0 引言
脉搏波是一种非平稳的低频微弱生理信号，其中蕴含的生理病理特征可用于人体病理的辅助诊断[1]。基于脉搏波解决心血管疾病分类方法主要分为模型驱动和数据驱动[2-3]。模型驱动主要是基于领域先验知识构建模型求解最优解；数据驱动是基于大量脉搏波数据训练的端到端深度学习模型。
传统脉搏波分类方法通常提取具有明确生理意义的时域参数和频谱[4-5]等作为样本特征，通过支持向量机、随机森林、K-近邻等算法实现分类识别。对于微弱脉搏波信号，主波、重搏前波、重搏波等[6]基准特征直观反应脉搏波形态信息，但此类特征提取的准确性易受噪声影响，且手工设计特征不足以精准地表达原始脉搏波数据，与心血管疾病关联性强的样本特征[7]有待进一步研究。随着深度学习技术发展，基于深度学习的脉搏波分类方法得到广泛研究。
利用卷积神经网络[8]、深度融合神经网络[9]等自动学习脉搏波内在规律和表示层次，建立脉搏波与疾病的非线性映射关系，取得较好的脉搏波分类效果。而网络训练的前提是大量有效标注数据。脉搏波临床数据标注成本高，需要较长时间周期才能建立高质量的大规模标注数据。在小样本脉搏波标注数据中，数据驱动的训练方法获取有效特征[8]的难度大。
自编码器是一种结构对称的神经网络，包含编码器和解码器两部分，使重构脉搏波尽可能与输入相似。训练中，隐层通过自学习提取输入数据的有效特征，且减弱模型对数据标签的依赖，符合脉搏波数据特点。
针对脉搏波临床数据有限、标注成本高影响分类效果的问题，设计一种基于CAE-Net(convolutional autoencoder networks)的脉搏波分类模型，在CAE特征自学习中，引入时域特征损失，约束网络压缩重构过程。其次，重用CAE编码层网络结构和初始权重构建CAE-Net，实现心血管疾病的辅助分类。
1 基于CAE-Net脉搏波分类模型
1.1 基于CAE的脉搏波特征自学习
自编码器[10]是基于反向传播算法学习到一个“恒等映射”。脉搏波作为一种非线性、非平稳的微弱生理信号，传统自编码器难以有效提取特征表示。利用AE(autoencoder)重构、降维特性和CNN局部特征提取能力构建CAE[11-12]，通过卷积层、池化层和反卷积等多层叠加，获取层次特征映射，实现脉搏波低维特征自学习。
结合脉搏波波形特点，在CAE中引入脉搏波时域特征约束，使模型充分提取脉搏波的有效特征。编码器采用3个卷积层、3个最大池化层和1个全连接层；解码器包括3个反卷积层、3个反池化层和1个全连接层。图1为CAE结构图，Conv1d、Max_pooling、FC、DeConv1d和Depooling分别代表一维卷积层、最大池化层、全连接层、反卷积层和反池化层。
图1 CAE结构图
Figure 1 Structure of CAE mode
给定输入脉搏波X=[x1,x2,x3，…，xn]，通过多个卷积核对其进行特征提取，得到第l层输出cl，并通过池化层进行降采样得到
以保留输入数据主要特征和防止过拟合。运算方法为
cl=f(Wl⊗X+bl)；
(1)
c′l=Maxpooling(cl)。
(2)
式中： Wl、bl分别为第l层网络的权重和偏差；f(·)为ReLU函数；Maxpooling(·)为最大池化操作。
如图1所示，在网络训练过程中，编码器逐层获取输入数据的特征映射，经过Flatten层和FC层后，得到隐层的一维特征向量。相反，解码器利用隐层特征通过反卷积层、反池化层等重构输入脉搏波信号，并通过式(3)的损失函数评估CAE对脉搏波重构性能。
(3)
(4)
式中：
M表示输入脉搏波与重构信号的平均绝对误差，式(3)后两项分别为波峰、波谷的重构损失；xp(i)、x′p(i)分别为输入、重构脉搏波峰值；xv(i)、x′v(i)分别为输入、重构脉搏波谷值；λ1、λ2为限制损失程度的正则化参数；n为训练样本数量；Xi为输入脉搏波信号；X′i为重构脉搏波信号。
训练中，在网络损失函数中加入波峰、波谷损失约束，指导特征自学习过程。通过设定网络隐层神经元数量M，调整表征向量大小。
1.2 CAE-Net脉搏波分类模型
CAE-Net采用预训练和微调的方法，实现心血管疾病的脉搏波分类识别[13]。重用预训练CAE编码层网络和权重，在隐层输出后加入全连接层等构建分类网络，图2显示了CAE-Net网络架构。
图2 基于CAE-Net的脉搏波分类模型
Figure 2 Pulse wave classification model of CAE-Net
预训练中，利用CAE的压缩重构特性，实现输入脉搏波信号特征自学习。使隐层神经元数量M小于输入脉搏波维度，经过多层卷积操作获取脉搏波的低维特征表示。
微调过程中，CAE-Net重用并冻结编码层结构和权重，之后添加全连接层，并根据类标签信息进一步优化全连接层参数。CAE-Net的损失函数为
(5)
式中:(XL,class)为交叉熵分类损失；XL为模型输出；class为真实标签；N为脉搏波类别数。
2 实验与结果分析
2.1 数据集与预处理
本文使用数据采集于350余名志愿者(年龄在22～72岁)的桡动脉脉搏波。其中包含心血管病患者60例(男性26名，女性34名)，正常人290例(男性163名，女性127名)。采集设备为ZM-300脉象仪，采样频率200 Hz，单条采集时间40 s。整个采集过程在医师指导下完成，且符合数据采集规范流程。
脉搏波属于低频生理信号，其主要频率分布于0～20 Hz，易受基线漂移和工频噪声等干扰。采用小波阈值去噪法[14]对原始信号进行滤波处理，提升脉搏波信噪比，以降低噪声对模型性能影响。图3为滤波前后脉搏波信号。
图3 滤波前后脉搏波信号
Figure 3 Pulse wave signal before and after filtering
