Cardiac Multi-Frequency Vibration Signal Sensor Module and Feature Extraction Method Based on Vibration Modeling

Gao, Zhixing; Wang, Yuqi; Yu, Kang; Dai, Zhiwei; Song, Tingting; Zhang, Jun; Huang, Chengjun; Zhang, Haiying; Yang, Hao

doi:10.3390/s24072235

开放式访问第条

基于振动建模的心脏多频振动信号传感器模块及特征提取方法

¹

中国科学院微电子研究所，北京100029

²

中国科学院大学，北京100049

^*

应向其发送信件的作者。

传感器 2024,24(7), 2235;https://doi.org/10.3390/s24072235

收到的提交文件：2024年3月5日/修订日期：2024年3月20日/接受日期：2024年3月29日/发布日期：2024年3月30日

（本文属于特刊传感用微纳技术：从器件制造到应用)

下载

浏览地物

版本注释

摘要

:

心血管疾病对人类健康构成长期风险。这项研究的重点是心脏活动期间产生的高频机械振动。结合傅里叶级数理论，我们提出了心脏的多频振动模型，将心脏振动分解为多个频带，建立了检测多频心脏振动的系统解释。在此基础上，我们开发了一种基于柔性聚偏氟乙烯（PVDF）薄膜的小型多频振动传感器模块，能够同步采集超低频、高灵敏度的心电图和心音信号。对比实验验证了传感器的性能，并进一步开发了基于一维CNN模型的特征提取算法框架，实现了多个振动特征的连续识别。测试表明，识别系数的确定(

{R（右）}^{2}

)8个特征的平均绝对误差（MAE）和均方根误差（RMSE）分别为0.95、2.18ms和4.89ms，平均预测速度为60.18us/点，满足在线监测的要求，同时保证了提取多个特征点的准确性。最后，结合振动模型、传感器和特征提取算法，提出了一种多频心脏振动动态监测系统，可应用于便携式监测设备进行日常动态心脏监测，为心血管疾病的早期诊断和预防提供了新的途径。

关键词：

超低频地震心电图;地震心电图;心音描记术;心脏多频振动模型;振动传感器;一维CNN

1.简介

心血管疾病对人类健康构成长期风险，近年来影响年轻人群的心血管疾病趋势日益突出[1]. 因此，早期有效地诊断心脏病极为重要。心脏具有多模态特征[2]. 在运动周期中，心脏窦房结发出电信号，传输至心肌细胞，产生心肌收缩和舒张，从而驱动血液流动。这个过程会产生各种机械波振动。心脏跳动描记术（卡介苗，血液喷射到血管中产生的全身运动）[三]和地震心电图（SCG，由心跳引起的胸壁局部振动）[4]能够代表心肌收缩-舒张运动的过程。心音描记术（PCG，20–100 Hz）[5]是在阀门打开和关闭过程中血液流动产生的声音信号。心电图（GCG）[6]体现了心脏在不同方向的旋转运动信息。上述振动波对于人们识别心脏运动信息、反映结构异常和心脏射血能力改变至关重要。24小时心电图动态心电图仪反映了心脏的日常电行为，但仅心电图信号不能反映上述机械信息。实现心脏机械振动的动态监测可以扩大心脏监测的范围[7]而电信号的组合可以反映更全面的心脏信息。

自20世纪90年代以来，小型化和轻型机械振动传感器越来越多地用于便携式心脏监测系统。基于微机电系统（MEMS）技术的加速度计广泛用于SCG检测[8,9]并已扩展到包括心率检测在内的多种应用场景[10]评估血流动力学参数，如血压[11]和心肌收缩力[12]和术后患者监测[13]. 基于MEMS的陀螺仪用于提取GCG[6]. 惯性测量单元（IMU）允许在单个小型设备上同时提取3轴SCG信号和3轴GCG信号，从而获得比单个传感方法更多的信息[14]. 一种可穿戴的密封式高精度振动传感器结合了加速度计和接触式麦克风的特性，可以监测由心肺振动引起的各种健康信息[15]. 带有软黄金电极的可伸缩传感器可以直接连接到皮肤上，以提取心脏时间间隔[11]. 可变形导电生物电子学越来越多地用于监测心脏的电生理状态，以提高诊断准确性[16].

在提取各种振动波的基础上，人们逐渐在它们之间建立了宏观联系。振动波之间存在频率重叠，因此它们是相互关联的。例如，SCG（能量集中在0.5–30 Hz）和PCG（能量聚集在20–200 Hz）都可以提取有关阀门关闭的信息（SCG的MC、AO、AC和MO，以及PCG的S1和S2）。研究人员使用振动心电描记术（SCG和GCG）确定了PCG对应的振动[17]，从SCG中提取PCG过程[18]，并通过GCG诠释了SCG的特征[19]. 同时，由于频率的不同，振动波反映了心脏的不同运动信息。在从加速度计提取的心脏信号中，18–200 Hz的带通滤波信号表示心脏瓣膜的打开和关闭信息，而0.6–20 Hz的带过滤波信号则表示心脏收缩的后坐力信息[20]. 更详细地说，低于0.5 Hz的信号表征呼吸节律[21]; 1–5 Hz左右的信号表征心脏容积变化和射血期活动[22,23]; 5–30 Hz左右的SCG信号表征心脏瓣膜的打开和关闭以及收缩和舒张过程[22]; 20–200 Hz左右的PCG信号是高频声学活动的特征。最近，研究人员一直在使用压电换能器同步提取上述多个频带中的信号[22,23,24]由于压电方法的宽带特性。同时被动传感是压电方法的另一个优点，它可以在没有外部电源的情况下产生电荷。因此，可以设计一种小型化的高灵敏度压电换能器模块，用于心脏的多频振动检测，从而能够提取关于心脏的全面机械信息。

此外，心脏活动的动态监测依赖于准确有效的特征提取方法，研究人员目前热衷于研究自动标注算法。对于5 Hz以下的ULF-SCG，“findpeaks”函数（来自MATLAB）可以提取特征点（峰值和波谷）的位置。对于200 Hz以上的PCG，可以使用能谱和包络法识别S1和S2的位置[25]. 5–30 Hz左右的SCG信号覆盖次声和可听波段，并具有九个特征点。由于波形形态的弱可解释性和高可变性，SCG的特征提取成为研究的难点。目前，大多数方法只能提取一些高频段的特征点。高斯混合模型方法提取了两个低延迟的特征点（AC和AO）[26]; 研究人员通过使用来自同一加速计的高频信号包络实现了SCG的IM和AC标记[27]; 小波变换方法可以同时定位AO和IM点[28]. 二元分类器方法能够提取多个特征点，但集成特征的引入使得结果依赖于波形的形态[29]; 曲率法[22]能够提取多个特征点，而不管波形形态如何，但由于其对干扰的敏感性以及需要单周期平均处理来实现高识别精度，因此牺牲了时效性。因此，如何满足形态变异鲁棒性、低延迟和处理多个特征点的高识别要求成为一个挑战。

最近，1D-CNN方法对复杂工程具有吸引力，因为它们不需要手动生成特征，并且可以直接提取“学习特征”[30]. 一些研究人员进行了1D到2D的转换，以应用深度CNN方法[31]但是高计算复杂度使得它们不适合在移动和低功耗/低存储器设备上进行实时操作。紧凑型自适应1D-CNN可以[32]直接操作一维生理信号，时间复杂度低。心电图节拍中的早期心律失常检测[33]脉搏波的特征提取[34]是成功的1D-CNN应用程序。

