基于SAE深度神经网络的自主循环恢复辨识算法研究

张 广，王宗阁，，王平安，王慧泉，苏 琛*

（1.军事科学院系统工程研究院卫勤保障技术研究所，天津 300161；2.天津工业大学生命科学学院，天津 300387）

0 引言

在战争或紧急灾害条件下，伤员易受到多种因素导致的心脏骤停伤害，心脏骤停严重危及人类的生命。对于心脏骤停患者的抢救，大多依赖于快速的高质量心肺复苏和除颤[1]。高质量的心肺复苏需要持续有节律的胸部按压并最大程度地减少按压的中断次数[2-4]，但是人工检查人体自主循环是否恢复的过程中可能会耗费大量时间，导致按压长时间的中断，进而对心肺复苏结果产生负面影响，即使由专业的临床医生操作也不能完全避免这个问题[5-6]。因此，提出一种快速准确的自主循环结果检测方法具有重要意义。

现有研究中，通过监测潮气末CO2、有创血压或中心静脉血氧饱和度等指标可以准确地评估自主循环结果[7-12]，但这些方法都需要建立安全的气道或放置导管，具有侵入性；经胸阻抗（trans-thoracic impedance，TTI）测量方法和近红外光谱（near-infrared spectroscopy，NIRS）方法可以实现无创检测[13-16]，但是TTI测量方法容易受胸部按压的影响，NIRS方法对自主循环结果检测响应较慢，因此均不适宜进行大规模的推广应用。心肺复苏指南中提到可以使用光电容积描记（photoplethysmography，PPG）技术来对自主循环结果进行无创检测[17-18]。PPG技术是一种用于测量自发脉搏和其他血液动力学参数经常使用的方法，具有检测方便、易于使用且非侵入性的优点。

近年来，深度学习在研究工作中使用越来越广泛，其具有很强的数据特征学习能力，可以通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，在研究领域和工业应用有着广泛的应用。栈式自编码（stacked autoencoder，SAE）深度神经网络是对自编码网络的一种使用方法[19]，是一个由多层训练好的自编码器组成的深度神经网络，具有逐层降维功能，可以使复杂问题简单化，有助于进行网络构建和结果预测。

基于以上现状，本研究拟通过开展动物实验，利用无创生理参数绘制的能量谱图和SAE深度神经网络，克服机械按压和战场嘈杂环境对伤员生理信号辨识的干扰，实现对心肺复苏过程中自主循环恢复、心脏骤停等关键启停指标的及时、准确辨识，为医学救援人员提供高准确度的自主循环恢复信息，使其作为急救参考辅助救援人员实施高效率的伤员救治。

1 数据采集及处理

1.1 数据采集

为了更好地实现对心脏骤停以及自主循环恢复的准确辨识，本研究对长白猪进行电击，人为制造室颤模型，并通过心肺复苏、电击除颤使实验猪自主循环恢复。完整的实验流程如图1所示。

图1 实验流程图

（1）实验准备：对实验猪进行全身麻醉，建立通道（股动脉、右颈外静脉、左颈外静脉），佩戴信号采集设备，采集基线数据。（2）诱发室颤：当实验猪的生理状态处于稳定时，对其心脏进行电击诱发室颤，电击电压为35 V，电击持续时间为5～10 s。（3）心肺复苏：诱发室颤成功后，利用心肺复苏按压设备进行持续按压操作，按压通气比为30∶2，按压时长约为5 min。（4）电击除颤：按压结束后，打开除颤仪，选择能量为100 J对实验猪心脏进行电击除颤。（5）重复进行心肺复苏及电击除颤操作，直至其自主循环恢复。（6）实验猪状态恢复平稳后，再次重复步骤（2）～（5），获取下一组实验数据。动物实验与数据采集场景如图2所示。

图2 动物实验与数据采集场景

实验过程中使用RM6240C多通道生理信号采集系统（成都仪器厂）同步持续采集实验猪的心电、光电脉搏波以及有创血压信号，采样频率均为1 kHz。本研究一共完成10头实验猪的数据采集，体质量范围为（31±5.5）kg。研究过程严格遵守动物实验准则，得到解放军总医院医学伦理委员会的批准。

