第一波 FDA 批準(zhǔn)的可穿戴數(shù)字健康監(jiān)測(cè)器與智能手表等消費(fèi)產(chǎn)品相結(jié)合，才剛剛面世。醫(yī)療傳感器技術(shù)繼續(xù)快速發(fā)展，使緊湊、經(jīng)濟(jì)且越來(lái)越精確的生理傳感器能夠進(jìn)入現(xiàn)成的可穿戴設(shè)備。這種轉(zhuǎn)變的真正驅(qū)動(dòng)因素之一是尖端機(jī)器學(xué)習(xí)和人工智能算法的可用性，這些算法可以從大量數(shù)據(jù)中提取和解釋有意義的信息。這包括噪聲數(shù)據(jù)和不太完美的信號(hào)（例如來(lái)自智能手表的 ECG 數(shù)據(jù)），這些信號(hào)被各種難以使用往往是確定性和基于規(guī)則的傳統(tǒng)算法處理的偽影破壞。

直到最近，解開(kāi)來(lái)自這些傳感器的生理信號(hào)中的秘密以形成可接受的監(jiān)管提交的合理準(zhǔn)確的決策是具有挑戰(zhàn)性的，而且通常是不可能的。機(jī)器學(xué)習(xí)和人工智能算法的進(jìn)步現(xiàn)在使工程師和科學(xué)家能夠克服許多這些挑戰(zhàn)。在本文中，我們將仔細(xì)研究用于處理生理信號(hào)的算法的整體架構(gòu)，并揭開(kāi)其操作的神秘面紗，將其轉(zhuǎn)變?yōu)榻?jīng)過(guò)數(shù)十年研究建立的更真實(shí)的工程。

為了說(shuō)明簡(jiǎn)單的機(jī)器學(xué)習(xí)算法的強(qiáng)大功能，這里有一個(gè)在線視頻，描述了來(lái)自活動(dòng)跟蹤器中的加速度計(jì)的數(shù)據(jù)如何預(yù)測(cè)佩戴者的各種運(yùn)動(dòng)或休息狀態(tài)。我們可以將這種方法擴(kuò)展到更復(fù)雜的現(xiàn)實(shí)世界醫(yī)學(xué)信號(hào)，例如心電圖，并開(kāi)發(fā)可以自動(dòng)將心電圖信號(hào)分類為正?；虮憩F(xiàn)出心房顫動(dòng)的算法。

開(kāi)發(fā)機(jī)器學(xué)習(xí)算法包括兩個(gè)主要步驟（圖 1）。此工作流程的第一步是特征工程，其中從感興趣的數(shù)據(jù)集中提取某些數(shù)值/數(shù)學(xué)特征并將其呈現(xiàn)給后續(xù)步驟。第二步，將提取的特征輸入眾所周知的統(tǒng)計(jì)分類或回歸算法，例如支持向量機(jī)或適當(dāng)配置的傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，以提出可用于新數(shù)據(jù)的訓(xùn)練模型設(shè)置為預(yù)測(cè)。一旦使用具有良好代表性的標(biāo)記數(shù)據(jù)集對(duì)該模型進(jìn)行迭代訓(xùn)練，直到達(dá)到令人滿意的準(zhǔn)確性，它就可以在新的數(shù)據(jù)集上用作生產(chǎn)環(huán)境中的預(yù)測(cè)引擎。

圖 1. 包含訓(xùn)練和測(cè)試階段的典型機(jī)器學(xué)習(xí)工作流程。

那么這個(gè)工作流程如何尋找心電圖信號(hào)分類問(wèn)題呢？在本案例研究中，我們轉(zhuǎn)向2017 PhysioNet Challenge數(shù)據(jù)集，該數(shù)據(jù)集使用真實(shí)世界的單導(dǎo)聯(lián)心電圖數(shù)據(jù)。目的是將患者的 ECG 信號(hào)分類為以下四個(gè)類別之一：正常、心房顫動(dòng)、其他節(jié)律和太嘈雜。在 MATLAB 中解決此問(wèn)題的總體過(guò)程和各個(gè)步驟如圖 2 所示。

