面向可穿戴生理信號(hào)的壓縮感知實(shí)時(shí)重構(gòu)

1、面向可穿戴生理信號(hào)的壓縮感知實(shí)時(shí)重構(gòu)【摘要】傳統(tǒng)的迭代式壓縮感知重構(gòu)算法由于計(jì)算復(fù)雜度高，數(shù)據(jù)處理實(shí)時(shí)性差，難以在實(shí)際的可穿戴設(shè)備中發(fā)揮作 用。該文結(jié)合深度學(xué)習(xí)中的一維擴(kuò)張卷積和殘差網(wǎng)絡(luò)，提出了一種適用于可穿戴健康監(jiān)護(hù)的非迭代式壓縮感知實(shí)時(shí)重構(gòu)算 法。該方法基于大量生理信號(hào)數(shù)據(jù)訓(xùn)練一個(gè)用于壓縮感知重構(gòu)的網(wǎng)絡(luò)模型，該模型可以對(duì)生理信號(hào)進(jìn)行快速精確重構(gòu)。通過 在兩個(gè)公開的生理信號(hào)數(shù)據(jù)集上的實(shí)驗(yàn)表明，相比于已有的基于深度學(xué)習(xí)的生理信號(hào)壓縮感知重構(gòu)算法，該方法有著更高的 重構(gòu)精度，并且該方法在文中所使用的計(jì)算機(jī)上僅需約0.7 ms即可完成對(duì)一個(gè)2 s長(zhǎng)度信號(hào)幀的重構(gòu)，這比傳統(tǒng)的迭代式壓 縮感知重構(gòu)算法

2、快了大約23個(gè)數(shù)量級(jí)，說(shuō)明該方法有著出色的實(shí)時(shí)性能。關(guān)鍵詞壓縮感知；深度學(xué)習(xí)；非迭代方法；生理信號(hào)；可穿戴設(shè)備Real-Time Compressed Sensing Reconstruction for WearablePhysiological SignalsAbstract The traditional iterative compressed sensing reconstruction algorithm is difficult to play a role in actual wearable devices because of its high computational

3、complexity and poor real-time data processing. In this paper, a non-iterative compressed sensing real-time reconstruction algorithm suitable for wearable health monitoring is proposed by combining one-dimensional dilated convolution and residual network in deep learning. The proposed method trains a

4、 network model for compressed sensing reconstruction based on a large number of physiological signal data, and the trained neural network model can accurately reconstruct physiological signals at a very fast speed. Experiments on 2 open physiological signal data sets show that the proposed method ha

5、s higher reconstruction accuracy than the existing reconstruction algorithms based on deep learning. The proposed method can reconstruct a 2 s signal frame in only about 0.7 ms on the computer used in this paper. This is about 2 3 orders of magnitude faster than the traditional iterative compressed

6、sensing reconstruction algorithm. Therefore, the method proposed in this paper has excellent real-time performance.Key words compressed sensing; deep learning; non-iterative method; physiological signal; wearable device近年來(lái)，人們對(duì)于自身健康越來(lái)越關(guān)注，基于 可穿戴設(shè)備的遠(yuǎn)程健康監(jiān)測(cè)得到了快速發(fā)展1o由 于可穿戴設(shè)備對(duì)于功耗有著嚴(yán)格的要求，傳統(tǒng)的奈 奎斯特采樣方法很難滿足長(zhǎng)期連

7、續(xù)監(jiān)測(cè)對(duì)于低功耗 的需求，而壓縮感知(compressed sensing, CS)理論閔 很好地解決了這一問題。相較于奈奎斯特采樣方 法，壓縮感知可以以較低的采樣率對(duì)信號(hào)進(jìn)行壓縮 采樣，然后利用非線性的壓縮感知重構(gòu)算法從較少 的采樣值中重構(gòu)出原始信號(hào)。通常，壓縮感知假定 信號(hào)在時(shí)域或某些變換域中是稀疏的，并利用信號(hào) 的稀疏性來(lái)精確地重構(gòu)信號(hào)。因此一些經(jīng)典的針對(duì) 稀疏信號(hào)的壓縮感知重構(gòu)算法被提出，如CoSaMP3、 SL04、BM-MAP-OMP5等。但是，有許多信號(hào)無(wú) 論在時(shí)域還是在其他變換域中都是非稀疏的，如可 穿戴遠(yuǎn)程健康監(jiān)測(cè)系統(tǒng)中采集的生理信號(hào)問。因 此，大多數(shù)壓縮感知重構(gòu)算法都不能很

