Page 7 - 《中国医疗器械杂志》2026年第1期
P. 7

Chinese Journal of Medical Instrumentation                                         2026年 第50卷 第1期

                                                     医  学  人   工  智  能



               1.1    心电信号预处理                                   小波包分解，如图1a所示。参考基于滤波器组的
                  以WESAD数据集提供的单通道胸部心电信号                         小波分析方法，将经过3级小波包分解后的某一个
              为例说明本文的情绪识别工作。WESAD数据集中                           子信号标记为“XXX, X={L, H}”。例如，子信号
              的心电信号采样率为700 Hz，每个受试者的信号长                       “  LHH”表示其是经第一次低频滤波，第二、三次
              度约为6 000 s。经传统基线漂移去除、带通滤波等                        高频滤波得到的信号；子信号“HHL”则表示该
              预处理步骤，可获得高信噪比心电信号，不仅能降                            子信号是经第一、二次高频滤波，第三次低频滤波
              低情绪识别网络的设计难度，还能提升网络鲁棒                             得到的信号。信号重排遵循低频优先的原则，将子
              性。预处理后的心电信号幅值分布在[−1.5, 1.5]。                      信号作为“行”逐“列”排布，生成“1D-2D”转
              本文使用不同的颜色直观展示样本的不同片段，其                            换后的“二维图像”，如图1a所示。例如，小波包
              中红色、绿色和蓝色分别对应静息、压力、娱乐状                            分解后的“LLL”子信号是“二维图像”的第一
              态，黄色对应休息状态，不同情绪状态下的ECG信                           行，“LHL”子信号是“二维图像”的第三行，
              号如图2所示。                                         “  HHH”子信号是“二维图像”的第八行。

                 1.5                                             1.3    基于ResNet18的情绪识别网络
                 1.0
                幅度/mV  −0.5 0                                       本文采用ResNet18作为骨干网执行情绪识别任
                 0.5
                 −1.0
                 −1.5                                           务。为了更好地实现心电信号空间、时序特征的
                     0    1000  2   000  3   000  4   000  5   000  6   000 6   500  提取与融合，本文首先将ResNet18的部分Basic

                                     时间/s
                                                                Block替换为重新设计的Fusion Block，如图3所示。
                        图2   不同情绪状态下的ECG信号
                                                                                           Fusion Block 64
                       Fig.2  ECG signals under different emotions
                                                                         Basic Block
                  为了减小样本间的信号幅值差异，本文对不同                                      Conv 3×3  Conv 3×3  Conv 3×3 64  Conv 3×3 64  Concat 64×2  CBAM64×2  Conv 1×1 64
              的样本进行了归一化处理，将心电信号幅值统一归
              一化在[0, 1]。归一化后，本文在不同状态的心电
                                                                           图3   Basic Block与Fusion Block
              信号中采用滑动窗口方法提取每个情绪状态的心电
                                                                           Fig.3  Basic Block and Fusion Block

              片段，滑动窗口大小为10 s，步长为5 s。
                                                                    在Fusion Block中，本文采用卷积块注意力模
               1.2    基于小波包分解的1D-2D信号转换方法
                                                                块 （ convolutional  block  attention  module,  CBAM）
                  心电信号是一种非平稳信号，不同时间片段的
                                                                替代传统的残差连接，以优化跨层信息传递。传统
              频谱分布不同。情绪识别任务所需的空间、时序特
                                                                的 残 差 连 接 能 有 效 缓 解 深 层 网 络 训 练 中 梯 度
              征可能就隐藏在这种不平稳的分布中。为了保留这
                                                                消失的问题，同时促进跨层信息流，使网络更好地
              种特征分布，本文提出一种基于小波包分解的1D-
                                                                学习特征。然而，残差连接仅是直接将前层输入
              2D信号转换方法，其流程如图1a所示。小波分解是
                                                                传递至后续层，以避免重要特征的丢失，无法筛选
              一种多尺度的信号处理方法，通过连续调整母小波                            和增强关键特征。相比之下，CBAM引入了通道
              函数的尺度因子，将信号分解到不同尺度且正交的                            注意力和空间注意力机制，两种注意力均涉及池化
              空间中。就一维心电信号而言，多尺度的信号空间                            过程，并生成与输出等尺寸的概率张量，表示特征
              分别隐藏了一定的空间、时序特征。若将不同尺度                            的重要性。该概率张量与输入矩阵进行点积，使模
              的一维信号空间进行重排，生成“二维图像”，则                            型能自主关注重要特征。其中，通道注意力通过压
              有望借助丰富的图像处理方法，采用二维卷积核实                            缩并恢复通道维度，筛选出主要和次要通道，并重
              现空间、时序特征的提取与融合。从滤波器组角度                            新分配权重，以突出关键特征；空间注意力则通过
              分析，传统小波分解仅对每次分解得到的高频子带                            对整个特征图应用较大卷积核，显式建立像素点之
              信号再次分解，未对低频子带信号做深度分解。这                            间的联系，突出特征图的关键区域，从而提升特征
              种分解方式不利于“时－空”特征的充分提取与融                            表达能力。相比于残差连接，CBAM保留了跨层信
              合。本文选择了小波包分解方法，使用Daubechies                       息传递能力，同时能够筛选特征，有助于网络学习
              母小波函数，对某次分解后的低、高频子带信号均                            到心电信号中隐藏的空间、时序特征，提升情绪
              进行下一轮分解，进而实现对一维心电信号的处理                            识别性能。
              与重排。经实验验证，对原始心电信号共进行3级                                如图1b所示，本文交替使用原始ResNet18的


                                                              3
   2   3   4   5   6   7   8   9   10   11   12