面向可穿戴设备自适应一维生物信号重建的增量去噪卷积自编码器（I-D-CAE）

《Bioengineering》：An Incremental Denoising Convolutional Autoencoder for Adaptive One-Dimensional Biosignal Reconstruction in Wearable Devices

　　

摘要专业翻译 深度学习通过实现准确且智能的信号分析，显著增强了可穿戴设备中的一维生物信号处理能力。可穿戴设备使用通过离线训练获得的优化模型参数运行。然而，用户之间的生理差异要求定期更新模型以维持性能。传统重训练需要同时存储既有数据集和新采集的数据集，导致内存消耗和计算开销增加，这限制了其在资源受限的可穿戴设备中的部署。为解决这一挑战，本研究提出一种基于增量去噪卷积自编码器（I-D-CAE）的增量学习框架，该框架利用新可用数据增量更新模型，同时保留先前习得的知识，从而避免保留完整历史数据集的需求。所提出的框架能够适应新可用数据，同时保留先前习得的模型参数并维持固定的模型参数规模。实验结果表明，所提出的方法实现了更高的重建精度和更低的重建损失，展示了其在资源受限可穿戴设备中用于自适应生物信号处理的潜力。

论文解读文章

一、研究背景与问题

随着可穿戴设备技术的快速发展，现代医疗保健已从传统临床环境扩展到连续、实时的生理信号监测。心电图（ECG）、肌电图（EMG）和脑电图（EEG）等一维生物信号天然以时间序列形式呈现，蕴含着反映个体生理状态的重要信息。深度学习（DL）技术已被证明能有效处理这类信号，但通常需要在高性能处理器上进行离线训练，再将学习到的最优参数配置到可穿戴设备中。

然而，实际应用中存在一个关键矛盾：不同患者乃至同一患者在不同时间的生理数据统计特征存在显著差异，导致预先训练的模型难以持续保持良好性能，需要周期性重训练。传统重训练方法要求同时存储历史数据集和新采集数据，这不仅增加内存消耗，还带来沉重的计算负担，与可穿戴设备严格的内存、算力和能耗约束相冲突。此外，现有基于字典学习或码本的压缩方法在遇到新数据时需要更新字典，导致字典规模不断增大，同样影响内存受限设备的性能。因此，亟需一种能够在有限内存条件下持续适应新数据分布的模型更新策略。

二、研究内容与结论

针对上述挑战，研究人员提出了一种基于增量去噪卷积自编码器（I-D-CAE）的增量学习框架。该框架利用新可用数据增量更新先前习得的模型参数，同时通过弹性权重巩固（EWC）正则化项保留旧知识，避免灾难性遗忘，且无需保留完整历史数据集，模型参数规模始终保持固定。实验采用ECG（MIT-BIH心律失常数据库，记录100、117、119号）、EMG（PhysioBank数据库，健康、肌病、神经病变记录）和EEG（Bonn数据集，F、N、O、S、Z五个记录）三类生物信号进行验证。结果表明，I-D-CAE模型在重建精度和重建损失方面均优于基线D-CAE模型，同时保持相同的模型存储规模（3026 kB），训练时间也更短。这一成果为资源受限可穿戴设备中的自适应生物信号处理提供了切实可行的解决方案，具有重要的工程应用价值。

三、关键技术方法

研究人员主要采用了以下关键技术方法：

1. 1.
   增量学习框架：采用顺序微调策略，将先前习得的权重和偏置作为新数据训练的初始参数，实现知识迁移与持续学习，避免从随机初始化开始训练。
2. 2.
   弹性权重巩固（EWC）正则化：在重训练阶段，基于Fisher信息矩阵评估各参数对旧任务的重要性，通过惩罚项约束重要参数的显著变化，有效缓解灾难性遗忘问题。
3. 3.
   全卷积去噪自编码器架构：构建由编码器和解码器组成的全卷积网络（FCN），编码器将1000×1的含噪输入信号下采样至2×1的压缩表示，解码器通过转置卷积恢复原始尺寸。模型共11层卷积层，采用Tanh激活函数，并在编码器末端引入批归一化（BN）层以改善特征分布。训练过程使用均方误差（MSE）损失函数，在输入信号信噪比（SNR）为-1、0、5、9 dB的含噪条件下进行1000轮训练。

四、研究结果

4.1 性能分析

• •
  重建损失：通过均方根误差（RMSE）评估重建误差。与现有最新方法相比，I-D-CAE模型在ECG、EMG和EEG信号上均取得更低的RMSE值，表明重建精度更高。
• •
  去噪能力：通过信噪比（SNR）评估算法去噪性能。I-D-CAE模型在高压缩比（CR）条件下仍能获得优于对比方法的SNR值，说明其在压缩的同时有效抑制了噪声。
• •
  重建质量：采用质量分数（QS = CR/PRD）综合评价重建质量。虽然部分对比研究因压缩比更低而获得更低的百分比均方根差（PRD），但I-D-CAE模型在更高压缩比下取得了更优的QS值，体现了更好的压缩-质量平衡。
• •
  计算效率（CE）：通过压缩比与计算时间的比值评估算法复杂度。I-D-CAE模型展现出更高的CE值，表明算法复杂度更低，更适合能耗敏感的可穿戴设备。

4.2 独立训练与顺序微调对比

通过对比独立训练（D-CAE）与带EWC的顺序微调（I-D-CAE），研究发现除CE值外，I-D-CAE模型在各项指标上均优于D-CAE模型。更重要的是，I-D-CAE模型在增量更新后，存储在可穿戴设备内存缓冲区中的最优参数规模保持3026 kB不变，且训练时间显著低于随机初始化训练，验证了增量学习在保持内存占用不变的同时提升了重建质量。

五、讨论与结论

讨论总结：现有增量学习技术主要分为三类：记忆重放、基于正则化的方法和架构方法。本研究整合了前两类方法的优势——利用先前习得的参数进行知识重放，同时通过EWC正则化保护重要参数，且不增加网络层数，保持了固定架构。与需要存储历史样本的记忆重放方法相比，该方法避免了额外内存需求；与扩展架构的方法相比，该方法计算效率更高。实验结果充分证明了该框架在内存效率和信号处理性能之间的良好平衡。

结论翻译：本研究提出了一种基于增量去噪卷积自编码器（I-D-CAE）的增量学习框架，用于可穿戴设备中的自适应一维生物信号重建。该方法通过利用新可用数据增量更新先前习得的模型参数，同时保留先前知识，避免了保留完整历史数据集的需求，解决了传统重训练带来的计算开销问题。框架在增量更新后保持固定的模型参数规模，同时能够适应新的生物信号数据。基于ECG、EMG和EEG信号的综合实验验证表明，与基线D-CAE相比，I-D-CAE在实验条件下实现了更高的重建精度和更低的重建损失，且增量更新后模型参数存储规模保持不变。这些结果展示了所提出的增量学习策略在可穿戴自适应生物信号重建中的应用潜力。然而，本研究尚未包含增量训练期间峰值内存消耗、执行延迟或能耗的硬件级评估，未来工作将聚焦于开发轻量级设备端增量学习方法，并在代表性可穿戴和边缘计算硬件上评估其性能。