面向人體脈搏的特征提取及病理診斷方法

收稿日期：2023-04-27

DOI：10.19850/j.cnki.2096-4706.2023.21.010

摘" 要：采用集合經驗模態分解的功率歸一化倒譜系數（Power Normalized Cepstral Coefficients base on EEMD， EPNCC）作為人體脈搏時域的補充特征，把多周期人體脈搏信號的時域及EPNCC特征進行融合后，作為卷積神經網絡的輸入，開展人體脈搏特征的提取、識別及分類研究。采用從MIT-BIH-MIMIC數據庫得到的呼吸衰竭、肺水腫、心源性休克三種臨床脈搏信號，借助上述方法開展了實驗研究，實驗結果表明，脈搏特征識別及分類準確率達到95.7%，識別及分類效果較好。

關鍵詞：脈搏特征提取；功率歸一化倒譜系數；集合經驗模態分解；卷積神經網絡

中圖分類號：TP391" 文獻標識碼：A" 文章編號：2096-4706（2023）21-0040-04

Feature Extraction and Pathological Diagnosis Methods for Human Pulse

CHEN Guangxin， CHEN Haichu

（School of Mechatronic Engineering and Automation， Foshan University， Foshan" 528200， China）

Abstract： Using the Power Normalized Cepstral Coefficients base on EEMD （EPNCC） of Ensemble Empirical Mode Decomposition as a supplementary feature of the human pulse time domain， the time-domain and EPNCC features of multi cycle human pulse signals are fused as inputs to the Convolutional Neural Networks to carry out research on the extraction， recognition， and classification of human pulse features. Experimental research is conducted using three clinical pulse signals， namely respiratory failure， pulmonary edema， and cardiogenic shock， obtained from the MIT-BIH-MIMIC database. The experimental results shows that the accuracy of pulse feature recognition and classification reaches 95.7%， and the recognition and classification effect is good.

Keywords： pulse feature extraction; Power Normalized Cepstral Coefficient; Ensemble Empirical Mode Decomposition; Convolutional Neural Networks

0" 引" 言

號脈診療法在中醫領域是一種極為重要的病情診斷方法。人體脈搏信號往往蘊含著人體心臟、心血管疾病等重要信息，現階段人體脈搏信號主要應用在心率或血壓計算上，通過光電容積脈搏波（Photo Plethysmo Graphy， PPG）信號來估算心率。無論是中醫切脈還是西醫心血管疾病檢查，都試圖從脈搏波特征中提取各種生理病理信息。隨著傳感器技術的不斷發展，脈搏信號的成功采集對脈搏信號的分析起到了至關重要的作用。

文獻[1，2]中采用光電描記法設計脈搏采集電路實現對人體脈搏信號的有效獲取。文獻[3]中提出一種用于識別光電容積脈搏波特征點的自動識別算法，以較高的準確率搜尋到脈搏波的波峰點及波谷點。文獻[4，5]中分別以脈搏波的面積變化和四個特定點之間的斜率與周期作為脈搏特征進行脈搏波分析，能夠很好地反映心血管系統中的生理因素并找到最佳周期脈搏波，輔助醫生進行診斷。文獻[6]中通過PPG信號的一階和二階導數提取時域特征信號并根據特征對生物識別的貢獻進行排名，最后使用k-NN分類器進行驗證，平均準確率在90.7%左右。

1" 原理與方法

1.1" PNCC脈搏特征提取

本文采用基于改進EEMD的PNCC方法來獲取頻域特征。首先采用EEMD方法對脈搏周期信號進行分解，分解步驟如圖1所示。

脈搏信號經過分解后，可得到一系列的集合模態分量。通過對脈搏信號分解后的IMFS分量進行相關性研究，從中挑選出能夠表征人體脈搏信號的分征量。相關性分析能夠反映各IMF分征量與原始PPG信號的相干程度，相干系數表達式為：

其中，fx（i）表示第i個IMF分量；Sk（i）表示原始PPG信號與fx（i）的差值。通過設定合適的系數閾值篩選出對應的相干IMFS。

PPG信號經過集合經驗模態分解處理后，將分量排列并用矩陣IMFn = [imf1，imf2，…，imfn]表示。基于集合經驗模態分解改進的功率歸一化倒譜系數特征提取步驟如下：

