甄鵬華，韓玉冰

(齊魯工業(yè)大學(xué)(山東省科學(xué)院)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東 濟(jì)南250353)

0 引言

邊緣智能是十分新穎的研究領(lǐng)域，它集合了邊緣計(jì)算和人工智能的優(yōu)勢(shì)，能夠以較低的資源消耗和較快的運(yùn)行速度提供較為精確的分析結(jié)果[1-2]。邊緣設(shè)備及邊緣計(jì)算也是分析心電信號(hào)常用的方法。

然而傳統(tǒng)的心電信號(hào)分類研究是針對(duì)大量樣本進(jìn)行的單純分類研究，并不適用于實(shí)時(shí)小樣本分析的邊緣智能場(chǎng)景。這是由于傳統(tǒng)研究通常是基于大量有完善的位置標(biāo)記的樣本，在處理過程中依賴樣本數(shù)量進(jìn)行特定的處理。在邊緣智能場(chǎng)景中，預(yù)測(cè)過程中心電信號(hào)是實(shí)時(shí)產(chǎn)生的，且要求產(chǎn)生一條數(shù)據(jù)即分析一條數(shù)據(jù)，以滿足實(shí)時(shí)性的要求，上述基于樣本數(shù)量的處理方法無法實(shí)現(xiàn)。

為此，本文提出了一種可行的心電信號(hào)處理方法，主要是信號(hào)的預(yù)處理(Preprocessing)方法，并為其搭配適當(dāng)?shù)娜斯ぶ悄苣Ｐ汀?shí)驗(yàn)驗(yàn)證結(jié)果表明，該心電信號(hào)處理方法具有一定的實(shí)用性，能夠在一定程度上滿足邊緣智能場(chǎng)景的要求。

1 心電信號(hào)基本概念

心電圖是利用心電圖儀從體表記錄心臟每一心動(dòng)周期所產(chǎn)生的電活動(dòng)變化圖形，心拍的波表示了心臟各部位的興奮傳導(dǎo)變化情況，是非常重要的特征，可以向醫(yī)護(hù)工作者傳遞重要的生理信息[3]。

根據(jù)美國醫(yī)療儀器促進(jìn)協(xié)會(huì)(The Association for the Advancement of Medical Instrumentation，AAMI)的ANSI/AAMI EC57:2012標(biāo)準(zhǔn)[4]，心拍可以分為五大類，如表1所示。

表1 AAMI心拍分類標(biāo)準(zhǔn)

心臟搏動(dòng)頻率或節(jié)奏的異?？赡軙?huì)導(dǎo)致多種常見的心血管疾病，例如心率失常。上述心拍分類中，除N類別外，其余類別均不能排除心率失常疾病的可能性。心率失常若沒有得到及時(shí)有效的治療，有可能會(huì)導(dǎo)致人死亡。

由美國麻省理工學(xué)院(Massachusetts Institute of Technology，MIT)提供的MIT-BIH心電數(shù)據(jù)庫[5]是用于研究心率失常的數(shù)據(jù)庫，也是國際上公認(rèn)的可作為標(biāo)準(zhǔn)的三個(gè)心電數(shù)據(jù)庫之一。

2 心電信號(hào)的預(yù)處理

信號(hào)的預(yù)處理包含數(shù)據(jù)集的劃分、數(shù)據(jù)樣本的分段、數(shù)據(jù)樣本的平衡處理和信號(hào)的降噪處理。

2.1 數(shù)據(jù)集的劃分

神經(jīng)網(wǎng)絡(luò)模型使用的數(shù)據(jù)需要?jiǎng)澐譃橛?xùn)練集和測(cè)試集。在心電信號(hào)分類的相關(guān)研究中，通常有以下兩種數(shù)據(jù)集的劃分方式：

(1)患者內(nèi)(Intra-Patient)。即訓(xùn)練集和測(cè)試集中的數(shù)據(jù)絕大多數(shù)甚至完全來自同一個(gè)或一組患者。

