胡迪坤 高偉東▲ 于偉泓 徐海燕 韋張婉鈺 李東輝 黃 蓉 彭 敏許嶺翎 盧 強 何書勵 王現(xiàn)強 田美策 王煜非

1.北京郵電大學信息與通信工程學院 泛網(wǎng)無線通信教育部重點實驗室，北京 100876；2.北京協(xié)和醫(yī)院眼科，北京 100730；3.北京協(xié)和醫(yī)院呼吸科，北京 100730；4.北京協(xié)和醫(yī)院內(nèi)分泌科，北京 100730；5.北京協(xié)和醫(yī)院神經(jīng)科，北京 100730；6.北京協(xié)和醫(yī)院營養(yǎng)科，北京 100730；7.中國醫(yī)學科學院阜外醫(yī)院 國家心血管病中心，北京 100037；8.上海市第六人民醫(yī)院糖尿病研究所，上海 200233

健康是社會公眾關(guān)注的焦點和熱點，也是幸福指數(shù)的關(guān)鍵指標之一。為了讓人們以更好的狀態(tài)面對未來快節(jié)奏的學習、工作、生活以及競爭挑戰(zhàn)，健康管理作為一門學科和行業(yè)正在興起并日趨完善。健康管理通過采集人們的生理信息、社會環(huán)境信息與健康數(shù)據(jù)來預測受測者的健康狀態(tài)。在建立人體健康態(tài)信息數(shù)據(jù)庫的過程中，數(shù)據(jù)采集的不規(guī)范與設備良莠不齊導致了目前的健康信息采集混亂、評估結(jié)果準確性無法得到保障。為了保障用于準確評估人體健康態(tài)的高質(zhì)量數(shù)據(jù)，推動健康態(tài)評價的科學化和規(guī)范化，本研究針對不同類型健康數(shù)據(jù)進行分析，設計了健康數(shù)據(jù)的質(zhì)量控制規(guī)范，為后期醫(yī)療和健康應用提供依據(jù)。

1 資料與方法

1.1 數(shù)據(jù)采集

本研究依托于國家重點研發(fā)計劃“主動健康和老齡化科技應對”專項課題（2018YFC2000803），隸屬于“主動健康產(chǎn)品和人體健康態(tài)評估的安全有效體系及標準體系研究”項目。該項目在全國不同地域，針對不同人群，構(gòu)建體溫、體重、體脂率、血壓、心電、心率、血氧、血管彈性、心肺音、血糖、腦電、呼吸、睡眠、眼底、屈光狀態(tài)等數(shù)據(jù)采集的協(xié)同網(wǎng)絡，實現(xiàn)健康態(tài)數(shù)據(jù)的動態(tài)實時上傳及統(tǒng)一管理。數(shù)據(jù)采集地除了北京協(xié)和醫(yī)院、中國醫(yī)學科學院阜外醫(yī)院等課題參與單位，還包括醫(yī)院體檢中心、基地醫(yī)院、社區(qū)衛(wèi)生服務機構(gòu)、健康數(shù)據(jù)中心、居民家庭等其他數(shù)據(jù)源，實現(xiàn)多中心的數(shù)據(jù)采集，避免數(shù)據(jù)來源單一、設備型號單一導致的數(shù)據(jù)偏差。

數(shù)據(jù)種類與采集量：①心血管健康采集靜息血壓、動態(tài)血壓、心率及心率變異性300例，Holter動態(tài)心電圖500例以及長程的心電監(jiān)護數(shù)據(jù)300例；②糖代謝健康采集無創(chuàng)穿戴式血糖監(jiān)測、SMBG血糖監(jiān)測與CGM持續(xù)血糖監(jiān)測300例；③睡眠健康采集睡眠腦電圖、睡眠質(zhì)量睡眠結(jié)構(gòu)、睡眠體位、鼻息氣、肢體運動等睡眠多導圖PSG數(shù)據(jù)100例，可穿戴式睡眠監(jiān)測設備（智能手環(huán)、體動儀2～3種）500例與睡眠監(jiān)測床墊200例；④視健康采集眼底成像照片5000例；⑤呼吸道健康采集呼吸氣體分析數(shù)據(jù)、肺功能指標與指壓式血氧檢測數(shù)據(jù)200例；⑥日常健康數(shù)據(jù)采集測試者體溫、身高、體重、體重指數(shù)（BMI）與體脂含量1000例。在測試過程中，根據(jù)實驗條件與實驗設計需要，受測者分別進行以上一類或者多類的健康項目數(shù)據(jù)采集。

