決策級數(shù)據(jù)融合技術(shù)在遠程醫(yī)療監(jiān)護中的應用

摘要：文章通過歸納全球最新研究成果，提出應用于遠程醫(yī)療監(jiān)護中的數(shù)據(jù)融合模型。文章指出主流的醫(yī)療數(shù)據(jù)融合技術(shù)可以分為基于知識與基于樣本兩大類，并做了全面細致的探討。文章認為基于最小二乘支持向量機（LSSVM）的數(shù)據(jù)融合技術(shù)優(yōu)勢明顯，非常適用于遠程醫(yī)療監(jiān)護應用場景。

關(guān)鍵詞：決策級；基于知識的系統(tǒng)；支持向量機（SVM）；數(shù)據(jù)融合；醫(yī)療監(jiān)護

Abstract： In this paper， we summarize the latest research and propose a general model for a data-fusion system for remote medical care. Mainstream decision-level data-fusion technology is classified as knowledge-based or sample-data-based. Here， we analyze both of these subtypes. We also suggest that the least-squared support vector machine （LSSVM） is the most appropriate technology because of its high performance and efficiency.

Key words： decision level； knowledge based system； support vector machine （SVM）； data fusion； medical care

數(shù)據(jù)融合技術(shù)指利用計算機技術(shù)將來自多個傳感器或多源的觀測信息在一定準則下加以自動分析、綜合，并據(jù)此完成所需要的決策、判斷和估計任務。IEEE于1999年提出的數(shù)據(jù)融合概念中將數(shù)據(jù)融合描述為一種包含了多種融合算法的形式化體系，其主要功能是將多源數(shù)據(jù)進行協(xié)同化處理。

數(shù)據(jù)融合技術(shù)最早起源于軍事領(lǐng)域，在40多年時間里，該技術(shù)在各大國軍事電子系統(tǒng)中均被視為關(guān)鍵技術(shù)領(lǐng)域，發(fā)展迅猛。如今，隨著世界信息化進程的不斷深入，各類信息鋪天蓋地。為了減輕人工處理信息的工作量，提高信息處理系統(tǒng)的魯棒性、容錯性和時效性，滿足海量信息的處理需求，數(shù)據(jù)融合技術(shù)被越來越多地應用在了民用領(lǐng)域。智能機器人技術(shù)的核心便是數(shù)據(jù)融合技術(shù)，這已經(jīng)成為當前的研究熱點；智能交通系統(tǒng)通過攝像頭、麥克風等多類傳感設(shè)備的信息融合來實現(xiàn)交通監(jiān)視和智能導航；工業(yè)過程監(jiān)控中通過對過程信息的融合分析，識別系統(tǒng)運行的狀態(tài)；在現(xiàn)代醫(yī)學中，融合多體征傳感器數(shù)據(jù)并由計算機對病人病情進行智能診斷已成為一種不可或缺的技術(shù)手段。

目前的遠程醫(yī)療監(jiān)護系統(tǒng)，多是將病人的多項生理信息直接輸送到監(jiān)護中心，再設(shè)置閾值報警，這樣不但缺乏智能性，較高的誤判率也為實際診斷造成不小的干擾。智能醫(yī)療數(shù)據(jù)融合技術(shù)的提出為解決這一問題打開了通道。醫(yī)療數(shù)據(jù)融合技術(shù)，涉及到臨床醫(yī)學、信號處理、模式識別、人工智能等多個學科領(lǐng)域，并包含了多生理信號采集、噪聲處理、波形檢測、參數(shù)測量、診斷解釋等多方面的研究內(nèi)容。學界普遍將廣義的數(shù)據(jù)融合系統(tǒng)劃分為3級：數(shù)據(jù)級、特征級、決策級，而一套完整的多生理數(shù)據(jù)融合系統(tǒng)，需經(jīng)歷4個任務模塊[1-2]，每一級與各任務模塊的對應關(guān)系如圖1所示。