(2)患者間(Inter-Patient)。即嚴(yán)格遵守訓(xùn)練集和測(cè)試集中的數(shù)據(jù)來自不同的患者的規(guī)定。

為了能夠真實(shí)地模擬邊緣智能環(huán)境下的心電信號(hào)分類，應(yīng)當(dāng)采用“患者間”的數(shù)據(jù)集劃分方式，將MIT-BIH數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。采用AAMI推薦的“患者間”的分組方式將數(shù)據(jù)集分為DS1、DS2兩組，DS1作為訓(xùn)練集用于訓(xùn)練模型，DS2作為測(cè)試集用于測(cè)試模型。在邊緣智能環(huán)境下的心電信號(hào)分類研究中，DS1所代表的訓(xùn)練集可以理解為邊緣智能系統(tǒng)部署時(shí)使用的最早期訓(xùn)練數(shù)據(jù)，DS2所代表的測(cè)試集可以理解為在邊緣智能系統(tǒng)運(yùn)行中，物聯(lián)網(wǎng)終端(即心電圖儀)持續(xù)產(chǎn)生的數(shù)據(jù)。

2.2 數(shù)據(jù)樣本的分段

對(duì)于一整條心電信號(hào)數(shù)據(jù)來說，需要將其劃分為若干個(gè)不同標(biāo)記的數(shù)據(jù)樣本片段，心電信號(hào)分類研究主要依靠以下兩種數(shù)據(jù)樣本分段方式[6-8]：

(1)直接標(biāo)記利用方式。即直接利用數(shù)據(jù)庫中由醫(yī)學(xué)專家人工標(biāo)記的QRS波群位置標(biāo)記，將一個(gè)QRS波群及前后一定采樣點(diǎn)(通常是能夠包含一個(gè)或兩個(gè)完整的心拍的采樣點(diǎn))的數(shù)據(jù)作為一個(gè)樣本。

(2)心拍定位檢測(cè)方式。即利用QRS波群檢測(cè)算法來定位各個(gè)心拍在整條數(shù)據(jù)上的位置，再將一個(gè)QRS波群及前后一定采樣點(diǎn)(要求同上)的數(shù)據(jù)作為一個(gè)樣本。

這是兩種最常用的心電信號(hào)數(shù)據(jù)樣本的分段方式，然而，這兩種方式并不能很好地應(yīng)用在邊緣智能場(chǎng)景中，原因分別如下：

(1)對(duì)于直接標(biāo)記利用方式，其在單純的分類研究上是可行的，但在邊緣智能場(chǎng)景中，數(shù)據(jù)不是已經(jīng)生成好的，而是持續(xù)不斷生成的，要將數(shù)據(jù)實(shí)時(shí)處理為規(guī)范的樣本，相當(dāng)于時(shí)刻需要人工干預(yù)來添加QRS波群位置標(biāo)記，這顯然是不可能的。

(2)對(duì)于心拍定位檢測(cè)方式，其在邊緣智能場(chǎng)景中，需要一個(gè)時(shí)刻運(yùn)行的QRS波群檢測(cè)算法，這將消耗更多的計(jì)算資源和花費(fèi)額外的時(shí)間，這與邊緣智能的初衷相違背。其次，該方式依賴于QRS波群檢測(cè)算法的精確度，由于個(gè)體身體情況存在差異，特別是患者的心率更加不規(guī)律，QRS波群定位總會(huì)存在偏差，這會(huì)影響后續(xù)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)。

為此，需要一種更加適用于邊緣智能場(chǎng)景的數(shù)據(jù)樣本分段方式。文獻(xiàn)[9]提出了一種對(duì)信號(hào)直接切片的方式，其將心電信號(hào)直接切分為每段5 s的片段，直接利用與QRS波群無關(guān)的分段片段進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)。這種分段方式十分適用于心電信號(hào)實(shí)時(shí)監(jiān)測(cè)的邊緣智能場(chǎng)景。對(duì)于神經(jīng)網(wǎng)絡(luò)模型來說，采用這種切片方法，還具有以下優(yōu)點(diǎn)：

