在本文中，我們將仔細研究用于處理生理信號的算法的整體架構(gòu)，并揭開其操作的神秘面紗。

第一波FDA批準的可穿戴數(shù)字健康監(jiān)測器與智能手表等消費產(chǎn)品集成在一起，才剛剛問世。醫(yī)療傳感器技術(shù)繼續(xù)快速發(fā)展，使緊湊、經(jīng)濟高效且越來越精確的生理傳感器能夠進入現(xiàn)成的可穿戴設備。這種轉(zhuǎn)變的真正驅(qū)動力之一是尖端機器學習和人工智能算法的可用性，這些算法可以從大量數(shù)據(jù)中提取和解釋有意義的信息。這包括嘈雜的數(shù)據(jù)和不太完美的信號（例如來自智能手表的ECG數(shù)據(jù)），這些信號被各種偽影破壞，這些偽影很難使用傳統(tǒng)算法進行處理，這些算法往往是確定性和基于規(guī)則的。

直到最近，解開來自這些傳感器的生理信號中的秘密以形成監(jiān)管提交可接受的合理準確的決策是一項挑戰(zhàn)，而且通常是不可能的。機器學習和人工智能算法的進步現(xiàn)在使工程師和科學家能夠克服其中的許多挑戰(zhàn)。在本文中，我們將仔細研究用于處理生理信號的算法的整體架構(gòu)，并揭開其操作的神秘面紗，將其轉(zhuǎn)變?yōu)榛跀?shù)十年研究的更真實的工程。

為了說明簡單機器學習算法的強大功能，這里有一個在線視頻，描述了活動跟蹤器中加速度計的數(shù)據(jù)如何預測佩戴者的各種運動狀態(tài)或休息狀態(tài)。我們可以將這種方法擴展到更復雜的真實世界醫(yī)療信號，如ECG，并開發(fā)可以自動將ECG信號分類為正?；虮憩F(xiàn)出心房顫動的算法。

開發(fā)機器學習算法包括兩個主要步驟。此工作流的第一步是特征工程，其中從感興趣的數(shù)據(jù)集中提取某些數(shù)字/數(shù)學特征并將其呈現(xiàn)給后續(xù)步驟。在第二步中，將提取的特征輸入到眾所周知的統(tǒng)計分類或回歸算法中，例如支持向量機或傳統(tǒng)神經(jīng)網(wǎng)絡，這些算法經(jīng)過適當配置，以提出經(jīng)過訓練的模型，然后可用于新的數(shù)據(jù)集進行預測。一旦使用表示良好的標記數(shù)據(jù)集迭代訓練此模型，直到達到令人滿意的精度，就可以在新數(shù)據(jù)集上將其用作生產(chǎn)環(huán)境中的預測引擎。

那么，該工作流程如何查找ECG信號分類問題呢？對于本案例研究，我們轉(zhuǎn)向2017年P(guān)hysioNet Challenge數(shù)據(jù)集，該數(shù)據(jù)集使用真實世界的單導聯(lián)心電圖數(shù)據(jù)。目的是將患者的心電圖信號分為四類之一：正常、心房顫動、其他節(jié)律和太嘈雜。

預處理和特征工程

特征工程步驟可能是開發(fā)強大的機器學習算法中最困難的部分。這樣的問題不能簡單地被視為“數(shù)據(jù)科學”問題，因為在探索解決此問題的各種方法時，擁有生物醫(yī)學工程領(lǐng)域的知識以了解不同類型的生理信號和數(shù)據(jù)非常重要。MATLAB 等工具為領(lǐng)域?qū)＜規(guī)砹藬?shù)據(jù)分析和高級機器學習功能，使他們能夠更輕松地將“數(shù)據(jù)科學”功能（如高級機器學習功能）應用于他們正在解決的問題，從而專注于特征工程。在此示例中，我們使用先進的小波技術(shù)進行信號處理，以消除數(shù)據(jù)集中的噪聲和緩慢移動的趨勢，例如呼吸偽影，并從信號中提取各種感興趣的特征。

開發(fā)分類模型

統(tǒng)計和機器學習工具箱中的分類學習器應用程序?qū)τ趧偨佑|機器學習的工程師和科學家來說是一個特別有效的起點。在我們的示例中，一旦從信號中提取了足夠數(shù)量的有用和相關(guān)特征，我們使用此應用程序快速探索各種分類器及其性能，并縮小進一步優(yōu)化的選項范圍。這些分類器包括決策樹、隨機森林、支持向量機和 K 最近鄰 （KNN）。這些分類算法使您能夠嘗試各種策略，并選擇為特征集提供最佳分類性能的策略（通常使用混淆矩陣或 ROC 曲線下面積等指標進行評估）。在我們的案例中，我們很快就在所有課程中達到了~80%的總體準確率，只需遵循這種方法（本次比賽的獲勝作品得分約為83%）。請注意，我們沒有花太多時間在特征工程或分類器調(diào)優(yōu)上，因為我們的重點是驗證該方法。通常，花一些時間在特征工程和分類器調(diào)整上會導致分類準確性的顯著進一步提高。更高級的技術(shù)（如深度學習）也可以應用于此類問題，其中特征工程和提取以及分類步驟組合在一個訓練步驟中，盡管與傳統(tǒng)的機器學習技術(shù)相比，這種方法通常需要更大的訓練數(shù)據(jù)集才能正常工作。

挑戰(zhàn)、法規(guī)和未來承諾

雖然許多常用的可穿戴設備還沒有準備好取代FDA批準和醫(yī)學驗證的對應設備，但所有技術(shù)和消費趨勢都強烈指向這個方向。FDA開始在簡化法規(guī)和鼓勵監(jiān)管科學發(fā)展方面發(fā)揮積極作用，特別是通過數(shù)字健康軟件預認證計劃以及設備開發(fā)中的建模和仿真等舉措。

從日常使用可穿戴設備中收集的人類生理信號成為新的數(shù)字生物標志物，可以提供我們健康狀況的全面圖景，現(xiàn)在比以往任何時候都更加真實，這在很大程度上是由于信號處理、機器學習和深度學習算法的進步。由 MATLAB 等工具支持的工作流使醫(yī)療設備的領(lǐng)域?qū)＜夷軌驊煤屠脵C器學習等數(shù)據(jù)科學技術(shù)，而無需成為數(shù)據(jù)科學專家。

審核編輯：郭婷