基于堆棧自編碼器的脈搏信號遠程監測技術研究

李思華，陳嬌花

（1.廣西貴港市人民醫院，廣西貴港 537100；2.上海中醫藥大學附屬第七人民醫院，上海 200137）

脈搏信號是一種重要的人體健康表征手段，其能夠準確反映心血管的生理變化，并可輔助臨床醫生分析正常和異常的心臟狀況。因此，脈搏信號對于遠程監控病人身體健康狀況具有重要的意義。目前流行的智能手表能夠通過光測量的方法對佩戴者的心率、運動狀態等進行簡單的判斷。然而其仍存在分析可信度低的問題，且無法適用于人體健康遠程監控的應用場景。

基于上述問題的分析，該文研究了一種脈搏信號遠程監控技術，其集成了嵌入式數據檢測、信號采集與基于堆棧自編碼器的數據處理算法。同時聯動醫療團隊，便于及時發現病情，并提升醫療效率。

1 脈搏監控平臺設計

文中設計的脈搏監控平臺由動脈脈搏檢測器、心音圖儀和心電圖儀組成，脈搏監控框架如圖1 所示，程序流程圖如圖2 所示。

圖1 脈搏監控框架

圖2 程序流程圖

所提設計通過使用Arduino Nano 嵌入式芯片收集參數，并向個人計算機發送該數據以實現進一步分析。嵌入式芯片與個人計算機通過RS232 串行通信。

1.1 信號采集器設計

該文選用的信號采集器如圖3 所示。其采用前置放大器電路設計，并使用電容傳感器來挖掘信號，而經過兩倍放大的電容傳感器釋放的輸出電壓仍較小，所以選用反相增強電路作為放大器電路[1]。

圖3 信號采集器

1.2 儀表放大器設計

由于傳感器采集的人體信號較為微弱，且需要對其進行處理，故選用儀表放大器對三路信號進行放大[2]。信號放大器的輸出信號中仍存在海量噪聲，這將在后續步驟進行消除。儀表放大器的增益G計算公式如下：

其中，R是運算放大器中的反饋電阻，Ra是用于調整增益的主要電阻。

1.3 隔離放大器設計

為防止受試者遭到電擊，采集電路利用光耦合器進行隔離。當光電二極管接收到正振幅時，則LED 驅動光電晶體管，光電晶體管將處于飽和狀態。此時，隔離放大器的輸出電壓將接近正值；反之，當光電二極管接收到負幅值時，晶體管截止，隔離放大器的輸出電壓為負值[3]。

1.4 陷波濾波器設計

由1.2 節可知，主信號中仍存在噪聲[4]，因此使用陷波濾波器抑制50 Hz 的市電頻率來進行降噪處理。陷波濾波器的截止頻率計算如下：

其中，Rf是運算放大器中的反饋電阻，Rin是輸入電阻。

1.5 高通濾波器設計

為了抑制采集信號中的低頻噪聲，設計了如圖4所示的二階高通濾波器。二階高通濾波器的增益可使用下式進行計算：

圖4 高通濾波器

其中，ω是信號頻率角速度，R是電阻值，C是電容值。

1.6 求和放大器設計

求和放大器如圖5 所示，電路的輸出可用式（5）進行計算[5]：

圖5 求和放大器

其中，Rf是運算放大器中的反饋電阻，Rg是接地電阻。

2 堆棧自編碼分析算法

2.1 信號復包絡譜計算

解析脈搏信號由實信號及其希爾伯特變換組成[6-7]。定義x(t)是一個時域信號，其希爾伯特變換以及一個新的時域信號a(t)，稱為解析信號，可用下式表示：

使用傅里葉變換生成信號的復包絡頻譜，并取其絕對值，從而用于下一步的堆棧自編碼器信號處理[6]。

2.2 稀疏化堆棧自編碼器設計

采用正則化項，將稀疏約束引入自編碼器的成本函數[8]。而此次選取的正則化項是衡量神經元平均輸出激活值的函數，有助于避免過擬合問題[9]。引入稀疏性和權重正則化后的正則化代價函數可表示為：

