英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
基于BCG的自适应心音间隔提取方法
摘要心搏描记图(BCG)能代替心电图反映心血管系统的机械活动，而且它往往是由敏感性的床垫或椅子获得，没有任何约束和限制，但它包含了很多噪音，因为身体和获得的设备的影响，这些问题使从BCG中检测心率很困难。在论文中,我们提出了一种自适应方法用于提取心跳间隔(RR),这种方法还可自动获取输入EEMD算法得参数,然后使用EEMD算法分解BCG信号，并选择BCG信号分解成分中周期性与心动周期信号一致得部分作为目标。此外，我们利用目标信号检测峰值点并计算心跳间隔序列。本研究以18位受试者(其中8位女性，10位男性，年龄20-72岁)的BCG数据集为样本，对所提方法进行检验。最后，将从BCG中得到得心率周期与心电图中的进行比较，结果令人满意，具有较高的准确性。
关键词:心冲击心电图集合经验模式分解、心跳间隔
1介绍
心血管疾病(CVD)是严重影响老年人健康的主要死亡原因。世界卫生组织报告称，2008年约有1730万人死于心血管疾病，占全球死亡总人数的30%。近年来，随着老年人总数的增长，2030年心血管疾病死亡人数可能达到2360万。
心搏描记图(BCG)最早出现于19世纪末，它能代替心电图反映心脏的机械活动。随着传感器技术的发展，许多研究者开始采用嵌入式传感器床架或床垫来采集BCG。研究人员[3,8,9]设置了一个嵌入EMFi-film传感器的智能座椅来检测BCG。研究[5-7]设计了一种基于压电传感器或光纤传感器获取BCG的无干扰的床垫感知系统。已知，可以根据BCG信号提取RR间期或心率变异性，并且患者皮肤表面可以不附着任何电极，对患者无任何干扰。但是由于身体和后天设备的影响，BCG中含有大量的噪声，使得从BCG中提取RR间隔变得困难。因此，普适计算领域的研究越来越受到重视。
在本文中，我们提出了一种基于BCG信号的RR区间自适应提取算法。该方法包含三个主要步骤。首先，自适应地获取EEMD算法的输入参数，并利用EEMD对BCG信号进行分解。其次，从BCG的分解成分中自动选择目标信号，目标信号的周期性与心脏周期完全一致。最后检测出目标信号的峰值点，自动获得心跳间隔序列。
第一部分介绍了本文的研究背景、前沿知识和研究目的。第二部分主要介绍了RR区间提取的相关工作。第3节介绍了BCG数据采集系统和一种新的心跳周期提取方法。第四部分基于18位被试的BCG数据集对算法性能进行了测试，并对实验结果进行了说明。第五部分为论文总结。
2相关工作
Postolache博士O.A.等[9,10,20]设计了一种轮椅内嵌传感器，轮椅可以获取卡介苗信号，作者利用小波滤波和独立分量分析去除BCG伪迹，得到基于小波变换的心率。Mack D.C.等人[21]开发了一种基于BCG的睡眠监测系统，该系统可以分析非侵入性的生理信号，系统采用双向递归过滤BCG信号噪声，采用改进的可变阈值法检测峰值。Krej M.等人利用光纤生命体征传感器获取BCG信号，利用带通滤波、二次函数对BCG信号进行处理，然后利用改进的搜索窗口检测心跳峰值。
Bruser等人设计了一种力传感器床来获取BCG信号，并使用滑动窗口获取间隔。Jin J.等人[11]首先利用小波变换去除一些BCG信号的噪声，然后利用阈值法得到RR区间。Shin J.H.等人[12]分两个阶段完成心跳检测。首先由专家对BCG信号和测量装置进行实证分析，构建BCG模板，然后利用局部移动窗口计算BCG信号与模板的相关函数的精度。研究者[13,14]对BCG信号进行预处理，如对BCG信号进行归一化和滤波，并结合BCG数据的阈值和功率运算提取心跳。Algunaidi M.等人的[15]首先根据大量的心跳数据统计得到心率范围，然后根据该范围设置滑动窗口长度，再根据滑动窗口得到心跳间隔时间。Choi B.H.等人[16]首先基于负载单元安装的床获取BCG信号，并结合滑动窗口和阈值法得到RR区间。
Cao等人[18]首先基于EEMD算法对BCG信号进行分解，然后选取BCG信号分解分量7作为目标信号，目标信号为其周期完全符合心脏周期的信号，然后利用目标信号提取RR区间。
与上述工作相比，本文的研究结合生物信号的非线性和非平稳特性，对EEMD方法进行了改进，完成了自适应提取RR区间的工作。
3 方法
3.1数据收集平台
