本发明涉及生物特征提取技术领域，特别是涉及一种基于深度神经网络的心冲击信号深瓶颈特征提取方法。
背景技术：
随着穿戴式设备的日益盛行，无创式心脏功能评估领域成为当今研究热点。常规的心脏功能检测手段，包括心电图(electrocardiogram,ecg)、心磁图、心音、心阻抗图等，均需在人体体表附着电极等检测设备，对监测环境、条件及操作人员具有一定的要求，且给受试者的日常生活造成极大的不便。心冲击信号(ballistocardiogram,bcg)通过检测心脏搏动传导至体表的微弱振动，间接反映心脏的工作状态，是一种无感评估人体心脏动力学性能的先进检测手段。
提取bcg信号的心脏功能特征，是其实际应用的重要环节。由于信号本身较为微弱，且极易受外界环境的干扰，因此提取常规的波形特征参数具有一定的局限性。随着人工智能技术的深入发展，将深度学习理论应用于心冲击信号的特征提取，将有效提高其心脏功能表征性能，同时可克服波形扰动带来的影响，进而扩大bcg信号的实际应用范围。
技术实现要素：
针对现有技术存在的问题，本发明提供一种基于深度神经网络的心冲击信号深瓶颈特征提取方法。
本发明的技术方案是：
一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，包括以下步骤：
步骤1，确定神经网络的输入向量及目标向量形式；同步检测同一受试者的心电信号及心冲击信号，并分别对二者进行预处理，获取深度神经网络的输入向量及目标向量；
步骤2，确定深层神经网络结构；构建一个基于受限玻尔兹曼机的带有瓶颈层的9层神经网络；
步骤3，对神经网络进行预训练，获取深层置信网络模型：以心冲击信号输入向量做为神经网络输入，应用逐层训练方法对神经网络进行无监督预训练，获取dbn模型；
步骤4，对神经网络进行有监督精细训练，获取深瓶颈特征；以心电信号目标向量做为输出层监督目标，构建新型损失函数，并应用反向传播bp算法更新神经网络参数，而后移除瓶颈层之后的各层神经网络，以瓶颈层做为输出层，获得的输出向量即为深瓶颈特征。
步骤1中，确定输入向量及目标向量形式采用以下步骤：
步骤1.1，采集同一受试者的同步心电信号、心冲击信号，并分别对其进行信号归一化处理；
步骤1.2，获取心电信号的r波位置、心冲击信号的j波位置，并以其为基准分别对心电信号、心冲击信号进行分帧，统一获取70个采样点为一帧(信号采样率为100hz)；
步骤1.3，确定输入向量为：每一帧心冲击信号，额外附加两个j-j间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的输入向量；
步骤1.4：确定目标向量为：每一帧心电信号，额外附加两个r-r间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的目标向量。
步骤2中，深层神经网络的搭建采用以下结构：
步骤2.1，以72维的心冲击信号做为输入向量，确定输入层的神经元个数为72个；
步骤2.2，此后每一个隐层均采用rbm结构，构建7层隐含层，其中每一层隐含层的神经元个数分别为：60、40、20、5、20、40、60，中间瓶颈层的神经元个数为5个；此结构为以心冲击信号输入向量做为网络输入，进行多次对比实验后，确定的效果最为理想的结构配比。
步骤3中，获取深层置信网络模型的预训练，过程如下：
步骤3.1，以步骤1中获取的72维心冲击信号输入向量做为步骤2网络的输入；
步骤3.2，对每一隐含层的rbm网络进行无监督训练，其中激活函数仍采用sigmoid函数：
应用梯度下降法来进行迭代优化，完成当前层rbm网络的参数更新后，将其输出做为下一层rbm网络的输入，直至7层隐含层全部训练完毕，即可构成dbn模型。
步骤4中，提取深瓶颈特征的方法，其过程如下：
步骤4.1，以步骤3中预训练的dbn网络为基础，在其输出层后添加一层具有72个神经元的输出层，构成9层dnn网络；