8、好地處理非 稀疏生理信號(hào)。為了解決非稀疏生理信號(hào)的壓縮感知重構(gòu)問 題，文獻(xiàn)7提出了一種塊稀疏貝葉斯學(xué)習(xí)(block sparse bayesian learning, BSBL)框架以從壓縮數(shù)據(jù) 中恢復(fù)非稀疏信號(hào)，并基于邊界最優(yōu)化方法(bound optimization, BO)提出 了 BSBL-BO 算法，該算法可 以以較高的精度直接從時(shí)域?qū)Ψ窍∈枭硇盘?hào)進(jìn)行 重構(gòu)。然而該算法的時(shí)間復(fù)雜度較高，收斂速度 慢，很難滿足可穿戴遠(yuǎn)程健康監(jiān)測(cè)系統(tǒng)對(duì)于實(shí)時(shí)性 的要求。而文獻(xiàn)8在BSBL框架的基礎(chǔ)上提出了 BSBL-FM算法，該算法雖然一定程度上提高了 BSBL算法的速度，但是其對(duì)于非稀疏信號(hào)的重構(gòu)

9、 精度卻無(wú)法保證。為了在不降低信號(hào)重構(gòu)精度的前 提下提高BSBL算法的收斂速度，文獻(xiàn)9基于交替 向量乘子法(alternating direction method of multipliers, ADMM)對(duì)BSBL算法的的迭代過程進(jìn)行優(yōu)化，提 出了 BSBL-ADMM算法，在不降低重構(gòu)精度的前 提下大幅提高了 BSBL重構(gòu)算法的收斂速度。盡管 如此，所有傳統(tǒng)壓縮感知重構(gòu)算法都是迭代式算 法，這意味著這些算法必須經(jīng)過多次迭代，直到收 斂才能完成信號(hào)的重構(gòu)。但在很多情況下，需要在 一些計(jì)算能力受限的設(shè)備上(例如智能手機(jī))進(jìn)行 實(shí)時(shí)數(shù)據(jù)處理，迭代式算法很難實(shí)時(shí)處理這些設(shè)備 上接收到的壓縮數(shù)據(jù)。為

10、了降低信號(hào)重構(gòu)過程中的計(jì)算復(fù)雜度，文 獻(xiàn)10將深度學(xué)習(xí)中基于全連接層的堆疊去噪自 編碼器應(yīng)用于生理信號(hào)的壓縮感知重構(gòu)。但隨著信 號(hào)長(zhǎng)度的增加，網(wǎng)絡(luò)參數(shù)的數(shù)量將急劇增加。這給 模型的訓(xùn)練帶來(lái)了很大的困難，并且還可能導(dǎo)致過 度擬合。因此，這些基于全連接網(wǎng)絡(luò)的方法通常在 實(shí)驗(yàn)中會(huì)將生理信號(hào)劃分為非常短的時(shí)間窗口(遠(yuǎn) 小于1 s)，而時(shí)間窗口太小可能會(huì)破壞信號(hào)結(jié)構(gòu)的 完整性并對(duì)后續(xù)的疾病診斷帶來(lái)不利影響。因此，本文基于深度學(xué)習(xí)中的一維擴(kuò)張卷積11 和殘差網(wǎng)絡(luò)12提出了一種面向可穿戴設(shè)備的生理 信號(hào)壓縮感知實(shí)時(shí)重構(gòu)算法，擴(kuò)張卷積可以大大減 少模型參數(shù)數(shù)量，而殘差網(wǎng)絡(luò)則可以緩解模型訓(xùn)練 期間的梯度衰減現(xiàn)象

11、，從而提高網(wǎng)絡(luò)模型的的性 能。實(shí)驗(yàn)結(jié)果表明，在保證生理信號(hào)重構(gòu)精度的前 提下，本文所提方法的重構(gòu)速度比傳統(tǒng)的迭代式壓 縮感知重構(gòu)算法快23個(gè)數(shù)量級(jí)，從而更容易滿 足實(shí)際的可穿戴健康監(jiān)護(hù)系統(tǒng)對(duì)于實(shí)時(shí)性的需求。1傳統(tǒng)迭代式壓縮感知重構(gòu)壓縮感知是對(duì)信號(hào)邊采樣邊壓縮的一個(gè)過程， 根據(jù)壓縮感知的基本原理，其實(shí)際的采樣過程是分 時(shí)間窗對(duì)模擬信號(hào)進(jìn)行隨機(jī)的非等間隔采樣，而這 種隨機(jī)非等間隔采樣從數(shù)學(xué)的角度可以表示為預(yù)先 生成的隨機(jī)矩陣乘以一段高采樣率的數(shù)字信號(hào)，即 原始信號(hào)。因此壓縮感知的采樣過程可以表示為：s = 0a(1)式中，a e RNxi是原始信號(hào)；0丘rmxn(Mn)是測(cè) 量矩陣(預(yù)先生成的隨機(jī)

