0 引言

   心血管疾病是全球范围内导致死亡的主要原因，其中急性心肌梗死以其高发病率、高致残率和高死亡率，构成了最严重的公共卫生挑战之一[1]。心肌梗死的病理基础是冠状动脉血流急剧减少或中断，导致相应的心肌细胞发生持久性缺血缺氧而坏死。其救治效果具有极强的时间依赖性，“时间就是心肌，时间就是生命”[2]。因此，实现心肌梗死的早期、快速、无创筛查与预警，对于降低患者死亡率、改善预后具有至关重要的意义。

    目前，心肌梗死的诊断“金标准”包括心电图、血清生物标志物检测等。然而，这些方法或需要专业的医疗设备与操作人员，或存在侵入性、耗时较长、成本较高等问题，难以广泛应用于日常、连续的家庭或社区健康监测场景。因此，开发一种便捷、低成本的心肌梗死早期筛查技术迫在眉睫。光电容积脉搏波（PPG）技术为此提供了一种极具潜力的解决方案。PPG是一种通过光学方法无创检测皮下微血管血容量变化的技术，其信号形态蕴含了丰富的心血管生理病理信息，如心率、血管弹性及外周阻力等[3]。相较于心电图，PPG信号的采集设备（如智能手机、智能手环、指夹式传感器）极为普及、成本低廉、操作简单，非常适合用于长期、动态的健康监测。 近年来，随着深度学习算法的快速发展，特别是卷积神经网络，在医学信号处理与疾病诊断领域展现出强大的能力。一维卷积神经网络（1D-CNN）能够自动从原始信号中学习并提取具有判别性的深层特征，无需依赖复杂、专业的人工特征工程，非常适用于处理ECG这样的时间序列信号。已有研究成功将1D-CNN应用于基于ECG的心律失常、房颤等疾病的自动诊断[4-5]。

       目前，利用PPG信号进行心血管状态评估已成为生物医学工程领域的研究热点。过往研究多集中于通过分析PPG信号的时域特征、频域特征或通过波形分解来间接评血压等与心血管风险相关的参数[6]。这些方法虽然取得了一定成果，但大多依赖于对PPG波形特征的先验知识和手动提取，过程繁琐且特征的鲁棒性和泛化能力有限。基于上述背景，本研究旨在探索并构建一种基于一维卷积神经网络（1D-CNN）的PPG信号分析模型，以实现对心肌梗死的自动识别与预测。

目录

0 引言

 1 数据来源与预处理

2 一维卷积神经网络

3  评价指标

4 结果分析

5 讨论

参考

 本文完整代码和相关数据可在下载：基于一维卷积神经网络的PPG信号心肌梗死预测研究的完整代码资源

 1 数据来源与预处理

       在第一工作当中，我们已经详细介绍了数据来源以及预处理的过程。这里简单叙述一下：该数据基于 Kaggle 平台的 Photoplethysmography (PPG) Dataset 展开通过 Python 加载数据并查看基本信息，确认数据集为含 2576 行、2001 列，目标变量 “Label” 分为 “Normal”（无心肌梗死迹象）和 “MI”（心肌梗死相关迹象）两类。接着进行数据查看，绘制前 20 行 PPG 信号变化趋势图，发现部分信号存在明显噪声；绘制标签分布图，得知 “Normal” 标签 1282 个、“MI” 标签 1294 个，两类标签分布均衡。随后进入数据预处理阶段，针对信号噪声问题，采用高斯加权移动滤波方法（窗口大小 51、标准差 5）对数据进行滤波，对比原始信号与滤波后信号，确认达到预期滤波效果，并将所有数据滤波后生成新数据集 “filtered_data”；为简化建模复杂度，基于 PPG 信号 “上升 - 峰值 - 下降 - 谷值” 的周期性特征，利用 find_peaks 函数检测滤波后数据的峰值与谷值，提取第二部分单周期信号，且统一单周期信号长度为 250，经验证提取结果均符合单周期规律，最终生成新数据集 “cycles”，为后续建模分析奠定基础[7]。

       此外，为对比所提方法的有效性，我们设置了多组数据对比实验，所采用的数据分为以下三种类型，以全面评估不同数据处理方式对模型效果的影响：（1）一个心动周期内PPG信号（滤波）：cycles；（2）多个心动周期内PPG信号（滤波）：filtered_data；（3）未处理的数据即多个心动周期内PPG信号（未滤波）：PPG_Dataset。

cycles该数据可见：【免费】一个心动周期内的PPG信号资源-CSDN下载

数据来源：Photoplethysmography (PPG) Dataset

详见链接文章中的1.1-1.3节：基于 PPG 信号与机器学习算法的心肌梗死预测研究-CSDN博客

或：基于统计信息融合的PPG时域特征在心肌梗死预测的研究-CSDN博客基于主成分分析的PPG信号特征用于心肌梗死预测研究-CSDN博客

2 一维卷积神经网络

     一维卷积神经网络（1D Convolutional Neural Network, 1D CNN）作为卷积神经网络的重要变体，专为处理序列型数据而设计，尤其适用于时间序列、文本等具有时序或顺序依赖关系的数据场景。一维卷积神经网络（1D CNN）的基础架构与二维卷积神经网络（2D CNN）一脉相承，但核心差异在于其卷积运算聚焦于一维序列维度展开。该网络专为适配序列数据的特性设计，典型由以下核心模块层级构成[8]:

输入层：作为模型的数据入口，负责接收一维形态的序列数据（如时间序列、文本编码后的向量序列等），为后续特征提取提供原始输入。

卷积层：作为 1D CNN 的核心功能模块，通过预设的一维卷积核（也称为过滤器）对输入序列执行滑动卷积运算。这一过程能够有效捕捉序列中的局部依赖关系与关键局部特征，而卷积核的尺寸（决定局部特征的覆盖范围）和数量（决定特征提取的维度与丰富度）是影响模型特征学习能力与复杂度的关键超参数。

激活函数层：紧跟在卷积层之后，通过引入非线性变换（如 ReLU、ELU 等）打破数据的线性相关性，显著提升模型对复杂模式的表达能力，让网络能够学习到更具区分度的特征。

池化层：通常衔接于激活函数层之后，核心作用是对高维特征图进行下采样处理。通过保留关键特征信息、剔除冗余数据，既降低了后续计算的复杂度，又能增强模型对输入微小扰动的鲁棒性，助力提升模型的泛化能力。常用的池化策略包括最大池化（保留局部最优特征）和平均池化（融合局部整体特征）。

全连接层：作为网络的决策输出模块，一般位于架构的末端。它将前序卷积、池化过程提取的局部特征进行全局整合与加权映射，最终转化为与任务目标匹配的输出结果（如分类任务的类别概率分布、回归任务的预测值），完成从特征学习到任务决策的闭环。

具体如图所示：

       其中，VGG（Visual Geometry Group）是由牛津大学的视觉几何组在2014年提出的一种深度卷积 神经网络架构。VGG网络以其简单而深厚的结构而著称，广泛应用于图像分类、目标检测等计算机视觉任务。VGG网络的核心特点是使用多个小卷积滤波器和相同的步幅，以及使用最大池化层（来降低特征图的尺寸。这种结构相较于使用大卷积核的传统网络在参数上更为有效，能够学习出更深层次的特征[9]。则一个典型的VGG块包含以下组成部分[10]：

1. 多个卷积层：使用固定大小的卷积核，并通过填充保持输出尺寸不变。
2. ReLU激活函数：为网络增加非线性。
3. 最大池化层：用于空间下采样，将特征图的宽和高减半。

        基于上述 1D CNN 的核心原理，本文以 VGG 网络架构为基础，构建适用于目标任务的一维卷积神经网络。该网络结构设计如下：整体包含四个卷积块，各卷积块采用 “卷积层 + 池化层” 的经典组合 —— 第一卷积块由 2 个带 ReLU 激活函数的卷积层与后续池化层构成，第二至第四卷积块则均由 3 个带 ReLU 激活函数的卷积层搭配池化层组成；此外，网络末端设置两个全连接层，神经元数量分别为 512 和 256，最终通过输出层的 Sigmoid 激活函数输出预测结果（二分类任务）。对于训练参数，将数据集比例为8:2作为训练集和测试集，其中10%的训练集作为验证集进行训练。选择Adam为优化器，损失函数为：二元交叉熵损失函数，以及批次设置为16，训练轮次为100，并设置了早停法。

import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.keras import layers, models
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
df = pd.read_csv('cycles.csv')#单周期
##滤波多周期
# df1 = pd.read_csv('PPG_Dataset.csv')
# label_col = df1.columns[-1]  
# df1['numeric_label'] = df1[label_col].map({'MI': 1, 'Normal': 0})  
# data = pd.read_csv('filtered_data.csv')
# df = data.assign(numeric_label=df1['numeric_label']) 
##不滤波多周期
# df1 = pd.read_csv('PPG_Dataset.csv')
# label_col = df1.columns[-1]  
# df1['numeric_label'] = df1[label_col].map({'MI': 1, 'Normal': 0})  
# data = pd.read_csv('/PPG_Dataset.csv')
# data =data.drop(columns='Label')
# df = data.assign(numeric_label=df1['numeric_label']) 
X = df.iloc[:, 0:250].values 
y = df['numeric_label'].values  
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)  
X_reshaped = X_scaled.reshape(-1, 250, 1) 
X_train, X_test, y_train, y_test = train_test_split(
    X_reshaped, y, test_size=0.2, random_state=42, stratify=y 
)
        model.compile(
        optimizer='adam',
        loss='binary_crossentropy',
        metrics=['accuracy']
    )
    return model

model = build_vgg_style_1d_cnn(input_shape=(250, 1))
model.summary()
early_stopping = tf.keras.callbacks.EarlyStopping(
    monitor='val_loss', 
    patience=10,        
    restore_best_weights=True  
)

history = model.fit(
    X_train, y_train,
    batch_size=16,
    epochs=100,
    validation_split=0.1, 
    callbacks=[early_stopping],
    verbose=1
)