步骤4.2，以步骤3中预训练的网络参数为初值，步骤1中获取的72维心电信号做为目标向量，应用反向传播算法进行参数的更新，完成有监督的精细训练，其中，标记矢量不采用常规的0/1绝对值，而采用均方误差重新构造损失函数如下：
其中，v表示心电信号目标向量，y表示现有模型参数下dnn的输出向量，以二者的最小均方误差做为训练准则；
步骤4.3，应用梯度下降法对网络进行有监督训练，更新网络参数：
其中，
步骤4.4，有监督训练完成后，移除瓶颈层后的隐含层和输出层，以瓶颈层做为新的网络输出层，重新输入心冲击信号向量做为输入向量，经过训练后的网络瓶颈层输出，该5维向量，即为该心冲击信号的深瓶颈特征；该特征具有不依赖心冲击信号波形变化的特点，通过同步心电信号的有监督训练，将心冲击信号的机械动力学特征与心电信号的心脏电生理特征有机结合，从而达到挖掘心冲击中表征心脏功能的深度特征的目的，实现了二者的有机结合。
为验证所提特征的有效性，进行了两类验证实验，分别为：不同受试者的区分验证实验，以及同一受试者不同运动状态的区分验证实验；为验证所提特征的心脏功能表征性能，以超声阻抗心动图为金标准，分别提取心冲击信号的常规波形特征，以及深瓶颈特征，将这两种特征参数与金标准所提特征参数进行相关性评估。
本发明的优点是：
本发明以bcg信号为特征提取对象，应用同步ecg信号对其进行训练，利用深度学习机理获取深瓶颈特征，实现了将bcg信号自身表征的心脏动力学特征与ecg信号表征的心脏电生理特征的有效结合，提高了特征参数的心脏功能表征性能。同时，该方法采用完整的心动周期数据进行训练，所提特征具有趋势化表征能力，大大克服了特征参数对波形扰动的依赖性，具有较高的鲁棒性。
附图说明
图1a为本发明具体实施方式的深度神经网络结构图；
图1b为本发明具体实施方式的深度瓶颈特征获取图；
图2为本发明具体实施方式的心冲击信号深瓶颈特征提取方法流程图；
图3a为本发明具体实施方式的实测心电信号波形图；
图3b为本发明具体实施方式的实测心冲击信号波形图；
图4为本发明具体实施方式的分类方法示意图；
图5为本发明具体实施方式的表征性能效果图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，
步骤1：确定神经网络的输入向量及目标向量形式：同步检测同一受试者的心电信号ecg信号及心冲击信号bcg信号，并分别对二者进行预处理，获取深度神经网络的输入向量及目标向量。
步骤1.1：采集同一受试者的同步ecg信号、bcg信号，并分别对其进行信号归一化处理；
步骤1.2：获取ecg信号的r波位置、bcg信号的j波位置，并以其为基准分别对ecg、bcg信号进行分帧，统一获取70个采样点为一帧(信号采样率为100hz)；
步骤1.3：确定输入向量为：每一帧bcg信号，额外附加两个j-j间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的输入向量。
步骤1.4：确定目标向量为：每一帧ecg信号，额外附加两个r-r间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的目标向量。
步骤2：确定深层神经网络结构：构建一个基于受限玻尔兹曼机rbm(restrictedboltzmannmachine)的带有瓶颈层的9层神经网络。
步骤2.1：以72维的bcg信号做为输入向量，确定输入层的神经元个数为72个；
步骤2.2：此后每一个隐层均采用rbm结构，构建7层隐含层，其中每一层隐含层的神经元个数分别为：60、40、20、5、20、40、60，中间瓶颈层的神经元个数为5个。此结构为以bcg信号输入向量做为网络输入，进行多次对比实验后，确定的效果最为理想的结构配比。
步骤3：对神经网络进行预训练，获取深层置信网络dbn(deepbeliefnetwork)模型：以bcg信号输入向量做为神经网络输入，应用逐层训练方法对其进行无监督预训练，获取dbn模型。