信號的預處理和特征提取主要運用的是信號處理技術(shù)，其發(fā)展已較為成熟，相關(guān)綜述文獻也較多。文章主要分析醫(yī)療數(shù)據(jù)融合的核心部分：決策級的數(shù)據(jù)融合技術(shù)。如圖1所示，醫(yī)療數(shù)據(jù)融合的決策級由模塊三和模塊四組成，由其共同完成智能判決、智能診斷等核心功能。本文第1節(jié)分析了基于知識經(jīng)驗的決策級數(shù)據(jù)融合技術(shù)；第2節(jié)探討了基于樣本數(shù)據(jù)的決策級數(shù)據(jù)融合技術(shù)；第3節(jié)對醫(yī)療數(shù)據(jù)融合技術(shù)做出總結(jié)性概括，并探索其未來的發(fā)展趨勢。

1 基于知識經(jīng)驗的決策級

數(shù)據(jù)融合技術(shù)

基于知識經(jīng)驗的決策級數(shù)據(jù)融合技術(shù)以臨床知識經(jīng)驗為依托，利用醫(yī)學知識來解決數(shù)據(jù)分類和疾病診斷等問題，具有邏輯性強、表達直觀、易于理解和解釋等優(yōu)勢，在疾病診斷領(lǐng)域中被廣泛使用。這類技術(shù)既可用于單體征的診斷識別，也同樣適用于多體征的協(xié)同判決。在這兩種應用的具體場合中，其技術(shù)表現(xiàn)形式略有不同。

1.1 單體征診斷識別技術(shù)

單體征疾病的診斷工作主要在于將提取出的特征信息進行分類識別，從而判斷出病人身體狀況。醫(yī)生可以將自身經(jīng)驗結(jié)合數(shù)據(jù)資源，將知識源（數(shù)據(jù)資源）及判決邏輯存放于知識庫，并封裝成可由計算機自行處理的軟件系統(tǒng)，即基于知識的系統(tǒng)，當其表現(xiàn)出專家級問題求解能力時即可稱為專家系統(tǒng)。

基于知識建模的方法已成功地應用在很多心電圖診斷問題中，并且出現(xiàn)了許多實用的系統(tǒng)。文獻[3]對2000年以前基于知識的心電圖診斷技術(shù)進行了綜述研究，詳細分析并比較了AND/OR圖、一階謂詞邏輯、程序語義網(wǎng)以及模糊邏輯等知識表示方法及與之相應的推理方法在心電圖自動診斷中的應用，并列舉了相應的診斷系統(tǒng)實例。文獻[4]采用產(chǎn)生式規(guī)則對臨床心電知識進行建模，實現(xiàn)了正常、心肌梗死、心肌缺血3類心電圖的診斷，并在對真實心電數(shù)據(jù)的診斷中取得了95.8%的正確率。文獻[5]采用模糊化的產(chǎn)生式規(guī)則表達心電圖診斷知識，成功用于長期監(jiān)護病人心肌缺血時期的檢測。

1.2 多體征協(xié)同判決技術(shù)

多體征協(xié)同判決技術(shù)需要將病人的多項體征信息結(jié)合起來，再對疾病進行綜合判定。其判決規(guī)則受被測體征的種類以及疾病種類的影響，具有很強的個異性。目前研究較多的有心電-血壓、心電-脈搏等心血管疾病協(xié)同判決方法，以及心電-呼吸、血壓-呼吸等呼吸道疾病協(xié)同判決方法等。

心電-血壓協(xié)同判決機制主要用于以下幾個方面：利用動脈血壓波（ABP）與心電波形（ECG）各自的特征點及特殊時間點的相似度來對其中一項的識別結(jié)果進行檢測判決； 利用較易檢測的心電信號，通過一些算法，計算出相應的血壓波特征值，從而診斷患者的心血管狀況；通過兩者特征點的融合運算檢測患者心血管功能也是一大應用趨勢。

文獻[6]通過測算心電-血壓延時時長，運用模糊邏輯算法，可以有效擬制血壓監(jiān)護儀的錯誤報警率。文獻[7]提供了一個較為簡單的方法，通過對心電及血壓信號進行相關(guān)處理，檢測血壓信號質(zhì)量，排除異常信號干擾。文獻[8]綜合患者心電圖、血壓值以及體表阻抗，來檢測是否患有呼吸竇性心律失常。文獻[9]通過一個二分插值遞推辨識模型測算出beat-to-beat參數(shù)，并描述心率（HR）及ABP的變化規(guī)律，從而檢測患者血管動力及神經(jīng)調(diào)節(jié)機制。

