于 露等：基于深度学习的人体低氧状态识别 ·821· 97.8% 四 确率发现，两者的准确率相差5.1%，由于两者的差 362 8 0 0 118 93.7% 394% 0.9% 2.2% 38.6% 2.6% 6.3% 值较小，因而认为该神经网络模型未出现过拟合现 象，有较为良好的泛化能力，能够应用于实际生产生 气37 98.0% 12 58.5% 20% 1 8 172 95.6% 2.6% 562% 4.4% 活中. 3.2.2R0C曲线分析 97.1% 98.5% 97.9% 93.7% 95.6% 94.8呢 2.9% 1.5% 2.1% 6.3% 4.4% 5.2% 深度神经网络分类的接受者操作性能(receiver d operating characteristic,ROC)曲线如图7所示.根 0 123 89.8% 0 603 30 95.3% 40.2% 4.69% 10.2% 39.49% 205 4.7% 据图中可知，ROC曲线下的面积(AUC值)，在1.0 和0.5之间.AUC与准确性的关系如表2所示. 161 95.3% 27 870 97.0% 2.6% 52.6% 4.7% 1.8% 56.9% 3.0% 由图7可知，训练集、验证集、测试集的AUC值 均大于0.9且接近于1.0，因而认为该方法能够准 93.9% 92.0% 92.8绿 95.7% 96.7% 96.3% 6.1% 8.0% 72% 4.3% 3.3% 3.7% 确的进行分类. 3.3误差分析 图6分类结果混淆矩阵.(a)训练集：(b)验证集：(c)测试集 (d)全集 训练结果误差直方图见图8.通过误差直方图 Fig.6 Classification result confusion matrix:(a)training set:(b) 可知，目标值与输出结果差值范围主要集中在 verification set;(c)test set;(d)complete set （-0.04733,0.05142),误差处于此范围外的情况 1.0 1.0 b) 0.8 0.8 卧0.6 0.6 0.4 0.2 0.2 0.2 0.40.6 0.8 1.0 0 0.20.40.6 0.81.0 假阳性率 假阳性率 1.0 1.0 d 0.8 0.8 0.6 0.6 0.4 0.2 0.2 00 0.20.40.6 0.81.0 0.2 0.40.60.81.0 假阳性率 假阳性率 图7ROC曲线.(a)训练集：(b)验证集：(c)测试集：(d)全集 Fig.7 Receiver operating characteristic curve:(a)training set:(b)verification set:(c)test set:(d)complete set 表2AUC与准确性表 差.对同一个体进行多次测量时，由于较小的概率 Table 2 AUC and accuracy 出现较大的误差，因而能够准确识别该个体的生理 AUC值 准确性 状态且准确率更高 0.5-0.7 较低准确性 0.7-0.9 准确性一般 4结论 0.9w1.0 较高准确性 (I)人在不同氧气浓度下的PPG信号存在差 较少，此误差在进行二分类（标签分别为0和1）中 异，通过搭建深层神经网络并进行相应的训练能够 对结果判断影响较小，有较小的概率出现较大的误 识别这种差异从而对不同氧气浓度下的PPG信号于 露等: 基于深度学习的人体低氧状态识别 图 6 分类结果混淆矩阵 . ( a) 训练集; ( b) 验证集; ( c) 测试集; ( d) 全集 Fig． 6 Classification result confusion matrix: ( a) training set; ( b) verification set; ( c) test set; ( d) complete set 确率发现，两者的准确率相差 5. 1% ，由于两者的差 值较小，因而认为该神经网络模型未出现过拟合现 象，有较为良好的泛化能力，能够应用于实际生产生 活中． 3. 2. 2 ＲOC 曲线分析 深度神经网络分类的接受者操作性能( receiver operating characteristic，ＲOC) 曲线如图 7 所示． 根 据图中可知，ＲOC 曲线下的面积( AUC 值) ，在 1. 0 和 0. 5 之间． AUC 与准确性的关系如表 2 所示． 由图 7 可知，训练集、验证集、测试集的 AUC 值 均大于 0. 9 且接近于 1. 0，因而认为该方法能够准 确的进行分类． 3. 3 误差分析 训练结果误差直方图见图 8． 通过误差直方图 可知，目标值与输出结果差值范围主要集中在 ( － 0. 04733，0. 05142) ，误差处于此范围外的情况 图 7 ＲOC 曲线 . ( a) 训练集; ( b) 验证集; ( c) 测试集; ( d) 全集 Fig． 7 Ｒeceiver operating characteristic curve: ( a) training set; ( b) verification set; ( c) test set; ( d) complete set 表 2 AUC 与准确性表 Table 2 AUC and accuracy AUC 值 准确性 0. 5 ～ 0. 7 较低准确性 0. 7 ～ 0. 9 准确性一般 0. 9 ～ 1. 0 较高准确性 较少，此误差在进行二分类( 标签分别为 0 和 1) 中 对结果判断影响较小，有较小的概率出现较大的误 差． 对同一个体进行多次测量时，由于较小的概率 出现较大的误差，因而能够准确识别该个体的生理 状态且准确率更高． 4 结论 ( 1) 人在不同氧气浓度下的 PPG 信号存在差 异，通过搭建深层神经网络并进行相应的训练能够 识别这种差异从而对不同氧气浓度下的 PPG 信号 · 128 ·