利用非侵入式睡眠传感系统采集BCG信号，该系统由微动感应床垫、模拟-数字(A/D)转换器和终端PC组成，系统如图1所示。床垫是嵌入两个液压传感器(油管),一个位于床垫的上部用于测量心跳的压力,另一种是放在腿的区域,和床垫可以确保有足够的区域不同受试者的身体大小。BCG的采样频率是 100赫兹。原始压力信号由微动感应床垫记录，通过A/D转换器转换为数字信号。最后，我们可以从系统中获取一些生理参数数据集，如BCG、呼吸等。在这项工作中，我们更多的关注分析对象的心脏振动，所以我们只选择BCG信号作为原始数据集。
图1微动感应床垫睡眠监测系统
3.2信号处理
3.2.1理论基础和存在问题
Norden E.Huang在1998年想出了一个方法——HHT（Hilbert-Huang Transformation）[16]用于分析非线性和非平稳信号基于经验模态分解(EMD)和希尔伯特谱分析(HSA),和方法已被应用于许多科学研究领域,包括生物信号分析。但EMD存在许多问题，如模态混合问题。为了解决这一问题，Huang提出了一种改进的方法——集成经验模态分解(EEMD)。该方法一般用于非平稳信号，如生理信号。
在本文中，我们将以EEMD算法为基础来处理BCG信号，并尝试解决一些仍然存在的问题，如下:
（1）EEMD算法包含两个重要参数:Nstd和NE。Nstd为白噪声信号与BCG信号幅值标准差之比，NE为程序中迭代次数。根据Huang[19]理论，Nstd通常是根据工作经验设置的，因此实验结果受参数设置的影响。
（2）由于睡眠姿势或采集设备不同，人的BCG信号也不同。使用EEMD测量时，不同的BCG信号需要设置不同的参数。因此，很难根据不同类型的BCG信号来设置参数。
（3）X曹等。[18]处理基于EEMD BCG信号,然后选择decom列车位置组件7作为目标信号提取RR间隔,而是因为BCG信号对不同的人存在差异,它会导致分解组件六或其他而不是七与心动周期一致。这种情况也在论文[19]中有所体现。该方法适用于分析少量数据，但如果应用于自动心跳提取系统，会降低心跳周期的准确性。同时，EEMD的分解效果与EEMD的输入参数有关，且参数受BCG信号的影响。因此，对所有的BCG信号都设置固定的参数值是不合适的。为了提高实验数据的精度，必须选择合适的分解分量作为目标信号。
（4）由于NE值较大，会影响程序的时间效率。我们应该找到一种方法来降低NE值，并且对分解效果没有影响。
3.2.2 解决方法
根据上面的内容，我们可以知道，对于BCG信号，如果想要很好的去除噪声，需要在BCG信号中加入幅值等于BCG信号噪声的白噪声信号。实际上，BCG信号的噪声就是BCG信号的高频信息。因此，如果我们知道BCG信号的高频信息，就可以得到白噪声的幅值。同时，如果我们能够从BCG信号中提取出我们想要去除的高频信息，我们还可以计算出参数Nstd，然后我们可以自适应地完成EEMD方法的参数Nstd设置。
为了去除BCG信号的噪声，我们需要知道哪些频段应该提取为高频信号。根据医学领域的知识，心率是40-200次/分，最大和最小心率值通常是运动员。其对应的频率范围为0.67 Hz - 3.33 Hz。因此，我们应该提取出频带大于3.33 Hz的高频信号。利用EMD算法、高通滤波、多分辨率小波变换等方法可以提取出BCG信号的高频信息。对于EMD算法，其时间效率相对较差。对于高通滤波方法，需要手动输入滤波参数值，不同的参数值会对滤波结果产生不同的影响。对于多分辨率小波变换，可以自适应提取高频细节信号，但多分辨率小波变换需要选择小波基。
为了了解小波基础上是否有严重影响Nstd价值,我们选择BCG信号16人测试和选择三种不同系列的小波基,它们分别db,sym,bior,sym和bior选择随机,db通常用于BCG信号的小波分解(39-41)。实验结果如表1所示，可选参数为基于人工经验选择的Nstd参数范围，该范围是分解效果最好的。从表1可以看出，小波基对Nstd值几乎没有影响。
表1 比较自适应参数与可选参数
因此，我们决定选择多分辨率小波变换来提取高频信号。但是我们必须知道哪些分解尺度是我们所需要的。为了解决这个问题，我们随机选取原始的BCG信号和目标信号，如图2所示。然后利用多分辨率小波变换对BCG信号进行处理，得到高频细节信号，再用傅立叶变换对BCG信号、目标信号和高频细节信号进行处理。结果如图3所示。
图2 原始信号和目标信号