1）估計IMFn中每個分量的功率譜。

2）經過功率譜計算后，將功率估計值輸入伽馬通濾波器中進行濾波處理。

3）伽馬通濾波器經過濾波后，對其進行功率歸一化處理。

4）對冪函數進行非線性處理，其表達式為Pow = ，?表示指數因子，一般選擇0＜?＜1。本文所設定的指數冪為1/15。

5）對經過非線性處理的信號進行離散余弦變換后，改進的功率歸一化倒譜特征系數可以表示為yn。

經過上述步驟后，可得到改進的功率歸一化倒譜系數的脈搏特征信息。后續將該特征作為補充特征與多周期時域特征進行融合，使得人體脈搏特征信號得以完整表征。

1.2" 脈搏時域特征提取

本文將采集到的脈搏信號分割為多周期形式作為數據樣本，選取脈搏周期樣本數據的個數為5[7，8]。把整個脈搏周期樣本用于表達時域變化，并用于與上述所得的基于EEMD的PNCC脈搏特征進行融合，輸入到卷積神經網絡中進行分析。

1.3" 脈搏時頻特征融合及網絡結構

搭建用于脈搏信號分類的卷積神經網絡，首先把頻域特征與時域特征進行混疊，作為卷積神經網絡的輸入，然后對混疊特征進行識別及分類，結構如圖2所示。

其中，圖2中的卷積模塊1、卷積模塊2均包含一個卷積層和一個池化層，每層參數如表1所示。

該方法對脈搏周期信號的時域特征和頻域特征進行歸一化處理及融合后，再輸入到卷積網絡中進行處理，最后將經過全連接層的輸出結果輸入到Softmax分類器進行人體脈搏特征分類。Softmax的表達式為：

其中，zk表示前級輸出單元的輸出，k表示類別的索引號，K表示總類別數。

在對脈搏波數據進行預處理后，將脈搏波的時域特征、頻域特征輸入到卷積神經網絡中進行特征訓練，采用Softmax分類器進行脈搏波分類，從而實現人體脈搏分類診斷。

脈搏特征分類在Softmax中分類輸出表示為：

其中，向量M僅在所對應脈搏分類類別處為1，文中采用[0，0，1]表示心源性休克臨床癥狀，[0，1，0]表示呼吸衰竭臨床癥狀，[1，0，0]表示CHF肺水腫臨床癥狀。

由于脈搏特征數據結構簡單，文中選取的網絡模型結構上僅由兩個卷積模塊、兩個全連接層組成。網絡訓練對于數據集的選取會有一定的影響，因此本文通過對原始脈搏分割處理得到的脈搏數據樣本共780組。對脈搏數據樣本進行隨機分配，其中70%作為訓練集，30%作為測試集。

2" 結果與討論

2.1" 數據獲取及預處理

脈搏數據來源于美國麻省理工學院提供的MIT-BIH-MIMIC數據庫中ICU重癥對應的三類臨床癥狀脈搏數據樣本，其中39例患者的臨床癥狀分為三類：16例為CHF肺水腫、10例為呼吸衰竭、13例為心源性休克。

脈搏數據集提取過程為：首先對截取的脈搏信號段進行波峰點搜尋，然后根據波峰點進行分組分割處理。波峰點搜尋采用MATLAB中的findpeaks函數，該函數能夠通過設定閾值及點間界限來獲取脈搏波形中的局部峰值。根據幅值設置閾值大小，例如，該處的脈搏信號最大峰值均在0.2以上，因此閾值設定為0.2，經過實驗驗證點間界限，設定為60僅能記錄出最大峰值點。

對脈搏原始數據進行分割，獲取20組脈搏PPG信號樣本，共計780組脈搏數據用于網絡模型構建，其中546組為訓練集，234組為測試集。分割后脈搏PPG樣本示例圖如圖3所示，脈搏PPG樣本EEMD分解示例圖如圖4所示。在脈搏信號經過EEMD分解及相干性處理后對其進行PNCC處理，得到EPNCC特征數據，如圖5所示。

2.2" 網絡仿真結果與分析

將多周期脈搏數據與經EEMD-PNCC法提取的脈搏特征融合輸入到網絡進行訓練及分類驗證。網絡超參數經過實驗后，最終選擇SGDM優化器來控制學習速度，初始學習率為0.01，學習率降低系數為0.7，最大迭代周期為50。對脈搏數據集進行訓練并對測試集進行驗證后得到如圖6所示的分類混淆矩陣數據圖。