12、矩陣)；s e RMi是采集到 的壓縮信號(hào)。壓縮感知重構(gòu)就是基于已知的測(cè)量矩 陣0和壓縮信號(hào)s求解原始信號(hào)a。由于測(cè)量矩陣 0是一個(gè)扁矩陣，因此對(duì)于原始信號(hào)a的求解是一 個(gè)欠定問題，無(wú)法求得其解析解，因此傳統(tǒng)的壓縮 感知重構(gòu)算法通常將這個(gè)欠定問題轉(zhuǎn)換為一個(gè)帶約 束的凸優(yōu)化問題，通過迭代優(yōu)化得到最佳的近似 解。然而這種迭代式算法通常需要很多次迭代才能 達(dá)到設(shè)定的收斂閾值，對(duì)于一些計(jì)算性能受限的設(shè) 備來(lái)說(shuō)，其計(jì)算復(fù)雜度過高，很難滿足可穿戴健康 監(jiān)測(cè)系統(tǒng)對(duì)于實(shí)時(shí)性的需求。2基于深度學(xué)習(xí)的生理信號(hào)重構(gòu)算法2.1問題描述在深度學(xué)習(xí)中，可以將壓縮后的生理信號(hào)s與 原始生理信號(hào)a之間的關(guān)系看做是一個(gè)以s為輸

13、入， a為輸出的非線性函數(shù)，根據(jù)通用近似定理13，深 度神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)在緊支撐集上逼近任意連 續(xù)函數(shù)，這使得利用深度學(xué)習(xí)方法來(lái)實(shí)現(xiàn)壓縮感知 重構(gòu)成為可能。在生理信號(hào)的重構(gòu)過程中，深度學(xué)習(xí)方法的計(jì) 算復(fù)雜度比傳統(tǒng)的迭代式壓縮感知重構(gòu)算法低得 多。盡管深度學(xué)習(xí)方法需要大量時(shí)間進(jìn)行訓(xùn)練，但 是一旦訓(xùn)練完成，訓(xùn)練好的模型只需要若干次矩陣 向量乘法就可以快速地重構(gòu)信號(hào)。本文利用深度神經(jīng)網(wǎng)絡(luò)來(lái)擬合s到a之間的映射 關(guān)系，重構(gòu)信號(hào)用a表示，則上a = G(s)(2)式中，G代表深度神經(jīng)網(wǎng)絡(luò)模型。由于本文的目標(biāo)是要對(duì)原始信號(hào)a進(jìn)行精確重 構(gòu)，因此定義損失函數(shù)匕為重構(gòu)信號(hào)a與原始信號(hào) a之間的均方誤差(M

14、SE)，即：L =椎-a| = |G(s) - a|(3)2.2提出的網(wǎng)絡(luò)模型結(jié)構(gòu)本文基于一維擴(kuò)張卷積和殘差網(wǎng)絡(luò)設(shè)計(jì)了一個(gè) 如圖1所示的面向可穿戴設(shè)備的壓縮感知實(shí)時(shí)重 構(gòu)模型，簡(jiǎn)稱為 CS-DRN(compressed sensing-dilated residual network) o圖1本文提出的CS-DRN模型整體結(jié)構(gòu)其中，所有卷積層均采用如類似圖2所示的一 維擴(kuò)展卷積。擴(kuò)張卷積是傳統(tǒng)卷積層的擴(kuò)展，其為 卷積層引入擴(kuò)張率，擴(kuò)張率定義了一個(gè)卷積核中的 元素之間的間隔，擴(kuò)張卷積通過在原始卷積核中插 入間隔來(lái)擴(kuò)大卷積核的感受野，同時(shí)確保卷積核中 的參數(shù)數(shù)量不變。擴(kuò)張的3x1卷積核13x1卷積

