基于深度压缩感知与硬件高效模型的ECG信号高效压缩与重建研究

《Array》:Efficient ECG compression and reconstruction via deep compressive sensing and hardware-efficient models

【字体: 大 中 小 】 时间:2026年04月05日 来源:Array 4.5

编辑推荐:

  为了应对心电信号(ECG)在可穿戴和边缘医疗设备中因高采样率和多导联带来的数据存储、传输和能耗压力,研究人员开展了一项结合深度学习和压缩感知(CS)的研究。他们提出了一个轻量级的深度学习框架,该框架通过数据驱动的感知矩阵(DSM)和二进制阈值化矩阵(BTMs)实现了信号采集与压缩的联合优化,并设计了端到端的自编码器模型。实验在MIT-BIH心律失常数据库上验证了该方法相比传统CS方法,在重建精度和压缩效率上均有显著提升,并在STM32微控制器上实现了硬件部署,为实时、低功耗的ECG监测系统提供了高效解决方案。

  
在现代医疗保健中,心电图(Electrocardiogram, ECG)监测已成为一个至关重要的组成部分,它作为一种非侵入性的工具,为早期检测心脏疾病,特别是心律失常和评估冠状动脉功能提供了关键信息。然而,心脏的信号捕捉并非易事——高采样率、多导联的采集模式,使得ECG信号产生了海量数据。这些数据如同潮水般涌来,给存储、传输,尤其是可穿戴设备这类资源受限的边缘终端的能效,带来了严峻挑战。这就像试图用一个细小的水管去疏导洪水,传统的存储和传输方式在数据洪流面前显得力不从心。为了应对这一难题,压缩感知(Compressed Sensing, CS) 技术应运而生。它能够在信号采集的同时完成压缩,从源头减少数据维度,从而节省存储空间和传输能耗。然而,传统的CS技术也存在“阿喀琉斯之踵”:计算效率低下,并且对信号的稀疏性有严格要求,这限制了它在需要实时响应的生物医学应用场景,如持续心电监测中的适用性。为了克服这些障碍,一项发表在《Array》期刊上的研究,提出了一种创新的深度学习框架,旨在为ECG信号的处理开辟一条更高效、更“智能”的新路径。
研究人员为开展此项研究,主要采用了以下几项关键技术方法:首先,基于MIT-BIH心律失常数据库的ECG信号,通过预处理(如滤除工频干扰)和固定长度分段(最终确定256个样本为最优段长)构建数据集。其次,提出了三种核心压缩与重建方法:(1) 数据驱动感知矩阵(Data-Driven Sensing Matrix, DSM),通过训练一个轻量级神经网络(包含输入层、编码层和输出层)从ECG数据中直接学习出感知矩阵;(2) 二进制阈值化矩阵(Binary Thresholding Matrix, BTM),通过提出的阈值算法(Algorithm 1)将学得的浮点DSM转换为稀疏的二进制矩阵,以优化硬件部署效率;(3) 端到端自编码器模型,其编码器作为CS感知矩阵进行压缩,解码器负责重建,实现压缩与重建的联合优化。最后,在STM32F401微控制器上对BTM及自编码器的编码器-解码器模型进行了硬件实现与性能评估,验证了其实时性与低功耗特性。
研究结果
1. 数据集与质量评估
研究使用MIT-BIH心律失常数据库进行评估,并将信号预处理后分割为固定长度的段。通过分析不同段长(128, 256, 512, 1024个样本)对压缩比(Compression Ratio, CR)和百分比均方根差(Percentage Root Mean Square Difference, PRD)的影响,确定256个样本为最优段长,在压缩与重建质量间取得了最佳平衡。信号重建质量通过PRD、信噪比(Signal-to-Noise Ratio, SNR)等标准指标,以及加权诊断失真(Weighted Diagnostic Distortion, WDD)和小波能量诊断失真(Wavelet Energy Diagnostic Distortion, WEDD)等诊断相关指标进行评估。
2. 重建误差评估
研究人员评估了三种提出的压缩方法:DSM、优化后的BTM和自编码器模型。
  • •
    数据驱动感知矩阵(DSM):在较低压缩比(CR = 10%–60%)下实现了非常好的信号重建质量(PRD < 2%)。在CR=70%和80%时仍能提供良好质量的重建。在更高压缩比下质量下降。
  • •