在本研究中，首先，我们描述了心脏的多频振动模型。结合傅里叶级数理论，将心脏振动表示为不同频带振动波的合成，并使用EMD分解对信号进行验证。然后，我们提出了一种基于PVDF压电薄膜的传感器模块，用于同时采集心脏的多频振动，允许检测超低频心脏信号（ULF-SCG）和SCG信号[22]. 此外，我们进一步优化了传感器的体积，并设计了单独的结构。对比实验证明，该传感器还可以同时提取PCG信号。对于质量为2.4g、体积为30×15×5mm的模块，新的传感器模块的输出灵敏度达到40.6V/N。同时，我们设计了一个基于1D-CNN的多频振动特征提取算法框架。我们利用心电图的R波对多频带的振动信号进行截断，形成多个单周期波形，输入到一维神经网络中，通过训练学习特征点位置，最后输出特征点坐标。我们的研究识别了PCG的两个特征点和SCG的八个特征点。除去RE和RF的两个特征点，平均值

{R（右）}^{2}

RME和RSME分别达到0.95、2.18和4.89 ms，对形态变异具有较高的识别鲁棒性。新方法处理单个特征点的平均响应时间为60.18

μ 秒

实现低延迟。最后，结合多频振动模型、采集传感器和信号特征提取方法，形成了心脏多频振动动态监测系统方案。该方案是一种更有效的选择，可应用于便携式采集设备，用于日常动态心脏监测。

2.材料和方法

2.1. 多频振动模型及系统框架

心脏运动是一种准周期振荡运动。心脏受到电信号的刺激，产生心肌收缩和舒张，从而驱动血液流动，从而产生各种机械振动。假设心脏活动是严格的周期性和线性稳定的，心脏在胸部某一点的振动是周期性振荡和噪声波动的叠加：

{（f）}_{C类 一 第页 d日 我 一 c（c）} = {（f）}_{吨} + N个

(1)

哪里

{（f）}_{C类 一 第页 d日 我 一 c（c）}

表示心脏在某一点的振动信号，

{（f）}_{吨}

表示周期振荡，以及

N个

表示噪声波动。

{（f）}_{吨}

可以分解为不同频带的振动。不同频段的振动源于不同的心脏事件，如心室和心房的舒张收缩、瓣膜的打开和关闭过程、射血过程和心脏充盈过程。由于传递到胸壁的运动特征不同，心脏事件产生不同的周期性振动。傅里叶级数理论将满足一定条件的任何周期函数分解为不同频率的正弦波和余弦波。类似地，我们将心脏的周期性振荡分解为不同频带的振动波，如下所示：

{（f）}_{吨} = 一_{0} + \sum_{n个 = 1}^{米} 一_{n个} {（f）}_{n个} (t吨)

(2)

其中

{（f）}_{n个} (t吨)

代表振动波，不同的振动波代表不同的心脏事件（

n个

，振动波的频率越高）。

n个 = 1

表示心脏运动的基频成分，即由最低频心脏事件引起的振动波，从生理学上可以解释为心脏每分钟60–100次的收缩和舒张过程。

n个 > 1

表示心脏运动的各种谐波成分，包括高频事件，如瓣膜打开和关闭、心脏收缩性射血等

n个

是

米

，表明心脏事件的数量是有限的。

一_{0}

表示直流分量

一_{n个}

表示振动波形的系数。

{（f）}_{n个} (t吨)

作为周期函数，可以进一步扩展为傅里叶级数：

{（f）}_{n个} (t吨) = {b条}_{0} + \sum_{n个 = 1}^{\infty} ({b条}_{n个} c（c） o个 秒 (2 π n个 / 吨 \cdot t吨) + {c（c）}_{n个} 秒 我 n个 (2 π n个 / 吨 \cdot t吨))

(3)

哪里

{b条}_{0}

是直流分量，

{b条}_{n个}

和

{c（c）}_{n个}

是傅里叶系数，以及

2 π n个 / 吨

是角频率。傅里叶级数理论中周期函数的最小振动单位是正弦波和余弦波。我们将心脏振动的最小单位设置为不同的心脏事件，因为可解释性更强。心脏事件可以进一步分解为正弦和余弦。

上述方程描述了心脏的多频振动模型，并在数学水平上解释了心脏多频振动波的含义。心脏事件是引起心脏多频振动的最小单位，是胸位多频振动信号的来源。模型的信号验证如所示第3.4节该模型证明了多频振动信号对心脏监测的重要性，为我们设计相应的传感器和分析处理多频信号提供了支持。我们建立了一个系统框架，如图1，其中便携性和低延迟是系统的基本目标，使其适用于日常动态心脏监测。

2.2. 传感器设计与制造

本节描述了基于PVDF的多频传感器模块的设计，并分析了从传感器信号中提取的多频信号。

图2a显示了多频传感器的整体结构，它由三部分组成：传感元件、固定结构和传导介质。传感元件为LDT0-028K（PVDF薄膜，TE Connectivity），厚度为28 um，尺寸为25 mm×13 mm，频带为0.1–10000 Hz，如所示图2b.出色的宽带特性使其成为记录多频振动的合适设备。在固定方案中，我们选择了一个3D打印的硬基板作为固定结构，可以将胸壁的力稳定地传递到传感表面。提取多频振动也需要较高的传感器灵敏度，无衬底的PVDF传感器具有最佳灵敏度，因为它们允许足够的表皮变形[11]. 我们在固定结构上设计了一个凹槽，为PVDF提供最佳的表面变形，使模块具有足够的输出灵敏度。凹槽深度设计为0.35mm，以增加垂直变形，从而增加输出电荷。PVDF上粘有EVA基泡沫橡胶作为导电介质，与人体胸壁接触，有效地传导振动。此外，为了减少ECG电极的数量，将参考电极放置在PVDF膜的同一侧，并设计为条形金属电极，如所示图2c.我们添加了外壳以稳定内部结构，并在外壳上挖了两个孔，以暴露PVDF和金属电极的敏感表面。

在我们之前的研究中，我们已经证明这种传感器可以获得ULF-SCG和SCG信号，其中ULF-SCG显示了心脏容积变化的映射（下降波对应于心脏射血期）[22]SCG展示了9个标准特征点[8,22]. 在本研究中，我们设计了一种单独的传感器结构，缩小了传感器尺寸，并进一步验证了该传感器可以额外提取PCG信号。

我们在第3.3节该传感器在30×15×5 mm的小体积和2.4 g的质量内实现了40.6 V/N的输出灵敏度，能够准确提取ULF-SCG、SCG和PCG的多频心脏信号，同时满足便携需求。

2.3. 采集终端设计

心脏多频振动信号的特征提取算法需要参考心电图。因此，我们开发了一种联合采集装置，用于同步记录PVDF和ECG信号。硬件结构如所示图3a。

选择胸骨作为PVDF的收集位置，用两根导线将极化电荷传递到前端电荷放大电路（CA3140），该电路的高输入阻抗可以很好地捕获PVDF产生的微弱电荷。经过两级放大后，总电压增益达到29.5 dB[22]. 此外，我们使用来自电压跟随器的稳定电压作为参考，将双电源运算放大器处理的输出提升到ADC的输入范围内。电路结构如所示图3b。

两个处理后的模拟信号使用stm32f303cct6 MCU的片上ADC进行连续转换，分辨率设置为12位。转换后的数字信号通过串行端口传输到主机。计时器设置为每0.5毫秒传输一次信号，因此实现的采样率为2 kHz。

我们将心电图电极粘贴在胸部，并使用ASIC AD8232作为心电图的模拟前端。该IC具有高共模抑制比、低功耗和低噪声[35]其外围电路简单。只需调整电阻器和电容器，即可实现0.05–37 Hz带通滤波器和52 dB的放大增益。

图1a显示了信号的采集场景：PVDF传感器通过皮带固定在胸骨位置，ECG信号电极安装在上侧（ECG参考电极设计在PVDF模块上）。

2.4. 基于1D-CNN的特征提取算法

2.4.1. 特征提取框架

经过预处理，获得了同步心电信号和三个振动信号。共有13个振动特征点，包括ULF-SCG的WC和WT、SCG的9个特征点和PCG的2个特征点。其中，ULF-SCG信号的WT点由于其明显的特征而不包括在特征点提取范围内。SCG信号最复杂，有九个特征点，因此特征提取最具挑战性。其中，由于难以从连续波形中识别和提取，AS波被排除在提取范围之外。现有的曲率方法可以提取SCG的九个特征点，但它们需要在单个周期内进行平均，以提高信噪比（SNR），从而显著增加延迟[22]. Compact 1D-CNN通过使用固定长度的输入并将特征点作为标签处理，提供了新的思路。通过足够的训练样本可以得到特征识别模型。

本研究利用心电图信号作为参考信号，并采用R波提取算法[36]获取心电图中R波的位置。通过截断三个振动信号，获得多个单周期信号，并将其作为一维CNN模型的输入信号，以标注的特征点作为数据集的标签。通过在训练好的模型中输入单周期信号，可以得到特征点的位置，从而实现特征识别。最终的特征识别框架如所示图1.