15、核1圖2本文所采用的一維擴(kuò)張卷積另外，為了解決一維生理信號(hào)的重構(gòu)問題，提 出了如圖3所示的3層殘差塊單元。在殘差網(wǎng)絡(luò)中 不僅將輸入依次傳遞到下一層，并且還將輸入疊加 到到下一層的輸出中。與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)相 比，殘差網(wǎng)絡(luò)通過恒等快捷連接將數(shù)據(jù)流直接傳遞 到后面的層，從而可以減輕由于多次堆疊的非線性 變換而引起的梯度衰減。因此，殘差網(wǎng)絡(luò)可以構(gòu)建 更深的網(wǎng)絡(luò)模型，并且訓(xùn)練也將更快。圖3本文提出的殘差塊單元本文提出的殘差塊單元包含3個(gè)一維的擴(kuò)張卷 積層，在該殘差塊單元中，為了保證輸入和輸出可 以直接相加，輸入和輸出的維度和尺寸必須保持一 致，因此這里輸入和輸出均為16個(gè)通道的特征 圖。殘差塊單元中

16、3個(gè)一維卷積層中的卷積核格式 分別為32、64、16，對(duì)應(yīng)的卷積核大小分別為 7*1、5*1、3x1，并且所有卷積核的擴(kuò)張率都設(shè)為 2o為了保持特征圖的尺寸保持不變，在每一層卷 積中都根據(jù)當(dāng)前卷積核的大小和擴(kuò)張率設(shè)置合適的 填充(Padding)值。在每一個(gè)卷積層后面都使用帶 泄露修正線性單元(Leaky ReLU)函數(shù)作為激活函數(shù)。另外，在本文提出的網(wǎng)絡(luò)模型中，會(huì)首先將測(cè) 量矩陣的偽逆與壓縮的生理信號(hào)s相乘，從而將 壓縮信號(hào)轉(zhuǎn)換為與原始信號(hào)大小相同的信號(hào)代理 &，則：& = 0 s(4)式中，0為測(cè)量矩陣0的偽逆。通過這種方式可以 充分利用已知的測(cè)量矩陣和壓縮信號(hào)的信息來(lái)進(jìn)行 學(xué)習(xí)，從而對(duì)原

17、始生理信號(hào)進(jìn)行重構(gòu)。在獲得信號(hào)代理公后通過一個(gè)卷積核大小為 3*1，卷積核數(shù)量為16的一維卷積層將輸入轉(zhuǎn)換 成16個(gè)通道的特征圖。其后則是3個(gè)具有相同結(jié) 構(gòu)的殘差塊單元，緊跟在3個(gè)殘差塊后是一個(gè)卷積 核大小為3*1，卷積核數(shù)量為1的一維卷積層，最 后通過一個(gè)全連接層輸出重構(gòu)的生理信號(hào)& o 2.3模型訓(xùn)練在模型訓(xùn)練時(shí)，本文用Adam優(yōu)化器14對(duì)網(wǎng)絡(luò) 模型進(jìn)行訓(xùn)練，學(xué)習(xí)率為0.001，訓(xùn)練過程中的批 大小為 128。模型基于 python3.7.3 和 pytorch 1.4.0 深度學(xué)習(xí)框架進(jìn)行實(shí)現(xiàn)。模型訓(xùn)練使用的計(jì)算機(jī)配 備了英特爾i5-3 470 CPU、8 GB內(nèi)存和具有6 GB 顯存的

18、英偉達(dá)GTX1060顯卡。3實(shí)驗(yàn)所用數(shù)據(jù)集以及評(píng)價(jià)指標(biāo)3.1數(shù)據(jù)集實(shí)驗(yàn)采用了兩個(gè)公開的生理信號(hào)數(shù)據(jù)集，分別 是 OSET (open-source electrophysiological toolbox) 15 中的signal01”數(shù)據(jù)集和 mitdb (MIT-BIH arrhythmia database) 16數(shù)據(jù)集。OSET數(shù)據(jù)包括8個(gè)采樣率為 1 000 Hz的胎兒心電信號(hào)記錄，而mitdb數(shù)據(jù)集中 則包含48個(gè)長(zhǎng)度為30 min的兩通道心電信號(hào)記 錄，采樣率為360 Hz。兩個(gè)數(shù)據(jù)集都被下采樣到 250 Hz，這也是在心電監(jiān)測(cè)系統(tǒng)中最常用的采樣 率17。此外，從壓縮感知原理來(lái)看

