基于模式識別的胸阻抗信號自動檢測算法

李勇明，陳勃翰，王 品

·生物電子學·

基于模式識別的胸阻抗信號自動檢測算法

李勇明1,2，陳勃翰1，王 品1

(1. 重慶大學通信工程學院 重慶 沙坪壩區(qū) 400044; 2. 第三軍醫(yī)大學生物醫(yī)學工程與醫(yī)學影像學院 重慶 沙坪壩區(qū) 400038)

為了自動識別胸阻抗(TTI)信號中的按壓和通氣波形，完成相關重要參數的計算，并結合先驗知識和機器智能從而完成對心肺復蘇質量的監(jiān)測評估，提出了一種基于模式識別的胸阻抗信號自動檢測算法?；趯嶒灢杉呢i的電誘導心臟驟停模型TTI信號，設計結合小波和形態(tài)學的除噪算法對信號進行預處理，再由多分辨率窗口搜索法完成潛在按壓和通氣波形的定位，最后采用線性判別分析法對定位的按壓和通氣波形進行分類識別。實驗結果表明，該算法對TTI信號中按壓波形和波形分析識別的正確率和敏感度可達到98.237%、94.947%和99.651%、97.282%，穩(wěn)定性好，且運行時間(0.485±0.07 s)滿足實時性要求。

自動檢測; 心肺復蘇; 胸外按壓; 線性判別分析; 胸阻抗

胸外按壓(CC)是心肺復蘇(CPR)中試圖恢復人體自主循環(huán)的重要技術，其在基礎生命支持的地位越來越受到重視[1-2]。胸外按壓頻率、按壓通氣循環(huán)周期、按壓通氣參數等CPR核心技術是保證CPR質量的關鍵問題[3-4]。通過對胸外按壓的檢測分析，實時反饋給救援者為心肺復蘇過程提供參考，以此避免不必要的按壓中斷，并讓CPR過程中的ECG檢測無瑕疵間隔(如進行通氣)，以正確的評估按壓節(jié)奏，使救援操作更為標準[5]。

胸阻抗(TTI)信號值主要是指在心肺復蘇過程中人體阻抗的變化，其主要包含了操作者實施胸外按壓造成人體胸腔形變而產生的阻抗信號，以及由心臟和血管內血流等變化引起的阻抗信號變化兩方面信息[6]。

現有研究表明，在心肺復蘇過程中，胸外按壓的快慢、深度均能反映在TTI信號波形中，并且可準確地估算出瞬時的按壓頻率[7-8]。通過對TTI信號的檢測分析，指導胸外按壓具有可實施性和積極的參考意義，可增加心肺復蘇操作的成功率[9]。目前關于波形分析的研究較少。文獻[10]采用自適應閾值法進行按壓波形分析，但未包含通氣波形的識別和處理，普適性較差，難以適用于復雜的波形。文獻[11]采用神經網絡進行按壓和通氣波形的模式識別，時間代價較大，而且由于每個信號檢測時均需進行學習過程，無法達到實時要求。因此，本文提出了一種基于模式識別的胸阻抗信號自動檢測算法，對完成波形定位的去噪后信號進行分類識別；并根據分類識別結果計算信號所反映的按壓頻率、按壓通氣比和按壓時間比等參數，并依此結合2010年心肺復蘇指南中的指標智能評估該次心肺復蘇的質量。

1 實驗數據

1.1 數據的采集

本文的實驗使用的是一個基于家豬的電誘導心臟驟停模型的子數據庫，涉及16頭公豬。實驗所選用的家豬體重均在18～22 kg，并在各項生理參數均趨于穩(wěn)定時展開實驗。實驗通過Windaq數據采集系統(tǒng)(DATAQ InstrumentsInc， Akron， OH， USA)對TTI信號進行連續(xù)的測量，采樣頻率為300 Hz。實驗采集每次CPR過程前2 min的數據，使每組TTI信號均包括一個120 s的連續(xù)信號波形。

1.2 信號數據

TTI信號中連續(xù)的波峰—波谷波形即為一次胸外按壓[12]。在每次按壓過程中，TTI信號的振幅變化為通過數據采集系統(tǒng)測量的阻抗波形其波峰和波谷之間的差異。

