基于多示例学习和进化优化的逐搏心率检测方法

摘要

本发明公开了一种基于多示例学习和进化优化的逐搏心率检测方法，主要解决现有技术对人工标记依赖性高和BCG信号心率估计正确率低的问题。其方案为：采集原始心冲击描图信号和手指电信号；提取心冲击图信号的心跳信号特征，将其先划分为正、负包，再划分为训练集和测试集：对训练样本集进行学习得到初始化心跳模板信号，并对其降维得到降维后的心跳模板信号；对降维后的心跳模板信号进行迭代优化，得到最优心跳模板信号；利用最优心跳模板信号对测试样本集进行分类检测，得到最终心率检测结果。本发明提高了对BCG信号心率的估计正确率，且对心跳特征初始化要求低，人工标记成本低，可用于非精确标记的心冲击描记图信号的心跳检测。

权利要求

1.一种基于多示例学习和进化优化的逐搏心率检测方法，其特征在于，包括如下：(1)采集原始心冲击描图信号和手指电信号，采样频率为100Hz，并对其进行滤波处理，获得滤波后的心冲击描图信号b和手指电信号f；

(2)提取心冲击图信号b的心跳信号特征fb；

(3)将手指电信号f每个波峰的同时刻的心冲击图信号b的波峰及其左右两个波峰对应的心跳信号特征，组成一个多示例正包，将两个正包间心冲击图信号b其余波峰对应的心跳信号特征记为负包，并将这些正负包按照1∶1的比例划分为训练样本集x和测试样本y；

(4)对训练样本集进行学习得到初始化心跳模板信号s′：(4a)计算训练样本集x所有负包中示例的均值μb和方差σb，所有训练样本协方差矩阵并通过对该 做特征值分解得到特征向量U和特征值D；

(4b)根据(4a)中的结果，对训练样本集x依次进行白化和归一化处理的预处理，得到预处理后的训练样本集

(4c)设心跳模板信号为s，根据(4a)中的结果，对s依次进行白化和归一化的预处理，得到预处理后的心跳模板信号

(4d)计算预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量及 与训练样本集 中负包的余弦相似度统计量 以 与 中正包示例相似度最大，与负包示例相似度最小为目标方程，将初始化心跳模板信号s′的模值为1作为约束条件，对该目标方程进行求解，得到初始化心跳模板信号s′；

(5)对初始化心跳模板信号s′进行降维处理，得到降维后的心跳模板信号s″；

(6)对降维后的心跳模板信号s″用约束进化算法进行迭代优化，得到最优心跳模板信号ubest；

(7)利用最优心跳模板信号ubest对测试样本集y进行分类检测，得到最终心率检测结果。

2.根据权利要求1所述的方法，其特征在于，(2)中提取心冲击图信号b的心跳信号特征fb，是从检测心冲击描图信号b的所有波峰中，以每个波峰的时间位置为中心，左右各取45个采样点，组成多个长为91的信号段，即为心跳信号特征fb。

3.根据权利要求1所述的方法，其特征在于，(4a)中计算训练样本集x所有负包中示例的均值μb和方差σb，公式如下：其中，xi为训练样本集中所有负包的样本中的第i个样本，1≤i≤n，n为训练样本集中所有负包的样本总和。

4.根据权利要求1所述的方法，其特征在于，(4a)中所有训练样本协方差矩阵 表示如下：

其中，σ(xp，xq)表示 为训练样本集x中第p个样本和第q个样本间的协方差，即 的第p行第q列元素，1≤p≤m，1≤q≤m，m为训练样本集x中样本总数，xpz为第p个样本中的第z个值，1≤z≤k，k为每个样本中值的总个数， 为第p个样本的样本均值，xqz为第q个样本中的第z个值， 为第q个样本的样本均值。

