甄鵬華，韓玉冰

(齊魯工業(yè)大學(xué)(山東省科學(xué)院)計算機科學(xué)與技術(shù)學(xué)院，山東 濟南250353)

0 引言

邊緣智能是十分新穎的研究領(lǐng)域，它集合了邊緣計算和人工智能的優(yōu)勢，能夠以較低的資源消耗和較快的運行速度提供較為精確的分析結(jié)果[1-2]。邊緣設(shè)備及邊緣計算也是分析心電信號常用的方法。

然而傳統(tǒng)的心電信號分類研究是針對大量樣本進行的單純分類研究，并不適用于實時小樣本分析的邊緣智能場景。這是由于傳統(tǒng)研究通常是基于大量有完善的位置標(biāo)記的樣本，在處理過程中依賴樣本數(shù)量進行特定的處理。在邊緣智能場景中，預(yù)測過程中心電信號是實時產(chǎn)生的，且要求產(chǎn)生一條數(shù)據(jù)即分析一條數(shù)據(jù)，以滿足實時性的要求，上述基于樣本數(shù)量的處理方法無法實現(xiàn)。

為此，本文提出了一種可行的心電信號處理方法，主要是信號的預(yù)處理(Preprocessing)方法，并為其搭配適當(dāng)?shù)娜斯ぶ悄苣Ｐ?。實驗驗證結(jié)果表明，該心電信號處理方法具有一定的實用性，能夠在一定程度上滿足邊緣智能場景的要求。

1 心電信號基本概念

心電圖是利用心電圖儀從體表記錄心臟每一心動周期所產(chǎn)生的電活動變化圖形，心拍的波表示了心臟各部位的興奮傳導(dǎo)變化情況，是非常重要的特征，可以向醫(yī)護工作者傳遞重要的生理信息[3]。

根據(jù)美國醫(yī)療儀器促進協(xié)會(The Association for the Advancement of Medical Instrumentation，AAMI)的ANSI/AAMI EC57:2012標(biāo)準(zhǔn)[4]，心拍可以分為五大類，如表1所示。

表1 AAMI心拍分類標(biāo)準(zhǔn)

心臟搏動頻率或節(jié)奏的異?？赡軙?dǎo)致多種常見的心血管疾病，例如心率失常。上述心拍分類中，除N類別外，其余類別均不能排除心率失常疾病的可能性。心率失常若沒有得到及時有效的治療，有可能會導(dǎo)致人死亡。

由美國麻省理工學(xué)院(Massachusetts Institute of Technology，MIT)提供的MIT-BIH心電數(shù)據(jù)庫[5]是用于研究心率失常的數(shù)據(jù)庫，也是國際上公認(rèn)的可作為標(biāo)準(zhǔn)的三個心電數(shù)據(jù)庫之一。

2 心電信號的預(yù)處理

信號的預(yù)處理包含數(shù)據(jù)集的劃分、數(shù)據(jù)樣本的分段、數(shù)據(jù)樣本的平衡處理和信號的降噪處理。

2.1 數(shù)據(jù)集的劃分

神經(jīng)網(wǎng)絡(luò)模型使用的數(shù)據(jù)需要劃分為訓(xùn)練集和測試集。在心電信號分類的相關(guān)研究中，通常有以下兩種數(shù)據(jù)集的劃分方式：

