本發(fā)明涉及人體生理參數(shù)的監(jiān)測技術(shù)，特別涉及一種可移動(dòng)心電圖監(jiān)測系統(tǒng)及監(jiān)測方法。

背景技術(shù)：

心臟病嚴(yán)重威脅人類的生命健康，其發(fā)病率和死亡率都排在各類疾病之首并且心臟病的突發(fā)性增加了治療難度。因此，防治心臟病就成為了人民維護(hù)身體健康的頭等大事?？梢苿?dòng)心電圖(ECG)監(jiān)測系統(tǒng)為有效預(yù)防心臟病提供了良好的解決方案。一方面，其方便攜帶的特點(diǎn)使得這種監(jiān)測系統(tǒng)可以長時(shí)間地監(jiān)測心臟活動(dòng)的ECG信號(hào)，從而能夠及時(shí)捕捉到偶發(fā)性心律失常和其他突發(fā)性心臟病。另一方面，隨著移動(dòng)物聯(lián)網(wǎng)和信息技術(shù)的快速發(fā)展，這樣的ECG監(jiān)測系統(tǒng)能夠獲得良好的平臺(tái)和技術(shù)支撐，有助于更好地滿足隨時(shí)隨地地進(jìn)行心臟保健的需求。

目前，在實(shí)現(xiàn)ECG監(jiān)測系統(tǒng)時(shí)，可以基于物聯(lián)網(wǎng)體系結(jié)構(gòu)實(shí)現(xiàn)，基于物聯(lián)網(wǎng)體系結(jié)構(gòu)的ECG監(jiān)測系統(tǒng)是有代表性的三層結(jié)構(gòu)，即傳感層、網(wǎng)絡(luò)層及應(yīng)用層。其中，傳感層主要負(fù)責(zé)心電圖數(shù)據(jù)采集，網(wǎng)絡(luò)層負(fù)責(zé)將采集到的心電圖數(shù)據(jù)傳送到數(shù)據(jù)中心，而應(yīng)用層負(fù)責(zé)完成心電數(shù)據(jù)的分析計(jì)算和問題預(yù)警。在采集心電圖數(shù)據(jù)時(shí)，可以采用各種可穿戴醫(yī)療設(shè)備在傳感層通過無線數(shù)據(jù)通信技術(shù)連接起來，形成一個(gè)無線傳感器網(wǎng)絡(luò)。網(wǎng)絡(luò)側(cè)可以由現(xiàn)有的互聯(lián)網(wǎng)或骨干通信網(wǎng)絡(luò)來承擔(dān)。應(yīng)用層則是通過應(yīng)用各種算法來檢測并分析心律失常。顯然，對(duì)于心律失常的分析診斷是整個(gè)ECG監(jiān)測系統(tǒng)的核心功能。

基于ECG信號(hào)進(jìn)行心律失常的分析診斷是一種典型的分類應(yīng)用，已有的心律失常分類方法主要包括頻率分析、支持向量機(jī)、小波變換以及專家混合的方式。簡言之，這些方法大都依賴于從ECG信號(hào)波形中提取某些關(guān)鍵的特征。但是，這些方式往往受到特征相關(guān)的閾值的限制，而不同數(shù)據(jù)集的閾值又常常不一樣，因此，這些方法的性能不僅會(huì)受到各種噪聲的干擾而下降，還會(huì)受到數(shù)據(jù)集變化的影響而不穩(wěn)定。

為了應(yīng)對(duì)上述問題，更加精確地將監(jiān)測的可變ECG信號(hào)分類，開始使用具有高容錯(cuò)度能力和魯棒性的神經(jīng)網(wǎng)絡(luò)。例如，神經(jīng)網(wǎng)絡(luò)可以被訓(xùn)練成為一個(gè)心跳識(shí)別檢測器，一種心律失常分類器或者一個(gè)特征提取器，用于在分類之前提取沒有被人為設(shè)定的人體生理參數(shù)特征。正是由于神經(jīng)網(wǎng)絡(luò)具有自動(dòng)獲取特征的能力，基于神經(jīng)網(wǎng)絡(luò)的ECG監(jiān)測系統(tǒng)可以部署在移動(dòng)端和云端，通過周期性地從特定用戶的云端ECG記錄中學(xué)習(xí)新的特征，從而能更好地適用于特定用戶，并有助于提高分類的準(zhǔn)確度。到目前為止，已經(jīng)出現(xiàn)了許多關(guān)于在動(dòng)態(tài)心電圖監(jiān)測系統(tǒng)中對(duì)特定用戶進(jìn)行心律失常分類的研究。

具體地說，卷積神經(jīng)網(wǎng)絡(luò)(CNN)是近年來深度學(xué)習(xí)的研究熱點(diǎn)之一，具有結(jié)構(gòu)簡單、訓(xùn)練參數(shù)少及適應(yīng)強(qiáng)等特點(diǎn)，被廣泛應(yīng)用于模式識(shí)別及圖像處理等領(lǐng)域，取得了很好的效果。ECG信號(hào)分析是圖像模式識(shí)別的一種應(yīng)用，因此也有研究者將CNN應(yīng)用于此，并且已經(jīng)說明了CNN對(duì)于一維和二維的ECG信號(hào)都是適用的。目前公開了一種導(dǎo)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)(LCNN)，將ECG信號(hào)所記錄的八導(dǎo)聯(lián)轉(zhuǎn)化為一個(gè)二維矩陣。其中，卷積核的滑動(dòng)范圍受到濾波器不能被不同導(dǎo)聯(lián)的ECG信號(hào)記錄共享的規(guī)則限制，這種方法不僅證明了CNN在一維信號(hào)中的可用性，而且還能適應(yīng)于不同的分辨率，這種方法雖然可以提高ECG分類的準(zhǔn)確度，然而這種方法的應(yīng)用是有限的，對(duì)ECG信號(hào)的多導(dǎo)聯(lián)輸入有要求，

