周金治，郑淋文，黄 静, 涂道鑫，赖健琼

(1.西南科技大学 信息工程学院，四川 绵阳 621000；2.特殊环境机器人技术四川省重点实验室，四川 绵阳 621000)

0 引 言

随着微机电系统(MEMS)技术、物联网(IoT)技术的发展，低能耗的微小传感器已经能完成信息采集、处理、无线通信等多种功能，无线躯感网应运而生，并得到了迅猛发展，在医疗护理和智能家居等领域都有广阔的应用前景[1]。

由于穿戴式设备资源受限，对算法的时间和空间复杂度要求较高，使得面向躯感网(body sensor network,BSN)的心电(electrocardiograph,ECG)分析方法研究的难点主要在于精确、实时的波形识别和特征提取[2]。文献[3]采用自适应加窗二样条小波来定位R波位置，同时解决QRS波抖动的问题，应用差分阈值方法来确定ECG波群的边界值，提取出ECG的时频域特征。文献[4]将二维主分量判别法(2D-PCA)和能量百分比法结合起来对12导联高频ECG信号进行融合特征提取，提取出HF-ECG的全局特征和本征向量。文献[5]利用Baum-Welch算法优化离散隐形马尔科夫模型参数，采用Viterbi 算法提取出ECG特征。文献[6]利用长短时记忆(long short term memory,LSTM)网络捕捉ECG序列的前后依赖关系，卷积神经网络(convolutional neural network,CNN)取出信号的局部相关特征，同时完成特征提取和分类。在上述特征提取算法中，小波变换(WT)算法实现复杂，主成分特征值分解具有局限性，马尔科夫模型中的状态转换概率矩阵的存储复杂率较高，神经网络训练需要大量的计算参数和设备的存储能力，无法应用于受限设备中。

自编码器(auto encoders,AEs)是一种可从无标签数据中自动学习数据特征的神经网络，相比于CNN和循环神经网络(recurrent neural network,RNN)，网络层少，实现简单。……