从图3可以看出，目标信号的频带约为0 - 3hz，与人体心率范围一致。同时，我们将大于3hz的频带信号作为噪声信号，即这些信号是我们需要的高频信号。从图3中可以看出，分解后的BCG信号的1-4尺度超出了人类心率的频带，所以我们选择它们作为噪声信号，我们需要提取这些高频信号。为了便于操作，我们选择对分解后的1-4阶高频信号进行重构。然后将重构后的高频信号作为加白噪声信号进行处理，计算参数Nstd。现在，我们可以自适应地完成参数Nstd的设置。
根据部分理论基础和存在的问题，我们知道EEMD有两个参数，现在我们来解决如何得到NE值的问题。根据Huang[19]提出的统计规则，Nstd与NE的关系如公式1所示，e为分解误差值，一般设置为1%。
图3 信号的快速傅里叶变换结果
然而，对于波士顿咨询公司来说，根据经验收取1%的费用是不合适的。根据大量的实验，我们发现它适用于取5%。为了解释这个问题，我们随机选择一个例子，我们使用EEMD算法对BCG信号进行分解，e取1%和5%，分解结果如图4所示。虽然e = 5%时理论分解误差值增大，但从图4可以看出，分解效果实际上没有差别。在本实验中，Nstd值为0.3，根据公式1,e = 1%时NE值为900,e = 5%时为36。所以将e设置为5%更合适，减少了程序的运行时间。现在，我们可以自适应地完成参数NE的设置。
图4 不同e值的BCG的分解效果
4结果
在本研究中，我们使用18名受试者的BCG信号对每个个体数据集进行了实验，其中包括10名男性和8名女性(年龄20-72岁)。利用该方法得到RR区间序列。
提取RR间隔的过程中,我们首先需要检测峰值点,所以这个过程可以被视为事件检测,所以有可能出现心跳峰值点的地理situa标识不正确(假阳性)和心脏击败峰值点无法正确识别(假阴性)。为了评价该方法的性能。我们收集了TRR, F.P, F.N的统计数据包括总误差，计算精度值。公式如下，统计量如表3所示。
Total Error = TP TN (2)
Accuary = (Total Error∕TRR)lowast; 100% (3)
从表2,我们可以观察到总的错误事件数量从AHE算法小于总错误事件数量从RDS算法和参数的准确性,这也反映出AHE算法具有更高的精度和可靠性比FDS算法提取心跳间隔。
表2 不同方法的性能对比
在第三个部分，我们知道我们设置e为5%是基于大量的实验经验,我们可以提高程序的时间效率,为了评估AHE算法的时间效率,我们开始给一个测试,并设置e为1%在FDS算法中,其结果是显示在表3。
表3 不同方法的时间性能对比
在研究领域，我们经常使用5分钟或10分钟的数据集(如ECG、BCG)来提取RR间隔并分析心率变异性。因此，在本实验中，我们分别安排了四种不同的时间长度数据集来完成测试。从表3中我们可以清楚的看到，算法AHE的时间性能有了很大的提高。
5结论
心血管疾病严重影响着全世界老年人的健康。本研究提出了一种基于BCG数据集的RR区间自适应获取方法。算法首先完成自动获取输入参数EEMD算法基于小波变换和信号重建,其次完成基于EEMD信号分解,并选择自适应目标信号,最后, 通过使用目标信号完成检测峰值点和计算心跳间隔系列。简而言之，该方法完成了对基于数据集的心跳间隔序列的自适应提取。
结果表明，该方法适用于18名受试者，包括8名女性和10名男性(年龄20-72岁)的BCG数据集。将BCG的心率结果与心电图进行比较。从第3节可以看出，BCG对心率值的测量精度较高，该方法的准确性为99%。
参考文献
- WHO: Cardiovascular Diseases (CVDs). Geneva, Switzerland: World Health Organization (2013)
-
Giovangrandi, L., Inan, O.T., Wiard, R.M., et al.: Ballistocardiography—a method worth revisiting. In: 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society,
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239692]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