1.2 實驗數(shù)據(jù)分組與標簽獲取

建立人體健康信息數(shù)據(jù)的過程中，測試者會接受視健康、呼吸健康、糖代謝健康等8大類22項健康信息的采集[1]。獲得的健康數(shù)據(jù)類型不局限于離散型數(shù)值數(shù)據(jù)，還包括時間序列數(shù)據(jù)、影像數(shù)據(jù)、文本數(shù)據(jù)等多模態(tài)數(shù)據(jù)，這些多模態(tài)的數(shù)據(jù)之間在數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)類型和信息內(nèi)容上都具有顯著差異。隨著中檢院牽頭起草的IEEE P2801醫(yī)學人工智能數(shù)據(jù)集質(zhì)量管理國際標準的正式發(fā)布[2]，揭示了未來對健康數(shù)據(jù)質(zhì)量管理方面的需求提出了更高的要求。為此，本研究針對健康信息數(shù)據(jù)研究了數(shù)據(jù)質(zhì)量控制的方法，建立多個節(jié)點的健康數(shù)據(jù)質(zhì)量控制體系，根據(jù)數(shù)據(jù)采集設備、采集流程和方法、采集場景、數(shù)據(jù)的可重復性和可信度，制訂相應的數(shù)據(jù)采集和質(zhì)量控制的標準和規(guī)范。

對于數(shù)據(jù)采集人群的納入以及排除標準由各科室專業(yè)人員決定。理論上獲取的8類數(shù)據(jù)分別對應8類人群，如睡眠科數(shù)據(jù)獲取人群以患有睡眠障礙的中老年人群為主，血壓數(shù)據(jù)是從參與社區(qū)體檢人群中獲取。數(shù)據(jù)的采集標準以及數(shù)據(jù)標記流程由多位該領(lǐng)域的從業(yè)人員，根據(jù)其業(yè)內(nèi)的專業(yè)知識給出數(shù)據(jù)質(zhì)量評價結(jié)果。數(shù)據(jù)質(zhì)量的標簽分為3類，0表示存在嚴重數(shù)據(jù)質(zhì)量問題被認為不可用的數(shù)據(jù)；1表示數(shù)據(jù)中帶有一些異常但仍被認為是可用的普通信號質(zhì)量；2表示信號質(zhì)量好。每個樣本需至少3個人進行標記。當同一組樣本2個人標記結(jié)果與第3個人不同時，按少數(shù)服從多數(shù)原則。當同一組樣本3個人標記結(jié)果均不相同時，視為信號質(zhì)量普通。由于不同數(shù)據(jù)對信息的靈敏度要求不同，所以不同數(shù)據(jù)的質(zhì)量標簽樣本的對應的時間長度不同。為了后續(xù)建立測試者一體化的數(shù)據(jù)質(zhì)量報告，與專家進行溝通將不同數(shù)據(jù)的質(zhì)量標簽對應的時間長度控制在1 min的整數(shù)倍。不同數(shù)據(jù)類型的質(zhì)量標準與標簽獲取的難度也不同，時序連續(xù)型數(shù)據(jù)和影像類數(shù)據(jù)如眼底照片、腦電等具有豐富的信息且數(shù)據(jù)的質(zhì)量標準成熟，所以可以得到完整的數(shù)據(jù)質(zhì)量標簽。相比之下，血壓、血糖、呼吸氣體成分等靜態(tài)離散型數(shù)據(jù)的信息量少且業(yè)內(nèi)沒有完善的規(guī)范標準以獲取質(zhì)量標簽，所以可以用于研究不同設備與不同操作規(guī)范對該類健康信息的影響。

