樂的發(fā)展，具有很重要的意義。

兩個(gè)數(shù)據(jù)集均通過低頻截止頻率為0.05 Hz、高頻截止頻率為35 Hz的五階帶通濾波器進(jìn)行濾波，以去除基線漂移、工頻干擾、肌電干擾和其他高頻噪聲。LUDB中ECG數(shù)據(jù)已經(jīng)過標(biāo)準(zhǔn)化處理，實(shí)驗(yàn)中僅對(duì)可穿戴式心電信號(hào)進(jìn)行z-score標(biāo)準(zhǔn)化，以保持?jǐn)?shù)據(jù)集間ECG信號(hào)幅值分布的一致性。

1.2 心拍感知方法

本文提出的心拍感知方法的總體框架如（圖2）所示，心拍感知卷積網(wǎng)絡(luò)預(yù)測(cè)心拍數(shù)量和R峰熱圖，根據(jù)預(yù)測(cè)的心拍數(shù)量估計(jì)的R-R間期計(jì)算峰值定位的峰間最小水平距離，從熱圖中定位峰值，從而獲得R 峰位置。心拍感知卷積網(wǎng)絡(luò)包含一個(gè)編碼-解碼模塊和一個(gè)心拍感知模塊，編碼器從輸入心電信號(hào)中提取特征，解碼器將特征解碼，輸出R峰位置的熱圖。為提高編碼-解碼器對(duì)全局上下文信息的捕獲能力，引入心拍感知模塊，通過心拍數(shù)量預(yù)測(cè)任務(wù)與R峰檢測(cè)任務(wù)的多任務(wù)聯(lián)合學(xué)習(xí)，輔助監(jiān)督編碼-解碼器學(xué)習(xí)R峰的全局位置信息，減少誤檢和漏檢。

1.2.1 心拍感知模塊 針對(duì)可穿戴式心電信號(hào)中的復(fù)雜干擾，專家在定位R峰時(shí)通常會(huì)從信號(hào)全局中尋找模式相同并反復(fù)出現(xiàn)的部分，并根據(jù)上下文信息推理出R峰的位置，從而區(qū)分R峰與干擾、噪聲等（圖3）。可見，ECG信號(hào)的全局上下文信息可輔助檢測(cè)可穿戴式心電信號(hào)的R峰。

評(píng)估方法：網(wǎng)架標(biāo)準(zhǔn)化率（%）=網(wǎng)架結(jié)構(gòu)不達(dá)標(biāo)的線路條數(shù)/線路總條數(shù)×100%。對(duì)網(wǎng)架結(jié)構(gòu)不達(dá)標(biāo)的線路進(jìn)行原因分析，并與上一年10（20）千伏網(wǎng)架標(biāo)準(zhǔn)化率實(shí)績值進(jìn)行比對(duì)，對(duì)標(biāo)準(zhǔn)化率降低的情況進(jìn)行原因分析，提出解決建議和規(guī)劃方案。

為獲取全局上下文信息，我們提出心拍感知模塊與編碼-解碼器進(jìn)行多任務(wù)學(xué)習(xí)（圖2），利用心拍數(shù)量預(yù)測(cè)任務(wù)與R峰檢測(cè)任務(wù)的相關(guān)性，約束編碼器學(xué)習(xí)兩個(gè)任務(wù)間的共享表征，為編碼-解碼器引入心拍數(shù)量這一全局特征，監(jiān)督編碼-解碼器學(xué)習(xí)R峰的位置上下文信息，抑制局部的干擾和噪聲，提升R峰檢測(cè)模型的性能。