在ECG信號(hào)的分類算法研究不斷推進(jìn)的同時(shí)，另一個(gè)改善系統(tǒng)性能的努力方向就是在ECG信號(hào)的數(shù)據(jù)采集端。事實(shí)上，ECG監(jiān)測系統(tǒng)之所以能夠降低心臟病的死亡率，根本原因就在于它能夠長期動(dòng)態(tài)地記錄ECG信號(hào)。在這種情況下，即使是一些罕見的心律失?，F(xiàn)象也能被捕捉到，從而能夠及時(shí)治療，挽救病患。但是，ECG信號(hào)記錄不可避免地會(huì)受到由于人體肌肉運(yùn)動(dòng)產(chǎn)生的運(yùn)動(dòng)偽跡的影響，導(dǎo)致分類算法準(zhǔn)確度下降。盡管已經(jīng)提出了一些運(yùn)動(dòng)偽跡抑制算法，如自適應(yīng)濾波方法和盲源分離方法，但是完全去除運(yùn)動(dòng)偽跡仍然是很困難的。

綜上，基于在監(jiān)測ECG信號(hào)時(shí)的不準(zhǔn)確性及后續(xù)在分類ECG信號(hào)的不準(zhǔn)確性，造成了目前的ECG信號(hào)監(jiān)測系統(tǒng)在基于所監(jiān)測的ECG信號(hào)記錄得到監(jiān)測結(jié)果時(shí)不準(zhǔn)確，導(dǎo)致對(duì)人體的心律失?，F(xiàn)象的誤判。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明實(shí)施例提供了一種可移動(dòng)心電圖監(jiān)測系統(tǒng)，該系統(tǒng)能夠使得基于所監(jiān)測的ECG信號(hào)記錄得到的監(jiān)測結(jié)果準(zhǔn)確。

本發(fā)明實(shí)施例還提供一種可移動(dòng)心電圖監(jiān)測方法，該方法能夠使得基于所監(jiān)測的ECG信號(hào)記錄得到的監(jiān)測結(jié)果準(zhǔn)確。

由上述方案可以看出，本發(fā)明具體實(shí)現(xiàn)為：

一種可移動(dòng)心電圖ECG監(jiān)測系統(tǒng)，包括：采集模塊和級(jí)聯(lián)CNN模塊，其中，

采集模塊，用于監(jiān)測脈沖無線電超寬帶IR-UWB雷達(dá)信號(hào)，進(jìn)行同步及集成處理后得到IR-UWB心跳信號(hào)；監(jiān)測ECG信號(hào)，進(jìn)行同步處理及不平衡數(shù)據(jù)處理后得到ECG信號(hào)數(shù)據(jù)；

級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)CNN模塊，用于對(duì)從采集模塊接收的IR-UWB心跳信號(hào)及集成處理后的ECG信號(hào)數(shù)據(jù)進(jìn)行特征抽取、集成以及診斷分類后，得到監(jiān)測結(jié)果。

一種ECG監(jiān)測方法，包括：

監(jiān)測IR-UWB雷達(dá)信號(hào)，進(jìn)行同步及集成處理后得到IR-UWB心跳信號(hào)；

監(jiān)測ECG信號(hào)，進(jìn)行同步處理及不平衡數(shù)據(jù)處理后得到ECG信號(hào)數(shù)據(jù)；

對(duì)從采集模塊接收的IR-UWB心跳信號(hào)及集成處理后的ECG信號(hào)數(shù)據(jù)進(jìn)行特征抽取、集成以及診斷分類后，得到監(jiān)測結(jié)果。

從上述方案可以看出，本發(fā)明實(shí)施例不僅采集ECG信號(hào)，而且采集脈沖無線電超寬帶(IR-UWB)雷達(dá)信號(hào)，將所采集的ECG信號(hào)及IR-UWB雷達(dá)信號(hào)進(jìn)行同步及處理后，采用級(jí)聯(lián)的CNN進(jìn)行特征抽取、集成分析和診斷分類，得到監(jiān)測結(jié)果輸出。由于本發(fā)明實(shí)施例在監(jiān)測時(shí)引入了IR-UWB雷達(dá)信號(hào)，作為監(jiān)測ECG信號(hào)的補(bǔ)充，并通過對(duì)這兩種信號(hào)的同步，得到這兩種信號(hào)之間的相關(guān)性，提高監(jiān)測準(zhǔn)確性，由于本發(fā)明實(shí)施例采用了適應(yīng)性強(qiáng)和性能穩(wěn)定的級(jí)聯(lián)CNN進(jìn)行特征抽取、集成分析及診斷分類，有效保證系統(tǒng)性能穩(wěn)定。因此，采用本發(fā)明實(shí)施例提供的系統(tǒng)及方法使得基于所監(jiān)測的ECG信號(hào)記錄得到的監(jiān)測結(jié)果準(zhǔn)確。