1.3 實驗方法

信號質(zhì)量標簽獲取的完整度以及后續(xù)訓練采用的人工智能模型都與數(shù)據(jù)類型密切相關(guān)，本研究建立的健康數(shù)據(jù)的質(zhì)量控制方法根據(jù)健康數(shù)據(jù)的類型分為3類：①針對血壓、血糖、呼吸氣體分析等離散值類型的數(shù)據(jù)質(zhì)量控制方法；②針對心電監(jiān)護、腦電、PSG等持續(xù)性輸出數(shù)據(jù)類型的數(shù)據(jù)質(zhì)量控制方法；③針對眼底照片、屈光檢測圖像、腦電圖等影像輸出數(shù)據(jù)的質(zhì)量控制方法。

1.3.1 離散數(shù)據(jù)類型質(zhì)量控制模型 離散健康數(shù)據(jù)類型是由多項個體生理指標：血壓的3項指標、血糖的4項指標以及測試個體的身高、體重等基本信息構(gòu)成。該類數(shù)據(jù)除明顯的數(shù)據(jù)異常、數(shù)據(jù)缺失和數(shù)據(jù)格式異常外，常見的異常還包括數(shù)據(jù)范圍異常，數(shù)據(jù)趨勢性異常和突然波動性異常。但由于其信息量少且各項指標間關(guān)系的不明確性，所以難以得到離散數(shù)據(jù)的質(zhì)量標簽，通常需要通過無監(jiān)督聚類學習方法進行估計[3]。

對于離散數(shù)據(jù)的波動性異常，可通過觀測一類指標中的多個屬性之間是否出現(xiàn)異常。如在呼吸的3項指標中的呼吸氣體分析、肺功能指標、指壓式血氧檢測，這3個屬性之間具有高度的耦合關(guān)系而非獨立[4]。所以突然波動檢查是根據(jù)測試組內(nèi)3項指標的突然性波動或者對屬性間數(shù)值是否合理進行的監(jiān)測。由于屬性之間的高度相關(guān)性，所以采用拐點法與基于密度的離群因子來聯(lián)合判別異常[5]。離散型數(shù)據(jù)質(zhì)量控制除了對明顯的異常數(shù)據(jù)進行篩選，還可以用于研究不同設備與不同操作規(guī)范對該類健康信息的影響。對主動健康設備與醫(yī)用設備采集的數(shù)據(jù)的統(tǒng)計學特征進行比較，以及對規(guī)范操作和不規(guī)范操作條件下獲取的數(shù)據(jù)統(tǒng)計學特征進行比較，通過控制環(huán)境變量和設備變量，將標準設備以及規(guī)范操作視為標準值，記錄其他條件下的健康態(tài)參數(shù)見圖1。根據(jù)圖1可以得到不同測試條件下健康參數(shù)的偏差與分布情況。

1.3.2 時序連續(xù)數(shù)據(jù)質(zhì)量控制模型 時序連續(xù)的健康數(shù)據(jù)是記錄個體一段時間內(nèi)生理參數(shù)變化的數(shù)據(jù)，如睡眠心電、睡眠眼電以及睡眠心沖擊信號等。針對時序連續(xù)類型的數(shù)據(jù)，人類專家視力檢測的規(guī)則是依據(jù)數(shù)據(jù)的波形特性，即根據(jù)信號的幅度特性與周期特性將數(shù)據(jù)劃分為正常數(shù)據(jù)段落與異常數(shù)據(jù)段落[6]。專家通過異常信號占整體信號長度的比例來判別該段信號整體的數(shù)據(jù)質(zhì)量。由于獲取連續(xù)數(shù)據(jù)質(zhì)量標簽的工作量遠大于影像數(shù)據(jù)，且數(shù)據(jù)質(zhì)量標簽反映異常數(shù)據(jù)的嚴重程度具有模糊性，所以本研究采用半監(jiān)督學習方法進行訓練。將整段數(shù)據(jù)劃分為多段的信號單元，通過無監(jiān)督學習聚類得出這些信號單元中的異常項，最后根據(jù)整段數(shù)據(jù)中異常單元的分布與占比情況有監(jiān)督學習得出信號整體的數(shù)據(jù)質(zhì)量標準。