2.4.2. 1D-CNN模型设计

我们设计的模型是一个紧凑的体系结构，如所示图4该模型主要由四部分组成：输入层、卷积层、全连接层和输出层。叠加卷积层用于学习和提取深层特征，以获得特征点的位置。将固定长度的单周期信号（对长度不足的信号执行零通）用作模型的输入，并馈送到多个conv层。在每个conv层后面是ReLU激活功能层和Maxpooling层。ReLU激活函数用于激活特征层和增加非线性关系，使神经网络能够完成复杂的学习任务，并能有效解决梯度消失问题，减少过拟合的发生。Maxpooling层用于降采样，以删除冗余信息并提高输出性能。最后，滤波器在时间尺度上移动，以提取和学习振动信号的时域特征。在网络培训过程中，

秒 米 o个 o个 t吨 小时 L（左） 1

用作损失函数。这个

秒 米 o个 o个 t吨 小时 L（左） 1

损失函数具有对异常值不敏感和在训练过程中保证梯度稳定性的优点，因此在回归问题中很受欢迎[37]. 其公式如（4）所示。当

秒 米 o个 o个 t吨 小时 L（左） 1

30个epoch后损失函数没有减小，认为网络已经过训练。

秒 米 o个 o个 t吨 小时 L（左） 1 (x个) = \{\begin{matrix} 0.5 {x个}^{2}, 我 （f） | x个 | < 1 \\ | x个 | - 0.5, o个 t吨 小时 e（电子） 第页 w个 我 秒 e（电子） \end{matrix}

(4)

对10个特征点进行标记（手动标记8个SCG点，算法自动标记2个PCG点），并通过1D-CNN模型分别训练每个特征点。我们使用Python3.8和Pythort框架来开发AI模型。模型训练在NVIDIA 2080 Ti上进行，操作系统为Ubuntu 20.04。在培训期间，初始学习率为0.001，批大小设置为64。模型实验的详细参数列于表1.

基于处理后的样本和训练好的1D-CNN模型，通过优化卷积层和输入输出通道的数量，进一步优化了模型结构。这使得模型结构更紧凑，延迟更低，同时保持识别准确性。

2.4.3. 模型评估

本研究的目的是基于输入信号预测特征点的位置坐标，属于监督学习中的回归问题。为了评估模型性能，我们使用决定系数

{R（右）}^{2}

以反映模型的准确性。此参数表示回归平方和与剩余平方和的比率，此统计值越接近1，模型的拟合效果越好。均方根误差（RMSE）被用作训练损失，平均绝对误差（MAE）被用作帮助确定模型性能的度量。方程式（4）–（6）给出了相应的定义，其中

（f）

表示预测特征点的位置坐标

\hat{（f）}

表示特征点坐标的预测值，以及

\bar{（f）}

表示的平均值

（f）

MAE表示预测值与实际值之差的绝对值之和，可以直观地反映预测值误差。而RMSE对异常值的影响更为敏感，这有利于模型的收敛。

{R（右）}^{2} = 1 - \frac{\sum_{我 = 1}^{n个} {({（f）}_{我} - {\hat{（f）}}_{我})}^{2}}{\sum_{我 = 1}^{n个} {({（f）}_{我} - {\bar{（f）}}_{我})}^{2}}

(5)

M（M） 一 E类 = \frac{\sum_{我 = 1}^{n个} |{（f）}_{我} - {\hat{（f）}}_{我}|}{n个}

(6)

R（右） M（M） S公司 E类 = \sqrt{\frac{\sum_{我 = 1}^{n个} {({（f）}_{我} - {\hat{（f）}}_{我})}^{2}}{n个}}

(7)

3.结果

3.1. 采集系统与信号预处理

我们构建了一个采集系统，如所示图5a并获取同步的ECG和PVDF振动信号，如所示图5b.使用通带为1–40 Hz的零相移二阶巴特沃斯滤波器对原始ECG信号进行滤波，以获得滤波后的ECG信号。原始PVDF信号从1–5 Hz、5–30 Hz和20–200 Hz通过零相移二阶巴特沃斯滤波器，分别获得ULF-SCG、SCG和PCG信号，如所示图5c.图中标注的相关特征点包括ECG的五个经典特征点（Q、R、S、T和P），ULF-SCG的两个特征点（波峰WC和波谷WT）[22]，SCG的九个标准特征点[8]和PCG的两个特征点。它们的相关定义如所示表2.

3.2. 数据源

我们选择了6名23至35岁的志愿者。四个是男性，两个是女性。在实验过程中，所有受试者都很清楚研究内容和记录过程。我们使用我们的记录原型同步记录受试者的PVDF和ECG信号。我们要求每个受试者垂直坐在椅子上。在装置打开且受试者呼吸顺畅后，开始录音。在均匀呼吸后，受试者屏住呼吸，重复两到三次，持续约两分钟。最后将信号传输到主机并保存在主机上，并选择呼吸控制状态下约10秒的稳定信号作为有效数据进行分析。为了覆盖形态丰富、心率范围多的波形，我们采集了每个受试者在不同状态下的信号，包括平静状态和日常运动后的恢复过程。最终采集得到61个多周期数据，从中提取1255个周期用于模型训练和测试。受试者的基本生理参数如所示表3.

3.3. 多频振动传感器测试

我们使用了如中所示的校准实验装置图6a校准传感器，其中测力装置相对于PVDF定期移动。如所示图6b、根据作用力等于反作用力的公理，建立了PVDF输出电压与作用力大小之间的关系。作为图6c表明，经过四次标定实验，得到了电压-力响应曲线。多频传感器模块的计算灵敏度为40.6 V/N（由于输出灵敏度过高，通过将输出增益降低到其原始值的1/10进行测试），满足了检测胸部微弱振动信号的要求。

在本研究中，为了验证传感器采集的PCG，我们选择了一个麦克风传感器WM7120（英国爱丁堡沃尔夫森公司）同步记录数据[22].图7a显示了两个同步记录的PCG信号之间的比较。与麦克风记录的PCG相比，我们的传感器记录的PCG-S1和S2峰值几乎相同。我们通过使用先前提出的算法处理PCG包络来获得S1和S2的时间位置[25]并分别对S1和S2进行相关性分析。结果如所示图7b–d，其中从两种方法获得的特征点位置具有相对完美的相关性，验证了我们的传感器不仅提取ULF-SCG和SCG，而且在提取PCG方面也是有效的。图7c、 d是对通过多次实验获得的249个周期的信号进行的相关测试。

3.4. 多频振动模型的验证

本研究提出的心脏多频振动模型基于这样的假设，即心脏活动是严格周期性和线性稳定的，但心脏活动引起的实际胸壁振动是非线性和不稳定的准周期信号。傅里叶级数和EMD分解方法能够将时域信号分解为不同的频率分量。不同的是，EMD可以分解非线性和不稳定的信号，这使得它成为一个合适的信号验证工具。EMD可以从数据中自适应地分解不同频率范围内的本征模，准确地反映心脏振动信号的动力学[38].