附圖說明

圖1為本發(fā)明實(shí)施例提供的一種可移動(dòng)心電圖監(jiān)測系統(tǒng)結(jié)構(gòu)示意圖；

圖2為本發(fā)明實(shí)施例提供的同步子模塊對(duì)IR-UWB雷達(dá)信號(hào)進(jìn)行集成處理的結(jié)構(gòu)示意圖；

圖3為本發(fā)明實(shí)施例提供的第一CNN或第二CNN的結(jié)構(gòu)示意圖；

圖4為本發(fā)明實(shí)施例提供的第三CNN的結(jié)構(gòu)示意圖；

圖5為本發(fā)明實(shí)施例提供的一種可移動(dòng)心電圖監(jiān)測方法流程圖；

圖6為本發(fā)明實(shí)施例提供的第一CNN的具體例子結(jié)構(gòu)圖；

圖7為本發(fā)明實(shí)施例提供的第二CNN的具體例子結(jié)構(gòu)圖；

圖8為本發(fā)明實(shí)施例提供的第三CNN的具體例子結(jié)構(gòu)圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉實(shí)施例，對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明。

本發(fā)明實(shí)施例為了能夠在運(yùn)動(dòng)狀態(tài)下準(zhǔn)確的監(jiān)測到心律失常，將IR-UWB雷達(dá)信號(hào)的監(jiān)測技術(shù)引入到本發(fā)明提供的ECG監(jiān)測系統(tǒng)中，作為輔助監(jiān)測工具。IR-UWB雷達(dá)不僅提供一種非接觸式的IR-UWB雷達(dá)信號(hào)的測量，同時(shí)也避免了電干擾。IR-UWB雷達(dá)的臨床應(yīng)用包括對(duì)心率、呼吸率和血壓等的測量。采用本發(fā)明實(shí)施例，與背景技術(shù)相比，主要從兩個(gè)角度來增強(qiáng)系統(tǒng)在運(yùn)動(dòng)狀態(tài)下對(duì)心率失常監(jiān)測功能的魯棒性。第一，引入IR-UWB雷達(dá)信號(hào)，作為對(duì)ECG信號(hào)記錄的有效補(bǔ)充，并且，通過對(duì)這兩種信號(hào)進(jìn)行同步和集成分析，還可以挖掘出這兩種數(shù)據(jù)之間的潛在相關(guān)性，以便為動(dòng)態(tài)監(jiān)測系統(tǒng)中心律失常的診斷分類提供更多有力的信息依據(jù)，提高監(jiān)測的準(zhǔn)確度。第二，采用適應(yīng)性強(qiáng)及性能穩(wěn)定的級(jí)聯(lián)CNN進(jìn)行特征抽取、集成分析和診斷分類，有助于保持系統(tǒng)性能穩(wěn)定。

圖1為本發(fā)明實(shí)施例提供的ECG監(jiān)測系統(tǒng)結(jié)構(gòu)示意圖，如圖所示，包括采集模塊和級(jí)聯(lián)CNN模塊，其中，

采集模塊，用于監(jiān)測IR-UWB雷達(dá)信號(hào)，進(jìn)行同步及集成處理后得到IR-UWB心跳信號(hào)；監(jiān)測ECG信號(hào)，進(jìn)行同步處理及不平衡數(shù)據(jù)處理后得到ECG信號(hào)數(shù)據(jù)；

級(jí)聯(lián)CNN模塊，用于對(duì)從采集模塊接收的IR-UWB心跳信號(hào)及集成處理后的ECG信號(hào)數(shù)據(jù)進(jìn)行特征抽取、集成以及診斷分類后，得到監(jiān)測結(jié)果。

在該結(jié)構(gòu)中，所述采集模塊還包括ECG信號(hào)采集子模塊，用于監(jiān)測ECG信號(hào)。ECG信號(hào)攜帶了心跳的生物電特征，如心室去極化與再極化的間隔。ECG信號(hào)采集子模塊可以基于ECG傳感器芯片BMD101和配套藍(lán)牙子模塊搭建。盡管BMD101芯片只能獲取ECG信號(hào)的一個(gè)導(dǎo)聯(lián)，但是對(duì)于后續(xù)正常/異常心跳的診斷分類已經(jīng)足夠了。

在該結(jié)構(gòu)中，所述采集模塊還包括IR-UWB雷達(dá)信號(hào)采集子模塊，用于監(jiān)測IR-UWB雷達(dá)信號(hào)?？梢允褂肗VA-R661雷達(dá)模塊來構(gòu)造IR-UWB雷達(dá)采集子模塊，由于雷達(dá)的發(fā)射功率比無線網(wǎng)絡(luò)發(fā)射功率的十分之一還要低，所以不會(huì)對(duì)人體帶來傷害。

