基于信号成像和迁移学习的智能服装中心跳信号质量评估

《Biomedical Signal Processing and Control》：Heartbeat signal quality assessment in smart clothing based on signal imaging and transfer learning

智能服装多通道心率监测系统融合光纤布拉格光栅传感器与信号成像结合迁移学习策略，采用连续小波变换提取二维色图特征并经GoogLeNet分类，实现93.11%和91.95%的跨传感器测试准确率。

　　近年来，随着公众健康意识的提升，智能可穿戴设备在日常健康监测中的应用日益受到关注。其中，智能服装因其舒适性和便携性，成为了一种极具潜力的非侵入式健康监测载体。这种趋势推动了研究人员探索如何在不干扰用户日常活动的前提下，实现对生命体征的持续监测。在众多生命体征监测技术中，心率监测尤为关键，因为它能够为心血管健康状况提供重要参考信息。

为了提升监测的舒适度，研究人员开始关注基于体表振动信号的心率监测方法。例如，声心图（PCG）、球体心图（BCG）和地震心图（SCG）等技术，通过将便携式传感器集成到可穿戴设备中，捕捉心脏活动引发的体表振动。这种方法无需直接接触皮肤，从而避免了因电极与皮肤接触可能引发的皮肤过敏或不适感。此外，这些技术还能实现对多种生理参数的同时监测，如心率和呼吸频率，为用户提供更全面的健康数据。

然而，即便在非侵入式监测技术不断发展的背景下，现有基于服装的健康监测系统仍存在一些局限性。多数系统依赖于固定的安装方式，如肩带或胸带，以确保传感器能够稳定地接触特定的生理部位。虽然这些设计有助于获取高质量的信号，但它们可能会影响用户的佩戴体验，尤其是在长期监测过程中。相比之下，非紧身服装作为传感器载体，虽然提供了更高的舒适度，却也面临着如何保证传感器与体表有效接触、维持信号稳定性的新挑战。

在实际的日常监测环境中，信号采集常常受到设备性能和外部环境噪声的影响，导致信号形态和质量出现较大波动。因此，开发一种高效、准确的信号质量评估方法，成为提高智能服装健康监测系统可靠性的重要课题。现有的信号质量评估方法多针对特定生理信号，如心电图（ECG）、球体心图（BCG）和地震心图（SCG）等，但在智能服装的应用场景下，由于采集到的振动信号往往缺乏明显的模态特征，使得这些方法在实际应用中面临一定困难。

为了解决上述问题，本研究提出了一种基于多通道信号采集和信号质量评估的智能服装心率监测系统。该系统专门设计用于非紧身服装，集成了一种光纤布拉格光栅（FBG）生命体征传感器，能够有效捕捉心肺振动信号。为了确保信号的准确性和可靠性，系统采用了一种结合信号成像与迁移学习的信号质量评估方法。该方法通过将心率信号转换为二维彩色图像，利用神经网络进行训练，构建信号质量分类模型。同时，考虑到实际应用中可能面临的数据量有限的问题，系统引入了迁移学习策略，通过在大规模图像数据集（如ImageNet）上预训练的神经网络进行微调，以提高信号质量分类的准确性。

信号成像技术在本研究中发挥了重要作用。具体而言，研究比较了五种不同的信号成像方法，包括连续小波变换（CWT）、短时傅里叶变换（STFT）、Gramian角场（GAF）、马尔可夫转移场（MTF）和递归图（RP）。其中，CWT在信号质量评估中表现最佳。通过对CWT图像的进一步处理，研究将这些图像输入到多种预训练神经网络模型中，如GoogLeNet、AlexNet、VGG16、InceptionV3和ResNet18，以评估其在信号质量分类任务中的性能。实验结果表明，CWT图像与GoogLeNet模型的结合在信号质量分类中取得了最佳效果，分别达到了93.11%和91.95%的准确率，展示了该方法在不同传感器类型下的适应性和有效性。

本研究的创新之处在于，将信号成像与迁移学习相结合，为智能服装心率监测提供了一种新的解决方案。通过将心率信号转换为图像形式，研究人员能够利用图像识别领域的先进算法和模型，提高信号质量评估的准确性和鲁棒性。迁移学习的应用则有效克服了实际应用中数据量有限的限制，使得模型能够在少量样本的情况下依然保持较高的分类性能。

此外，本研究还探讨了多通道信号采集的重要性。在日常活动中，胸腔的振动和位移会随着生理状态的变化而波动。呼吸引起的胸腔位移通常在4至12毫米之间，而心跳引起的位移则约为0.2至0.5毫米。这些微弱的振动信号通过人体组织传播，最终在背部、肩部和腹部等位置产生可检测的响应。因此，通过在服装的不同位置布置多个传感器，可以实现对信号的多角度采集，提高信号质量评估的全面性和准确性。

本研究的另一个关键点在于，信号质量评估模型的设计和实现。为了确保模型的有效性，研究人员对信号进行了预处理，包括固定长度的信号片段提取和CWT变换，以获得具有代表性的信号特征。随后，这些特征被映射为RGB时间-频率图像，并输入到GoogLeNet网络中进行训练。GoogLeNet中的Inception模块能够从多个尺度提取图像特征，从而提高模型对信号质量变化的识别能力。

在实验过程中，研究人员对模型进行了优化和调整。例如，通过替换网络的最终全连接层，以适应信号质量分类任务所需的两个输出类别。同时，针对信号数据的特点，调整了权重和偏置的学习率，以确保模型能够稳定地收敛。此外，研究还引入了一种新的分类层，该层不包含预定义的类别标签，以提高模型的泛化能力和适应性。

本研究的结果表明，基于信号成像和迁移学习的方法在智能服装心率监测系统中具有广阔的应用前景。该方法不仅能够有效评估信号质量，还能提高信号采集的稳定性和可靠性，从而为用户提供更准确的健康监测服务。此外，该方法的灵活性和适应性也使其能够适用于不同类型的传感器，为未来的智能服装健康监测系统提供了新的思路和技术支持。

在实际应用中，这种多通道信号采集和信号质量评估方法可以显著提升用户的佩戴体验。通过避免直接接触皮肤的设计，用户可以更加自由地进行日常活动，而不会受到传统设备带来的限制。同时，信号质量评估模型的引入，使得系统能够在复杂多变的环境中保持较高的监测精度，为用户健康状况的实时评估提供了有力保障。

综上所述，本研究提出了一种创新的智能服装心率监测系统，结合了多通道信号采集、信号成像和迁移学习等先进技术，为非侵入式健康监测提供了一种新的解决方案。该系统不仅提高了监测的舒适度，还增强了信号质量评估的准确性和可靠性，为未来的智能服装健康监测应用奠定了坚实的基础。