我们使用EMD方法分解PVDF的振动信号，以获得多个固有模式函数IMF，如所示图8每个IMF捕获信号的本地振荡模式，代表不同的频率分量，通常具有明确的物理意义。我们发现，第3、4和7层的IMF函数分别对应于PCG、SCG和ULF-SCG。经过比较，波形形态和特征点与三种波形的实际波形非常接近，如所示图9。它们代表

{（f）}_{n个} (t吨)

振动模型中描述的振动波模式。此外，我们将心脏振动分解为以下三种模式：

以ULF-SCG为代表的基频模式表征了收缩和舒张引起的心脏容积变化过程；
以SCG为代表的中频振动模式，位于次声带和少量可听声带中，因此既包含低频行为，如快速舒张充盈峰值和心房收缩峰值，也包含高频行为，如瓣膜打开和关闭；
以PCG为代表的高次谐波模式表征了瓣膜开闭和血流所产生的高频声学信息。

在本节中，我们通过EMD分解来验证所提出的振动模型，其中心脏振动可以分解为多个频率的振动模式，这些模式可以通过心脏事件来区分。它为多频振动的心脏监测提供了系统的解释，并指导传感器的设计和信号处理。

3.5. 特征提取算法的验证

3.5.1. 数据集组织

组织后，生成了1255个数据集。每个数据集包括固定长度为2048（采样率2 kHz）的SCG和PCG的单周期信号，并包括10个标记特征点。特征点的标记标准和质量决定了模型结果的好坏。由于没有合适的方法来准确标记SCG信号的八个特征点，因此我们手动进行标记并参考标准SCG特征点定义[8]：MC是QRS波开始后SCG急剧下降的开始，MC下坡的最低点被标记为等张运动（IM）。从IM向上倾斜段的峰值称为AO点；等渗收缩（IC）点是从AO点开始的下坡段的最低点。IC之后的圆形正波的峰值被称为快速心室射血峰值（RE）；AC记录心电图T波末端附近的陡坡变化（向下）；MO对应于AC之后下坡的第二个最低点；舒张快速充盈（RF）的峰值被确定为SCG在MO点之后的第二个圆形峰值的峰值。同时，研究[22]图中显示，SCG中AO和AC点附近的曲率显示出一个显著的峰值。因此，同步曲率特征为我们校准不同形态的SCG提供了帮助。最后，通过严格遵循SCG特征点的定义，并利用同步心电图和曲率特征作为辅助，实现了不同形态SCG的特征点标定。图10显示了在不同形态SCG中校准的八个特征点。从图中可以看出，不同受试者之间的信号波形存在可变性，同一受试者的信号也存在可变性。这种差异可能与人体的体重、身高、体脂百分比、肌肉力量、性别等因素有关[39]. 此外，它可能涉及不同心率下人类心脏、胸壁和传感器的信号传播和耦合机制。然而，我们可以通过特征定义、同步ECG和曲率特征来完成SCG的特征校准。

对于PCG信号，我们使用先前提出的算法进行处理[25]通过对心音的能量包络进行K均值聚类和小波变换，得到稳定S1和S2的位置。该算法提取S1和S2的准确率分别为98.02%和96.76%，能够满足高精度的自动提取。同时，为了确保最低的错误率，我们在自动标记过程中目视检查信号波形中特征点的位置，并对有错误的点进行校正，以最大限度地提高最终结果的有效性。

3.5.2. 1D-CNN模型训练与优化

本文通过一维神经网络建模，获得了多频振动波的特征点提取。深度网络模型往往会提供更好的训练结果，但它们的参数和处理时间会呈指数级增长。因此，我们经常需要在处理时间和识别准确性之间进行权衡。通常，可以通过调整CONV的层数和输入输出通道数来优化模型，从而实现上述权衡[34].

我们将CONV层数更改为3、4、5、6、7、8、9和10，用于实验和比较结果

{R（右）}^{2}

获得的结果如所示表4从表中可以看出，当卷积层数为5到6时，

{R（右）}^{2}

最接近于1，这意味着模型在这个范围内预测得最好。当卷积层数太少时，该模型不足以学习有用的特征，因此识别效果较差。当卷积层数过大时，模型会出现过拟合等问题，导致测试集中的识别效果较差。相反，当卷积层的数量为6时

{R（右）}^{2}

更接近于一。虽然当卷积层的数量为5时

{R（右）}^{2}

特征点的RF较好，与卷积层数的差异不显著，为6。经过综合考虑，卷积层的数量统一设置为六层。

为了简化模型，我们通过调整每个卷积层的输入和输出通道数来修改CNN的结构。在确定卷积层数为6的基础上，设计了7个网络结构模型，如所示表5该网络包括六个卷积层和两个FC层。在表中的结构“a-b”中，“a”表示输入通道数，“b”表示输出通道数。不同的网络结构将带来不同的网络性能，同时将导致不同数量的参数和不同的算法延迟。此外，设置提前停止规则可以有效避免因过多时段而进入过拟合状态[40]. 在本文中，当网络的损失函数的输出值在30个周期内不下降时，网络被视为已经过训练。我们使用7种不同的网络结构来训练10个特征点。获得的模型训练结果如所示图11.模型训练效果(

{R（右）}^{2}

)考虑算法延迟（delay）和训练周期来选择适合每个特征点的网络结构。最后，获得10个特征点的最佳结构模型，如所示图12.

3.5.3. 模型测试和评估

将10个特征点的测试数据集的数据输入到已经训练好的模型中，测试结果如所示表6获得了。

模型训练的结果表明

{R（右）}^{2}

特征点MC、IM、AO、IC、AC和S2的值达到0.99。这个

{R（右）}^{2}

特征点RE和RF的值分别为0.97和0.94，相对较低。我们将MAE和RMSE参数转换为时间（原始MAE/采样率，采样率等于2 kHz），除RE和RF点外，所有特征值的MAE均低于2 ms，RMSE低于4 ms。我们使用测试集来测试经过训练的模型。结果表明，尽管

{R（右）}^{2}

特征点的值都低于

{R（右）}^{2}

训练集的值，整体

{R（右）}^{2}

数值达到0.9或以上。除RF点外，所有点的MAE均低于5 ms；除RF和RE点外，所有点的RMSE值均小于10ms。特别是S1、S2、MC、IM和AO点的RMSE都小于5ms。总之，除了RE和RF这两个点外，其他所有特征点都能达到较高的识别精度。的平均大小

{R（右）}^{2}

测试集中的MAE和RMSE分别达到0.95、2.18和4.89 ms。RE和RF分别代表收缩性射血峰值和舒张性快速充盈峰值，导致两个点的曲率较小（如图所示图10). 这两个特征点是更温和的波形特征，对干扰的处理能力较差，因此识别精度较低，导致训练集和测试集的结果不同。图10对SCG信号的不同形态进行了实验验证，结果表明，1D-CNN方法可以对不同形态的SCG波形实现高精度的特征提取。我们判断CNN的方法提取了深层信号特征以进行特征点位置提取，深层信号特征可能与曲率特征有关[22]由于曲率特征对于不同特征点的可变性。因此，我们认为该方法在提取形态变异性不同的信号特征时具有很强的鲁棒性。

同时，我们测试了1D-CNN算法的处理时间尺度，如图11如测试延迟行所示表6，它显示了所有测试集数据的处理时间长度。测试集占总数据集的30%，共包含377个样本。每个数据的总测试时间是平均值，获得的每个点的时间长度显示在表6。计算得到的总平均值为60.18 us，这意味着特征点的平均预测速度为60.18 us/点，可以满足实时处理的要求。