心拍感知模塊中，編碼結(jié)果先經(jīng)過一個(gè)卷積核尺寸為1×3、輸出通道數(shù)為64的卷積層提取特征，再經(jīng)過一個(gè)池化核尺寸和步長均為3的平均池化層處理，最后通過一個(gè)輸入神經(jīng)元個(gè)數(shù)為256的全連接層輸出心拍數(shù)量。與通過注意力機(jī)制學(xué)習(xí)全局上下文信息的方法對(duì)比，聯(lián)合簡(jiǎn)單的輔助任務(wù)進(jìn)行多任務(wù)學(xué)習(xí)的方式更高效，不會(huì)給模型增加過多參數(shù)量和計(jì)算量，適用于移動(dòng)端的實(shí)時(shí)R峰檢測(cè)。此外，心拍感知模塊預(yù)測(cè)的心拍數(shù)量還可估計(jì)R-R間期，用作峰值定位的自適應(yīng)峰間最小水平距離。

目前，對(duì)于鋼鐵生產(chǎn)運(yùn)營層面的研究主要集中在煉鋼—連鑄生產(chǎn)調(diào)度和熱軋生產(chǎn)計(jì)劃兩方面。對(duì)于前者，大部分文獻(xiàn)將其歸結(jié)為混合流水車間調(diào)度問題，對(duì)于后者，多將其歸結(jié)為帶獎(jiǎng)金收集的車輛路徑問題。關(guān)于這兩類問題的研究，一部分文獻(xiàn)致力于算法的設(shè)計(jì)，包括運(yùn)籌學(xué)中的精確算法(如分枝定價(jià)[14-15]、拉格朗日松弛[16])、智能算法(如遺傳算法[17]、蜂群算法[18-19]、文化基因算法[20])等；另一部分文獻(xiàn)專注于模型的構(gòu)建，旨在建立可以高效求解的混合整數(shù)線性規(guī)劃(Mixed Integer Linear Programming, MILP)模型。MILP建模方法主要有兩種

1.3 輕量化

采用輕量化卷積，可在保持性能的同時(shí)減小模型的參數(shù)量和計(jì)算量，實(shí)現(xiàn)移動(dòng)端的實(shí)時(shí)R峰檢測(cè)。如（圖4），我們保持網(wǎng)絡(luò)架構(gòu)不變，交替使用常規(guī)卷積和深度可分離卷積。一維深度可分離卷積的參數(shù)量較常規(guī)一維卷積減?。?/p>

獲取R 峰熱圖和心拍數(shù)量：Heatmap_t,N=HA-UNet(ECG)；其中N為預(yù)測(cè)的心拍數(shù)量。

當(dāng)ECG信號(hào)未結(jié)束時(shí)，重復(fù)Step2至Step8。

1.4 損失函數(shù)

可穿戴式心電信號(hào)R峰檢測(cè)的心拍感知卷積網(wǎng)絡(luò)的優(yōu)化目標(biāo)為：

式中，L為R峰檢測(cè)損失，L為心拍感知損失。為權(quán)重系數(shù)，用于平衡R峰檢測(cè)損失和心拍感知損失。實(shí)驗(yàn)中，的初始值設(shè)置為0.2。由于心拍感知損失收斂速度比R峰檢測(cè)損失快，為加大卷積網(wǎng)絡(luò)對(duì)R峰檢測(cè)任務(wù)的關(guān)注度，模型訓(xùn)練過程中隨著迭代次數(shù)的增加，逐漸減小至0.0002。

1.4.1 R峰檢測(cè)損失 可穿戴式心電信號(hào)的干擾和噪聲導(dǎo)致部分R峰難以被手工準(zhǔn)確地定位和標(biāo)注，為減小標(biāo)注的不確定性給模型訓(xùn)練造成的干擾，我們生成以R峰對(duì)應(yīng)的時(shí)間點(diǎn)為中心的高斯熱圖：

式中，為可穿戴式心電信號(hào)樣本點(diǎn)對(duì)應(yīng)的時(shí)間點(diǎn)，p為R峰對(duì)應(yīng)的時(shí)間點(diǎn)，為高斯分布的標(biāo)準(zhǔn)差，用以控制R峰標(biāo)注的不確定性，實(shí)驗(yàn)中設(shè)置為4 ms。