盡管ECG信號(hào)和來自雷達(dá)的IR-UWB雷達(dá)信號(hào)有著不同的特征，但是它們都可以共同描述心跳參數(shù)，可以互相補(bǔ)充，特別是在其中一種數(shù)據(jù)受到嚴(yán)重干擾的情況下是非常有意義的。為了方便后續(xù)的級(jí)聯(lián)CNN模塊處理，還進(jìn)行了同步及不平衡數(shù)據(jù)處理。通常，ECG采集子模塊的采樣率是512赫茲(Hz)，而當(dāng)雷達(dá)覆蓋半徑設(shè)置為2米時(shí)，IR-UWB雷達(dá)信號(hào)采集子模塊的采樣率只有38Hz。由于這兩種信號(hào)的采樣率不同，使得處理后的ECG信號(hào)及IR-UWB心跳信號(hào)的長度也不同，在級(jí)聯(lián)CNN模塊進(jìn)行集成分析，抽取特征時(shí)，要分別為這兩種信號(hào)設(shè)置不同的CNN。

由于ECG信號(hào)和IR-UWB雷達(dá)信號(hào)是通過不同的采集渠道進(jìn)行采集的，采集起始時(shí)間及傳輸時(shí)間可能都會(huì)有所不同。退一步說，即使BMD101芯片和NVA-R661雷達(dá)模塊同時(shí)啟動(dòng)，它們正式工作前各自所需要的準(zhǔn)備時(shí)間也是不一樣的。因此，為了后續(xù)更準(zhǔn)確地進(jìn)行集成分析，必須對(duì)這兩種信號(hào)進(jìn)行同步，也就是時(shí)間校準(zhǔn)。在本發(fā)明實(shí)施例中，選擇了接收時(shí)間戳用來作為時(shí)間校準(zhǔn)的標(biāo)準(zhǔn)。

在該結(jié)構(gòu)中，采集模塊還包括集成處理子模塊，用于對(duì)監(jiān)測的IR-UWB雷達(dá)信號(hào)進(jìn)行集成處理。

圖2為本發(fā)明實(shí)施例提供的同步子模塊對(duì)IR-UWB雷達(dá)信號(hào)進(jìn)行集成處理的結(jié)構(gòu)示意圖，包括：去直流單元、帶通濾波器單元、主成分分析(PCA)去除雜波信號(hào)單元、抽取主要信號(hào)單元及集成經(jīng)驗(yàn)?zāi)Ｊ椒纸鈫卧?，其中?/p>

去直流單元，用于將IR-UWB雷達(dá)信號(hào)中的直流分量去除；

帶通濾波器單元，用于將IR-UWB雷達(dá)信號(hào)進(jìn)行帶通濾波；

PCA去除雜波信號(hào)單元，用于將IR-UWB雷達(dá)信號(hào)中的雜波去除；

抽取主要信號(hào)單元，用于抽取IR-UWB雷達(dá)信號(hào)中的IR-UWB心跳信號(hào)；

集成經(jīng)驗(yàn)?zāi)Ｊ椒纸鈫卧?，用于將抽取得到的IR-UWB心跳信號(hào)根據(jù)經(jīng)驗(yàn)?zāi)Ｊ椒纸猓コ渲械暮粑盘?hào)，最終得到需要的IR-UWB心跳信號(hào)。

由于IR-UWB雷達(dá)具有高的空間分辨率和強(qiáng)的穿透性，這使得它非常適用于監(jiān)測處于運(yùn)動(dòng)狀態(tài)下的胸腔起伏。經(jīng)過監(jiān)測得到的IR-UWB雷達(dá)信號(hào)中，除了需要的IR-UWB心跳信號(hào)外，其中還混雜著直流分量、雜波信號(hào)及呼吸信號(hào)等，需要應(yīng)用下述具體的信號(hào)處理方法從中獲得IR-UWB心跳信號(hào)。

在監(jiān)測得到的IR-UWB雷達(dá)信號(hào)矩陣中，每一行的時(shí)間被稱為快時(shí)τ，每一列的時(shí)間是慢時(shí)t。矩陣中的每一行是信號(hào)波形的采樣，而每一列則代表了回波距離雷達(dá)的不同位置。監(jiān)測得到的IR-UWB雷達(dá)信號(hào)含有直流分量，是靜態(tài)的常數(shù)，不會(huì)隨著慢時(shí)t的改變而改變。因此，可以通過對(duì)信號(hào)矩陣的每行求行平均，然后用原始信號(hào)的每行減去行平均，從而去除IR-UWB雷達(dá)信號(hào)矩陣中的直流分量。

在NVA-R661雷達(dá)模塊中可以通過對(duì)參數(shù)的設(shè)置控制收到信號(hào)的頻率范圍。在已知參數(shù)設(shè)定的情況下，可以知道頻率范圍，于是本發(fā)明實(shí)施例采用一個(gè)帶通濾波器單元就可以進(jìn)一步獲取需要的目標(biāo)IR-UWB雷達(dá)信號(hào)。

PCA方式常被用于提取數(shù)據(jù)的主要特征成分。而雜波信號(hào)是由于靜態(tài)背景環(huán)境反射了雷達(dá)信號(hào)造成的，所以雜波信號(hào)在同一位置的反射波，即雷達(dá)矩陣的同一列上變化很小。因此，PCA雜波信號(hào)的能量通常要大于胸腔起伏所造成的回波信號(hào)的能量。于是，通過奇異值分解(SVD)公式對(duì)信號(hào)矩陣進(jìn)行分解：

R＝USV^T (公式1)

其中，S是由R的非負(fù)奇異值構(gòu)成的，S中的元素，除了對(duì)角線上的元素都是0，對(duì)角線元素則是按照降序排列的非負(fù)奇異值，可以表示為：