为了避免随机样本提取带来的错误，我们将样本随机划分，并重复测试实验10次。平均值

{R（右）}^{2}

每个特征点的标准偏差如所示图13.平均值

{R（右）}^{2}

各特征值分别为0.94、0.94、095、0.95、0.89、0.94和0.96、0.9、0.96和0.98。所有点的平均标准偏差为0.0091。除RE和RF外，其他点的平均标准偏差仅为0.0078。它说明了测试结果的高精度。

此外，为了验证模型对每条数据的泛化能力，我们进行了5次交叉验证。这涉及到将数据集划分为五个部分，其中一个作为测试集，其余四个作为五次培训和测试的训练集。实验结果如所示表7其中

{R（右）}^{2}

五个实验的结果与表6。除了RE和RF，在少数数据中识别精度显著下降，其他点的结果总体上波动不大，这表明我们的模型具有良好的泛化性能。

总之，首先，我们的模型在识别细微的心脏特征方面面临挑战。RE和RF更容易受到噪声干扰，因为它们的曲率特征明显小于其他特征点（如所示图10). 这导致模型在识别这两者时的准确性降低，并且训练集和测试集的RE和RF结果之间存在显著差异。然而，我们的模型以较低的延迟实现了对其他特征点的高识别精度。该方法可以对不同形态的波形进行特征提取，具有较高的鲁棒性，并表现出良好的泛化性能。

4.讨论

本研究首先提出了心脏的多频振动模型，并设计了相应的传感器和处理算法。将振动模型、传感器和特征提取算法集成在一起，形成心脏多频振动监测系统。该系统扩展了心脏监测的频率范围，包括超低频带、次声带和可听带，可以提取心脏的综合机械振动信息，并将其与ECG结合，以映射更全面的心脏信息。

在我们之前的研究中，提出了心脏的机电声活动模型，强调了电活动、低频振动和高频声活动之间的联系。其中，低频振动和高频声波活动分别作为系统命令响应和随后的心脏泵高次谐波进行机械耦合[22]. 在本研究中，我们进一步丰富了机械耦合的内涵，并结合傅里叶级数理论阐述了心脏多频振动的理论模型。根据心脏事件，将心脏准周期振动分解为不同频带范围的振动模式是一种新的尝试：以ULF-SCG为代表的基频模式、以SCG为表示的中频振动模式和以PCG为表现的高次谐波模式。

建立了基于振动建模的心脏多频振动监测系统，包括传感器设计和特征提取算法。与现有加速度计、陀螺仪等相比，本研究设计的传感器可以检测多频率振动信号。多频带振动传感器的比较如所示表8与现有传感器相比[23,24]在满足高灵敏度的同时，它更小型化、轻量化。与我们之前的研究相比[22]随着单独的传感器结构与可穿戴设计更加兼容，并且为了获得更小的尺寸，去掉了静压传感器，本研究中的传感器得到了增强和优化。本文提出的基于一维CNN的特征提取框架可以实现多个振动特征点的高精度提取，包括SCG的八个特征点和PCG的两个特征点。SCG特征提取方法的比较如所示表9与现有的高斯混合模型相比，该方法可以识别更多的特征点[26]，高频包络[27]，和小波变换[28]. 与二进制分类方法相比[29]，它可以忽略信号的形态学可变性。与曲率法相比[22]它可以跟踪连续信号的特征点，满足低延迟特性，可以应用于实时监测。

多频监测系统测量的心脏信号会受到运动伪影和其他干扰的影响，因此我们确保被摄对象在采集期间保持静止，并在信号处理中应用带通滤波器。对于电流采集，它在一定程度上消除了低频运动伪影和高频噪声。当前的应用仅限于日常的静态连续监测。如果我们能够消除运动过程中的干扰，我们可以将应用扩展到大多数日常状态，包括活动状态，如行走和爬楼梯。多通道检测可能是消除运动干扰的有效方法[11]其中，比较来自不同通道的信号并使用信号处理方法可以消除运动干扰的影响。本研究设计的传感器满足小型化特征，能够满足可穿戴形态的要求，但目前我们的设备的可穿戴功能尚未实现。为了满足可穿戴的要求，我们需要解决无线传输、采集电路集成、电源供应等问题，同时实现低功耗和小型化设计。对于1D-CNN模型，当前1255的样本量不能覆盖波形的所有形态，这将导致在遇到新的波形形态时，识别精度下降。我们可以通过增加样本量和波形形态来逐步解决这个问题，例如对健康和非健康人群进行广泛的数据收集。此外，通过数据增强增加数据多样性可以解决样本量不足的问题。值得注意的是，1D-CNN模型的延迟时间测试是在上述GPU计算平台上进行的。测试的延迟时间包括模型预测和性能评估，不包括数据加载时间，最终得到平均预测时间60.18us。与相同的1D-CNN压力估计方法的研究相比，预测时间为115.5us/样本[41]这可以证明我们提出的方法的低延迟特性。同时，由于运算能力的差异，嵌入式平台上运行的算法的延迟也会发生变化。FPGA平台是嵌入式平台的良好选择，因为它们可以提供并行计算。本研究剪裁的紧凑CNN模型可以在FPGA上实现，并且可以通过计算内核优化、宽带优化等进一步提高性能[42,43]. 我们的研究表明，1D-CNN方法可以在满足低延迟特性的同时获得高精度的识别结果。因此，此阶段的延迟测试是合理的。

5.结论

本文提出了一种多频振动模型，为心脏多频振动检测提供了系统的解释。基于该模型构建的监测系统实现了在单个传感器上同时检测ULF-SCG、SCG和PCG。基于一维CNN模型，设计了一个特征提取算法框架。我们通过实验获得了一个高效的识别模型，该模型在保证高识别准确率的同时满足低延迟的要求。通过减小传感器尺寸和提高算法效率，我们最终实现了可移植性和低延迟的目标。

未来，我们将进一步优化系统的功能，以实现可穿戴表单和全自动监控的目标，从而扩展应用场景。我们将应用该系统广泛、持续地监测健康人和心脏病患者，并扩大样本量以优化我们的算法模型。我们相信，该系统将为心脏病的动态监测提供有意义的数据和模型，并能够有效预测心脏病的早期发展。

作者贡献

概念化，Z.G.、H.Z.、H.Y.和T.S。；方法论，Z.G。；软件、Z.G.和K.Y。；验证、Z.G.和Y.W。；形式分析。；调查，Z.G。；数据管理，Z.G.和Y.W。；编写初稿，Z.G。；写作与编辑，Z.G.、H.Z.、H.Y.、T.S.和C.H。；可视化，Z.G.、K.Y.和Y.W。；监督，Z.G。；项目管理，H.Y.、J.Z.和C.H。；所有作者均已阅读并同意手稿的出版版本。

