采用基于密度加權(quán)和偏好信息的K均值聚類(lèi)的胸阻抗信號(hào)自動(dòng)檢測(cè)算法

李勇明陳勃翰王 品

①(重慶大學(xué)通信工程學(xué)院 重慶 400044)

②(第三軍醫(yī)大學(xué)生物醫(yī)學(xué)工程與醫(yī)學(xué)影像學(xué)院 重慶 400038)

采用基于密度加權(quán)和偏好信息的K均值聚類(lèi)的胸阻抗信號(hào)自動(dòng)檢測(cè)算法

李勇明*①②陳勃翰①王 品①

①(重慶大學(xué)通信工程學(xué)院 重慶 400044)

②(第三軍醫(yī)大學(xué)生物醫(yī)學(xué)工程與醫(yī)學(xué)影像學(xué)院 重慶 400038)

為了自動(dòng)識(shí)別胸阻抗(TransThoracic Impedance, TTI)信號(hào)中的按壓和通氣波形，完成相關(guān)重要參數(shù)的計(jì)算，從而實(shí)現(xiàn)對(duì)心肺復(fù)蘇質(zhì)量的監(jiān)測(cè)評(píng)估，該文提出一種基于密度加權(quán)與偏好信息的胸阻抗信號(hào)自動(dòng)檢測(cè)算法。該方法針對(duì)實(shí)驗(yàn)采集的豬的電誘導(dǎo)心臟驟停模型TTI信號(hào)，通過(guò)預(yù)處理和多分辨率窗口搜索法完成潛在按壓和通氣波形的標(biāo)記；接著，提取每個(gè)標(biāo)記波形的寬度、幅值以及相鄰波形特征差作為特征，并按標(biāo)記波形寬度對(duì)信號(hào)進(jìn)行分段；之后，再對(duì)信號(hào)進(jìn)行小波分解，提取其小波系數(shù)每段的能量與原始波形幅值之比作為特征；最后采用基于密度加權(quán)與偏好信息的K均值聚類(lèi)分析法對(duì)標(biāo)記的波形進(jìn)行分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明，該算法對(duì)TTI信號(hào)中按壓波形和波形分析識(shí)別的正確率和敏感度均較高，魯棒性好，且運(yùn)行時(shí)間(0.43 s±0.07 s)滿足實(shí)時(shí)性要求。

自動(dòng)識(shí)別；胸阻抗；K均值；密度加權(quán)；偏好信息

1 引言

胸外按壓(Chest Compression, CC)是心肺復(fù)蘇(CardioPulmonary Resuscitation, CPR)中試圖恢復(fù)人體自主循環(huán)的重要技術(shù)，其在基礎(chǔ)生命支持的地位越來(lái)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(shù)等CPR核心技術(shù)是保證CPR質(zhì)量的關(guān)鍵問(wèn)題[3,4]。通過(guò)對(duì)胸外按壓的檢測(cè)分析，實(shí)時(shí)反饋給救援者為心肺復(fù)蘇過(guò)程提供參考，以此避免不必要的按壓中斷，并讓CPR過(guò)程中的ECG檢測(cè)無(wú)瑕疵間隔(例如進(jìn)行通氣的時(shí)候)以正確的評(píng)估按壓節(jié)奏，使救援操作更為標(biāo)準(zhǔn)[5,6]。

胸阻抗(TransThoracic Impendance, TTI)信號(hào)值主要是指在心肺復(fù)蘇過(guò)程中人體阻抗的變化，其主要包含了操作者實(shí)施胸外按壓造成人體胸腔形變而產(chǎn)生的阻抗信號(hào)以及由心臟和血管內(nèi)血流等變化引起的阻抗信號(hào)變化兩方面信息[7]?，F(xiàn)已有研究表明，在心肺復(fù)蘇過(guò)程中，胸外按壓的快慢、深度均能反映在TTI信號(hào)波形中，并且可準(zhǔn)確地估算出瞬時(shí)的按壓頻率[8?10]。通過(guò)對(duì)TTI信號(hào)的檢測(cè)分析，指導(dǎo)胸外按壓具有可實(shí)施性和積極的參考意義，可增加心肺復(fù)蘇操作的成功率[11?13]。目前關(guān)于波形分析的公開(kāi)研究較少，其中，文獻(xiàn)[14]用自適應(yīng)閾值法進(jìn)行按壓波形分析，普適性較差，難以適用于復(fù)雜的波形；文獻(xiàn)[15]采用神經(jīng)網(wǎng)絡(luò)進(jìn)行按壓和通氣波形的模式識(shí)別，時(shí)間代價(jià)較大，無(wú)法達(dá)到實(shí)時(shí)要求，且對(duì)特異信號(hào)的識(shí)別能力較差。目前，通過(guò)對(duì)TTI信號(hào)進(jìn)行實(shí)時(shí)檢測(cè)反應(yīng)心肺復(fù)蘇質(zhì)量的多個(gè)參數(shù)的研究尚未見(jiàn)公開(kāi)報(bào)道。

