在本文中，我們將仔細(xì)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(zhǔn)的可穿戴數(shù)字健康監(jiān)測器與智能手表等消費(fèi)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(jì)高效且越來越精確的生理傳感器能夠進(jìn)入現(xiàn)成的可穿戴設(shè)備。這種轉(zhuǎn)變的真正驅(qū)動力之一是尖端機(jī)器學(xué)習(xí)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(jìn)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(zhǔn)確的決策是一項(xiàng)挑戰(zhàn)，而且通常是不可能的。機(jī)器學(xué)習(xí)和人工智能算法的進(jìn)步現(xiàn)在使工程師和科學(xué)家能夠克服其中的許多挑戰(zhàn)。在本文中，我們將仔細(xì)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(shí)的工程。

為了說明簡單機(jī)器學(xué)習(xí)算法的強(qiáng)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(jì)的數(shù)據(jù)如何預(yù)測佩戴者的各種運(yùn)動狀態(tài)或休息狀態(tài)。我們可以將這種方法擴(kuò)展到更復(fù)雜的真實(shí)世界醫(yī)療信號，如ECG，并開發(fā)可以自動將ECG信號分類為正常或表現(xiàn)出心房顫動的算法。

開發(fā)機(jī)器學(xué)習(xí)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(xué)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(jì)分類或回歸算法中，例如支持向量機(jī)或傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，這些算法經(jīng)過適當(dāng)配置，以提出經(jīng)過訓(xùn)練的模型，然后可用于新的數(shù)據(jù)集進(jìn)行預(yù)測。一旦使用表示良好的標(biāo)記數(shù)據(jù)集迭代訓(xùn)練此模型，直到達(dá)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(yù)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(shí)世界的單導(dǎo)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(yù)處理和特征工程

特征工程步驟可能是開發(fā)強(qiáng)大的機(jī)器學(xué)習(xí)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(xué)”問題，因?yàn)樵谔剿鹘鉀Q此問題的各種方法時，擁有生物醫(yī)學(xué)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(jī)器學(xué)習(xí)功能，使他們能夠更輕松地將“數(shù)據(jù)科學(xué)”功能（如高級機(jī)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。在此示例中，我們使用先進(jìn)的小波技術(shù)進(jìn)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(jì)和機(jī)器學(xué)習(xí)工具箱中的分類學(xué)習(xí)器應(yīng)用程序?qū)τ趧偨佑|機(jī)器學(xué)習(xí)的工程師和科學(xué)家來說是一個特別有效的起點(diǎn)。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(yīng)用程序快速探索各種分類器及其性能，并縮小進(jìn)一步優(yōu)化的選項(xiàng)范圍。這些分類器包括決策樹、隨機(jī)森林、支持向量機(jī)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(biāo)進(jìn)行評估）。在我們的案例中，我們很快就在所有課程中達(dá)到了~80%的總體準(zhǔn)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?yàn)槲覀兊闹攸c(diǎn)是驗(yàn)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(dǎo)致分類準(zhǔn)確性的顯著進(jìn)一步提高。更高級的技術(shù)（如深度學(xué)習(xí)）也可以應(yīng)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(xùn)練步驟中，盡管與傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)相比，這種方法通常需要更大的訓(xùn)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(shè)備還沒有準(zhǔn)備好取代FDA批準(zhǔn)和醫(yī)學(xué)驗(yàn)證的對應(yīng)設(shè)備，但所有技術(shù)和消費(fèi)趨勢都強(qiáng)烈指向這個方向。FDA開始在簡化法規(guī)和鼓勵監(jiān)管科學(xué)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(yù)認(rèn)證計(jì)劃以及設(shè)備開發(fā)中的建模和仿真等舉措。

從日常使用可穿戴設(shè)備中收集的人類生理信號成為新的數(shù)字生物標(biāo)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(shí)，這在很大程度上是由于信號處理、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的進(jìn)步。由 MATLAB 等工具支持的工作流使醫(yī)療設(shè)備的領(lǐng)域?qū)＜夷軌驊?yīng)用和利用機(jī)器學(xué)習(xí)等數(shù)據(jù)科學(xué)技術(shù)，而無需成為數(shù)據(jù)科學(xué)專家。

審核編輯：郭婷