CN104305994B - 心肺复苏中的胸阻抗信号处理方法 - Google Patents

Abstract

本发明公开了一种心肺复苏中的胸阻抗信号处理方法，包括以下步骤，S1：预处理，去除高频噪声和基线漂移；S2：基于多分辨率窗口搜索法进行波形标记，并提取每个波形的宽度特征L(i)、幅度特征H(i)以及相邻波形特征差Dif(i)；S3：小波分解，提取出每个波形的小波特征D_w(i)；S4：将L(i)、H(i)、Dif(i)以及D_w(i)组成四维特征向量，并进行归一化处理；S5：分类识别；S6：计算心肺复苏质量评估指标。其显著效果是：能够正确地识别按压和通气波形，有效去除伪按压波形，算法的阳性检测率和敏感度非常理想，能够达到实时处理的要求，输出的各项评估指标可以实时反馈给心肺复苏操作人员，便于其调整心肺复苏操作，达到为CPR过程提供指导的目的。

Description

心肺复苏中的胸阻抗信号处理方法

技术领域

本发明涉及到生物电子信息技术领域，具体地说，是一种心肺复苏中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。

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，本发明表述一种心肺复苏中的胸阻抗信号处理方法，其关键在于按照以下步骤进行：

S1：将采集的胸阻抗信号进行预处理，去除高频噪声和基线漂移；

S2：基于多分辨率窗口搜索法对预处理后的胸阻抗信号进行波形标记，并提取每个波形的宽度特征L(i)、幅度特征H(i)以及相邻波形特征差Dif(i)，其中

S3：对预处理后的胸阻抗信号进行小波分解，并按照提取出每个波形的小波特征D_w(i)，其中H(i)为第i个波形幅度特征，P(i)为第i个波形对应的第5层小波系数段的能量P(i)；

S4：将每个波形的宽度特征L(i)、幅度特征H(i)、相邻波形特征差Dif(i)以及小波特征D_w(i)组成四维特征向量，并进行归一化处理；

S5：将步骤S4所得的四维特征向量作为特征参数进行分类识别，将波形分为按压波形和通气波形；

S6：根据波形识别结果计算出胸阻抗信号对应的心肺复苏质量评估指标。

作为进一步描述，步骤S2中所述的基于多分辨率窗口搜索法采用了三种分辨率，对应的窗口长度分别为20、40和60。

再进一步描述，步骤S5采用基于密度加权与偏好信息的K-均值聚类算法进行分类识别，具体步骤为：

S5-1：按照x'_ij＝x_ij+w_i对第i个波形的第j个特征进行密度加权；

其中j＝1～4，四维特征向量x_i＝(x_i1,x_i2,x_i3,x_i4)中的元素分别对应为L(i)、H(i)、Dif(i)以及D_w(i)，w_i＝λ[1-dens'(x_i)]，dens'(x_i)为dens(x_i)的归一化结果，为第i个波形的密度函数，表示领域的有效半径，λ为系数，N为当前采样波形的个数；

S5-2：利用K-均值聚类分析得到初步的按压波形聚类结果C_cc和通气波形聚类结果C_v；

S5-3：对通气波形聚类结果C_v中的波形所对应的特征信息按照x″_ij＝x'_ij+γ加入偏好信息γ，再次进行K-均值聚类分析；

S5-4：判定按压通气比是否大于14，如果是则分类结束；否则返回步骤S5-3继续加入偏好信息。

为了让评估结果更加直观，步骤S6中所述的质量评估指标包括：

实时按压频率：

按压通气比：P＝l/q；

按压时间比：

其中，300为采样频率，C为按压次数，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。

本发明的显著效果是：

能够正确地识别按压和通气波形，有效去除伪按压波形，算法的阳性检测率和敏感度非常理想，能够达到实时处理的要求，输出的各项评估指标可以实时反馈给心肺复苏操作人员，便于其调整心肺复苏操作，达到为CPR过程提供指导的目的。

