引言：从 GPT 模型说起

2023年科技圈的热点，毫无疑问是GPT模型。起初，有人对ChatGPT不屑一顾，质疑它缺乏独立思考，连考试成绩都拿不出手。结果新GPT-4一出来，直接在律师资格考试中挤进前10%，在SAT数学考试中也轻松拿下前11%。这些成绩背后，是分析综合、逻辑推理、归纳总结的能力——这不就是家长们费尽心思，想给自家孩子“灌”进去的那些本领吗？

一、大模型，还是小模型？

不过，这些巨型模型成功的背后，是以惊人算力为代价的。据Semafor披露，GPT-4的模型参数多达1万亿。巨型模型有它固有的特点：

海量数据集

模型参数多了，就得靠海量数据来喂。海量数据的采集和标注成本高得吓人。这也就是为什么，之前那些巨型模型，基本上都出自谷歌、微软这些动辄就有海量数据的互联网巨头手中。

然而，“足够”的数据，在医疗领域并不常见。拿一种罕见先心病——Ebstein异常三尖瓣畸形来说，意大利有6000多万人口，一年也就出现30例左右。再加上临床致病因素复杂、隐私保护、数据壁垒等种种限制，医疗领域根本不像互联网那样有随手可得、标注完善的海量数据集。大多数要解决的实际问题，恰恰是：如何在小型数据集上，高质量地做出能真正落地的临床方案。

落地部署

GPT-4据说有万亿级参数，一旦大规模部署，算力成本高到惊人。这对NVIDIA来说可能是好消息，但对AI医疗设备的推广落地，可不一定是好事。真正有应用前景的医疗设备，不光要做得出来（模型精度高），更得用得起（模型轻量化）。

轻量级模型的好处是算力成本低、功耗低、延迟也低。这些特性让它在小型便携医疗设备上大有用武之地，无论是医院临床使用，还是术后居家监护，都是上选。比如心电监护、呼吸监测、哮喘管理、可穿戴设备、脑机接口这些医学信号处理场景，轻量级模型更容易部署和推广。

所以，AI在医学信号处理中落地，面临的需求和常规场景很不一样——关键是小数据集和轻量级模型的部署。也正因如此，斯坦福的AI大咖吴恩达，近年来把精力转向AI的实际落地，一改之前在谷歌、百度时的思路（以模型为中心，模型越做越大、越来越复杂），开始力推轻量级落地AI（Unbiggen AI），专门去解决大多数工程化落地中真正要面对的“小数据集”问题【1】。

二、轻量级模型的工程化实现

简洁，并不简单。比如，业内普遍认为模型精度会随着数据集增大而提高。可当数据集有限时，怎么持续优化模型，让它的精度不输给巨型模型？再比如，小数据集常见的过拟合问题，怎么破？

说白了，如果只是纯学术研究，拿完善的开源数据集跑一跑，那只用盯着模型本身就够了。但要是做AI模型的工程化落地，那就和学术研究大不一样了。工程化实现的性能，并不是模型本身（下图紫色框）一家说了算，而是由从左到右四个环节共同决定的。这也是为什么，如果只盯着模型本身，不断堆更大、更复杂的模型，结果往往是那些拥有海量参数的模型，在旧数据集上靠死记硬背记住“正确答案”，一到新数据集就掉链子。

至于数据集准备、模型开发和部署实现，MATLAB里提供了一系列自动化APP，能帮你用高度自动化的方式，快速完成那些耗时费力的活儿：数据标注、模型快速搭建和训练、模型裁剪和量化、嵌入式代码生成等等。具体内容，可以参考这里：将深度学习用于信号处理【2】和创建标注数据来训练和验证模型【3】。

三、轻量化模型的点睛之笔——预处理及特征提取

本文要重点聊的是预处理和特征提取。临床实际应用千变万化，你不可能指望一台临床医疗设备，监测结果忽好忽坏、飘忽不定。而预处理和特征提取，恰恰为工程化实现提供了关键的鲁棒性。信号特征的提取，能把稀疏、复杂的原始数据提炼出来，特别是投射到变换域上，得到精干的描述——这才让轻量级AI模型的使用变得可能。

可能有人会觉得，都AI时代了，应该是：

AI vs. Signal Processing

但业内的成功案例，恰恰是各取所长，也就是：

AI + Signal Processing

来看两个成功的例子。第一个是Respiri开发的喘息检测和哮喘管理设备（如下图）。他们把采集到的喘鸣声，经过预处理转换成频谱图，然后分析频谱图，根据能量模式和其他常见特征来识别潜在的哮喘患者。

把复杂的哮喘预测和管理问题，转化成频谱图并选准特征，效果是四两拨千斤。轻轻松松就在手持便携设备上实现，让哮喘监测从医院走进千家万户，既提高了患者的生活质量，也拿下了健康管理这个庞大的市场。

另一个例子（如下图），来自德州大学奥斯汀分校的脑机语言转化试验。他们想帮助肌萎缩症晚期患者，通过脑机接口保持与外界的沟通。借助Wa velet Toolbox，用小波多分辨率分析技术，把脑磁图MEG信号降噪，并分解成特定的神经振荡带（高伽马、伽马、阿尔法、贝塔、西塔和德尔塔脑波）。

