深度殘差網(wǎng)絡(luò)在脈搏信號(hào)亞健康檢測(cè)中的應(yīng)用

艾玲梅，薛亞慶，李天東

(陜西師范大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710119)

0 引 言

亞健康是一種介于健康與疾病之間的中間狀態(tài)，是由學(xué)者王育學(xué)[1]首次提出。亞健康狀態(tài)，人體雖未明顯病變，但已經(jīng)有潛在的發(fā)病可能，其機(jī)體結(jié)構(gòu)以及生理功能已經(jīng)存在不同程度的減弱與衰退，甚至?xí)霈F(xiàn)心理調(diào)節(jié)失衡、社會(huì)適應(yīng)能力下降，導(dǎo)致易患疾病[2]。

脈搏信號(hào)作為人體重要的生理信號(hào)，對(duì)于人體各種疾病的診斷具有極其重要的價(jià)值，因此可以通過分析人體的脈搏信號(hào)來實(shí)現(xiàn)亞健康狀態(tài)的檢測(cè)[3-4]。特征提取是影響脈搏信號(hào)亞健康檢測(cè)效果的直接因素，目前，對(duì)脈搏信號(hào)處理方法的研究主要集中在三個(gè)方面：

(1)時(shí)域法。主要尋找脈搏信號(hào)中一些具有生理學(xué)含義的點(diǎn)作為特征點(diǎn)，如常見的主波點(diǎn)、潮波點(diǎn)、波長(zhǎng)和信號(hào)的波形特征量K等[5]，但是存在時(shí)域特征不穩(wěn)定，需要借助主觀的經(jīng)驗(yàn)而估計(jì)，以及特征參數(shù)過多等缺點(diǎn)。

(2)頻域法。通過脈搏信號(hào)的頻譜圖得到相對(duì)應(yīng)的特征點(diǎn)實(shí)現(xiàn)脈搏信號(hào)的識(shí)別。如Lee等人[6]將“能量比(ER)”的概念引入脈搏信號(hào)的頻譜圖分析，發(fā)現(xiàn)健康人的ER值都在100以上，在某些特定的脈搏位置，亞健康人群的ER值低于100，從而可區(qū)分出健康和亞健康狀態(tài)。但脈搏信號(hào)是非線性、非平穩(wěn)的信號(hào)，采用頻域方法分析時(shí)，無(wú)法達(dá)到最佳分辨率，因此并不適用于脈搏信號(hào)的處理。

(3)時(shí)頻法。主要是從時(shí)間域和頻率域同時(shí)進(jìn)行分析。比較常用的時(shí)頻分析方法有：短時(shí)傅里葉變換[7]、希爾伯特-黃變換[8]和小波變換[9]，短時(shí)傅里葉變換方法存在無(wú)法同時(shí)兼顧時(shí)間與頻率分辨率需求的缺點(diǎn)；希爾伯特-黃變換方法應(yīng)用于窄帶信號(hào)非常有效，對(duì)非窄信號(hào)卻無(wú)能為力；小波變換雖然可高效地從脈搏信號(hào)中提取相關(guān)信息，但是識(shí)別率相對(duì)來說還存在可提升的空間。

近幾年，深度學(xué)習(xí)方法作為一種新的特征提取手段，將有監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)相結(jié)合，克服了傳統(tǒng)方法將特征提取與分類器分為兩個(gè)環(huán)節(jié)的缺點(diǎn)，在圖像識(shí)別[10]、物體檢測(cè)[11]、文本檢測(cè)[12]等領(lǐng)域的研究應(yīng)用中都取得了很好的效果。因此，文中將深度學(xué)習(xí)理論引入脈搏信號(hào)亞健康檢測(cè)識(shí)別研究，提出了一種基于深度殘差網(wǎng)絡(luò)的脈搏信號(hào)亞健康檢測(cè)算法。具體做法為：首先，采用生成對(duì)抗網(wǎng)絡(luò)方法對(duì)脈搏信號(hào)數(shù)據(jù)集進(jìn)行擴(kuò)增；然后，調(diào)整深度殘差網(wǎng)絡(luò)模型，引入一維卷積，構(gòu)建適用于脈搏信號(hào)亞健康的檢測(cè)模型；最后，利用擴(kuò)增之后的數(shù)據(jù)集訓(xùn)練脈搏信號(hào)亞健康的檢測(cè)模型，對(duì)人體亞健康狀態(tài)進(jìn)行檢測(cè)。