    二进制阈值化矩阵(BTM):通过调整矩阵密度(1%至15%)来平衡硬件效率与重建性能。在CR = 10%–50%时PRD保持在4%以下,在CR = 60%–80%时仍处于良好质量阈值内。尽管PRD略高于DSM,但其二进制和稀疏特性为硬件实现带来了显著优势。
  • •
    端到端自编码器模型:在很宽的CR范围内(高达73%)都保持了卓越的重建精度(PRD < 2%),并且在高达CR=85%时仍能保持良好的重建质量,展示了端到端联合优化的优势。
3. 与先进感知矩阵和重建算法的比较
  • •
    与感知矩阵的比较:将提出的DSM、BTM和自编码器与传统的随机高斯矩阵(Random Gaussian Matrix, RGM)和随机伯努利矩阵(Random Bernoulli matrix signed, RBMS)进行比较。在相同的轻量级神经网络重建模型下,提出的方法在所有压缩比下均显著优于传统方法。例如,自编码器模型平均将PRD相对于RGM和RBMS分别降低了2.73倍和2.57倍,SNR平均提高了约1.5倍。
  • •
    与传统重建算法的比较:将提出的重建(解码器)模型与传统算法如基追踪去噪(Basis Pursuit Denoising, BPDN)、正交匹配追踪(Orthogonal Matching Pursuit, OMP)和块稀疏贝叶斯学习(Block Sparse Bayesian Learning, BSBL-BO),以及深度压缩感知模型RK-CCSNet和CSNet进行比较。提出的方法(特别是DSM结合神经网络和自编码器)在重建精度(PRD, SNR)和计算速度上均大幅领先。例如,自编码器模型平均重建时间仅约1.25毫秒/段,比BPDN快约414倍,比OMP快7.4倍,比BSBL快30.8倍,且视觉上能更好地保留QRS波群、ST段和T波等关键形态特征。
4. 鲁棒性分析
研究在MIT-BIH房颤数据库、欧洲ST-T数据库和正常窦性心律数据库等多个公开ECG数据库上评估了所提框架。结果表明,在不同持续时间、采样频率和特征的ECG信号上,所提方法均能保持一致的优越性能,证明了其良好的泛化能力和鲁棒性。
5. 硬件实现
  • •
    二进制阈值化感知矩阵的实现:在STM32F401微控制器上实现了BTM。处理时间(16μs至60μs)远低于ECG采样周期(2.78ms),功耗约71.28 mW,单段能耗低至1.14μJ,证实了其实时、低功耗运行的可行性。
  • •
    编码器和解码器模型的实现:通过ST Edge AI平台将训练好的自编码器模型部署到微控制器。随着压缩比增加,编码器和解码器的推理时间、模型大小和内存占用均显著下降。在CR ≥ 50%时,推理时间能满足360Hz采样的实时性要求,展示了在资源受限嵌入式平台上部署的潜力。
6. 计算复杂度分析
研究对比了不同感知矩阵/编码器的计算复杂度和存储需求。BTM由于是稀疏二进制结构,具有最低的计算复杂度(零次乘法,仅N-M次加法)。而基于神经网络的CS编码器虽涉及密集乘加运算和额外的权重存储,但其单次前向传播的特性避免了迭代优化,在嵌入式平台上仍能实现可预测的低延迟。
研究结论与讨论
本研究表明,所提出的深度学习压缩感知框架在ECG信号压缩与重建质量及计算效率上,相比传统CS方法取得了显著提升。DSM和自编码器模型在高达60%的压缩比下能保持PRD低于2%的优异重建质量,BTM则在精度与硬件可行性间取得了良好平衡。至关重要的是,通过STM32微控制器的硬件实现,验证了所有模型均满足连续ECG监测所需的低延迟和低功耗要求,跨数据库的鲁棒性测试也证实了其良好的泛化能力。该框架的创新性在于其三个组件的互补性设计:直接从数据中学习的DSM、兼顾重建精度与硬件效率的BTM,以及为资源受限平台联合优化感知与重建的轻量级自编码器。
当然,该研究也存在一些局限性。目前评估仅限于单导联ECG信号,多导联配置下的性能有待探索。优化目标未集成WDD、WEDD等诊断相关的失真度量。此外,当前部署的模型未进行训练后量化,限制了其在较低压缩比下的实时性,未来可通过量化感知优化来进一步权衡精度、速度与硬件效率。
总之,这项工作为可穿戴和边缘医疗设备中的实时、高效ECG监测提供了一种极具前景的解决方案。通过将数据驱动的智能学习与硬件友好的设计相结合,它成功地在“数据洪水”中开辟了一条高效的“疏浚通道”,使得在资源有限的设备上实现高质量的心脏健康持续监护成为可能,为未来个性化、智能化的远程医疗和健康管理奠定了坚实的技术基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号