(1)分段方式簡單，速度極快，非常適合于邊緣智能環(huán)境中將數(shù)據(jù)快速預(yù)處理后進(jìn)行預(yù)測(cè)的需求。

(2)數(shù)據(jù)不需要定位QRS波群及心拍位置，減少神經(jīng)網(wǎng)絡(luò)模型對(duì)心電數(shù)據(jù)形式的依賴。

(3)由于信號(hào)片段中QRS波群及心拍出現(xiàn)的位置和數(shù)量不固定，能夠減少訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型對(duì)此的敏感性，提高模型的泛化性。

通過這種方式獲得的一個(gè)數(shù)據(jù)樣本中可能存在多個(gè)心拍，為此采用了以下規(guī)則來標(biāo)記片段的標(biāo)簽：

(1)當(dāng)片段中全部心拍類型為正常心拍，不存在任何類型的異常心拍時(shí)，該片段標(biāo)記為正常類型；

(2)當(dāng)片段中存在異常心拍時(shí)，將片段中出現(xiàn)數(shù)量最多的異常類型標(biāo)記為該片段的類型；

(3)當(dāng)片段中存在多類且數(shù)目相同的異常心拍時(shí)，以最先出現(xiàn)的異常類型作為該片段的異常類型。

容易分析，邊緣智能場(chǎng)景下的心電信號(hào)分類結(jié)果的接收者(即醫(yī)護(hù)人員)最關(guān)心的是患者實(shí)時(shí)的心率情況，即患者此刻是否心率正常，若不正常，是哪種類型異常心率的可能性最高。基于這種考慮，這種注釋標(biāo)記方式在一定程度上能夠滿足需要。

考慮到神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，這種規(guī)則仍有缺陷，其可能使得部分異常心拍被隱藏，這取決于片段的長度，若片段長度過長，則被隱藏的心拍類型越多，標(biāo)簽越不準(zhǔn)確；但如果片段的長度太短，則包含信息太少，可能存在標(biāo)記的類型出現(xiàn)嚴(yán)重錯(cuò)誤的情況。無論片段過長還是過短，都會(huì)使片段的特征和標(biāo)簽對(duì)應(yīng)關(guān)系減弱，因此文獻(xiàn)[9]采用的片段長度為5 s這一設(shè)定可能并不恰當(dāng)。

為此，需要通過實(shí)驗(yàn)來確定最佳的片段長度。以450采樣點(diǎn)(1.25 s)為一個(gè)間隔劃分為8組不同的數(shù)據(jù)樣本。一般地，1.25 s能夠包含至少一個(gè)完整的心拍。采用這種分段間隔進(jìn)行多組對(duì)比實(shí)驗(yàn)，可以有效地測(cè)試不同分段長度下的分類效果。

2.3 數(shù)據(jù)樣本的平衡

在MIT-BIH心電數(shù)據(jù)庫中，各類心拍的數(shù)量本就相差甚遠(yuǎn)，在將心電信號(hào)數(shù)據(jù)分段為數(shù)個(gè)數(shù)據(jù)樣本并重新對(duì)數(shù)據(jù)樣本生成標(biāo)簽后，由于部分心拍的注釋標(biāo)記存在被隱藏的可能，特別是數(shù)據(jù)樣本分段的長度也會(huì)影響每段的標(biāo)簽，數(shù)據(jù)集中的數(shù)據(jù)樣本類別不平衡問題將更加嚴(yán)重。按不同長度進(jìn)行分段后DS1數(shù)據(jù)集的類別標(biāo)簽的分布情況如表2所示。

