云服务+Deep Learning识别动脉脉搏波的实践和成果

Figure 2 BioRF实际应用中采集到的不同形态的脉搏波

在脉搏波分析领域，不同的传感器研发者采用了大量不同的信号处理和识别算法。其中既包括时域形态识别算法，也包括频域分析方法，例如傅里叶分析和小波分析，此外，信号的主成分分析(PCA)，独立成分分析(ICA)，自适应滤波等技术也是常用的噪声抵消和特征点定位方法。但是，这里介绍的每一种方法也有其使用限制，只有干扰信号符合方法假定的数学规律时，才能得到准确的结果。而在实际应用中，实际采集到的信号并不是每次都符合预先假定的数学规律。

进一步，算法的实现形式也值得关注。在目前业界的产品实践中，算法一般通过嵌入式程序实现和运行。用户每次测量中采集到的原始波形进入嵌入式设备中，算法程序执行信号处理并找到所有特征点。找到特征点后，原始波形通常不再保存。这种工程系统设计虽然有其优点，但是在实际使用中无法记录每一次测量的传感器原始波形，那么当信号处理算法无法正确处理采集到的信号形态时，测量设备只能得到不准确的结果。更危险的是，测量结果的“不准确”本身也无法被及时发现的，因为原始波形信号没有被保存，无从追查。

针对上述现状，我们采用了算法云+Deep Learning的识别信号的方式。

首先，针对特征点的识别，我们引入了Deep Learning。基于我们已经采集到的百万条脉搏波数据，使用卷积神经网络(CNN)、循环神经网络(RNN)等网络结构，结合有监督学习、半监督学习、主动学习等技术，我们训练得到了可以分辨噪声环境下脉搏波特征的神经网络模型。对比测试表明，深度神经网络的识别精度显著高于单一的数字信号处理方法。在遇到训练中没有见过的脉搏波形态时，深度神经网络不但能够输出基于概率的特征点位置，还能够识别出这是一条与此前形态不同的信号，进而触发增量学习过程，使得模型能够随着输入数据的多样性增加而改进。

其次，在工程体系设计上，我们使用云方案保存所有采集到的原始数据。这样不但易于和Deep Learning对接使用，而且克服了嵌入式信号处理方案中信号无法回溯的问题。每一次测量的波形原始信号都被无失真保存在数据库中。同时，波形数据均执行脱敏处理，确保信息安全。在我们的实践中，已经实现通过自动化分析程序从海量脉搏波波形中分析特征点提取结果，基于多维度判断特征点提取结果是否准确，进而发现潜在的问题和波形中潜在的规律。

图3是我们训练出的Deep Learning模型对于脉搏波的分类结果，每种颜色代表一种分类。图2中看似杂乱无章的脉搏波信号在深度神经网络中被明确的分离出若干种不同类别。