1 脈搏信號(hào)數(shù)據(jù)的生成

眾所周知深度學(xué)習(xí)方法需要使用大量的、帶類別標(biāo)簽的數(shù)據(jù)進(jìn)行訓(xùn)練。但是，目前國(guó)內(nèi)外還沒有可用于深度學(xué)習(xí)訓(xùn)練的亞健康檢測(cè)的脈搏信號(hào)數(shù)據(jù)集合。由于采集范圍和采集效率的限制，文中自主設(shè)計(jì)實(shí)驗(yàn)采集的脈搏信號(hào)數(shù)據(jù)量也有限。這樣就對(duì)該研究造成了困擾，因此，需要解決的首要問題就是如何構(gòu)建一個(gè)擁有大量脈搏信號(hào)數(shù)據(jù)的集合以滿足深度學(xué)習(xí)方法的訓(xùn)練要求。

2014年，Goodfellow提出了一種生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，GAN)[13]，該網(wǎng)絡(luò)可以用于生成圖像，對(duì)圖像數(shù)據(jù)進(jìn)行擴(kuò)增。但是GAN存在訓(xùn)練不穩(wěn)定、梯度消失等問題，深度卷積生成式對(duì)抗網(wǎng)絡(luò)(deep convolutional generative adversarial networks，DCGAN)[14]就是在GAN網(wǎng)絡(luò)的基礎(chǔ)上提出的。DCGAN網(wǎng)絡(luò)模型目前表現(xiàn)比較穩(wěn)定，訓(xùn)練比較容易收斂，但是該網(wǎng)絡(luò)是針對(duì)圖像樣本的生成，并不適合生成文中的脈搏信號(hào)數(shù)據(jù)。因此，在深入研究DCGAN網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種稱為脈搏信號(hào)生成對(duì)抗網(wǎng)絡(luò)(pulse signal deep convolutional generative adversarial networks，PSDCGAN)的網(wǎng)絡(luò)模型，以適用于一維脈搏信號(hào)生成。

1.1 數(shù)據(jù)采集及預(yù)處理

首先讓受試者自主填寫亞健康自評(píng)表，然后根據(jù)自評(píng)表得分從中選取40名無(wú)任何疾病的研究生，年齡均在22～28歲之間，其中男生17名，女生23名，在實(shí)驗(yàn)前均精神良好，情緒平穩(wěn)。實(shí)驗(yàn)采集設(shè)備為合肥華科電子技術(shù)研究所研發(fā)的HK-2000C集成數(shù)字脈搏傳感器，將傳感器對(duì)準(zhǔn)受試者手腕橈動(dòng)脈處，用腕帶固定好，力度適中。實(shí)驗(yàn)中采樣頻率為200 Hz，采樣時(shí)間設(shè)置為1.5 min，受試者將手臂與心臟近于同一水平前臂平伸，掌心向上，保持平穩(wěn)狀態(tài)，不要大聲說話，待信號(hào)平穩(wěn)后開始數(shù)據(jù)記錄。

脈搏信號(hào)是微弱的信號(hào)，采集過程中易受采集環(huán)境、采集儀器以及受試者身體與心理活動(dòng)的影響，使得脈搏信號(hào)中含有工頻干擾、基線漂移等噪聲信號(hào)，因此，為了獲得較為純凈的脈搏信號(hào)，采用小波變換的方法和脈搏信號(hào)干擾段檢測(cè)算法對(duì)脈搏信號(hào)去除噪聲及異常波形。

1.2 PSDCGAN網(wǎng)絡(luò)

1.2.1 PSDCGAN網(wǎng)絡(luò)的基本原理

PSDCGAN網(wǎng)絡(luò)是基于GAN改進(jìn)，其基本原理與GAN相同。GAN網(wǎng)絡(luò)的總體框架如圖1所示，其中z表示噪聲輸入，G表示生成網(wǎng)絡(luò)，D表示判別網(wǎng)絡(luò)，更新操作表示判別網(wǎng)絡(luò)根據(jù)損失函數(shù)值來更新生成網(wǎng)絡(luò)的損失函數(shù)值，使其生成的樣本盡可能地接近于真實(shí)樣本，兩者的最終目的是處于納什均衡的狀態(tài)，生成網(wǎng)絡(luò)可以生成最真實(shí)的數(shù)據(jù)樣本。PSDCGAN網(wǎng)絡(luò)的實(shí)現(xiàn)過程包括兩個(gè)階段：前向傳播階段和反向傳播階段。在前向傳播階段，輸入一個(gè)100維的隨機(jī)噪聲，經(jīng)過生成網(wǎng)絡(luò)生成一個(gè)新的向量，記作D(z)，其中z表示生成的隨機(jī)噪聲，從脈搏信號(hào)數(shù)據(jù)集合中選取一個(gè)信號(hào)向量，記作x。然后將生成網(wǎng)絡(luò)產(chǎn)生的假信號(hào)或者從訓(xùn)練樣本選擇的真信號(hào)作為判別網(wǎng)絡(luò)的輸入數(shù)據(jù)，而判別網(wǎng)絡(luò)將會(huì)輸出一個(gè)0～1之間的概率值，這個(gè)概率值表示的是輸入的信號(hào)為真實(shí)脈搏信號(hào)的概率。使用得到的概率值計(jì)算損失函數(shù)，生成網(wǎng)絡(luò)的損失函數(shù)和判別網(wǎng)絡(luò)的損失函數(shù)分別如式(1)和(2)所示：