如圖1所示，為本次實驗所采集到的部分TTI信號。圖1a為較標準信號波形，信號波形的按壓部分和通氣部分對比分明，容易識別。圖1中后3段信號為受噪聲干擾以及其他原因造成的復雜信號波形。如圖1b中，由于按壓不規(guī)范，信號中出現了與通氣相近的波形；圖1c中，由于高頻噪聲和基線漂移的干擾，導致圖形部分區(qū)域不清晰(如細節(jié)處)，難以識別。

圖1 原始信號

2 胸阻抗信號自動檢測算法

胸阻抗信號自動檢測算法的主要流程如圖2所示。

圖2 算法流程圖

2.1 基于小波和形態(tài)學相結合的TTI信號去噪算法

2.1.1 基于小波閾值的TTI去噪

信號中的噪聲主要有高頻噪聲和基線漂移組成。其信號中的高頻噪聲都是尖銳鋒形，且幅值較小。小波變換是一種信號的時間—尺度分析方法，具有時頻局域化分析能力和多分辨率分析的特點。其優(yōu)點在于對于非平穩(wěn)信號，能根據噪聲與信號的不同特性，在小波域中實現信噪分離，從而濾除噪聲[13]?；谛〔ㄩ撝档娜ピ敕椒煞譃橛查撝岛蛙涢撝祪煞N方法，其中閾值λ的大小與閾值均方差σ有關。通用的閾值選取方法為λ=σ2ln N，其中N為噪聲的長度[14]。噪聲均方差σ可以通過小波變換的高頻細節(jié)信號dj來估計，即σ=median(dj)/ 0.674 5。其中軟閾值估計為：

設含噪TTI信號為f(n)，基于小波閾值的TTI去噪具體過程如下：

1) 對信號f(n)使用bd1小波進行7個尺度的小波分解，得到相應的小波系數jw；

2) 選用軟閾值，對小波分解后的系數jw進行閾值處理，得到小波系數估計值?jw；

3) 利用經過閾值處理的小波系數?jw進行信號重構，并通過小波逆變換得到去噪后的TTI信號F(n)。

2.1.2 基于形態(tài)學運算的TTI信號濾波

在進行小波去噪后，高頻噪聲雖然基本得到了消除，但是所得信號并不平滑且還存在基線漂移。數學形態(tài)學中的開運算和閉運算所處理的信息分別與信號的凸、凹有關，因此可用它們去除噪聲、恢復信號，且其計算簡單、速度快，滿足實時性的要求[15]。開運算通過削去波峰從下面平滑了序列，抑制了信號中的峰值噪聲；相反，閉運算通過填充波谷而從上部平滑了序列，抑制了信號中的谷值噪聲[16]。通過開、閉運算相結合的方式可濾除特定波形，得到基線漂移信號，最終達到濾波的作用。

膨脹運算(Dilation，⊕)和腐蝕運算(Erosion，Θ)是數學形態(tài)學中的基本運算，定義為：小波去噪后的TTI信號序列為F(n)，其定義域為n={0, 1, …, N?1}；結構元素S(m)，其定義域m={0, 1, …, M?1}，且N ＞＞M。則F(n)關于S(m)的膨脹運算和腐蝕運算為：

膨脹運算為：

腐蝕運算為：

膨脹運算增大了谷值并增大序列的最大值，具有填滿谷值的效果。相反，腐蝕運算減小了峰值并增大了序列的最小值，具有平滑峰值的效果。開運算(opening，?)是先進行一次腐蝕運算，再進行一次膨脹運算。閉運算(closing，?)則是先進行一次膨脹運算，再進行一次腐蝕運算。

開運算為：

閉運算為：

本文采用的形態(tài)學濾波器模塊如圖3所示，采用寬度大于TTI特征波形寬度的結構元素，分別進行開-閉和閉-開組合運算，并對運算結果取中值，使TTI特征波形都被濾除，只剩下基線漂移信號，再從原信號中減去獲得的基線漂移信號，即可獲得濾除了基線漂移后的TTI信號。

圖3 形態(tài)學濾波器模塊

最優(yōu)結構元素的確定，包含其幾何形狀、幅度以及寬度的選取，不僅與干擾的頻率和類型有關，還與待處理信號的采樣率相關[17]。設結構元素寬度為M，信號中按壓波形的寬度為N，當N＜M時按壓波形被濾除，當 N＞M時按壓波形被保留。

本文選擇直線型的結構元素。由于采樣頻率為300 Hz，TTI信號中特征波形以按壓波形最多，其典型寬度為150～200個采樣點。因此選擇濾除基線漂移時的結構元素寬度為200(數值單位為采樣點數)。