心電-脈搏協(xié)同判決方法是近年來研究較多的協(xié)同判決方法，二者相關(guān)度較高，且都易于檢測，其波形特征值之間的相似度與相異度都可作為重要的診斷參數(shù)。

文獻[10]通過檢測ECG信號的R峰值與動脈搏信號的波峰兩大時域特征，可以計算出兩者時間差作為脈搏傳導時間（PTT），相比于傳統(tǒng)的互功率譜與雙頻譜相位特性等頻域計算法，該方法精度更高，并且實時性更強，但是卻會產(chǎn)生較大的運算量。文獻[11]通過檢測心電與脈搏的信號特征變化，用線性分析法實時反應被檢測者情緒的波動。

文獻[12]融合心電波形與脈搏傳導時間完美生成血壓波形，基于心電波形穩(wěn)定可靠等特性，生成的血壓波形具有更強的魯棒性。該方法為心電、血壓、脈搏三者的相互結(jié)合開辟了廣大的空間。

將心血管體征信號用于對呼吸系統(tǒng)疾病的判決診斷中，這是近年來研究較新、發(fā)展較快的技術(shù)領(lǐng)域。心電-呼吸協(xié)同判決法在對某些疾病的診斷中顯得尤為需要，如睡眠呼吸暫停綜合癥等。

文獻[13]研究了一種從心電波形中推導出呼吸特征的方法，經(jīng)對比證實，從心電信號中推倒出的呼吸特征值與原始呼吸特征相吻合。文獻[14]長期監(jiān)測睡眠呼吸暫停綜合癥患者日夜呼吸及心電狀況，為以后該疾病的診斷治療提供了更可靠更權(quán)威的數(shù)據(jù)資料。在此基礎(chǔ)上，文獻[15]重點研究患者呼吸暫?；虻屯鈺r心電特征的變化情況，從而反映出呼吸狀態(tài)對心電狀態(tài)的影響。文獻[16]引入血氧飽和度這一體征參量，結(jié)合傳統(tǒng)心電信號分析，檢測患者異常呼吸的頻率及危險程度。文獻[17]更在前人研究的基礎(chǔ)上，提出使用血壓監(jiān)測或光體積描記術(shù)（PPG）等先進技術(shù)檢測異常呼吸狀態(tài)的方法，給出了多種生命體征與呼吸率之間的聯(lián)系方案，并為呼吸疾病診斷方法拓寬了思路。

多體征協(xié)同判決技術(shù)目前僅能利用少數(shù)幾種生命體征信息，且大多用在一些特定的疾病診斷中，缺乏普遍適用的融合診斷理論知識。而且經(jīng)典樣本數(shù)據(jù)的缺乏，也嚴重影響了多體征協(xié)同判決方法研究的廣泛化程度。

基于以上實際問題，并參考目前的技術(shù)發(fā)展趨勢，遠程醫(yī)療監(jiān)護數(shù)據(jù)融合系統(tǒng)可發(fā)展出這樣一種思路：在少數(shù)幾種臨床知識經(jīng)驗較為豐富的疾病監(jiān)測診斷中使用多體征協(xié)同判決方法，如心血管疾病、呼吸系統(tǒng)疾病等；而其他相對獨立的生命體征，如體溫、血糖、血氧等參數(shù)，仍采用傳統(tǒng)的閾值判別法進行監(jiān)測；利用冗余機制與協(xié)同機制，對單體征判決結(jié)果進行反饋。如此將協(xié)同機制與閾值判決法相結(jié)合，既可解決目前主流監(jiān)護系統(tǒng)智能化程度低等問題，也能充分利用體溫等基本生命體征。