脉搏波作为一种准周期生理信号，其单周期是对一个心动周期内心脏功能的重要反映。实验采用迭代滑动窗口法识别脉搏波波谷进行周期划分[15],并对分割后的信号进行插值处理,使单周期脉搏波样本长度等于248。图4为脉搏波周期分割。
图4 脉搏波周期分割
Figure 4 Period segmentation of pulse wave
实验中，对采集数据进行预处理后，共获取脉搏波数据8 600条，其中正常脉搏波数据6 830条，异常数据1 770条，包含心律失常、心肌缺血和高血压等3种常见心血管疾病。
2.2 评估参数
模型评估采用准确率Acc、灵敏度Sen、精确度Pre和F1值。4个评价指标计算式如下：
(6)
(7)
(8)
(9)
式中：TP为将正例样本预测为正的数量；TN为将负例样本预测为负的数量；FP为负例样本预测为正的数量；FN为将正例样本预测为负的数量；Acc为模型分类准确率；Sen衡量模型对异常波形的识别能力；Pre为被分为异常的样本中实际为异常的比例；F1为Sen和Pre的调和均值。
2.3 实验设计与结果分析
本文实验平台为台式计算机，处理器为AMD Ryzen 2600X，主频3.60 GHz，16 GB内存，NVIDIA GTX1060显卡，运行环境：Windows10 64位，Python 3.6，Tensorflow-2.1.0。
基于预训练的CAE，重用编码器网络结构和权重，构建CAE-Net进行如下实验。
实验1 选取包括正常、心血管疾病在内的脉搏波数据进行实验，验证CAE-Net分类效果。
CAE-Net的输入向量维数为248，第一个卷积层卷积核数量为16，尺寸为3×1，步长为1，卷积过程采用ReLU激活函数，并对输入边缘进行补零填充；池化层采用尺寸为2×1、步长为2的窗口进行最大值池化；设定隐层神经元数量M=100；输出层激活函数为softmax函数。其他参数见表1。
表1 CAE-Net各层参数
Table 1 Parameters of CAE-Net
层数网络层名称卷积核数量×尺寸输出大小1Input248×12Conv1d16×3×1 248×163Max_pooling2×1×2124×164Conv1d32×3×1124×325Max_pooling2×1×262×326Conv1d64×3×162×647Max_pooling2×1×2 31×648Flatten1984×19FC100×1
CAE-Net对心血管疾病脉搏波分类准确率如图5所示。可以看出，随着训练次数不断增加，CAE-Net脉搏波分类准确率达到98.00%。
图5 CAE-Net分类正确率
Figure 5 Classification accuracy of CAE-Net
实验2 为进一步验证模型的有效性，采用其他分类器进行对比实验。
(1)SVM方法：利用SVM径向基函数分别对主成分分析(principal component analysis，PCA)的降维特征和CAE隐层特征进行分类。
(2)CNN方法：利用与CAE编码器结构相同的一维CNN网络对脉搏波数据进行有监督学习。
(3)CAE-Net(MSE)方法：将绝对均值误差作为卷积自编码器网络的损失函数，对脉搏波进行分类识别。
(4)深度融合神经网络MIRNet[16]方法：将Inception模块与残差模块融合，降低模型过拟合，提升网络分类准确率。
各网络采用五折交叉验证并取均值，分类结果见表2。从表2可知，当隐层神经元数量M=100时，相较于PCA-SVM，CAE-SVM方法获得较高准确率，且灵敏度明显高于PCA-SVM的77.11%。在SVM方法中，CAE的特征提取效果优于PCA，所提取脉搏波特征与心血管疾病的关联性更强。
表2 不同分类器对比结果
Table 2 Comparison results of different classifiers %
网络准确率Acc灵敏度Sen准确度PreF1PCA-SVM93.9577.1192.1983.98CAE-SVM95.3089.8392.0290.91CNN[8]96.6390.3993.0291.69CAE-Net(MSE)96.8790.8793.4592.14CAE-Net98.0093.3995.4394.40MIRNet[16]97.3491.5495.3592.92
在相同数据集中，引入时域特征约束的CAE-Net分类准确率为98.00%，高于CAE-Net(MSE)，且两种CAE-Net分类准确率均高于CNN。其中，加入时域特征约束的CAE-Net性能更优，其F1值达到94.40%。
相较于文献[16]的融合神经网络MIRNet，CAE-Net的灵敏度、准确率和F1值等指标均更优，且CAE-Net的灵敏度达到93.39%。综上，在小样本、弱标注的脉搏波数据上，本文的CAE-Net在基于脉搏波的心血管疾病分类任务中更具优越性。
为了直观显示CAE-Net的性能，对CAE-Net的原始脉搏波输入和输出进行t-SNE可视化处理，如图6所示。其中蓝色圆点代表心血管疾病样本，红色叉点代表正常样本。由图6看出，CAE-Net改善了模型在脉搏波数据上的分类性能。
图6 脉搏波数据可视化
Figure 6 Visualization of pulse wave data
3 结论
基于深度学习的脉搏波分类依赖大量标记数据，针对脉搏波临床数据有限、标注成本高影响分类效果的问题，设计基于CAE-Net的脉搏波分类模型。结合脉搏波形特点，在CAE中引入脉搏波时域特征约束，利用CAE压缩重构特性，提升模型对低维特征学习能力；其次，重用预训练CAE编码层网络结构和权重构建CAE-Net。所设计网络在心血管疾病脉搏波数据集上分类的准确率达到98.00%，对异常波形的识别精确度达95.43%，能够有效提取与心血管疾病强关联性的特征，同时预训练过程无须使用脉搏波标签，提升模型在小样本脉搏波数据上分类效果。