基金

本研究由国家重点研发计划（No.2022YFC3500100）资助。

机构审查委员会声明

由于该研究仅收集了人体表面的振动信号和ECG信号，因此放弃了对该研究的伦理审查和批准。这并没有对志愿者造成任何生理伤害，也没有涉及到任何侵犯志愿者隐私的行为。

知情同意书

所有参与研究的受试者均获得知情同意。

数据可用性声明

目前无法共享重现这些发现所需的原始/处理数据，因为这些数据也是正在进行的研究的一部分。

利益冲突

作者声明没有利益冲突。

工具书类

Zhao，D.亚洲心血管疾病的流行病学特征。JACC亚洲 2021,1, 1–13. [谷歌学者] [交叉参考] [公共医学]
魏，X。；庄，L。；李，H。；他，C。；Wan，H。；胡，N。；Wang，P.多维心脏生物传感技术的进展：从电生理到机械运动和收缩力。小型 2020,16, 2005828. [谷歌学者] [交叉参考] [公共医学]
韩，X。；吴，X。；Wang，J。；李，H。；曹，K。；曹，H。；钟，K。；杨欣。在保健领域中，心电图（BCG）和地震心电图（SCG）研究的最新进展和发展趋势。申请。科学。 2021,11, 8896. [谷歌学者] [交叉参考]
Rai，D。；香港塔卡。；拉吉普特，S.S。；圣塔玛利亚，J。；巴特，C。；Roca，F.《地震心电图综合评论：采集、注释和应用方面的最新进展》。数学 2021,9, 2243. [谷歌学者] [交叉参考]
Obaidat，M.心音图信号分析：技术和性能比较。医学工程技术杂志。 1993,17, 221–227. [谷歌学者] [交叉参考]
贾法里·塔迪（Jafari Tadi，M.）。；Lehtonen，E。；萨拉斯特，A。；托米宁，J。；科斯基宁，J。；特拉斯，M。；艾拉克西宁，J。；Pänkäälä，M。；Koivisto，T.陀螺仪：一种新的无创监测方法，用于评估心脏力学和血流动力学变量。科学。代表。 2017,7, 6823. [谷歌学者] [交叉参考]
卡萨内拉，R。；Khosrow-khavar，F。；施密特，S。；扎内蒂，J。；Tavakolian，K.心脏机械信号。在心血管计算方法与临床应用; 施普林格：新加坡，2019年；第63-79页。[谷歌学者]
Crow，R.S。；Hannan，P。；雅各布斯，D。；Hedquist，L。；Salerno，D.M.心动周期中事件的心电图与超声心动图之间的关系。美国无创心脏病杂志。 1994,8, 39–46. [谷歌学者] [交叉参考]
Taebi，A.地震心电信号的特征、分类和成因。2018年，美国佛罗里达州奥兰多工程与计算机科学学院博士论文。[谷歌学者]
D'Mello，Y。；斯科利奇，J。；徐，S。；罗氏，P.J。；洛蒂，M。；加格农，S。；Plant，D.V.，实时心搏检测和联合地震心动图和陀螺心动图的心率监测。传感器 2019,19, 3472. [谷歌学者] [交叉参考]
哈，T。；Tran，J。；刘，S。；Jang，H。；Jeong，H。；Mitbander，R。；哈，H。；邱，Y。；Duong，J。；Wang，R.L.一种胸型超薄可伸缩E型纹身，用于测量心电图、地震心电图和心脏时间间隔。高级科学。 2019,6, 1900290. [谷歌学者] [交叉参考]
塔瓦科利安，K。；波尔塔西奥，G。；北卡罗来纳州坦登杜斯。；Jahns，G。；Ngai，B。；杜蒙特，G.A。；A.P.Blaber，《心肌收缩力：地震心电图方法》。2012年8月28日至9月1日在美国加利福尼亚州圣地亚哥举行的2012年IEEE医学和生物学会工程国际年会论文集；IEEE：美国新泽西州皮斯卡塔韦，2012年；第3801–3804页。[谷歌学者]
塞米兹，B。；Carek，A.M。；约翰逊，J.C。；艾哈迈德，S。；Heller，J.A。；F.G.维森特。；Caron，S。；霍格，C.W。；埃特马迪，M。；Inan，O.T.手术患者围手术期使用的利用地震心动图的无创可穿戴贴片。IEEE生物医学杂志。健康信息。 2020,25, 1572–1582. [谷歌学者] [交叉参考]
杨，C。；Tavassolian，N.地震和回转心电图联合检查：对心脏诱发的胸部振动进行更全面的评估。IEEE生物医学杂志。健康信息。 2017,22, 1466–1475. [谷歌学者] [交叉参考] [公共医学]
古普塔，P。；M.J.Moghimi。；Jeong，Y。；古普塔，D。；O.T.伊南。；Ayazi，F.用于纵向监测机械声心肺信号的精密可穿戴加速计接触式话筒。NPJ数字。医学。 2020,三, 19. [谷歌学者] [交叉参考]
Sunwoo，S.-H。；Han，S.I。；帕克，C.S。；Kim，J.H。；Georgiou，J.S。；李，S.-P。；金·D·H。；Hyeon，T.心血管疾病管理的软生物电子学。生物工程自然科学版。 2024,2, 8–24. [谷歌学者] [交叉参考]
D’Mello，纽约州。；斯科利奇，J。；哈基姆，S。；Aboulezz，E。；克莱蒙特，N。；洛蒂，M。；Plant，D.V.使用振动心电描记术识别与心音对应的振动。2020年7月20日至24日在加拿大魁北克省蒙特利尔举行的2020年第42届IEEE医学与生物工程学会（EMBC）国际年会论文集；IEEE：美国新泽西州皮斯卡塔韦，2020年；第17-20页。[谷歌学者]
Choudhary，T。；Sharma，L。；Bhuyan，M.K.从胸骨地震心电图信号中提取心音。IEEE信号处理。莱特。 2018,25, 482–486. [谷歌学者] [交叉参考]
杨，C。；唐，S。；Tavassolian，N.利用陀螺仪自动标注地震心电图。IEEE传感器J。 2017,17, 2129–2136. [谷歌学者] [交叉参考]
卡斯蒂格利奥尼，P。；法尼，A。；帕拉蒂，G。；Di Rienzo，M.穿戴式地震心电图仪。2007年8月22日至26日在法国里昂举行的2007年第29届IEEE医学和生物工程国际年会论文集；IEEE：美国新泽西州皮斯卡塔韦，2007年；第3954–3957页。[谷歌学者]
安德烈奥齐，E。；Centracchio，J。；蓬佐，V。；Esposito，D。；波利，C。；Gargiulo，G.D。；Bifulco，P.通过心电图传感器监测呼吸。传感器 2021,21, 3996. [谷歌学者] [交叉参考] [公共医学]
高，Z。；Wang，Y。；Xu，X。；张，C。；戴，Z。；张，H。；张杰。；Yang，H.一种基于机电声标测框架的便携式心脏动态监测系统。IEEE传输。生物识别。电路系统。 2023, 1–17. [谷歌学者] [交叉参考] [公共医学]
安德烈奥齐，E。；Gargiulo，G.D。；Esposito，D。；Bifulco，P.一种用于同时监测呼吸、次声心脏振动和心音的新型宽带心电图传感器。前面。生理学。 2021,12, 725716. [谷歌学者] [交叉参考] [公共医学]
双歧杆菌。；Gargiulo，G。；d'Angelo，G。；利卡多，A。；罗曼诺，M。；克莱门特，F。；塞萨雷利，M。；Angelo，G。；利卡多，A。；Romano，M.通过PVDF压电薄膜传感器监测呼吸、地震心电图和心音。测量 2014,11, 786–789. [谷歌学者]
Xu，X。；耿，X。；高，Z。；Yang，H。；戴，Z。；Zhang，H.基于K-Mean聚类和小波变换的最佳心音分割算法。申请。科学。 2023,13, 1170. [谷歌学者] [交叉参考]
Lin，D.J。；加齐，A.H。；Kimball，J。；Nikbakht，M。；Inan，O.T.使用自适应高斯混合模型实时地震心电图特征提取。IEEE生物医学杂志。健康信息。 2023,27, 3889–3899. [谷歌学者] [交叉参考] [公共医学]
Khosrow-Khavar，F。；Tavakolian，K。；A.P.布拉伯。；扎内蒂，J.M。；Fazel-Rezai，R。；Menon，C.用高频心前区加速度自动注释地震心电图。IEEE生物医学杂志。健康信息。 2014,19, 1428–1434. [谷歌学者] [交叉参考] [公共医学]
里韦罗，I。；瓦尔德斯，E。；Valdes，F.使用CWT稳健检测地震心电图中的AO和IM点。IEEE拉丁美洲事务。 2016,14, 4468–4473. [谷歌学者] [交叉参考]
香港塔卡。；Sahoo，P.K.使用机器学习实现地震心电图信号的自动快速注释。IEEE传感器J。 2019,20, 2578–2589. [谷歌学者] [交叉参考]
Kiranyaz，S。；阿瓦西，O。；O.阿卜杜勒贾贝尔。；因斯，T。；Gabbouj，M。；Inman，D.J.1D卷积神经网络及其应用：综述。机械。系统。信号处理。 2021,151, 107398. [谷歌学者] [交叉参考]
Ruiz，J.T。；佩雷斯，J.D.B。；Blázquez，J.R.B.使用卷积神经模型检测心律失常。《分布式计算和人工智能学报》，第15届国际会议，西班牙托莱多，2018年6月20日至22日；施普林格：2019年，瑞士查姆；第120-127页。[谷歌学者]
Kiranyaz，S。；因斯，T。；哈米拉，R。；Gabbouj，M.用于患者特定心电图分类的卷积神经网络。2015年8月25日至29日在意大利米兰举行的2015年第37届IEEE医学和生物工程学会（EMBC）国际年会论文集；IEEE：美国新泽西州皮斯卡塔韦，2015年；第2608-2611页。[谷歌学者]
Kiranyaz，S。；因斯，T。；Gabbouj，M.通过一维卷积神经网络对患者特定的实时心电图进行分类。IEEE传输。生物识别。工程师。 2015,63, 664–675. [谷歌学者] [交叉参考] [公共医学]
王，G。；耿，X。；黄，L。；康，X。；张杰。；Zhang，Y。；Zhang，H.基于一维深卷积神经网络的多形态脉冲信号特征点识别。问询处 2023,14, 70. [谷歌学者] [交叉参考]
卢，T.C。；刘，P。；高，X。；吕青云，一种基于AD8232芯片的低功耗、小体积便携式心电监护仪。申请。机械。马特。 2014,513, 2884–2887. [谷歌学者] [交叉参考]
李·G。；黄，D。；Wang，L。；周，J。；陈，J。；Wu，K。；Xu，W.一种检测心电图信号中特征波及其开始和结束的新方法。生物识别。信号处理。控制 2022,75, 103607. [谷歌学者] [交叉参考]
吉尔西克，R·法斯特。2015年12月7日至13日在智利圣地亚哥举行的IEEE计算机视觉国际会议记录；第1440–1448页。[谷歌学者]
黄，N.E。；沈，Z。；Long，S.R。；吴，M.C。；Shih，H.H。；郑琦。；北卡罗来纳州的Yen。；东，C.C。；Liu，H.H.非线性和非平稳时间序列分析的经验模式分解和希尔伯特谱。程序。R.Soc.伦敦。序列号。数学。物理学。工程科学。 1998,454, 903–995. [谷歌学者] [交叉参考]
皮切，M.-E。；Poirier，P。；Lemieux，我。；Després，J.-P.肥胖和体脂分布对心血管疾病的流行病学和贡献概述：更新。掠夺。心血管疾病。数字化信息系统。 2018,61, 103–113. [谷歌学者] [交叉参考] [公共医学]
Lodwich，A。；兰戈尼，Y。；Breuel，T.使用多层感知器评估早期停止规则的鲁棒性和性能。2009年6月14日至19日，美国佐治亚州亚特兰大，2009年国际神经网络联合会议记录；IEEE：皮斯卡塔韦，新泽西州，美国，2009年；第1877-1884页。[谷歌学者]
薛，J。；Lai，K.W.C.基于EMG的人机交互中的动态握力估计和重建。生物识别。信号处理。控制 2023,80, 104216. [谷歌学者] [交叉参考]
陈，C。；李，Z。；Zhang，Y。；张，S。；Hou，J。；Zhang，H.用于脉冲波形分类的卷积神经网络加速器的低功耗FPGA实现。算法 2020,13, 213. [谷歌学者] [交叉参考]
黄，L。；耿，X。；Xu，H。；Zhang，Y。；李，Z。；张杰。；Zhang，H.基于卷积神经网络的传感器阵列干扰信号识别及FPGA实现。数码产品 2021,10, 2867. [谷歌学者] [交叉参考]