針對(duì)R峰與背景點(diǎn)的數(shù)量不平衡問題，采用修正的Focal損失函數(shù)作為R峰檢測(cè)損失：

1.4.2 心拍感知損失 心拍感知的目標(biāo)為預(yù)測(cè)可穿戴式心電信號(hào)中的心拍數(shù)量，采用平均絕對(duì)誤差（Mean Absolute Error,MAE）損失函數(shù)：

初始化R峰熱圖Heatmap_0。

1.2.2 編碼-解碼模塊 用卷積網(wǎng)絡(luò)進(jìn)行可穿戴式心電信號(hào)的R峰檢測(cè)，可建模為密集預(yù)測(cè)任務(wù)，既需要捕獲全局信息，也要合理地利用底層特征。UNet中的U型結(jié)構(gòu)和同一個(gè)層級(jí)的跳躍連接可以融合多個(gè)尺度的特征。因此，我們采用UNet架構(gòu)用于R峰熱圖預(yù)測(cè)。如（圖4）所示，本文所用的UNet由編碼器和解碼器兩部分組成，編碼階段的下采樣和解碼階段的上采樣的采樣倍數(shù)均為2。本文實(shí)驗(yàn)中，采用最大池化操作實(shí)現(xiàn)下采樣，采用最近鄰插值實(shí)現(xiàn)上采樣。為減少模型的參數(shù)量，各卷積層的輸出通道數(shù)設(shè)置得比較小，如（圖4）特征圖上的數(shù)字所示。

1.5 R峰在線檢測(cè)算法

為實(shí)現(xiàn)R峰在線檢測(cè)，以重疊滑動(dòng)窗口方式對(duì)心電信號(hào)進(jìn)行分段R峰檢測(cè)，如（算法1）所示。為減少計(jì)算量，將輸入至模型的心電信號(hào)降采樣到100 Hz，在模型輸出R峰熱圖后將熱圖重采樣至原始頻率500 Hz。應(yīng)用Scipy中的find_peaks函數(shù)定位熱圖峰值。心拍感知卷積網(wǎng)絡(luò)輸入的ECG信號(hào)時(shí)長為4.48 s。由于可穿戴式數(shù)據(jù)集中的信號(hào)時(shí)長為15 s，訓(xùn)練中每次迭代時(shí)隨機(jī)從15 s信號(hào)中截取4.48 s用作網(wǎng)絡(luò)的輸入。針對(duì)可穿戴式心電數(shù)據(jù)中的噪聲及干擾，采用多種數(shù)據(jù)擴(kuò)增策略對(duì)訓(xùn)練集進(jìn)行擴(kuò)增，包括隨機(jī)裁剪、隨機(jī)屏蔽、隨機(jī)導(dǎo)聯(lián)屏蔽和隨機(jī)導(dǎo)聯(lián)翻轉(zhuǎn)。

ECG信號(hào)，滑動(dòng)窗寬4.48 s，重疊時(shí)長1.28 s。

式中， 為心電信號(hào)中真實(shí)的心拍數(shù)量，N為心拍感知模塊預(yù)測(cè)的心拍數(shù)量。

將ECG信號(hào)降采樣至100 Hz。

同時(shí)，一維深度可分離卷積的計(jì)算量也較常規(guī)一維卷積減小：

將輸出熱圖重采樣至原始頻率500 Hz。

根據(jù)預(yù)測(cè)的心拍數(shù)量估算R-R間期：R-R間期=4.48秒/N。

例 4：...there was no one in the world she so much wanted to see.

