本文是一篇医学论文，本研究在拟合信号的特征分析上仅对心跳间隔以及心率变异性特征进行了提取和比较分析，后续可以加入其他的特征点分析。
第一章 绪论
1.1 研究背景及意义
心脏是人体血液输送循环的重要器官。据研究报告显示，心血管疾病是中国近年来城乡地区居民总死亡的首要原因，患病率也在持续上升[1]，这类疾病在美国[2]、欧洲致死率都非常高。同时相关疾病的患者的生活质量还会日益下降，患病者在进行日常活动如穿衣、打扫房间以及一些业余爱好时会觉得力不从心。很多心血管疾病患者的死亡原因是在发病时期没能够被及时发现从而错过了最佳治疗时间，因此日常连续的心脏活动监测并对患者的心脏生理信号进行分析变得越来越有必要。
心电描记法，即心电图（Electrocardiogram, ECG）是目前记录心脏活动最常见的临床应用。ECG记录的是心脏的电传导活动，无法反映心脏的机械运动。ECG信号是一种在心脏病学中关键的生理诊断工具和黄金标准，它通常通过放置在患者胸部、脚踝和手腕等位置上的多导联电极（通常为十二导联）记录心脏活动产生的电信号，其周期特征较为简单而且具有权威并完备的生理活动意义上的解释。然而ECG信号的测量过程较为繁琐，电极放置位置的不恰当也会带来噪声，同时在某些情况下ECG信号的测量是侵入性的，如植入心脏事件记录器、电极针等，这些情况下患者本身不仅会感到不舒服而且身体可能会受到伤害，如烧伤患者、婴儿等。因此这就导致了ECG测量的局限性[3]，且不适用于长时间的日常心脏监测。
12国内外研究现状
1.2.1 心震图研究现状
国内SCG的首次记录是在二十世纪五十年代晚期，航空医学科学家陈定一、孟宪惠等先后借助心冲击描记图（Ballistocardiography，BCG）的原理，使用记纹鼓和马利氏鼓对SCG造成的床动进行了长达八小时的记录，对睡眠质量和疾病的研究具有重要的意义[7]。
二十世纪六十年代R. Baevski的研究工作是SCG信号在国外的首次记录。他受到地震学中测量加速度的技术的启发，使用这种测量加速度的技术来测量心脏引起的波动[8]。SCG一开始是主要使用于俄罗斯的航天计划，第一份SCG是1653年东方五号在太空飞行中记录的宇航员的SCG信号。SCG信号在七十年代早期用于飞船“Sojus”上的船员健康监测并且在2007年3月以来在国际空间站（International Space Station, ISS）作为Pneumocard和Sonocard实验的一部分进行[9]。
研究者Salerno和Zanetti于二十世纪九十年代首次在美国将SCG引入临床医学应用[10]。Crow和Nannan等人[11]将SCG与超声波心动图记录的心脏时间间隔（Cardiac timing intervals, CTI）联合进行分析，得出SCG与超声心动图在心脏时间间隔测量上是一样准确的结论。Salerno和Zanetti对SCG信号的变化与冠心病的相关性进行了研究[12, 13]，发现了SCG信号在球囊成形术中出现了与冠状动脉血流阻塞症状相关的一些变化，并证实了在心电应激运动测试中SCG信号与ECG信号相比对于检测冠状动脉病变具有更好的敏感性以及特异性。研究[14]对1221例疑似冠心病患者进行了SCG记录，患者在记录后六个月进行了血管造影，并根据一套事先设定好的标准分析SCG信号以确定患者是否患有冠心病。这项研究的SCG判断是否患有冠心病的敏感性为80%、特异性为69%，而同样实验条件下的ECG信号判断冠心病的敏感性为67%、特异性为51%，以此凸显了SCG信号的部分临床优势。另一项研究[15]采用了129例患者的SCG数据对上述结果进行了重新评估发现SCG信号的加入确实能改善预测冠心病的模型。
第二章 心电图与心震图原理及数据集
2.1心脏电传导通路及其机械运动
心脏是人体最重要的器官之一。健康心脏的电传导通路保证了心脏肌纤维的同步以及重复的自动收缩运动，其电传导通路如图2.1所示，包括位于右心房后壁的窦房结和位于右心房靠近冠状窦的房室结[60]，这两个节点通过节点间路径相连接。希氏束从房室结开始，从心脏的间隔壁的上部穿过然后分成两股束支：左束支和右束支。传导通路从左右两个束支分离形成浦肯野纤维包裹着两个心室[60]。
2.2心脏临床诊断方式
目前临床进行的心脏相关的诊断方式有心音描记法（Phonocardiogram, PCG）、超声心动图、ECG、SCG等。
心音描记法最初是出现在1894年，爱因斯坦和和格勒克制作了第一张真正的心脏声音电子录音[61]。这些声音主要来自心脏瓣膜的闭合和打开。第一心音和第二心音分别来源于房室瓣和半月瓣的闭合。心音有助于评估心脏机械收缩方面的心脏状况。PCG中的杂音、心音之间的延迟、心音的分裂以及缺失的心音被用来诊断不同的心脏疾病比如由通过二尖瓣的血液湍流引起的杂音可以诊断出二尖瓣返流。在临床中，心音通常不被记录而是通过听诊器诊断并且需要问诊医生现场解释。由于在心音描记法中心脏瓣膜的开与关是很难定位的，因此心脏跳动时间间隔也是很难计算的。
超声心动图利用高频的声波以及超声波产生心脏图像，这项技术是在1954年出现的[62]。超声心动图可以记录心脏在打开和关闭瓣膜时机械收缩的信息，使用超声多普勒效应还可以对心室、主动脉等中的血流进行更多的采样[63]，因此这种方法的实用性非常广但是超声心动图的记录和信息意义需要专门训练的医生进行解释。同时超声心动图的分辨率相对较低，通常在每秒五十至六十帧左右，较难以检测心脏的快速收缩运动变化。
第三章 心震图模型架构设计 ................................................ 16
