基于频域特征图的高血压靶器官损伤脉搏波预测模型.pdf

ISSN 10049037，CODEN SCYCE4Journal of Data Acquisition and Processing Vol.38，No.4，Jul.2023，pp.898-914DOI：10.16337/j.10049037.2023.04.013 2023 by Journal of Data Acquisition and Processinghttp：/Email：sjcj Tel/Fax：[phone]基于频域特征图的高血压靶器官损伤脉搏波预测模型蔡书琛1，杨晶东1，翁雯浩1，齐晨浩1，尧明慧2，燕海霞2（1.上海理工大学光电信息与计算机工程学院，上海 200093；2.上海中医药大学基础医学院，上海 201203）摘要：针对高血压靶器官损伤时域脉搏波预测模型效率较低和分类精度较差的问题，本文提出了一种基于频域脉搏波特征图预测模型，实现高效无创辅助诊断。本文采用高斯滤波替换三角滤波，将脉搏波时域特征转换为频域矩阵特征图，并采用一种改进的 SiMAM 注意力机制模型 EfficientNetS，提高脉搏波全局特征提取能力。608例临床高血压靶器官损伤脉搏波样本经 5Fold交叉验证后分类模型评估指标 F1 score、Accuracy、Precision、Sensitivity、曲线下面积(Area under the curve,AUC)值分别为：97.31%、98.72%、97.71%、97.04%、99.13%。与典型模型相比，本文方法具有较高的分类精度和泛化性能。此外，本文采用随机森林算法研究时域和频域特征与脉搏波分类相关性，深入挖掘潜在的影响高血压靶器官损伤分类的关键因素，发现高血压靶器官损伤的发病机理，为临床诊断提供有效支持。关键词：高血压靶器官损伤；脉搏波；频域特征图；迁移学习中图分类号：TP181 文献标志码：APrediction of Pulse Wave for Target Organ Damage in Hypertension Based on FrequencyDomain Feature MapsCAI Shuchen1，YANG Jingdong1，WENG Wenhao1，QI Chenhao1，YAO Minghui2，YAN Haixia2(1.School of OpticalElectrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China;2.Basic Medical College,Shanghai University of Traditional Chinese Medicine,Shanghai 201203,China)Abstract：For less efficiency and low accuracy of predicting on hypertensive target organ damage，this paper proposes a prediction of hypertensive pulse wave based on mel frequency ceptral coefficient（MFCC）based feature maps to accomplish the efficient and non-invasive diagnosis on target organ damage.For low accuracy of pulse-taking classification in temporal domain，pulse wave is transformed to the MFCC-based feature maps in frequency domain via replacing angular filter with Gaussian filter，an improved EfficientNet model，EfficientNetS is employed to enhance the ability of global feature extraction via adding the improved SiMAM attention mechanism.The clinical 608 cases of hypertension target organ damage concerning pulse-taking diagnosis are used.The evaluation indicators of five-fold cross-validation classification，i.e.F1 score，accuracy，precision，sensitivity，area under the curve（AUC），are 97.31%，98.72%，97.71%，97.04%，99.13%，respectively.Compared