(1-y)log(1-D(G(z)))

(1)

-(1-y)log(1-D(G(z)))+ylog(D(x))

(2)

其中，y為輸入數(shù)據(jù)的類型，G(z)為生成網(wǎng)絡(luò)的輸出，D(x)為判別網(wǎng)絡(luò)的輸出，D(G(z))表示生成的信號(hào)根據(jù)判別網(wǎng)絡(luò)判斷為真實(shí)信號(hào)的概率。

PSDCGAN網(wǎng)絡(luò)的反向傳播階段，根據(jù)生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的損失函數(shù)，不斷去修正誤差，更新網(wǎng)絡(luò)參數(shù)。一方面是讓生成網(wǎng)絡(luò)的輸出G(z)盡量與真實(shí)信號(hào)相近，另一方面是使得判別網(wǎng)絡(luò)的輸出D(x)的值盡可能趨向于1，D(G(z))的值盡可能趨向于0，如式(3)所示：

Ez～Pz(z)[log(1-D(G(z)))]

(3)

其中，Pdata(x)表示真實(shí)信號(hào)數(shù)據(jù)的概率分布情況，Pz(z)表示初始隨機(jī)噪聲數(shù)據(jù)的概率分布情況，E(*)表示分布函數(shù)的期望值。

圖1 GAN網(wǎng)絡(luò)的總體框架

1.2.2 PSDCGAN網(wǎng)絡(luò)的生成網(wǎng)絡(luò)

生成網(wǎng)絡(luò)的作用是如何依據(jù)隨機(jī)噪聲生成脈搏信號(hào)，盡量服從真實(shí)數(shù)據(jù)的分布，并且存儲(chǔ)成txt的數(shù)據(jù)文件，以備后續(xù)作為數(shù)據(jù)集進(jìn)行讀取。圖2是PSDCGAN的生成網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)共有10層，第一層表示輸入層，其余層均為卷積層。In:100Z表示輸入是維度為100的隨機(jī)噪聲向量，卷積層主要由帶步長(zhǎng)的反卷積構(gòu)成，可以使生成網(wǎng)絡(luò)上采樣，將輸入的隨機(jī)噪聲通過上采樣生成1 024×1的信號(hào)數(shù)據(jù)。反卷積核大小設(shè)置為5，步長(zhǎng)設(shè)置為2，在生成網(wǎng)絡(luò)中選擇tanh作為輸出層的激活函數(shù)，其他層均選擇ReLU激活函數(shù)，并且每一層均使用塊歸一化(batch normaliza-tion，BN)層，將特征層的輸出規(guī)范化，解決隨機(jī)初始化參數(shù)不理想問題，并且訓(xùn)練速度和穩(wěn)定性得到提升。

在反卷積層中，文中均采用一維反卷積函數(shù)，即conv1d_transpose函數(shù)。之所以采用一維反卷積函數(shù)，是因?yàn)槲闹行枰傻氖敲}搏信號(hào)，脈搏信號(hào)為一維信號(hào)，所以必須做此改進(jìn)。