因此，本文提出了一種采用基于密度加權(quán)和偏好信息的K均值聚類(lèi)的胸阻抗信號(hào)自動(dòng)檢測(cè)算法，該算法在對(duì)TTI信號(hào)進(jìn)行預(yù)處理去噪、多分辨率窗口搜索并完成潛在按壓和通氣波形的標(biāo)記后；提取每個(gè)標(biāo)記波形的寬度、幅值以及相鄰波形特征差作為特征，并按標(biāo)記波形寬度對(duì)信號(hào)進(jìn)行分段；再對(duì)TTI信號(hào)進(jìn)行小波分解，提取其每段小波系數(shù)的能量，并將其與TTI信號(hào)幅值的比值也作為特征，最后得到代表信號(hào)波形特征的4維特征向量；采用基于密度加權(quán)與偏好信息的K均值聚類(lèi)分析法對(duì)標(biāo)記的波形進(jìn)行分類(lèi)識(shí)別，并根據(jù)分類(lèi)識(shí)別結(jié)果計(jì)算信號(hào)所反映的按壓頻率、按壓通氣比和按壓時(shí)間比等參數(shù)，最后依此結(jié)合2010年心肺復(fù)蘇指南中的指標(biāo)智能地評(píng)估該次心肺復(fù)蘇的質(zhì)量。

2 實(shí)驗(yàn)數(shù)據(jù)

2.1 數(shù)據(jù)的采集

本實(shí)驗(yàn)所使用的是一個(gè)基于家豬的電誘導(dǎo)心臟驟停模型的子數(shù)據(jù)庫(kù)，涉及16頭公豬。實(shí)驗(yàn)數(shù)據(jù)由重慶市第三軍醫(yī)大學(xué)大坪醫(yī)院外科研究所提供。實(shí)驗(yàn)所選用的家豬體重均在18～22 kg，并在各項(xiàng)生理參數(shù)均趨于穩(wěn)定時(shí)展開(kāi)實(shí)驗(yàn)。實(shí)驗(yàn)通過(guò)Windaq數(shù)據(jù)采集系統(tǒng)(DATAQ InstrumentsInc, Akron, OH, USA)對(duì)TTI信號(hào)進(jìn)行連續(xù)的測(cè)量，采樣頻率為300 Hz。實(shí)驗(yàn)采集每次CPR過(guò)程前2 min的數(shù)據(jù)，使每組TTI信號(hào)均包括一個(gè)120 s的連續(xù)信號(hào)波形。

2.2 信號(hào)數(shù)據(jù)

TTI信號(hào)中連續(xù)的波峰-波谷波形即為一次胸外按壓[16]。在每次按壓過(guò)程中，TTI信號(hào)的振幅變化為通過(guò)數(shù)據(jù)采集系統(tǒng)測(cè)量的阻抗波形其波峰和波谷之間的差異。圖1所示為本次實(shí)驗(yàn)所采集到的部分TTI信號(hào)：圖1(a)信號(hào)為較標(biāo)準(zhǔn)信號(hào)波形，可以看出信號(hào)波形的按壓部分和通氣部分對(duì)比分明，容易識(shí)別；圖1(b)信號(hào)中，由于按壓不規(guī)范，信號(hào)中出現(xiàn)了與通氣相近的波形；圖1(c)信號(hào)中，由于高頻噪聲和基線漂移的干擾，導(dǎo)致信號(hào)部分區(qū)域難以識(shí)別。

