基于光電容積脈博波RR間期的睡眠靜息狀態(tài)識(shí)別

1、基于光電容積脈博波RR間期的睡眠靜息狀態(tài)識(shí)別摘要:個(gè)體差異性對(duì)生理信號(hào)狀態(tài)識(shí)別具有較大的影響！在實(shí)際應(yīng)用中，解決個(gè)體差異性所遇到的問(wèn)題是新個(gè)體數(shù)據(jù)難以獲得與網(wǎng)絡(luò)模型 適應(yīng)新個(gè)體需要大量的新個(gè)體數(shù)據(jù)之間的矛盾！本文從此處入手運(yùn)用遷移學(xué)習(xí)的思想將MK-MMD加入全卷積網(wǎng)絡(luò)中得到深度適配網(wǎng)絡(luò)，在 使用RR間期識(shí)別睡眠靜息狀態(tài)的應(yīng)用中讓網(wǎng)絡(luò)模型可以通過(guò)少量無(wú)標(biāo)簽的新個(gè)體數(shù)據(jù)使網(wǎng)絡(luò)模型達(dá)到自適應(yīng)的效果！深度適配網(wǎng)絡(luò)較全 卷積網(wǎng)絡(luò)在新個(gè)體上的準(zhǔn)確率增加了 12. 27%的準(zhǔn)確率，且準(zhǔn)確率均提升至80%以上！在解決個(gè)體差異性的問(wèn)題上，深度適配網(wǎng)絡(luò)優(yōu)于傳統(tǒng)網(wǎng) 絡(luò)模型！且在實(shí)際應(yīng)用中提供了一種不用大量采集新個(gè)體

2、的數(shù)據(jù)就能解決個(gè)體差異性的新思路！關(guān)鍵詞：RR間期；遷移學(xué)習(xí)；狀態(tài)識(shí)別；個(gè)體差異性;卷積網(wǎng)絡(luò);深度適配網(wǎng)絡(luò)Sleep Resting State Recognition Based on RR Interval of PPGAbstract: Individual difference has made great impact in the recognition of physiological signal states. In practical applications, the problem encountered in resolving individual differen

3、ce is the contradiction between the difficulty in obtaining new 一 individual data and the need for the network model to adapt to new 一 individual requiring a large amount of new 一 individual data. This article start with the idea of transfer learning and added MK - MMD to the full convolutional netw

4、ork to obtained a deep adaptive network. In the application of using the RR interval to identify the resting state of sleep，the network model could pass a small number of unlabeled new 一 individual data made the network model adaptive. Compared with the full convolutional network，the accuracy of the

5、 deep adaptation network on the new - individual increased by 12. 27% , and the accuracy was increased to more than 80%. In solving the problem of individual difference, deep adaptation networks are superior to traditional network models. And in practice ,it provides a new idea that can resolve indi

6、vidual difference without collecting a large number of new 一 individual data.Keywords： RR interval; transfer learning; state recognition; individual difference; convolutional network; deep adaptive network0引言隨著可穿戴設(shè)備的普及,光電容積脈搏波描記 法(Photo Plethysmo Graphy，PPG)使脈搏波信號(hào)更 加易于獲得。RR間期是PPG信號(hào)兩個(gè)波峰的時(shí)間 差，可由PPG信號(hào)獲

7、得。RR間期不僅能反應(yīng)心臟 節(jié)律的變化還能反應(yīng)人體機(jī)能狀態(tài)在生理信號(hào)領(lǐng)域,數(shù)據(jù)是由一群具有各種不同 特征的個(gè)體產(chǎn)生的。例如在運(yùn)動(dòng)識(shí)別領(lǐng)域中，不同 的個(gè)體可能以不同的步態(tài)模式行走或者跑步。同 樣，在睡眠分期研究中，不同的人在相同的睡眠階段 可能表現(xiàn)出不同的模式。因此，將遷移學(xué)習(xí)技術(shù)應(yīng) 用在生理信號(hào)領(lǐng)域方面是必要的。許多學(xué)者在生理信號(hào)狀態(tài)識(shí)別領(lǐng)域應(yīng)用神經(jīng)網(wǎng) 絡(luò)模型時(shí)并未考慮到個(gè)體差異會(huì)較大程度上影響識(shí) 別結(jié)果。有兩種方式能克服個(gè)體差異對(duì)神經(jīng)網(wǎng)絡(luò)模 型效果的影響:(1)盡可能的收集更多個(gè)體的數(shù)據(jù), 當(dāng)數(shù)據(jù)集所包含的個(gè)體越多，那么所得到的模型泛 化能力越強(qiáng)。但是生理信號(hào)領(lǐng)域與圖像領(lǐng)域不同的 是，圖像領(lǐng)