图1。心脏多频振动检测系统。(一)系统采集场景示意图。(b条)系统框架包括传感器、信号采集终端和特征提取框架。

图2。(一)多频振动传感器的三维形状图，红色箭头表示胸壁内的压力传递方向；(b条)聚偏氟乙烯薄膜；(c（c）)传感器模块的层压结构示意图。从下到上依次是固定结构、PVDF膜、金属电极、EVA泡沫粘合剂、外壳和外壳中的两个孔。

图3。(一)采集终端电路结构图，包括PVDF处理电路、ECG模拟前端和控制电路；(b条)PVDF处理电路的电路图，信号通过两级运算放大器。

图4。1D-CNN的结构图，包括输入层、卷积（conv）层、全连接（FC）层和输出层。

图5。(一)构建的采集系统，包括PVDF模块、ECG电极和采集终端；(b条)胸骨上附着PVDF的受试者的原始心电图和原始PVDF信号。(c（c）)从上到下同步滤波心电图、原始PVDF信号、滤波ULF-SCG、滤波SCG和滤波PCG的信号，并标记相应的特征点。

图6。PVDF模块的灵敏度测试。(一)校准实验装置，包括控制模块、力传感单元和PVDF传感器。(b条)设置不同的力水平以记录不同的电压输出的实验过程。(c（c）)PVDF模块的电压输出力响应曲线。

图6。PVDF模块的灵敏度测试。(一)实验装置的校准，包括控制模块、力传感单元和PVDF传感器。(b条)设置不同的力水平以记录不同的电压输出的实验过程。(c（c）)PVDF模块的强制响应曲线的电压输出。

图7。(一)PVDF和MEMS采集的PCG信号的比较，包括算法提取的PCG包络[25]标记为S1和S2。(b条)PVDF模块和MEMS测量的S1和S2位置的相关性（数据来自(一)). (c（c）)PVDF模块和MEMS测量的S1位置的相关性（249个信号周期）。(d日)PVDF模块和MEMS测量的S2位置的相关性（249个信号周期）。

图8。EMD分解图。从上到下是原始PVDF波形和九个固有模态函数（从高频到低频分布）。

图9。将第3层、第4层和第7层IMF分别与实际PCG、SCG和ULF-SCG的波形和特征点进行比较。

图10。不同形貌SCG的特征点标定，其中(一–我)分别是来自受试者1-6的两个单周期数据。其中黑色、蓝色和红色曲线分别是ECG、SCG和曲率特征。红点是SCG功能。

图11。七种模型结构的特征点训练结果，包括

{R（右）}^{2}

，早期停止规则下的Epochs，以及模型的测试持续时间（377个测试样本），分别对应于红线、蓝线和绿线。

图11。七个模型结构的特征点训练结果，包括

{R（右）}^{2}

、早期停止规则下的Epochs和模型的测试持续时间（377个测试样本），分别对应于红线、蓝线和绿线。

图12。十个特征点的最佳模型结构。MC、IM、AO、IC、RE、AC、MO、RF、S1和S2在表5分别是。

图13。

{R（右）}^{2}

10个实验的平均值和标准偏差结果。

图13。

{R（右）}^{2}

10个实验的平均值和标准偏差结果。

表1。1D-CNN模型的实验详细参数。

参数	价值
学习	0.0001
批量大小	64
历元	1000
耐心	30
内核大小	3 × 1
池大小	2 × 1
跨步	2
损失函数	平滑L1
激活功能	ReLu公司
人工智能框架	Python 3.8、Pythort
通用分组	NVIDIA 2080钛
操作系统	Ubuntu 20.04版