將重疊部分的熱圖加權(quán)平均：Heatmap_t[重疊]=((1-W)*Heatmap_t-1[重疊]+W*Heatmap_t[重疊])/2。

定位熱圖峰值獲取R峰：Rpeaks=find_peaks（heatmap,distance=R-R間期/2）；若不使用自適應(yīng)峰間最小水平距離，設(shè)置distance為160 ms。

若相鄰R 峰間距過近，去除幅值較小的一個(gè)。

式中，D為卷積核的大小，C和C分別為輸入和輸出的通道數(shù)，W為輸出特征圖的長度。

本文所提出的互助外語導(dǎo)游創(chuàng)業(yè)模式由于是依托于互聯(lián)網(wǎng)平臺(tái)的，基于導(dǎo)游自由執(zhí)業(yè)的背景下采取預(yù)約導(dǎo)游服務(wù)模式，即旅游者預(yù)約平臺(tái)預(yù)定導(dǎo)游為其提供服務(wù)。作為線上創(chuàng)業(yè)模式，首先要重視的便是企業(yè)內(nèi)部的管理制度建設(shè)。作為線上平臺(tái)要與國家旅游局的“全國導(dǎo)游公共服務(wù)監(jiān)管平臺(tái)”進(jìn)行對(duì)接，配合相關(guān)部門依法依規(guī)進(jìn)行外部管理和監(jiān)督；此外，平臺(tái)應(yīng)當(dāng)時(shí)刻重視自查，強(qiáng)化對(duì)導(dǎo)游的審查義務(wù)和監(jiān)管責(zé)任，完善游客對(duì)導(dǎo)游的評(píng)價(jià)反饋機(jī)制，增強(qiáng)應(yīng)對(duì)突發(fā)情況時(shí)的緊急處理能力。

1.6 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)使用Python實(shí)現(xiàn)，深度學(xué)習(xí)框架為Pytorch。模型訓(xùn)練選用的優(yōu)化器為Adam，采用預(yù)熱訓(xùn)練策略。批處理大小設(shè)為256，迭代總次數(shù)設(shè)為2000。初始學(xué)習(xí)率設(shè)為0.0001，采用余弦退火策略調(diào)整學(xué)習(xí)率。

1.7 評(píng)價(jià)指標(biāo)

（2）真陽率（+P）：正確檢測(cè)的R峰數(shù)量與檢出的R峰數(shù)量之比。

糖尿病視網(wǎng)膜病變伴白內(nèi)障是由于代謝障礙造成機(jī)體血糖水平升高，晶狀體內(nèi)葡萄糖增多，過多的葡萄糖轉(zhuǎn)化為山梨醇并堆積在晶狀體內(nèi)，從而引起視網(wǎng)膜水腫、晶狀體混濁[1-4]。阿卡波糖是一種臨床常用的治療2型糖尿病的藥物，屬α-葡萄糖苷酶抑制劑，能夠通過抑制小腸壁細(xì)胞中α-葡萄糖苷酶的活性阻止腸道內(nèi)單糖、雙糖、多糖等的降解，從而減少果糖和葡萄糖的降解和吸收，發(fā)揮降低餐后血糖的作用[5]。羥苯磺酸鈣是一種抗氧化劑和微循環(huán)保護(hù)劑，早期被用于糖尿病視網(wǎng)膜病變的治療，而在糖尿病視網(wǎng)膜病變伴白內(nèi)障方面的應(yīng)用較少[6]。本研究旨在觀察阿卡波糖聯(lián)合羥苯磺酸鈣治療糖尿病視網(wǎng)膜病變伴白內(nèi)障的臨床效果?，F(xiàn)報(bào)道如下。

式中，是R 峰定位的誤差容忍度，如ANSI/AAMI-EC57:1998中建議的150 ms。正確檢測(cè)、漏檢以及誤檢的R峰數(shù)量分別表示為TP、FN、FP。不同方法和模型的R峰檢測(cè)性能的定量評(píng)估，采用以下指標(biāo)：