數(shù)據(jù)樣本的不平衡會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練難以擬合，因此有必要對(duì)分段后的數(shù)據(jù)樣本進(jìn)行類別的平衡處理。由表2可見，分段長度不同，標(biāo)簽類別的分布差異也很大。不同的分段長度中，數(shù)據(jù)集都存在一定的不平衡問題。數(shù)據(jù)集尤其是訓(xùn)練集的極度不平衡可能會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)無效甚至網(wǎng)絡(luò)不收斂。為了解決這個(gè)問題，需要擴(kuò)充樣本數(shù)量較少的類型的樣本。常用的擴(kuò)充方法有以下兩種：

表2 各類別的標(biāo)簽分布情況

(1)欠采樣。欠采樣是指丟棄樣本數(shù)量較多的類別中的大量數(shù)據(jù)，以達(dá)到數(shù)據(jù)集的平衡。

(2)過采樣。過采樣是指重復(fù)樣本數(shù)量較小的類別中的數(shù)據(jù)，以達(dá)到數(shù)據(jù)集的平衡。

這兩種方法都存在缺點(diǎn)。欠采樣會(huì)丟棄大量寶貴的數(shù)據(jù)，而在DS1數(shù)據(jù)集中數(shù)據(jù)樣本類別的不平衡狀況已比較嚴(yán)重，若再丟棄大量數(shù)據(jù)，會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型不收斂；過采樣會(huì)使得樣本數(shù)量少的類別的數(shù)據(jù)大量重復(fù)，會(huì)放大其中的噪聲對(duì)神經(jīng)網(wǎng)絡(luò)模型的影響，導(dǎo)致過擬合問題。因此需要一種新的數(shù)據(jù)擴(kuò)充方式。

基于心電信號(hào)數(shù)據(jù)的數(shù)據(jù)樣本分段方式，采用一種片段重疊的方式來擴(kuò)充數(shù)據(jù)。即對(duì)樣本數(shù)量少的類別的相鄰片段間互相重疊采樣，以此采集更多的樣本。與欠采樣相比，這樣處理能夠保留大量數(shù)據(jù)，保證神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練質(zhì)量；與過采樣相比，這樣處理得到的新樣本同原樣本之間存在差異，可以防止噪聲對(duì)神經(jīng)網(wǎng)絡(luò)模型的影響。以樣本數(shù)量最多的類別的數(shù)量為基準(zhǔn)，對(duì)其余片段進(jìn)行重疊，則其余片段的重疊區(qū)間長度如式(1)所示：

式中，l表示重疊的長度，?」表示向下取整運(yùn)算，L表示數(shù)據(jù)樣本片段的長度，n表示該類別的樣本數(shù)目，N表示樣本數(shù)量最多的類別的樣本數(shù)目。

通過上述處理，相當(dāng)于該類別下每個(gè)片段進(jìn)行了步長一定的重疊重復(fù)。數(shù)據(jù)樣本重復(fù)步長的計(jì)算如式(2)所示：

式中，sp表示數(shù)據(jù)樣本重復(fù)步長，「?表示向上取整運(yùn)算，n表示該類別的樣本數(shù)目，L表示數(shù)據(jù)樣本片段的長度，N表示樣本數(shù)量最多的類別的樣本數(shù)目。

由于數(shù)據(jù)樣本片段長度和數(shù)量的限制，片段的重復(fù)次數(shù)是一定的。這個(gè)重復(fù)次數(shù)的計(jì)算如式(3)所示：

式中，olp表示重復(fù)次數(shù)，L表示數(shù)據(jù)樣本片段的長度，sp表示數(shù)據(jù)樣本重復(fù)步長。

在進(jìn)行了上述數(shù)據(jù)樣本的平衡處理后，DS1數(shù)據(jù)集的類別標(biāo)簽的分布情況如表3所示。

表3 數(shù)據(jù)平衡后各類別的標(biāo)簽分布情況

由表3可知，DS1數(shù)據(jù)集的數(shù)據(jù)樣本類別的平衡問題得到了較好的處理。無論片段長度長還是短，N類、S類、V類和F類的數(shù)據(jù)樣本量基本一致，Q類的數(shù)據(jù)樣本量距其他樣本仍有差距，但在MITBIH心電數(shù)據(jù)庫中，Q類的心拍極少，為防止神經(jīng)網(wǎng)絡(luò)模型在擬合上出現(xiàn)問題，不再對(duì)Q類的數(shù)據(jù)樣本進(jìn)行進(jìn)一步的擴(kuò)充處理。

