一种基于多通道生理信号的心动特征融合提取方法

1.本发明涉及信号处理、融合特征提取在多类心率失常误报警抑制方向的应用。


背景技术：

2.重症监护室(icu)是医院内监护设备最集中的科室，其中以心电监护仪误报警占比99.4％，为各类误报警种类中最高。高误报警率的各类心率失常报警会使医护人员工作负担加大，对报警的敏感性降低，导致报警疲劳，产生无意识的对报警的忽视。因此，研发降低心律失常误报警率的算法能有效提升icu医护人员的工作效率、提升心率失常预警的质量。目前icu中心律失常预报警技术存在以下局限：
3.首先，国内icu心率失常预报警决策多数依赖病理性定义单一决策，决策指标的单一导致预报警结果易受到噪声、伪迹和数据缺失的影响。因此预报警准确性受信号质量影响较大，检测生理信号质量下降会引发误报警。
4.然后，icu心率失常报警通常以单导联或多导联心电信号(ecg)为主要监测信号，动脉血压信号(abp)、光电容积脉搏波信号(ppg)虽然也在icu监护信号范围内，但在心率失常预报警决策中，多种生理信号未能有统一准确的决策逻辑，导致当前心率失常预报警算法受单一种类生理信号影响较重。
5.针对上述局限，如果能基于多种生理信号进行融合心动特征提取，再提供给后续随机森林模型进行判断，将有效推动icu心率失常误报警抑制的研究，同时也将为其他类型多种生理信号结合的病例预测问题提供帮助。


