CN103829944B - 基于模式识别的胸阻抗信号处理方法 - Google Patents

Abstract

本发明公开了一种基于模式识别的胸阻抗信号处理方法，首先对获取的胸阻抗信号采用小波阈值去噪法去除胸阻抗信号中的高频噪声，其次采用形态学滤波法去除胸阻抗信号中的基线漂移，获得平滑的信号波形，接着采用多分辨率窗口搜索法进行波形定位，最后采用线性识别分析法对所获信号进行模式分类识别，获取正确的按压波形和通气波形。其显著效果是：本发明将小波去噪法、形态学滤波法和多分辨率窗口搜索法有机结合，能够有效的排除大部分畸变和噪声的干扰，正确地识别按压和通气波形，并达到实时处理的要求，从而计算出TTI信号的各项所需的参数，并反馈给心肺复苏操作人员对CPR过程提供指导。

Description

基于模式识别的胸阻抗信号处理方法

技术领域

本发明涉及到电子医疗技术领域，具体地说，是一种基于模式识别的胸阻抗信号处理方法。

背景技术

胸外按压（CC）是心肺复苏（CPR）中试图恢复人体自主循环的重要技术，其在基础生命支持的地位越来越受到重视。胸外按压频率，按压通气循环周期，按压通气参数等CPR核心技术是保证CPR质量的关键问题。通过对胸外按压的检测分析，实时反馈给救援者为心肺复苏过程提供参考，以此避免不必要的按压中断，并让CPR过程中的ECG检测无瑕疵间隔以正确的评估按压节奏，使救援操作更为标准。

胸阻抗（TTI）信号值主要是指在心肺复苏过程中人体阻抗的变化，其主要包含了操作者实施胸外按压造成人体胸腔形变而产生的阻抗信号以及由心脏和血管内血流等变化引起的阻抗信号变化两方面信息。胸阻抗（TTI）信号是监测心肺复苏中胸外按压质量的重要指标。

目前已有研究表明，在心肺复苏过程中，胸外按压的快慢、深度均能反映在胸阻抗信号波形中，并且可准确的估算出瞬时的按压频率。通过对胸阻抗信号的检测分析，指导胸外按压具有可实施性和积极的参考意义，可增加心肺复苏操作的成功率。但是通过对胸阻抗信号进行实时检测反应心肺复苏质量的多个参数的研究尚未见报道。少数的研究或采用自适应阈值法进行按压波形分析，但未包含通气波形的识别和处理；或采用神经网络进行按压和通气波形的模式识别，但仅为实验分析，未考虑时间代价。另外，由于通气、高频噪声、基线漂移以及传感器连接等干扰，对于复杂胸阻抗信号的监测具有很高的难度。

发明内容

针对现有技术的不足，本发明的目的是提供一种自动分类识别TTI信号中的按压波形和通气波形，完成按压频率、按压通气比和按压时间比等参数的计算，并结合先验知识智能的完成对心肺复苏质量的监测评估的胸阻抗信号处理方法。

为达到上述目的，本发明表述一种基于模式识别的胸阻抗信号处理方法，其关键在于按照以下步骤进行：

步骤1：对获取的胸阻抗信号f(n)采用小波阈值去噪法去除信号中包含的高频噪声，获得去噪后的信号F(n)；

步骤2：将步骤1所得信号F(n)采用形态学滤波法去除胸阻抗信号中的基线漂移，获得平滑的信号波形；

步骤3：对步骤2所获信号采用多分辨率窗口搜索法进行波形定位，获得波形定位后的胸阻抗信号F’(n)；

步骤4：采用线性识别分析法对步骤3所获信号F’(n)进行模式分类识别，获取正确的按压波形和通气波形，所述模式分类识别判别规则为：

$F^{,}\left(n\right)=\left\{\begin{array}{cc}\mathrm{CC}& d\left(x_n\right)>0\\ \mathrm{Ventilation}& d\left(x_n\right)<0\\ \mathrm{unkown}& d\left(x_n\right)=0\end{array}\right.$