DS2數(shù)據(jù)集作為測(cè)試集，其數(shù)據(jù)樣本類別的不平衡不會(huì)影響神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，不做數(shù)據(jù)樣本類別平衡處理。

2.4 信號(hào)的降噪處理

對(duì)于神經(jīng)網(wǎng)絡(luò)的輸入，通常具有一些不能反映相關(guān)特征，甚至?xí)蓴_相關(guān)特征呈現(xiàn)的內(nèi)容，即噪音(Noise)。由于這些噪音的存在，信號(hào)會(huì)具有大量無規(guī)則的波動(dòng)，影響神經(jīng)網(wǎng)絡(luò)模型的性能。一般地，這些噪音的波段頻率較為固定，可以通過一定的方法將其濾除，并保留能夠體現(xiàn)相關(guān)特征的波段頻率信號(hào)，使處理過的信號(hào)更能清晰地體現(xiàn)原有信號(hào)所包含的意義，這一降噪過程是通過濾波技術(shù)實(shí)現(xiàn)的。經(jīng)過濾波降噪的信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸入，可以大幅提升神經(jīng)網(wǎng)絡(luò)模型的性能。

人體的心電信號(hào)通常十分微弱，通過心電圖儀采集的心電信號(hào)容易受到各種因素的干擾而產(chǎn)生噪音。為此通常需要對(duì)心電信號(hào)進(jìn)行濾波降噪處理[10]。小波變換是一種常用的濾波方法，如式(4)所示：

式中，α表示尺度因子(Scale)，τ表示平移量(Translation)，ψ表示基本小波，t表示時(shí)間。

采用小波變換濾波的方式對(duì)心電信號(hào)進(jìn)行處理，應(yīng)用Daubechies小波族中的db5小波作為小波基函數(shù)，將原始信號(hào)進(jìn)行九級(jí)小波分解，由高頻信號(hào)至低頻信號(hào)分別為D1～D9，最后剩余的信號(hào)為A9，將高頻信號(hào)D1和D2視為噪音，將其置為零，再將D1～D9信號(hào)和A9信號(hào)重組作為新的心電信號(hào)。降噪前后的心電信號(hào)波形分別如圖1(a)和圖1(b)所示。

圖1 心電信號(hào)降噪前后波形對(duì)比

由圖1可以觀察出，降噪前的心電信號(hào)波形存在大量不規(guī)則的顫動(dòng)，即噪音。降噪后的心電信號(hào)波形在完整保留心電信號(hào)正常振幅走勢(shì)的同時(shí)變得更加光滑。事實(shí)上，如果是面向單純的心電信號(hào)分類研究，仍可以繼續(xù)對(duì)信號(hào)進(jìn)行進(jìn)一步處理，例如主成分分析法(Principal Component Analysis，PCA)，以滿足神經(jīng)網(wǎng)絡(luò)模型對(duì)性能的更高要求。然而考慮到很多方法一般都依賴于樣本數(shù)量，因此這些方法并不適用于邊緣智能環(huán)境。在一個(gè)實(shí)際的心電信號(hào)監(jiān)測(cè)的邊緣智能場(chǎng)景中，要求產(chǎn)生一個(gè)信號(hào)片段就要分析一個(gè)信號(hào)片段，數(shù)據(jù)樣本的預(yù)處理是單個(gè)獨(dú)立的，完全無法依賴樣本數(shù)量，同時(shí)，復(fù)雜的處理會(huì)產(chǎn)生更高的延遲，與邊緣智能的初衷相悖。為此，僅使用小波變換濾波處理信號(hào)，對(duì)DS1數(shù)據(jù)集和DS2數(shù)據(jù)集處以相同的處理。