8、域有ImageNet等包含門(mén)類(lèi)廣、數(shù)據(jù)量大 的公開(kāi)數(shù)據(jù)集，而生理信號(hào)領(lǐng)域的數(shù)據(jù)集往往包含 門(mén)類(lèi)窄、數(shù)據(jù)量小，獲取生理信號(hào)需要考慮到個(gè)人的 隱私且獲取成本比圖像大得多。因此，擴(kuò)大數(shù)據(jù)集 在生理信號(hào)領(lǐng)域并不可行。(2)通過(guò)一個(gè)小數(shù)據(jù)集 訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到一個(gè)習(xí)到足以辨別不同模式的 模型且該模型包含了該數(shù)據(jù)集獨(dú)有的特征。然后獲 取一些新個(gè)體的少量數(shù)據(jù)，使用遷移學(xué)習(xí)的方法通 過(guò)新個(gè)體的數(shù)據(jù)讓模型學(xué)習(xí)得到新個(gè)體獨(dú)有的特 征，從而使得模型可以盡可能的不受新個(gè)體差異性 的影響。國(guó)內(nèi)外近年來(lái)關(guān)于遷移學(xué)習(xí)在生理信號(hào)領(lǐng)域的 應(yīng)用越來(lái)越多。林程在腦機(jī)接口信號(hào)分類(lèi)領(lǐng)域提出 一種基于共同空間模式的遷移學(xué)習(xí)方法。該方法以

9、 共同空間模式特征提取方法為基礎(chǔ)，計(jì)算了目標(biāo)對(duì) 象訓(xùn)練集和其余對(duì)象輔助訓(xùn)練集之間的相似度，根 據(jù)兩者之間的相似度重構(gòu)目標(biāo)對(duì)象訓(xùn)練集的特征數(shù) 據(jù),再建立新的分類(lèi)模型，從而提高分類(lèi)器的準(zhǔn)確 度。實(shí)現(xiàn)了目標(biāo)在少量訓(xùn)練樣本情況下訓(xùn)練可靠的 分類(lèi)模型,并取得了較好的分類(lèi)準(zhǔn)確率。謝平等 在疲勞駕駛檢測(cè)領(lǐng)域，基于時(shí)頻分析方法和復(fù)雜度 分析方法提取各生理信號(hào)(腦電信號(hào)、心電信號(hào)和 肌電信號(hào))特征并進(jìn)行融合。然后，基于特征空間 內(nèi)大間隔映射的遷移學(xué)習(xí)方法實(shí)現(xiàn)對(duì)單一源域到目 標(biāo)域疲勞狀態(tài)的初步判別。提高了不同受試者駕駛 疲勞檢測(cè)的魯棒性。Priyank Jaini等在基于隱馬爾 可夫模型和高斯混合模型將遷移學(xué)習(xí)運(yùn)

10、用到睡眠分 期領(lǐng)域，并實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)的效果。大部分學(xué)者試 圖得到一個(gè)盡可能適合更多人的模型，而本文從特 殊性出發(fā)不求得到一個(gè)“大而全”的模型，而是得到 一個(gè)“小而準(zhǔn)”的模型。在實(shí)際應(yīng)用中，解決個(gè)體差異性所遇到的問(wèn)題 是新個(gè)體數(shù)據(jù)難以獲得與網(wǎng)絡(luò)模型適應(yīng)新個(gè)體需要 大量的新個(gè)體數(shù)據(jù)之間的矛盾，本文將從該問(wèn)題入 手,試圖使用少量新個(gè)體數(shù)據(jù)便能解決個(gè)體差異性。 以睡眠和靜息者兩種對(duì)比較為顯著的狀態(tài)為例，基 于全卷積神經(jīng)模型和遷移學(xué)習(xí)技術(shù)使用RR間期來(lái) 判斷靜息睡眠狀態(tài)，并使得該模型能夠更好的的適 配具有特異性的個(gè)體。1研究方法深度適配網(wǎng)絡(luò)(Deep Adaptation Networks，DAN) 很好