為了增強訓練模型的泛化能力，將時序信號的波形特性抽象為特征向量。提取出特征包含熵值類特征（樣本熵、能量熵、多尺度熵等）[7]和數(shù)學統(tǒng)計類特征（均值、均方差、方差）[8]。基于PCA技術(shù)的半監(jiān)督學習方法訓練標簽不完整的模型。該方法大致分為無監(jiān)督學習過程與監(jiān)督學習過程。在無監(jiān)督學習過程中，利用PCA故障檢測的原理將信號一個特征窗內(nèi)的多維特征作為t時刻的在線數(shù)據(jù)進行故障檢測。根據(jù)數(shù)據(jù)異常占比越大信號質(zhì)量越差，且多導聯(lián)的數(shù)據(jù)之間具有相似度高的性質(zhì)。對故障檢測模型中的特征和參數(shù)進行調(diào)整，獲取最佳故障檢測方法，即信號通過故障檢測聚類后，信號質(zhì)量越高的樣本中檢測出的異常數(shù)據(jù)段落越少，同時多導聯(lián)數(shù)據(jù)之間的故障檢測結(jié)果越相似。基于最佳的故障監(jiān)測方法，將多導聯(lián)的連續(xù)數(shù)據(jù)轉(zhuǎn)化為0-1的最佳故障檢測矩陣結(jié)果。采用有監(jiān)督學習的方法建立故障檢測結(jié)果與人工標簽之間的映射關(guān)系。多組連續(xù)的故障檢測結(jié)果作為訓練集，對應的人工標簽作為標簽集，可以訓練出特征映射矩陣。根據(jù)在線故障檢測結(jié)果與特征矩陣得到在線數(shù)據(jù)的質(zhì)量估計結(jié)果，整體流程見圖2。如果全程只采用機器學習，一方面對訓練樣本的需求量大大增加，另一方面也增加了參與處理的數(shù)據(jù)量和運算的復雜度，會令算法難以運用在實時的線上輸出模式。而只采用無監(jiān)督學習進行故障檢測則缺少了性能的反饋，往往難以獲得較好的分類效果。相比本研究采用的半監(jiān)督學習方法，綜合兩種不同學習方法更加適用于臨床實踐的需求。

圖2 時序連續(xù)數(shù)據(jù)的質(zhì)量控制流程

1.3.3 圖像數(shù)據(jù)質(zhì)量控制模型 對于影像類數(shù)據(jù)，其質(zhì)量標簽的獲取難度較低，易于得到完整的數(shù)據(jù)質(zhì)量標簽，所以人工智能模型的選擇上主要采用有監(jiān)督的學習方法。相比其他兩類數(shù)據(jù)類型，影像數(shù)據(jù)擁有豐富的信息量。在不同的場景下圖像中的有效信息具有差異性，因此通過視覺檢測相對于基線顯著變化的時頻區(qū)域，利用圖像分割技術(shù)劃出感興趣的區(qū)域（ROI）縮小目標范圍[9]。如在腦電圖像中，根據(jù)腦電的δ波（1～3 Hz）、θ波（4～7 Hz）、α波（8～13 Hz）和β波（14～30 Hz）所處頻段特性，用快速傅里葉變化公式分別計算出不同頻段數(shù)據(jù)在圖譜中的大致位置，并篩選出目標圖像范圍[10]。信號處理是進一步的定位目標數(shù)據(jù)并將其干擾項分離的過程。