3  评价指标

     本文基于PPG信号对心肌梗死的预测是个二分类的问题，故采用二分类的评价指标进行模型性能检测。如下[7]：

（1）Accuracy（准确率）：指模型正确预测的样本数占总样本数的比例，反映模型整体的预测正确性，公式为：

其中 TP 为真阳性，TN 为真阴性，FP 为假阳性，FN 为假阴性。

（2）Precision（精确率 / 精准度）：针对模型预测为正类的样本，其中真正为正类的比例，公式为：

（3）Recall（召回率 / 查全率）：针对实际为正类的样本，模型成功预测为正类的比例，公式为：

（4）F1 Score（F1 分数）：是精确率和召回率的调和平均数，综合衡量两者的表现，公式为：

（5）AUC（Area Under the ROC Curve，ROC 曲线下面积）：ROC 曲线以假阳性率（FPR）为横轴、真阳性率（TPR）为纵轴绘制，AUC 是该曲线下的面积，用于评估模型在不同分类阈值下的整体性能，取值范围 0-1，越接近 1 说明模型分类能力越强。

，

 具体可见：基于 PPG 信号与机器学习算法的心肌梗死预测研究-CSDN博客

代码如下：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import (
    accuracy_score, precision_score, recall_score, f1_score,
    roc_auc_score, roc_curve )
y_pred_prob = model.predict(X_test, verbose=0) (n_samples,1)）
y_pred_prob_flat = y_pred_prob.flatten()  
y_pred = (y_pred_prob_flat > 0.5).astype(int)  
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred, zero_division=0)
recall = recall_score(y_test, y_pred, zero_division=0)
f1 = f1_score(y_test, y_pred, zero_division=0)
roc_auc = roc_auc_score(y_test, y_pred_prob_flat)
fpr, tpr, _ = roc_curve(y_test, y_pred_prob_flat)  
plt.rcParams['font.sans-serif'] = ['SimHei']  
plt.figure(figsize=(8, 6), dpi=100)  
plt.plot(fpr, tpr, color='darkblue', lw=2, label=f'ROC曲线 (AUC = {roc_auc:.4f})')
plt.plot([0, 1], [0, 1], color='gray', lw=1, linestyle='--')
plt.xlim([-0.01, 1.01])  
plt.ylim([-0.01, 1.01])  
plt.xlabel('假正例率 (FPR)', fontsize=12)
plt.ylabel('真正例率 (TPR)', fontsize=12)
plt.title('二分类模型 ROC 曲线', fontsize=14, fontweight='bold')
plt.legend(loc='lower right', fontsize=11)
plt.grid(True, alpha=0.3)  
plt.tight_layout()  
#plt.savefig('roc_curve.png', dpi=300, bbox_inches='tight')  
plt.show()  
metrics = {
    'Accuracy': round(accuracy, 4),
    'Precision': round(precision, 4),
    'Recall': round(recall, 4),
    'F1 Score': round(f1, 4),
    'AUC': round(roc_auc, 4)
}
print("分类模型测试集指标：")
for metric_name, value in metrics.items():
    print(f"{metric_name}: {value}")

4 结果分析

        为验证一维卷积神经网络（对 PPG 信号自动提取特征并实现心肌梗死诊断的预测有效性，本文基于前期研究积累的三类数据展开对比实验：滤波后单周期数据（cycles）、滤波后多周期数据（filtered_data）及未滤波多周期数据（PPG_Dataset），通过分别进行预测任务，检验该方法在不同数据周期配置与噪声干扰下的稳定性。具体实验结果如下表所示：实验中，Accuracy、Precision、Recall 及 F1 Score 四项核心分类指标在三类数据场景下表现完全一致；唯一存在差异的指标为 AUC，其数值呈现明确排序：filtered_data > PPG_Dataset > cycles。由上述结果可得出两点关键结论：（1）多周期数据的模型预测效果显著优于单周期数据，表明充分利用 PPG 信号的时序连续性特征，能有效提升模型对心肌梗死的诊断能力；（2）噪声对预测结果存在一定影响（未滤波数据 PPG_Dataset 的 AUC 低于滤波后多周期数据 filtered_data），但相较于数据周期这一因素，噪声带来的影响程度更小。