附图说明

图1是实现本发明的电路系统原理框图；

图2是本发明的方法步骤流程图；

图3是小波分解后的1-9层小波系数图；

图4是提取出的小波特征波形图；

图5是原始采样的TTI信号波形图；

图6是预处理去噪后的TTI信号波形图；

图7是波形标记后的TTI信号波形图；

图8是分类识别后的TTI信号波形图。

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。

如图1-图2所示，一种心肺复苏中的胸阻抗信号处理方法，其特征在于包括以下步骤：

S1：将采集的胸阻抗信号进行预处理，去除高频噪声和基线漂移；

通常在心肺复苏过程中，利用电极和数据采集模块在人体采集胸阻抗信号，并上传至数据处理模块进行预处理，阻抗信号采集电路主要由恒流信号源(ICL8038)和信号采集电路组成。其工作原理是先由恒流信号源产生2mA、50KHz的载波信号通过变压线圈和导联耦合至被测对象的胸腔(变压线圈既充当耦合器，又实现浮地隔离功能)，在信号采集电路的输入端可以得到被测肢体的调制信号，从而反映组织的阻抗变化即血管的容积变化对载波的调制。

数据处理模块采用ARM Cortex-A9芯片作为处理，并移植Linux系统作为系统构架以实现算法的实现和数据的处理，对于信号预处理来说，通常采用小波去噪和移动平滑相结合的预处理方法来去除信号中的高频噪声和基线漂移。

S2：基于多分辨率窗口搜索法对预处理后的胸阻抗信号进行波形标记，并提取每个波形的宽度特征L(i)、幅度特征H(i)以及相邻波形特征差Dif(i)，其中

实施时采用了三种分辨率，对应的窗口长度分别为20、40和60。

由于TTI信号中的噪声主要有高频噪声和基线漂移，其信号中的高频噪声都是尖锐锋形，且幅值较小。通过小波去噪处理后，再通过移动平滑处理器，信号中的噪声和干扰被消除，并平滑了信号波形。

TTI波形可看作是采样点的函数，我们把这个函数看作f()。TTI波形的波峰、波谷搜索可以看作为极值搜索。然而，实际上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。

多分辨率分析是一种有效的信号处理方法，可采用不同的分辨率处理同一信号，通过采用这种方法，可以寻找到不同分辨率下的局部最优值，然后通过梳理他们得到更加精确的最优值。

尽管多分辨率窗口搜索法能够正确识别所有的波峰和波谷，但仍可能存在少量伪局部极值点。而这些伪局部极值点实际为伪波和复合波形所造成的，因此，需要将其消除。

通过观察以及先验知识，算法提取信号波形振幅(波峰与紧跟波谷之差)和时间跨度(波峰前后相邻波谷距离)为特征。每一次识别潜在波峰或者波谷后，相邻波峰或波峰之间的幅度距离和时间距离的均值都会被计算一次。设每次计算的均值分别为M_ad和M_td，每一相邻波峰或波谷之间的幅度距离(D_a)和时间距离(D_t)都会将与均值M_ad和M_td比较。假设第i个相邻波峰或波谷的幅度距离和时间距离分别为D_ai和D_ti。如果D_ai＜m·M_ad或D_ti＜m·M_td(其中m为阈值系数，本例中取m＝0.1)，那么该波峰或波谷则判定为错误波峰和波谷。

正确标记出每一段波形后，即可提取出每个波形的宽度特征L(i)、幅度特征H(i)以及相邻波形特征差Dif(i)。

S3：对预处理后的胸阻抗信号进行小波分解，并按照提取出每个波形的小波特征D_w(i)，其中H(i)为第i个波形幅度特征，P(i)为第i个波形对应的第5层小波系数段的能量P(i)；

从离散小波分解分频的原理出发，利用离散小波对TTI信号进行分解，每一层子频带是由高频向低频对信号频率空间逐次进行二分的结果。如果原始信号频率空间V₀＝[0,f_s],则第一层小波系数频率空间W₁＝[2^-1f_s,f_s]，第二层小波系数频率空间W₂＝[2^-2f_s,2^{- 1}f_s]，以此类推，第N层小波系数频率空间为W_N＝[2^-Nf_s,2^-N+1f_s]逐级向低频过度，其中f_s为胸阻抗信号的采样频率。

在按压和通气波形中，相较下通气波形频率更小，其对应频率为f_V＝f_s/n，其中n为通气波形宽度。因此总是存在层数i，使得f_V∈[2^-if_s,2^-i+1f_s]，也就是说，通气波形特征可以在第i层小波分解中得到体现。

