基于深度自編碼器的心拍識(shí)別方法

白淑雯 游大濤 武相軍,*

1(河南大學(xué)計(jì)算機(jī)與信息工程學(xué)院 河南 開封 475004) 2(河南大學(xué)軟件學(xué)院 河南 開封 475004)

0 引 言

近年來，心血管病是因病死亡率最高的疾病，嚴(yán)重威脅著人們的身體健康。心電圖信號(hào)是心臟活動(dòng)的記錄，可以被相應(yīng)的心電圖儀捕捉到，心血管疾病引起的心臟異常在患者的心電圖信號(hào)中均會(huì)以某種異常波形表現(xiàn)出來。心電圖的診斷目前主要由人工分析完成，但因心電圖數(shù)據(jù)量極為龐大，且心拍類型非常多樣化，所以人工對(duì)心電圖進(jìn)行逐個(gè)心拍的管理和分析是一項(xiàng)難以有效完成的任務(wù),特別是在臨床監(jiān)護(hù)或穿戴式健康監(jiān)護(hù)環(huán)境下，對(duì)醫(yī)護(hù)工作人員而言，實(shí)時(shí)診斷更是一項(xiàng)不可完成的任務(wù)。此外，因一些異常心拍出現(xiàn)的突然性和不頻繁性，致使心臟病醫(yī)生很難及時(shí)捕獲一些緊急病情的重要變化信息，從而直接威脅患者的生命安全。因此，如何從大量心電圖數(shù)據(jù)中自動(dòng)、及時(shí)地識(shí)別出異常心拍成為當(dāng)前一個(gè)既有重要理論意義又有重要實(shí)際應(yīng)用價(jià)值的研究課題。

心電圖的自動(dòng)診斷是心電圖研究領(lǐng)域的熱點(diǎn)之一，特別是在實(shí)時(shí)心電信號(hào)診斷領(lǐng)域更是如此。各類心臟病患者的心拍波形多變且差異并不顯著，而且心拍信號(hào)的實(shí)時(shí)記錄設(shè)備常會(huì)受工作環(huán)境的影響而引入大量不同類型的噪聲信息，導(dǎo)致心電圖的有效診斷非常困難，至今仍是一個(gè)具有較高挑戰(zhàn)性的研究問題。針對(duì)此，本文將聚焦于實(shí)時(shí)心電圖診斷方面的研究工作。心電圖自動(dòng)診斷大致分為信號(hào)預(yù)處理、特征生成和識(shí)別三個(gè)階段。信號(hào)預(yù)處理主要指信號(hào)去噪及規(guī)則化等；特征生成主要指時(shí)域和頻域心拍特征信息的提取與生成；特征識(shí)別主要指識(shí)別模型的構(gòu)建。在特征生成方面具有代表性的方法有自編碼器[1]、經(jīng)驗(yàn)?zāi)Ｊ椒纸鈁2]和符號(hào)化特征設(shè)計(jì)[3]等，在自然圖像特征提取、數(shù)據(jù)降維、特征增強(qiáng)等領(lǐng)域取得了較大的成功。在心拍識(shí)別方面，相繼涌現(xiàn)了多種方法，大致分為有監(jiān)督方法和無監(jiān)督方法。有監(jiān)督識(shí)別方法是指依據(jù)帶標(biāo)簽的數(shù)據(jù)構(gòu)建的識(shí)別算法，具有代表性的方法有最小二乘支持向量機(jī)[4]、循環(huán)神經(jīng)網(wǎng)絡(luò)[5]、卷積神經(jīng)網(wǎng)絡(luò)[6-7]和徑向基神經(jīng)網(wǎng)絡(luò)[8]等；無監(jiān)督識(shí)別方法是指依據(jù)不帶標(biāo)簽的數(shù)據(jù)構(gòu)建的識(shí)別算法，具有代表性的方法是堆疊自編碼神經(jīng)網(wǎng)絡(luò)[9]和K-Means聚類算法[10]等。