3.1机器学习与深度学习 ........................................ 16
3.1.1 卷积神经网络 .................................................. 18
3.1.2 循环神经网络 .................................................. 21
第四章 基于注意力机制的心震图拟合模型实验................................. 44
4.1心震图拟合实验过程 ..................................... 44
4.2实验结果和分析 .......................................................... 45
4.3本章小结 ....................................... 49
第五章 拟合心震图特征分析与研究 ..................................... 50
5.1心率变异性 ............................................. 50
5.1.1 心率变异性分析方法 .................................. 51
第五章 拟合心震图特征分析与研究
5.1心率变异性
心率信号是非平稳信号，它的变化可能包含一些生理疾病的指标（如即将发生心脏病的预警等），这些指标信号可能是随时间连续出现的也可能是随机出现。因此心率变异性（Heart rate variability, HRV）分析成为了一项用于评估心脏健康的诊断工具，利用算法程序对HRV信号参数进行提取分析对临床诊断有着非常重要的意义。
HRV即连续两次心跳间隔之间的时间变化，这种主要变化主要由心率的外部调节造成。HRV被认为能够反应心脏快速反应不可预测的外部刺激来适应环境变化的能力。HRV分析的结果能够用来评估心脏的整体健康状态以及负责调节心脏生理活动的自主神经系统（Autonomic nervous system, ANS）的状态。心跳间隔的变化与瞬时心率的变化能够了解自主神经系统的状态。同时，HRV还可以作为观察分析交感神经系统（Sympathetic nervous system, SNS）以及副交感神经系统（Sympathetic nervous system, SNS）之间相互作用的指标。因为心率的正常变化是心脏和循环系统的自主神经调节的后果[110]。作为神经系统两个部分的交感神经和副交感神经系统之间的相互平衡控制着心率的变化，交感神经活动增加或者副交感神经活动减少会导致心脏跳动加快心率增加，相反交感神经活性变低或者副交感神经活动增加会导致心率减小。交感神经刺激指交感神经在人体运动中、心脏病突发时或者处于压力环境下做出的反应，交感神经刺激通过增加心脏窦房结的起搏细胞的放电率使心率变高，副交感神经活动主要由内脏器官创伤、过敏以及刺激反应所引起，降低了起搏细胞的放电率从而降低了心率。交感神经活动与心率调制频率的低频范围（0.04~0.15Hz）有关，副交感神经活动与心率调制频率的高频范围（0.15~0.4Hz）有关，这种频率上的差异使得HRV分析可以区分交感神经和副交感神经的作用。因此心率的变异性的程度提供了有关神经的控制功能以及心脏反应的能力。同时，HRV在评估心脏以及人体的健康性方面也是非常重要的工具，如血压波动、心律失常、糖尿病、肾衰竭等。
第六章 总结与展望
6.1内容总结
心震信号能够反映心脏机械活动特征是一种无创的测量方式，测量技术随着高精度、廉价的便携加速度传感器的发展而愈加成熟，但是心震信号的周期特征与心脏周期中生理事件的联系还没有权威定义，导致心震信号的临床诊断较为困难。心电信号是心脏活动临床诊断中的黄金标准且有权威的解释标准，但是由于测量方式的不当会导致诊断误差。本文针对两种信号的特点设计实现了SCG信号拟合ECG信号的端到端深度学习模型，并通过对拟合后的信号进行心跳特征提取与研究。
本文的主要工作总结如下：
（1）查找阅读了大量中外文献，研究了心震信号的发展现状以及现在的心脏临床诊断方式，深入探究了心脏的电传导以及机械运动原理与心脏周期相对应的心电信号以及心震信号的波形特点。
（2）研究了深度学习中序列模型的常用模块卷积网络、循环神经网络、注意力机制的原理与实现，并根据信号序列的特点设计了本研究所使用的模型：基于编解码器的心震图拟合模型和基于注意力机制的心震图拟合模型。基于编解码器的心震图拟合模型中的编码器和解码器均使用的是GRU网络。基于注意力机制的心震图拟合模型包含特征提取、特征选择降维以及信号预测三个模块，在特征提取模块中使用卷积神经网络获取输入信号中的周期内空间位置特征使用循环神经网络提取信号周期内以及周期间的时间序列特征，特征选择部分使用卷积神经网络进行特征降维，在信号预测部分主要使用注意力机制在模型训练中为特征分配权重提升模型学习效果。并进行了五折交叉验证实验对两个模型进行了初步的拟合误差对比，最终根据误差结果决定在本研究后续的实验中采用基于注意力机制的心震图拟合模型进行实验。
（3）设计了心震信号拟合至相对应心电信号的实验，使用五折交叉验证法对使用和不使用注意力机制的心震图拟合模型进行拟合结果对比实验。实验中根据MSE、RMSE、MAE误差分析以及拟合结果图示证明注意力机制在模型中对于拟合结果是有正面优化效果的。
参考文献（略）