to the typical models，the proposed method has higher classification accuracy and generalization performance.In addition，this paper also studies the correlation between classification of pulse wave and its features，and analyzes the feature importance ranking in temporal domain and frequency domain of pulse-taking，which can help clinicians seek the 基金项目：国家自然科学基金（81973749）；中国中医科学院科技创新工程重大攻关项目（CI2021A01503）。收稿日期：20220824；修订日期：20221123蔡书琛 等：基于频域特征图的高血压靶器官损伤脉搏波预测模型occurrence mechanisms of hypertension caused by target organ damage，and find the effective measurements for timely prevention and treatment.Key words:hypertensive target organ damage;pulse wave;frequency-domain feature map;transfer learning引言 高血压靶器官损害是指高血压引起或伴随的心、脑、肾、血管及其他器官的病理性损害，可分为功能性和结构性损害、急性或慢性损害、亚临床靶器官损害或临床并发症。因此，高血压防治中应特别注意早期检查亚临床靶器官损害，预防和及时治疗早期损害可明显提高患者的生存质量和治疗成功率。但现有诊断主要依靠实验室及影像学检查，常规化验包括：血常规、尿常规、血生化及心电图 CT 等影像学检查等，虽然检测精度较高，但检验费较高且诊断周期较长，常被患者忽视。许多学者采用人工智能（Artificial intelligence，AI）技术实现早期高血压预测。Park 等1提出了一种混合特征选择方法，并采用贝叶斯网络诊断高血压，分类精度 F1 score达到 0.923。Ren等2提出一种基于扩散边界的条件欧拉流体力学分析模型，采用血流动力学方法诊断高血压。Gupta等3设计了一种基于静电转换机制的生物血压传感器测量血压范围。Altintas等4提出了一种基于可穿戴、低压力和芯片实验室式的平台连续测量血压，该方法是一种基于波动法和上臂式血压监测的技术。刘杨漾等5提出基于高斯层次聚类的高血压分类模型，可以有效处理动态血压缺失数据，提高高血压检测效率。田晓红6根据病人心电图指标辅助诊断隐匿型高血压。李世锋等7采用无创心功能检查方法诊断妊娠期高血压。赵唯唯等8通过检测脉搏波传导速度诊断老年高血压患者。近年来深度学习已经运用于中医学脉诊研究，根据脉搏波分类结果分析患者心血管疾病。许文杰等9融合线性预测倒谱系数（Linear prediction cepstrum coefficient，LPCC）和 平 均 幅 度 差 函 数（Average magnitude difference function，AMDF）等特征，将不同声音的识别准确率提升到 95%，但是两种特征均基于自相关函数构建，两特征频率较高且差异较大，无法体现脉搏波低频特性。刘淼10采用五层小波分解法提取每层脉搏波信号能量特征，提高了健康对照组和心血管疾病特征区分性。Zhang 等11采用 9层卷积神经网络对脉诊样本分类，平均精度达到 93.49%，但样本数量较少，模型泛化性较差。Li等12提出了一种改进卷积神经网络（Convolutional neural network，CNN）模型对脉搏波分类，针对多种数据集测试，最高精度可达到95%，该模型增加 dropout层减少过拟合，但不同脉诊样本对分类精度影响较大。文献 13 采用 CNN 模型研究型糖尿病患者的脉搏波特征图分类，最高精度可达到 90.6%，但仅脉搏波样本无法根本上提高模型分类精度。文献 14 基于 GooleNet和 ResNet框架提出 MIRnet模型对健康和亚健康人群脉象分类，准确率达到 87.84%，但该模型还不适合靶器官损伤脉诊样本分类。Chen 等15采用了基于 ResNet框架 BRNet模型对女性脉搏波分类，判断是否处在妊娠期，预测准确率达到 89%，曲线下面积(Area under the curve,AUC)值为 0.91。虽然这些方法一定程度上解决了梯度消失问题，但模型深度多数为 46层，无法学习到脉搏波的深度时序特征。文献 16 将浅层特征和深层语义特征融合，采用传统机器学习方法进行舌象分类，该方法特征融合能力较弱，无法充分利用特征间的差异性提高分类精度。