3 胸阻抗信號(hào)自動(dòng)檢測(cè)算法

3.1 基于多分辨率窗口搜索法的波形標(biāo)記

TTI信號(hào)中的噪聲主要由高頻噪聲和基線漂移組成。其信號(hào)中的高頻噪聲都是尖銳鋒形，且幅值較小。通過(guò)小波去噪處理后，再通過(guò)移動(dòng)平滑處理器，信號(hào)中的噪聲和干擾被消除，并平滑了信號(hào)波形。TTI波形可看作是采樣點(diǎn)的函數(shù)，我們把這個(gè)函數(shù)看作f(·)。TTI波形的波峰、波谷搜索可以看作為極值搜索。然而，實(shí)際上波形受到了多重干擾導(dǎo)致了偽波和復(fù)合波形的生成，所以經(jīng)典的尋優(yōu)方法(如局部?jī)?yōu)化法)是無(wú)效的。

多分辨率分析是一種有效的信號(hào)處理方法，可采用不同的分辨率處理同一信號(hào)。通過(guò)采用這種方法，可以尋找到不同分辨率下的局部最優(yōu)值，然后通過(guò)梳理他們得到更加精確的最優(yōu)值。設(shè)有n個(gè)分辨率，在不同分辨率下，搜索窗口的寬度均不同。本文中r=3，即有3個(gè)分辨率，搜索窗口寬度分別設(shè)為20, 40, 60。如果判定pi是否為極值點(diǎn)，那么首先在第1個(gè)分辨率下通過(guò)式(1)和式(2)進(jìn)行搜索。

圖1 原始信號(hào)

若式(1)或式(2)成立，則判定權(quán)值k=k+1(每次搜索k的初始值均為為0)。然后依次在其他分辨率下進(jìn)行搜索。如果k＞0.5r，那么點(diǎn)pi即可被判定為波峰或波谷點(diǎn)。

盡管多分辨率窗口搜索法能夠正確識(shí)別所有的波峰和波谷，但仍可能存在少量偽局部極值點(diǎn)。而這些偽局部極值點(diǎn)實(shí)際為偽波和復(fù)合波形所造成的。因此，需要將其消除。通過(guò)觀察以及先驗(yàn)知識(shí)，算法提取信號(hào)波形振幅(波峰與緊跟波谷之差)和時(shí)間跨度(波峰前后相鄰波谷距離)為特征。在(每一次)識(shí)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(shí)間距離的均值都會(huì)被計(jì)算一次。設(shè)每次計(jì)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(shí)間距離(Dt)都會(huì)將與均值Mad和Mtd比較。假設(shè)第i個(gè)相鄰波峰或波谷的幅度距離和時(shí)間距離分別為Dai和Dti。如果Dai＜mMad或Dti＜mMtd(其中m為閾值系數(shù)，本文中取m=0.1)，那么該波峰或波谷則判定為錯(cuò)誤波峰和波谷。

3.2 特征提取

3.2.1 TTI信號(hào)波形特征的提取 在TTI信號(hào)波形的波峰和波谷被正確標(biāo)記之后，即可得到每個(gè)波形的寬度L和幅值H，并依據(jù)每個(gè)波形的寬度對(duì)信號(hào)進(jìn)行分段。由于胸外按壓的規(guī)律性，即國(guó)際規(guī)定的標(biāo)準(zhǔn)按壓通氣比為30:2。則可斷定大部分的通氣為連續(xù)的兩個(gè)波形，且區(qū)別于按壓波形(由圖1(a)可以看出)。因此，可提取每個(gè)波形與相鄰波形的特征差作為其特征，則第n個(gè)波形的相鄰特征差為

3.2.2 基于小波分解的特征提取 小波分析方法是一種強(qiáng)大的時(shí)-頻域局部化分析方法。通過(guò)對(duì)小波函數(shù)的平移和縮放，可以將信號(hào)表示為若干描述不同子頻帶的時(shí)頻域分量之和，達(dá)到細(xì)微觀察原始信號(hào)特定頻率特性的目的。由圖1中可以看出，按壓波形部分波形與通氣部分波形呈現(xiàn)較明顯差異，其寬度主要在0.5 s左右。因此，在按壓和通氣波形識(shí)別中，可以通過(guò)小波分解突出按壓波形部分特征，并弱化通氣波形特征，而達(dá)到區(qū)分兩種波形的目的，可參見(jiàn)圖2中不同尺度下的分解效果。