然后从降噪和分解后的信号中提取特征，包括均值、中位数、标准差、四分位数和均方根。尝试用SVM和ANN方法，分类准确率大约80%；当结合小波和深度学习时，准确率一下子提高到96%以上。AI + Signal Processing的神奇合力。

四、AI + Signal Processing 实例——无接触式病人监测

故事讲完了，下面给各位举个实例，眼见为实，感受一下AI + Signal Processing的神奇合力，实现小模型、大效果的目标。

【实例】

无接触式病人监测。术后病人往往浑身插满大大小小的管线，除了输液和供氧，大都是心跳和呼吸监控的。翻身和活动都受限，尤其术后，会很难受。因此，临床上对无接触式病人监控设备的需求极为强烈。如下图所示，在病人上方设置一个功率很小的雷达，通过检测心跳引起的胸腔起伏对连续波雷达波的影响，从回波中还原出病人的心跳。

数据准备：1.从志愿者身上用传统方式采集准确的心电图，2.同时从雷达上采集回波数据。

目标：从下面第一行的雷达回波中，还原出第二行的ECG心电图。

Test 1:

第一步，尝试把Raw Signal雷达回波原始数据，直接喂给神经网络。

构建一个1D卷积网络+BiLSTM的神经网络，结构如下：

心里默念“芝麻开门”，等上不算太久（但也不算短）的时间之后，得到训练好的模型。用它对输入雷达回波还原出的心电图如下图所示：第一行是雷达回波，第二行是实测心电图，第三行是还原出的心电图。第二、三行完全两回事——神经网络的神力消失了吗？第一反应，是不是该上更大、更高级的模型？

先别急。来试试AI + Signal Processing的神奇合力吧。

Test 2:

这一次，尝试加入一些预处理和特征提取功能，看看能不能化腐朽为神奇。可能不少人对信号处理有点发怵，觉得门槛高。确实，过去设计信号处理算法，得查手册、记语法、写代码、调bug，想想都是坎，步步都是坑。

但MATLAB提供了非常丰富、好用的信号处理算法设计功能，还有一系列图形化界面的APP，可以快速尝试各种算法设计，设置和调整各种参数与配置，实时可视化效果。达到要求后，所有在APP里完成的操作，都会自动转化成对应的MATLAB函数和代码。

下面就来展示，如何快速设计用“高深”的小波分解和信号重构，搭建这里的预处理和特征提取模块。注意哦，全程不看手册、不记语法、不写代码，更不用调bug。

基本思路：根据物理原理，心跳引起的胸腔起伏，会在雷达回波中引发微多普勒效应，所以回波中应该包含了心跳信号。先对回波做小波分解，然后基于有效成分进行信号重构。

打开信号多分辨率分析器这个图形化APP。在左上角可以设置小波基和分解层数等。中间窗口能看到分解出的各个成分。左下角可以勾选要用于最终重构的成分。最右边的窗口用不同颜色显示原始信号和重构信号。

把回波导入APP后，在中间窗口看到如下各分解成分。跟目标ECG心电信号一比对，发现level1、level2、level6以及scaling coefficients跟目标ECG相关度很小。于是只把level3-5勾选上，用于ECG信号重构。满意之后，所有操作都可以点击export，自动生成MATLAB函数——不用写代码，不用调bug。

算法模型搭建：

基于上面的分析，设计出下面的网络结构。传统的预处理模块，通常独立在神经网络之外。而MATLAB专门提供了离散小波分解的层，支持选择小波基和信号重构的成分。这一层可以理解成固定系数的层，不需要参与学习。把它放到网络模型里作为预处理层，大大简化了模型搭建过程。训练时，也无需单独先对数据进行批量预处理，再把处理后的特征向量存到本地，然后分批读取训练。MATLAB支持把这些合并到同一个模型中，直接喂数据就能训练——生活多美好。类似的，MATLAB还提供了cwtLayer和stftLayer层，分别支持连续小波变换和短时傅里叶变换。

再次默念“芝麻开门”，得到训练后的模型。对输入雷达回波还原出的心电图如下图所示：第一行是雷达回波，第二行是实测心电图，第三行是之前没用小波变换时还原出的心电图，第四行是用小波分解和信号重构预处理后还原出的心电图。第四行和第二行高度一致——惊不惊喜，意不意外？还是那个不起眼的轻量小模型，跟AI + Signal Processing一结合，就产生了神奇的效果。

五、总结

慢慢品味算法中的美感，简单总结一下。最初直接把原始信号扔进1D卷积+BiLSTM神经网络，经过漫长的训练，还原出的信号完全看不到目标心电信号的影子。而采用信号多分辨率分析器快速探索设计的、基于离散小波分解和信号重构的预处理算法，跟最初那个轻量级模型一结合，立刻化腐朽为神奇。从一片嘈杂的回波中，准确还原出了目标心电信号。这个Demo已经被发布在MATLAB shipping demo中。心动不如行动，感兴趣的小伙伴【4】。

细细品味就能发现，好的预处理和特征提取，是高性能、轻量化模型成为可能的点睛之笔。临床实际应用千变万化，这个部分恰恰为医疗设备的工程化落地，提供了关键的鲁棒性和可靠性。而信号特征的提取，把稀疏、复杂的原始数据加以提炼，尤其是投影到变换域上，得到精干的描述——这才让轻量级AI模型的使用成为可能。