(1)患者內(nèi)(Intra-Patient)。即訓(xùn)練集和測試集中的數(shù)據(jù)絕大多數(shù)甚至完全來自同一個或一組患者。

(2)患者間(Inter-Patient)。即嚴(yán)格遵守訓(xùn)練集和測試集中的數(shù)據(jù)來自不同的患者的規(guī)定。

為了能夠真實地模擬邊緣智能環(huán)境下的心電信號分類，應(yīng)當(dāng)采用“患者間”的數(shù)據(jù)集劃分方式，將MIT-BIH數(shù)據(jù)集劃分為訓(xùn)練集和測試集。采用AAMI推薦的“患者間”的分組方式將數(shù)據(jù)集分為DS1、DS2兩組，DS1作為訓(xùn)練集用于訓(xùn)練模型，DS2作為測試集用于測試模型。在邊緣智能環(huán)境下的心電信號分類研究中，DS1所代表的訓(xùn)練集可以理解為邊緣智能系統(tǒng)部署時使用的最早期訓(xùn)練數(shù)據(jù)，DS2所代表的測試集可以理解為在邊緣智能系統(tǒng)運行中，物聯(lián)網(wǎng)終端(即心電圖儀)持續(xù)產(chǎn)生的數(shù)據(jù)。

2.2 數(shù)據(jù)樣本的分段

對于一整條心電信號數(shù)據(jù)來說，需要將其劃分為若干個不同標(biāo)記的數(shù)據(jù)樣本片段，心電信號分類研究主要依靠以下兩種數(shù)據(jù)樣本分段方式[6-8]：

(1)直接標(biāo)記利用方式。即直接利用數(shù)據(jù)庫中由醫(yī)學(xué)專家人工標(biāo)記的QRS波群位置標(biāo)記，將一個QRS波群及前后一定采樣點(通常是能夠包含一個或兩個完整的心拍的采樣點)的數(shù)據(jù)作為一個樣本。

(2)心拍定位檢測方式。即利用QRS波群檢測算法來定位各個心拍在整條數(shù)據(jù)上的位置，再將一個QRS波群及前后一定采樣點(要求同上)的數(shù)據(jù)作為一個樣本。

這是兩種最常用的心電信號數(shù)據(jù)樣本的分段方式，然而，這兩種方式并不能很好地應(yīng)用在邊緣智能場景中，原因分別如下：

(1)對于直接標(biāo)記利用方式，其在單純的分類研究上是可行的，但在邊緣智能場景中，數(shù)據(jù)不是已經(jīng)生成好的，而是持續(xù)不斷生成的，要將數(shù)據(jù)實時處理為規(guī)范的樣本，相當(dāng)于時刻需要人工干預(yù)來添加QRS波群位置標(biāo)記，這顯然是不可能的。

(2)對于心拍定位檢測方式，其在邊緣智能場景中，需要一個時刻運行的QRS波群檢測算法，這將消耗更多的計算資源和花費額外的時間，這與邊緣智能的初衷相違背。其次，該方式依賴于QRS波群檢測算法的精確度，由于個體身體情況存在差異，特別是患者的心率更加不規(guī)律，QRS波群定位總會存在偏差，這會影響后續(xù)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測。

為此，需要一種更加適用于邊緣智能場景的數(shù)據(jù)樣本分段方式。文獻[9]提出了一種對信號直接切片的方式，其將心電信號直接切分為每段5 s的片段，直接利用與QRS波群無關(guān)的分段片段進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。這種分段方式十分適用于心電信號實時監(jiān)測的邊緣智能場景。對于神經(jīng)網(wǎng)絡(luò)模型來說，采用這種切片方法，還具有以下優(yōu)點：

(1)分段方式簡單，速度極快，非常適合于邊緣智能環(huán)境中將數(shù)據(jù)快速預(yù)處理后進行預(yù)測的需求。

(2)數(shù)據(jù)不需要定位QRS波群及心拍位置，減少神經(jīng)網(wǎng)絡(luò)模型對心電數(shù)據(jù)形式的依賴。

(3)由于信號片段中QRS波群及心拍出現(xiàn)的位置和數(shù)量不固定，能夠減少訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型對此的敏感性，提高模型的泛化性。