步骤3.1：以步骤1中获取的72维bcg信号输入向量做为步骤2网络的输入；
步骤3.2：对每一隐含层的rbm网络进行无监督训练，其中激活函数仍采用sigmoid函数：
应用梯度下降法来进行迭代优化。完成当前层rbm网络的参数更新后，将其输出做为下一层rbm网络的输入，直至7层隐含层全部训练完毕，即可构成dbn模型。
步骤4：对网络进行有监督精细训练，获取深瓶颈特征：以ecg信号目标向量做为输出层监督目标，构建新型损失函数，并应用反向传播bp算法更新网络参数，而后移除瓶颈层之后的各层网络，以瓶颈层做为输出层，获得的输出向量即为深瓶颈特征。
步骤4.1：以步骤3中预训练的dbn网络为基础，在其输出层后添加一层具有72个神经元的输出层，构成9层dnn(deepneuralnetwork)网络；
步骤4.2：以步骤3中预训练的网络参数为初值，步骤1中获取的72维ecg信号做为目标向量，应用反向传播算法bp(back-propagation)进行参数的更新，完成有监督的精细训练。其中，标记矢量不采用常规的0/1绝对值，而采用均方误差重新构造损失函数如下：
其中，v表示ecg信号目标向量，y表示现有模型参数下dnn的输出向量，以二者的最小均方误差做为训练准则。
步骤4.3：应用梯度下降法对网络进行有监督训练，更新网络参数：
其中，
步骤4.4：有监督训练完成后，移除瓶颈层后的隐含层和输出层，以瓶颈层做为新的网络输出层，重新输入bcg信号向量做为输入向量，经过训练后的网络瓶颈层输出，该5维向量，即为该bcg信号的深瓶颈特征。
步骤5：为验证所提特征的有效性，进行了两类验证实验，分别为：不同受试者的区分验证实验，以及同一受试者不同运动状态的区分验证实验。
步骤5.1：不同受试者的区分验证实验：分别采集10组不同受试者的同步bcg信号及ecg信号，应用步骤1-4的方法提取各自的深瓶颈特征。并在五维空间中绘制这些特征点，通过实验观察可见，不同受试者的特征点会出现在同一空间的不同直线上，验证了该方法区分不同受试者的能力。
步骤5.2：同一受试者不同运动状态的实验：分别采集同一受试者在平静、2分钟跳绳运动后、valsalva动作后、tilt实验后的同步bcg信号及ecg信号，应用步骤1-4的方法提取各自的深瓶颈特征。在五维空间中绘制这些特征点，并以各类别特征参数聚类点的中心为圆心，绘制空间球体，该球体的半径通过自适应的方式获取，以获得最佳分类精度。通过观察分类结果，该特征在区分平静与运动状态下的心脏功能方面，分类效果显著，但在不同运动的区分方面，分类效果有待提升。
步骤5.3：为验证所提特征参数对心脏功能的表征性能，以超声阻抗心动图icg(impedancecardiography)为金标准，分别提取bcg信号的常规波形特征及本发明所提深瓶颈特征，将这两种特征参数与金标准所提特征参数进行相关性评估。通过量化的方式验证本发明所提深瓶颈特征较常规波形特征参数的明显优势。
如图1(a)所示，本具体实施方式的深度神经网络结构为输入层72个神经元，与bcg信号的72维输入向量一一对应，而后接60、40、20、5、20、40、60个神经元的7个隐含层，其中隐含层4为瓶颈层，构成8层的dbn神经网络进行预训练。待训练结束后，在网络的最后添加72个神经元的输出层，构成9层dnn神经网络。ecg信号的72维目标向量，对应该输出层进行有监督训练。
如图1(b)所示，本具体实施方式的深度神经网络结构在完成训练后，移除瓶颈层后的3层隐含层及1层输出层，以之前的瓶颈层直接做为输出层，该层的输出即为深瓶颈特征参数。
如图2所示，采用所述的基于深度神经网络的bcg信号深瓶颈特征提取方法，包括以下步骤：
步骤1：确定神经网络的输入向量及目标向量形式：同步检测同一受试者的ecg信号及bcg信号，并分别对二者进行预处理，获取深度神经网络的输入向量及目标向量。
步骤1.1：采集同一受试者的同步ecg信号、bcg信号，并分别对其进行信号归一化处理；