技术实现要素：

6.本发明的目的在于通过分析ecg、abp、ppg多通道生理信号，提取出有助于判断心率停搏、心动过速、心动过缓、室扑\室颤、室性心动过速这五种心率失常预报警真假性的融合性心动特征。
7.本发明的目的是这样实现的：结合信号质量指数与信号关联质量指数，设计多通道生理信号心动周期信息的融合算法，具体包括：1)当ecg与abp、ppg信号关联指数都较高时，多种生理信息心动周期信息匹配度较好，则不进行心动周期信息融合；2)当ecg与abp、ppg信号中某一个信号关联指数较高时，且对应的abp或ppg信号质量指数较高，则将ecg与质量指数较高的abp或ppg信号的心动周期信息进行融合；3)当ecg与abp、ppg信号的关联指数都较低，则选取abp与ppg信号中，质量指数较高的信号的心动周期信息，与ecg信号心动周期信息进行融合。
附图说明
8.图1，信号关键时间段截取与信号预处理流程图
9.图2，一个示例的多通道生理信号原始波形图
10.图3，同一示例多通道信号心动周期与起搏周期提取示例图
11.图4，多通道信号多维度特征组成结构图
12.图5，是该模型的预测流程图
具体实施方式
13.为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实例对本发明进行详细的描述。
14.一种基于多通道生理信号的心动特征融合提取方法，步骤包括：
15.1)针对不同心率失常类型预报警，在原有生理信号基础上，划分包含报警关键时间段的多通道生理信号数据；
16.2)对步骤1中得到的信号数据进行预处理；
17.3)对步骤2中得到的预处理后的信号利用多种生理信号融合探测r峰位置；
18.4)结合步骤2中的预处理信号与步骤3中的r峰位置提取特征；
19.5)将步骤4中的特征构成特征矩阵，输入随机森林模型中，实现预测。
20.步骤1)中，针对ecg信号、abp信号、ppg信号，截取不同长度的各种心率失常可能发生的关键时间段。对于心率停搏、心动过速、心动过缓、室性心动过速，在三种生理信号上截取对应长度的信号时间窗，其窗宽分别为：15s、15s、15s、10s。得到报警预测关键时间段内的多维生理信号。对于室颤/室扑，本发明考虑到该心率失常临床表现严重，报警通常最短时间为4s，故对三种生理信号截取4次，每次长度为4s，相隔1s的4段信号，组成多段的多维生理信号。图1展示了对于五种严重心率失常报警信号提取的关键时间段的不同时长。
21.步骤2)中采用的预处理方法分为：
22.2.1)扁平线与z型线判断。生理信号由于设备连接问题会出现大段扁平型波形或上下z字型抖动波形，该种波形不具备生理意义，不需要后续进一步预处理，做特殊标记即可。
23.2.2)基线漂移处理。本发明采用1hz截止频率的二阶双向butterworth低通滤波器处理ecg信号，得到信号的基线漂移部分，从原信号中减去该部分信号，即可去除ecg信号的基线漂移。
24.2.3)工频噪声与肌电噪声去除。将ecg信号进行8层小波分解，得到对应的细节系数与近似系数，将1，2层的细节系数置0，对信号进行小波重构，即可去除高频的工频与肌电噪声。
25.2.4)起搏器尖峰去除。由于心电监护仪探测接口接触不紧密，信号会产生起搏器尖峰，本发明对信号中有异常幅值的数据进行探测，与前后数据差异巨大的数据将被线性差值，从而消除异常尖峰。经过预处理的信号具有较高的信号质量，能够检测更准确的心动周期信息。
26.图1展示了预处理流程的各个步骤。
27.步骤3)中针对不同类型生理信号，采用不同算法获取r峰位置，具体为：
28.3.1)对于ecg信号，本发明在pan-tompkins算法基础上，对负向r峰与r峰间隔限制做了处理。pt算法包含有低通滤波、高通滤波、微分、平方、积分、自适应阈值与搜索过程，该算法对滤波后的信号使用微分器，通过斜率将qrs波群与低频ecg成分区分开。再经过平方运算放大qrs波群部分，然后经过移动窗口积分器，将r峰变换为平滑的高峰，最终通过设定
的阈值，确定r峰的位置。
29.3.2)对于ppg与abp信号，本发明采用physionet开源的wabp算法，该算法设计了一种加窗和加权斜率和函数，该函数能增强信号的上斜率部分，从而提取ppg与abp上斜率波形特征，再采用自适应阈值与搜索算法从提取的波形特征中确定脉搏开始位置。
30.3.3)进行多通道生理信号心动周期信息的融合与增强，具体有：
31.3.3.1)当ecg_abp关联质量指数和ecg_ppg关联质量指数均低于0.7，如果abp质量指数或ppg质量指数高于0.6时，选择abp信号与ppg信号中信号质量指数更高的一个，根据该信号的周期，对ecg信号进行r峰探测，并对比单独利用ecg信号获得的r峰位置。如果二者时间差距大于融合时限0.2s，则将abp或ppg信号新获得的r峰，添加到ecg的r峰标记；
32.3.3.2)当ecg_ppg关联质量指数低于0.7而ecg_abp关联质量指数高于0.7，如果abp质量指数高于0.6时，则根据abp信号的周期，对ecg信号做3.3.1)类似的处理；如果abp质量指数低于0.6时，则不处理，而直接采信单独利用ecg探测到的r峰位置；
33.3.3.3)当ecg_ppg关联质量指数高于0.7而ecg_abp关联质量指数低于0.7，如果ppg质量指数高于0.6时，则根据ppg信号的周期，对ecg信号做3.3.1)类似的处理；如果ppg质量指数低于0.6时，则不处理，而直接采信单独利用ecg探测到的r峰位置；