3 實(shí)驗(yàn)

在對(duì)心電信號(hào)進(jìn)行了相應(yīng)的預(yù)處理之后，進(jìn)行實(shí)驗(yàn)驗(yàn)證其有效性，并根據(jù)實(shí)驗(yàn)確定最佳的數(shù)據(jù)樣本的分段長度。

3.1 神經(jīng)網(wǎng)絡(luò)模型

本實(shí)驗(yàn)的初步驗(yàn)證采用一維卷積神經(jīng)網(wǎng)絡(luò)模型，具體參數(shù)如表4所示。

表4 一維卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)

這是一個(gè)簡單的、經(jīng)典的一維卷積神經(jīng)網(wǎng)絡(luò)模型，其目的是驗(yàn)證心電信號(hào)的預(yù)處理的有效性，并確定最佳的數(shù)據(jù)樣本分段長度。

3.2 實(shí)驗(yàn)結(jié)果

評(píng)判神經(jīng)網(wǎng)絡(luò)性能的指標(biāo)主要有準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1分?jǐn)?shù)(F-score)。

對(duì)于作為測(cè)試集的DS2數(shù)據(jù)集，其數(shù)據(jù)樣本是非常不平衡的。在數(shù)據(jù)樣本不平衡的多分類研究中，對(duì)于占比大的類別預(yù)測(cè)正確的多少能夠直接影響準(zhǔn)確率的高低，即占比大的類別成為了影響準(zhǔn)確率的最主要因素，因此不宜采用準(zhǔn)確率作為判斷標(biāo)準(zhǔn)。

精確率、召回率和F1分?jǐn)?shù)的計(jì)算分別如式(5)～式(7)所示：

式中，TP表示正樣本被預(yù)測(cè)為正類的數(shù)量，F(xiàn)P表示負(fù)樣本被預(yù)測(cè)為正類的數(shù)量，F(xiàn)N表示正樣本被預(yù)測(cè)為負(fù)類的數(shù)量。

各評(píng)價(jià)指標(biāo)對(duì)樣本數(shù)量取加權(quán)平均數(shù)的結(jié)果隨信號(hào)片段長度的變化如圖2所示。

圖2 評(píng)價(jià)指標(biāo)隨信號(hào)片段長度的變化

由實(shí)驗(yàn)結(jié)果可知，數(shù)據(jù)樣本片段長度在1 350采樣點(diǎn)時(shí)穩(wěn)定性最強(qiáng)，召回率最高，精確率亦在較高水平。分析可得，當(dāng)數(shù)據(jù)樣本片段長度較短時(shí)，樣本之間差異較明顯，預(yù)測(cè)出的陽性樣本中真陽性樣本占比高，精確率高；但過低的數(shù)據(jù)樣本片段長度，相同標(biāo)簽類別樣本之間的差異也較明顯，正樣本被識(shí)別的概率低，召回率并不能達(dá)到最高；當(dāng)數(shù)據(jù)樣本片段長度適中時(shí)，不同樣本之間仍能具有明顯差異，且相同標(biāo)簽類別樣本之間的差異縮小，訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型對(duì)正樣本更易識(shí)別，召回率較高；當(dāng)數(shù)據(jù)樣本片段長度過長時(shí)，樣本體現(xiàn)的特征不明顯，且標(biāo)簽?zāi)：?，神?jīng)網(wǎng)絡(luò)模型性能較差。