Yang等17针对 H 型高血压脉诊数据，提出了一种异质集成模型，结合脉诊与问诊模型进行决策级融合，准确率提高到 79.34%。该模型采用决策级融合方式，两种模型结果互不影响，但融合模型权重具有一定随机性，可能出现过拟合现象。此外，该方法针对 H 型高血压的脉诊和问诊数据，提出了一种网格搜索方法确定决策级融合权重，虽然可以得到较为可靠的最优化模型，但效率较低，且新数据加入可能会导致权重变化，增加分类的不稳定性。Grant等18分别提取心脏肥大病患的 X 胸片特征与 ICU 特征进行异质特征融合，再通过线性层输出分类结果。该方法是一种决策级融合，各模型权重由模型参数决定。Yan 等19提出了一种基于脉搏波特征融合的无创血压预测方法，使用一种可穿戴设备测量血压，并提899数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,2023取血液特征，使用基于梯度提升决策树（Gradient boosting decision tree，GBDT）的回归算法预测患者的收缩压与舒张压，该方法虽然可以直接对血压值进行预测，但需要采集多种传感器数据，测量误差因素较多。由于时域脉搏波仅关注单周波图特征，无法体现脉搏波非线性动态特性，使分类区分度降低。因此本文提出一种基于脉搏波特征图的高血压靶器官损伤脉搏波分类模型，将时域脉搏波转化为频域梅尔倒谱系数（Mel frequency ceptral coefficient，MFCC）矩阵特征图，采用深度学习方法实现脉搏波频域特征图的自动分类，本文贡献如下：（1）采用改进脉搏波频域特征图的特征提取方法，提高时域脉搏波特征可区分性。（2）采用基于改进 SiMAM 注意力的迁移学习 EfficientNet模型，提高脉搏波全局特征提取能力。（3）计算脉搏波时频域特征贡献率排名，分析影响高血压分类的时频域脉搏波的关键因素，挖掘高血压靶器官损伤发病机理，为临床诊断提供有效依据。1 基于多特征融合的脉搏波分类模型 1.1MFCC特征提取模型本文针对脉搏波信号，提出了一种脉搏波频域 MFCC系数20提取方法。脉搏波具有一定的非稳定性，使用传统的 MFCC 分析方法无法得到完整的频域特征，本文提出希尔伯特黄变换高斯滤（HilbertHuang transform Gauss filter，HTTG）MFCC 方法，采用基于 Hilbert 边际谱和高斯滤波器组提取原信号的 MFCC 系数，高斯滤波器是一种具有优良特性的理想滤波器21，在各领域都有广泛的应用。特征提取的过程主要包括，预加重滤波、分帧、加窗、加噪、经验模态分解（Empirical mode decomposition，EMD）分解、Hirbert变换、时间维度积分、滤波器、对数运算与离散余弦变换（Discrete cosine transform，DCT）变换等步骤，流程如图 1所示。假设任意时域脉搏波信号M(t)，t0，T，T为采样长度，经过式（1）预加重得到p(t)，其中a为预加重系数，取值范围 0.91，其作用相当于高通滤波器，提取脉搏波的高频能量，原始脉搏波信号分帧后的每帧信号s(n)n 0，N，N为帧数。p(t)=M(t)-a M(t-1)（1）s(n)=slice(p(t)，(n-1)(-)，)（2）式中：为每帧长度；为帧移。加窗后每帧信号为s(n)=s(n)(n)（3）式中：(n)为窗函数，常见窗函数有矩形窗、汉明窗、汉宁窗等，计算过程为Xi(n，t)=si(n，t)+gi(t)（4）图 1改进 MFCC 特征提取过程Fig.1Improved MFCC feature extraction900蔡书琛 等：基于频域特征图的高血压靶器官损伤脉搏波预测模型式中：Xi(n，t)，i0，I为加噪后每帧信号；t t1，t2；I为样本总量；t1、t2为帧的起止时刻；gi(t)为加入的噪声信号。将经过预处理的每帧信号x(t)进行经验模态分解，提取每帧变量边际谱输出。每帧信号 EMD 为 k阶内涵模态分量（Intrinsic mode functions，IMF）分量ck(t)，k 0，K，K为停止 EMD 分解时的最大阶数。第 k 阶 IMF 分量的希尔伯特黄（Hilberthuang transform，HHT）变换ck(t)，第 k 阶 IMF 分量的瞬时频率ak(t)，瞬时幅值k(t)，式（8）计算边际谱H()，表示幅值频率分布，与傅里叶谱相比，边际谱不必为模拟非平稳信号，增加不存在的谐波分量，避免失去低频特征，计算过程为ck(t)=EMDk(X(t)（5）ak(t)=ck()t2+ck()t2（6）k(t)=ddtarctgck()tck()t（7）H()=0TRe()k=1Kak()t ejk()t dtdt（8）信号频率上下限边界映射为 Mel尺度20，构建 Mel尺度下的高斯滤波器组，根据式（9）计算 Mel尺度下第 m 个高斯滤波器组m(w)，m 0，M，M为滤波器组的总数，通常为 26，通过式（10）计算高斯滤波器标准差m，第 m 个滤波器组中心频率pm。