一种用于精确实时患者健康预测的TCN–BiLSTM混合架构

《Engineering Science and Technology, an International Journal》：A hybrid TCN–BiLSTM architecture for accurate real time patient health prediction

　　

摘要 用于物联网（Internet of Things, IoT）传感器流实时患者健康预测的模型需要同时具备高精度和计算效率，以便在边缘设备上部署。本研究提出了TCB-Health，一种混合时间卷积网络（Temporal Convolutional Network, TCN）和双向长短期记忆（Bidirectional Long Short-Term Memory, Bi-LSTM）架构，利用包括呼吸、加速度计数据、心电图（Electrocardiogram, ECG）和光电容积脉搏波（Photoplethysmogram, PPG）在内的多变量生理输入，来预测灾难性健康事件。研究使用WESAD可穿戴数据集（15名参与者）进行实验，并采用大型MIMIC-IV波形数据库（>10,000名患者）进行额外验证。所提出的模型超越了仅CNN、门控循环单元（Gated Recurrent Unit, GRU）和单独TCN基线，实现了98.67%的分类准确率、98.54%的精确率、98.82%的召回率、98.90%的F1分数，以及每个数据窗口低于10 ms的推理延迟。该方法在浮点运算数（Floating Point Operations, FLOPs）上减少了约35%的计算成本，在参数量上减少了28%，从而能够在资源受限的边缘设备上进行可靠的实时部署。这些结果表明，在物联网赋能的医疗系统中，TCB-Health为远程患者监测、心脏异常早期检测和实时临床决策支持提供了一种可扩展且有效的解决方案。

论文解读：《一种用于精确实时患者健康预测的TCN–BiLSTM混合架构》

研究背景与动机

现代医疗中，物联网（Internet of Things, IoT）与深度学习（Deep Learning, DL）的融合推动了可穿戴、植入式和智能监测设备的发展，使得心电图（Electrocardiogram, ECG）、光电容积脉搏波（Photoplethysmogram, PPG）、呼吸节律和加速度计信号等生理数据的实时采集成为可能。这些多模态数据流对于实现从反应性医疗向主动性医疗的转变至关重要。然而，现有的深度学习模型，如卷积神经网络（Convolutional Neural Networks, CNNs）、循环神经网络（Recurrent Neural Networks, RNNs）、长短期记忆（Long Short-Term Memory, LSTM）网络和门控循环单元（Gated Recurrent Units, GRUs），在资源受限的IoT设备上部署时面临严峻挑战。CNNs擅长空间特征提取，但难以处理长时程时间依赖；LSTMs和RNNs计算开销大，推理延迟高，不适合实时场景。临床采纳要求预测准确率至少达到98%以确保安全性，且推理延迟需控制在20–30 ms以内，否则可能错过心律失常等急性事件的干预窗口。此外，现有方案在多模态传感器融合方面适应性不足，且难以在内存和计算能力有限的低功耗边缘设备上部署。因此，医疗领域迫切需要能够在真实IoT环境中实现高精度、低延迟、自适应且计算高效的预测模型。

研究内容与结论概述

为应对上述挑战，研究人员开展了TCB-Health的研究，这是一种结合时间卷积网络（Temporal Convolutional Network, TCN）和双向长短期记忆（Bidirectional Long Short-Term Memory, Bi-LSTM）的混合架构，专门设计用于实时患者健康预测。该模型以多变量生理输入（呼吸、加速度计、ECG、PPG）为基础，在WESAD可穿戴数据集（15名参与者）和MIMIC-IV波形数据库（>10,000名患者）上进行了验证。研究结果表明，TCB-Health在分类准确率（98.67%）、精确率（98.54%）、召回率（98.82%）、F1分数（98.90%）上均超越了CNN、GRU和单独TCN基线，且每个数据窗口的推理延迟低于10 ms。同时，该架构在浮点运算数（Floating Point Operations, FLOPs）上减少了约35%，参数量减少了28%，显著降低了计算复杂度，使其能够在资源受限的边缘设备上可靠部署。这项研究的意义在于，它为物联网赋能的医疗系统提供了一种可扩展且有效的解决方案，支持远程患者监测、心脏异常早期检测和实时临床决策支持，弥合了学术研究与临床实际部署之间的鸿沟。该论文发表在《Engineering Science and Technology, an International Journal》。