圖 2. 用于開(kāi)發(fā)機(jī)器學(xué)習(xí)算法以對(duì) ECG 信號(hào)進(jìn)行分類的 MATLAB 工作流程。

預(yù)處理和特征工程

特征工程步驟可能是開(kāi)發(fā)強(qiáng)大的機(jī)器學(xué)習(xí)算法中最難的部分。這樣的問(wèn)題不能簡(jiǎn)單地被視為“數(shù)據(jù)科學(xué)”問(wèn)題，因?yàn)樵谔剿鹘鉀Q這個(gè)問(wèn)題的各種方法時(shí)，擁有生物醫(yī)學(xué)工程領(lǐng)域的知識(shí)來(lái)理解不同類型的生理信號(hào)和數(shù)據(jù)非常重要。MATLAB 等工具將數(shù)據(jù)分析和高級(jí)機(jī)器學(xué)習(xí)功能帶給領(lǐng)域?qū)＜?，使他們能夠更輕松地將高級(jí)機(jī)器學(xué)習(xí)等“數(shù)據(jù)科學(xué)”功能應(yīng)用于他們正在解決的問(wèn)題，從而專注于特征工程。在這個(gè)例子中，

開(kāi)發(fā)分類模型

Statistics and Machine Learning Toolbox 中的分類學(xué)習(xí)器應(yīng)用程序?qū)τ趧偨佑|機(jī)器學(xué)習(xí)的工程師和科學(xué)家來(lái)說(shuō)是一個(gè)特別有效的起點(diǎn)。在我們的示例中，一旦從信號(hào)中提取了足夠數(shù)量的有用且相關(guān)的特征，我們就會(huì)使用這個(gè)應(yīng)用程序來(lái)快速探索各種分類器及其性能，并縮小我們進(jìn)一步優(yōu)化的選項(xiàng)。這些分類器包括決策樹(shù)、隨機(jī)森林、支持向量機(jī)和 K 近鄰 （KNN）。這些分類算法使您能夠嘗試各種策略并選擇為您的特征集提供最佳分類性能的策略（通常使用混淆矩陣或 ROC 曲線下面積等指標(biāo)進(jìn)行評(píng)估）。在我們的案例中，我們很快就在所有類別中達(dá)到了約 80% 的總體準(zhǔn)確率，只需遵循這種方法（本次比賽的獲勝作品得分約為 83%）。請(qǐng)注意，我們沒(méi)有花太多時(shí)間在特征工程或分類器調(diào)整上，因?yàn)槲覀兊闹攸c(diǎn)是驗(yàn)證方法。通常，花一些時(shí)間在特征工程和分類器調(diào)整上會(huì)導(dǎo)致分類準(zhǔn)確性的顯著進(jìn)一步提高。更高級(jí)的技術(shù)（如深度學(xué)習(xí)）也可以應(yīng)用于特征工程和提取以及分類步驟結(jié)合在一個(gè)訓(xùn)練步驟中的問(wèn)題，盡管與傳統(tǒng)方法相比，這種方法通常需要更大的訓(xùn)練數(shù)據(jù)集才能正常工作機(jī)器學(xué)習(xí)技術(shù)。只需遵循這種方法（本次比賽的獲勝作品得分約為 83%）。請(qǐng)注意，我們沒(méi)有花太多時(shí)間在特征工程或分類器調(diào)整上，因?yàn)槲覀兊闹攸c(diǎn)是驗(yàn)證方法。通常，花一些時(shí)間在特征工程和分類器調(diào)整上會(huì)導(dǎo)致分類準(zhǔn)確性的顯著進(jìn)一步提高。更高級(jí)的技術(shù)（如深度學(xué)習(xí)）也可以應(yīng)用于特征工程和提取以及分類步驟結(jié)合在一個(gè)訓(xùn)練步驟中的問(wèn)題，盡管與傳統(tǒng)方法相比，這種方法通常需要更大的訓(xùn)練數(shù)據(jù)集才能正常工作機(jī)器學(xué)習(xí)技術(shù)。只需遵循這種方法（本次比賽的獲勝作品得分約為 83%）。請(qǐng)注意，我們沒(méi)有花太多時(shí)間在特征工程或分類器調(diào)整上，因?yàn)槲覀兊闹攸c(diǎn)是驗(yàn)證方法。通常，花一些時(shí)間在特征工程和分類器調(diào)整上會(huì)導(dǎo)致分類準(zhǔn)確性的顯著進(jìn)一步提高。更高級(jí)的技術(shù)（如深度學(xué)習(xí)）也可以應(yīng)用于特征工程和提取以及分類步驟結(jié)合在一個(gè)訓(xùn)練步驟中的問(wèn)題，盡管與傳統(tǒng)方法相比，這種方法通常需要更大的訓(xùn)練數(shù)據(jù)集才能正常工作機(jī)器學(xué)習(xí)技術(shù)。因?yàn)槲覀兊闹攸c(diǎn)是驗(yàn)證該方法。通常，花一些時(shí)間在特征工程和分類器調(diào)整上會(huì)導(dǎo)致分類準(zhǔn)確性的顯著進(jìn)一步提高。更高級(jí)的技術(shù)（如深度學(xué)習(xí)）也可以應(yīng)用于特征工程和提取以及分類步驟結(jié)合在一個(gè)訓(xùn)練步驟中的問(wèn)題，盡管與傳統(tǒng)方法相比，這種方法通常需要更大的訓(xùn)練數(shù)據(jù)集才能正常工作機(jī)器學(xué)習(xí)技術(shù)。因?yàn)槲覀兊闹攸c(diǎn)是驗(yàn)證該方法。通常，花一些時(shí)間在特征工程和分類器調(diào)整上會(huì)導(dǎo)致分類準(zhǔn)確性的顯著進(jìn)一步提高。更高級(jí)的技術(shù)（如深度學(xué)習(xí)）也可以應(yīng)用于特征工程和提取以及分類步驟結(jié)合在一個(gè)訓(xùn)練步驟中的問(wèn)題，盡管與傳統(tǒng)方法相比，這種方法通常需要更大的訓(xùn)練數(shù)據(jù)集才能正常工作機(jī)器學(xué)習(xí)技術(shù)。