通過這種方式獲得的一個數(shù)據(jù)樣本中可能存在多個心拍，為此采用了以下規(guī)則來標(biāo)記片段的標(biāo)簽：

(1)當(dāng)片段中全部心拍類型為正常心拍，不存在任何類型的異常心拍時，該片段標(biāo)記為正常類型；

(2)當(dāng)片段中存在異常心拍時，將片段中出現(xiàn)數(shù)量最多的異常類型標(biāo)記為該片段的類型；

(3)當(dāng)片段中存在多類且數(shù)目相同的異常心拍時，以最先出現(xiàn)的異常類型作為該片段的異常類型。

容易分析，邊緣智能場景下的心電信號分類結(jié)果的接收者(即醫(yī)護人員)最關(guān)心的是患者實時的心率情況，即患者此刻是否心率正常，若不正常，是哪種類型異常心率的可能性最高?；谶@種考慮，這種注釋標(biāo)記方式在一定程度上能夠滿足需要。

考慮到神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程，這種規(guī)則仍有缺陷，其可能使得部分異常心拍被隱藏，這取決于片段的長度，若片段長度過長，則被隱藏的心拍類型越多，標(biāo)簽越不準(zhǔn)確；但如果片段的長度太短，則包含信息太少，可能存在標(biāo)記的類型出現(xiàn)嚴(yán)重錯誤的情況。無論片段過長還是過短，都會使片段的特征和標(biāo)簽對應(yīng)關(guān)系減弱，因此文獻[9]采用的片段長度為5 s這一設(shè)定可能并不恰當(dāng)。

為此，需要通過實驗來確定最佳的片段長度。以450采樣點(1.25 s)為一個間隔劃分為8組不同的數(shù)據(jù)樣本。一般地，1.25 s能夠包含至少一個完整的心拍。采用這種分段間隔進行多組對比實驗，可以有效地測試不同分段長度下的分類效果。

2.3 數(shù)據(jù)樣本的平衡

在MIT-BIH心電數(shù)據(jù)庫中，各類心拍的數(shù)量本就相差甚遠，在將心電信號數(shù)據(jù)分段為數(shù)個數(shù)據(jù)樣本并重新對數(shù)據(jù)樣本生成標(biāo)簽后，由于部分心拍的注釋標(biāo)記存在被隱藏的可能，特別是數(shù)據(jù)樣本分段的長度也會影響每段的標(biāo)簽，數(shù)據(jù)集中的數(shù)據(jù)樣本類別不平衡問題將更加嚴(yán)重。按不同長度進行分段后DS1數(shù)據(jù)集的類別標(biāo)簽的分布情況如表2所示。

數(shù)據(jù)樣本的不平衡會導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練難以擬合，因此有必要對分段后的數(shù)據(jù)樣本進行類別的平衡處理。由表2可見，分段長度不同，標(biāo)簽類別的分布差異也很大。不同的分段長度中，數(shù)據(jù)集都存在一定的不平衡問題。數(shù)據(jù)集尤其是訓(xùn)練集的極度不平衡可能會導(dǎo)致神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)無效甚至網(wǎng)絡(luò)不收斂。為了解決這個問題，需要擴充樣本數(shù)量較少的類型的樣本。常用的擴充方法有以下兩種：

表2 各類別的標(biāo)簽分布情況

(1)欠采樣。欠采樣是指丟棄樣本數(shù)量較多的類別中的大量數(shù)據(jù)，以達到數(shù)據(jù)集的平衡。

(2)過采樣。過采樣是指重復(fù)樣本數(shù)量較小的類別中的數(shù)據(jù)，以達到數(shù)據(jù)集的平衡。

這兩種方法都存在缺點。欠采樣會丟棄大量寶貴的數(shù)據(jù)，而在DS1數(shù)據(jù)集中數(shù)據(jù)樣本類別的不平衡狀況已比較嚴(yán)重，若再丟棄大量數(shù)據(jù)，會導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型不收斂；過采樣會使得樣本數(shù)量少的類別的數(shù)據(jù)大量重復(fù)，會放大其中的噪聲對神經(jīng)網(wǎng)絡(luò)模型的影響，導(dǎo)致過擬合問題。因此需要一種新的數(shù)據(jù)擴充方式。