其中，x_n为信号F’(n)中第n个采样点的增广特征向量，CC为按压波形，ventilation为通气波形，d(x_n)为信号F’(n)中第n个采样点的特征系数函数，d(x_n)=0为判别边界。

作为进一步的技术方案，步骤1中所述的小波阈值去噪法按照以下步骤进行：

步骤1-1：对获取的胸阻抗信号f(n)使用bd1小波进行7个尺度小波分解，得到相应的小波系数d_j；

步骤1-2：选用软阈值对小波分解后的系数d_j进行阈值处理，得到小波系数估计值，阈值处理方法为：

${\hat{d}}_j=\left\{\begin{array}{cc}\left[\mathrm{sign}\left(d_j\right)\right]\left(\right|d_j|-\mathrm{\&lambda;}),& \left|d_j\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,& \left|d_j\right|<\mathrm{\&lambda;}\end{array}\right.,$

其中，λ为阈值，d_j为小波分解后的小波系数，为小波系数估计值；

步骤1-3：利用经过阈值处理的小波系数估计值进行信号重构，并通过小波逆变换得到去噪后的TTI信号F(n)。

作为进一步的技术方案，步骤2中所述的形态学去噪法按照以下步骤进行：

步骤2-1：将步骤1获得的信号F(n)进行一路开—闭运算和一路闭—开运算，然后将两路所得运算结果进行求和；

步骤2-2：将步骤2-1获得的信号与步骤1获得的信号F(n)进行求和运算，并将所得信号输出。

作为进一步的技术方案，步骤3按照以下步骤进行：

步骤3-1：参数设置，即包括对算法中的分辨率个数i，窗口宽度W，阈值系数m进行预设；

步骤3-2：按照f(p_n)是否等于 $\max \left(f(p_{n-\frac{w}{2}},p_{n-\frac{w}{2}-1},...p_i,...,p_{n+\frac{w}{2}-1},p_{n+\frac{w}{2}})\right)$ 或 $\min \left(f(p_{n-\frac{w}{2}},p_{n-\frac{w}{2}-1},...p_i,...,p_{n+\frac{w}{2}-1},p_{n+\frac{w}{2}})\right)$ 判定p_n是否为搜索窗口中的极值点，如果是则存储在相应存储数组中，其中p_n为第n个采样点；

步骤3-3：依次计算相邻波峰或波谷之间的波形振幅D_an和时间跨度D_tn，并分别计算其平均值M_ad和M_td；

步骤3-4：将计算所得的波形振幅D_an和时间跨度D_tn分别与其平均值M_ad和M_td进行比较，如果D_an＜mM_ad或D_tn＜mM_td，则判定为伪波并去除，获得波形定位后的胸阻抗信号F’(n)，其中m为预设的阈值系数。

作为进一步描述，步骤3-1中所述分辨率的个数i=3，对应的窗口宽度W分别为20、40、60，所述阈值系数m=0.3。

更进一步的技术方案，所述步骤4按照以下步骤进行：

步骤4-1：提取波形定位后的胸阻抗信号F’(n)的波形振幅D_an和时间跨度D_tn为特征，并分别取与其平均值和，按照 获得波形振幅特征系数x_1n和时间跨度特征系数x_2n；

步骤4-2：根据步骤4-1获得的特征系数x_1n和x_2n，得到特征系数函数d(x_n)，则有d(x_n)＝ω₁x_1n+ω₂x_2n+ω₃，

其中，x_n为信号F’(n)中第n个采样点的增广特征向量，ω₁，ω₂和ω₃为权重系数，且满足ω₁+ω₂+ω₃=0；

步骤4-3：按照 $F^{,}\left(n\right)=\left\{\begin{array}{cc}\mathrm{CC}& d\left(x_n\right)>0\\ \mathrm{Ventilation}& d\left(x_n\right)<0\\ \mathrm{unkown}& d\left(x_n\right)=0\end{array}\right.$ 进行按压和通气波形的分类识别：