上述特征生成方法雖然取得了顯著進(jìn)展，但是由于心電信號(hào)中通常含有噪聲，且實(shí)際中很多噪聲往往是無法預(yù)測(cè)的，難以建立精確的噪聲模型，掩蓋了反映心拍狀態(tài)的關(guān)鍵信息，進(jìn)而難以提取有效的心拍特征，造成其特征生成性能仍然很低，很難滿足臨床診斷的要求。另外，上述識(shí)別方法只關(guān)注所有患者心拍的識(shí)別，而不關(guān)注實(shí)時(shí)記錄情況下特定患者的心拍識(shí)別；因此上述方法忽略了不同患者之間的心拍波形的差異，對(duì)新患者的心拍識(shí)別的性能并不理想，其性能有待進(jìn)一步提升。針對(duì)上述問題，本文提出以下解決辦法：(1) 設(shè)計(jì)一種基于自編碼器的噪聲心拍信號(hào)特征生成方法。算法思想為：首先，使用收縮自編碼器從噪聲心拍信號(hào)中提取有效特征。其次，使用稀疏自編碼器從收縮自編碼器生成的信號(hào)特征中提取具有稀疏特性的心拍特征，生成最終心拍，并使用余弦距離目標(biāo)函數(shù)度量輸入心拍樣本和生成心拍特征之間的相似度。(2) 提出一種適用于患者導(dǎo)向的心拍識(shí)別方法。算法思想為：首先，在上述特征基礎(chǔ)上結(jié)合CNN模型構(gòu)建可有效表達(dá)不同患者心拍間共性信息的通用CNN識(shí)別模型；然后，在通用CNN模型基礎(chǔ)上，結(jié)合特定患者心拍信息，學(xué)習(xí)得到一個(gè)能反映相應(yīng)患者心拍個(gè)性信息的特定CNN模型。該方法綜合利用了患者心拍間的差異性信息，實(shí)驗(yàn)結(jié)果顯示，本文方法在一定程度上提升了心拍識(shí)別性能。

1 本文方法

本文提出的心拍識(shí)別方法主要由兩部分組成：(1) 采用深度自編碼模型獲取各類心拍信號(hào)的特征變換系數(shù)，進(jìn)而得到具有較高魯棒性和辨別性的心拍特征；(2) 在上述心拍特征基礎(chǔ)上，基于卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能有效區(qū)分特定患者心拍的模型系數(shù)，進(jìn)而得到各類心拍的識(shí)別方法。

1.1 基于CSCDAE的噪聲心拍信號(hào)特征生成方法

心拍特征的魯棒性和辨別性對(duì)心拍識(shí)別性能的高低具有重要影響，為了生成具有較高魯棒性和辨別性的心拍特征，本文提出基于CSCDAE的噪聲心拍信號(hào)特征生成方法。CSCDAE是由收縮自編碼器(Contractive Auto-Encoder,CAE)和稀疏自編碼器(Sparse Auto-Encoder,SAE)融合而成，且使用余弦距離作為損失函數(shù)(Cosine Distance based CAE and SAE Auto-Encoder，CSCDAE)。CSCDAE以無監(jiān)督的方式學(xué)習(xí)心拍中的隱含特征，可通過改變CSCDAE的隱層節(jié)點(diǎn)數(shù)或規(guī)則化約束函數(shù)，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)進(jìn)行降維的同時(shí)，學(xué)習(xí)得到具有較高魯棒性和辨別性的特征表示，其數(shù)據(jù)降維及特征提取能力與主成分分析相比，具有更高的靈活性、魯棒性和辨別性。

為了使CSCDAE學(xué)習(xí)到具有較高魯棒性和辨別性的心拍特征，本文設(shè)計(jì)了CSCDAE模型，如圖1所示，整個(gè)流程分為四個(gè)步驟：(1) 采集心拍樣本輸入到CSCDAE模型中。(2) 使用CAE從噪聲信號(hào)中提取特征。(3) 使用SAE從CAE提取的信號(hào)特征中提取稀疏的心拍特征。(4) 生成最終心拍，并使用余弦距離目標(biāo)函數(shù)控制輸入心拍樣本和生成心拍特征之間的相似度。

圖1 CSCDAE特征生成模型

CAE和SAE中每層的神經(jīng)元個(gè)數(shù)分別為256、232、200、232和256，前一隱藏層的輸出作為后一隱藏層的輸入，無監(jiān)督的逐層訓(xùn)練，使得每層自編碼器輸入與輸出間的誤差最??；設(shè)置CAE中懲罰項(xiàng)系數(shù)δ為0.2，SAE中稀疏懲罰項(xiàng)系數(shù)β為0.2，稀疏性參數(shù)ρ為0.05。之后通過梯度下降算法對(duì)整個(gè)CSCDAE進(jìn)行微調(diào)，得到最優(yōu)參數(shù)解。實(shí)驗(yàn)表明，訓(xùn)練模型batch大小設(shè)為64，學(xué)習(xí)率設(shè)為0.01，此時(shí)訓(xùn)練精度最高，迭代次數(shù)最少。