1.2.3 PSDCGAN網(wǎng)絡(luò)的判別網(wǎng)絡(luò)

判別網(wǎng)絡(luò)存在目的是對(duì)輸入數(shù)據(jù)進(jìn)行判別，判斷是來源于真實(shí)的信號(hào)數(shù)據(jù)還是生成網(wǎng)絡(luò)生成的假信號(hào)數(shù)據(jù)，其本質(zhì)是實(shí)現(xiàn)對(duì)數(shù)據(jù)來源的二分類判別。判別網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，該網(wǎng)絡(luò)有11層，最后一層為全連接層，其余層均是帶步長(zhǎng)的卷積層，目的是讓判別網(wǎng)絡(luò)可以下采樣，卷積核的大小設(shè)置為5，步長(zhǎng)設(shè)置為2。在此特別說明，由于脈搏信號(hào)為一維信號(hào)，所以卷積層均采用一維卷積操作。在判別網(wǎng)絡(luò)中，與生成網(wǎng)絡(luò)不同的是在判別網(wǎng)絡(luò)中均使用LeakyReLU類型的激活函數(shù)，防止梯度稀疏。

圖2 PSDCGAN網(wǎng)絡(luò)的生成網(wǎng)絡(luò)結(jié)構(gòu)

圖3 PSDCGAN網(wǎng)絡(luò)的判別網(wǎng)絡(luò)結(jié)構(gòu)

1.2.4 PSDCGAN網(wǎng)絡(luò)的訓(xùn)練過程

PSDCGAN網(wǎng)絡(luò)在訓(xùn)練過程中采用交替優(yōu)化的方法，即輪流固定生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D的參數(shù)，然后去訓(xùn)練另一個(gè)網(wǎng)絡(luò)。為防止判別網(wǎng)絡(luò)的損失很快收斂為零，從而沒有足夠強(qiáng)的梯度路徑可以繼續(xù)更新生成。

所以，在訓(xùn)練階段每次使判別網(wǎng)絡(luò)D訓(xùn)練更久一點(diǎn)，規(guī)定生成網(wǎng)絡(luò)G的損失函數(shù)更新2次，判別網(wǎng)絡(luò)D的損失函數(shù)更新1次。網(wǎng)絡(luò)訓(xùn)練好之后，便可利用該網(wǎng)絡(luò)對(duì)脈搏信號(hào)數(shù)據(jù)集進(jìn)行擴(kuò)增。

2 深度殘差網(wǎng)絡(luò)模型

2.1 深度殘差網(wǎng)絡(luò)原理

深度殘差網(wǎng)絡(luò)(residual network，ResNet)[15]是為了解決卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，會(huì)出現(xiàn)隨著網(wǎng)絡(luò)層數(shù)的不斷加深，準(zhǔn)確率不增反而下降的問題。ResNet網(wǎng)絡(luò)中引入了殘差塊的概念，根據(jù)輸入學(xué)習(xí)殘差函數(shù)而非原始函數(shù)。假設(shè)輸入神經(jīng)網(wǎng)絡(luò)為x，需要擬合的輸出函數(shù)映射為H(x)，則殘差映射F(x)可表示為式(4)，殘差塊結(jié)構(gòu)如式(5)：

F(x)=H(x)-x

(4)

(5)

F(x,W)=W2σ(W1x)

(6)

多個(gè)卷積層級(jí)聯(lián)的輸出和輸入元素之間相加得到殘差塊的輸出，再經(jīng)過ReLU函數(shù)激活后得到。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)采取自上向下的輸出方式，而這種殘差結(jié)構(gòu)直接將某一層的輸出跨過幾層作為后面某一層的輸入，目的是讓疊加的多層網(wǎng)絡(luò)隨著網(wǎng)絡(luò)規(guī)模的加深，準(zhǔn)確率不再不升反降。

2.2 文中的深度殘差網(wǎng)絡(luò)模型

為了將深層模型殘差網(wǎng)絡(luò)的特征提取能力遷移到信號(hào)上，并使其能夠完成脈搏信號(hào)亞健康分類檢測(cè)，需要對(duì)深度殘差網(wǎng)絡(luò)模型進(jìn)行調(diào)整，使用由多個(gè)小尺寸卷積核級(jí)聯(lián)形成的18層網(wǎng)絡(luò)，中間由四個(gè)殘差塊組成，每個(gè)殘差塊在卷積層之后引入BN批歸一化處理，將特征層的輸出規(guī)范化。在該網(wǎng)絡(luò)中，均采用一維卷積，卷積核大小均為3，采用ReLU作為激活函數(shù)。脈搏信號(hào)輸入經(jīng)過初始卷積層和池化層之后，將提取到的特征輸入到若干殘差塊中，學(xué)習(xí)殘差映射函數(shù)，在經(jīng)過殘差塊的學(xué)習(xí)后，連接一個(gè)池化層和一個(gè)全連接層輸出分類結(jié)果。