其中，x_n为信号F’(n)中第n个采样点的增广特征向量，CC为按压波形，ventilation为通气波形，d(x_n)为信号F’(n)中第n个采样点的特征系数函数，d(x_n)=0为判别边界。

本发明的显著效果是：将小波去噪法、形态学滤波法和多分辨率窗口搜索法有机结合，能够有效所获胸阻抗信号中的排除大部分畸变和噪声的干扰，正确地识别按压和通气波形，并达到实时处理的要求，从而便于正确的计算出TTI信号的各项分析所需的参数，从而向心肺复苏操作人员实时地反馈计算参数，调整其心肺复苏操作，达到为CPR过程提供指导的目的。

附图说明

图1是本发明中胸阻抗信号处理流程图；

图2是本发明中小波阈值去噪发的流程图；

图3是本发明中形态学滤波法的流程图；

图4是本发明中多分辨率窗口搜索法的流程图；

图5是本发明中线性匹配法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

本实施例中所使用的是一个基于家猪的电诱导心脏骤停模型的子数据库，涉及16头公猪。所选用的家猪体重均在18至22公斤，并在各项生理参数均趋于稳定时展开实验。实验通过Windaq数据采集系统对TTI信号进行连续的测量，采样频率为300Hz。采集每次CPR过程前2分钟的数据信号，使每组TTI信号均包括一个120s的连续的信号波形。

TTI信号中连续的波峰—波谷波形即为一次胸外按压。在每次按压过程中，TTI信号振幅变化为通过数据采集系统测量的阻抗波形其波峰和波谷之间的差异。

在信号处理过程中发现出现以下问题，如由于按压不规范，信号中出现了与通气相近的波形；由于高频噪声的干扰，导致图形部分区域不清晰，难以识别；由于基线漂移的原因，使一般的分析方法处理困难。

参见附图1，本实施例中采用以下技术方案对所采集的胸阻抗型号（TTI）按以下步骤进行处理：

首先进入步骤1：对获取的胸阻抗信号f(n)采用小波阈值去噪法去除信号中的高频噪声，获得去噪后的信号F(n)；

基于小波阈值的去噪方法可分为硬阈值和软阈值两种，其中阈值λ的大小与阈值均方差σ有关。通用的阈值选取方法为其中N为噪声的长度。噪声均方差σ可以通过小波变换的高频细节信号d_j来估计，即。其中硬阈值估计为：

${\hat{d}}_j=\left\{\begin{array}{cc}{d}_j,& \left|d_j\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,& \left|d_j\right|<\mathrm{\&lambda;}\end{array}\right.$

软阈值估计为：

${\hat{d}}_j=\left\{\begin{array}{cc}\left[\mathrm{sign}\left(d_j\right)\right]\left(\right|d_j|-\mathrm{\&lambda;}),& \left|d_j\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,& \left|d_j\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，λ为阈值，d_j为小波分解后的小波系数，为小波系数估计值；

参见附图2，所述小波阈值去噪法的具体过程如下：

步骤1-1：采用bd1小波对含噪的胸阻抗信号f(n)进行7个尺度小波分解，得到相应的小波系数d_j；

步骤1-2：选用软阈值对小波分解后的系数d_j进行阈值处理，得到小波系数估计值，阈值处理方法为：

${\hat{d}}_j=\left\{\begin{array}{cc}\left[\mathrm{sign}\left(d_j\right)\right]\left(\right|d_j|-\mathrm{\&lambda;}),& \left|d_j\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,& \left|d_j\right|<\mathrm{\&lambda;}\end{array}\right.,$