（1）靈敏度（Se）：正確檢測(cè)的R峰數(shù)量與真實(shí)的R峰數(shù)量之比。

R峰檢測(cè)結(jié)果定義：

（3）準(zhǔn)確率（Acc）：

“三嚴(yán)三實(shí)”專題教育，是對(duì)黨的群眾路線教育實(shí)踐活動(dòng)的拓展深化，進(jìn)一步鞏固了黨的群眾路線教育實(shí)踐活動(dòng)取得的積極成果。這一次黨內(nèi)集中教育活動(dòng)使領(lǐng)導(dǎo)干部進(jìn)一步改進(jìn)了思想作風(fēng)，加強(qiáng)了黨性修養(yǎng)，堅(jiān)定了理想信念，增強(qiáng)了宗旨意識(shí)，祛除了歪風(fēng)邪氣，樹立了正確的價(jià)值觀、權(quán)力觀和政績觀。為全面建成小康社會(huì)提供了思想、政治、組織上的有力保證。

（4）誤檢率（DER）：誤檢的R峰數(shù)量與真實(shí)的R峰數(shù)量之比。

咖啡界的大佬——星巴克，就專門設(shè)有星巴克大學(xué)，定期開展咖啡相關(guān)的知識(shí)培訓(xùn)，這也是員工和老板上司之間相互熟悉，連接彼此的一個(gè)好的方式。

（5）R峰定位平均誤差及其標(biāo)準(zhǔn)差（mean error±std）：檢出的R峰與真實(shí)R峰間的距離即為定位誤差，所有R峰定位誤差的平均值即為平均誤差。

（6）平均R-R間期的平均誤差（mean average R-R interval error±std）：真實(shí)R峰的R-R間期與檢出R峰的R-R間期之差即為R-R間期誤差，所有R-R間期誤差的平均值即為平均誤差。

（7）檢測(cè)耗時(shí)（Time）：算法檢測(cè)R峰的CPU耗時(shí)，CPU型號(hào)為Intel(R)Core(TM)i5-10500。

1.8 統(tǒng)計(jì)學(xué)方法

本文方法和其他R峰檢測(cè)算法在可穿戴式心電數(shù)據(jù)集和LUDB上的R峰檢測(cè)性能比較，使用SPSS對(duì)結(jié)果進(jìn)行統(tǒng)計(jì)學(xué)分析，本文方法與其他R峰檢測(cè)算法采用配對(duì)檢驗(yàn)。＜0.05說明差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 心拍感知模塊對(duì)R峰檢測(cè)性能的影響

為驗(yàn)證心拍感知模塊有助于提高模型的R峰檢測(cè)性能，我們?cè)诳纱┐魇叫碾姅?shù)據(jù)集和LUDB中進(jìn)行消融實(shí)驗(yàn)。將R峰定位誤差容忍度設(shè)為20 ms，結(jié)果如（圖5）所示。心拍感知卷積網(wǎng)絡(luò)（HA-UNet）在可穿戴式數(shù)據(jù)集和LUDB中的R峰檢測(cè)靈敏度分別為99.04%和98.42%，真陽率分別為98.99%和98.42%，及準(zhǔn)確率分別為98.06%和96.88%，均高于UNet（98.69%和98.31%、98.64%和98.25%、97.37%和96.62%），可見加入心拍感知模塊可提升模型的R峰檢測(cè)性能。

此外，HA-UNet在可穿戴式數(shù)據(jù)集及LUDB上心拍數(shù)量預(yù)測(cè)的MAE分別為0.41和0.49，達(dá)到了較好的預(yù)測(cè)水平，表明編碼器具有良好的全局上下文信息提取能力。

圖6中，HA-UNet能精確定位R峰，而UNet將部分異常Q波錯(cuò)誤地識(shí)別為R波，表明心拍感知模塊引入的全局上下文信息可提高R峰定位精確度。

采用深度可分離卷積輕量化HA-UNet（LHA-UNet）后，模型參數(shù)量從0.42 M減小為0.31 M。LHA-UNet在可穿戴式心電數(shù)據(jù)集和LUDB上的R峰檢測(cè)靈敏度分別為99.09%和98.80%，真陽率分別為98.99%和98.80%，及準(zhǔn)確率分別為98.11%和97.63%。

