經(jīng)美國食品藥品監(jiān)督管理局(FDA)批準(zhǔn)后，第一批可穿戴式數(shù)字健康監(jiān)測儀目前剛剛上市，并集成在諸如智能手表之類的消費產(chǎn)品中。醫(yī)學(xué)傳感器技術(shù)的不斷快速發(fā)展，使得小巧、經(jīng)濟且精度越來越高的生理傳感器被應(yīng)用在現(xiàn)有的可穿戴設(shè)備中。

前沿的機器學(xué)習(xí)和人工智能算法正是這種轉(zhuǎn)變的驅(qū)動力之一，它們能夠從海量數(shù)據(jù)中提取和解讀有價值的信息。這些數(shù)據(jù)往往包含噪聲和不太完美的信號（比如智能手表上的心電圖數(shù)據(jù)），并被各種偽信號所破壞，傳統(tǒng)算法常常是基于規(guī)則和確切性的，因此難以妥善處理這類數(shù)據(jù)。

直到最近，解開這些傳感器發(fā)出的生理信號中的秘密，并做出足夠準(zhǔn)確的決策，從而被申報監(jiān)管機構(gòu)接受仍然非常困難，有時甚至是不可能的。而機器學(xué)習(xí)和人工智能算法的進步，正使得工程師和科學(xué)家能夠克服許多這樣的挑戰(zhàn)。

通過這篇文章，讓我們一同來仔細(xì)看看生理信號處理算法的總體架構(gòu)，理解背后的運算過程，并將其轉(zhuǎn)化為經(jīng)過數(shù)十年研究建立起來的現(xiàn)實中的工程技術(shù)。

◆??◆??◆??◆

機器學(xué)習(xí)算法的開發(fā)主要包括兩個步驟（圖 1）。

第一步是特征工程，從相應(yīng)的數(shù)據(jù)集中提取特定數(shù)值/數(shù)學(xué)特征。

第二步，將提取的特征輸入一個廣為人知的統(tǒng)計分類或回歸算法，如支持向量機或適當(dāng)設(shè)定后的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（訓(xùn)練好的模型可用于對新的數(shù)據(jù)集進行預(yù)測）。利用一個合理標(biāo)記過的數(shù)據(jù)集對該模型進行迭代訓(xùn)練，在達到令人滿意的準(zhǔn)確度后，就可以在生產(chǎn)環(huán)境中作為預(yù)測引擎在新數(shù)據(jù)集上使用。

圖 1. 典型的機器學(xué)習(xí)工作流程包括訓(xùn)練和測試階段。

那么，對于心電信號的分類問題，這個工作流程是如何實現(xiàn)的呢？

在本案例中，我們采用了 2017 年的 PhysioNet Challenge dataset，其中使用了真實的單導(dǎo)聯(lián)心電圖數(shù)據(jù)。目標(biāo)是將病人的心電信號分為四類：正常、房顫、其他心律和雜音過多。

在 MATLAB 中處理這個問題的整個流程和各個步驟如圖 2 所示。

圖 2. MATLAB用于開發(fā)心電信號分類的機器學(xué)習(xí)算法的工作流程。

預(yù)處理和特征工程

特征工程可能是開發(fā)一套魯棒的機器學(xué)習(xí)算法中最難的部分。這類問題不能簡單地視為“數(shù)據(jù)科學(xué)”問題，因為在探究解決方法時，掌握生物醫(yī)學(xué)工程領(lǐng)域的專業(yè)知識，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)＜姨峁┝藬?shù)據(jù)分析和高級機器學(xué)習(xí)功能，使他們能夠更容易地將“數(shù)據(jù)科學(xué)”功能（如高級機器學(xué)習(xí)功能）應(yīng)用于他們正在解決的問題，從而專注于特征工程。在本例中，我們使用先進的小波技術(shù)對信號進行處理，以去除數(shù)據(jù)集中的噪聲和漸變趨勢，如呼吸偽影，并從信號中提取各種需要關(guān)注的特征。

開發(fā)分類模型

統(tǒng)計和機器學(xué)習(xí)工具箱中的分類學(xué)習(xí)應(yīng)用程序，對于對機器學(xué)習(xí)不太熟悉的工程師和科學(xué)家來說，是一個特別有效的切入點。

一旦從信號中提取到足夠多實用的相關(guān)特征，我們就能使用這個應(yīng)用程序來快速探究各種分類器及其性能，從而縮小模型選擇范圍，用于進一步優(yōu)化。這些分類器包括決策樹、隨機森林、支持向量機和 K 近鄰(KNN)。您能夠嘗試并選擇出能夠為特征集提供最佳分類性能的策略（通常使用混淆矩陣或 AUC 等指標(biāo)進行評估）。在示例中，我們只采用這種方法就快速實現(xiàn)了所有類別約 80% 的總體準(zhǔn)確率（本次比賽的獲獎項目得分大約為 83%）。注意，我們沒有在特征工程或分類器調(diào)試上花費太多時間，因為重點是驗證方法。

通常，花時間進行特征工程和分類器調(diào)試，可以顯著提高分類準(zhǔn)確度。深度學(xué)習(xí)等更先進的技術(shù)也可以應(yīng)用于此類問題，其中，特征工程、特征提取和分類步驟會被整合到單一訓(xùn)練步驟中，然而與傳統(tǒng)的機器學(xué)習(xí)技術(shù)相比，這種方法通常需要大很多的訓(xùn)練數(shù)據(jù)集，以達到期望的效果。

挑戰(zhàn)、法規(guī)和對未來的承諾

雖然許多常見的可穿戴設(shè)備還不能完全取代 FDA 批準(zhǔn)并經(jīng)醫(yī)學(xué)驗證的對應(yīng)設(shè)備，但所有的技術(shù)和消費趨勢都明確地指向這個方向。FDA 已經(jīng)開始在多方面積極發(fā)揮作用，例如簡化法規(guī)，通過諸如“數(shù)字健康軟件預(yù)認(rèn)證計劃”這樣的舉措，鼓勵管理科學(xué)的發(fā)展，和設(shè)備開發(fā)的建模仿真等。

人們希望，將從日常可穿戴設(shè)備中收集到的人體生理信號轉(zhuǎn)換為一種新型數(shù)字生物標(biāo)記，以全面反映我們的健康狀況。如今，這一愿景比以往任何時候都更加真實，這在很大程度上要歸功于信號處理、機器學(xué)習(xí)和深度學(xué)習(xí)算法的進步。MATLAB 等工具所支持的工作流程，使醫(yī)療設(shè)備領(lǐng)域的專家，在即使不成為數(shù)據(jù)科學(xué)家的情況下，也能夠采取并利用機器學(xué)習(xí)等數(shù)據(jù)科學(xué)技術(shù)。

關(guān)于作者

Arvind Ananthan 是 MathWorks 的全球醫(yī)療器械行業(yè)經(jīng)理。他與醫(yī)療設(shè)備工程師、該領(lǐng)域的學(xué)術(shù)研究人員以及包括 FDA 在內(nèi)的監(jiān)管機構(gòu)密切合作，以理解并解決該行業(yè)在建模、仿真和數(shù)據(jù)分析領(lǐng)域面臨的挑戰(zhàn)和需求。他擔(dān)任過各種技術(shù)和業(yè)務(wù)角色，擁有超過 15 年的從業(yè)經(jīng)驗。