基于心電信號數(shù)據(jù)的數(shù)據(jù)樣本分段方式，采用一種片段重疊的方式來擴充數(shù)據(jù)。即對樣本數(shù)量少的類別的相鄰片段間互相重疊采樣，以此采集更多的樣本。與欠采樣相比，這樣處理能夠保留大量數(shù)據(jù)，保證神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練質(zhì)量；與過采樣相比，這樣處理得到的新樣本同原樣本之間存在差異，可以防止噪聲對神經(jīng)網(wǎng)絡(luò)模型的影響。以樣本數(shù)量最多的類別的數(shù)量為基準(zhǔn)，對其余片段進行重疊，則其余片段的重疊區(qū)間長度如式(1)所示：

式中，l表示重疊的長度，?」表示向下取整運算，L表示數(shù)據(jù)樣本片段的長度，n表示該類別的樣本數(shù)目，N表示樣本數(shù)量最多的類別的樣本數(shù)目。

通過上述處理，相當(dāng)于該類別下每個片段進行了步長一定的重疊重復(fù)。數(shù)據(jù)樣本重復(fù)步長的計算如式(2)所示：

式中，sp表示數(shù)據(jù)樣本重復(fù)步長，「?表示向上取整運算，n表示該類別的樣本數(shù)目，L表示數(shù)據(jù)樣本片段的長度，N表示樣本數(shù)量最多的類別的樣本數(shù)目。

由于數(shù)據(jù)樣本片段長度和數(shù)量的限制，片段的重復(fù)次數(shù)是一定的。這個重復(fù)次數(shù)的計算如式(3)所示：

式中，olp表示重復(fù)次數(shù)，L表示數(shù)據(jù)樣本片段的長度，sp表示數(shù)據(jù)樣本重復(fù)步長。

在進行了上述數(shù)據(jù)樣本的平衡處理后，DS1數(shù)據(jù)集的類別標(biāo)簽的分布情況如表3所示。

表3 數(shù)據(jù)平衡后各類別的標(biāo)簽分布情況

由表3可知，DS1數(shù)據(jù)集的數(shù)據(jù)樣本類別的平衡問題得到了較好的處理。無論片段長度長還是短，N類、S類、V類和F類的數(shù)據(jù)樣本量基本一致，Q類的數(shù)據(jù)樣本量距其他樣本仍有差距，但在MITBIH心電數(shù)據(jù)庫中，Q類的心拍極少，為防止神經(jīng)網(wǎng)絡(luò)模型在擬合上出現(xiàn)問題，不再對Q類的數(shù)據(jù)樣本進行進一步的擴充處理。

DS2數(shù)據(jù)集作為測試集，其數(shù)據(jù)樣本類別的不平衡不會影響神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，不做數(shù)據(jù)樣本類別平衡處理。

2.4 信號的降噪處理

對于神經(jīng)網(wǎng)絡(luò)的輸入，通常具有一些不能反映相關(guān)特征，甚至?xí)蓴_相關(guān)特征呈現(xiàn)的內(nèi)容，即噪音(Noise)。由于這些噪音的存在，信號會具有大量無規(guī)則的波動，影響神經(jīng)網(wǎng)絡(luò)模型的性能。一般地，這些噪音的波段頻率較為固定，可以通過一定的方法將其濾除，并保留能夠體現(xiàn)相關(guān)特征的波段頻率信號，使處理過的信號更能清晰地體現(xiàn)原有信號所包含的意義，這一降噪過程是通過濾波技術(shù)實現(xiàn)的。經(jīng)過濾波降噪的信號作為神經(jīng)網(wǎng)絡(luò)的輸入，可以大幅提升神經(jīng)網(wǎng)絡(luò)模型的性能。