圖4 原始信號(圖1c)去噪后波形

通過小波和形態(tài)學相結合的算法處理后，信號中的噪聲和干擾被消除，并平滑了信號波形。如圖4所示為實驗數據中含有基線漂移和高頻噪聲干擾的原始TTI信號(圖1c)及其濾波結果。

2.2 基于多分辨率窗口搜索法的波形定位

TTI波形可看作是采樣點的函數。TTI波形的波峰、波谷搜索可以看作為極值搜索。然而，實際上波形受到了多重干擾導致了偽波和復合波形的生成，所以經典的尋優(yōu)方法(如局部優(yōu)化法)是無效的。如圖5所示為原始波形(圖1c)的傳統(tǒng)局部尋優(yōu)結果，其結果未能排除等高極值點以及微小變化部分的干擾。

圖5 原始波形(圖1c)的傳統(tǒng)局部尋優(yōu)結果

多分辨率分析是一種有效的信號處理方法，可采用不同的分辨率處理同一信號。通過引用這種方法，可以尋找到不同分辨率下的局部最優(yōu)值，然后通過梳理它們得到更精確的最優(yōu)值。

設有n個分辨率，在不同分辨率下，搜索窗口的寬度均不同。本文取n=3，即有3個分辨率，搜索窗口寬度分別設為20、40、60。如果判定ip是否為極值點，那么首先在第一個分辨率下進行搜索。通過以下公式有：

若式(6)或式(7)成立，則判定權值1kk=+(每次搜索k的初始值均為0)。然后依次在其他分辨率下進行搜索。如果0.5kn＞，那么點ip即可被判定為波峰或波谷點，并分別存儲在相應存儲數組中。

多分辨率窗口搜索法的定位結果如圖6所示。從圖中可以看到，多分辨率窗口搜索法能夠正確識別所有的波峰和波谷，盡管可能存在少量偽局部極值點。而這些偽局部極值點實際為偽波和復合波形所造成的。因此，需要將其消除。

圖6 原始信號波形定位結果

通過觀察以及先驗知識，算法提取信號波形振幅(波峰與緊跟波谷之差)和時間跨度(波峰前后相鄰波谷距離)為特征。在(每一次)識別潛在波峰或者波谷后，相鄰波峰或波峰之間的幅度距離和時間距離的均值都會被計算一次。設每次計算的均值分別為Mad和Mtd，每一相鄰波峰或波谷之間的幅度距離(Da)和時間距離(Dt)都會將與均值Mad和Mtd比較。假設第i個相鄰波峰或波谷的幅度距離和時間距離分別為Dai和Dti。如果Dai＜mMad或Dti＜mMtd(其中m為閾值系數，本文取m=0.3)，那么該波峰或波谷則判定為錯誤波峰和波谷。

2.3 基于線性判定分析法的分類識別

在TTI信號波形的波峰和波谷被正確定位之后，按壓波形和通氣波形仍未能被分類。按壓波形和通氣波形的分類可以被看作為模式識別問題。

由前面可知，算法提取信號波形振幅緊跟波谷和時間跨度為特征，則分別取其與平均值之比為特征系數，然后采用線性判別分析方法進行模式分類。通過提取每個波形的特征系數，可得到2N×的樣本空間(其中N為樣本個數，系數個數為2)。本文定義為：

式中，x為增廣特征向量；x1和x2為樣本的特征系數，即相鄰波峰波谷間幅度差和時間差與其平均值的比值；x1為波形振幅特征系數，x1=Dai/M?ad；x2為時間跨度特征系數，x2=Dti/M?td(M?ad、M?td為去偽波后的均值)；ω1、ω2和ω3為權重系數，且滿足ω1+ω2+ω3=0。通過輸入訓練樣本，可以令d( x)=0來修正權系數ωi，并最終得到所有的ωi。本文中，ω1=?0.5，ω2=0.1，ω3=0.4。按壓和通氣波形的分類識別可通過下面的判別規(guī)則進行：

式中，()0d x=為判別邊界。

如圖7所示，圖1中原始TTI信號波形在去噪除偽后，經過模式分類的識別結果。由圖可以看出，本文的方法對含有基線漂移和高頻干擾、且?guī)в胁糠只尾ㄐ蔚男盘栆材芰己玫刈R別。