CSCDAE中的CAE和SAE由編碼器和解碼器兩部分組成；在編碼階段，設(shè)向量x={x1,x2,…,xn}為輸入樣本，則通過編碼器可得到x的隱含表示的數(shù)學(xué)表達(dá)式為：

(1)

(2)

該激活函數(shù)使編碼器具有較強(qiáng)的非線性變換能力[11]。

(3)

自編碼器模型參數(shù)優(yōu)化是迭代尋找訓(xùn)練樣本重構(gòu)誤差最小化的過程；本文CSCDAE模型參數(shù)優(yōu)化中的最小化目標(biāo)函數(shù)如下：

(4)

通常不同的任務(wù)使用不同的損失函數(shù)；均方誤差常作為目標(biāo)損失函數(shù)，該損失函數(shù)假設(shè)誤差符合高斯分布，較適合多維高像素圖像類的特征提取過程中的誤差分布；但對(duì)于相鄰采樣值變化較為劇烈的一維心電波形圖而言，其方差并不符合高斯分布，因此會(huì)產(chǎn)生實(shí)際方差分布與理論假設(shè)不同的問題，致使大量有效的波形信息被抑制或忽略，不利于獲取具有高魯棒性和辨別性的心拍特征。針對(duì)這一問題，依據(jù)心拍波形特征，本文采用余弦距離作為自編碼器的損失函數(shù)，度量輸入樣本和輸出數(shù)據(jù)樣本之間的誤差：

(5)

算法1CSCDAE訓(xùn)練算法

Step2CAE訓(xùn)練。

Step2.1輸入:X∈R256×D(輸入心拍特征，其特征為256維樣本集，D為樣本數(shù)量)。

Step2.2前向傳播計(jì)算：

Step2.4δ<ε，判斷是否收斂，若收斂則執(zhí)行Step 2.2；否則執(zhí)行Step 2.6。

Step2.5依據(jù)誤差δ和學(xué)習(xí)率ρ，采用反向傳播計(jì)算并更新W(l)和b(l)。

Step2.6輸出：H∈R256×D(輸出心拍特征，其特征為256維樣本集，D為樣本數(shù)量)。

Step3SAE訓(xùn)練。

Step3.1輸入:H∈R256×D(由Step 2傳入)。

Step3.2前向傳播計(jì)算：

Step3.3基于X計(jì)算誤差：

Step3.4δ<ε，判斷是否收斂，若收斂則執(zhí)行Step 3.2；否則執(zhí)行Step 3.6。

Step3.5依據(jù)誤差δ和學(xué)習(xí)率ρ，采用反向傳播計(jì)算并更新W(l)和b(l)。

Step3.6輸入：X∈R256×D(輸出心拍特征，其特征為256維樣本集，D為樣本數(shù)量)。

1.2 基于患者個(gè)性信息的心拍識(shí)別方法

深度卷積神經(jīng)網(wǎng)絡(luò)在心拍識(shí)別方面表現(xiàn)優(yōu)異，但是對(duì)于患者相關(guān)的心拍識(shí)別模型而言，由于各類心拍的樣本數(shù)量相差甚大，以及不同患者存在個(gè)體性差異，致使現(xiàn)有深度卷積網(wǎng)絡(luò)存在欠擬合的問題。為了降低欠擬合問題進(jìn)而提升心拍識(shí)別性能，本文首先基于深度卷積網(wǎng)絡(luò)結(jié)合來自不同患者的等量各類心拍樣本訓(xùn)練一個(gè)通用背景模型，之后采用單個(gè)患者的心拍數(shù)據(jù)在通用背景模型基礎(chǔ)上進(jìn)行優(yōu)化與微調(diào)，進(jìn)而生成患者相關(guān)的心拍識(shí)別模型。