3 實(shí)驗(yàn)與分析

3.1 脈搏信號(hào)生成的實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證基于PSDCGAN網(wǎng)絡(luò)用于生成脈搏信號(hào)的效果，本節(jié)設(shè)計(jì)實(shí)驗(yàn)的具體步驟為：將經(jīng)過預(yù)處理后的脈搏信號(hào)首先進(jìn)行人工分割以增加樣本數(shù)量，可以得到健康者樣本集760個(gè)，亞健康者樣本集840個(gè)，每個(gè)樣本均有1 024個(gè)采樣點(diǎn)值。從中選取1 000個(gè)樣本進(jìn)行訓(xùn)練，600個(gè)樣本進(jìn)行測(cè)試，將所有數(shù)據(jù)進(jìn)行歸一化處理，歸一化范圍為[-1,1]，作為PSDCGAN網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集。然后基于構(gòu)建的數(shù)據(jù)集訓(xùn)練PSDCGAN網(wǎng)絡(luò)，等PSDCGAN網(wǎng)絡(luò)訓(xùn)練完成之后，使用該網(wǎng)絡(luò)生成文中需要的脈搏信號(hào)數(shù)據(jù)。真實(shí)的脈搏信號(hào)如圖4所示，生成的脈搏信號(hào)圖像如圖5所示，將真實(shí)的脈搏信號(hào)和生成的脈搏信號(hào)進(jìn)行重疊的對(duì)比，對(duì)比的結(jié)果如圖6所示。

圖4 采集的真實(shí)脈搏信號(hào)示意圖

圖5 利用PSDCGAN網(wǎng)絡(luò)生成的脈搏信號(hào)圖

圖6 真實(shí)脈搏信號(hào)和生成脈搏信號(hào)對(duì)比

從圖4～圖6的對(duì)比分析可知，利用PSDCGAN網(wǎng)絡(luò)可以生成脈搏信號(hào)數(shù)據(jù)，且與真實(shí)數(shù)據(jù)相比，相似度很高。

3.2 基于深度殘差網(wǎng)絡(luò)的實(shí)驗(yàn)驗(yàn)證

首先，將實(shí)驗(yàn)采集來的數(shù)據(jù)進(jìn)行分割，可以得到健康者脈搏信號(hào)樣本集760個(gè)，亞健康者脈搏信號(hào)樣本集840個(gè)，每個(gè)樣本均有1 024個(gè)采樣點(diǎn)值，共1 600個(gè)脈搏信號(hào)(記作數(shù)據(jù)集A)，對(duì)數(shù)據(jù)集A做如下劃分：訓(xùn)練集1 000個(gè)信號(hào)樣本(包含健康者脈搏信號(hào)和亞健康者脈搏信號(hào)各500個(gè))，測(cè)試集600個(gè)信號(hào)樣本；第二組實(shí)驗(yàn)使用PSDCGAN網(wǎng)絡(luò)擴(kuò)增的5 000個(gè)脈搏信號(hào)數(shù)據(jù)集(記作集合B)，各數(shù)據(jù)集的具體劃分方法為訓(xùn)練集4 000個(gè)信號(hào)樣本(包含健康者脈搏信號(hào)和亞健康者脈搏信號(hào)各2 000個(gè))，測(cè)試集1 000個(gè)信號(hào)樣本。

本節(jié)設(shè)計(jì)的第一組實(shí)驗(yàn)用于驗(yàn)證SGD、Adam和Momentum三種梯度優(yōu)化算法對(duì)于分類結(jié)果的影響，實(shí)驗(yàn)的具體設(shè)計(jì)步驟是：選用集合B訓(xùn)練深度殘差網(wǎng)絡(luò)模型，訓(xùn)練中分別使用SGD、Adam和Momentum三種優(yōu)化算法對(duì)其進(jìn)行優(yōu)化，訓(xùn)練過程中Loss值的變化如圖7所示。

圖7 三種優(yōu)化算法結(jié)果對(duì)比

圖7中由上至下分別代表使用隨機(jī)梯度下降算法(SGD)、動(dòng)量?jī)?yōu)化算法(Momentum)和自適應(yīng)優(yōu)化算法(Adam)優(yōu)化后的模型損失函數(shù)值的變化，從圖7中可以明顯看出，網(wǎng)絡(luò)模型采用SGD算法優(yōu)化的結(jié)果明顯不如采用Momentum和Adam優(yōu)化方法，而Momentum和Adam方法相比，Momentum方法優(yōu)化的模型其損失函數(shù)值更小，Adam方法的損失函數(shù)值相比之下稍高，但采用Adam方法優(yōu)化的模型，其收斂速度比使用Momentum方法優(yōu)化模型的速度快。因此為了考慮運(yùn)行時(shí)間問題，在文中網(wǎng)絡(luò)模型中，優(yōu)化算法選用Adam。

