基于1D-CNN与ELM/OS-ELM的多病理弹道心动图心脏活动段与运动伪影段判别框架

《Letters in Drug Design & Discovery》：Distinguishing cardiac activity from motion artifacts in multi-pathology BCG signals: A hybrid CNN-ELM approach

　　

目的：准确识别含心脏活动的信息性弹道心动图（Ballistocardiogram，BCG；记录心搏机械活动的信号）片段对于可靠心脏监测至关重要，因为BCG记录极易受运动伪影影响。本研究旨在建立一个稳健分类框架，用于在异质多病理记录中区分含心脏活动的信息性BCG片段与受运动伪影影响的非信息性片段。方法：研究人员通过将用于深层特征提取的一维卷积神经网络（one-dimensional Convolutional Neural Network，1D-CNN）与极限学习机（Extreme Learning Machine，ELM）和在线序列极限学习机（Online Sequential Extreme Learning Machine，OS-ELM）分类器相结合，构建了CNN–ELM和CNN–OS-ELM两种混合架构。使用包含健康受试者、心力衰竭患者及多种心律失常个体的多病理BCG数据集。信号经0.5–15 Hz带通滤波、标准化、分割为重叠10-s窗，并采用记录特异性标准差阈值进行自动标注。模型性能采用受试者分组分层10折交叉验证评估，以防止训练与测试分区之间发生受试者水平重叠。另以第85百分位（85th-percentile）标记阈值作为敏感性分析进行评估。结果：CNN–ELM的平均准确率为0.9514、召回率为0.9844、F1-score为0.9733、AUC（曲线下面积，Area Under the Curve）为0.9361；CNN–OS-ELM的平均准确率为0.9514、召回率为0.9847、F1-score为0.9733、AUC为0.9364。采用第85百分位阈值的敏感性分析显示，两种模型均保持较高分类性能，尽管与主要第90百分位（90th-percentile）标准相比性能下降。结论：结果表明，基于CNN的深层特征提取与基于ELM的分类器相结合，在抗泄漏的受试者级评估下为BCG/非BCG片段分类提供了有效框架。所提方法可作为预处理阶段，在后续心周期和生理参数分析前识别可靠心脏片段。

研究背景与问题：连续、准确的心脏功能监测对临床诊断、预后和治疗决策具有重要意义，而心血管疾病仍是全球主要死亡原因之一。传统心电图（electrocardiography，ECG）和超声心动图虽成熟有效，但依赖专用设备、受训人员和医院基础设施，且长期连续监测受电极放置、舒适性和患者依从性限制。弹道心动图（Ballistocardiogram，BCG；通过传感器记录心搏射血所致身体微弱机械振动的信号）可嵌入床垫、椅子或体重秤平台，实现非接触、无扰监测，适用于睡眠监测、老年照护和智能家居医疗。然而，BCG极易受呼吸运动和身体运动伪影污染，且波形随设备、体位、个体生理差异及病理状态变化显著，传统模板匹配、小波变换和聚类等方法依赖先验形态或手工特征，泛化性受限。现有深度学习研究多在受控条件或单一病理条件下开展，缺少在多病理、真实运动伪影条件下，以受试者分组方式防止信息泄漏的BCG/非BCG片段分类评估。因此，该研究聚焦于将含I–J–K复合波的信息性BCG片段与受运动伪影主导的非信息性片段区分，作为后续心周期和生理参数分析的预处理步骤，而非直接疾病诊断。

研究开展与结论意义：研究人员构建了CNN–ELM和CNN–OS-ELM两种混合架构，将1D-CNN作为特征提取器，分别与ELM和OS-ELM分类器结合，并在Zhan等构建的多病理BCG数据集上评估。该数据集包含健康窦性心律受试者、心力衰竭（heart failure，HF）患者以及心房颤动（atrial fibrillation，AF）、室性早搏（premature ventricular contractions，PVCs）和房性早搏（premature atrial contractions，PACs）等多种心律失常患者；实验分析可用32名受试者和212段记录，BCG采样频率为140 Hz。研究采用受试者分组分层10折交叉验证，确保同一受试者片段仅出现在训练或测试分区之一，并报告准确率、精确率、召回率、特异性、马修斯相关系数（Matthews Correlation Coefficient，MCC）、F1-score和AUC。结果表明，两种模型在主要第90百分位（P₉₀）自动标注标准下均取得较高分类性能，召回率高于98%，但非BCG少数类判别仍较困难；CNN–ELM与CNN–OS-ELM总体性能高度接近，后者保留OS-ELM的顺序参数更新能力。该研究的意义在于提供一种减少手工特征依赖、计算效率较高且经抗泄漏受试者级评估的BCG/非BCG分类框架，可作为无扰心脏监测中识别可靠心脏片段的预处理阶段。