主要关键技术方法

研究人员采用了两个主要数据集：WESAD（15名健康受试者，包含ECG、PPG、呼吸、三轴加速度计）和MIMIC-IV波形数据库（>10,000名ICU患者）。数据预处理包括基于小波去噪和互相关优化的多模态时间对齐，以及使用修正z-score和绝对中位差（Median Absolute Deviation, MAD）的鲁棒归一化。模型核心为TCN层提取多尺度时间特征，随后通过Bi-LSTM捕获长程依赖和上下文信息，最后由全连接层和softmax激活函数进行分类。为避免时间序列数据泄露，采用严格的受试者独立评估协议，将受试者划分为训练集、验证集和测试集。此外，通过dropout、批归一化（Batch Normalization, BN）、早停和交叉验证来增强模型泛化能力，并针对边缘部署优化计算效率。

研究结果

3.1 数据采集

研究人员利用可穿戴和植入式IoT生物传感器持续监测多变量生理信号，包括ECG、PPG、加速度计和呼吸。主要数据源为WESAD数据集，包含15名参与者在自然环境下的同步信号；为验证临床可扩展性和鲁棒性，补充使用了MIMIC-IV数据库，涵盖超过10,000名ICU患者的真实临床数据。传感器通过低功耗无线协议（如蓝牙低功耗（Bluetooth Low Energy, BLE）、Zigbee或Wi-Fi）与IoT网关通信，并进行加密传输。通过时间戳同步和实时缓冲确保多模态数据的时间对齐。

3.2 预处理和分割

原始生物传感器信号存在高频电磁干扰、低频基线漂移、运动伪影和采样率差异。研究人员设计了多阶段信号调理流程：首先采用小波域滤波进行去噪，通过最小化对齐损失L_align来优化不同模态间的时间滞后τ^*_ij；随后使用鲁棒缩放归一化，公式为x?_i(t) = (x_i(t+τ_i) + μ_trimmed) / (σ_MAD · (1+α·(N_outliers/T))) · tanh(β·(x_i(t+τ_i) + μ_trimmed)/σ_MAD)，其中μ_trimmed为α-修剪均值（α=0.05），σ_MAD为中位数绝对偏差估计。该过程有效抑制了瞬态伪影和异常值，并将异质采样率信号重采样至统一频率，最后分割为时间窗口以供深度学习模型使用。

3.3 提出的TCB-Health方法

该混合架构首先通过TCN层并行提取多尺度时间特征，TCN利用空洞因果卷积扩大感受野，捕获长时程依赖；随后Bi-LSTM从正向和反向两个方向处理序列，捕捉上下文相关的模态关系；特征融合后输入全连接层，经softmax输出健康状态概率。模型针对边缘部署进行了优化，确保在小于10 ms的推理延迟下运行。

3.4 结果和讨论

在WESAD和MIMIC-IV数据集上，TCB-Health分别取得了98.67%和95.12%的分类准确率。与CNN、GRU和单独TCN基线相比，该模型在准确率、精确率、召回率和F1分数上均更优，且推理延迟低于10 ms，计算复杂度（FLOPs和参数量）显著降低。鲁棒性测试显示，即使在噪声和缺失传感器数据条件下，模型性能仅下降2%，鲁棒性分数达到0.980。消融实验证实了TCN和Bi-LSTM组件对性能提升的必要性。

总结讨论与结论翻译

讨论部分指出，当前最先进的模型在准确率（约96%–97%）、推理延迟（>30 ms）、时间上下文建模、多模态融合和计算复杂度方面均存在性能差距，无法满足临床边缘部署的严格要求。TCB-Health通过混合架构同时实现了高准确率（≥98%）和低延迟（≤20 ms），有效缩小了这些差距。该框架在噪声环境下表现出强鲁棒性，并大幅降低了边缘设备的计算负担，为实时患者健康监测提供了一种可扩展的解决方案。

研究结论如下：

“TCB-Health是一种新颖的混合架构，结合了时间卷积网络（TCN）和双向长短期记忆（Bi-LSTM），能够从物联网传感器数据中实现准确可靠的健康预测。通过实现98.67%的准确率和低于10 ms的推理延迟，该模型解决了准确率与延迟之间的权衡，确保了实时临床适用性。通过鲁棒地融合心电图（ECG）、光电容积脉搏波（PPG）、呼吸和加速度计数据，即使在噪声、数据缺失或传感器丢失的情况下，也增强了多模态生理信号建模。计算复杂度降低了约35%的浮点运算数（FLOPs）和约28%的参数量，确保了在资源受限的边缘设备上无需牺牲准确率即可部署。最终，该框架提供了一种临床可扩展、可解释的监测解决方案，支持主动患者护理、早期预警系统以及与远程医疗平台的无缝集成。”