挑戰(zhàn)、法規(guī)和未來(lái)承諾

雖然許多常見(jiàn)的可穿戴設(shè)備還沒(méi)有完全準(zhǔn)備好取代 FDA 批準(zhǔn)和醫(yī)學(xué)驗(yàn)證的同類設(shè)備，但所有技術(shù)和消費(fèi)趨勢(shì)都強(qiáng)烈指向這個(gè)方向。FDA 開(kāi)始在簡(jiǎn)化法規(guī)和鼓勵(lì)監(jiān)管科學(xué)的發(fā)展方面發(fā)揮積極作用，特別是通過(guò)數(shù)字健康軟件預(yù)認(rèn)證計(jì)劃以及設(shè)備開(kāi)發(fā)中的建模和模擬等舉措。

從日常使用的可穿戴設(shè)備收集的人體生理信號(hào)成為新的數(shù)字生物標(biāo)志物，可以提供我們健康的全面圖片，這一愿景現(xiàn)在比以往任何時(shí)候都更加真實(shí)，這在很大程度上歸功于信號(hào)處理、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的進(jìn)步算法。MATLAB 等工具支持的工作流程使醫(yī)療設(shè)備領(lǐng)域的專家能夠應(yīng)用和利用機(jī)器學(xué)習(xí)等數(shù)據(jù)科學(xué)技術(shù)，而無(wú)需成為數(shù)據(jù)科學(xué)專家。

審核編輯：郭婷