陳小杰+曹國華

摘要：該方法獨創(chuàng)性地在將機(jī)器學(xué)習(xí)用于心率數(shù)據(jù)挖掘，根據(jù)長時間采集的心率大數(shù)據(jù)建立該用戶的心律狀況評價函數(shù)，同時實時進(jìn)行動態(tài)反饋和修正，解決了從采集到的心率大數(shù)據(jù)中到心律狀況動態(tài)函數(shù)這一復(fù)雜多變量、強(qiáng)耦合、動態(tài)實時變化的偽隨機(jī)擬合問題。

【關(guān)鍵詞】心率 信號處理 機(jī)器學(xué)習(xí) 可穿戴預(yù)警系統(tǒng)

1 算法流程

首先給出本產(chǎn)品總的算法流程圖如圖1所示。

在本節(jié)中將詳細(xì)討論機(jī)器學(xué)習(xí)算法設(shè)計。當(dāng)數(shù)據(jù)由NRF51822芯片傳給APP時，首先APP需要采集大量的基礎(chǔ)數(shù)據(jù)，以便刻劃出該用戶的心律狀況圖譜即解算出該用戶的心律狀況函數(shù)，然后根據(jù)藍(lán)牙芯片傳輸?shù)臄?shù)據(jù)對該函數(shù)進(jìn)行實時反饋修正，從而當(dāng)用戶出現(xiàn)心律異常征兆時，能夠及時給出預(yù)警信息。接下來便詳細(xì)論述基于機(jī)器學(xué)習(xí)的心律狀況函數(shù)以及動態(tài)實時反饋修正算法的推導(dǎo)過程。

2 卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)

在作品難點與創(chuàng)新一節(jié)中己詳細(xì)論述了心率曲線數(shù)據(jù)的本質(zhì)是偽隨機(jī)數(shù)據(jù)，而心率曲線數(shù)據(jù)和刻劃心律健康狀況指標(biāo)的心律狀況函數(shù)可以看做是一個多變量、強(qiáng)耦合的動態(tài)非線性映射。本文采取基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)解決該問題。

假設(shè)數(shù)據(jù)采集頻率為N/S，則在一天之內(nèi)可以采集的數(shù)據(jù)為N*60*60*24=86400N個心率數(shù)據(jù)。假設(shè)N為0.5，3天之內(nèi)即可采集到百萬個數(shù)據(jù)，可見數(shù)據(jù)量已經(jīng)足夠了。為了敘述的方便，將等待被訓(xùn)練數(shù)據(jù)個體的長度設(shè)為M個，于是原問題簡化為從86400N/M個樣本中訓(xùn)練出最常見、出現(xiàn)頻率最高的樣本特征，換言之即從86400N/M個樣本中提取出最大特征公約數(shù)。當(dāng)采集到新的心率數(shù)據(jù)時，即可根據(jù)該算法判斷出該心率數(shù)據(jù)是否在最大特征公約數(shù)中，如果在，便說明心律并無異常，當(dāng)采集到的心率數(shù)據(jù)樣本偏離太多，即可證明該時問段內(nèi)心律出現(xiàn)異常，從而給出預(yù)警信息。該算法的層級結(jié)構(gòu)如圖2所示。

首先需要對輸入的心率數(shù)據(jù)樣本進(jìn)行前處理以去噪和得到更加有用的信息。本產(chǎn)品中所采取的預(yù)處理方法如圖3所示。

然后將心率輸入樣本進(jìn)行CNN機(jī)器學(xué)習(xí)算法的第一步卷積運算。卷積運算的本質(zhì)其實是將輸入數(shù)據(jù)和濾波矩陣filter進(jìn)行內(nèi)積。在CNN中，濾波器filter（帶著一組固定權(quán)重的神經(jīng)元）對局部輸入數(shù)據(jù)進(jìn)行卷積計算。每計算完一個數(shù)據(jù)窗口內(nèi)的局部數(shù)據(jù)后，數(shù)據(jù)窗口不斷平移滑動，直到計算完所有數(shù)據(jù)。這個過程中，有如下參數(shù)：

（1）深度depth：神經(jīng)元個數(shù)，決定輸出的depth厚度。同時代表濾波器個數(shù)：

（2）步長stride：決定滑動多少步可以到邊緣：

（3）填充值zero-padding：在外圍邊緣補(bǔ)充若干圈O，方便從初始位置以步長為單位可以剛好滑倒末尾位置，通俗地講就是為了總長能被步長整除。圖4便是其運算原理圖。

設(shè)輸入心率樣本數(shù)據(jù)為[a b；c d]，設(shè)置的濾波器組為[d e；fg]，則輸出為：

[yl y2；y3 y4]

其中：yl=ad+be+cf+dg

y2=bd+df；

y3=cd+de；

y4=dd；

當(dāng)數(shù)據(jù)經(jīng)過卷積層便進(jìn)入激勵層。本激勵層選用sigmoid函數(shù)，其功能是相當(dāng)于把一個實數(shù)壓縮至O到1之問。當(dāng)z是非常大的正數(shù)時，g（z）會趨近于1，而z是非常大的負(fù)數(shù)時，則g（z）會趨近于O。這樣一來便可以把激活函數(shù)看作一種“分類的概率”，比如激活函數(shù)的輸出為0.9的話便可以解釋為90%的概率為正樣本。

最后將這些數(shù)據(jù)經(jīng)過池化層，本池化層采取求最大值的方式。然后將該數(shù)據(jù)進(jìn)行復(fù)合輸出。整個流程已經(jīng)走完，剩下的便是讓所有樣本心率數(shù)據(jù)進(jìn)行迭代。建立該網(wǎng)絡(luò)神經(jīng)元，當(dāng)下一個樣本數(shù)據(jù)來臨時，便可給出其輸出值，根據(jù)輸出值即可判斷該樣本心率數(shù)據(jù)是否屬于該用戶該段時問內(nèi)正常的心律范圍內(nèi)。endprint