受样本数据量的限制，本文仅研究了模型对异常脉搏波的分类识别，未对心血管疾病做出更为详细的分类。后续工作将研究相关数据增广技术，并扩展模型在脉搏波信号时序及空间上的特征提取能力，进一步提升其应用价值。
[1] LIU W C,FANG X,CHEN Q Q,et al.Reliability analysis of an integrated device of ECG, PPG and pressure pulse wave for cardiovascular disease[J].Microelectronics reliability,2018,87:183-187.
[2] IQBAL U,YING WAH T,HABIB UR REHMAN M,et al.Usage of model driven environment for the classification of ECG features:a systematic review[J].IEEE access,2018,6:23120-23136.
[3] KOREN 
M,PRASAD R.Comparison of data-driven models for cleaning eHealth sensor data:use case on ECG signal[J].Wireless personal communications,2020,114(2):1501-1517.
[4] SHARMA H.Heart rate extraction from PPG signals using variational mode decomposition[J].Biocybernetics and biomedical engineering,2019,39(1):75-86.
[5] 刘国华,周文斌.基于卷积神经网络的脉搏波时频域特征混叠分类[J].吉林大学学报(工学版),2020,50(5):1818-1825.
[6] ISLAM M T,ZABIR I,AHAMED S T,et al.A time-frequency domain approach of heart rate estimation from photoplethysmographic (PPG) signal[J].Biomedical signal processing and control,2017,36:146-154.
[7] HASSANI A,FORUZAN A H.Improved PPG-based estimation of the blood pressure using latent space features[J].Signal,image and video processing,2019,13(6):1141-1147.
[8] LI G Y,WATANABE K,ANZAI H,et al.Pulse-wave-pattern classification with a convolutional neural network[J].Scientific reports,2019,9:14930.
[9] KWON S,HONG J,CHOI E K,et al.Deep learning approaches to detect atrial fibrillation using photoplethysmographic signals:algorithms development study[J].JMIR mHealth and uHealth,2019,7(6):e12770.
[10] HUANG Z W,XUE W T,MAO Q R,et al.Unsupervised domain adaptation for speech emotion recognition using PCANet[J].Multimedia tools and applications,2017,76(5):6785-6799.
[11] CHEN M, SHI X B, ZHANG Y, et al. Deep features learning for medical image analysis with convolutional autoencoder neural network[J]. IEEE transactions on big data, 2017: 1-1.
[12] YANG J L, BAI Y, LIN F, et al. A novel electrocardiogram arrhythmia classification method based on stacked sparse auto-encoders and softmax regression[J].International journal of machine learning and cybernetics,2018,9(10): 1733-1740.
[13] 逯鹏,李奇航,尚莉伽,等.基于优化极限学习机的CVD预测模型研究[J].郑州大学学报(工学版),2019,40(2):1-6.
[14] 季忠,刘旭.基于波形特征和小波的脉搏波特征点识别研究[J].仪器仪表学报,2016,37(2):379-386.
[15] ZHANG Z C,ZHANG Y,YAO L N,et al.A sensor-based wrist pulse signal processing and lung cancer recognition[J].Journal of biomedical informatics,2018,79:107-116.
[16] 张选,胡晓娟.基于GoogLeNet和ResNet的深度融合神经网络在脉搏波识别中的应用[J].计算机系统应用,2019,28(10):15-26.