一般地，若發(fā)生正樣本被預(yù)測(cè)為負(fù)類的情況，其成本代價(jià)很高，后果較為嚴(yán)重，為避免產(chǎn)生這種情況，應(yīng)該著重考慮提高召回率指標(biāo)。就心電信號(hào)實(shí)時(shí)監(jiān)測(cè)場(chǎng)景而言，非N類心拍被識(shí)別為N類心拍所帶來的后果非常嚴(yán)重，因此選擇追求更高的召回率更為合理。通過本實(shí)驗(yàn)可以得出，在數(shù)據(jù)樣本片段長度在1 350采樣點(diǎn)時(shí)，召回率最高，同時(shí)F1分?jǐn)?shù)亦最高，因此認(rèn)為該長度為最佳長度。

為了更進(jìn)一步地驗(yàn)證該處理方法的有效性，選用文獻(xiàn)[11]提出的卷積神經(jīng)網(wǎng)絡(luò)模型，并使用通過該預(yù)處理方法處理后的數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練和預(yù)測(cè)，數(shù)據(jù)樣本片段長度設(shè)定為1 350采樣點(diǎn)，為了使模型能夠正常運(yùn)行，模型的輸入層根據(jù)該預(yù)處理方法的要求進(jìn)行了調(diào)整。

在與同樣應(yīng)用MIT-BIH心電數(shù)據(jù)庫，并同樣采用AAMI的患者間分組方式進(jìn)行數(shù)據(jù)集劃分的研究對(duì)比，得出各項(xiàng)性能指標(biāo)如表5所示。

表5 患者間分組實(shí)驗(yàn)橫向?qū)Ρ?/p>

實(shí)驗(yàn)結(jié)果顯示，應(yīng)用這種心電信號(hào)處理方式來訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的性能能夠達(dá)到同類相關(guān)研究的水平。亦有大量心電信號(hào)分類研究采用患者內(nèi)分組方式，在采用患者內(nèi)分組方法進(jìn)行數(shù)據(jù)集的劃分后，得出的各項(xiàng)性能指標(biāo)如表6所示。

表6 患者內(nèi)分組實(shí)驗(yàn)橫向?qū)Ρ?/p>

可見，與其他研究所得的結(jié)果相比，通過本文提出的預(yù)處理方法得出的結(jié)果，各性能指標(biāo)處于同等數(shù)量級(jí)，部分情況下性能指標(biāo)更加優(yōu)異，說明該預(yù)處理方法的可用性和有效性較好。

4 心率監(jiān)測(cè)系統(tǒng)仿真

健康監(jiān)測(cè)是最適合于邊緣智能的使用場(chǎng)景之一。文獻(xiàn)[17]提出了一種輕量級(jí)邊緣智能框架，該框架基于“物聯(lián)網(wǎng)終端-網(wǎng)關(guān)邊緣-云端”的結(jié)構(gòu)，可用于基于心電圖的心率監(jiān)測(cè)。

4.1 系統(tǒng)設(shè)計(jì)

該心率監(jiān)測(cè)系統(tǒng)的軟件架構(gòu)形成的基本類圖(Class Diagram)如圖3所示。

圖3 心率監(jiān)測(cè)系統(tǒng)基本類圖

在該心率監(jiān)測(cè)系統(tǒng)的運(yùn)行過程中，其軟件架構(gòu)模型共包括以下三個(gè)不同的運(yùn)行時(shí)序：

(1)初始訓(xùn)練時(shí)序。為了向邊緣節(jié)點(diǎn)提供初始的人工智能模型，需要在云端上使用一些歷史數(shù)據(jù)進(jìn)行訓(xùn)練，以滿足邊緣節(jié)點(diǎn)最初的服務(wù)能力。

(2)預(yù)測(cè)時(shí)序。將物聯(lián)網(wǎng)終端作為數(shù)據(jù)源，持續(xù)進(jìn)行患者心率情況的分析，并將分析結(jié)果通過網(wǎng)關(guān)節(jié)點(diǎn)呈現(xiàn)給用戶。

(3)更新模型時(shí)序。邊緣節(jié)點(diǎn)將數(shù)據(jù)發(fā)送至云端，以供其改進(jìn)人工智能模型，云端會(huì)將模型返回更新至邊緣節(jié)點(diǎn)。