從離散小波分解分頻的原理出發(fā)，利用離散小波對(duì)TTI信號(hào)進(jìn)行分解，每一層子頻帶是由高頻向低頻對(duì)信號(hào)頻率空間逐次進(jìn)行二分的結(jié)果。如果原始信號(hào)頻率空間V0=[0,fs],則第1層小波系數(shù)頻率空間W1=[2?1fs,fs]，第2層小波系數(shù)頻率空間W2=[2?2fs,2?1fs]，以此類(lèi)推，第N層小波系數(shù)頻率空間為WN=[2?Nfs,2?N+1fs]逐級(jí)向低頻過(guò)度，其中fs為胸阻抗信號(hào)的采樣頻率。

在按壓和通氣波形中，相較下通氣波形頻率更小，其對(duì)應(yīng)頻率為

圖2 1～9層細(xì)節(jié)小波系數(shù)圖

其中B為通氣波形寬度。因此總是存在層數(shù)i，使得也就是說(shuō)，通氣波形特征可以在第i層小波分解中得到體現(xiàn)。

由實(shí)驗(yàn)數(shù)據(jù)可得，通氣波形的寬度約在[400,600]。因此根據(jù)式(4)可計(jì)算得到通氣波形寬度所對(duì)應(yīng)的頻率為fV=fs/B=300/600=0.5。據(jù)式

其中H(n)為第n個(gè)波形的幅值，p(n)為第n個(gè)波形對(duì)應(yīng)該段小波系數(shù)的能量。圖1(a)標(biāo)準(zhǔn)信號(hào)的Dw特征曲線如圖3所示。(5)計(jì)算可知，此波形特征落在第9層細(xì)節(jié)小波的子頻帶范圍內(nèi)，因此，可以確定最優(yōu)的分解層數(shù)為9層。利用db2小波對(duì)圖1(a)原始信號(hào)進(jìn)行9層小波分解，其分解結(jié)果中1～9層細(xì)節(jié)小波系數(shù)如圖2所示。

分析此結(jié)果可知，對(duì)原始信號(hào)進(jìn)行小波分解后，在第5層細(xì)節(jié)小波函數(shù)可觀測(cè)到按壓波形部分和通氣波形部分對(duì)應(yīng)的小波系數(shù)波形差別十分明顯。同時(shí)，在TTI信號(hào)波形中幅值較小的按壓波形所對(duì)應(yīng)的小波系數(shù)幅值也較小，為排除此種干擾，因此選用原始波形幅值與其所對(duì)應(yīng)段的第5層小波系數(shù)能量之比作為特征

圖3 Dw的特征曲線圖

如3圖所示，通氣波形的Dw特征值遠(yuǎn)大于按壓波形的Dw值，因此其可作為按壓、通氣的分類(lèi)依據(jù)。

3.2.3 歸一化 在分別進(jìn)行上述兩種特征提取算法后，即可得到由TTI原始信號(hào)中按壓、通氣波形的寬度L，幅值H、相鄰波形特征差Dif以及幅值與小波系數(shù)能量之比Dw組成的4維波形特征向量。而每個(gè)特征之間的權(quán)重是相同的，因此采用線性歸一化

其中xnor(n)為歸一化結(jié)果，x(n)為特征。根據(jù)式(7)將特征歸一化至[0,1]區(qū)間。

3.3 基于密度加權(quán)與偏好信息的K均值分類(lèi)識(shí)別

K均值聚類(lèi)算法被廣泛用于模式識(shí)別，其實(shí)現(xiàn)步驟較簡(jiǎn)單，不需長(zhǎng)時(shí)間的訓(xùn)練過(guò)程，非常適用于動(dòng)態(tài)實(shí)時(shí)檢測(cè)。當(dāng)聚類(lèi)是密集的，該算法可通過(guò)調(diào)節(jié)k值取得較好的聚類(lèi)效果，具有較好的靈活性。根據(jù)前面的特征提取數(shù)據(jù)分析可知其聚類(lèi)相對(duì)密集，并且算法對(duì)時(shí)間代價(jià)要求較高，因此選用K均值聚類(lèi)算法進(jìn)行波形的分類(lèi)識(shí)別。

在傳統(tǒng)K均值聚類(lèi)算法中，對(duì)樣本的聚類(lèi)僅僅依據(jù)其與聚類(lèi)中心的距離來(lái)判定。但在實(shí)際中，由于較少通氣波形與按壓波形可能相似，使其偏離通氣波形特征數(shù)據(jù)聚類(lèi)中心而靠近按壓波形特征數(shù)據(jù)聚類(lèi)中心。而按壓波形特征數(shù)據(jù)數(shù)量較多，構(gòu)成了數(shù)據(jù)密集區(qū)域；通氣波形特征數(shù)據(jù)較小，構(gòu)成的區(qū)域非密集。因此，若在對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)的過(guò)程中根據(jù)每個(gè)數(shù)據(jù)所在區(qū)域的密度調(diào)整權(quán)重，使偏離的數(shù)據(jù)點(diǎn)更好地靠近所屬聚類(lèi)中心點(diǎn)，分類(lèi)的準(zhǔn)確性將會(huì)得到改善。