S_1，1＞S_2，2＞…＞S_N，N

這些值對(duì)應(yīng)了能量的大小，因此，IR-UWB雷達(dá)信號(hào)的能量主要分布在前面的幾個(gè)奇異值上。對(duì)于一個(gè)特定的能量比，對(duì)應(yīng)奇異值的數(shù)量也就確定了。如果我們把這些奇異值設(shè)為0，那么相應(yīng)比例的能量就被移除了。于是，SVD之后進(jìn)行重建，雜波信號(hào)的大部分能量就被去除，重構(gòu)的IR-UWB雷達(dá)信號(hào)矩陣將會(huì)有更高的信噪比。

在此時(shí)的IR-UWB雷達(dá)信號(hào)矩陣中，所有列對(duì)應(yīng)著不同行位置的能量。由于環(huán)境是靜態(tài)的，起伏胸腔對(duì)應(yīng)的那一列就擁有最大的方差。由此，本發(fā)明實(shí)施例計(jì)算IR-UWB雷達(dá)信號(hào)矩陣各列的方差，找到方差最大的那一列，就得到了IR-UWB心跳信號(hào)。

在確定了IR-UWB心跳信號(hào)所在列之后，需要從呼吸信號(hào)與IR-UWB心跳信號(hào)的混合信號(hào)中將IR-UWB心跳信號(hào)分離出來。經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)根據(jù)信號(hào)自身特性，將確定的IR-UWB心跳信號(hào)分解成為一系列本征模式函數(shù)(IMF)，每個(gè)IMF體現(xiàn)了信號(hào)中不同頻率尺度的震蕩特性。集成經(jīng)驗(yàn)?zāi)Ｊ椒纸?EEMD)是基于EMD的改進(jìn)方法。EEMD在確定的IR-UWB心跳信號(hào)添加隨機(jī)白噪聲，然后多次用EMD處理信號(hào)，對(duì)全部分解得到的IMF求平均值作為最終的IMF，即確定的IR-UWB心跳信號(hào)的基函數(shù)。將得到的IMF分量從高頻到低頻順序排列，排序低的IMF分量代表更快的震蕩模式，排序高的IMF分量代表更慢的震蕩模式。對(duì)每一個(gè)IMF，計(jì)算其在整個(gè)頻段的總能量(ETotal)ETotal以及在心跳頻段內(nèi)([0.8Hz,2.5Hz])的能量(EHeart)。根據(jù)EHeart與ETotal的能量比，選擇具有最大能量比的IMF來重構(gòu)IR-UWB心跳信號(hào)。

在該結(jié)構(gòu)中，采集模塊還包括不平衡數(shù)據(jù)處理子模塊，還用于對(duì)ECG信號(hào)進(jìn)行不平衡數(shù)據(jù)處理后，增加ECG信號(hào)中的異常心跳數(shù)。在這里，不平衡數(shù)據(jù)處理后采用的是對(duì)ECG信號(hào)進(jìn)行過采樣方式及添加白噪聲方式。

在通常情況下，正常心跳往往會(huì)在數(shù)量上大大超過異常心跳，由此造成了ECG信號(hào)的不平衡，并進(jìn)一步導(dǎo)致了大類準(zhǔn)確度也高于小類準(zhǔn)確度。為了處理這種不平衡信號(hào)集，已經(jīng)提出了兩種方法用于抑制大類對(duì)整體分類準(zhǔn)確度的影響。一種方法是在信號(hào)集一側(cè)增加小類或減少大類，另一種方法則是給分類器添加權(quán)值。在使用CNN情況下，過采樣方式比加權(quán)分類器方法表現(xiàn)更好。因此，本發(fā)明實(shí)施例使用了過采樣方式。對(duì)于ECG信號(hào)的周期信號(hào)，一種過采樣方式是通過在一個(gè)周期中移動(dòng)采樣的起始點(diǎn)來增加樣本數(shù)目。此外，在ECG信號(hào)中添加噪聲也可以提高CNN分類準(zhǔn)確度。這些新增的噪聲類似于基線漂移和工頻干擾，符合可被去除的原則。本發(fā)明實(shí)施例也采用了這兩種方法來增加異常心跳的樣本數(shù)。