关键技术方法：使用Zhan等构建的多病理BCG数据集（含健康、HF及AF、PVC、PAC等；实验可用32名受试者、212段记录，140 Hz）。信号经0.5–15 Hz四阶Butterworth带通滤波和标准化，按10 s窗、5 s步长分割为1400点重叠片段；以每段标准差（standard deviation，STD）和每记录第90百分位阈值自动标记，另用第85百分位作敏感性分析。采用1D-CNN三层卷积（32/64/128滤波器）、全局平均池化（Global Average Pooling，GAP）和128维稠密层提取特征，分别由ELM与OS-ELM分类。受试者分组分层10折交叉验证，每折取30万样本优化CNN，内部按受试者分组划分训练/验证，再对完整外训练/测试集提取特征；报告Accuracy、Precision、Recall、Specificity、MCC、F1-score和AUC。

研究结果：
4. 实验结果与性能分析：通过受试者分组分层10折交叉验证，在P₉₀标注下，CNN–ELM取得平均准确率95.14%、精确率96.27%、召回率98.44%、特异性65.42%、MCC 0.7131、F1-score 97.33%、AUC 0.9361；CNN–OS-ELM取得平均准确率95.14%、精确率96.24%、召回率98.47%、特异性65.19%、MCC 0.7125、F1-score 97.33%、AUC 0.9364。折间结果中特异性变异较大，说明不同未见受试者组间非BCG判别性能存在差异。通过聚合折外混淆矩阵，CNN–ELM正确分类1141491个BCG片段和84224个非BCG片段，误判17043个BCG片段和44589个非BCG片段；CNN–OS-ELM对应为1141789、83958、16745和44855，显示主要错误为非BCG被判为BCG。通过聚合折外ROC分析，CNN–ELM和CNN–OS-ELM的AUC分别为0.9310和0.9311，判别能力接近；而无CNN特征提取的单独ELM和OS-ELM平均AUC分别约为0.4989和0.5005，接近随机判别，说明CNN深层特征对分类必要性明显。

4.1 阈值敏感性分析：通过将自动标注阈值由P₉₀改为第85百分位（P₈₅），非BCG片段数增至193179、BCG片段数为1094168。CNN–ELM平均准确率降至91.61%、召回率97.64%、特异性57.50%、MCC 0.6473、F1-score 95.18%、AUC 0.9155；CNN–OS-ELM平均准确率91.63%、召回率97.74%、特异性57.00%、MCC 0.6455、F1-score 95.20%、AUC 0.9154。结果表明模型绝对性能对百分位标注标准敏感，P₈₅下任务更具挑战性，但两种架构相对行为仍高度一致，召回率仍高于97%、F1-score仍高于95%。

4.2 对比分析：通过将所提框架与代表性BCG分析方法进行定位比较，研究人员指出既往研究涉及U-Net心跳检测、分割算法、注意力多尺度特征融合的AF检测、多尺度注意力CNN、BCG预测ECG及运动伪影检测等，而该研究在共同CNN特征空间内比较正则化ELM与顺序OS-ELM，并采用受试者分组分层10折交叉验证。由于现有文献在数据集、受试人群、采集系统、预处理、分类目标、类别分布和验证协议方面不同，直接数值比较应谨慎；对比主要用于定位该框架在BCG文献中的位置，而非仅凭数值宣称优越性。

讨论总结：讨论指出，两种混合模型在未见受试者上均表现较高且高度可比；CNN–ELM在精确率、特异性和MCC上略高，CNN–OS-ELM在召回率和AUC上略高，二者平均准确率和F1-score四舍五入后相同。共同CNN特征空间使批量ELM与顺序OS-ELM可在同一评估协议下比较，差异主要反映分类机制。受试者分组评估显示较明显的折间变异，尤其非BCG类特异性，说明受试者级评估的必要性。聚合混淆矩阵表明模型对BCG高度敏感，但对少数非BCG类判别仍较困难；聚合ROC进一步显示两种架构总体判别能力接近。P₈₅敏感性分析说明标注阈值影响绝对性能估计，但不能据此认为P₉₀标签更准确。类别不平衡明显，因此需综合精确率、召回率、特异性、MCC、F1-score、AUC、折间变异和聚合混淆矩阵解释。改进方向包括类加权学习、平衡采样、代价敏感优化、决策阈值校准、系统超参数优化和更先进特征学习架构。