步骤1.2：获取ecg信号的r波位置、bcg信号的j波位置，并以其为基准分别对ecg、bcg信号进行分帧，统一获取70个采样点为一帧(信号采样率为100hz)；
步骤1.3：确定输入向量为：每一帧bcg信号，额外附加两个j-j间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的输入向量。
步骤1.4：确定目标向量为：每一帧ecg信号，额外附加两个r-r间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的目标向量。
步骤2：确定深层神经网络结构：构建一个基于受限玻尔兹曼机(restrictedboltzmannmachine,rbm)的带有瓶颈层的9层神经网络。
步骤2.1：以72维的bcg信号做为输入向量，确定输入层的神经元个数为72个；
步骤2.2：此后每一个隐层均采用rbm结构，构建7层隐含层，其中每一层隐含层的神经元个数分别为：60、40、20、5、20、40、60，中间瓶颈层的神经元个数为5个。此结构为以bcg信号输入向量做为网络输入，进行多次对比实验后，确定的效果最为理想的结构配比。
步骤3：对网络进行预训练，获取深层置信网络(deepbeliefnetwork,dbn)模型：以bcg信号输入向量做为网络输入，应用逐层训练方法对其进行无监督预训练，获取dbn模型。
步骤3.1：以步骤1中获取的72维bcg信号输入向量做为步骤2网络的输入；
步骤3.2：对每一隐含层的rbm网络进行无监督训练，其中激活函数仍采用sigmoid函数：
应用梯度下降法来进行迭代优化。完成当前层rbm网络的参数更新后，将其输出做为下一层rbm网络的输入，直至7层隐含层全部训练完毕，即可构成dbn模型。
步骤4：对网络进行有监督精细训练，获取深瓶颈特征：以ecg信号目标向量做为输出层监督目标，构建新型损失函数，并应用反向传播bp算法更新网络参数，而后移除瓶颈层之后的各层网络，以瓶颈层做为输出层，获得的输出向量即为深瓶颈特征。
步骤4.1：以步骤3中预训练的dbn网络为基础，在其输出层后添加一层具有72个神经元的输出层，构成9层dnn网络；
步骤4.2：以步骤3中预训练的网络参数为初值，步骤1中获取的72维ecg信号做为目标向量，应用反向传播算法(back-propagation,bp)进行参数的更新，完成有监督的精细训练。其中，标记矢量不采用常规的0/1绝对值，而采用均方误差重新构造损失函数如下：
其中，v表示ecg信号目标向量，y表示现有模型参数下dnn的输出向量，以二者的最小均方误差做为训练准则。
步骤4.3：应用梯度下降法对网络进行有监督训练，更新网络参数：
其中，
步骤4.4：有监督训练完成后，移除瓶颈层后的隐含层和输出层，以瓶颈层做为新的网络输出层，重新输入bcg信号向量做为输入向量，经过训练后的网络瓶颈层输出，该5维向量，即为该bcg信号的深瓶颈特征。
如图3所示，本具体实施方式实际采集的同步bcg信号、ecg信号，均来自于实验室搭建的多生理信号采集座椅，其中bcg信号应用薄膜压力传感器采集，ecg信号采用三导联心电电极采集，图3(a)为实测ecg信号，图3(b)为实测bcg信号。
如图4所示，本具体实施方式在进行步骤5--验证性实验时，绘制所提取的深瓶颈特征参数的空间点，并以各类别特征参数聚类点的中心为圆心，绘制空间球体，该球体的半径通过自适应的方式获取，以获得最佳分类精度。应用这种简单的分类方法，以验证特征参数的聚类效果，排除其他分类器的作用。图4以3维空间为例，对该分类方法进行了示意。
如图5所示，本具体实施方案在进行步骤5--验证性实验时，为验证所提特征参数对心脏功能的表征性能，以icg为金标准，分别提取bcg信号的常规波形特征及本发明所提深瓶颈特征，将这两种特征参数与金标准所提特征参数进行相关性评估，其量化结果如图5所示，可以明显看出本发明所提深瓶颈特征较常规波形特征参数的优势所在。