本文針對(duì)特定患者的心拍識(shí)別提出具體解決方案，該方案的整個(gè)流程分為訓(xùn)練階段和測(cè)試階段，見算法2。在訓(xùn)練階段，首先對(duì)采集的心拍進(jìn)行濾波和分割預(yù)處理；其次，使用本文提出的CSCDAE提取心拍特征，組成通用數(shù)據(jù)集(Universal Set，USet)用來訓(xùn)練通用模型(Universal CNN，UCNN)。在特定患者訓(xùn)練階段，采集特定患者的前5分鐘心拍，進(jìn)行數(shù)據(jù)預(yù)處理和CSCDAE特征提取，生成特定患者數(shù)據(jù)集(Specific Patient Set，SPSet)；將SPSet中的心拍特征作為UCNN的輸入進(jìn)行學(xué)習(xí)，從而生成一個(gè)用于特定患者的CNN模型(Specific Patient CNN，SPCNN)。在測(cè)試階段，將每位患者剩余大約25分鐘的心拍特征組成測(cè)試集(testSet)，放入SPCNN中測(cè)試，獲取識(shí)別結(jié)果，進(jìn)而衡量整個(gè)系統(tǒng)的準(zhǔn)確率和識(shí)別精度。

算法2特定患者心拍識(shí)別算法

Step1UCNN訓(xùn)練。

Step1.3while:σ<ε，判斷是否收斂，若收斂則執(zhí)行Step 1.6；否則執(zhí)行Step 1.4。

Step1.5基于Xf采用反向傳播方式極小化誤差σ，依據(jù)學(xué)習(xí)率ρ調(diào)整Wl和bl。

Step1.6Return:Wl,bl(l=1,2,…,13)。

Step2SPCNN訓(xùn)練。

Step2.3while:σ<ε，判斷是否收斂，若收斂則執(zhí)行Step 2.6；否則執(zhí)行Step 2.4。

Step2.5基于Xf采用反向傳播方式反向傳播極小化誤差σ，依據(jù)學(xué)習(xí)率ρ調(diào)整Wl和bl。

Step2.6Return:Wl,bl(l=1,2,…,13)。

Step3SPCNN測(cè)試。

Step3.1Require:testSet{Xk}(特定患者剩余25分鐘數(shù)據(jù)集)；Xk∈R256×D,k=1,2,…,4(k類心拍的256維樣本集，D為樣本數(shù)量)。

Step3.2Return:Acc(準(zhǔn)確率)、Se(靈敏度)、P(精確率)和F1-score(綜合指標(biāo))。

SPCNN可針對(duì)特定患者進(jìn)行心拍識(shí)別，解決了由于患者間心拍的特異性造成的識(shí)別性能較低的問題。它可嵌入到特定患者的穿戴設(shè)備中，實(shí)時(shí)監(jiān)測(cè)心拍；若出現(xiàn)異常心拍，設(shè)備可實(shí)時(shí)警告患者。在此識(shí)別系統(tǒng)中，UCNN可檢測(cè)到大量長(zhǎng)期心電信號(hào)中的異常心拍，而SPCNN可以針對(duì)特定患者進(jìn)行實(shí)時(shí)檢測(cè)。顯然，該方案不僅適用于患病者，而且適用于無病者。

通常，CNN的輸入樣本是具有兩個(gè)或兩個(gè)以上維度的圖像，如灰度圖像或分辨率較高的彩色圖像。但在本實(shí)驗(yàn)中，心拍波形是由不同時(shí)刻的振幅構(gòu)成的一維向量。因此，在使用模型對(duì)心拍信號(hào)識(shí)別之前，須對(duì)模型的圖像分析結(jié)構(gòu)進(jìn)行修改，使卷積層中的所有卷積運(yùn)算適用于一維序列，每一層卷積核也修改為適用于一維序列的尺度。同時(shí)，卷積核的設(shè)計(jì)采用小尺度和多尺度相結(jié)合的方法。小尺度可捕捉心拍之間的微小異常，并且能降低計(jì)算復(fù)雜度和計(jì)算成本；多尺度可避免提取的特征過于單一化，有利于多視野提取數(shù)據(jù)特征。本文提出的用于心拍識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 CNN訓(xùn)練模型

整個(gè)模型共13層，其中9個(gè)卷積層，2個(gè)池化層，2個(gè)全連接層；激活函數(shù)使用ReLU，損失函數(shù)為交叉熵。實(shí)驗(yàn)表明，將UCNN的batch_size設(shè)置為40，將SPCNN的batch_size設(shè)置為50，結(jié)合學(xué)習(xí)率ρ=1E-5，模型收斂速度快。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)庫(kù)