對(duì)于一個(gè)有N個(gè)樣本的數(shù)據(jù)集U={xi,i=1, 2,…, N}，定義點(diǎn)xi處的密度函數(shù)為

其中?表示鄰域的有效半徑，這里我們?nèi)個(gè)樣本的均方根距離，即

由式(8)和式(9)可見(jiàn)，xi周?chē)奂臉颖驹蕉?，xi的密度值dens(xi)越大。如圖4所示為加權(quán)前后的K均值分類(lèi)結(jié)果對(duì)比圖(圖中只顯示了特征向量的Dif, L和Dw3個(gè)特征，其中○表示為通氣波形特征點(diǎn)，*表示為按壓波形特征點(diǎn))。

由于兩類(lèi)數(shù)據(jù)所隸屬的聚類(lèi)中心是不同的，按壓波形特征數(shù)據(jù)值均較小，通氣波形特征數(shù)據(jù)值均較大，所以我們將密度值較小的賦予較大的權(quán)值，密度值較大的賦予較小的權(quán)值。xi的權(quán)重wi定義為

式中dens'(xi)為dens(xi)的歸一化結(jié)果，λ參考?的值(均在[0.05，0.1]范圍內(nèi))取λ=0.1。所以，密度加權(quán)后的特征數(shù)據(jù)為

式中，xij為特征數(shù)據(jù)，x'ij為新的特征數(shù)據(jù)，d為特征向量維數(shù)。

通過(guò)密度加權(quán)可修正偏離通氣波形特征數(shù)據(jù)聚類(lèi)中心而靠近按壓波形特征數(shù)據(jù)聚類(lèi)中心的特征數(shù)據(jù)。而信號(hào)中同樣可能存在與通氣波形相似的按壓波形需要修正。根據(jù)先驗(yàn)知識(shí)，可知標(biāo)準(zhǔn)的按壓通氣比為30:2，通氣波形大部分為連續(xù)兩個(gè)波形，但也可能存在單個(gè)波形。因此，可加入偏好信息對(duì)孤立偽按壓波形進(jìn)行修正。

圖4 密度加權(quán)前后的分類(lèi)結(jié)果對(duì)比圖

在進(jìn)行基于密度加權(quán)的K均值聚類(lèi)分析可得到初步的按壓波形聚類(lèi)結(jié)果Ccc和通氣波形聚類(lèi)結(jié)果CV。那么對(duì)CV中的孤立波形特征數(shù)據(jù)進(jìn)行加權(quán)的算法如下：

(1)對(duì)CV中的孤立波形特征數(shù)據(jù)進(jìn)行加權(quán)，加權(quán)公式為

(2)進(jìn)行K均值聚類(lèi)；

(3)判定按壓通氣比，如果大于14，則算法結(jié)束，否則轉(zhuǎn)到第(1)步。

由圖5可以看出，矩形框中的孤立偽按壓波形并未被識(shí)別出，而僅識(shí)別出了真正的按壓波形，達(dá)到了良好的去偽效果。

3.4 胸外按壓質(zhì)量評(píng)估

在完成按壓和通氣波形的分類(lèi)識(shí)別后，可計(jì)算出按壓次數(shù)為C，通氣次數(shù)為V。每個(gè)被正確分類(lèi)識(shí)別的按壓和通氣波形的波峰序列號(hào)(采樣點(diǎn))分別為CInc和VInv, nc, nv分別為按壓和通氣序號(hào)。那么可以得到實(shí)時(shí)按壓頻率fc：

按壓通氣比P：

圖5 原始信號(hào)圖1(b)圖1(c)分類(lèi)識(shí)別結(jié)果

按壓時(shí)間比cP(按壓時(shí)間在整個(gè)CPR過(guò)程時(shí)間中的比例)：

式中I為信號(hào)當(dāng)前采樣點(diǎn)數(shù)。

4 實(shí)驗(yàn)結(jié)果與分析

將本文方法與Digna的閾值法[12]和Martin的神經(jīng)網(wǎng)絡(luò)法[13]一起對(duì)已去噪除偽的TTI信號(hào)進(jìn)行分類(lèi)識(shí)別的結(jié)果對(duì)比。結(jié)果主要從陽(yáng)性檢出率(Positive Predictive Value, PPV)以及敏感度兩個(gè)指標(biāo)來(lái)顯示。結(jié)果如表1所示。