人體的心電信號通常十分微弱，通過心電圖儀采集的心電信號容易受到各種因素的干擾而產(chǎn)生噪音。為此通常需要對心電信號進行濾波降噪處理[10]。小波變換是一種常用的濾波方法，如式(4)所示：

式中，α表示尺度因子(Scale)，τ表示平移量(Translation)，ψ表示基本小波，t表示時間。

采用小波變換濾波的方式對心電信號進行處理，應(yīng)用Daubechies小波族中的db5小波作為小波基函數(shù)，將原始信號進行九級小波分解，由高頻信號至低頻信號分別為D1～D9，最后剩余的信號為A9，將高頻信號D1和D2視為噪音，將其置為零，再將D1～D9信號和A9信號重組作為新的心電信號。降噪前后的心電信號波形分別如圖1(a)和圖1(b)所示。

圖1 心電信號降噪前后波形對比

由圖1可以觀察出，降噪前的心電信號波形存在大量不規(guī)則的顫動，即噪音。降噪后的心電信號波形在完整保留心電信號正常振幅走勢的同時變得更加光滑。事實上，如果是面向單純的心電信號分類研究，仍可以繼續(xù)對信號進行進一步處理，例如主成分分析法(Principal Component Analysis，PCA)，以滿足神經(jīng)網(wǎng)絡(luò)模型對性能的更高要求。然而考慮到很多方法一般都依賴于樣本數(shù)量，因此這些方法并不適用于邊緣智能環(huán)境。在一個實際的心電信號監(jiān)測的邊緣智能場景中，要求產(chǎn)生一個信號片段就要分析一個信號片段，數(shù)據(jù)樣本的預(yù)處理是單個獨立的，完全無法依賴樣本數(shù)量，同時，復(fù)雜的處理會產(chǎn)生更高的延遲，與邊緣智能的初衷相悖。為此，僅使用小波變換濾波處理信號，對DS1數(shù)據(jù)集和DS2數(shù)據(jù)集處以相同的處理。

3 實驗

在對心電信號進行了相應(yīng)的預(yù)處理之后，進行實驗驗證其有效性，并根據(jù)實驗確定最佳的數(shù)據(jù)樣本的分段長度。

3.1 神經(jīng)網(wǎng)絡(luò)模型

本實驗的初步驗證采用一維卷積神經(jīng)網(wǎng)絡(luò)模型，具體參數(shù)如表4所示。

表4 一維卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)

這是一個簡單的、經(jīng)典的一維卷積神經(jīng)網(wǎng)絡(luò)模型，其目的是驗證心電信號的預(yù)處理的有效性，并確定最佳的數(shù)據(jù)樣本分段長度。

3.2 實驗結(jié)果

評判神經(jīng)網(wǎng)絡(luò)性能的指標(biāo)主要有準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1分?jǐn)?shù)(F-score)。

對于作為測試集的DS2數(shù)據(jù)集，其數(shù)據(jù)樣本是非常不平衡的。在數(shù)據(jù)樣本不平衡的多分類研究中，對于占比大的類別預(yù)測正確的多少能夠直接影響準(zhǔn)確率的高低，即占比大的類別成為了影響準(zhǔn)確率的最主要因素，因此不宜采用準(zhǔn)確率作為判斷標(biāo)準(zhǔn)。

精確率、召回率和F1分?jǐn)?shù)的計算分別如式(5)～式(7)所示：

式中，TP表示正樣本被預(yù)測為正類的數(shù)量，F(xiàn)P表示負樣本被預(yù)測為正類的數(shù)量，F(xiàn)N表示正樣本被預(yù)測為負類的數(shù)量。