5.根据权利要求1所述的方法，其特征在于，(4b)中所述对训练样本集x依次进行白化和归一化的预处理，通过如下公式进行：T

其中， 是对特征值D的开方，U 是对特征向量U的转置，是对训练样本集x白化处理后的结果， 是 的L1范数，是对 归一化处理后的结果。

6.根据权利要求1所述的方法，其特征在于，(4c)中所述对心跳模板信号s依次进行白化和归一化的预处理，通过如下公式进行：T

其中， 是对特征值D的开方，U是对特征向量U的转置，是对心跳模板信号s白化处理后的结果， 是 的L1范数，是对 归一化处理后的结果。

7.根据权利要求1所述的方法，其特征在于，(4d)中计算所述预处理后的心跳模板信号分别与训练样本集 中正包的余弦相似度统计量 和负包的余弦相似度统计量公式如下：

其中， 为训练样本集x的第h个正包 中与预处理后的心跳模板信号+ +

最相似的示例， 为第h个正包中的第v个示例，1≤h≤N ，N为训练样本集 中正包数量，‑ ‑

为训练样本集x中第k个负包的第g个示例，1≤k≤N，N为负包数量， 表示第k个负包内示例数量。

8.根据权利要求1所述的方法，其特征在于，(4d)中对目标方程进行求解，得到初始化心跳模板信号s′，公式如下：T

其中，为预处理后的心跳模板信号，s′为对初始化心跳模板信号s′的转置， 为预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量， 为预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量

9.根据权利要求1所述的方法，其特征在于，(5)中对初始化心跳模板信号s′进行降维处理，实现如下：

(5a)对初始化心跳模板信号s′以采样频率fs做N点傅里叶变换，得到变换后所有频域分量的幅值、频率和相位，其中N＝91，fs＝128；

(5b)将变换后所有频域分量按幅值由大至小排序，取排序后的L维频域分量，得到降维后的心跳模板信号：

其中al，wl，θl分别为第l维分量对应的幅值，频率，相位，1≤l≤L，2≤L≤12。

10.根据权利要求1所述的方法，其特征在于，(6)中对降维后的心跳模板信号s″用多目标进化算法进行迭代优化，得到降维后的心跳模板信号s″，实现如下：t

(6a)设置最大迭代次数tmax，随机生成种群规模为M＝100心跳模板信号的初始种群A；

t

(6b)设心跳模板信号种群A中的个体为u，将(4d)中的目标方程改写为个体的适应度函数：G(u)＝[F(u)，p(u)]，其中：式中， 为训练样本集x的第h个正包 中与预处理后的心跳模板信号 最相似的示例，+ +

1≤h≤N ，N为训练样本集 中正包数量， 为 的转置， 为训练样本集x中第k个负包的‑ ‑

第g个示例，1≤k≤N ，N 为负包数量， 表示第k个负包内示例数量， 为 的转置；

t t

(6c)采用非一致性变异算子对初始种群A进行变异操作，得到变异后的种群B；

t t

(6d)采用单纯形交叉算子SPX对变异后的种群B进行交叉操作，产生子代种群C；

t t t t t

(6e)将初始种群A与子代种群C合并，得到合集CA＝C∪A；

t

(6f)根据(6b)中的个体适应度函数G(u)计算CA种群中个体的适应度；

t t+1

(6g)对初始种群与子代种群合集CA根据进化策略NSES进行选择，得到t+1代种群A ；

t

(6f)对当前种群A进行判断：t

如果A的种群代数t满足(6a)中的最大迭代次数tmax，则停止迭代，根据帕累托最优法则t

从种群A中选出最优心跳模板信号ubest；

t+1

否则，将t+1代种群A 转至(6c)继续迭代。

说明书

基于多示例学习和进化优化的逐搏心率检测方法

技术领域

[0001] 本发明属于医学信号处理技术领域，更进一步涉及一种心率估计方法，可用于非精确标记的心冲击描记图信号的心跳检测。

背景技术

[0002] 心率是评价人们，特别是心血管疾病患者身体健康状况的重要生命体征之一。大多数心脏病患者需要终生服药，即使临床症状消失，心脏问题也可能随时复发。实时心率监
测是预防心脏病的必要手段。目前用于测量心率的方法有：心电描记法ECG、光学体积描记
法PPG、心音描记法PCG及心冲击描记图法BCG。每种方法都通过测量心搏或心跳周期内人体
中发生的不同现象来确定心率。