表1 分類(lèi)識(shí)別效果(%)

由表1可以發(fā)現(xiàn)，其他方法的檢測(cè)效果總體較差，如采用神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本要求較高，并由于部分按壓波形和通氣波形的波形特征相似，因此抗偽波能力較差；閾值法由于其參數(shù)都相對(duì)固定，而不同的TTI信號(hào)中按壓波形和通氣波形的特征差異均不盡相同，相同參數(shù)無(wú)法對(duì)所有的信號(hào)進(jìn)行準(zhǔn)確的分類(lèi)識(shí)別，并且抗偽波能力也較差，因此識(shí)別結(jié)果不夠理想。胸阻抗信號(hào)自動(dòng)檢測(cè)本質(zhì)上可以看成是模式分類(lèi)問(wèn)題。如前面所述，該信號(hào)具有細(xì)小的波動(dòng)、漂移等特點(diǎn)，因此傳統(tǒng)的極值法、局部?jī)?yōu)化法等會(huì)得到多個(gè)偽波峰波谷，效果差強(qiáng)人意。針對(duì)多個(gè)分辨率來(lái)進(jìn)行極值判斷將能夠明顯減少偽波峰波谷的出現(xiàn)。在一般情況下，通氣和按壓的區(qū)別是不標(biāo)準(zhǔn)的，因此為了能夠更好地區(qū)別它們，需要提取優(yōu)秀的特征。通過(guò)小波的多級(jí)分解發(fā)現(xiàn)，小波特征能將時(shí)域下兩類(lèi)的區(qū)別放大，因此便于提高分類(lèi)準(zhǔn)確率。本文的自動(dòng)檢測(cè)對(duì)時(shí)間代價(jià)要求較高，當(dāng)樣本密集時(shí)，神經(jīng)網(wǎng)絡(luò)等方法由于需要訓(xùn)練收斂獲取適宜的權(quán)值，因此變得并不適宜。相比來(lái)說(shuō)，K均值聚類(lèi)算法通過(guò)調(diào)節(jié)值，可以很好地兼顧分類(lèi)準(zhǔn)確率和時(shí)間代價(jià)。由于我們還有臨床醫(yī)生的先驗(yàn)知識(shí)，K值選擇較為容易，因此K均值聚類(lèi)算法在本文中較佳。檢測(cè)最終效果也顯示其具有良好的魯棒性和較高的陽(yáng)性檢出率(PPV)，其識(shí)別按壓波形和通氣波形的PPV為99.3%和96.7%，敏感度也可分別達(dá)到99.8%和98.9%。此外，每組數(shù)據(jù)(共36000個(gè)采樣點(diǎn))均可在0.43±0.07 s之內(nèi)完成處理，可以達(dá)到對(duì)TTI信號(hào)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

5 結(jié)束語(yǔ)

本文將胸阻抗信號(hào)波形的形態(tài)特征與小波特征相結(jié)合，提出了采用基于密度加權(quán)和偏好信息的K均值聚類(lèi)的胸阻抗信號(hào)自動(dòng)檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明：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(shí)別按壓和通氣波形，并達(dá)到實(shí)時(shí)處理的要求，從而正確地計(jì)算出分析TTI信號(hào)所需的按壓頻率、按壓通氣比和按壓時(shí)間比等參數(shù)各項(xiàng)。以此向心肺復(fù)蘇操作人員實(shí)時(shí)地反饋按壓通氣信息，調(diào)整其心肺復(fù)蘇操作，達(dá)到為CPR過(guò)程提供指導(dǎo)，提高心肺復(fù)蘇成功率的目的。

[1] Tomoya Hirose, Taku Iwami, Hiroshi Ogura, et al.. Effectiveness of a simplified cardiopulmonary resuscitation training program for the non-medical staff of a university hospital[J]. Resuscitation and Emergency Medicine, 2014, 22(31): 1-7.

[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, M.Ruiz J M, et al.. Is rhythm analysis during chest compression pauses for ventilation feasible?[J]. Resuscitation, 2012, 83(S1): e8.