式（11）计算出每个滤波器组输出的对数能量s(m)，经过离散余弦变化为 MFCC系数G(l)，l1，L，L为 MFCC系数阶数，具体计算过程如下式m(w)=e-()w-pm222m（9）m=pm+1-pm（10）s(m)=ln(w=0W-1|H()|2m(w)（11）G(l)=m=0N-1s(m)cos(l()m-0.5M)（12）得到脉搏波 M（t）静态 MFCC 系数 G（l），经过差分计算，得到对应一阶动态差分参数与二阶动态差分参数。1.2基于频域特征图的脉搏波分类模型人体脉搏波信号具有周期短、不稳定、样本量小、局部特征复杂的特点，转换为 MFCC 特征同样具有丰富的局部特征，且具有非周期性特点。迁移学习网络 EfficientNet22具有分类精度高和训练速度快的特点，对于脉搏波 MFCC 信号具有较好的分类效果。EfficientNet模型通过堆叠基础模块 MBConv，调整网络结构深度、宽度和分辨率，保持较低的网络参数量和较高的网络分类精度。但随着网络深度和宽度增加，可能导致模型过拟合，使验证集分类精度降低。为此本文在 MBConv 基础上加入 SimAM23注意力机制模块，SimAM 模块没有增加网络参数，使MBConv模块输出三维权重数据，与不同通道的一维权重和不同位置的二维权重相比，三维权重提高了注意力模块学习能力。因此，改进 EfficientNet网络没有增加网络复杂度，但保留了 EfficientNet速度快的优点，又提升了对局部特征与深层特征的提取能力。在 MBConv 模块基础上，本文提出了基于融合注意力机制的迁移学习模型 EfficientNetS，在不增加额外参数的情况下提升网络分类效果，其中改进后MBConv如图 2所示，图 2中批量样本归一化用 BN 表示，全连接层用 FC 表示。为了提高 SimAM 在网901数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,2023络中的适应性，本文对原本的 SimAM 的进行了封装处理，在其之前加入了卷积层增加局部上下文信息，并在 SimAM 模块之后加入 BatchNorm 层和激活函数，增强网络对输出特征的判别能力。针对脉搏波提取的 MFCC数据，加入了 SimAM 模块后，可以提取深层非周期性特征。MFCC特征包括静态系数与动态差分系数，使频域脉搏波具有更好的区分性。本文采用 EfficientNetS 模型提取时域脉搏波数据对应的 36维度频域 MFCC 特征，频域 MFCC 脉搏波动和静态特征包含了输入脉搏波的所有包络信息，现代中医脉诊通过其包络信息中提取数据特征对脉搏波进行分类诊断，这从另一角度说明了 MFCC 特征的有效性，同时输出特征还包含了脉搏波的频域边际谱信息。基于 MFCC 频域特征脉搏波分类模型结构如图 3所示。实现过程如下：输入：Xi，Yi，Inci，where i=1，2，n，X pulse data，Y label，n number of train data，F number of frames in pulse 图 2改进 MBConv模块Fig.2Improved MBConv module图 3脉搏波分类模型结构图Fig.3Architecture of classification model of pulse wave902蔡书琛 等：基于频域特征图的高血压靶器官损伤脉搏波预测模型data，m number of train epoch，t number of test date输出：P(X，Y)=F，M，C(1)for i=1，2，3，n do (2)Mi=MFCC(Xi)(3)Di=t=1Tt(Mj+t-Mj-t)2 t=1Tt2(4)DDi=t=1Tn(Dj+t-Dj-t)2 t=1Tt2(5)F(Xi)=(M，D，DD)for i=1，2，3，m do (6)for j=1，2，3，n/m do (7)Pij=EfficientNet.train(Mij，Yij)（8）EfficientNet.backPropagation()(9)end for（10）for k=1，2，3，t do（11）T=EfficientNet.test(Mtk，Ytk)（12）accuracy=calculateAcc(T，Ytk)（13）if accuracy maxAccuracy：（14）update(maxAccuracy)End2 样本分布与性能评估 2.1样本分布本文脉诊数据通过脉诊仪采集，患者在采集之前放松 5 min，确保采集到平稳的脉搏数据，采样频率一般为 1 000 Hz。本文实验采用上海中医药大学附属龙华医院与中西医结合医院所提供的临床脉诊数据，共有 608例患者样本。其中，男性病例占 243例子，平均年龄 66岁，女性病例 365例，平均年龄 69岁。其中一级损伤 181人，二级损伤 152人，三级损伤 275人，样本分布如图 4所示。