1.2 数据处理

实验过程中采集得到的光电容积脉搏波信号通常会受到不同因素的干扰，如运动伪影、工频干扰、白噪声等，这些干扰因素会导致采集得到的原始脉搏波信号发生基线漂移或信号突变，大大降低了对信号中有用信号的利用程度，部分干扰信号还会淹没有用信号的特征点，导致对特征点识别不准确，降低后续的信号处理及预测。因此，采集到原始信号后，需要先对脉搏波数据进行滤波处理，将干扰信号从原始信号中分离出来并加以抑制。

脉搏波信号的主要频率范围为1～20 Hz，因此脉搏波信号的巴特沃斯低通滤波器的通带截止频率设置为15 Hz，阻带截止频率设置为20 Hz，通带纹波设置为1 dB。针对基线漂移等干扰脉搏波的低频干扰信号，先用模板法找到原始脉搏波信号的谷值点，然后使用三次样条插值法得到脉搏波基线，并通过减法处理去除基线数据，去除干扰后的脉搏波波形如图3所示。

图3 脉搏波波形图

1.3 能量谱图

为了更深入地研究心肺复苏过程中脉搏波的变化，本研究绘制了PPG信号的能量谱图。能量谱图的绘制过程如下：（1）使用长度为5 s的时间窗对PPG数据进行滑动分割，步长为1 s；（2）将每20 s作为一个数据段，将此时间段内每个窗口内的数据进行傅里叶变换；（3）20 s数据段的傅里叶变换结果通过MATLAB中的imagesc函数进行二维作图后即可获得PPG能量谱图。

能量谱图具有可视化的优点，能够将脉搏波频率及能量随时域变化情况进行可视化呈现。如图4所示，该能量谱图反映的是未进行任何操作情况下，实验猪稳定状态时一段脉搏波的能量谱图。根据图4即可观察到脉搏波频率随时间变化的情况，同时图中的颜色亮度可以反映脉搏波能量变化及生命体征的能量变换，还可以看到未进行任何操作时，实验猪的脉搏波频率稳定在1.535 Hz左右，同时实验猪的脉搏波能量正常变化，表明猪处于正常生命状态。

图4 实验猪稳定状态时PPG信号能量谱图

图5为实验过程中实验猪发生室颤并恢复自主循环的过程，从图中可以看到，当对实验猪进行人为电击制颤，83 s左右时图中脉搏波频率消失，表明室颤造模成功，此时其心脏处于室颤状态，因此不再对外泵血，导致脉搏波消失，反映在图中即脉搏波频率消失；当实验猪恢复自主循环后，162 s处脉搏波频率重新出现，说明实验猪心脏解除室颤状态，心脏重新工作开始泵血，因此脉搏波重新出现，表明此时实验猪已恢复自主循环。整个发生室颤及恢复自主循环的过程可以在能量谱图中得到清晰展示，表明该能量谱图可以有效地反映自主循环恢复与否。

图5 室颤及自主循环恢复过程

2 基于SAE深度神经网络的辨识模型构建

SAE深度神经网络是一种有效的无监督特征识别和深度学习方法，广泛用于各种特征提取和分类问题。为了实现自主循环恢复的准确辨识，本研究使用由双重隐藏层SAE组成的深层神经网络来构建脉搏波信号与自主循环恢复标志之间的相关模型[19-20]。

SAE深度神经网络表示由多个自动编码器组成的反馈神经网络模型。由输入层、2个隐藏层和输出层组成的4层神经网络模型结构如图6所示，神经网络上一层与下一层之间的神经元完全互连。自动编码器使用神经网络第一层的激活功能来提取输入数据的特征，并将其转发到下一个隐藏层。本研究利用了Sigmoid激活函数，由下式得到：

图6 SAE深度神经网络模型结构

式中，x表示网络结构输入神经元；f（x）表示输出结果。

本研究中SAE深度神经网络的4层网络结构中输入层是PPG数据经过连续傅里叶变换后的多维度参数，输出层是患者是否恢复自主循环的标签。SAE深度神经网络的权值矩阵包括特征抽取矩阵、特征编码矩阵和分类重建矩阵。其中，特征抽取矩阵位于输入层与第一隐藏层之间，抽取输入的多维多生理参数信息特征，将特征信息突出显示；特征编码矩阵位于隐藏层1与隐藏层2之间，将突出显示的特征信息进行编码；分类重建矩阵位于隐藏层2与输出层之间，将所有得到的编码特征进行分类，得到n类标签，标签所携带的就是自主循环恢复与否的关键信息。