1.3 優(yōu)缺點分析

現(xiàn)有的各種基于知識建模的疾病診斷方法較為充分地利用了臨床診斷知識，具有知識表達直觀、易于理解和解釋，便于進行知識查詢、更新和維護等優(yōu)點。其缺點主要在于所建模型的正確程度過分依賴于知識獲取及知識表達的準確程度：醫(yī)學知識多屬于經(jīng)驗科學，如在心電圖診斷過程中，從不同知識源獲取來的心電圖知識可能并不一致，再加上臨床心電圖診斷涉及到的知識內(nèi)容繁多，不同診斷知識之間相互關(guān)系繁雜，都使得知識獲取是一個耗時并且耗力的過程。

2 基于樣本數(shù)據(jù)的決策級

數(shù)據(jù)融合技術(shù)

基于樣本數(shù)據(jù)的融合技術(shù)需要典型樣本數(shù)據(jù)庫為支持，因此只能應用于個別擁有經(jīng)典數(shù)據(jù)庫的體征診斷識別中，如心電信號。也就是說，基于樣本數(shù)據(jù)的融合技術(shù)僅能應用于個別單體征信號的分類診斷，無法運用于多體征的協(xié)同判決?；跇颖緮?shù)據(jù)的方法以分類器設(shè)計為其技術(shù)核心，按照所采用分類器形式的不同，主要可分為神經(jīng)網(wǎng)絡法（NN）、支持向量機法（SVM）以及在SVM的基礎(chǔ)上進行優(yōu)化的最小二乘支持向量機法（LSSVM）。

2.1 基于神經(jīng)網(wǎng)絡法的智能識別技術(shù)

基于神經(jīng)網(wǎng)絡的融合算法主要思想是首先通過預處理將原始傳感器信息轉(zhuǎn)化為神經(jīng)網(wǎng)絡的輸入，然后由反饋部分將預處理結(jié)果調(diào)整到最佳可信度，從而得到所需的精度，最后由神經(jīng)網(wǎng)絡完成信息融合。目前，研究人員將人工神經(jīng)網(wǎng)絡技術(shù)與多種其他算法相結(jié)合，在醫(yī)學診斷領(lǐng)域發(fā)展前景廣闊。

文獻[18]提出了一種適用于便攜終端的心電信號融合方案。該方案證明通過人工神經(jīng)網(wǎng)絡對提取的特征值進行分類，可有效降低設(shè)備復雜度，提高數(shù)據(jù)融合的效率和精確度。文獻[19]提出了一種基于神經(jīng)網(wǎng)絡的高頻心電信號（HFECG）獨立識別方案。做到了在短時間內(nèi)用盡可能少的樣本將HFECG轉(zhuǎn)移至NN中，有效提高了數(shù)據(jù)識別準確率和分類效率。

文獻[20]將神經(jīng)網(wǎng)絡應用于冠心病監(jiān)護病房（CCU）的智能診斷系統(tǒng)，采用人工神經(jīng)網(wǎng)絡對疾病進行分類，并通過模糊專家系統(tǒng)對病人的病情進行診斷決策，采用可回溯病例分析法，可以對病人生理信息進行監(jiān)測、分析、解釋，并對所有反映病人生理信息的電氣信號進行處理、編輯以及存儲。

文獻[21]比較了模糊神經(jīng)算法和神經(jīng)網(wǎng)絡算法兩者對心電信號ECG處理的精確性。經(jīng)樣本測試，模糊神經(jīng)算法具有更好的表現(xiàn)。

神經(jīng)網(wǎng)絡的并行分布式處理方式及其特有的高度容錯性和自適應學習能力，使它在模式識別領(lǐng)域內(nèi)有很大的應用潛力。但是，神經(jīng)網(wǎng)絡技術(shù)需要大量樣本數(shù)據(jù)對其進行訓練，訓練時間通常較長，且對訓練樣本的廣泛性和代表性有一定的要求。目前尚未建立起成熟完善的理論體系和樣本數(shù)據(jù)庫，網(wǎng)絡結(jié)構(gòu)、參數(shù)的選擇無一定理論可遵循，而且一般基于經(jīng)驗風險最小化原則進行學習，容易出現(xiàn)“過學習”現(xiàn)象而導致推廣能力下降。

2.2基于支持向量機的智能識別技術(shù)