图 4样本分布Fig.4Sample distribution903数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,20232.2评估标准本文分类模型评价指标包括模型预测的混淆矩阵 4 个基本指标，分别是真阳性（True positive，TP），假阳性（False positive，FP），真阴性（True negative，TN），以及假阴性（False negative，FN），进而得到针对多分类常用的 3个评估指标，即准确度（Accuracy），召回率（Recall），以及 F1 score。其中 Accuracy衡量的是所有分类正确的样本占全部样本的比例；Recall表示在所有正例的样本中被正确分类的比例；F1 score是模型精确率和召回率的一种加权平均，同时兼顾了分类模型的精确率和召回率。本文 3分类任务使用微平均（Microaveraging）方法计算评价参数，微平均是对数据集中每一个实例不分类，统计全局混淆矩阵，微平均部分参数计算公式如下Micro-precision=i=1nTPii=1nTPi+i=1nFPi（13）MicroSensitivity=i=1nTPii=1nTPi+i=1nFNi（14）MicroF1=2 MicroP MicroSenMicroP+MicroSen（15）本文还采用接收者操作特征（Receiver operating characteristic，ROC）曲线和精度召回率（Precision recall，PR）曲线来可视化模型分类性能。评价基线漂移处理和降噪处理的指标有信噪比（Signal noise ratio，SNR），均方根误差（Root mean square error，RMSE）和相关系数（Correlation coefficient，COR），计算方法如下RMSE=()x1-x12+()x2-x22+()xn-xn2n（16）COR=i=1n()xi-x()xi-xi=1n()xi-x 2i=1n()xi-x2（17）SNR=10 lg(n=1Nx2x2-x2)（18）式中：x为原始信号；x为处理后信号。2.3模型超参数本文 EfficientNetS 模型构造参数如表 1所示。特征层主要由 MBS_Conv 构成，在每个 Stage中，重复堆叠的 MBS_Conv 块中第 1 个 MBS_Conv 的步长为表 1 中给出值，其余 MBS_Conv 的 Stride 为 1，使这一层输出与下一层输入数据格式相同。输出层主要由池化层和全连接层组成。其中 Filters size为每层滤波器内核尺寸，OutPutChannels 为每个 Stage 输出数据的通道数，OutPutShape 为输出数据中每个通道数据的尺寸，Repeats为每个 Stage中，模块重复堆叠数。2.4脉诊波形预处理本文使用小波降噪（Waveletbased denosing）方法对脉博波形进行降噪处理，采用不同阶数小波基904蔡书琛 等：基于频域特征图的高血压靶器官损伤脉搏波预测模型函数的降噪效果进行对比实验24。图 5给出了小波阶数为 N，小波基为 db，sym 和 coif时，脉搏波 SNR与 RMSE 对比结果。表 2给出了不同小波基与不同阶数的评估指标 SNR 和 RMSE 值的对比数据。分析可知，sym9小波 SNR=41.444 7最大，RMSE=5.084 33最小。本文采用 sym9小波作为去噪小波基。这是因为，与 db小波基相比，sym 小波具有更好的对称性与正则性，可以有效地避免脉搏波去噪过程产生的相位畸变，在一定程度上能够减少信号重构时相位失真。与 Coif小波基相比，sym 小波消失距阶数更小，正则性更大，在去噪过程中，获取数据具有更好的连续可微性，有助于后续提取更有效的脉搏波特征25。图 6显示了原始脉搏波经过小波降噪与去除基线漂移后的图像。分析可知，经过降噪和基线漂移去除后，原始脉搏波的基线漂移和均值均有所降低，其中基线漂移后的波形幅度降低了约 20%。同时，脉搏波减少了低频噪声和极端噪点，波形趋于稳定，具有较好的周期性和可区分性。图 7比较了 3种常用的基线漂移去除方法评估指标。分析可知，针对高血压靶器官损伤脉诊样本，与小波变化（Wavelet transform，WT）和 EMD 算法相比，连续投影算法（Successive projections algo表 1模型超参数Table 1Model hyperparametersStage01234567891011LayerInputConvMBS1_ConvMBS6_ConvMBS6_ConvMBS6_ConvMBS6_ConvMBS6_ConvMBS6_ConvConvPoolingFully ConnectedFilters size03333335533555533111 2803Output channel032162440801121923201 2801 2803Stride021222212111Output shape240240120120120120120120606030301515151577771111Repeat112446682111图 5不同小波去噪效果比较Fig.5Comparison of different wavelet denoising effects905数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,2023rithm，SPA）算法26保留了基本脉搏波特征，剔除了残余稳态量，具有较高的 SNR 值和较小的 RMSE值，说明 SPA算法更适合作为脉搏波基线漂移去除方法。