[6] Kim Seung-hwan, You Je-sung, Lee Hye-sun, et al.. Quality of chest compressions performed by inexperienced rescuers in simulated cardiac arrest associated with pregnancy[J]. Resuscitation, 2013, 84(1): 98-102.

[7] 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.

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

[9] Di Maio R, Howe A, McCanny P, et al.. Is the impedance cardiogram a potential indicator of effective external cardiac massage in a human model? a study to establish if there is a linear correlation between the impedance cardiogram and depth in a cardiac arrest setting[J]. Resuscitation, 2012, 83(S1): e62.

[10] Alonso E, González-Otero D, Aramendi E, et al.. Can thoracic impedance monitor the depth of chest compressions during out-of-hospital cardiopulmonary resuscitation?[J]. Resuscitation, 2014, 85(5): 637-643.

[11] Losert Heidrun, Risdal Martin, Sterz Fritz, 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.

[12] Hehua Zhang, Zhengfei Yang, Zitong Huang, et al..

Transthoracic impedance for the monitoring of quality of manual chest compression during cardiopulmonary resuscitation[J]. Resuscitation, 2012, 83(10): 1281-1286.

[13] Ayala Unai, Eftest?l Trygve, Alonso Erik, et al.. Automatic detection of chest compressions for the assessment of CPR-quality parameters[J]. Resuscitation, 2014, 85(7): 957-963.

[14] 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, AGH Univ Sci & Technol, Krakow, POLAND, 2012, 39: 21-24.

[15] Martin Risdal, Sven Ole Aase, Mette Stavland, et al.. Impedance-based ventilation detection during cardiopulmonary resuscitation[J]. IEEE Transactions on Biomedical Engineering, 2007, 54(12): 2237-2245.

[16] Jaime R, Ayala U, 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.

李勇明： 男，1976年生，博士，副教授，主要從事模式識(shí)別、醫(yī)學(xué)信號(hào)和圖像的處理、智能優(yōu)化算法方面的研究.

陳勃翰： 男，1990年生，碩士，主要從事模式識(shí)別、醫(yī)學(xué)信號(hào)的處理方面的研究.

王 品： 女，1979年生，博士，副教授，主要從事醫(yī)學(xué)信號(hào)處理、圖像處理、智能優(yōu)化算法方面的研究.

Automatic Detection Algorithm for Transthoracic Impedance Signal Using K-means Clustering Based on Density Weighting and Preference Information

Li Yong-ming①②Chen Bo-han①Wang Pin①

①(College of Communication Engineering, Chongqing University, Chongqing 400044, China)

②(College of Biomedical Engineering and Medical Imaging, The Third Military Medical University, Chongqing 400038, China)

In order to recognize automatically the compression and ventilation waveforms of the TransThoracic Impedance (TTI) signal, and obtain the important parameters, for evaluating the CardioPulmonary Resuscitation (CPR) quality, this paper proposes an automatic detection algorithm for TTI signal based on density weighting and preference information. The TTI signals that come from the pig model based on electrically induced cardiac arrest are preprocessed, and the potential compression and ventilation waveforms are marked by using the searching algorithm of multiresolution window after the pretreatment. After that, the width, amplitude and the difference between the adjacent waveforms of the marked waveforms are selected as the features and the signal is divided into several sections according to the width of marked waveforms. Then the original signal is decomposed by wavelet transform. The ratio of the power of each section to the amplitude of the original one is taken as one feature. Finally, k-means clustering algorithm based on density weighting and preference information is used to recognize and classify the compression and ventilation of the marked waveforms. The experimental results show the accuracy and sensitivity of the recognition are high, the robustness is good and the running time (0.43±0.07 s) can meet the requirement of clinical application.

Automatic detection; TransThoracicImpedance (TTI); K-means algorithm; Density weighted; Preference information

TP391.4; R318.04

： A

：1009-5896(2015)04-0824-06

10.11999/JEIT140903

2014-07-09收到，2014-10-13改回

國(guó)家自然科學(xué)基金(61108086)，重慶市自然科學(xué)基金(CSTC2011BB5066, CSTC2012jjA0612)，重慶市科技攻關(guān)計(jì)劃項(xiàng)目(CSTC2012gg-yyjs0572)，中央高?；?CDJZR10160003, CDJZR13160008)，軍隊(duì)博士后基金和重慶市博士后基金資助課題

*通信作者：李勇明 yongmingli@cqu.edu.cn