其中，λ为阈值，d_j为小波分解后的小波系数，为小波系数估计值；

步骤1-3：利用经过阈值处理的小波系数估计值进行信号重构，并通过小波逆变换得到去噪后的TTI信号F(n)。

在进行小波去噪后，高频噪声虽然基本得到了消除，但是所得信号并不平滑且还存在基线漂移。数学形态学中的开运算和闭运算所处理的信息分别与图像的凸、凹有关，因此可用形态学滤波法去除噪声、恢复图像，且满足计算简单、速度快，满足实时性的要求。通过形态学滤波法中开、闭运算相结合的方式可滤除特定波形，去除基线漂移信号，最终达到滤波的作用。

其中，开运算是先进行一次腐蚀运算，再进行一次膨胀运算，削去了波峰从下面平滑了序列，抑制了信号中的峰值噪声；闭运算则是先进行一次膨胀运算，再进行一次腐蚀运算，填充了波谷而从上部平滑了序列，抑制了信号中的谷值噪声。

开运算为：

闭运算为：

由于本实施例中采样频率为300Hz，TTI信号中特征波形以按压波形最多，其典型宽度为150到200个采样点。因此，我们选择滤除基线漂移时的结构元素宽度即采样点数为200。

因此进入步骤2：将步骤1-3所得信号F(n)采用形态学滤波法去除胸阻抗信号中的基线漂移，获得平滑的信号波形；

参见附图3，形态学滤波法去除基线漂移的具体步骤为：

步骤2-1：将步骤1-3获得的信号F(n)进行一路开—闭运算和一路闭—开运算，然后将两路所得运算结果进行求和；

步骤2-2：将步骤2-1获得的信号F(n)与步骤1-3获得的信号进行求和运算，并将所得信号输出。

实际运用中，波形受到了多重干扰导致了伪波和复合波形的生成，所以经典的寻优方法如局部优化法是无效的。故采用多分辨率窗口搜索法采用不同的分辨率处理同一信号，寻找到不同分辨率下的局部最优值，然后通过梳理得到更加精确的最优值。

因此进入步骤3：对步骤2-2所获信号采用多分辨率窗口搜索法进行波形定位；

参见附图4，其具体步骤为：

步骤3-1：参数设置，即包括对算法中的分辨率个数i，窗口宽度W，阈值系数m进行预设，本实施例中设i=3，则对应的搜索窗口宽度分别为20,40,60；

步骤3-2：按照f(p_n)是否等于 $\max \left(f(p_{n-\frac{w}{2}},p_{n-\frac{w}{2}-1},...p_i,...,p_{n+\frac{w}{2}-1},p_{n+\frac{w}{2}})\right)$ 或 $\min \left(f(p_{n-\frac{w}{2}},p_{n-\frac{w}{2}-1},...p_i,...,p_{n+\frac{w}{2}-1},p_{n+\frac{w}{2}})\right)$ 判定p_n是否为搜索窗口中的极值点，如果是则存储在相应存储数组中，其中p_n为第n个采样点；

步骤3-3：依次计算相邻波峰或波谷之间的波形振幅D_an和时间跨度D_tn，并分别计算其平均值M_ad和M_td；

步骤3-4：将计算所得的波形振幅D_an和时间跨度D_tn分别与其平均值M_ad和M_td进行比较，本实施例中m取值为0.3，如果D_an＜0.3.M_ad或D_tn＜0.3.M_td，则判定为伪波并去除，从而获得波形定位后的胸阻抗信号F’(n)。

多分辨率窗口搜索法能够正确识别所有的波峰和波谷，然而存在少量伪局部极值点。这些伪局部极值点实际为伪波和复合波形所造成的，在处理时需将其去除：

最后进入步骤4：采用线性识别分析法对步骤3所获信号F’(n)进行模式分类识别按照以下步骤进行：

参见附图5，步骤4-1：提取波形定位后的胸阻抗信号F’(n)的波形振幅D_an和时间跨度D_tn为特征，并分别取与其平均值和，按照获得波形振幅特征系数x_1n和时间跨度特征系数x_2n；