在該結(jié)構(gòu)中，級(jí)聯(lián)CNN模塊負(fù)責(zé)集成分析集成處理后的ECG信號(hào)數(shù)據(jù)及IR-UWB心跳信號(hào)，以便診斷正常心跳/異常心跳。級(jí)聯(lián)CNN模塊的結(jié)構(gòu)主要有兩層，第一層包括兩個(gè)不同的CNN，即第一CNN，用于對(duì)IR-UWB心跳信號(hào)進(jìn)行特征抽取，提取特征。以及第二CNN，用于對(duì)集成處理后的ECG信號(hào)數(shù)據(jù)進(jìn)行特征抽取。本發(fā)明實(shí)施例采用這種設(shè)置，如前所述，是由于得到的ECG信號(hào)數(shù)據(jù)和從雷達(dá)中獲得的IR-UWB心跳數(shù)據(jù)有著不同的采樣率和數(shù)據(jù)結(jié)構(gòu)。特別地，這里的特征并不是人為預(yù)先設(shè)計(jì)好的，如波幅、面積、均值等，而是由CNN自己挖掘出的數(shù)據(jù)中隱藏的深層特征，也正是這個(gè)特點(diǎn)，使得CNN目前在圖像處理領(lǐng)域的性能是最好的。而且，由于ECG信號(hào)數(shù)據(jù)和IR-UWB心跳信號(hào)都是一維的，第一CNN以及第二CNN也相應(yīng)分別采用采用一維卷積核進(jìn)行特征抽取。級(jí)聯(lián)CNN的第二層是一個(gè)第三CNN，它負(fù)責(zé)給第一CNN及第二CNN提取出的特征進(jìn)行分類打標(biāo)，標(biāo)簽有正常心跳和異常心跳兩種?？梢酝ㄟ^學(xué)習(xí)訓(xùn)練來提升第三CNN分類的準(zhǔn)確度。經(jīng)過訓(xùn)練以后，即可實(shí)時(shí)運(yùn)行，動(dòng)態(tài)展示出監(jiān)測結(jié)果。在第一層和第二層之間，本發(fā)明實(shí)施例設(shè)置一個(gè)特征集成子模塊，用來將第一CNN及第二CNN抽取出來的兩種特征進(jìn)行集成，這里的核心是集成策略。集成后的特征形成了一個(gè)二維特征集，輸入到第三CNN，因此第三CNN的卷積核是二維的。第三CNN的分類結(jié)果還可以經(jīng)過評(píng)估反饋到特征集成子模塊，用以調(diào)整集成策略，優(yōu)化系統(tǒng)性能。

圖3為本發(fā)明實(shí)施例提供的第一CNN或第二CNN的結(jié)構(gòu)示意圖，由于第一CNN及第二CNN的結(jié)構(gòu)相同，所以直接說明，包括：信號(hào)層、卷積層1、池化層1、卷積層2、池化層2、卷積層3和池化層3，處理的都是一維情況。該結(jié)構(gòu)共有3個(gè)卷積層，每個(gè)卷積層后都接著一個(gè)池化層。輸入數(shù)據(jù)都是一維的，所有的卷積核也都是一維的。在前向傳播過程中，每一維卷積層的計(jì)算公式如下：

$x_k^l=f(b_k^l+\underset{i=1}{\overset{N}{\Σ}}conv(w_k^{l-1},y_i^{l-1}\left)\right)$

其中，是第l層的第k張?zhí)卣鲌D，是第l層中第k張?zhí)卣鲌D的偏置，是第l-1層的第i張?zhí)卣鲌D,是從第l-1層的所有特征中向第l層的第k個(gè)特征圖映射的卷積核，N是第l-1層中的總特征數(shù)。符號(hào)conv表示向量卷積，f(·)表示激勵(lì)函數(shù)。

可以有多個(gè)卷積核，每一個(gè)卷積核對(duì)應(yīng)于一個(gè)一維過濾器，用以抽取出一種未經(jīng)設(shè)計(jì)的特征，生成一張?zhí)卣鲌D。實(shí)際上，由于IR-UWB心跳信號(hào)的規(guī)模不像ECG信號(hào)數(shù)據(jù)那么大，第一CNN及第二CNN的每一個(gè)卷積層中的神經(jīng)元數(shù)目、卷積核大小可以不相同，但是它們的輸出特征要能共同輸入到第二層中，所以，它們需要輸出相同規(guī)模的一維特征。

圖4為本發(fā)明實(shí)施例提供的第三CNN的結(jié)構(gòu)示意圖，包括輸入層、卷積層、池化層、隱含層及輸出層，具體地說，第一CNN及第二CNN將抽取的特征輸出并集成，形成第三CNN的二維矩陣輸入到輸入層，經(jīng)過一個(gè)擁有二維卷積核的卷積層之后，接一個(gè)池化層，然后經(jīng)全連接進(jìn)入一個(gè)隱含層，最后是輸出層給出分類的結(jié)果。實(shí)際上，后面的兩層就是一個(gè)經(jīng)典的多層感知機(jī)(MLP)。在這里，通過使用二維卷積核來集成學(xué)習(xí)兩個(gè)由第一CNN和第二CNN所生成的一維特征之間的潛在相關(guān)性，有助于把多平臺(tái)渠道的生物醫(yī)學(xué)記錄更準(zhǔn)確地分到不同類別中。即便有時(shí)候ECG信號(hào)數(shù)據(jù)記錄或IR-UWB心跳信號(hào)有一種可能會(huì)被損毀，最終輸出結(jié)果還是可以依賴于這兩種一維特征以及它們之間的潛在相關(guān)性，從而保持較好的穩(wěn)定性。

特別地，中國心血管疾病數(shù)據(jù)庫(CCDD)提供了一些可用的ECG信號(hào)資源，本發(fā)明實(shí)施例可以對(duì)用于ECG信號(hào)處理的第二CNN進(jìn)行有監(jiān)督的預(yù)訓(xùn)練。本發(fā)明實(shí)施例使用了15萬條CCDD中的ECG信號(hào)記錄，每一條記錄的時(shí)間從10秒到20秒不等，包含12個(gè)導(dǎo)聯(lián)的信號(hào)。經(jīng)過數(shù)據(jù)不平衡處理后，正常心跳與異常心跳數(shù)目大致相等，就可以作為訓(xùn)練數(shù)據(jù)集使用。

