移動(dòng)心電信號(hào)質(zhì)量評(píng)估的分析與研究.pdf

1、遠(yuǎn)程心電監(jiān)護(hù)作為現(xiàn)代醫(yī)療的新興技術(shù)手段之一給患者提供了針對(duì)心臟疾病的早期預(yù)警和及時(shí)治療，因此日益得到廣泛的應(yīng)用。然而由于遠(yuǎn)程系統(tǒng)的移動(dòng)終端由用戶在日常生活中隨身攜帶，使得信號(hào)更易受到諸如身體移動(dòng)，呼吸，環(huán)境變化，運(yùn)動(dòng)偽跡等影響，從而造成誤報(bào)警。而大量的誤報(bào)警可能造成醫(yī)生產(chǎn)生對(duì)報(bào)警信號(hào)的信任缺失，從而忽略真正的報(bào)警，延遲甚至于忽視對(duì)疾病的診斷，降低了遠(yuǎn)程心電監(jiān)護(hù)的效果和意義，浪費(fèi)大量寶貴的診療資源。因此，在使用心電信號(hào)診斷之前，應(yīng)先將其分

2、為可用于和不可用于醫(yī)療診斷兩類，即質(zhì)量評(píng)估，是十分必要的。
　　本文詳細(xì)分析了心電信號(hào)(Electrocardiogram，ECG)的線性與非線性特征，并根據(jù)這些特征在信號(hào)質(zhì)量環(huán)境中的不同反映，進(jìn)而得到多個(gè)質(zhì)量指標(biāo)，然后結(jié)合模式識(shí)別算法如支持向量分類機(jī)(Support vector machine，SVM)，對(duì)信號(hào)質(zhì)量進(jìn)行評(píng)估分類。然而，目前對(duì)心電信號(hào)質(zhì)量指標(biāo)的分析與獲取存在三個(gè)方面問題需要進(jìn)一步深入研究:一方面，信號(hào)特征空間的擴(kuò)

3、展，即信號(hào)特征種類的增多。心電特征不僅僅局限于目前常用的波形特征和頻域功率譜特征，而應(yīng)該擴(kuò)展到非線性空間，即分析信號(hào)的非線性特征，如熵(Entropy)，Lempel-Ziv(LZ)復(fù)雜度，李雅普諾夫指數(shù)等。特征空間的擴(kuò)展能更加全面的反映信號(hào)的固有性質(zhì)，再者心電信號(hào)本質(zhì)上是一種非線性信號(hào)，因此對(duì)信號(hào)進(jìn)行非線性分析能更準(zhǔn)確地展現(xiàn)信號(hào)所含信息。另一方面，信號(hào)非線性特征的度量算法還需要提高精度和進(jìn)一步研究。尤其是熵與LZ算法都是時(shí)間序列復(fù)雜度

4、的測(cè)度，然而它們對(duì)于序列復(fù)雜度的定義不盡相同，這說明它們所測(cè)度的時(shí)間序列的信息并不一致，進(jìn)而影響到它們?cè)谫|(zhì)量評(píng)估中的使用方式也不同，但是熵與LZ復(fù)雜度在信號(hào)質(zhì)量評(píng)估中的使用準(zhǔn)則和方式，尚無研究明確給出，因而需要深入分析才能正確使用這些算法，提高分析精度;對(duì)于LZ算法而言，其所測(cè)度的是序列的隨機(jī)性，而其又往往將隨機(jī)性與非線性混沌特性混淆在一起，因此對(duì)于該算法還要進(jìn)一步的改進(jìn)。再一方面，增加從信號(hào)的每一個(gè)特征中所提取的質(zhì)量指標(biāo)個(gè)數(shù)。目前相當(dāng)

5、多的研究中，對(duì)于信號(hào)的每一種特征僅僅得到一種質(zhì)量指標(biāo)。事實(shí)上這并不能完全反映該特征所承載的信息，甚者若設(shè)置或閾值選擇不當(dāng)，還會(huì)遺漏了該特征信息，造成該特征對(duì)于信號(hào)分析起不到任何作用，這是因?yàn)槊總€(gè)信號(hào)特征有多種表現(xiàn)形式。因此不能從一個(gè)信號(hào)特征中只得到一種質(zhì)量指標(biāo)，而應(yīng)該盡可能地提取多個(gè)指標(biāo)，從而盡量少的遺漏該特征所反映的信號(hào)所含信息，如從信號(hào)的基線特征中，不僅可以得到信號(hào)基線的最高電壓指標(biāo)，也應(yīng)該提取基線的一個(gè)時(shí)間窗口內(nèi)持續(xù)電壓作為指標(biāo)。

6、這是因?yàn)橛行┬碾姲l(fā)生基線漂移時(shí)，表現(xiàn)為基線在某點(diǎn)具有相當(dāng)大的電壓值，有一些則表現(xiàn)為心電基線在一個(gè)時(shí)間段內(nèi)持續(xù)具有較高電壓。本文正是基于以上問題進(jìn)行研究，在對(duì)移動(dòng)心電信號(hào)噪聲研究分析的基礎(chǔ)上，提出并使用了信號(hào)時(shí)、頻域特征所衍生的六個(gè)質(zhì)量指標(biāo)，結(jié)合支持向量機(jī)進(jìn)行質(zhì)量分類。研究結(jié)果表明，信號(hào)時(shí)頻指標(biāo)在質(zhì)量評(píng)估中可以得到較好的結(jié)果，然而其泛化能力較弱，分類精度不高。本文在給出了心電信號(hào)噪聲模型的基礎(chǔ)上，進(jìn)一步分析心電信號(hào)的非線性特征，如多尺度樣