[0003] 与ECG相比，BCG以非侵入性和舒适的方式记录了心冲击描记图信号，并且比PPG、PCG精度更高，具有无创性、易操作、传感器和嵌入式系统布置等优点，更适合在家中进行长
期监测。一种使用心脏冲击成像的液压床可用于在睡眠期间收集人的心跳数据，该液压床
有四个传感器，所获得的信号是BCG和呼吸信号的叠加。它有四个液压传感器平行放置在床
垫下面，为心率和其他生命体征，如血压和呼吸频率，提供灵活、低成本和稳定的长期监测
解决方案。

[0004] 多示例学习是一种解决非精确标记问题的弱监督方法，是以多示例包为训练单元的学习问题。在多示例学习中，训练集由一组具有分类标签的多示例包组成，每个多示例包
含有若干个没有分类标签的示例。如果多示例包至少含有一个正示例，则该包被标记为正
类多示例包，即正包。如果多示例包的所有示例都是负示例，则该包被标记为负类多示例包
即负包。多示例学习的目的是，通过对具有分类标签的多示例包的学习，建立多示例分类
器，并将该分类器应用于未知多示例包的预测。在多示例学习中，多示例包的标记是已知
的，示例的标记是未知的。

[0005] 目前，针对BCG信号心率估计的研究方法中，主要有基于频率分析的方法、基于聚类的方法、基于深度学习网络的方法等。例如：

[0006] 西安电子科技大学在其申请的专利“一种心冲击图信号的深度回归心率估计方法”(专利申请号：CN201910688377.3，公开号：CN110420019A)中提出了一种基于双向循环
神经网络和回归网络的心率估计方法。该方法提出的一种心率估计方法是使用双向循环神
经网络获取心跳信号的周期性特征和幅值特征,通过回归网络同时利用心冲击图信号的周
期性特征和幅值特征估计心率值,简化了心冲击图信号心率估计的步骤,有效地降低了心
冲击图信号心率的估计误差。但是，该方法是有监督的方法，获取准确标注的数据集需要耗
费大量人工，在实际应用中受限。

[0007] 桂林电子科技大学在其申请的专利“一种基于高阶谱和卷积神经网络的心冲击信号的分类方法”(专利申请号：CN201910690101.9，公开号：CN110327055A)中提出了一种基
于高阶谱和卷积神经网络的心跳信号分类方法。该方法提出的一种心冲击信号分类方法包
括：采用切比雪夫和小波变换的滤波方法对获得的数据集训练样本进行去噪预处理,得到
纯净的心冲击信号；对心冲击信号进行高阶谱特征分析,得到信号的幅值和相位的特征信
息；构建卷积神经网络模型,将步信号的幅值和相位的特征信息,作为卷积神经网络模型的
输入,得到分类结果。该方法利用高阶谱的时移不变性、尺度变化性和相位保持性进行特征
提取，不仅可以保留更多的信号信息,还能够抑制高斯有色噪声,从而提升心冲击信号分类
的性能；同时,该方法具有更好的泛化性能,并有效解决了高阶谱谱应用的二维模板匹配问
题。但是该方法的不足之处是：针对不同数据期望得到同样良好的分类精度，需要进行大量
特征提取以及特征选择，这显然大大增加了科研人员的工作量，而且，特征选择的不同会对
该方法的分类结果造成一定影响。

发明内容

[0008] 本发明的目的在于针对上述现有技术的不足，提出一种基于多示例学习和进化优化的心率估计方法，以实现对心冲击描图信号心率的准确估计，且充分利用多示例学习弱
监督和多目标优化算法的特性，减少对信号不同特征的选择，降低人工成本，提高BCG信号
心跳分类的准确性及心率检测的精确性。

[0009] 为实现上述目的，本发明技术方案包括如下：

[0010] (1)采集原始心冲击描图信号和手指电信号，采样频率为100Hz，并对其进行滤波处理，获得滤波后的心冲击描图信号b和手指电信号f；

[0011] (2)提取心冲击图信号b的心跳信号特征fb；

[0012] (3)将手指电信号f每个波峰的同时刻的心冲击图信号b的波峰及其左右两个波峰对应的心跳信号特征，组成一个多示例正包，将两个正包间心冲击图信号b其余波峰对应的
心跳信号特征记为负包，并将这些正负包按照1:1的比例划分为训练样本集x和测试样本y；