SVM是建立在統(tǒng)計學習理論和結(jié)構(gòu)風險最小化原則基礎(chǔ)上的一種機器學習和模式分類方法。SVM進行分類的基本思想是：通過用滿足Mercer條件的核函數(shù)定義的非線性變換，將原始特征空間變換到新的高維特征空間，在變換后的高維特征空間中求取最優(yōu)線性分類界面，使得該分類界面不但能將兩類無錯誤地互相分開，而且可以使兩類的分類間隔最大。

文獻[22]從患者夜間心電圖中提取有用特征，并利用SVM，對阻塞性睡眠呼吸暫停綜合征進行自動分類識別。

文獻[23-24]運用SVM對心跳時間序列進行分類，并用統(tǒng)計學方法和信號分析技術(shù)從信號中提取特征。文獻[25]在SVM的基礎(chǔ)上，提出了一種有效的心電信號分類學習方案。從一個理想的小樣本訓練集開始，該方案重復地從目標大數(shù)據(jù)集中選擇心電信號樣本，并將它們添加到訓練集中，直到該訓練集與典型模板相匹配。該方案能夠在確保分類準確性的同時，最大限度地減少樣品數(shù)量，提高效率。

文獻[26]提出基于SVM與粒子群優(yōu)化算法對心電信號進行分類識別。該方案提出一個粒子群優(yōu)化算法的新穎分類系統(tǒng)，用來提高SVM分類機的泛化性能，相較于其他的一些分類方案，該方案大幅提升了分類準確率。

SVM具有良好的泛化能力，在很大程度上克服了傳統(tǒng)機器學習中局部最優(yōu)解等問題，并在解決小樣本、非線性和高維模式等問題方面有獨特的優(yōu)勢，但其性能仍受訓練樣本的限制，實際應用中也存在計算復雜度高等諸多問題。

2.3 基于LSSVM的智能識別技術(shù)

為了減少SVM的計算復雜度，Suykens 等提出了LSSVM，用等式約束代替標準SVM不等式約束，將二次規(guī)劃問題轉(zhuǎn)化為可用最小二乘法求解的線性方程組求解，這樣以來降低了計算復雜性，從而可以大大提高求解速度[27]。

文獻[28]提出一種基于LSSVM的可靠心率識別方案。文獻[29]將基于SVM的正交最小二乘算法應用于對窒息嬰兒的哭聲進行分類，獲得了較高的分類精度。文獻[30]在此基礎(chǔ)上對算法進行進一步優(yōu)化，達到了更高的精度。但這兩個系統(tǒng)都需求較大的樣本數(shù)據(jù)，效率較低。

文獻[31]提出了一種基于層次法的腦磁共振（MR）圖像自動分割技術(shù)。研究中，將作為先驗信息的大腦概率圖譜與SVM相結(jié)合，采用LSSVM生成腦組織概率圖譜，得到了不錯的分割效果。

文獻[32]提出了從心電圖自動識別阻塞性睡眠呼吸暫停綜合征（OSAS）方案。該方案在特征識別階段使用了LSSVM作為分類器，實現(xiàn)了對特征參數(shù)的精確分離。

相比于其他分類算法，LSSVM算法的分類準確度高，所需樣本數(shù)少，具有高度泛化能力，且不用估測傳統(tǒng)SVM中的高階導數(shù)，大大降低了運算復雜性，可被視為一種較為理想的自學習分類算法。

2.4 優(yōu)缺點分析

現(xiàn)有的各種基于樣本建模的疾病診斷方法具有可自動完成知識獲取，診斷推理過程簡單快捷，效率較高等優(yōu)點，其缺點在于分類性能依賴于訓練樣本的選擇，受樣本數(shù)量的限制，訓練耗時長，工作量巨大，且診斷過程不易被理解和解釋，無法對醫(yī)療知識進行充分利用，所以其應用多局限于少數(shù)幾種單體征病理信號的分類識別。