表 2不同小波基线漂移去除效果比较Table 2Comparison of different wavelet baseline drift correctiondBN12345678910dbSNR31.113 339.988 541.186 741.40141.411 741.409 341.421 341.421 341.405 441.402 4RMSE16.718 666.005 195.233 625.105 535.099 625.100 575.093 465.096 065.096 065.104 91symSNR31.113 339.988 541.186 741.399 841.436 641.443 241.431 341.442 241.444 741.431 5RMSE16.703 206.012 355.237 595.110 645.089 035.085 185.092 155.085 745.084 335.092 06coifSNR40.088 641.408 941.438 141.436 541.431 3RMSE5.943 425.105 315.088 185.089 145.092 16图 6去除基线漂移和噪声后的数据波形图Fig.6Pulse wave after denoising and baseline drift correction图 7不同的基线漂移方法对比Fig.7Comparison of different baseline drift corrections906蔡书琛 等：基于频域特征图的高血压靶器官损伤脉搏波预测模型2.5脉诊模型性能分析2.5.1特征提取本文基于 EfficientNetB1模型构建了 MFCC 特征提取模型 HTTGMFCC，与原始模型相比，本文使用 HHT 变换提取边际谱替换原模型功率谱，在 Mel尺度滤波阶段，采用高斯滤波器替换原模型三角滤波器。本文实验对比了各种脉搏波特征提取方法，如图 8所示。本文采用傅里叶变换对脉搏波进行模对数运算，获取 8维 LPCC 特征向量，输入随机森林模型得到分类结果，分析可知，与 LPCC 特征和小波特征相比，MFCC 特征提取模型的 F1 score 均值分别增加了 24.2%、19.6%，Accuracy 增加 20.7%、17.2%，Sensitivity增加 20.5%、20.1%。这是由于 LPCC是一种基于自相关信号的线性预测特征，近似于脉搏波短时倒谱，无法完整描述脉搏波周期特征，特别是在一个周期内的复杂非线性特征。本文对预处理后的原脉搏波进行 8层分解，得到每一层能量特征向量，输入随机森林模型，得到小波提取特征分类结果。分析可知，与小波特征提取相比，MFCC 特征提取模型的平均 F1 score增加 19.6%，Accuracy增加17.2%，Sensitivity增加20.1%，这是由于小波特征的多层分解相当于低通滤波器或高通滤波器，提取到的不同频率特征属于一种低维线性特征，无法有效提高脉搏波特征区分性。与传统 MFCC 方法相比，HTTGMFCC模型F1 score增加3.5%，Accuracy增加4.3%，AUC增加4%。这是由于HTTGMFCC模型采用边际谱代替功率谱提取 MFCC特征，可获取更多脉搏波局部信息。与希尔伯特黄变换（HilbertHuang transform，HTT）MFCC模型相比，HTTGMFCC模型 F1 score增加 1.6%，Accuracy增加 3.2%，AUC增加 2%。这是由于采用三角滤波器提取频率固定脉搏波特征，具有明显共振峰现象，会增加部分低频特征损失。本文采用高斯滤波器可以有效平滑脉搏波边际谱，更适合脉搏波的周期性特征。图 8不同特征提取方法比较Fig.8Comparison of different MFCC-based feature extraction methods907数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,20232.5.2注意力机制本文也对 EfficientNet模型改进，增加了不同注意力机制，并针对高血压靶器官损伤脉诊样本测试分类性能。