19、，信號(hào)的采樣與 壓縮應(yīng)該是同時(shí)進(jìn)行的。但是從算法研究的角度， 需要原始的數(shù)字信號(hào)作為參照來(lái)評(píng)價(jià)算法的性能， 因此基于壓縮感知的數(shù)學(xué)模型，可以利用奈奎斯特 采樣的數(shù)字信號(hào)作為原始信號(hào)，通過數(shù)字方法對(duì)原 始信號(hào)進(jìn)行壓縮，而不是直接從模擬信號(hào)進(jìn)行壓縮 采樣。3.2評(píng)價(jià)指標(biāo)為了評(píng)價(jià)生理信號(hào)的重構(gòu)精度，本文使用均 方 根失真 百分比 (percentage root-mean squared distortion, PRD)來(lái)量化原始信號(hào)a和重構(gòu)信號(hào)a之 間的百分比誤差：PRD =x 100%(5)l|a|2PRD越低代表著重構(gòu)精度越高。為了評(píng)價(jià)信號(hào)重構(gòu)算法的速度，本文將每個(gè) 信號(hào)幀的重構(gòu)時(shí)間作為反映算

20、法速度的性能指標(biāo)。 為了便于比較幾種算法的速度，除了深度網(wǎng)絡(luò)模型 訓(xùn)練時(shí)使用顯卡計(jì)算外，生理信號(hào)的重構(gòu)過程均只 使用CPU進(jìn)行。4仿真實(shí)驗(yàn)4.1實(shí)驗(yàn)設(shè)置由于壓縮感知是對(duì)信號(hào)進(jìn)行分段采集，因此本 文的實(shí)驗(yàn)中，生理信號(hào)被分割為時(shí)間長(zhǎng)度為2 s的 信號(hào)幀，在生理信號(hào)被分割后，隨機(jī)選取其中 80%作為訓(xùn)練集，剩余20%作為測(cè)試集。重構(gòu)算 法的對(duì)比都在測(cè)試集上進(jìn)行。由于生理信號(hào)被下采樣到250 Hz，因此2 s信 號(hào)幀的長(zhǎng)度為N=500。為了獲得長(zhǎng)度為M的壓縮 信號(hào)，需要先構(gòu)建一個(gè)測(cè)量矩陣，本文使用稀疏二 值矩陣18作為測(cè)量矩陣。在構(gòu)造稀疏二值矩陣 時(shí)，首先構(gòu)造一個(gè)全零的矩陣，無(wú)論矩陣的行數(shù)是 多少，在

21、每一行中隨機(jī)選擇12個(gè)元素，將其值置 為1，從而生成稀疏二值矩陣。壓縮率(compression ratio, CR)定義為：CR =本文首先構(gòu)造了 N=500 和 M=50, 100, , 400, 450的測(cè)量矩陣，相應(yīng)的壓縮率CR=10%, 20%, , 80%, 90%。然后將測(cè)量矩陣和準(zhǔn)備好的時(shí)間幀 a相乘，從而獲得壓縮信號(hào)(或測(cè)量信號(hào))。最后再 利用測(cè)量矩陣和壓縮信號(hào)通過壓縮感知重構(gòu)算法直 接在時(shí)域?qū)π盘?hào)進(jìn)行重構(gòu)。4.2算法對(duì)比為了驗(yàn)證基于深度學(xué)習(xí)的非迭代方法在重構(gòu)速 度上的優(yōu)勢(shì)，本文將提出的CS-DRN算法與BSBL- ADMM算法、BSBL-FM算法和BSBL-BO算法的 實(shí)驗(yàn)

22、結(jié)果進(jìn)行對(duì)比。此外，還對(duì)比了普通卷積神經(jīng) 網(wǎng)絡(luò)(CNN)和堆疊去噪自編碼器(SDAE)對(duì)生理信 號(hào)重構(gòu)的結(jié)果，從而證明本文提出的模型結(jié)構(gòu)的有 效性。對(duì)比實(shí)驗(yàn)中CS-CNN模型采用了與CS-DRN 基本相同的卷積層，但是未采用殘差塊結(jié)構(gòu)，而 SADE的結(jié)構(gòu)則參考文獻(xiàn)10中提出的網(wǎng)絡(luò)模型結(jié) 構(gòu)。由于可穿戴遠(yuǎn)程健康監(jiān)測(cè)系統(tǒng)中采集的生理信 號(hào)往往是非稀疏的6，因此在本文的所有實(shí)驗(yàn)中都 是直接在時(shí)域?qū)ι硇盘?hào)進(jìn)行重構(gòu)。以上算法中， 迭代式壓縮感知重構(gòu)算法均基于Matlab平臺(tái)進(jìn)行 實(shí)現(xiàn)，而基于深度學(xué)習(xí)方法壓縮感知重構(gòu)算法都是 利用python語(yǔ)言和pytorch框架實(shí)現(xiàn)。表1展示的是在OSET數(shù)據(jù)集的測(cè)