在該結(jié)構(gòu)中，第一CNN和第二CNN的抽取特征在輸入到第三CNN之前，先經(jīng)過特征集成，以便第三CNN不僅能夠利用IR-UWB心跳信號(hào)和ECG信號(hào)數(shù)據(jù)各自的特征，還能夠挖掘出二者之間的潛在相關(guān)性。在本發(fā)明實(shí)施例中，這種相關(guān)性正是提高整體診斷分類準(zhǔn)確度的關(guān)鍵支撐，也是本發(fā)明實(shí)施例引入IR-UWB心跳信號(hào)來補(bǔ)充ECG信號(hào)數(shù)據(jù)缺點(diǎn)的主要目的。當(dāng)然，CNN本身已經(jīng)具有較好的集成分析能力，如果本發(fā)明實(shí)施例能進(jìn)一步提高其輸入信號(hào)的集成優(yōu)勢，那么整體性能必將進(jìn)一步得到提升。因此，增加特征集成子模塊的主旨應(yīng)當(dāng)是如何將IR-UWB心跳信號(hào)和ECG信號(hào)數(shù)據(jù)恰當(dāng)?shù)木C合起來，能夠更好地體現(xiàn)出二者的互補(bǔ)性和相關(guān)性。

在CNN模塊中增加特征集成子模塊主要考慮兩方面的因素。第一，IR-UWB心跳信號(hào)和ECG信號(hào)數(shù)據(jù)在各自獨(dú)立的通道中進(jìn)行處理和特征提取，所得到的結(jié)果數(shù)值范圍可能相差比較大，這種差距是否會(huì)對(duì)結(jié)果產(chǎn)生較大影響？是否需要進(jìn)行標(biāo)準(zhǔn)化？第二，如何準(zhǔn)確判斷兩種信號(hào)之間互補(bǔ)性的存在并加以利用？如果IR-UWB心跳信號(hào)和ECG信號(hào)數(shù)據(jù)其中一種受損，此時(shí)集成結(jié)果必然以未受損的一種為主，兼顧兩者之間的潛在相關(guān)性，這正是本發(fā)明實(shí)施例期待性能最能得到提升的情況。但如果兩種信號(hào)都受損，該如何處理？如果兩種信號(hào)都很好，卻呈現(xiàn)負(fù)相關(guān)，又該如何處理？

基于上述分析，本發(fā)明實(shí)施例提出的特征集成子模塊采用加權(quán)集成，表示如下：

y＝[a(1-θ₁)x₁，b(1-θ₂)x₂]

其中，y代表集成的二維信號(hào)，x₁代表IR-UWB心跳信號(hào)，x₂代表ECG信號(hào)，a代表心跳信號(hào)的標(biāo)準(zhǔn)化因子，b代表ECG信號(hào)的標(biāo)準(zhǔn)化因子，θ₁∈[0，1]代表IR-UWB心跳信號(hào)的受損系數(shù)，θ₂∈[0，1]代表ECG信號(hào)的受損系數(shù)，因此，(1-θ₁)代表IR-UWB心跳信號(hào)的完好程度，(1-θ₂)代表ECG信號(hào)的完好程度?？梢姡ㄟ^標(biāo)準(zhǔn)化因子可以控制兩種信號(hào)維度之間的大小平衡，通過受損系數(shù)可以調(diào)整一種信號(hào)在集成信號(hào)中的貢獻(xiàn)比重。一般的，標(biāo)準(zhǔn)化因子可以根據(jù)真實(shí)數(shù)據(jù)情況設(shè)定，受損系數(shù)可以根據(jù)數(shù)據(jù)采集平臺(tái)的工作狀況設(shè)定。在獲得性能評(píng)價(jià)反饋之后，也可以調(diào)整上述參數(shù)。

圖5為本發(fā)明實(shí)施例提供的一種可移動(dòng)心電圖監(jiān)測方法流程圖，其具體步驟為：

步驟501、監(jiān)測IR-UWB雷達(dá)信號(hào)，進(jìn)行同步及集成處理后得到IR-UWB心跳信號(hào)；

步驟502、監(jiān)測ECG信號(hào)，進(jìn)行同步處理及不平衡數(shù)據(jù)處理后得到ECG信號(hào)數(shù)據(jù)；

步驟503、對(duì)從采集模塊接收的IR-UWB心跳信號(hào)及集成處理后的ECG信號(hào)數(shù)據(jù)進(jìn)行特征抽取、集成以及診斷分類后，得到監(jiān)測結(jié)果。

舉一個(gè)具體例子對(duì)本發(fā)明實(shí)施例進(jìn)行詳細(xì)說明。

IR-UWB雷達(dá)信號(hào)和ECG信號(hào)分別由雷達(dá)模塊NVA-R661和ECG模塊BMD101傳感器芯片采集。受測人坐在IR-UWB雷達(dá)前方，手腕上貼上電極片與ECG傳感器相連。共有20志愿者參與了數(shù)據(jù)采集。使用過采樣方法來處理不平衡數(shù)據(jù)。