在該心率監(jiān)測(cè)系統(tǒng)運(yùn)行后，其軟件架構(gòu)模型運(yùn)行的基本順序圖(Sequence Diagram)如圖4所示。

圖4中，數(shù)據(jù)源同時(shí)表示初始?xì)v史數(shù)據(jù)源和物聯(lián)網(wǎng)終端數(shù)據(jù)源，時(shí)序1.x表示初始訓(xùn)練時(shí)序，時(shí)序2.x表示預(yù)測(cè)時(shí)序，時(shí)序3.x表示更新模型時(shí)序。

圖4 心率監(jiān)測(cè)系統(tǒng)基本順序圖

該系統(tǒng)中的數(shù)據(jù)源共包括初始?xì)v史數(shù)據(jù)源和物聯(lián)網(wǎng)終端數(shù)據(jù)源，為了充分仿真這一環(huán)境，將第2節(jié)提出的數(shù)據(jù)集的劃分中的DS1數(shù)據(jù)集作為初始?xì)v史數(shù)據(jù)源，DS2數(shù)據(jù)集作為物聯(lián)網(wǎng)終端數(shù)據(jù)源。DS1數(shù)據(jù)集用于在云端訓(xùn)練部署在邊緣節(jié)點(diǎn)上的初始的人工智能模型，DS2數(shù)據(jù)集用于仿真心電圖儀實(shí)時(shí)產(chǎn)生的數(shù)據(jù)。

根據(jù)第3節(jié)得出的最佳心電信號(hào)數(shù)據(jù)樣本片段長度，將DS2數(shù)據(jù)集劃分為多個(gè)長度為1 350采樣點(diǎn)(3.75 s)的片段，隨后編寫程序，令程序每隔3.75 s隨機(jī)地輸出一段心電信號(hào)數(shù)據(jù)樣本片段，以仿真心電圖儀在固定的間隔時(shí)間輸出一段固定時(shí)長的心電信號(hào)數(shù)據(jù)。

4.2 仿真結(jié)果

將心電數(shù)據(jù)信號(hào)片段按每3.75 s發(fā)送一條的頻率向網(wǎng)關(guān)設(shè)備發(fā)送，數(shù)據(jù)經(jīng)網(wǎng)關(guān)設(shè)備發(fā)送至邊緣設(shè)備，再由邊緣設(shè)備發(fā)送預(yù)測(cè)結(jié)果至網(wǎng)關(guān)設(shè)備。網(wǎng)關(guān)設(shè)備運(yùn)行接收結(jié)果的效果如圖5所示。

圖5 運(yùn)行圖

實(shí)驗(yàn)結(jié)果顯示，返回結(jié)果的平均用時(shí)為132.58 ms，可以完全滿足邊緣智能環(huán)境下的心電監(jiān)測(cè)系統(tǒng)的需要。

5 結(jié)論

本文提出了一種面向邊緣智能環(huán)境的心電信號(hào)處理方法，并通過實(shí)驗(yàn)得出了不同數(shù)據(jù)樣本分段的結(jié)果，進(jìn)一步驗(yàn)證可得，該方法同其他方法性能處于同一量級(jí)。基于該方法，本文構(gòu)建了一個(gè)基于邊緣智能的心率監(jiān)測(cè)系統(tǒng)，仿真結(jié)果表明，該方法在具體的邊緣智能框架中真實(shí)可用。

在未來的研究中，有以下兩點(diǎn)可以繼續(xù)改進(jìn)：一是繼續(xù)探討更為有效的標(biāo)簽標(biāo)記方式，使樣本標(biāo)簽更加準(zhǔn)確清晰；二是在實(shí)際應(yīng)用中，設(shè)計(jì)更為強(qiáng)大和資源友好型的神經(jīng)網(wǎng)絡(luò)模型以滿足實(shí)際需要。