23、試集上重構(gòu) 誤差的實(shí)驗(yàn)結(jié)果，從表中可以看出，BSBL-FM算 法的重構(gòu)誤差非常大，基本上無(wú)法對(duì)生理信號(hào)進(jìn)行 有效地重構(gòu)。而BSBL-BO算法的重構(gòu)精度在大部 分壓縮率下都略優(yōu)于BSBL-ADMM算法，但在80% 的壓縮率下，BSBL-ADMM算法的重構(gòu)精度則略優(yōu) 于BSBL-BO算法，而在90%的壓縮率下，BSBL-BO 算法的重構(gòu)精度急劇降低，遠(yuǎn)差于BSBL-ADMM 算法。相比之下，本文提出的CS-DRN算法的重 構(gòu)精度在各種壓縮率下均優(yōu)于BSBL-ADMM算法 和BSBL-BO算法。而對(duì)比CS-CNN和SDAE算法, CS-DRN在各種壓縮率下均優(yōu)于這兩種方法，這說(shuō) 明本文提出的深度網(wǎng)絡(luò)

24、模型結(jié)構(gòu)相對(duì)更優(yōu)。壓縮率/%迭代式算法深度學(xué)習(xí)方法BSBL-BO7BSBL-FM8BSBL-ADMM9SDAE10CS-CNN本文的C S-DRN101.0434.251.060.690.580.19201.6839.111.69壓縮率/%迭代式算法深度學(xué)習(xí)方法BSBL-BO7BSBL-FM8BSBL-ADMM9SDAE10CS-CNN本文的C S-DRN101.0434.251.060.690.580.19201.6839.111.691.281.120.62302.2951.682.352.161.981.40403.0765.323.122.832.792.15504.0079.474.

25、033.963.883.09605.3199.255.385.524.934.06707.49121.737.507.787.146.358013.12159.3813.0915.6813.0512.249036.10181.8724.6826.1323.9621.65表1 OSET數(shù)據(jù)集上6種算法在不同壓縮率下的均方根失真百分比壓縮率/%-迭代式算法深度學(xué)習(xí)方法BSBL-BO7BSBL-FM8BSBL-ADMM9SDAE10CS-CNN本文的C S-DRN101 200.9708.3279.31.450.710.7920壓縮率/%-迭代式算法深度學(xué)習(xí)方法BSBL-BO7BSBL-FM8BSB

26、L-ADMM9SDAE10CS-CNN本文的C S-DRN101 200.9708.3279.31.450.710.7920966.1612.5210.21.370.730.6930519.1330.7131.61.290.670.7040442.2280.2110.31.150.740.7650313.2209.189.70.990.750.7760232.6151.362.50.870.720.6970184.0115.645.10.760.650.6880153.197.536.30.650.730.7990125.582.433.90.580.750.79表2 OSET數(shù)據(jù)集上6種算法在不同壓縮率下的平均重構(gòu)時(shí)間ms為了更好地驗(yàn)證本文提出的CS-DRN算法的據(jù)集上進(jìn)行了生理信號(hào)重構(gòu)的實(shí)驗(yàn)。圖4展示了性能，除了 OSET數(shù)據(jù)集以外，本文還在mitdb數(shù)在mitdb數(shù)據(jù)集上6種壓縮感知重構(gòu)算法在不同壓6040200102030405060708090壓縮率/%圖4 6種算法在不同壓縮率下的PRD此外，本文定義了一個(gè)閾值=5%,當(dāng)一個(gè)信 號(hào)幀的PRD低于或等于這個(gè)閾值時(shí)，則認(rèn)為該信 號(hào)幀重構(gòu)成功。本文將測(cè)試集中所有信號(hào)幀統(tǒng)計(jì)重 構(gòu)成功率作為算法重構(gòu)性能的一個(gè)評(píng)價(jià)指標(biāo)，重構(gòu) 成功率越高則代表算法的重構(gòu)性能越好。圖5給出 了 6種算法在mitdb60402001020304050