2.2 不同導(dǎo)聯(lián)集合對(duì)R峰檢測(cè)性能的影響

不同導(dǎo)聯(lián)體系的心電圖機(jī)采集的信號(hào)通道數(shù)不等，為研究心電信號(hào)不同導(dǎo)聯(lián)集合對(duì)LHA-UNet的R峰檢測(cè)性能的影響，設(shè)置輸入導(dǎo)聯(lián)數(shù)量為12、9、6、3、2、1，在20 ms的定位誤差容忍度下計(jì)算R峰檢測(cè)的誤檢率。12導(dǎo)聯(lián)為標(biāo)準(zhǔn)12 導(dǎo)聯(lián)，包括肢體導(dǎo)聯(lián)Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF，以及胸導(dǎo)聯(lián)V1、V2、V3、V4、V5、V6；各導(dǎo)聯(lián)子集具體為：9導(dǎo)聯(lián)子集為12導(dǎo)聯(lián)系統(tǒng)中真正采集的Ⅰ、Ⅱ、Ⅲ和胸導(dǎo)聯(lián)，剩余的aVR、aVL、aVF是通過計(jì)算獲取的；6導(dǎo)聯(lián)子集為肢體導(dǎo)聯(lián)，為6導(dǎo)聯(lián)系統(tǒng)中采集的信號(hào)；3導(dǎo)聯(lián)子集為Ⅱ、V1、V5，3導(dǎo)聯(lián)系統(tǒng)中采集的信號(hào)接近標(biāo)準(zhǔn)12導(dǎo)聯(lián)中的這3個(gè)導(dǎo)聯(lián)；2導(dǎo)聯(lián)子集為Ⅱ、V5，這2個(gè)導(dǎo)聯(lián)的R波最清晰；單導(dǎo)聯(lián)子集為Ⅱ?qū)?lián)，Ⅱ?qū)?lián)通常作為R峰檢測(cè)的基準(zhǔn)導(dǎo)聯(lián)。

圖7給出了輕量化HA-UNet對(duì)于不同導(dǎo)聯(lián)集合的R峰誤檢率，可穿戴心電數(shù)據(jù)集中以3導(dǎo)聯(lián)子集為輸入時(shí)R峰誤檢率最小，為1.11%；LUDB中以標(biāo)準(zhǔn)12導(dǎo)聯(lián)為輸入時(shí)R峰誤檢率最小，為2.40%。12導(dǎo)聯(lián)輸入在可穿戴式數(shù)據(jù)集中的誤檢率并非最低，但在LUDB中的檢測(cè)性能最好，因?yàn)榭纱┐魇叫碾娦盘?hào)的干擾大，輸入所有導(dǎo)聯(lián)可能會(huì)引入較多噪聲，導(dǎo)致R峰檢測(cè)準(zhǔn)確率下降；而LUDB的數(shù)據(jù)沒有可穿戴式心電中的復(fù)雜干擾，輸入12導(dǎo)聯(lián)信號(hào)可獲得較好的R峰檢測(cè)性能。由于沒有引入其他導(dǎo)聯(lián)的噪聲，使用導(dǎo)聯(lián)數(shù)量較少的心電信號(hào)子集進(jìn)行可穿戴式心電信號(hào)R峰檢測(cè)時(shí)，誤檢率較低；但輸入通道數(shù)減少導(dǎo)致在LUDB中的檢測(cè)性能有所下降。

2.3 與其他R峰檢測(cè)算法的比較

實(shí)驗(yàn)將心拍感知方法與多種R峰檢測(cè)算法進(jìn)行詳細(xì)對(duì)比，在可穿戴式心電數(shù)據(jù)集和公開數(shù)據(jù)庫LUDB中評(píng)估R峰檢測(cè)算法，參考其他文獻(xiàn)，設(shè)置R峰定位誤差容忍度為150 ms，對(duì)所有方法/模型僅采用II導(dǎo)聯(lián)心電信號(hào)為輸入。

