基于波形特征提取與支持向量機分類的顱內(nèi)壓增高預測研究.pdf

1、在神經(jīng)內(nèi)、外科,顱內(nèi)壓增高是一種常見的危重病癥。顱內(nèi)壓增高能夠導致腦灌注壓降低與腦血流減少,造成腦組織缺血缺氧,甚至可能造成腦組織移位并產(chǎn)生腦疝。當臨床醫(yī)護人員發(fā)現(xiàn)患者發(fā)生顱內(nèi)壓增高之后才準備醫(yī)護處理時,由于存在發(fā)現(xiàn)不及時、病情進展迅速、藥物發(fā)揮作用時間較長等因素的影響,可能會錯失最佳治療時機,影響治療效果,導致較高的顱腦傷亡率。目前臨床監(jiān)護中尚缺乏有效的提前提示顱內(nèi)壓增高的報警設備。一個有效的顱內(nèi)壓增高預測方法能夠提前提醒醫(yī)護人員并使

2、醫(yī)護人員有足夠的準備時間降低顱內(nèi)壓,防止病情惡化,避免腦疝和死亡等危重癥狀的出現(xiàn)。鑒于顱內(nèi)壓管理在預防繼發(fā)損傷和提高患者預后的重要性,一個基于計算機自動分析的顱內(nèi)壓增高提前報警算法對于顱內(nèi)壓監(jiān)護和醫(yī)護處理具有重要意義。隨著信號處理技術的發(fā)展,許多研究人員提出了基于信號處理的自動顱內(nèi)壓增高預測方法。比較傳統(tǒng)的方法主要建立在設置固定閾值和信號的獨立性假設的基礎上。自從90年代開始,部分學者考慮到信號內(nèi)部的自關聯(lián)性,對顱內(nèi)壓信號建立了時間序列

3、模型,例如自回歸模型。隨著機器學習理論在諸多領域得到成功的應用與發(fā)展,近年來機器學習方法也被運用到顱內(nèi)壓趨勢分析的研究中,例如人工神經(jīng)網(wǎng)絡等。還有學者將多種高級信號處理方法結合起來對顱內(nèi)壓信號趨勢進行預測,例如小波分析,卡爾曼濾波和近似熵等方法。上述研究都將顱內(nèi)壓信號視為時間序列并將一段時間內(nèi)的信號均值作為預測變量,忽略了每個心動周期內(nèi)信號的動力學特性;而且顱內(nèi)壓波動是一個非線性和非平穩(wěn)過程,科學界仍然缺乏關于顱腦調節(jié)機制的基本知識。這

4、使得上述模型與方法不能準確的反應顱內(nèi)壓波動的機理,預測效果不夠理想,未能被臨床采用。然而,大量研究表明顱內(nèi)壓的單波波形特征與顱內(nèi)壓信號的趨勢有關,同時這些波形特征也能夠反應重要的顱內(nèi)生理病理信息,如腦順應性與腦血流自動調節(jié)能力。鑒于顱內(nèi)壓單波波形特征與顱腦生理病理情況的高度相關性,本文提出一個新的對顱內(nèi)壓增高提前5分鐘進行預測的方案。該方案的實施步驟如下:①設計一個逐拍分割算法將顱內(nèi)壓信號逐拍分割為單波信號;②設計一個波峰識別算法識別單

5、波信號的特征子峰并提取波形特征指標;③構建一個基于支持向量機的二類分類系統(tǒng),將顱內(nèi)壓單波波形特征指標作為分類系統(tǒng)的輸入變量,系統(tǒng)的分類結果即對應著顱內(nèi)壓增高/顱內(nèi)壓未增高。具體地說,該分類系統(tǒng)首先利用一個具有全局搜索能力的優(yōu)化特征選擇算法,差分進化算法,自動選擇最優(yōu)的指標組合作為特征向量,利用Wrapper方案進行優(yōu)化特征指標選擇;然后將優(yōu)化的特征向量作為輸入變量,采用支持向量機作為分類器對波形特征進行分類。對優(yōu)化特征向量的分類結果即對

6、應著顱內(nèi)壓增高/顱內(nèi)壓未增高。本論文的主要研究成果如下:①提出一個新的顱內(nèi)壓信號逐拍分割算法。在當前的臨床和科研工作中,主要利用與顱內(nèi)壓信號同步記錄的其他信號的特征點分割顱內(nèi)壓的單波波形,這種方法在很多情形下不適用。本研究借鑒經(jīng)典的圖像匹配算法—形狀上下文的思想實現(xiàn)了適合一維生理準周期信號的描述算子—波形上下文;本算法利用波形上下文提取給定點的波形特征,然后利用模板匹配法實現(xiàn)每個單波起搏點的檢測。在沒有同步記錄的其他信號的情況下該算法可

7、以實現(xiàn)連續(xù)顱內(nèi)壓信號的單波波形分割。②提出一個新的顱內(nèi)壓單波波形特征提取算法。該算法利用波形上下文提取單波波形的形態(tài)特征,然后利用分類器—支持向量機對該特征進行分類,最終識別顱內(nèi)壓單波波形中的三個特征子峰以及峰峰值,潛伏期和收縮期斜率等波形特征指標。③提出一個基于特征選擇與支持向量機分類的顱內(nèi)壓增高預測系統(tǒng)。對于給定的信號,本系統(tǒng)在顱內(nèi)壓增高發(fā)生之前5分鐘判斷該信號是否為增高前段(顱內(nèi)壓增高)/平穩(wěn)段(顱內(nèi)壓未增高)。該系統(tǒng)首先利用差分

8、進化算法選擇特征指標組合,利用Wrapper方案(差分進化算法進行特征選擇,支持向量機作為分類器,敏感度與陽性預測值的均值作為決策函數(shù))評估指標組合對分類的有效性并確定最優(yōu)指標組合,然后將該指標組合輸入支持向量機進行分類。分類器輸出分類結果即對應著顱內(nèi)壓增高/顱內(nèi)壓未增高。④本文提出的顱內(nèi)壓增高預測系統(tǒng)的一個重要特點是采用分類的方式,而非預測顱內(nèi)壓變化值的方式實現(xiàn)對顱內(nèi)壓增高的預測。對于給定的信號,本系統(tǒng)將之區(qū)分為增高前段和平穩(wěn)段。當某

9、段信號被區(qū)分為增高前段時即意味著5分鐘以后將會產(chǎn)生顱內(nèi)壓增高。當某段信號被區(qū)分為平穩(wěn)段時意味著5分鐘以后將不會產(chǎn)生顱內(nèi)壓增高。通過這種分類的方式,將波形特征與顱內(nèi)壓增高直接聯(lián)系起來。通過檢測波形特征的變化判斷是否將要發(fā)生顱內(nèi)壓增高,同時也為開展波形特征與顱腦病理情況的相關性開辟了一個新的研究途徑。最后,本文利用臨床數(shù)據(jù)對上述方案進行了驗證。首先手工標定顱內(nèi)壓信號的每個單波的起搏點和三個特征子峰,利用單波分割算法與單波波形特征提取算法分別