[0013] (4)对训练样本集进行学习得到初始化心跳模板信号s：

[0014] (4a)计算训练样本集x所有负包中示例的均值μb和方差σb，所有训练样本协方差矩阵 并通过对该 做特征值分解得到特征向量U和特征值D；

[0015] (4b)根据(4a)中的结果，对训练样本集x依次进行白化和归一化处理的预处理，得到预处理后的训练样本集

[0016] (4c)设心跳模板信号为s，根据(4a)中的结果，对s依次进行白化和归一化的预处理，得到预处理后的心跳模板信号

[0017] (4d)计算预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量及 与训练样本集 中负包的余弦相似度统计量 以 与 中正包示例相似度最
大，与负包示例相似度最小为目标方程，将初始化心跳模板信号s'的模值为1作为约束条
件，对该目标方程进行求解，得到初始化心跳模板信号s'；

[0018] (5)对初始化心跳模板信号s'进行降维处理，得到降维后的心跳模板信号s″；

[0019] (6)对降维后的心跳模板信号s″用约束进化算法进行迭代优化，得到最优心跳模板信号ubest；

[0020] (7)利用最优心跳模板信号ubest对测试样本集y进行分类检测，得到最终心率检测结果。

[0021] 本发明与现有技术相比，具有以下优点：

[0022] 1)人工标注成本低

[0023] 本发明在训练过程中基于包的概念进行学习，是一种对非精确标记数据的学习方法，不需要精确标注BCG数据信号的每个心跳位置，大大减少了人工标记的成本；

[0024] 2)心跳分类结果更加精确，心率估计结果更加准确

[0025] 由于本发明采用进化优化对多示例学习得到的初始化心跳模板信号进行优化，利用多目标进化算法搜索空间大、不易陷入局部最优解的优势，更易找到性能优良的全局最
优解，能够对心跳位置与非心跳位置实现准确分类，进而得到更加精确的心率检测结果。

附图说明

[0026] 图1是本发明的实现流程图。

[0027] 图2是技术方案3中，多示例正包和负包的概念说明。

具体实施方式

[0028] 下面结合附图对本发明的实施例和效果作进一步详细描述。

[0029] 参照图1，本发明的实现步骤如下：

[0030] 步骤1，采集原始心冲击描图信号和手指电信号。

[0031] 所述原始心冲击描图信号，是使用v个液压传感器以采样频率fc采集受试者长度为T的v个心冲击图信号；

[0032] 所述手指电信号，是由指夹式脉冲传感器以采样频率fc采集受试者长度为T的心脏脉冲信号；

[0033] 同时采集受试者的v个原始心冲击描图信号和手指电信号，为了减弱心冲击图信号中的呼吸分量和高频噪声对心率估计性能的影响，采用截断频率下限为f1、上限为f2的二
阶巴特沃斯带通滤波器分别对v个心冲击描图信号及手指电信号进行滤波，得到滤波后的v
个心冲击图信号b和手指电信号f，其中f1的取值范围的依据为心冲击图信号中呼吸分量的
频率上限约为0.3Hz～0.8Hz，f2的取值范围的依据为心冲击图信号中高频噪声分量的频率
下限约为8Hz～12Hz，本实例取但不限于f1＝0.4Hz，f2＝10Hz，v＝4，fc＝100Hz,T＝60000。

[0034] 步骤2提取心冲击图信号的心跳信号特征。

[0035] 从检测心冲击描图信号b的所有波峰中，以每个波峰的时间位置为中心点，左右各取45个采样点，组成多个长为91的信号段，即为心跳信号特征fb。

[0036] 步骤3将心跳信号特征划分正包负包，并将正包负包划分为训练集和测试集。

[0037] 参照图2，用手指电信号f每个波峰在同时刻心冲击图信号b的波峰及其左右两个波峰对应的心跳信号特征，组成一个多示例正包，将两个正包间心冲击图信号b其余波峰对
应的心跳信号特征记为负包；

[0038] 将这些正负包按照1:1的比例划分为训练样本集x和测试样本y。

[0039] 步骤4对训练样本集进行学习得到初始化心跳模板信号s。

[0040] (4.1)计算训练样本集x所有负包中示例的均值μb和方差σb，公式如下：

[0041]

[0042]