3 結(jié)束語

單純從技術(shù)性能來講，基于樣本數(shù)據(jù)的決策級數(shù)據(jù)融合技術(shù)的綜合性能明顯強于基于知識經(jīng)驗的，尤其是基于LSSVM的融合技術(shù)，具有診斷過程簡單快捷，訓練時間相對較短，分類精度趨于完美等重要優(yōu)勢，其缺陷在于需要典型樣本數(shù)據(jù)為依托。對于單種生命體征信號，如心電信號，早在上世紀90年代一些國家就已建立起了完善的典型醫(yī)用數(shù)據(jù)庫，樣本數(shù)據(jù)的問題已經(jīng)得到很好解決，所以基于樣本數(shù)據(jù)的決策級數(shù)據(jù)融合技術(shù)將在單種生命體征的分類診斷中擁有廣闊的發(fā)展前景。但是，在樣本數(shù)據(jù)相對缺乏的疾病診斷和多體征協(xié)同診斷領(lǐng)域，基于知識經(jīng)驗的醫(yī)療數(shù)據(jù)融合技術(shù)仍然占據(jù)了主流地位。

參考文獻

[1] LUCEY P， COHN J， LUCEY S， et al. Automatically Detecting Pain Using Facial Actions[C]// Proceedings of the 3rd International Conference on Affective Computing and Intelligent Interaction and Workshops（ACII’09），Sep 10-12， Amsterdam， Netherland. Piscataway， NJ， USA：IEEE， 2009：8p.

[2] ARCELUS A， GOUBRAN R， SVEISTRUP H， et al. Context-Aware Smart Home Monitoring through Pressure Measurement Sequences[C]//Proceedings of the IEEE 5th Medical Measurements and Applications （MeMeA’10）， Apr 30-May 1， 2010， Ottawa， Canada . Piscataway， NJ， USA：IEEE，2010： 32-37.

[3] PRESEDO J， VILA J， BARRO S， et a1.Fuzzy modelling of the expert’s knowledge in ECG-based Ischaemia detection[J].Fuzzy Sets and Systems，1996，77（1）：63-75.

[4] KUNDU M， NASIPURI M， BASU D K.Knowledge-Based ECG Interpretation：A Critical Review[J].Pattern Recognition，2000，33（3）：351-373.

[5] BORTOLALL G， PEDRYCZ W.Fuzzy descriptive models：An Interactive Framework of Information Granulation[J].IEEE Transactions on Fuzzy Systems，2002，10（6）：743-755.

[6] HUG C W， CLIFFORD G D. An Analysis of the Errors in Recorded Heart Rate and Blood Pressure in the ICU Using a Complex Set of Signal Quality Metrics[C]//Proceedings of the 2007 Computers in Cardiology Conference （CCC’07）， Sep 30-Oct 3， 2007. Piscataway， NJ， USA：IEEE，2007 ：641-644.

[7] AII W， ESHELMAN L. Morphograms： Exploiting Correlation Patterns to Efficiently Identify Clinically Significant Events in Intensive Care Units[C]//Proceedings of the 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society（ IEMBS '04）：Vol 1，Sep 1-5，2004， San Francisco， CA， USA. Piscataway， NJ， USA：IEEE，2004：554-557.

[8] BALOCCHI R， MICHELASSI C， VARANINI M， et al. A Methodology for Evaluating the Influence of the Respiratory Component in Measuring the Complexity of Heart Rate Variability[C]//Proceedings of the 1992 Computers in Cardiology Conference（CCC’92），Oct 11-14，1992. Piscataway， NJ， USA：IEEE，1992： 407-410.

[9] MAINARDI L T， BIANCHI A M， PIAZZA S， et al. Multichannel Time-Variant Spectral and Cross-Spectral Parameters for the Evaluation of Cardiovascular Variability Signals before Syncope[C]//Proceedings of the IEEE 17th Annual Conference Engineering in Medicine and Biology Society （EMBC’95）：Vol 1， Sep 20-25，1995， Montréal， Canada. Piscataway， NJ， USA： IEEE，1995： 163-164.

[10] SAHOO A， MANIMEGALAI P， THANUSHKODI K. Wavelet Based Pulse Rate and Blood Pressure Estimation System from ECG and PPG Signals[C]//Proceedings of the 2011 International Conference on Computer， Communication and Electrical Technology （ICCCET’11） ， Mar 18-19，2011， Tirunelveli， India. Piscataway， NJ， USA：IEEE， 2011：285-289.