3 实验结果及分析

本研究拟通过心肺复苏过程中PPG信号的变化情况来实现对心脏骤停救治过程中自主循环恢复的准确辨识。由于对实验猪进行心肺复苏时的按压频率接近实验猪自主循环时的PPG频率，因此按压过程中通过PPG信号对实验猪自主循环恢复的辨识也会更加困难。为了探究PPG信号辨识按压过程中自主循环恢复的效果，本研究分别对2种情况下实验猪自主循环恢复辨识准确度进行预测：（1）无机械按压时恢复自主循环。该情况下不存在按压频率的影响，因此通过PPG信号对自主循环恢复的辨识困难程度较低。（2）在心肺复苏机械按压过程中恢复自主循环。由于此种情况下的按压频率接近PPG原有频率，因此更能分辨出PPG信号，通过PPG信号对自主循环恢复的辨识也存在更大的困难。

本研究一共完成10头实验猪的数据采集，共完成了42次电击制颤过程，通过外部胸部按压及电击除颤实现自主循环恢复32次。以滑动窗口方式提取数据样本，每20 s数据作为1个数据样本，共提取800份数据样本，其中有自主循环且无胸部按压的样本200个，有自主循环且有胸部按压的样本200个，无自主循环且无胸部按压的样本200个，无自主循环且有胸部按压的样本200个。辨识结果见表1、2。

表1 无胸部按压情况下自主循环恢复辨识结果

表2 有胸部按压情况下自主循环恢复辨识结果

表1、2分别为无胸部按压和有胸部按压情况下的自主循环辨识结果，表中真实结果有自主循环和无自主循环的样本个数是人为设定的标签，辨识结果中有自主循环和无自主循环结果为本研究提出的自主循环恢复辨识算法预测得到的结果。通过将辨识结果与真实结果进行对比，即可得出本研究算法对于自主循环情况的辨识准确度，利用该结果可以对本研究提出的自主循环恢复辨识算法进行评估。

由表1、2中的自主循环恢复辨识实验结果可知，在心肺复苏自主循环恢复过程中，无胸部按压情况下，无自主循环的辨识准确度为92.5%，有自主循环的辨识准确度为97.5%；而在有胸部按压情况下，无自主循环的辨识准确度为89.0%，有自主循环的辨识准确度为84.0%。总的来说，本研究提出的自主循环恢复辨识算法在无胸部按压情况下对自主循环恢复的平均辨识准确度可以达到95.0%，在有胸部按压情况下对自主循环恢复的平均辨识准确度可以达到86.5%，说明该方法在有胸部按压干扰的情况下仍具有较高的辨识准确度，具有推广价值。

4 结论

本研究提出了一种基于SAE深度神经网络的自主循环恢复辨识算法，通过进行动物实验以及对实验数据的采集和分析，实现了对心肺复苏过程中自主循环恢复的辨识，该算法能够为医务人员对心脏骤停患者实施心肺复苏急救过程提供辅助参考作用，帮助医务人员对心脏骤停患者实施高效率的紧急救治，在紧急救援领域具有重要作用。虽然本文提出的方法在按压情况下仍具有良好的辨识能力，但是本研究也存在一定的局限性，首先，本次实验的10头实验猪体征差异并不大，体质量范围较小，因此普适性方面具有一定的限制，需要进一步增加对具有差异化实验猪的研究；其次，本研究利用滑动窗提取了800个样本，但是实际上样本量仍不够大，需要进一步扩大样本量；最后，本次实验是基于实验猪进行的，虽然其心脏和人类心脏很相似，但仍会存在不同，因此还需要使用人体心脏骤停及自主循环恢复的数据对算法加以验证。后续的研究中将针对上述问题改进和优化，加强对自主循环恢复辨识的进一步研究。