研究结论翻译：该研究提出了CNN–ELM和CNN–OS-ELM两种混合学习框架，用于BCG信号自动分类。所提架构将用于自动特征提取的1D-CNN与ELM和OS-ELM分类器结合，以进行BCG/非BCG判别。输入信号先经带通滤波、归一化和分割，随后CNN自动学习判别性特征表示，供ELM和OS-ELM分类。该方法减少了对人工设计BCG特征的依赖，并可在共同特征学习框架内研究批量和顺序学习策略。在主要P₉₀标注标准下，采用受试者分组分层10折交叉验证的综合性能评估显示，模型在未见受试者上具有较强分类性能：CNN–ELM平均准确率95.14%、精确率96.27%、召回率98.44%、特异性65.42%、MCC 0.7131、F1-score 97.33%、AUC 0.9361；CNN–OS-ELM平均准确率95.14%、精确率96.24%、召回率98.47%、特异性65.19%、MCC 0.7125、F1-score 97.33%、AUC 0.9364。折间结果在非BCG判别尤其是特异性方面变异较大，突出不同未见受试者组间性能差异。聚合折外混淆矩阵和ROC分析在无受试者水平重叠条件下提供了补充验证。比较结果显示，两种架构总体分类性能高度可比，仅各指标存在轻微差异；CNN–OS-ELM保留OS-ELM的顺序参数更新能力，因此该框架贡献不仅包括BCG/非BCG分类，也包括在共同CNN特征空间和抗泄漏受试者级评估下对批量与顺序ELM分类器的比较研究。结果提示所提混合架构是BCG/非BCG分类的有前景方法，但仅凭分类性能不能得出其适用于实时或资源受限部署的结论，因为推理延迟、内存消耗、计算复杂度和能耗未在实验中测量；当前发现主要应解释为受试者级评估下的分类性能，而非部署效率的直接证据。尽管结果有前景，仍需承认若干局限：模型仅在单一多病理数据集上评估，对独立采集数据集、不同传感设备和其他临床人群的泛化性尚待确立；运动伪影标签基于动态STD阈值而非独立专家标注，标注不确定性可能影响学习到的决策边界，P₈₅敏感性分析不能替代独立专家或参考金标准验证；当前框架为二分类BCG/非BCG，不区分伪影类型或严重程度；数据集存在明显类别不平衡，尽管总体召回率和F1-score较高，特异性和聚合混淆矩阵显示仍有较多非BCG片段被判为BCG；CNN–OS-ELM虽具顺序学习机制，但尚未在嵌入式或可穿戴硬件上实验评估实际部署、实时推理和连续模型适应。阈值敏感性分析进一步表明，绝对性能估计受自动标注百分位标准影响：由P₉₀改为P₈₅后，CNN–ELM和CNN–OS-ELM平均准确率分别降至91.61%和91.63%，AUC分别降至0.9155和0.9154，但二者召回率仍高于97%、F1-score仍高于95%，且行为仍高度可比。未来工作将聚焦于独立BCG数据集和不同传感平台的外部验证，以研究跨设备、跨人群泛化；研究多模态参考信号和专家支持标注等更精细伪影标注策略以提高金标准质量；评估类加权学习、平衡采样、代价敏感优化和决策阈值校准以改善少数类判别并减少非BCG误判为BCG；研究注意力机制、多尺度CNN、系统超参数优化和集成学习以进一步提升性能；将当前二分类框架扩展至不同伪影类型和BCG信号质量水平的多类识别。实际实现方面，未来应在资源受限嵌入式平台部署CNN–ELM和CNN–OS-ELM，并定量评估推理延迟、内存消耗、计算复杂度和能效；还应通过外部验证、跨设备测试、纵向评估及不同运动和信号质量条件下的稳健性分析，进一步考察整体监测框架可靠性。连续心脏监测系统涉及敏感生理信息采集与处理，安全和隐私是分类性能之外的重要考虑；未来部署应纳入安全通信协议、基于认证和角色的访问控制以及加密数据传输与存储，并可研究联邦学习等隐私保护学习方式，以减少敏感生理数据集中共享需求，从而推动当前BCG信号分类框架向可靠、安全、隐私感知和可扩展的真实世界监测系统发展。