[11] KATO T， KAWANAKA H， BHUIYAN M S，et al.Classification of Positive and Negative Emotion Evoked by Traffic Jam Based on Electrocardiogram （ECG） and Pulse Wave[C]//Proceedings of the 14th International IEEE Conference on Intelligent Transportation Systems （ITSC’11），Oct 5-7，2011， Washington， DC，USA. Piscataway， NJ， USA：IEEE，2011：1217-1222.

[12] AHMAD S， CHEN S， SOUEIDAN K， et al. Electrocardiogram-Assisted Blood Pressure Estimation[J]. IEEE Transactions on Biomedical Engineering，2012，59（3）：608-618.

[13] CAGGIANO D， REISMAN S. Respiration Derived from the Electrocardiogram： A Quantitative Comparison of Three Different Methods[C]// Proceedings of the IEEE 22nd Annual Northeast Bioengineering Conference， Mar 14-15，1996， New Brunswick，NJ，USA. Piscataway， NJ， USA：IEEE，1996：103-104.

[14] VARANINI M， MORTARA A， RACITI M， et al. Detection of Apneas during 24-Hour Ambulatory Monitoring of ECG and Respiration in Chronic Heart Failure Patients with Cheyne-Stokes Breathing[C]//Proceedings of the 1999 Computers in Cardiology Conference （CCC’99）， Sep 26-29， 1999. Piscataway， NJ， USA：IEEE，1999：459-462.

[15] VARANINI M， MORTARA A， RACITI M， et al. Apnea Detection from 24-Hour Recordings of Respiration in Chronic Heart Failure Patients[C]//Proceedings of the 2000 Computers in Cardiology Conference（CCC’00），Sep 24-27， 2000 . Piscataway， NJ， USA：IEEE， 2000： 489-492.

[16] ALI S Q， JEOTI V. ECG and Blood Oxygen Level Based Sleep Apnea Study and Detection[C]//Proceedings of the 2010 IEEE EMBS Conference on Biomedical Engineering and Sciences （IECBES’10）， Nov 30-Dec 2，2010， Kuala Lumpur， Malaysia. Piscataway， NJ， USA：IEEE， 2010：285-290.

[17] MADHAV K V，RAM M R， KRISHNA E H， et al. Estimation of Respiration Rate from ECG， BP and PPG Signals Using Empirical Mode Decomposition[C]//Proceedings of the Instrumentation and Measurement Technology Conference （I2MTC’11）， May 10-12，2011， Hangzhou， China. Piscataway， NJ， USA：IEEE， 2011：4p.

[18] PANTELOPOULOS A， BOURBAKIS N. Efficient Single-Lead ECG Beat Classification using Matching Pursuit Based Features and an Artificial Neural Network[C]//Proceedings of the 10th IEEE International Conference on Information Technology and Applications in Biomedicine （ITAB’10）， Nov 3-5，2010， Corfu， Greece. Piscataway， NJ， USA：IEEE， 2010：4p.

[19] TASHIRO F，AOYAMA T，SHIMUTA T， et al. Individual Identification with High Frequency ECG ： Preprocessing and Classification by Neural Network[C]//Proceedings of the 2011 Annual International Conference in Medicine and Biology Society（EMBC’11）， Aug 30-Sep 3， 2011， Boston， MA， USA. Piscataway， NJ， USA：IEEE， 2011：2749-2751.

[20] SIVATHASAN S， CECELJA F，BALACHANDRAN W. ECG Diagnosis using Neural Network and Fuzzy Expert System[C]//Proceedings of the 17th IEEE Instrumentation and Measurement Technology Conference（IMTC’00）：Vol 2， May 1-4， 2000， Baltimore， MD， USA. Piscataway， NJ， USA：IEEE， 2000：988-992.

[21] TONEKABONIPOUR H， EMAM A， TESHNELAB M， et al. Comparison of Neuro-Fuzzy Approaches with Artificial Neural Networks for the Detection of Ischemia in ECG signals[C]//Proceedings of the IEEE International Conference on Systems Man and Cybernetics （SMC’10）， Oct 10-13，2010， Istanbul， Turkey. Piscataway， NJ， USA：IEEE，2010：4045-4048.