[0043] 其中，xi为训练样本集中所有负包的样本中的第i个样本，1≤i≤n,n为训练样本集中所有负包的样本总和；

[0044] (4.2)计算所有训练样本协方差矩阵 表示如下：

[0045]

[0046] 其中， 表示训练样本集x中第p个样本和第q个样本间的协方差，即 的第p行第q列元素，1≤p≤m，1≤q≤m，m为训练样本集x中样本总
数，xpz为第p个样本中的第z个值，1≤z≤k，k为每个样本中值的总个数， 为第p个样本的
样本均值，xqz为第q个样本中的第z个值， 为第q个样本的样本均值；

[0047] (4.3)对该训练样本协方差矩阵 做特征值分解得到特征向量U和特征值D；

[0048] (4.4)根据(4.1)中的结果，对训练样本集x先进行白化处理，得到白化处理后的再对 进行归一化处理，得到预处理后的训练样本集 公式表示如下：

[0049]

[0050]

[0051] 其中， 是对特征值D的开方，UT是对特征向量U的转置， 是 的L1范数；

[0052] (4.5)设心跳模板信号为s，根据(4.1)中的结果，对s先进行白化处理，得到白化处理后的 再对 进行归一化处理，得到预处理后的心跳模板信号 公式表示如下：

[0053]

[0054]

[0055] 其中， 是对特征值D的开方，UT是对特征向量U的转置， 是 的L1范数；

[0056] (4.6)计算预处理后的心跳模板信号 分别与训练样本集 中正包的余弦相似度统计量 公式如下：

[0057]

[0058] 其中， 为训练样本集x的第h个正包 中与预处理后的心跳模板信+ +
号 最相似的示例，为第h个正包中的第v个示例，1≤h≤N ，N 为训练样本集 中正包数
量；

[0059] (4.7)计算预处理后的心跳模板信号 分别与训练样本集 中负包的余弦相似度统计量 公式如下：

[0060]‑ ‑

[0061] 其中， 为训练样本集x中第k个负包的第g个示例，1≤k≤N ，N 为负包数量，表示第k个负包内示例数量；

[0062] (4.8)为得到初始化心跳模板信号s'，以预处理后的心跳模板信号 与训练样本集中正包示例相似度最大，与负包示例相似度最小构建目标方程，同时以初始化心跳模板
信号s'的模值为1作为约束条件，该约束的目的是防止在目标方程求解过程中 趋于无
限大，求解目标方程得到s'，表示如下：

[0063]

[0064] 其中，为预处理后的心跳模板信号，s'T为对初始化心跳模板信号s'的转置，为预处理后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量， 为预处理
后的心跳模板信号 与训练样本集 中正包的余弦相似度统计量

[0065] 步骤5对初始化心跳模板信号进行降维，得到降维后的心跳模板信号。

[0066] 由于心跳模板信号维度过大，在进化优化过程中难以收敛至最优解，因此需对初始化心跳模板信号s'进行降维处理，得到降维后的心跳模板信号s″，过程如下：

[0067] (5.1)对初始化心跳模板信号s'以采样频率fs做N点傅里叶变换，得到变换后所有频域分量的幅值、频率和相位，本实例中N＝91，fs＝128；

[0068] (5.2)将变换后所有频域分量按幅值由大至小排序，取排序后的L维频域分量，得到降维后的心跳模板信号s″：

[0069]

[0070] 其中al，wl，θl分别为第l维分量对应的幅值，频率，相位，1≤l≤L，2≤L≤12。

[0071] 步骤6对降维后的心跳模板信号s″用约束进化算法进行迭代优化，得到最优心跳模板信号ubest。

[0072] 现有约束进化算法有罚函数法，可行解偏好法，多目标优化法。本实例使用但不限于多目标优化法的进化算法，其实现如下：

[0073] (6.1)设置最大迭代次数tmax，随机生成种群规模为M＝100心跳模板信号的初始种t
群A；

[0074] (6.2)设心跳模板信号种群At中的个体为u，将(4d)中的目标方程改写为个体的适应度函数:G(u)＝[F(u),p(u)]，其中：

[0075]

[0076] 式中， 为训练样本集x的第h个正包 中与预处理后的心跳模板信号 最相似的+ +
示例，1≤h≤N ，N为训练样本集 中正包数量， 为 的转置， 为训练样本集x中第k个
‑ ‑
负包的第g个示例，1≤k≤N ，N 为负包数量， 表示第k个负包内示例数量，
为 的转置；