表2。信号特征点的定义。

信号	功能	定义
ULF-SCG公司	厕所	WC-WT：心脏射血期
ULF-SCG公司	重量	WC-WT：心脏射血期
SCG公司	AS公司	心房收缩峰值
	国会议员	二尖瓣关闭
	感应电动机	等容运动
	AO公司	主动脉瓣开度
	集成电路	等压收缩
	重新	快速收缩射血峰值
	自动控制	主动脉瓣关闭
	卫生官员	二尖瓣开度
	射频	舒张迅速充盈峰值
PCG公司	S1（第一阶段）	二尖瓣和三尖瓣关闭
PCG公司	S2系列	主动脉和肺动脉瓣关闭

表3。统计的六名受试者的相关信息。

变量	价值
性别-销售	4
性别-女性	2
年龄（年）	28.3 ± 3.8 (23–35)
高度（cm）	171.2 ± 8.9 (160–188)
重量（Kg）	62.5 ± 11.6 (52–83)
体重指数	21.3 ± 2.9 (17.6–26.493)

表4。这个

{R（右）}^{2}

不同卷积层数的结果。

表4。这个

{R（右）}^{2}

不同卷积层数的结果。

功能	Conv3型	转换4	转换5	转换6	转换7	转换8	转换9	转换10
国会议员	−7.43	−7.38	−7.85	0.99	0.98	0.98	0.89	−3.51
感应电动机	−18.79	−17.76	0.97	0.99	0.97	0.97	−0.3	−10.75
AO公司	−30.74	−28.18	0.98	0.99	0.99	0.97	−3.43	−20.12
集成电路	−35.29	−39.68	0.97	0.99	0.99	−0.26	−11.15	−28.15
重新	0.89	0.92	0.96	0.97	0.94	−2.84	−13.95	−28.17
自动控制	−121.86	−34.87	0.97	0.98	−3.46	−42.61	−75.09	−110.21
卫生官员	−64.75	−7.58	0.98	0.99	−6.21	−28.66	−44.41	−61.28
射频	0.96	0.98	0.97	0.94	−10.26	−29.78	−43.27	−59.12
S1（第一阶段）	−25.25	−25.7	−26.54	0.98	0.99	0.99	−0.18	−7.54
S2系列	−122.86	−125.08	0.99	0.99	−4.33	−43.7	−78.41	−99.84

表5。七种模型结构。

不。	第1层	第2层	第3层	第4层	第5层	第6层	第7–8层（FC）
1	1–16	32–32	32–32	32–32	32–32	32–32	1024–512, 512–1
2	1–8	8–32	32–32	32–32	32–32	32–32
三	1–8	8–16	16–32	32–32	32–32	32–32
4	1–4	4–32	32–32	32–32	32–32	32–32
5	1–4	4–16	16–32	32–32	32–32	32–32
6	1–4	4–8	8–16	16–32	32–32	32–32
7	1–2	2–4	4–8	8–16	16–32	32–32

表6。模型测试结果。

表6。模型试验结果。

信号		SCG公司								PCG公司
功能		国会议员	感应电动机	AO公司	集成电路	重新	自动控制	卫生官员	射频	S1（第一阶段）	S2系列
结构		第6层	第6层	第2层	第3层	第3层	第4层	第2层	第2层	第1层	第5层
列车	${R（右）}^{2}$	0.99	0.99	0.99	0.99	0.97	0.99	0.98	0.94	0.98	0.99
	MAE（毫秒）	0.585	0.835	0.845	0.86	3.365	1.42	1.38	6.035	0.84	0.575
	RMSE（毫秒）	0.805	1.445	1.295	1.565	7.28	3.32	3.81	13.42	1.08	0.885
测试	${R（右）}^{2}$	0.95	0.94	0.95	0.94	0.90	0.94	0.96	0.91	0.97	0.98
	MAE（毫秒）	2.145	1.975	1.75	1.73	4.425	3.035	4.345	8.32	1.21	1.235
	RMSE（毫秒）	4.245	4.205	3.85	5.48	10.415	7.055	9.63	16.315	2.265	2.425
测试	延迟（s）	0.0179	0.02485	0.02535	0.02394	0.0196	0.02289	0.0241	0.02308	0.02294	0.02224
测试	延迟（us/点）	47.48	65.92	67.24	63.5	51.99	60.72	63.93	61.22	60.85	58.99

表7。

{R（右）}^{2}

5倍交叉验证的结果。

表7。

{R（右）}^{2}

5倍交叉验证的结果。

功能	1号	2号	3号	第4号	第5名	平均	标准偏差
国会议员	0.94	0.94	0.95	0.96	0.94	0.946	0.00894
感应电动机	0.96	0.95	0.94	0.96	0.94	0.950	0.01
AO公司	0.96	0.96	0.94	0.95	0.96	0.954	0.00894
集成电路	0.95	0.97	0.96	0.95	0.94	0.954	0.01140
重新	0.88	0.91	0.89	0.94	0.87	0.898	0.02774
自动控制	0.97	0.96	0.96	0.95	0.95	0.958	0.00836
卫生官员	0.98	0.98	0.97	0.98	0.97	0.976	0.00547
射频	0.91	0.92	0.89	0.9	0.88	0.900	0.01581
S1（第一阶段）	0.98	0.98	0.98	0.97	0.96	0.974	0.00894
S2系列	0.99	0.99	0.98	0.99	0.99	0.988	0.00447

表8。与其他多波段信号传感器模块的比较。

传感器模块	3D尺寸（mm）	体积（mm^三)	重量（g）	提取的信号	电源
厘米-01B[24]	Ø20（直径）×10	3140	4.3	SCG、PCG	是的
压电陶瓷[23]	Ø30（直径）×10	7065	未提及	LF-FCG、HF-FCG和HS-FCG	不
复合传感器[22]	在集成设备上设计。			ULF-SCG、SCG	不
提出	30 × 15 × 5	2250	2.4	ULF-SCG、SCG、PCG	不

表9。与其他特征提取方法的比较。

特征提取方法	识别的要素点	形态变异稳健性	满足低延迟
高斯混合模型[26]	AO、AC	可怜的	是的
高频包络线[27]	交流、交流	稳健	不
小波变换[28]	AO、IM	可怜的	不
二进制分类[29]	AS、MC、IM、AO、IC、RE、AC、MO、RF	可怜的	不
曲率法[22]	AS、MC、IM、AO、IC、RE、AC、MO、RF	稳健	不
提出	MC、IM、AO、IC、RE、AC、MO、RF	稳健	是的

免责声明/出版商注释：所有出版物中包含的声明、意见和数据仅为个人作者和贡献者的声明、观点和数据，而非MDPI和/或编辑的声明、看法和数据。MDPI和/或编辑对内容中提及的任何想法、方法、说明或产品造成的任何人员或财产伤害不承担任何责任。

分享和引用

MDPI和ACS样式

高，Z。；Wang，Y。；Yu，K。；戴，Z。；宋，T。；张杰。；黄，C。；张，H。；H·杨。基于振动建模的心脏多频振动信号传感器模块及特征提取方法。传感器 2024,24, 2235.https://doi.org/10.3390/s24072235

AMA风格

高Z，王Y，于K，戴Z，宋T，张J，黄C，张H，杨H。心脏多频振动信号传感器模块及基于振动建模的特征提取方法。传感器. 2024; 24(7):2235.https://doi.org/10.3390/s24072235

芝加哥/图拉宾风格

高志兴、王玉琦、康瑜、戴志伟、宋婷婷、张军、黄成军、张海英、，和郝阳。2024.“基于振动建模的心脏多频振动信号传感器模块和特征提取方法”传感器24，第7期：2235页。https://doi.org/10.3390/s24072235

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单