為了增強模型的泛化能力使系統(tǒng)更廣泛地適用于多種健康影像數(shù)據(jù)的場景，本研究從處理后的圖像數(shù)據(jù)中提取通用特征ERS/EDR，手動提取特征和卷積網(wǎng)絡自動抓取的圖像細節(jié)特征[11]。其中通用特征中包含有圖像平滑度、熵聚焦準則、歐拉數(shù)、前景與背景能量比，這些屬性能直觀反映圖像特性的特征[12]。手動提取特征的獲取則需要結(jié)合數(shù)據(jù)的信號知識和醫(yī)學的背景，運用這些特征區(qū)分和識別常見的運動偽影、汗性偽跡、工頻干擾等特殊圖像質(zhì)量異?，F(xiàn)象[13]。自動抓取的圖像細節(jié)特征則是利用深度學習網(wǎng)絡從圖像信息中篩選一些肉眼難以發(fā)現(xiàn)的隱形特性。將這些特征進行融合并輸入到學習網(wǎng)絡中用于訓練特征到質(zhì)量標簽的映射。最后基于有監(jiān)督學習的圖像質(zhì)量自動評價體系，利用諸如Weka機器學習工具箱[14]，將至少3個單獨的分類器的輸出融合在一起。用于融合的集成分類器是一個投票系統(tǒng)，它使用“最小概率”組合規(guī)則組合不同分類器的后驗概率得到最吻合訓練標簽的判別結(jié)果[15]。當影像數(shù)據(jù)是時序連續(xù)型場景，每個樣本序列之間具有較強的時間相關(guān)性。則需要補充隱馬爾科夫模型或動態(tài)貝葉斯模型來獲取樣本在時間序列上的連續(xù)性關(guān)系[16]，整體流程見圖3。

圖3 圖像類型數(shù)據(jù)的質(zhì)量控制流程

2 結(jié)果與討論

2.1 離散型健康數(shù)據(jù)的數(shù)據(jù)統(tǒng)計

通過對離散型數(shù)據(jù)在不同設備與不同情境時測量的健康態(tài)參數(shù)的統(tǒng)計與比較，本研究得到不同健康態(tài)參數(shù)在規(guī)范操作與非規(guī)范操作下的數(shù)據(jù)統(tǒng)計，見圖4。圖4中測量點距離坐標軸對角線越近則表示醫(yī)用設備與主動健康設備在該環(huán)境下的差異越小。圖4顯示非規(guī)范操作對主動健康設備測量舒張壓的影響遠大于測量收縮壓。在相同測試環(huán)境下，主動健康設備與醫(yī)療設備對收縮壓的測量基本一致。而對于舒張壓的測量醫(yī)用設備與主動健康設備測量的結(jié)果則有明顯的差異。通過對情景的進一步細分，將測試環(huán)境分為4類，分別比較4類環(huán)境下主動健康設備與醫(yī)療設備對舒張壓的測量偏差如圖5。圖5顯示，在情景1下，主動健康設備的測量結(jié)果普遍偏高，而在情景2下主動健康設備測量的結(jié)果則普遍偏低。由此得知在操作不規(guī)范時，主動健康設備測量的舒張壓不準確，且誤差的偏移與具體的操作習慣有關(guān)。

圖4 不同操作規(guī)范下醫(yī)用設備與主動健康設備的健康態(tài)數(shù)據(jù)

圖5 不同操作規(guī)范下醫(yī)用設備與主動健康設備的健康態(tài)數(shù)據(jù)