其中，α表示L2正則化系數，β是稀疏正則化系數[10]。在自編碼器的訓練過程中，通過增加權重W，降低稀疏正則化項的值。該數值下降可通過在成本函數中引入L2正則化來解決，具體算法如式（8）所示：

其中，N、m和k分別表示輸入數據中的隱藏層數[11]，式（7）中的稀疏化程度Ψsparsity如式（9）所示：

通過上式計算兩個分布之間的差異，實現對散度的映射：若兩個分布相等，則隨著分布彼此發散而散度增加。在自編碼器的成本函數最小化時，Ψsparsity必須盡可能小，即兩個被估計變量v與激活變量越接近。激活變量可以定義為：

其中，xj為系統輸入，為權重，為偏置參數，m為網絡層數。當所有稀疏自動編碼器能實現單獨訓練，即可堆疊起來形成三層深度神經網絡[12]。在每個隱藏層中，通過稀疏正則化項將稀疏引入網絡；自動編碼器通過無監督學習過程提取有用的特征[13]；然后使用反向傳播，結合標準梯度下降算法對深度神經網絡進行微調[14-16]。

3 實驗驗證

為了對文中設計的測量電路、堆棧自編碼分析算法進行分析，使用連接到頸部表面頸動脈的壓電傳感器測量脈搏。測量電路基于Arduino Nano 微控制器，并使用USB 向搭載有分析算法的個人電腦發送脈搏信號等數據。實驗共測量了15 名測試對象的頸動脈脈搏信號與心音信號，其中一組頸動脈數據如圖6 所示。

圖6 頸動脈數據

圖7 給出了從不同被測對象的復包絡譜中提取的特征散點圖。其中，A 表示正常數據，B、C、D 分別表示不同類的缺陷信號。圖7 的結果表明，自動編碼器能從復雜包絡譜中提取不同類別的特征，并實現顯著區分及單獨聚類，從而大幅增強了其信號數據的分析能力。

圖7 特征散點圖

基于堆棧自編碼器的數據分析算法，使用去噪自編碼器開發2 個單層深度神經網絡。原始脈搏信號被用作輸入，且被分成200 個窗口大小的樣本，并將其輸入深度神經網絡DNN 進行故障診斷。給定脈搏的復雜包絡譜中，能級的變化和缺陷頻率的存在使異常模式更加多樣化，自編碼器能夠有效挖掘不同狀態下的信號狀態。

除了穩態機制以外，堆棧自編碼器與兩種類似算法的比較如圖8 所示。從圖中可以看出，與其他兩種算法相比，當使用來自每個故障類別的子樣本進行訓練網絡時，該文算法具有較好的結果。值得注意的是，由于采用的數據集和網絡訓練集的相似度很高，因此該文算法的準確率為100%。

圖8 算法準確性對比

對15 名測試對象進行6 次測試后的頸動脈脈搏的重搏切跡與心音描記器的測量結果如表1 所示。分析表1 的數據可知，所提算法對于每分鐘心跳次數（BPM）的測量最大絕對值的誤差值為-2.42%，此誤差遵循±5%的允許差限值。被測對象的心音描記器S2 信號和重搏切跡之間的間隔平均值為0.038 s。

表1 頸動脈脈搏與心音描記器實驗數據

4 結束語

為了實時監測受試者的頸動脈脈搏信號、心電圖與心音圖等信息，該文深入研究了脈搏信號的遠程監控應用技術。同時，為了對經過傳輸的信號進行降噪處理，使用自編碼器技術訓練了深度神經網絡，并對信號進行了準確分類。未來，該研究還能夠輔助醫療機構遠程實時地監控病人的身體健康情況，并進一步使用大數據分析手段進行身體狀況預測，以實現精準的智能醫療。