本文實(shí)驗(yàn)數(shù)據(jù)選用MIT-BIH心律失常數(shù)據(jù)庫(kù)。MIT-BIH數(shù)據(jù)庫(kù)包含48個(gè)心電圖記錄，來自47名受試者，其中25名是32歲至89歲的男性，22名是23歲至89歲的女性[12]，每條記錄持續(xù)30分鐘左右，采樣頻率為360 Hz(以每秒360個(gè)樣本的速度數(shù)字化)，通過將電極放在胸部獲得心電圖記錄[10]，其中包含兩個(gè)來自不同電極的導(dǎo)聯(lián)：MLII導(dǎo)聯(lián)和V1導(dǎo)聯(lián)。在本研究中，使用MLII導(dǎo)聯(lián)的信號(hào)進(jìn)行訓(xùn)練和測(cè)試，且所有的記錄都由心臟病專家注釋其類別。

因MIT-BIH數(shù)據(jù)庫(kù)中4個(gè)心電圖記錄(102,104,107和217)為起搏心拍，所以本文共收集了除上述四個(gè)心電記錄之外的99 065個(gè)心拍用于實(shí)驗(yàn)驗(yàn)證與分析。根據(jù)AAMI標(biāo)準(zhǔn)，本文將心拍信號(hào)分為四類：正常心拍、室上性心拍、心室上性心拍和融合心拍[13]。在心拍特征提取階段，將MIT-BIH數(shù)據(jù)集中的30條記錄{100,101,105,106,109,111,113,114,116,117,119,121,123,124,201,202,205,207,209,210,213,214,219,220,222,223,230,231,233,234}構(gòu)建為訓(xùn)練集；記錄{103,108,112,115,118,122,200,203,208,212,215,221,228,232}構(gòu)建為測(cè)試集來驗(yàn)證本文特征生成模型CSCDAE。在心拍識(shí)別階段，將MIT-BIH數(shù)據(jù)集中的24條記錄{101,105,106,108,109,112,114,115,116,118,119,122,124,201,203,205,207,208,209,214,215,220,223,230}構(gòu)建為初始訓(xùn)練集，其余20條記錄{100,103,111,113,117,121,123,200,202,210,212,213,219,221,222,228,231,232,233,234}中每條記錄的前5分鐘心拍構(gòu)成特定患者訓(xùn)練集，其他的25分鐘左右心拍構(gòu)建為測(cè)試集(此階段每條記錄中的心拍特征為CSCDAE生成的特征)。

2.2 結(jié)果分析

本文在數(shù)據(jù)預(yù)處理階段使用小波變換和中值濾波器相結(jié)合的方法去除基線漂移、工頻干擾和肌電干擾噪聲。實(shí)驗(yàn)結(jié)果表明，以Daubechies 5為小波基的小波變換和以窗口大小為60的中值濾波器相結(jié)合能有效地去除其三類噪聲，提升信號(hào)質(zhì)量。在心拍分割中，基于R峰向前取0.35 s，向后取0.35 s分割單個(gè)波形，將所有心電記錄分割為99 065個(gè)同尺度的單一心拍進(jìn)行訓(xùn)練。由于在心電圖采集的過程中出現(xiàn)橫向漂移的情況，造成重疊分割?；诖藛栴}，采用均值填充方法將小尺度的心拍進(jìn)行縮放，保證了關(guān)鍵特征不變性，對(duì)之后的分類檢測(cè)提供了重要的基礎(chǔ)。

在特征提取階段，針對(duì)大量有效的波形信息被抑制或被忽略，導(dǎo)致無法獲取具有高魯棒性和辨別性心拍特征的問題，本文依據(jù)心拍波形特性，使用改進(jìn)的堆疊自編碼器(CSCDAE)進(jìn)行有效特征提取。為驗(yàn)證CSCDAE模型的性能，本文選取具有代表性的特征提取方法進(jìn)行對(duì)比見表1。

表1 使用CSCDAE性能對(duì)比

由表1可知，基于本文提出的分類模型，未使用CSCDAE特征的準(zhǔn)確率是94.85%，而使用基于CSCDAE特征的準(zhǔn)確率則是98.43%，有明顯的性能提升。顏菲等[14]提出的自編碼器和DNN融合的識(shí)別算法得出準(zhǔn)確率為95.03%，低于本文的識(shí)別性能。Hasan等[15]將每個(gè)心電信號(hào)先通過經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)進(jìn)行分解，再結(jié)合高階本征模態(tài)函數(shù)(IMFs)形成修正后的心電信號(hào)，并使用CNN對(duì)修正后的信號(hào)進(jìn)行分類，準(zhǔn)確率為97.70%，低于本文方法。Ma等[16]對(duì)特征數(shù)據(jù)進(jìn)行歸一化，可加快模型訓(xùn)練速度，但準(zhǔn)確率為93.25%。綜上所述，使用本文的CSCDAE模型進(jìn)行有效特征提取，能提升識(shí)別精度和準(zhǔn)確率。