11、的將神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)結(jié)合起來(lái)。本文選 擇全卷積網(wǎng)絡(luò)(Fully Convolutional Networks，F(xiàn)CN) 作為基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，因其在圖像領(lǐng)域表現(xiàn)出 了良好的識(shí)別性能。而在時(shí)間序列分類(lèi)領(lǐng)域，F(xiàn)CN 也被作為特征提取器。在無(wú)監(jiān)督領(lǐng)域自適應(yīng)中，源域可表達(dá)為：= (駕，) di式中：(是具有標(biāo)簽的樣本。目標(biāo)域可表達(dá)為：# = 時(shí)=i式中：(是無(wú)標(biāo)簽的樣本。概率分布P和,分別用來(lái)描述源域和目標(biāo)域。 目的是重建一個(gè)可以習(xí)得連接源域和目標(biāo)域的可遷 移特征，勾結(jié)一個(gè)分類(lèi)器=!( %)，該分類(lèi)器可通過(guò) 源域來(lái)最小化目標(biāo)函數(shù)。1-1多核最大均值差異再生核希爾伯特空間(Reproducing K

12、ernel Hilbert Space，RKHS)表示為-。概率分布p的平均映 射，用(p)來(lái)表示，因此對(duì)于有E,pf( %)= 。+和q之間的多核最大均值差 異(Multiple - kernel Maximum Mean Discrepancy，MK -MMD) ,0( p，q)等于p和q平均映射之間的 RKHS距離，其中0(p,q)被定義為：0( p，q) = II t$( %) - % II (#)使0( p,q) =0 ,那么有p =q。特征映射$與內(nèi) 核的關(guān)系為： TOC o 1-5 h z (%,%) =$( %) ,$( %)( 2)且內(nèi)核被定義為1個(gè)正半定(Positive

13、semi - definite, PSD)內(nèi)核 ku 的凸組合：% = =:&%0,&( 3)= 1= 11-2深度適配網(wǎng)絡(luò)每一個(gè)基本網(wǎng)絡(luò)結(jié)構(gòu)單元可以學(xué)習(xí)的非線性映射可表示為：3 = ReLU( BN(廣(4 h_# + 5)(4)式中：卷積運(yùn)算；5和4網(wǎng)絡(luò)第層的偏置和權(quán)重;h隱藏層的第層。/表示激活函數(shù)，數(shù)學(xué)表達(dá)為：/( %) *%/$:#K( 5)用！ = ( 4，5 = #來(lái)表示FCN的所有參數(shù)，那 么FCN的代價(jià)函數(shù)為：mi $:(!( %),)! (a1 = i式中:！( %9) FCN把樣本；分配給標(biāo)簽 的條件概率;/交叉熵?fù)p失函數(shù)(cross - entropyloss func

14、tion) 本文的目標(biāo)是讓FCN能夠適應(yīng)個(gè)體差異性，所 以把基于MK - MMD的多層適配正則化式(2)加入 FCN的代價(jià)函數(shù)(6)中：# (2吵一$#:(!( %)，-) +( #，#)(7)式中:(懲罰參數(shù)(。);81 = 82 =5。1.3網(wǎng)絡(luò)結(jié)構(gòu)有標(biāo)簽數(shù)據(jù)輸戒一(源域)-全局池化層線性層圖1網(wǎng)絡(luò)結(jié)構(gòu)有標(biāo)簽數(shù)據(jù)輸戒一(源域)-全局池化層線性層圖1是網(wǎng)絡(luò)結(jié)構(gòu)示意圖，陰影部分是FCN，F(xiàn)CN 加上MK - MMD和無(wú)標(biāo)簽數(shù)據(jù)(白色部分)是DAN。 邏輯回歸層(softmax layer)被用于分類(lèi)?；揪W(wǎng)絡(luò) 結(jié)構(gòu)單元由卷積層、批量歸一化層(Batch Normalization ，BN)和線