由实验数据可得，通气波形的宽度约在[400,600]。因此可计算得到通气波形宽度所对应的频率为f_V＝f_s/n＝300/600＝0.5。据f_V∈[2^-if_s,2ⁱ⁺¹f_s计算可知，此波形特征落在第9层细节小波的子频带范围内，因此，可以确定最优的分解层数为9层。利用db2小波对原始信号进行9层小波分解，其分解结果中1～9层细节小波系数如图3所示。

分析此结果可知，对原始信号进行小波分解后，在第5层细节小波函数可观测到按压波形部分和通气波形部分其对应的小波系数波形差别十分明显。

在TTI信号波形中幅值较小的按压波形所对应的小波系数幅值也较小，为排除此种干扰，因此选用原始波形幅值与其所对应段的第5层小波系数能量之比作为特征，即D_w(i)＝H(i)/P(i)，标准信号的D_w(i)特征曲线如图4所示。

如图4所示，通气波形的D_w(i)特征值远大于按压波形的D_w(i)值，因此其可作为按压、通气的分类依据。

S4：将每个波形的宽度特征L(i)、幅度特征H(i)、相邻波形特征差Dif(i)以及小波特征D_w(i)组成四维特征向量，并进行归一化处理；

在分别进行上述两种特征提取算法后，即可得到L(i)、H(i)、Dif(i)以及D_w(i)组成四维特征向量，而每个特征之间的权重是相同的，因此采用线性归一化将特征归一化至[0,1]区间。

S5：将步骤S4所得的四维特征向量作为特征参数进行分类识别，将波形分为按压波形和通气波形；

这里采用基于密度加权与偏好信息的K-均值聚类算法进行分类识别，在K-均值聚类算法中，对样本的聚类仅仅依据其与聚类中心的距离来判定。但在实际中，由于较少通气波形与按压波形可能相似，使其偏离通气波形特征数据聚类中心而靠近按压波形特征数据聚类中心。而按压波形特征数据数量较多，构成了数据密集区域；通气波形特征数据较小，构成的区域非密集。因此，若在对数据进行聚类的过程中根据每个数据所在区域的密度调整权重，使偏离的数据点更好的靠近所属聚类中心点，分类的准确性将会得到改善。

因此本方法的具体步骤为：

S5-1：按照x'_ij＝x_ij+w_i对第i个波形的第j个特征进行密度加权；

其中j＝1～4，四维特征向量x_i＝(x_i1,x_i2,x_i3,x_i4)中的元素分别对应为L(i)、H(i)、Dif(i)以及D_w(i)，w_i＝λ[1-dens'(x_i)]，dens'(x_i)为dens(x_i)的归一化结果，为第i个波形的密度函数，表示领域的有效半径，λ为系数，N为当前采样波形的个数；

S5-2：利用K-均值聚类分析得到初步的按压波形聚类结果C_cc和通气波形聚类结果C_v；

通过密度加权可修正偏离通气波形特征数据聚类中心而靠近按压波形特征数据聚类中心的特征数据。而信号中同样可能存在与通气波形相似的按压波形需要修正。根据先验知识，可知标准的按压通气比为30:2，通气波形大部分为连续两个波形，但也可能存在单个波形。因此，可加入偏好信息对孤立伪按压波形进行修正，因此在完成步骤S5-2后，继续进入步骤S5-3；

S5-3：对通气波形聚类结果C_v中的波形所对应的特征信息按照x″_ij＝x'_ij+γ加入偏好信息γ，再次进行K-均值聚类分析；

S5-4：判定按压通气比是否大于14，如果是则分类结束；否则返回步骤S5-3继续加入偏好信息。

在具体实施时，λ与γ均可以参照的值来确定，通常取0.1。当准确的分辨出按压波形和通气波形后，则进入步骤S6进行统计和评估。

S6：根据波形识别结果计算出胸阻抗信号对应的心肺复苏质量评估指标，这里的质量评估指标包括：

实时按压频率：

按压通气比：P＝l/q；

按压时间比：

其中，300为采样频率，C为按压次数，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，最终的评估结果可以显示在显示模块上，便于实时反馈给心肺复苏操作人员，使其调整心肺复苏操作，达到提供指导的目的。