[22] KHANDOKER A H， PALANISWAMI M， KARMAKAR C K. Support Vector Machines for Automated Recognition of Obstructive Sleep Apnea Syndrome from ECG Recordings[J]. IEEE Transactions on Information Technology in Biomedicine，2009， 13（1）：37-48.

[23] KAMPOURAKI A， MANIS G， NIKOU C. Heartbeat Time Series Classification with Support Vector Machines[J]. IEEE Transactions on Information Technology in Biomedicine， 2009，13（4）： 512-518.

[24] NAIK G R， KUMAR D K. Jayadeva. Twin SVM for Gesture Classification using the Surface Electromyogram[J]. IEEE Transactions on Information Technology in Biomedicine，2010， 14（2）：301-308.

[25] PASOLLI E， MELGANI F. Active learning Methods for Electrocardiographic Signal Classification [J]. IEEE Transactions on Information Technology in Biomedicine， 2010，14（6）： 1405-1416.

[26] LAI D T H， LEVINGER P， BEGG R K， et al. Automatic Recognition of Gait Patterns Exhibiting Patellofemoral Pain Syndrome using a Support Vector Machine Approach[J]. IEEE Transactions on Information Technology in Biomedicine， 2009，13（5）：810-817.

[27] 蒲秀娟.胎兒心電信號提取研究[D].重慶大學，2009.

[28] OSOWSKI S，HOAI L T， MARKIEWICZ T. Support Vector Machine-Based Expert System for Reliable Heartbeat Recognition[J]. IEEE Transactions on Biomedical Engineering，2004，51（4）： 582-589.

[29] SAHAK R， MANSOR W， LEE Y K， et al. Orthogonal Least Square Based Support Vector Machine for the Classification of Infant Cry with Asphyxia[C]//Proceedings of the 3rd International Conference on Biomedical Engineering and Informatics （BMEI’10）： Vol 3， Oct 16-18，2010， Yantai， China. Piscataway， NJ， USA：IEEE，2010：986-990.

[30] SAHAK R， LEE Y K， MANSOR W， et al. Optimized Support Vector Machine for Classifying Infant Cries with Asphyxia using Orthogonal Least Square[C]//Proceedings of the 2010 International Conference on Computer Applications and Industrial Electronics （ICCAIE’10），Dec 5-8， 2010， Kuala Lumpur， Malaysia. Piscataway， NJ， USA：IEEE，2010：692-696.

[31] KASIRI K， KAZEMI K， DEHGHANI M J， et al. Hierarchical Method for Brain MRI Segmentation Based on using Atlas Information and Least Square Support Vector Machine[C]// Proceedings of the 19th Iranian Conference on Electrical Engineering （ICEE’11）， May 17-19，2011， Hong Kong， China. Piscataway， NJ， USA：IEEE， 2011：1p.

[32] DE BRABANTER K， DE BRABANTER J， SUYKENS J A K， et al. Approximate Confidence and Prediction Intervals for Least Squares Support Vector Regression[J]. IEEE Transactions on Neural Networks， 2011，22（1）：110-120.

收稿日期：2012-12-03

作者簡介

婁夢茜，南京郵電大學物聯(lián)網(wǎng)學院信息網(wǎng)絡專業(yè)在讀碩士研究生；研究方向為軟件技術(shù)在通信網(wǎng)絡中的應用，主要從事物聯(lián)網(wǎng)與數(shù)據(jù)融合、機器學習等方面的研究；已發(fā)表論文1篇。

鄧碩，西南科技大學畢業(yè)；現(xiàn)任中興通訊業(yè)務研究院技術(shù)預研工程師；先后從事USSD、短信和M2M平臺等開發(fā)，研究方向為物聯(lián)網(wǎng)、數(shù)據(jù)融合和視頻分析等。

孫知信，南京郵電大學教授、博士生導師；研究方向為計算機網(wǎng)絡與安全，目前主要從事物聯(lián)網(wǎng)尋址、多媒體通信、網(wǎng)絡安全方面的研究；已發(fā)表論文50篇。