15、性整流函數(shù)層(Rectified Linear Unit， ReLU)組成。BN可以加快卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò) 程以及提高其性能,ReLU具有更有效率的梯度下降以 及反向傳播且可以避免了梯度爆炸和梯度消失問(wèn)題。網(wǎng)絡(luò)參數(shù)設(shè)定:輸入維數(shù)為256,學(xué)習(xí)率為0. 01，動(dòng) 量為0. 9,梯度下降方法使用隨機(jī)梯度下降(Stochastic Gradient Descent，SGD)，迭代次數(shù)為100,3個(gè)基本網(wǎng)絡(luò) 結(jié)構(gòu)單元的輸入維數(shù)為 128,256,128 ,3個(gè)1維卷積 核的維數(shù)和步長(zhǎng)分別為 7,5,3和1,1,1 2實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)來(lái)源2.1數(shù)據(jù)來(lái)源本文使用上海貝瑞腕式血氧儀收集了 7個(gè)青年 志愿者的

16、睡眠和靜息狀態(tài)下的RR間期數(shù)據(jù)。靜息 狀態(tài)RR間期數(shù)據(jù)采集方式:志愿者采用靜坐的方 式,被測(cè)的手放在桌子上保持不動(dòng)，單次測(cè)量時(shí)間為 2h，每個(gè)志愿者共測(cè)三次。睡眠狀態(tài)RR間期數(shù)據(jù) 采集方式:志愿者戴上血氧儀睡眠，睡眠時(shí)長(zhǎng)大致為 (78) h，每個(gè)志愿者共測(cè)試3晚。截取睡眠時(shí)測(cè) 得的數(shù)據(jù)的最中間2h,作為本文使用的睡眠狀態(tài)數(shù) 據(jù)。這樣,靜息狀態(tài)下和睡眠狀態(tài)下的RR間期數(shù) 據(jù)的長(zhǎng)度一樣，是平衡數(shù)據(jù)集。最終所得到的準(zhǔn)確 率不會(huì)因?yàn)槟骋活?lèi)的數(shù)據(jù)量多而產(chǎn)生偏差，因此僅 使用準(zhǔn)確率這一指標(biāo)便能評(píng)價(jià)模型的好壞。2.2實(shí)驗(yàn)設(shè)計(jì)實(shí)驗(yàn)操作如圖2所示，實(shí)驗(yàn)?zāi)康挠袃牲c(diǎn)：(1)通 過(guò)對(duì)照組實(shí)驗(yàn)來(lái)說(shuō)明源域與目標(biāo)域存在較大

17、個(gè)體差 異性，即適用于源域的模型未必適用于目標(biāo)域;(2) 通過(guò)對(duì)照組和實(shí)驗(yàn)組的對(duì)比說(shuō)明DAN在克服個(gè)體 差異性方面的有效。用256個(gè)數(shù)據(jù)點(diǎn)長(zhǎng)度且步長(zhǎng)為 4個(gè)數(shù)據(jù)點(diǎn)的窗口將采集得到RR間期切分為標(biāo)準(zhǔn) 的子時(shí)間序列，以作為FCN和DAN的輸入。將這 些子時(shí)間序列用# = ( %,) 2=1表示，其中為 RR間期;為的標(biāo)簽(睡眠或者靜息)。首先，將 從所有數(shù)據(jù)中隨機(jī)選出6個(gè)志愿者的RR間期(源 域)，用# = () 2=1表示。將剩余一個(gè)志愿者的RR間期(目標(biāo)域)用# = %； ；= 1表示。其次, #；表示隨機(jī)從選取80%的有標(biāo)簽數(shù)據(jù)，:用作 源域的訓(xùn)練集。以表示剩余20%的有標(biāo)簽數(shù) 據(jù)，用來(lái)作為

18、源域的測(cè)試集;用表示隨機(jī)從#選 取15%的無(wú)標(biāo)簽數(shù)據(jù)，作為目標(biāo)域的訓(xùn)練集;表 示#剩余75%的有標(biāo)簽數(shù)據(jù)，作為目標(biāo)域的測(cè)試 集。第三步，對(duì)照組:用訓(xùn)練集#訓(xùn)練FCN(迭代 100次)得到模型Mfcn，并分別通過(guò)測(cè)試集玖和# 得到準(zhǔn)確率;實(shí)驗(yàn)組：用訓(xùn)練集#；和#訓(xùn)練DAN(迭代1。次)得到模型Mdan，并分別通過(guò)測(cè)試集 玖和#;得到準(zhǔn)確率。最后，重復(fù)第一步至第三步, 且保證每次實(shí)驗(yàn)時(shí)作為目標(biāo)域的志愿者不同,記下實(shí) 驗(yàn)編號(hào)，實(shí)驗(yàn)編號(hào)每次增加1,共有7次對(duì)照實(shí)驗(yàn)。圖2實(shí)驗(yàn)流程圖3識(shí)別結(jié)果圖3是實(shí)驗(yàn)結(jié)果的箱型圖，橫坐標(biāo)是實(shí)驗(yàn)編號(hào)， 縱坐標(biāo)是準(zhǔn)確率。從表1、圖3(a)和圖3( T)的對(duì) 比，可以得知，F(xiàn)