圖7 原始信號分類識別結果

2.4 質量評估

在完成按壓和通氣波形的分類識別后，可計算出按壓次數為C，通氣次數為V。每個被正確分類識別的按壓和通氣波形的波峰序列號(采樣點)分別為CIm和VIn，m、n分別為按壓和通氣序號。 那么可以得到實時按壓頻率：

按壓通氣比P=m/ n。按壓時間比(按壓時間在整個CPR過程時間中的比例)Pc=[(CIm?CI1)?(VIn?VI1)]/I，I為信號當前采樣點序號。

3 實驗結果與分析

線性判別分析法、K均值聚類分析法和BP神經網絡3種模式識別方法對已去噪除偽的TTI信號進行處理的結果對比，如表1所示。主要從正確率、敏感度以及運行時間3個指標來表示。

由表中數據可知，K均值聚類分析法的運行時間為0.434±0.09 s，雖然在時間上可滿足實時要求，但按壓波形的識別正確率為90.603%，識別通氣波形的正確率僅為81.927%，不能達到實際應用的標準；BP神經網絡算法識別按壓波形的正確率為98.531%，識別通氣波形的正確率為85.677%，雖然基本達到標準，但是由于BP神經網絡對每個信號進行檢測時均需進行學習，平均運行時間為50.952± 2.31 s，并且識別結果受訓練樣本的限制，對畸變波形識別的正確率不高，如圖1b中的原始信號所示。

表1 3種模式分類方法性能對比

線性判別分析法識別按壓波形和通氣波形的正確率為98.237%和94.947%，敏感度也可分別達到99.651%和97.282%，并且每組數據(共36 000個采樣點)均可在0.485±0.07 s之內完成處理，因此可以達到對TTI信號進行實時監(jiān)測。由此說明采用本文算法，能有效地排除大部分畸變和噪聲的干擾，正確地識別按壓和通氣波形，并達到實時處理的要求，從而正確地計算出分析TTI信號所需的各項參數。

4 結 論

本文提出了一個通過TTI信號識別分類按壓和通氣波形的算法，首先通過小波與形態(tài)學相結合的方式去噪，并通過多分辨率窗口搜索法行波峰波谷判定，最后結合模式識別直接對已完成波形定位的TTI信號進行分類識別。

實驗結果表明，該算法可以識別絕大部分TTI信號的按壓和通氣波形，并依此記錄CPR過程中實時的按壓次數、通氣次數和時間，計算出按壓頻率、按壓通氣比和按壓時間比等參數。并通過向心肺復蘇操作人員實時地反饋計算參數，調整其心肺復蘇操作，達到為CPR過程提供指導的目的。

[1] ABELLA B S, ALVARADO J P , MYKLEBUST H, et al. Quality of cardiopulmonary resuscitation during in-hospital cardiac arrest[J]. Amer Med Assoc, 2005, 293(3): 305-310.

[2] AL-ALWAN A, EHLENBACH W J , MENON P R, et al. Cardiopulmonary resuscitation among mechanically ventilated patients[J]. Intensive Care Medicine, 2014, 40(4): 556-563.

[3] STIELL I G, BROWN S P, CHRISTENSON J, et al. What is the role of chest compression depth during out-of-hospital cardiac arrest resuscitation?[J]. Critical Care Medicine, 2012, 40(4): 1-7.

[4] BOBROW B J, SPAITE D W, BERG R A, et al. Chest compression-only CPR by lay rescuers and survival from out-of-hospital cardiac arrest[J]. JAMA, 2010, 304(13): 1447-1454.

[5] DE GAUNA S R, GONZALEZ-OTERO D, RUIZ J M, et al. Is rhythm analysis during chest compression pauses for ventilation feasible?[J]. Resuscitation, 2012, 83(S1): e8.

[6] ARAMENDI E, AYALA U, IRUSTA U, et al. Suppression of the cardiopulmonary resuscitation artefacts using the instantaneous chest compression rate extracted from the thoracic impedance[J]. Resuscitation, 2012, 83(6): 692-698.

[7] ZHANG He-hua, YANG Zheng-fei, HUANG Zi-tong, et al. Transthoracic impedance for the monitoring of quality of manual chest compression during cardiopulmonary resuscitation[J]. Resuscitation, 2012, 83(10): 1281-1286.

[8] RISTAGNO G. Transthoracic impedance waveform during cardiopulmonary resuscitation: One size does not fit all![J]. Resuscitation, 2014, 85(5): 579-580.