CNN模塊輸入了10秒長的IR-UWB心跳信號(hào)，有360個(gè)采樣點(diǎn)。ECG信號(hào)在輸入CNN模塊之前，將頻率512Hz重采樣為200Hz，每1200個(gè)采樣點(diǎn)記為一段。標(biāo)準(zhǔn)化因子和都設(shè)置為1。信號(hào)采集平臺(tái)工作狀況良好，受損系數(shù)和都設(shè)置為0。用于訓(xùn)練CNN的實(shí)驗(yàn)平臺(tái)為深度學(xué)習(xí)框架caffe。實(shí)驗(yàn)中具體使用的網(wǎng)絡(luò)參數(shù)如圖6、圖7及圖8所示，圖6為本發(fā)明實(shí)施例提供的第一CNN的具體例子結(jié)構(gòu)圖，圖7為本發(fā)明實(shí)施例提供的第二CNN的具體例子結(jié)構(gòu)圖，及圖8為本發(fā)明實(shí)施例提供的第三CNN的具體例子結(jié)構(gòu)圖。

從圖中可以看出，用于提取IR-UWB心跳信號(hào)的特征的第一CNN使用的三個(gè)卷積核大小分別為1×61、1×31、1×21，池化層都是1×2進(jìn)行平均池化。用于提取ECG信號(hào)數(shù)據(jù)的特征的第二CNN使用了三個(gè)卷積核，大小分別為1×201、1×141、1×141，每一個(gè)池化層都采用1×2的平均池化方法。最終兩者都輸出20張1×20的特征圖，集成為2×20的特征，輸入第三CNN。第三CNN使用的一個(gè)卷積核大小為2×5，池化層也是1×2進(jìn)行平均池化。兩層多層感知機(jī)的隱含層有50個(gè)神經(jīng)元，輸出層有1個(gè)神經(jīng)元。

為了驗(yàn)證本例子設(shè)置的對(duì)于二分類(正常心跳、異常心跳)的準(zhǔn)確度，采用了LCNN進(jìn)行性能比較。表1顯示了在不同的異常記錄與正常記錄比例時(shí)的結(jié)果。本例子使用下面3個(gè)參數(shù)來衡量分類性能。

●準(zhǔn)確度(Acc)：被正確分類的ECG記錄與雷達(dá)記錄的比例

●特異性(Sp)：正常ECG記錄與正常雷達(dá)記錄被正確分類的比例

●靈敏度(Se)：異常ECG記錄與異常雷達(dá)記錄被正確分類的比例

表1 LCNN與級(jí)聯(lián)CNN的比較實(shí)驗(yàn)

表1表明，盡管LCNN的特異性比級(jí)聯(lián)CNN好一些，但LCNN靈敏度為0，不能識(shí)別異常ECG記錄，這也證明了LCNN的缺點(diǎn)，就是給定訓(xùn)練數(shù)據(jù)集的情況下，無法在新數(shù)據(jù)集上保持穩(wěn)定的性能。級(jí)聯(lián)CNN的靈敏度表現(xiàn)不錯(cuò)。LCNN和級(jí)聯(lián)CNN的準(zhǔn)確度都是隨著異常記錄與正常記錄之比的減小而提高，但級(jí)聯(lián)CNN的準(zhǔn)確度總是更高，而且波動(dòng)范圍更小?？梢?，即使數(shù)據(jù)集仍然存在不平衡性，級(jí)聯(lián)CNN仍然能夠表現(xiàn)出高的分類準(zhǔn)確度。

在第二個(gè)實(shí)驗(yàn)中，本例子比較了LCNN與級(jí)聯(lián)CNN在運(yùn)動(dòng)狀態(tài)下的分類性能。在數(shù)據(jù)采集過程中，受測人被允許說話或輕微晃動(dòng)身體。結(jié)果如下表所示。

表2 LCNN與級(jí)聯(lián)CNN在運(yùn)動(dòng)狀態(tài)下的分類性能比較

可見，級(jí)聯(lián)CNN的準(zhǔn)確度一直在最高值附近小幅度波動(dòng)，而且與表1中的靜態(tài)性能相當(dāng)，證明了其在輕微運(yùn)動(dòng)狀態(tài)下性能是穩(wěn)定的。相反，LCNN的準(zhǔn)確度卻一直維持在較低的水平，而且與表1中的靜態(tài)性能相比有較大幅度的下，表明LCNN在處理靜止和運(yùn)動(dòng)狀態(tài)結(jié)合下的數(shù)據(jù)時(shí)，性能是下降的。該結(jié)果再次證明了，級(jí)聯(lián)CNN使用IR-UWB心跳信號(hào)和ECG信號(hào)數(shù)據(jù)集成分析的心律失常分類效果令人滿意，特別是在某些運(yùn)動(dòng)狀態(tài)下，其分類準(zhǔn)確度仍然可以達(dá)到良好的水平。

綜上，本發(fā)明實(shí)施例通過采用級(jí)聯(lián)CNN來抽取和集成來自ECG信號(hào)數(shù)據(jù)和IR-UWB心跳信號(hào)的特征，以便進(jìn)行更全面的分析。也正是由于這種集成分析，使得本發(fā)明實(shí)施例提供的系統(tǒng)能夠在有輕微運(yùn)動(dòng)的狀態(tài)下表現(xiàn)出穩(wěn)定的性能。通過對(duì)比實(shí)驗(yàn)，證明了本發(fā)明實(shí)施例在監(jiān)測的準(zhǔn)確度可以達(dá)到較高水平，即使是在輕微運(yùn)動(dòng)情況下，也有不錯(cuò)的穩(wěn)定性能表現(xiàn)。

以上舉較佳實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。