34.3.3.4)当ecg_ppg关联质量指数高于0.7且ecg_abp关联质量指数高于0.7，采信原ecg信号自身探测r峰位置信息，不进行多通道生理信息心动特征融合。
35.图2，3展示了对不同类型生理信号应用对应的心动周期检测算法后，在实际信号上算法的检测结果。
36.步骤4)中，提取信号多种特征，组成多维特征矩阵，可供模型对信号报警进行预测。图3展示了各种生理信号提取的主要特征。对于ecg信号，主要提取如下特征：
37.4.1)心率特征计算：
[0038][0039]
其中，fs为信号采样频率，r
i
为第i个r峰在ecg信号中的索引位置，心率对于心动过缓计算连续4个心动周期心率最小值，对于心动过速计算连续16个心动周期心率最大值，对于其他类型心率失常则计算相邻心率均值。ecg信号质量特征主要有：
[0040]
4.2)周期性度量，计算如下：
[0041][0042]
其中，rr_inters为r峰间隔，高质量ecg信号通常具有极好的规律性，该特征对于高质量并且具有较好周期性的ecg信号而言，趋近于100，反之趋近0。
[0043]
4.3)峰锐度度量，计算如下：
[0044]
[0045]
其中，为多个qrs波群中各点到r峰斜率绝对值的最大值组成的序列的均值，代入公式计算。波形有多个更高的峰值，该特征值将趋近100，反之，如果波形没有起伏，则该值趋近0。
[0046]
4.4)自相关性度量，计算如下：
[0047]
cm＝100
×
mean(corr(card_periods))
[0048]
其中，card_periods为ecg信号每一个qrs波群，代表一个心动周期，该度量计算相邻心动周期自相关性系数的均值，反映了ecg信号多段心动周期相关性，对于重复度高的ecg信号，该值趋近100，反之趋近0。
[0049]
4.5)峰高稳定性，计算如下：
[0050][0051]
其中，r_heights为r峰减去ecg信号均值的差，记为r峰高度。该特征描述ecg信号r峰高稳定度，对于高质量ecg信号，该值趋近100，反之趋近0。
[0052]
4.6)针对室扑\室颤，室性心动过速两类心率失常，对ecg信号做频域分析，提取ecg信号归一化功率谱中主频、最大功率比、次频、带宽、均值频率与中值频率等特征。其中，各特征定义如下：
[0053]
4.6.1)主频：归一化功率谱中最高功率对应的频率；
[0054]
4.6.2)次频：归一化功率谱中第二稿功率对应的频率；
[0055]
4.6.3)最大功率比：归一化功率谱中最大功率与总功率的比值；
[0056]
4.6.4)带宽：归一化功率谱中，对应功率连续超过0.5的最后一个频率与第一个频率的差值；
[0057]
4.6.5)均值频率：归一化功率谱中，对频率做功率加权平均得到的平均频率；
[0058]
4.6.6)中值频率：归一化功率谱中，对应功率累加超过总功率一半时，对应的频率。
[0059]
4.7)对于ppg与abp信号，除提取与ecg信号类似4.1)至4.5)同类特征，还提取最大间隔期内ppg与abp幅值变化。主要针对心动停搏，停搏后心脏射血能力丧失，应该表现为ppg与abp信号中最大间隔期内血压最大幅值下降。以ppg为例，主要计算三个特征如下：
[0060]
max_amp_before_gap＝max(ppg
i
)，i∈(0，max_gap_start)
[0061]
max_amp_in_gap＝max(ppg
i
)，i∈(max_gap_start，max_gap_end)
[0062][0063]
其中，max_gap_start与max_gap_end表示ppg信号与abp信号两个脉搏间隔最大处的开始时间与结束时间。该系列特征能较好的描述心脏停搏器的血压变化形势。针对ecg信号、abp信号与ppg信号提取相关特征后，即可组成多维特征矩阵，为后续随机森林模型的预测做好准备。
[0064]
步骤5)中，根据步骤4)中得到的信号的多维特征矩阵，输入训练好的随机森林模型中，即可完成心率失常报警的真假预测，具体步骤可参考图5。
[0065]
下面以本方法的实际应用，结合附图对本发明作进一步说明。
[0066]
参考图2，是一个未经信号预处理的心率停搏预报警的多通道生理信号部分波形图。
[0067]
参考图3，是图2中多生理信号经过信号预处理后，并进行心动周期探测与融合后，ecg、ppg、abp相应的心动周期显示如图所示。
[0068]
参考图4，是结合预处理后生理信息与心动周期信息，提取相关特征值，组成特征矩阵。
[0069]
接收特征矩阵训练后，心率停搏预报警预测随机森林模型主要参数指标：’n_estimator s’：32，’max_depth’：21，’max_features’：7，’min_samples_leaf’：1，’min_samples_split’：4，’max_leaf_nodes’：12，’criterion’：’entropy’，’class_weight’：’balanced’。
[0070]
参考图5，是随机森林模型训练好后，接收新的多通道生理信号时，预测使用流程图。
[0071]
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
[0072]
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。