“創(chuàng)客”源自英文單詞“Maker”，由著名作家科利·多克托羅在《Maker》一書中提出的。2015年的兩會(huì)上，“創(chuàng)客”首次在政府工作報(bào)告中提出，并受到了社會(huì)的廣泛關(guān)注。結(jié)合許多學(xué)者對(duì)于創(chuàng)客的定義，筆者認(rèn)為：創(chuàng)客是具有較強(qiáng)動(dòng)手實(shí)踐能力，能夠借助一定的工具將自身想法轉(zhuǎn)變成現(xiàn)實(shí)的個(gè)體，其中，使用的工具可以是有形或無形的。

輕量化HA-UNet 的R 峰檢測(cè)性能優(yōu)于Pantompkins、Hamilton、Martínez和Louren?o算法。輕量化HA-UNet在具有復(fù)雜干擾的可穿戴式心電數(shù)據(jù)集中的R峰檢出率高達(dá)99.95%；在未使用任何公開數(shù)據(jù)進(jìn)行模型訓(xùn)練的情況下，在LUDB中達(dá)到100%的準(zhǔn)確率。輕量化HA-UNet的R峰定位平均誤差及其標(biāo)準(zhǔn)差、以及平均R-R間期的平均誤差及其標(biāo)準(zhǔn)差都比其他R峰檢測(cè)算法?。ū?～3）。

圖8中的心電信號(hào)存在高尖T波和干擾，由于對(duì)比算法的歸納能力有限，無法準(zhǔn)確地檢出R峰，并不適用于可穿戴式心電數(shù)據(jù)。然而，輕量化HA-UNet能夠準(zhǔn)確定位該心電信號(hào)所有的R峰，體現(xiàn)心拍感知方法的R峰定位較所對(duì)比的R峰檢測(cè)算法魯棒。

基于相關(guān)性分析，確定平均距離、任務(wù)標(biāo)價(jià)、交通便利度和標(biāo)價(jià)占最低工資比例這四個(gè)參數(shù)作為變量，對(duì)任務(wù)執(zhí)行情況進(jìn)行多項(xiàng)式非線性回歸，可以得到任務(wù)成功率預(yù)測(cè)模型預(yù)測(cè)完成情況與實(shí)際完成情況對(duì)比后，發(fā)現(xiàn)平均偏差為10.2%，檢驗(yàn)精準(zhǔn)度達(dá)到89.8%。

3 討論

針對(duì)可穿戴式心電信號(hào)具有復(fù)雜干擾、已有算法不能滿足實(shí)際需求等問題，本文提出心拍感知模塊，將編碼器的編碼結(jié)果輸入到心拍感知模塊中用以預(yù)測(cè)信號(hào)的心拍數(shù)量，通過R峰檢測(cè)任務(wù)與心拍數(shù)量預(yù)測(cè)任務(wù)聯(lián)合學(xué)習(xí)，引入全局上下文信息輔助R峰檢測(cè)，以減少R峰的漏檢和誤檢。

(2)病毒入侵。在大數(shù)據(jù)時(shí)代，網(wǎng)絡(luò)信息數(shù)據(jù)具有很強(qiáng)的共享性和開放性特征，這為病毒入侵提供了良好的條件，并且計(jì)算機(jī)病毒自身大都具有隱藏性、信息儲(chǔ)存性以及可執(zhí)行性等基本特征，它們?nèi)绻行ЫY(jié)合了計(jì)算機(jī)網(wǎng)絡(luò)程度，那么就會(huì)自動(dòng)地釋放出具有破壞性、潛伏性、觸發(fā)性以及感染性等特征的程序或數(shù)據(jù)，進(jìn)而會(huì)影響網(wǎng)絡(luò)數(shù)據(jù)的安全性。在當(dāng)下的病毒入侵當(dāng)中，病毒傳播介質(zhì)主要包括光盤、硬盤與軟盤三種類型，在這三種介質(zhì)中運(yùn)行的數(shù)據(jù)可能會(huì)受到病毒入侵，且危害性越強(qiáng)的病毒也會(huì)相應(yīng)地對(duì)網(wǎng)絡(luò)數(shù)據(jù)信息造成更嚴(yán)重的破壞。比如，CIH病毒以及“熊貓燒香”等均是危害計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)行安全性的病毒。

