基于多核超限学习机的实时心电信号分析

心电分类是一种复杂的模式识别问题。目前,大部分基于不同机器学习模型的心电分类方法都取得了很高的分类精度,但学习效率不高,因此需要一种快速的心电学习方法。文章提出了基于多种核函数的超限学习方法,利用不同的核函数将特征映射到希尔伯特空间,使心电数据在高维空间中线性可分,并在 MIT-BIH 标准库进行了该方法的实验验证。与其他方法相比,文章所提出的方法具有较高的分类准确率和更快的学习速度,对临床上动态心电图的检测与分析和个性化的实时心电监测具有重要意义。     

基于可编程逻辑门阵列软硬件协同设计的心律失常分类系统

近年来,心律失常分类成为生理信号分析中的研究热点。心律失常现象在临床上十分常见,其出现时伴随心电信号中的心拍呈现具有反常形态和节律的波形。正确及时地检测、发现心律失常,并准确地进行心血管疾病的预警,在临床诊断初期具有重要意义。但人工判断异常心电图的远程系统实时性较低,可能延误病人的最佳治疗时机。将心律失常分类算法应用在可穿戴设备等边缘侧智能终端,一方面能够对心电信号进行实时分析处理,另一方面也提高了设备的灵活性及安全性。可编程逻辑门阵列器件作为边缘计算的一种实现形式,在生理信号处理中已经得到了广泛的应用,虽然可编程逻辑门阵列可进行实时流水线操作,但其基于 Verilog 或 VHDL 硬件描述语言,具有开发周期长、成本高、难度大及调试困难等缺点。针对这一问题,该文采用 Xilinx 公司新推出的高层次综合工具 Vivado HLS,以实现基于 MIT-BIH 数据集的心律失常五分类算法,并使用 Xilinx Zynq FPGA 作为硬件平台,在心电信号测试集上进行测试。测试结果显示,该系统的平均分类准确率可达 99.12%,单个心拍分类平均耗时 3.185 ms,与纯 PS 端的单 ARM 核相比,该系统实现了 5.64 倍以上的加速性能。     

基于拓扑非线性动态建模的神经退行性疾病异常步态识别

通过对步态节律变化的观察,可以实现对人体复杂系统的观测,在行走过程中,步幅间隔时间序列的动态特性,能有效反映人体系统的状态变化,可用于步态异常检测及相关疾病辨识。人体步态传感信息的时间序列相空间重建,是一种有效表征系统非线性动力学特性的建模方法。相空间的几何建模和统计分析,是异常步态识别典型的分析方法,被广泛应用于神经退行性疾病检测等临床研究中。该文从空间拓扑特性分析的角度出发,提出一种基于拓扑非线性动态建模的分析方法,用于神经退行性疾病的异常步态识别。该文首先采用延时嵌入的相空间重构方法,将步态的波动时间序列转化为抽象相空间的状态点云;其次,采用基于计算拓扑中的持续同调工具,提取状态点云所在空间的拓扑描述信息;再次,采用基于拓扑描述的持续态势图,构建时间序列的拓扑非线性动态特征;最后,融合步态周期中左右足的步幅间隔、站立间隔、摆动间隔时间序列的拓扑非线性动态特征,作为分类器输入,构建出异常步态的机器学习识别模型。对患有肌硬化症、亨廷顿病和帕金森病的神经退行性疾病患者,进行 5 min 异常步态的连续行走数据(50 步滑动窗数据)测试,步态识别的准确率分别为 0.875 0(0.914 6)、0.940 6(0.962 3) 和 0.958 3(0.961 4)。因此,拓扑非线性动态建模分析是一种有效的神经退行性疾病异常步态检测方法,为基于步态分析的神经退行性疾病检测和可穿戴数据分析提供了一种新的思路。     

基于相空间重建-卷积神经网络识别混合机械通气人机不同步

机械通气过程中人机不同步(patient-ventilator asynchrony,PVA)是常见问题。随着智能生理闭环通气成为呼吸机的主要发展方向,机械通气过程将不再局限于传统的通气模式,且针对 PVA 的智能识别模型,现有技术存在弱泛化性和高复杂度的特点。为此,该文的主要工作是：首先,将定压型与定容型通气模式的混合作为样本;其次,设置 Hold-out 和留一法两种交叉验证实验,以验证混合通气模式下 PVA 的识别任务可行性。此外,为提高 PVA 识别任务中模型的泛化性能,该文提出了基于相空间重建的卷积神经网络(phase-space reconstruction-based convolutional neural network,PSR-CNN)模型,通过交叉验证对现有公开报道的方法做模型选择。在模型构造过程中,相空间重建的最优时间延迟参数和嵌入维度分别使用平均互信息和伪近邻算法估计;在交叉验证过程中,同时使用降采样和补零技术,以保证实验的正常运行。结果显示,就全局指标 accuracy 和 F1-score 而言,该文提出的 PSR-CNN 模型,分别高出对比模型约 7% 和 6%;且 PSR-CNN 单个样本的平均训练耗时最短,约 2 ms。综上所述,该文探索了混合通气模式下 PVA 识别的可行性,且在该任务的框架内提出了 PSRCNN 模型,提高了 PVA 分类任务中模型的泛化性能,降低了模型的复杂度。该文的工作对呼吸机在工程上的智能化发展具有重要参考意义与应用价值。     

基于脑电功能连接拓扑表征的心算任务分类

使用脑网络图的方法分析脑电功能连接存在阈值选择、忽略了脑电图动力学特性的问题。针对这一问题,提出了一种使用拓扑动态建模的方法来分析脑电功能连接矩阵,以提高心算任务分类识别正确率。该方法首先将功能连接矩阵转换为无向加权图,然后使用持续同调工具来构建不同的复形,记录拓扑动态过程中形成的不同阶的同调特征,形成持续图,最后使用持续景观图特征作为分类特征,输入到随机森林分类器进行心算状态识别。在心算状态识别和心算质量分类两个任务中分别获得了最高99.26%、99.20%的识别准确率,97.87%、99.80%的敏感性,以及99.78%、97.64%的特异性,并且在跨个体验证实验中分别获得了66.81%、66.85%的准确率。实验结果表明,该方法能充分考虑所有可能的阈值,有效提取脑电功能连接的分类信息,实现脑电心算状态自动识别。