步骤4-2：根据步骤4-1获得的特征系数x_1n和x_2n，得到特征系数函数d(x_n)，则有d(x_n)=ω₁x_1n+ω₂x_2n+ω₃，

其中，x_n为第n个采样点的增广特征向量，ω₁，ω₂和ω₃为权重系数，且满足ω₁+ω₂+ω₃=0；

步骤4-3：按照 $F^{,}\left(n\right)=\left\{\begin{array}{cc}\mathrm{CC}& d\left(x_n\right)>0\\ \mathrm{Ventilation}& d\left(x_n\right)<0\\ \mathrm{unkown}& d\left(x_n\right)=0\end{array}\right.$ 进行按压和通气波形的分类识别：

其中，x_n为信号F’(n)中第n个采样点的增广特征向量，CC为按压波形，ventilation为通气波形，d(x_n)为信号F’(n)中第n个采样点的特征系数函数，d(x_n)=0为判别边界。

上述步骤中首先通过小波阈值法去除所获取胸阻抗信号中的高频噪声，然后通过形态学滤波法滤除基线漂移，并进一步通过多分辨率窗口搜索法行波峰波谷判定，再结合线性识别分析法模式识别直接对已完成波形定位的TTI信号进行分类识别，从而完成按压和通气波形的分类识别。通过正确的按压波形和通气波形可计算出按压次数为C、通气次数为V等，从而能够正确的计算出TTI信号的各项分析所需的参数，如：

实时按压频率： $f=\frac{C}{[({\mathrm{CI}}_l-{\mathrm{CI}}_0)-({\mathrm{VI}}_q-{\mathrm{VI}}_0)]/300};$

按压通气比：P=l/q；

按压时间比： $p_c=\frac{[({\mathrm{CI}}_l-{\mathrm{CI}}_0)-({\mathrm{VI}}_q-{\mathrm{VI}}_0)]}{I};$

其中，300为采样频率，C为按压次数，V为通气次数，CI₀为分类识别后的按压波形的第一个波峰序列号，CI_l为分类识别后的按压波形的最后一个波峰序列号，VI₀为分类识别后的通气波形的第一个波峰序列号，VI_q为分类识别后通气波形的最后一个波峰序列号，l、q分别为按压波形的波峰个数和通气波形的波峰个数，I为信号当前采样点数。

通过向心肺复苏操作人员实时地反馈计算出的参数，调整其心肺复苏操作，达到为CPR过程提供指导的目的。

Claims (6)

1.一种基于模式识别的胸阻抗信号处理方法，其特征在于按照以下步骤进行：

步骤1：对获取的胸阻抗信号f(n)采用小波阈值去噪法去除信号中包含的高频噪声，获得去噪后的信号F(n)；

步骤2：将步骤1所得信号F(n)采用形态学滤波法去除胸阻抗信号中的基线漂移，获得平滑的信号波形；

步骤3：对步骤2所获信号采用多分辨率窗口搜索法进行波形定位，获得波形定位后的胸阻抗信号F’(n)；

步骤4：采用线性识别分析法对步骤3所获信号F’(n)进行模式分类识别，获取正确的按压波形和通气波形，所述模式分类识别判别规则为：

$F^{,}\left(n\right)=\left\{\begin{array}{cc}\mathrm{CC}& d\left(x_n\right)>0\\ \mathrm{Ventilation}& d\left(x_n\right)<0\\ \mathrm{unkown}& d\left(x_n\right)=0\end{array}\right.$

其中，x_n为信号F’(n)中第n个采样点的增广特征向量，CC为按压波形，ventilation为通气波形，d(x_n)为信号F’(n)中第n个采样点的特征系数函数，d(x_n)=0为判别边界。