管理層能力。借鑒 Dermerjian等 （2012）［15］提出的DEA-Tobit模型度量管理層能力。首先運(yùn)用DEA方法計(jì)算企業(yè)運(yùn)營效率，其中產(chǎn)出指標(biāo)為主營業(yè)務(wù)收入 （Sales）；投入指標(biāo)為主營業(yè)務(wù)成本 （Cost）、管理與銷售費(fèi)用之和 （Sama）、固定資產(chǎn)凈值 （PPE）、無形資產(chǎn)凈值 （Instan）、研發(fā)費(fèi)用 （R＆D）、商譽(yù)GW），計(jì)算如下式：

課程實(shí)施時(shí)，學(xué)校會(huì)根據(jù)不同的人才培養(yǎng)目標(biāo)，從4大課程領(lǐng)域的各個(gè)模塊中精選相關(guān)課程專題進(jìn)行搭配組合，構(gòu)成面向不同培養(yǎng)目標(biāo)的“課程套餐”，每類發(fā)展方向的“課程套餐”均由國家課程+博雅課程組成。以培養(yǎng)目標(biāo)為“品學(xué)基礎(chǔ)、人生奠基”的課程為例，其“課程套餐”如下（見圖1）。

通過交替使用常規(guī)卷積和深度可分離卷積，可減小模型的參數(shù)量和計(jì)算量，并提升模型泛化能力。在定位誤差容忍度為20 ms時(shí)，輕量化HA-UNet的R峰檢測(cè)準(zhǔn)確率甚至高于HA-UNet。輕量化HA-UNet的CPU耗時(shí)與Pan-tompkins方法相比較長，但在可穿戴式心電信號(hào)中R 峰檢測(cè)準(zhǔn)確率（99.95%）遠(yuǎn)高于Pantompkins方法（91.83%），實(shí)際上毫秒級(jí)的處理速度已可滿足R峰檢測(cè)的實(shí)時(shí)性需求。

ECG信號(hào)R峰檢測(cè)相關(guān)研究中，大部分將定位誤差容忍度設(shè)置為ANSI/AAMI-EC57:1998中建議的150 ms。然而，150 ms的定位誤差容忍度對(duì)實(shí)際需求而言過于寬松。為此，我們進(jìn)一步比較各R峰檢測(cè)方法在容忍度為20 ms時(shí)的性能。Pan-tompkins、Hamilton、Martínez、Louren?o與輕量化HA-UNet在可穿戴式數(shù)據(jù)集中的R峰檢測(cè)準(zhǔn)確率分別為16.58%、62.73%、75.02%、85.01%及98.65%；在LUDB中的R峰檢測(cè)準(zhǔn)確率分別為15.30%、83.73%、89.70%、93.57%及96.78%?？梢姡谝?guī)則的決策法的R峰定位精確度過低，難以準(zhǔn)確地估計(jì)心率、心率變異性等參數(shù)。

綜上，心拍感知方法在可穿戴式心電信號(hào)R峰檢測(cè)中準(zhǔn)確率高，且泛化性強(qiáng)，計(jì)算速度滿足R峰檢測(cè)的實(shí)時(shí)性需求，是準(zhǔn)確估計(jì)心率、心率變異性等生理參數(shù)的重要步驟。將來，我們會(huì)對(duì)R峰檢測(cè)任務(wù)檢出的R峰數(shù)量與心拍感知模塊預(yù)測(cè)的心拍數(shù)量進(jìn)行相互約束，進(jìn)一步提升算法在可穿戴式心電信號(hào)R峰檢測(cè)中的性能。