各評價指標(biāo)對樣本數(shù)量取加權(quán)平均數(shù)的結(jié)果隨信號片段長度的變化如圖2所示。

圖2 評價指標(biāo)隨信號片段長度的變化

由實驗結(jié)果可知，數(shù)據(jù)樣本片段長度在1 350采樣點時穩(wěn)定性最強，召回率最高，精確率亦在較高水平。分析可得，當(dāng)數(shù)據(jù)樣本片段長度較短時，樣本之間差異較明顯，預(yù)測出的陽性樣本中真陽性樣本占比高，精確率高；但過低的數(shù)據(jù)樣本片段長度，相同標(biāo)簽類別樣本之間的差異也較明顯，正樣本被識別的概率低，召回率并不能達到最高；當(dāng)數(shù)據(jù)樣本片段長度適中時，不同樣本之間仍能具有明顯差異，且相同標(biāo)簽類別樣本之間的差異縮小，訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)模型對正樣本更易識別，召回率較高；當(dāng)數(shù)據(jù)樣本片段長度過長時，樣本體現(xiàn)的特征不明顯，且標(biāo)簽?zāi)：窠?jīng)網(wǎng)絡(luò)模型性能較差。

一般地，若發(fā)生正樣本被預(yù)測為負類的情況，其成本代價很高，后果較為嚴(yán)重，為避免產(chǎn)生這種情況，應(yīng)該著重考慮提高召回率指標(biāo)。就心電信號實時監(jiān)測場景而言，非N類心拍被識別為N類心拍所帶來的后果非常嚴(yán)重，因此選擇追求更高的召回率更為合理。通過本實驗可以得出，在數(shù)據(jù)樣本片段長度在1 350采樣點時，召回率最高，同時F1分?jǐn)?shù)亦最高，因此認(rèn)為該長度為最佳長度。

為了更進一步地驗證該處理方法的有效性，選用文獻[11]提出的卷積神經(jīng)網(wǎng)絡(luò)模型，并使用通過該預(yù)處理方法處理后的數(shù)據(jù)對模型進行訓(xùn)練和預(yù)測，數(shù)據(jù)樣本片段長度設(shè)定為1 350采樣點，為了使模型能夠正常運行，模型的輸入層根據(jù)該預(yù)處理方法的要求進行了調(diào)整。

在與同樣應(yīng)用MIT-BIH心電數(shù)據(jù)庫，并同樣采用AAMI的患者間分組方式進行數(shù)據(jù)集劃分的研究對比，得出各項性能指標(biāo)如表5所示。

表5 患者間分組實驗橫向?qū)Ρ?/p>

實驗結(jié)果顯示，應(yīng)用這種心電信號處理方式來訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的性能能夠達到同類相關(guān)研究的水平。亦有大量心電信號分類研究采用患者內(nèi)分組方式，在采用患者內(nèi)分組方法進行數(shù)據(jù)集的劃分后，得出的各項性能指標(biāo)如表6所示。

表6 患者內(nèi)分組實驗橫向?qū)Ρ?/p>

可見，與其他研究所得的結(jié)果相比，通過本文提出的預(yù)處理方法得出的結(jié)果，各性能指標(biāo)處于同等數(shù)量級，部分情況下性能指標(biāo)更加優(yōu)異，說明該預(yù)處理方法的可用性和有效性較好。

4 心率監(jiān)測系統(tǒng)仿真

健康監(jiān)測是最適合于邊緣智能的使用場景之一。文獻[17]提出了一種輕量級邊緣智能框架，該框架基于“物聯(lián)網(wǎng)終端-網(wǎng)關(guān)邊緣-云端”的結(jié)構(gòu)，可用于基于心電圖的心率監(jiān)測。

4.1 系統(tǒng)設(shè)計

該心率監(jiān)測系統(tǒng)的軟件架構(gòu)形成的基本類圖(Class Diagram)如圖3所示。

圖3 心率監(jiān)測系統(tǒng)基本類圖

在該心率監(jiān)測系統(tǒng)的運行過程中，其軟件架構(gòu)模型共包括以下三個不同的運行時序：

(1)初始訓(xùn)練時序。為了向邊緣節(jié)點提供初始的人工智能模型，需要在云端上使用一些歷史數(shù)據(jù)進行訓(xùn)練，以滿足邊緣節(jié)點最初的服務(wù)能力。