2.根据权利要求1所述的基于模式识别的胸阻抗信号处理方法，其特征在于：步骤1中所述的小波阈值去噪法按照以下步骤进行：

步骤1-1：对获取的胸阻抗信号f(n)使用bd1小波进行7个尺度小波分解，得到相应的小波系数d_j；

步骤1-2：选用软阈值对小波分解后的系数d_j进行阈值处理，得到小波系数估计值，阈值处理方法为：

${\hat{d}}_j=\left\{\begin{array}{cc}\left[\mathrm{sign}\left(d_j\right)\right]\left(\right|d_j|-\mathrm{\&lambda;}),& \left|d_j\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0,& \left|d_j\right|<\mathrm{\&lambda;}\end{array}\right.,$

其中，λ为阈值，d_j为小波分解后的小波系数，为小波系数估计值；

步骤1-3：利用经过阈值处理的小波系数估计值进行信号重构，并通过小波逆变换得到去噪后的TTI信号F(n)。

3.根据权利要求1或2所述的基于模式识别的胸阻抗信号处理方法，其特征在于：步骤2中所述的形态学滤波法按照以下步骤进行：

步骤2-1：将步骤1获得的信号F(n)进行一路开—闭运算和一路闭—开运算，然后将两路所得运算结果进行求和；

步骤2-2：将步骤2-1获得的信号与步骤1获得的信号F(n)进行求和运算，并将所得信号输出。

4.根据权利要求1所述的基于模式识别的胸阻抗信号处理方法，其特征在于：步骤3按照以下步骤进行：

步骤3-1：参数设置，即包括对算法中的分辨率个数i，窗口宽度W，阈值系数m进行预设；

步骤3-2：按照f(p_n)是否等于 $\max \left(f(p_{n-\frac{w}{2}},p_{n-\frac{w}{2}-1},...p_i,...,p_{n+\frac{w}{2}-1},p_{n+\frac{w}{2}})\right)$ 或 $\min \left(f(p_{n-\frac{w}{2}},p_{n-\frac{w}{2}-1},...p_i,...,p_{n+\frac{w}{2}-1},p_{n+\frac{w}{2}})\right)$ 判定p_n是否为搜索窗口中的极值点，如果是则存储在相应存储数组中，其中p_n为第n个采样点；

步骤3-3：依次计算相邻波峰或波谷之间的波形振幅D_an和时间跨度D_tn，并分别计算其平均值M_ad和M_td；

步骤3-4：将计算所得的波形振幅D_an和时间跨度D_tn分别与其平均值M_ad和M_td进行比较，如果D_an＜mM_ad或D_tn＜mM_td，则判定为伪波并去除，获得波形定位后的胸阻抗信号F’(n)，其中m为预设的阈值系数。

5.根据权利要求4所述的基于模式识别的胸阻抗信号处理方法，其特征在于：步骤3-1中所述分辨率的个数i=3，对应的窗口宽度W分别为20、40、60，所述阈值系数m=0.3。

6.根据权利要求1所述的基于模式识别的胸阻抗信号处理方法，其特征在于：所述步骤4按照以下步骤进行：

步骤4-1：提取波形定位后的胸阻抗信号F’(n)的波形振幅D_an和时间跨度D_tn为特征，并分别取与其平均值和，按照 获得波形振幅特征系数x_1n和时间跨度特征系数x_2n；

步骤4-2：根据步骤4-1获得的特征系数x_1n和x_2n，得到特征系数函数d(x_n)，则有d(x_n)＝ω₁x_1n+ω₂x_2n+ω₃，

其中，x_n为第n个采样点的增广特征向量，ω₁，ω₂和ω₃为权重系数，且满足ω₁+ω₂+ω₃＝0；

步骤4-3：按照 $F^{,}\left(n\right)=\left\{\begin{array}{cc}\mathrm{CC}& d\left(x_n\right)>0\\ \mathrm{Ventilation}& d\left(x_n\right)<0\\ \mathrm{unkown}& d\left(x_n\right)=0\end{array}\right.$ 进行按压和通气波形的分类识别：

其中，x_n为信号F’(n)中第n个采样点的增广特征向量，CC为按压波形，ventilation为通气波形，d(x_n)为信号F’(n)中第n个采样点的特征系数函数，d(x_n)=0为判别边界。