分别在同一位置加 SK（Selective kernel）、BAM（Bottleneck attention module）、CBAM（Convolutional block attention module）、CA（Coordinate attention）注意力机制模块，并对比测试集评估参数以及 Loss、ROC与 PR曲线，如表 3和图 9所示。图 9中，平均精度（Averge precision）用 ap表示，可以看出，本文模型改进的 SimAM 注意力机制分类性能高于其它注意力机制，与次高 CBAM 模型相比，F1 scores增加了 5.2%，AUC提高了 0.8%，这是由于 SimAM 注意力机制使用了权值生成法，不会引入额外参数，提升了模型分类性能。与 SKNet 相比，本文模型 F1 score 增加 12.3%，Accuracy 增加 13.9%，Precision增加 11%。这是由于 SKNet属于卷积核注意力机制，动态生成卷积核，不适合本文分辨率较低的脉搏波 MFCC 特征图像分类。与 Coordinate 注意力模块相比，本文模型 F1 score 增加 15%，Accuracy 增加11%，Precision 增加 11%，Sensitivity 增加 17%，AUC 值增加 3.4%。Coordinate注意力模块考虑了特征空间位置关系，但忽略每个神经元特征重要性。本文模型性能优于 SE 注意力模块，这是由于 SE 仅考虑通道关系，而忽略了位置信息的重要性。本文改进的 SimAM 注意力机制采用最小能量函数，通过对计算每个神经元能量，最小化构成第三维权重，提升模型分类性能。2.5.3各典型脉诊分类模型性能对比为了验证 EfficientNetS 模型分类效果，本文对比各种典型时序分类模型，如长短时记忆（Long short term memory，LSTM）、MIRNet、BRNet（Backtracing representative net）、迁移学习模型 InceptionV4、MobileNetV2、EfficientNetV2等，图 10为 5折交叉验证 Loss、ROC 与 PR 曲线。表 4给出了不同模型针对高血压靶器官损伤脉诊样本的分类评价指标。与 LSTM、BRNet、MIRNet模型相比，本文 Ef表 3注意力机制Table 3Performance of different attention mechanism module%MethodSKNETBAMCBAMCASimAMF1 score76.771.884.673.689.4Accuracy88.383.590.883.694.2Precision80.680.0285.876.791Sensitivity74.481.284.272.389.5AUC95.487.698.195.298.8图 9不同注意力机制 Loss,Roc and PR比较Fig.9Loss,ROC and PR curves of different attention mechanism908蔡书琛 等：基于频域特征图的高血压靶器官损伤脉搏波预测模型图 10各模型五折交叉验证 Loss,ROC,PR曲线Fig.10Loss,ROC and PR curves of five-fold cross validation on various models909数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,2023ficientNetS 模型 F1 scores 增加 29.1%、23.6%、16.3%；AUC 值增加 18.6%、3.2%、2.8%。这是由于将MFCC 序列特征转换成图像后，增加模型深度可以更好地提取出不同阶差分系数的全局特征，多维度卷积可以提取 MFCC 特征图像差分系数深层特征。与 InceptonV4相比，EfficientNetS 模型 F1 scores增加 8.8%，AUC 增加 20.6%，这是由于与 InceptionV4 相比，EfficientNetS 在残差结构中增加了 SE 模块，使浅层获得全局感受野，浅层卷积具有更强的全局特征学习能力且网络复杂度不变。分析图 10中 Loss曲线可知，本文 EfficientNetS 模型收敛速度最快，而基于 MFCC 序列特征分类模型 LSTM、MIRNet、BRNet收敛速度低于 EfficientNetS。这是由于，将量表特征转换成图像特征，可应用更复杂的模型提取关联性较强的深层特征。从图 10中 PR 曲线和 ROC 曲线可以看出，本文 EfficientNetS 模型具有最好的分类精度和泛化性能。图 11 显示了不同模型交叉验证的 F1 score，Accuracy，AUC的箱线图。可以看出 EfficientNetS模型具有最好的分类精度和泛化性能，虽然 Accuracy的方差比MobileNetV2大 1.11%，但均值相较于 MobileNetV2增加 14.7%。因此，针对高血压靶器官损伤脉搏波样本，EfficientNetS具有最好的分类性能。3 讨论 3.1计算复杂度图 12给出了不同模型在训练一个 Epoch的