	Accuracy	Precision	Recall	F1 Score	AUC
cycles	0.9554	0.972	0.9382	0.9548	0.955
filtered_data	0.9554	0.972	0.9382	0.9548	0.9637
PPG_Dataset	0.9554	0.972	0.9382	0.9548	0.9608

5 讨论

          针对本文需要说明的是，所有模型在实验过程中均采用默认参数运行，未经过系统的超参数优化，因此其性能潜力可能尚未得到充分挖掘。此外，当前模型主要依赖时域方面的，未能充分利用频域等其他特征空间中的信息，限制了特征完整性。另外，基于一维卷积神经网络在生理意义上的可解释性较弱，这一局限性值得关注。未来需进一步探究PPG信号中基于一维卷积神经网络提取特征与生理机制之间的关联，同时考虑到该类方法易受样本数量与类型的影响，还应结合多样化样本进行验证。在后续研究中，可通过超参数优化以提升模型性能，并尝试融合时域、频域等多维度特征，构建更丰富的特征表示，从而进一步提高模型的预测精度与泛化能力。

         在既往研究中，我们系统性地探索了基于PPG信号的心肌梗死预测方法，涵盖从传统时域特征分析、统计信息融合时域特征提取，到主成分降维特征构建，直至本文采用的一维卷积神经网络自动特征学习。这些研究在数据质量较优的条件下均取得了不错的预测性能，充分证明了PPG信号在心血管疾病风险评估中的潜在价值。然而，现有工作仍存在明显的局限性：在特征层面，我们尚未充分挖掘信号的频域特性、时频联合特征以及多源特征融合的潜力；在模型架构方面，现有方法多局限于传统机器学习范式，未能有效利用深度学习领域的最新进展。

      未来研究可从以下几个方向实现突破：特征工程方面，可系统引入频域特征（如功率谱密度、频带能量分布）、时频分析特征（基于小波变换或短时傅里叶变换的时频图特征）以及多尺度特征融合方法；模型创新方面，可探索极限学习机、注意力增强的LSTM、时序卷积网络等先进架构，特别值得关注的是新兴的KAN在非线性关系建模上的独特优势。此外，集成学习框架下的多模型融合策略，以及引入注意力机制实现特征自适应加权，都将显著提升模型的表达能力和泛化性能。从信号特性角度考量，PPG信号虽然具有采集便捷、成本低廉、可重复性强等突出优点，但其信号质量易受测量设备差异、环境噪声干扰、传感器位置变动、个体生理状态波动等多重因素影响，导致信号稳定性和可靠性面临严峻挑战。这在模型构建过程中需要特别关注，应加强数据预处理、质量评估和抗干扰设计。在预测输出形式上，建议从当前的确定性分类向概率化预测转变，通过输出心肌梗死的发病概率，既能够提供更丰富的风险评估信息，又能够增强结果的可解释性。这种概率化输出有助于实现风险分级，为个性化健康管理和临床决策提供更精准的参考依据，推动PPG信号从研究工具向实用化筛查手段的转化。

       最终，我们期望通过多维特征挖掘、先进模型构建、信号质量控制与概率化输出的、结合，建立更加精准、稳健、可解释的心肌梗死无创筛查新方法，为心血管疾病的早期预警提供有效的技术支撑。

过往研究的文章链接如下：

（1）基于 PPG 信号与机器学习算法的心肌梗死预测研究-CSDN博客

（2）基于统计信息融合的PPG时域特征在心肌梗死预测的研究-CSDN博客

（3）基于主成分分析的PPG信号特征用于心肌梗死预测研究-CSDN博客

参考

[1] 刘明波, 何新叶, 杨晓红, 等. 《 中国心血管健康与疾病报告 2023》 要点解读[J]. 临床心血管病杂志, 2024, 40(8): 599-616.

[2] 急性心肌梗死（病症）_百度百科

[3]  PPG信号检测方法和原理 - 知乎

[4]苏良波,彭宏,邓亮,等.基于CNN与BiLSTM相结合的心电信号分类方法[J].中国数字医学,2024,19(06):96-100.

[5] 王建荣,邓黎明,程伟,等.基于CNN-LSTM-SE的心电图分类算法研究[J].测试技术学报,2024,38(03):264-273.

[6] Maqsood S, Xu S, Springer M, et al. A benchmark study of machine learning for analysis of signal feature extraction techniques for blood pressure estimation using photoplethysmography (PPG)[J]. Ieee Access, 2021, 9: 138817-138833.

[7] 基于 PPG 信号与机器学习算法的心肌梗死预测研究-CSDN博客

[8] 一维卷积神经网络（1D-CNN）-CSDN博客

[9]  VGG 网络架构 - yinghualeihenmei - 博客园

[10] （VGG）VGG网络通过模块化设计

注：若有侵权部分，请留言将会删除。

个人观点，仅供参考