本文算法在20條記錄的測(cè)試集中進(jìn)行檢驗(yàn)，其中為每條記錄的后25分鐘心拍，得出每個(gè)類別的正確和錯(cuò)誤分類數(shù)量見表2。綜合得知，識(shí)別模型的準(zhǔn)確率達(dá)到98.43%，驗(yàn)證了本文所提出的CSCDAE特征生成方法結(jié)合SPCNN模型用于心拍的識(shí)別有較好的效果。

表2 測(cè)試集每條記錄的準(zhǔn)確率

為了進(jìn)一步驗(yàn)證和分析本文提出的心拍識(shí)別方法的性能，本文還在測(cè)試階段分別計(jì)算了N、S、V和F四類心拍對(duì)應(yīng)的準(zhǔn)確性、敏感性和F1值，基線系統(tǒng)則選取了4個(gè)具有代表性文獻(xiàn)的心拍識(shí)別方法，具體結(jié)果如表3所示。

表3 使用不同方法時(shí)的實(shí)驗(yàn)結(jié)果比較(%)

由表3可知，文獻(xiàn)[17]使用SAE和DNN算法融合識(shí)別心拍，準(zhǔn)確率達(dá)到94.05%，但其F1值只有77.84%，算法的識(shí)別能力和有效性低于本文方法。文獻(xiàn)[18]中方法的性能是四個(gè)基線系統(tǒng)中最優(yōu)的，而本文方法的識(shí)別性能則明顯高于文獻(xiàn)[18]中方法的性能。文獻(xiàn)[19]使用DNN模型識(shí)別，相比本文算法，該方法沒有考慮到不同患者間的差異性，且測(cè)試數(shù)據(jù)量大，存儲(chǔ)成本高，不適用于健康實(shí)時(shí)監(jiān)護(hù)。文獻(xiàn)[20]提出用于解決每個(gè)類別之間不平衡性問題的卷積神經(jīng)網(wǎng)絡(luò)模型，在通用模型訓(xùn)練完成后，分別訓(xùn)練N、S、V和F四類數(shù)據(jù)模型，訓(xùn)練負(fù)擔(dān)大，且最終準(zhǔn)確率和F1值較低，不適合用于實(shí)際臨床應(yīng)用。文獻(xiàn)[21]針對(duì)單導(dǎo)聯(lián)心拍提出受限玻爾茲曼機(jī)和深度置信網(wǎng)絡(luò)相融合的分類框架，其F1值偏低。綜上所述，本文使用小波變換和中值濾波器結(jié)合濾除噪聲，使用CSCDAE進(jìn)行特征提取，針對(duì)SPCNN結(jié)構(gòu)對(duì)心拍進(jìn)行識(shí)別，識(shí)別的準(zhǔn)確率和F1值與現(xiàn)有的算法相比得到提高，在實(shí)際應(yīng)用中更加可行。

本文提出的心拍識(shí)別方法在Intel(R) Core(TM) i5- 8400 CPU @ 2.8 GHz、8 GB內(nèi)存的64位系統(tǒng)上，UCNN模型和SPCNN模型的訓(xùn)練時(shí)間為18 min，而每個(gè)心拍在SPCN模型中的測(cè)試時(shí)間則僅需0.2 ms。

3 結(jié) 語(yǔ)

針對(duì)心電噪聲的干擾，大量有效的波形信息被抑制或被忽略，無法獲取具有高魯棒性和辨別性的心拍特征問題，本文首先設(shè)計(jì)一種基于余弦距離的堆疊自編碼器進(jìn)行心拍特征提取。在此基礎(chǔ)上，針對(duì)不同患者心拍間的差異性對(duì)心拍識(shí)別性能具有較大影響等問題，本文提出一種基于通用背景模型和患者心拍個(gè)性信息的深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，本文所設(shè)計(jì)的心拍識(shí)別方法具有更好的性能，非常適合用于實(shí)時(shí)監(jiān)測(cè)的嵌入式穿戴設(shè)備的需求。