[0077] (6.3)通过非一致性变异算子变异操作，得到变异后的种群Bt：

[0078] 由于传统的变异算子的作用和变异代数没有直接关系,当进化到一定代数以后,由于缺乏局部搜索或全程搜索范围相同,很难获得最优解；非一致性变异算子在进化初期,
变异的范围相对较大,随着进化到后期,变异的范围越来越小,从而起到一种对系统微调的
t
作用，因此本实例采用非一致性变异算子对初始种群A 进行变异操作，得到变异后的种群
t
B；

[0079] (6.4)通过交叉操作，产生子代种群Ct：

[0080] 由于单纯形交叉算子SPX基于均匀概率分布产生后代，不需要任何适应度信息，计t
算复杂度低，因此本实例采用单纯形交叉算子SPX对变异后的种群B 进行交叉操作，产生子
t
代种群C；

[0081] (6.5)将初始种群At与子代种群Ct合并，得到合集CAt＝Ct∪At；

[0082] (6.6)根据(6.2)中的个体适应度函数G(u)计算CAt种群中个体的适应度；

[0083] (6.7)对初始种群与子代种群合集CAt利用进化策略NSES根据CAt种群中个体的适t+1
应度进行选择，得到t+1代种群A ；

[0084] (6.8)对当前种群At进行判断：

[0085] 如果At的种群代数t满足(6.1)中的最大迭代次数tmax，则停止迭代，根据帕累托最t
优法则从种群A中选出最优心跳模板信号ubest；

[0086] 否则，将t+1代种群At+1转至(6.3)继续迭代。

[0087] 步骤7利用最优心跳模板信号ubest对测试样本集y进行分类检测，得到最终心率检测结果。

[0088] 本发明的效果可通过以下仿真进一步说明。

[0089] 1.仿真条件

[0090] 仿真在windows10专业版上进行，CPU基本频率为3.3GHZ*2，利用MATLAB R2019a软件进行仿真。

[0091] 2.仿真内容

[0092] 仿真一，用现有的基于希尔伯特变换的心冲击图信号心率估计方法HT对6个受试者进行心率估计，分别获取每个受试者测试集样本的估计心率，并分别计算心率估计误差。

[0093] 仿真二，用现有的基于能量的方法EN对6个受试者进行心率估计，别获取每个受试者测试集样本的估计心率。

[0094] 仿真三，用本发明方法分别为每个受试者学习最优心跳信号模板，分别获取每个受试者测试集样本的估计心率，独立运行十次，结果取平均值。

[0095] 心率估计误差的计算公式为：

[0096]

[0097] 其中，P为受试者测试集的样本总数，yi和 分别为测试集中第i个样本的真实心率和估计心率，·表示绝对值运算。

[0098] 上述三个仿真实验每个个体的心率估计误差，如表1。

[0099] 表1本方法和HT算法、EN算法的心率估计误差对比

[0100]受试者 现有HT方法 现有EN方法 本发明方法
1 0.85 14.69 0.19±0.04
2 0.79 1.83 0.66±0.16
3 0.48 1.65 0.60±0.38
4 1.26 0.77 0.27±0.10
5 1.07 0.53 0.087±0.09
6 1.05 0.61 0.32±0.05

[0101] 3.仿真效果分析

[0102] 从表1中可以看出，本发明方法在六位受试者的测试集样本上的平均心率估计误差为0.35，而HT方法在六位受试者的测试集样本上的平均心率估计误差为0.92，EN方法在
六位受试者的测试集样本上的平均心率估计误差为3.35，显然与HT方法、EN方法相比，本方
法的估计误差较小。并且从上表中可以看出本发明的心率估计误差方差更小，说明本发明
方法的鲁棒性更强。

[0103] 以上的实验结果与实验分析可以表明，本发明方法可以从非精确标记的数据中学习得判别性概念，由于进化算法可搜索的解空间到更加广阔，因此不易陷入局部最优，可以
得到比其他传统迭代优化方法的更优的解，能够BCG信号心跳位置实现有效的分类，证明了
该方法在心跳数据检测上的优越性及鲁棒性。