7、本熵(多尺度熵，Multi-scale entropy, MSE)與LZ復(fù)雜度算法，給出了這些算法在質(zhì)量評(píng)估環(huán)境中的應(yīng)用原則與方法，在理論上完善了這兩種算法;并提出了一個(gè)新的編碼式LZ(Encoding LZ，ELZ)復(fù)雜度算法，從理論上完善了多尺度熵與LZ復(fù)雜度，并對(duì)LZ算法進(jìn)行了有效的創(chuàng)新。最終本文分析并給出非線性特征所衍生的質(zhì)量指標(biāo)，融合了時(shí)頻指標(biāo)，結(jié)合支持向量分類機(jī)評(píng)估了移動(dòng)心電信號(hào)質(zhì)量。由于在研究過程中大量用到心電信號(hào)噪聲模型

8、，而為了得到貼近真實(shí)的仿真信號(hào)，噪聲源模型是一個(gè)重要因素，因此本文進(jìn)一步的對(duì)心電信號(hào)噪聲源模型做了分析，并給出了一種基于時(shí)變自回歸(Time-varingautogression，時(shí)變AR)模型的噪聲源模型。本文研究所得出的結(jié)論對(duì)于移動(dòng)心電質(zhì)量評(píng)估有重要的理論指導(dǎo)意義，對(duì)進(jìn)一步的度量時(shí)間序列的不規(guī)則性具有促進(jìn)作用。
　　論文主要工作如下:
　　1.詳細(xì)分析了移動(dòng)心電的時(shí)、頻域特征，包括導(dǎo)聯(lián)脫落，基線漂移，R波檢測(cè)，功率譜等，

9、從這些特征中針對(duì)性的分析得出了六個(gè)質(zhì)量指標(biāo)，同時(shí)結(jié)合支持向量分類機(jī)去評(píng)估信號(hào)質(zhì)量。研究表明，來自于波形特征和頻域功率譜的質(zhì)量指標(biāo)較為明顯且計(jì)算簡(jiǎn)單，能較好地反映信號(hào)所含信息，對(duì)信號(hào)中所含噪聲有一定敏感性。然而其泛化能力較弱，評(píng)估精度難以進(jìn)一步提高。
　　2.詳細(xì)分析了多尺度熵，LZ復(fù)雜度算法在移動(dòng)心電信號(hào)質(zhì)量評(píng)估應(yīng)用環(huán)境中的應(yīng)用?？疾炝硕喑叨褥嘏cLZ算法對(duì)心電信號(hào)中不同類型噪聲含量的敏感性與變化趨勢(shì)，針對(duì)性的提出了多尺度熵與LZ復(fù)

10、雜度在應(yīng)用于信號(hào)質(zhì)量評(píng)估時(shí)，應(yīng)該遵循的準(zhǔn)則和使用方法。研究表明，多尺度熵與LZ復(fù)雜度都能反映信號(hào)中噪聲含量，但對(duì)不同類型噪聲的敏感性不同，且當(dāng)用于信號(hào)質(zhì)量評(píng)估時(shí)，多尺度熵的尺度因子有一定的取值范圍，且信號(hào)也應(yīng)做相應(yīng)的預(yù)處理。
　　3.針對(duì)LZ復(fù)雜度算法混淆了信號(hào)的不規(guī)則性與混沌特性，從而導(dǎo)致其在質(zhì)量評(píng)估中的誤差，首次提出了一種新的ELZ算法。ELZ將原始時(shí)間序列轉(zhuǎn)換為八狀態(tài)的字符序列，從而避免了傳統(tǒng)LZ復(fù)雜度中二值化序列產(chǎn)生的過粗

11、粒化導(dǎo)致的序列信息丟失現(xiàn)象，和多狀態(tài)LZ復(fù)雜度的狀態(tài)過多引起的計(jì)算量增加。研究結(jié)果表明，該算法能較好的區(qū)分信號(hào)的不規(guī)則性與混沌特征，能夠更準(zhǔn)確地反映信號(hào)中的隨機(jī)成分含量。
　　4.融合心電信號(hào)的線性與非線性特征，提出19個(gè)質(zhì)量指標(biāo)，并結(jié)合最小二乘支持向量分類機(jī)對(duì)信號(hào)進(jìn)行質(zhì)量分類。研究表明線性質(zhì)量指標(biāo)與非線性質(zhì)量指標(biāo)融合能較為全面的反映信號(hào)所含信息，尤其是非線性指標(biāo)對(duì)于那些時(shí)頻指標(biāo)不能區(qū)分的信號(hào)具有良好的分辨率。
　　5.針對(duì)

12、目前遠(yuǎn)程醫(yī)療所采集的移動(dòng)心電信號(hào)，詳細(xì)分析其噪聲特點(diǎn)。由于研究工作需要在許多仿真心電信號(hào)上進(jìn)行實(shí)驗(yàn)，因此必須構(gòu)建貼近真實(shí)的心電信號(hào)噪聲模型。本文分析并給出了三種噪聲源模型，分別是用不同頻帶的色噪聲模擬真實(shí)心電噪聲的噪聲源模型和用MIT/BIH數(shù)據(jù)庫(kù)提供的有限長(zhǎng)且單一的真實(shí)心電噪聲作為噪聲源模型，以及一種新的基于時(shí)變自回歸(time-varyingAutoregressive，AR)模型的噪聲源模型。從而為進(jìn)一步的研究做了實(shí)驗(yàn)基礎(chǔ)和準(zhǔn)備工