2.2 時序連續(xù)數(shù)據(jù)與圖像數(shù)據(jù)的質(zhì)量評價規(guī)范

對時序連續(xù)數(shù)據(jù)和圖像數(shù)據(jù)質(zhì)量控制模型的訓練，按照通常訓練集和測試集的劃分方案，大約80%的數(shù)據(jù)被用來訓練，剩余約20%的數(shù)據(jù)被用于測試。對健康數(shù)據(jù)尤其是具有完整質(zhì)量標簽的圖像數(shù)據(jù)和部分質(zhì)量標簽的時序連續(xù)型數(shù)據(jù)進行訓練后，在測試樣本中混淆矩陣的情況見圖6。圖6顯示該質(zhì)量控制模型對信號質(zhì)量具有顯著的區(qū)分能力。針對圖像數(shù)據(jù)類型與時序連續(xù)數(shù)據(jù)類型質(zhì)量控制的性能見表1。

圖6 圖像數(shù)據(jù)與時序連續(xù)數(shù)據(jù)質(zhì)量的混淆矩陣

表1 圖像數(shù)據(jù)和時序連續(xù)數(shù)據(jù)預測性能（%）

對于同種數(shù)據(jù)類型但不同場景的數(shù)據(jù)，如心電數(shù)據(jù)和腦電數(shù)據(jù)，眼底圖像和腦電圖像之間的訓練性能雖然存在一定差異但整體性能與均值性能偏差在±2%～8%。與時序連續(xù)數(shù)據(jù)相比，圖像數(shù)據(jù)的偽影，偽跡等干擾比時序性信號更顯著，所以在圖像質(zhì)量控制中質(zhì)量控制的性能優(yōu)于時序連續(xù)數(shù)據(jù)的質(zhì)量控制。但在臨床的運用中除低質(zhì)量數(shù)據(jù)無法使用外，中質(zhì)量與高質(zhì)量數(shù)據(jù)均可以正常使用，兩者識別模糊對實際影響不大。所以在時序連續(xù)數(shù)據(jù)中雖然質(zhì)量控制的性能不如圖像數(shù)據(jù)，但仍具有臨床使用的價值。

本研究質(zhì)量控制的方法借鑒了模型遷移的思路，在保留同類數(shù)據(jù)的一些共性特征外，通過專家建議與數(shù)據(jù)分析添加該數(shù)據(jù)的個性化特征。提高模型利用率的同時也考慮到了各類數(shù)據(jù)之間的場景差異，切合了健康數(shù)據(jù)管理的運用場景。綜上可知，本研究建立的健康數(shù)據(jù)質(zhì)量控制方法可以較好地運用于人體健康態(tài)數(shù)據(jù)。如前文所述，人體健康數(shù)據(jù)的質(zhì)量控制可用于保障人體健康信息化的準確性，并降低異常數(shù)據(jù)的干擾。為了驗證本研究的質(zhì)量控制是否達到該效果，以睡眠心沖擊信號為例，本研究分別計算了整體數(shù)據(jù)的幅度熵特性、周期熵值特性以及信號比，見表2。由表2可知，通過質(zhì)量控制獲取的高質(zhì)量數(shù)據(jù)的幅度與周期的熵值均降低，即信號幅度和周期的穩(wěn)定性變強。而信號的信噪比也得到提升，從而驗證了質(zhì)量控制方法可以保障健康信息化數(shù)據(jù)的準確性。

表2 質(zhì)量控制對數(shù)據(jù)的影響

3 總結(jié)

本研究研究了圖像健康數(shù)據(jù)、時序連續(xù)健康數(shù)據(jù)和離散健康數(shù)據(jù)這3種不同數(shù)據(jù)型的質(zhì)量判別方法，實現(xiàn)了多模態(tài)人體健康數(shù)據(jù)的評價規(guī)范化。利用模型遷移的思想，通過數(shù)據(jù)的共性特征和該數(shù)據(jù)的個性特征聯(lián)合訓練，解決了相同數(shù)據(jù)類型但不同場景下模型泛化能力不足的問題。但本研究目前只關(guān)注了不同數(shù)據(jù)類型之間的差異，未來可以進一步考慮不同數(shù)據(jù)類型之間存在的數(shù)據(jù)耦合關(guān)系，對更多模態(tài)的數(shù)據(jù)進行融合。