本節(jié)設(shè)計(jì)的第二組實(shí)驗(yàn)用于驗(yàn)證提出的脈搏信號(hào)擴(kuò)增方法對(duì)于分類效果的影響。實(shí)驗(yàn)的具體設(shè)計(jì)步驟為：采用集合A和集合B按照上述方法的劃分，分別訓(xùn)練文中的深度殘差網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果如表1所示。

表1 文中方法在未擴(kuò)增數(shù)據(jù)集和擴(kuò)增數(shù)據(jù)集上的結(jié)果對(duì)比

由表1可知，在采用樣本集B訓(xùn)練的情況下，深度殘差網(wǎng)絡(luò)的分類識(shí)別結(jié)果要遠(yuǎn)遠(yuǎn)好于采用樣本集A訓(xùn)練的結(jié)果。分析原因是：ResNet是深層次網(wǎng)絡(luò)，需要的樣本集比較大，在樣本量充足的情況下，準(zhǔn)確率大幅度提高(對(duì)比采用樣本集A訓(xùn)練ResNet網(wǎng)絡(luò)和樣本集B訓(xùn)練ResNet網(wǎng)絡(luò))，若樣本量小，則訓(xùn)練不充足，不能達(dá)到最優(yōu)訓(xùn)練模型，所以結(jié)果不是特別理想。需要特別說明的是,對(duì)于采用集合B訓(xùn)練ResNet網(wǎng)絡(luò)和采用沒有擴(kuò)充的集合A相比，準(zhǔn)確率提升了將近10%，這說明，針對(duì)類似ResNet這樣深層次的網(wǎng)絡(luò)，充足的樣本集是模型訓(xùn)練的前提，也間接證明了文中提出的PSDCGAN網(wǎng)絡(luò)生成脈搏信號(hào)的有效性。

本節(jié)設(shè)計(jì)的第三組實(shí)驗(yàn)用于驗(yàn)證與其他傳統(tǒng)的脈搏信號(hào)亞健康檢測(cè)方法對(duì)比，文中方法的有效性。實(shí)驗(yàn)的具體設(shè)計(jì)步驟為：采用集合B按照上述方法的劃分，訓(xùn)練文中的深度殘差網(wǎng)絡(luò)，與現(xiàn)有的PCANet-SVM[16]方法相比，最終的實(shí)驗(yàn)結(jié)果如表2所示。

表2 文中方法和其他方法的結(jié)果對(duì)比

由表2的結(jié)果可知：與現(xiàn)有PCANet-SVM方法，文中方法在識(shí)別率的表現(xiàn)上更好，體現(xiàn)了多層網(wǎng)絡(luò)結(jié)構(gòu)特征提取方面的良好性能，驗(yàn)證了該方法的有效性。

4 結(jié)束語(yǔ)

目前，深度學(xué)習(xí)方法在圖像處理方面的研究取得了巨大的成功，但是在一維信號(hào)的研究應(yīng)用較少。文中首次將深度殘差網(wǎng)絡(luò)應(yīng)用于脈搏信號(hào)領(lǐng)域，針對(duì)數(shù)據(jù)樣本不足的問題，提出了一種基于生成式對(duì)抗網(wǎng)絡(luò)PSDCGAN用于對(duì)脈搏信號(hào)數(shù)據(jù)樣本進(jìn)行擴(kuò)增，為下一步使用深度學(xué)習(xí)方法研究脈搏信號(hào)亞健康提供了可能。其次針對(duì)傳統(tǒng)脈搏信號(hào)亞健康檢測(cè)方法存在識(shí)別率較低的缺點(diǎn)，提出一種適用于脈搏信號(hào)亞健康的深度殘差網(wǎng)絡(luò)檢測(cè)模型，與現(xiàn)有方法對(duì)比，可以取得更高的識(shí)別率，證明了深度殘差網(wǎng)絡(luò)在脈搏信號(hào)亞健康檢測(cè)領(lǐng)域的有效性。

不足之處在于，深度殘差網(wǎng)絡(luò)模型屬于深層次的框架模型，對(duì)于訓(xùn)練樣本需求很大，因此造成訓(xùn)練時(shí)間過長(zhǎng)，所以進(jìn)一步優(yōu)化訓(xùn)練時(shí)間是可以改進(jìn)的一個(gè)方向。