该方法的具体效果还可以通过以下实验数据体现：

如图5所示的信号为实验采集到的原始TTI信号，采样频率为300Hz。由于高频噪声和基线漂移的干扰，导致信号部分区域难以识别。因此首先采用小波去噪和移动平滑相结合的预处理方法去除信号中的高频噪声，结果如图6所示，可见信号中的高频噪声已全部去除，有利于后续进行特征提取。

在进行预处理后，算法采用多分辨率窗口搜索法完成按压波形和通气波形的标记，如图7所示。并根据按压波形和通气波形的标记结果提取每个波形的宽度特征L(i)、幅度特征H(i)以及相邻波形特征差Dif(i)，再对经过预处理的TTI信号进行小波分解，选择每个波形幅值特征与对应的第5层小波系数段的能量的比值作为小波特征D_w(i)，最终组成4维特征向量，并进行归一化。然后，采用基于密度加权与偏好信息的K-均值聚类分析法对标记的波形进行分类识别，如图8所示为信号的分类识别结果，矩形框中的孤立伪按压波形并未被识别出，而仅识别出了真正的按压波形，达到了良好的去伪效果，最后，根据分类识别结果计算信号所反映的按压频率、按压通气比和按压时间比等参数，依此评估该次心肺复苏的质量。

实验结果主要从阳性检出率(Positive Predictive Value，PPV)以及敏感度两个指标来显示。其中 通过对实验结果的统计分析，本系统识别按压波形和通气波形的PPV为99.3％和96.7％，敏感度也可分别达到99.8％和98.9％。此外，每组数据(共36000个采样点)均可在0.43±0.03s之内完成处理，可以达到对TTI信号进行实时监测。

Claims (3)

1.一种心肺复苏中的胸阻抗信号处理方法，其特征在于包括以下步骤：

S1：将采集的胸阻抗信号进行预处理，去除高频噪声和基线漂移；

S2：基于多分辨率窗口搜索法对预处理后的胸阻抗信号进行波形标记，并提取每个波形的宽度特征L(i)、幅度特征H(i)以及相邻波形特征差Dif(i)，其中

S3：对预处理后的胸阻抗信号进行小波分解，并按照提取出每个波形的小波特征D_w(i)，其中H(i)为第i个波形幅度特征，P(i)为第i个波形对应的第5层小波系数段的能量P(i)；

S4：将每个波形的宽度特征L(i)、幅度特征H(i)、相邻波形特征差Dif(i)以及小波特征D_w(i)组成四维特征向量，并进行归一化处理；

S5：将步骤S4所得的四维特征向量作为特征参数进行分类识别，将波形分为按压波形和通气波形；

S6：根据波形识别结果计算出胸阻抗信号对应的心肺复苏质量评估指标；

步骤S6中所述的质量评估指标包括：

实时按压频率：

按压通气比：P＝l/q；

按压时间比：

其中，300为采样频率，C为按压次数，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。

2.根据权利要求1所述的心肺复苏中的胸阻抗信号处理方法，其特征在于：步骤S2中所述的基于多分辨率窗口搜索法采用了三种分辨率，对应的窗口长度分别为20、40和60。

3.根据权利要求1所述的心肺复苏中的胸阻抗信号处理方法，其特征在于：步骤S5采用基于密度加权与偏好信息的K-均值聚类算法进行分类识别，具体步骤为：

S5-1：按照x'_ij＝x_ij+w_i对第i个波形的第j个特征进行密度加权；

其中j＝1～4，四维特征向量x_i＝(x_i1,x_i2,x_i3,x_i4)中的元素分别对应为L(i)、H(i)、Dif(i)以及D_w(i)，w_i＝λ[1-dens'(x_i)]，dens'(x_i)为dens(x_i)的归一化结果，为第i个波形的密度函数，表示领域的有效半径，λ为系数，N为当前采样波形的个数；

S5-2：利用K-均值聚类分析得到初步的按压波形聚类结果C_cc和通气波形聚类结果C_v；

S5-3：对通气波形聚类结果C_v中的波形所对应的特征信息按照x”_ij＝x'_ij+γ加入偏好信息γ，再次进行K-均值聚类分析；

S5-4：判定按压通气比是否大于14，如果是则分类结束；否则返回步骤S5-3继续加入偏好信息。