[9] HEIDRUN L, MARTIN R, FRITZ S, et al. Thoracic impedance changes measured via defibrillator pads can monitor ventilation in critically ill patients and during cardiopulmonary resuscitation[J]. Critical Care Medicine , 2006, 34(9): 2399-2405.

[10] GONZález-OTERO D, DE GAUNA S R, RUIZ J, et al. Automatic detection of chest compression pauses using the transthoracic impedance signal[C]//39th Conference on Computing in Cardiology. Krakow, Poland: AGH University Science & Technology, 2012.

[11] MARTIN R, SVEN O A, METTE S, et al. Impedancebased ventilation detection during cardiopulmonary resuscitation[J]. IEEE Transactions on Biomedical Engineering, 2007, 54(12): 2237-2245.

[12] RUIZ J, UNAI A, DE GAUNA S R, et al. Feasibility of automated rhythm assessment in chest compression pauses during cardiopulmonary resuscitation[J]. Resuscitation, 2013, 84(9): 1223-1228.

[13] 萬相奎, 許杜, 張軍. 心電信號小波消噪方法的研究[J].中國生物醫(yī)學工程學報, 2008, 27(4): 630-640. WAN Xiang-kui, XU Du, ZHANG Jun. Research on ECG de-noising method based on wavelet transform[J]. Chinese Journal of Biomedical Engineering, 2008, 27(4): 630-640.

[14] DOHOSO D L, JOHNSTONE I M. Ideal spatial adaptation by wavelet shrinkage[J]. Biometrika, 1994 ,81(3): 425-455.

[15] SUN Y, CHAN K L, KRISHANAN S M. ECG signal conditioning by morphological filtering[J]. Computer in Biology and Medicine, 2002, 32(6): 465-479.

[16] 毛玲, 孫即祥, 張國敏. 基于形態(tài)學運算和自適應閾值的心電信號消噪[J]. 信號處理, 2009, 25(1): 6-10. MAO Lin, SUN Ji-xiang, ZHANG Guo-min. ECG signal de-noising based on morphological operations and adaptive threshold[J]. Signal Processing, 2009, 25(1): 6-10.

[17] 肖啟芝, 徐凱, 關澤群, 等. 一種形態(tài)學濾波結構元的選擇方法[J]. 計算機工程與應用, 2007, 43(21): 49-51. XIAO Qi-zhi, XU Kai, GUAN Ze-qun, et a1. Structuring elements selection in morphology filter[J]. Computer Engineering and Applications, 2007, 43(21): 49-51.

編 輯 黃 莘

Automatic Detection Algorithm for Transthoracic Impedance Signal Based on Pattern Recognition

LI Yong-ming1,2, CHEN Bo-han1, and WANG Pin1

(1. College of Communication Engineering, Chongqing University Shapingba Chongqing 400044; 2. College of Biomedical Engineering and Medical Imaging, The Third Military Medical University Shapingba Chongqing 400038)

In order to recognize the compression and ventilation waveforms, obtain the important parameters, and evaluate the CPR quality by combining with prior knowledge, this paper proposes an automatic detection algorithm for transthoracic impedance (TTI) signal based on pattern recognition. The TTI signals that come from pig model based on electrically induced cardiac arrest are reprocessed by denoising algorithm based on wavelet and morphology firstly. Then the potential compression and ventilation waveforms are located by using the searching algorithm of multiresolution window. Finally, the linear discriminant analysis algorithm is used to classify and recognize the located compression and ventilation waveforms. The results show that both the recognition accuracy and sensitivity of the compression and ventilation waveforms are 98.237%, 94.947% and 99.651%, 97.282%, and the running time (0.485±0.07s) satisfies the requirement of clinical applications.

automatic detection; cardiopulmonary resuscitation (CPR); chest compression (CC); linear discriminant analysis (LDA); transthoracic impedance (TTI)

R318.04

A

10.3969/j.issn.1001-0548.2015.06.027

2014 ? 04 ? 11；

2015 ? 09 ? 16

國家自然科學基金(61108086)；中央高?；?CDJZR10160003，CDJZR13160008)；國家博士后基金(2013M532153)；重慶市自然科學基金(CSTC2011BB5066，CSTC2012jjA0612)；重慶市科技攻關計劃(CSTC 2012gg-yyjs0572)；重慶市博士后特別資助

李勇明(1976 ? )，男，博士，副教授，主要從事模式識別、信號處理、圖像處理等方面的研究.