(2)預(yù)測時序。將物聯(lián)網(wǎng)終端作為數(shù)據(jù)源，持續(xù)進行患者心率情況的分析，并將分析結(jié)果通過網(wǎng)關(guān)節(jié)點呈現(xiàn)給用戶。

(3)更新模型時序。邊緣節(jié)點將數(shù)據(jù)發(fā)送至云端，以供其改進人工智能模型，云端會將模型返回更新至邊緣節(jié)點。

在該心率監(jiān)測系統(tǒng)運行后，其軟件架構(gòu)模型運行的基本順序圖(Sequence Diagram)如圖4所示。

圖4中，數(shù)據(jù)源同時表示初始歷史數(shù)據(jù)源和物聯(lián)網(wǎng)終端數(shù)據(jù)源，時序1.x表示初始訓(xùn)練時序，時序2.x表示預(yù)測時序，時序3.x表示更新模型時序。

圖4 心率監(jiān)測系統(tǒng)基本順序圖

該系統(tǒng)中的數(shù)據(jù)源共包括初始歷史數(shù)據(jù)源和物聯(lián)網(wǎng)終端數(shù)據(jù)源，為了充分仿真這一環(huán)境，將第2節(jié)提出的數(shù)據(jù)集的劃分中的DS1數(shù)據(jù)集作為初始歷史數(shù)據(jù)源，DS2數(shù)據(jù)集作為物聯(lián)網(wǎng)終端數(shù)據(jù)源。DS1數(shù)據(jù)集用于在云端訓(xùn)練部署在邊緣節(jié)點上的初始的人工智能模型，DS2數(shù)據(jù)集用于仿真心電圖儀實時產(chǎn)生的數(shù)據(jù)。

根據(jù)第3節(jié)得出的最佳心電信號數(shù)據(jù)樣本片段長度，將DS2數(shù)據(jù)集劃分為多個長度為1 350采樣點(3.75 s)的片段，隨后編寫程序，令程序每隔3.75 s隨機地輸出一段心電信號數(shù)據(jù)樣本片段，以仿真心電圖儀在固定的間隔時間輸出一段固定時長的心電信號數(shù)據(jù)。

4.2 仿真結(jié)果

將心電數(shù)據(jù)信號片段按每3.75 s發(fā)送一條的頻率向網(wǎng)關(guān)設(shè)備發(fā)送，數(shù)據(jù)經(jīng)網(wǎng)關(guān)設(shè)備發(fā)送至邊緣設(shè)備，再由邊緣設(shè)備發(fā)送預(yù)測結(jié)果至網(wǎng)關(guān)設(shè)備。網(wǎng)關(guān)設(shè)備運行接收結(jié)果的效果如圖5所示。

圖5 運行圖

實驗結(jié)果顯示，返回結(jié)果的平均用時為132.58 ms，可以完全滿足邊緣智能環(huán)境下的心電監(jiān)測系統(tǒng)的需要。

5 結(jié)論

本文提出了一種面向邊緣智能環(huán)境的心電信號處理方法，并通過實驗得出了不同數(shù)據(jù)樣本分段的結(jié)果，進一步驗證可得，該方法同其他方法性能處于同一量級?；谠摲椒?，本文構(gòu)建了一個基于邊緣智能的心率監(jiān)測系統(tǒng)，仿真結(jié)果表明，該方法在具體的邊緣智能框架中真實可用。

在未來的研究中，有以下兩點可以繼續(xù)改進：一是繼續(xù)探討更為有效的標(biāo)簽標(biāo)記方式，使樣本標(biāo)簽更加準(zhǔn)確清晰；二是在實際應(yīng)用中，設(shè)計更為強大和資源友好型的神經(jīng)網(wǎng)絡(luò)模型以滿足實際需要。