19、CN訓(xùn)練得到的模型在源域上的準(zhǔn) 確率均值都接近100%，并且標(biāo)準(zhǔn)差比較小。但是 在目標(biāo)域的準(zhǔn)確率均值數(shù)值上都低于源域，并且標(biāo) 準(zhǔn)差較大。其中實(shí)驗(yàn)編號(hào)1和實(shí)驗(yàn)編號(hào)5的準(zhǔn)確率 均值分別為61. 21%和62. 88%，接近于隨機(jī)猜測(cè)， 說(shuō)明在實(shí)驗(yàn)編號(hào)1和實(shí)驗(yàn)編號(hào)5中,作為目標(biāo)域的 志愿者與其他志愿者相比具有較大的個(gè)體差異性。 而在實(shí)驗(yàn)編號(hào)2中，源域和目標(biāo)域的準(zhǔn)確率均值分 別為98. 19%和95. 59%相差不大，說(shuō)明作為目標(biāo)域 的志愿者與其他志愿者無(wú)較大差異。因?yàn)樵诰矸e神 經(jīng)網(wǎng)絡(luò)中，用的是源域的有標(biāo)簽數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)，得 到的模型會(huì)在源域上會(huì)過(guò)擬合。而在有個(gè)體差異的實(shí)驗(yàn)編號(hào)1234567FCN源域

20、均值97. 76%98. 19%97. 86%97. 70%97. 49%95. 93%96. 49%標(biāo)準(zhǔn)差0. 03890. 03390. 04050. 03300. 03880. 05480. 0774目標(biāo)域均值61.21%95. 59%79. 54%79. 08%62. 88%83. 64%71.73%標(biāo)準(zhǔn)差0. 05410. 03550. 06490. 02400. 06340. 06090. 0805DAN源域均值76. 11%97. 08%93. 78%91.71%95. 27%94. 62%89.41%標(biāo)準(zhǔn)差0. 04420. 02770. 04170. 06800. 03040

21、. 02660. 0526目標(biāo)域?qū)嶒?yàn)編號(hào)1234567FCN源域均值97. 76%98. 19%97. 86%97. 70%97. 49%95. 93%96. 49%標(biāo)準(zhǔn)差0. 03890. 03390. 04050. 03300. 03880. 05480. 0774目標(biāo)域均值61.21%95. 59%79. 54%79. 08%62. 88%83. 64%71.73%標(biāo)準(zhǔn)差0. 05410. 03550. 06490. 02400. 06340. 06090. 0805DAN源域均值76. 11%97. 08%93. 78%91.71%95. 27%94. 62%89.41%標(biāo)準(zhǔn)差0. 0

22、4420. 02770. 04170. 06800. 03040. 02660. 0526目標(biāo)域均值89. 93%98. 16%88. 50%80. 58%79. 73%94. 31%88. 33%標(biāo)準(zhǔn)差0. 04450. 02460. 03710. 01780. 06790. 03590. 0562表1準(zhǔn)確率的均值和標(biāo)準(zhǔn)差圖4是FCN和DAN在訓(xùn)練時(shí),準(zhǔn)確率隨著迭可知FCN在源域上的從第40次迭代開(kāi)始，準(zhǔn)確率代次數(shù)的增加而變化的趨勢(shì)。從圖4( a)和圖4( T)便都逐漸增加直至收斂于100%，而在目標(biāo)域上的圖3實(shí)驗(yàn)結(jié)果箱型圖準(zhǔn)確率并沒(méi)有隨著迭代次數(shù)的增加而提高,而是各 自“震蕩”在某一個(gè)值上。從圖4( c)和圖4( d)可知