此外，還對兩個單項目進行了實驗分析。所有實驗均采用546組脈搏數據作為訓練集，234組脈搏數據作為測試集，具體實驗結果如表2所示。

在表2中，每一行的實驗數據分別對應表2標題中的召回率、精確率及準確率數據。

為了凸顯本文方法所獲取結果的有效性，與采用相同數據庫脈搏進行分析的文獻進行了比對，具體如表3所示。

本文還針對其他分解方法進行了實驗比對分析，其中包括VMD-PNCC、CEEMD-PNCC、CEEMDAN-PNCC，得到的結果如表4所示。

其中，R表示召回率，P表示精確率。

由圖6混淆矩陣可知，通過將多周期脈搏信號與EPNCC處理的脈搏信號特征相融合，計算所得的分類識別準確率為95.7%。從圖6中可以看出三類臨床的脈搏對模型的敏感程度有些許差異，但基本都適應該模型的分類需求。分析表2可知，經過對比實驗后僅采用多周期脈搏特征或僅采用頻域特征進行識別分類時，各項指標均有所下降。脈搏信號特征大部分都在時域中進行表征，因此可以明顯看出，僅采用時域時的分類準確率要比僅采用頻域時高2.5%左右。而把EPNCC作為時域特征的補充，融合后進行分類的準確率要比僅采用時域特征時提高4.7%。因此可以看出，采用EPNCC與多周期脈搏融合能夠使人體脈搏特征表征得更加完整，差異性突顯更利于卷積神經網絡的分類識別。

由表3可知，文獻[7]中采用MFCC獲取頻域特征并與周期脈搏時域特征進行混疊，最后獲得93.75%的分類識別準確率。相比于文獻[7]脈搏信號特征，本文所用方法的識別準確率提高近2%。雖然識別準確率的提高僅有2%，但在數據輸入維度上，本文所用方法比文獻[7]降低了1/3.5。與文獻[8]相比分類準確率提高3.82%，數據輸入維度降低1/1.5。由表4可知，其他分解方法與PNCC結合所得的分類結果分別為78.6%、88.5%和82.1%。EPNCC所得的分類結果為88.5%，由此可知EPNCC與CEEMDAN-PNCC所得的分類識別準確率基本一致，均比VMD和CEEMD兩種分解方法所得的結果要好。由于EEMD與CEEMDAN分解所得的模態分量基本相同，所得的分類結果也基本相同，但CEEMDAN的計算過程比EEMD復雜，因此EPNCC滿足分類識別需求，更適于作為人體脈搏時域特征的補充。

3" 結" 論

文中采用EPNCC來提取人體脈搏特征，將其與多周期脈搏信號進行融合。時域和頻域混合的特征經過卷積神經網絡訓練及分類得到95.7%的準確率。經過EPNCC處理能夠很好地將人體脈搏微小特征放大，使得差異性更為明顯。但目前受限于脈搏數據的獲取途徑，僅針對心源性休克、呼吸衰竭、肺水腫三種癥狀脈搏數據展開實驗研究。雖然本文方法所得到的脈搏診斷模型局限性較大，但未來可通過遷移學習的方法予以完善和提升。

參考文獻：

[1] 陳斌.光電容積脈搏波描記法原理、應用及其電路設計 [J].電子技術與軟件工程，2014（18）：132-133.

[2] 胡凱麗，金杰，張瑞峰.稀疏恢復的梯度投影算法在PPG信號重建中的研究 [J].中國生物醫學工程學報，2017，36（5）：536-542.

[3] 李思楠，王素新.一種光電容積脈搏波的特征點自動識別算法 [J].醫用生物力學，2019，34（4）：358-364.

[4] 羅志昌，張松，楊文鳴，等.脈搏波波形特征信息的研究 [J].北京工業大學學報，1996（1）：71-79.

[5] CHEN H C，KUO S S，SUN S C，et al. A Distinguishing Arterial Pulse Waves Approach by Using Image Processing and Feature Extraction Technique [J].Journal of Medical Systems，2016，40（10）：215.

[6] KAVSAO?LU A R，POLAT K，BOZKURT M R. A novel feature ranking algorithm for biometric recognition with PPG signals [J].Computers in Biology and Medicine，2014，49：1-14.

[7] 劉國華，周文斌.基于卷積神經網絡的脈搏波時頻域特征混疊分類 [J].吉林大學學報：工學版，2020，50（5）：1818-1825.

[8] 郭成龍，陳海初，王志鋒.基于HHT的人體脈搏特征識別及分類研究 [J].電子測量技術，2021，44（19）：116-121.

作者簡介：陳廣新（1998—），男，漢族，廣東佛山人，碩士研究生在讀，主要研究方向：移動機器人、信號處理。