李勇明，陳勃翰，王 品

·生物電子學(xué)·

基于模式識(shí)別的胸阻抗信號(hào)自動(dòng)檢測(cè)算法

李勇明1,2，陳勃翰1，王 品1

(1. 重慶大學(xué)通信工程學(xué)院 重慶 沙坪壩區(qū) 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 沙坪壩區(qū) 400038)

為了自動(dòng)識(shí)別胸阻抗(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，并結(jié)合先驗(yàn)知識(shí)和機(jī)器智能從而完成對(duì)心肺復(fù)蘇質(zhì)量的監(jiān)測(cè)評(píng)估，提出了一種基于模式識(shí)別的胸阻抗信號(hào)自動(dòng)檢測(cè)算法?；趯?shí)驗(yàn)采集的豬的電誘導(dǎo)心臟驟停模型TTI信號(hào)，設(shè)計(jì)結(jié)合小波和形態(tài)學(xué)的除噪算法對(duì)信號(hào)進(jìn)行預(yù)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(duì)定位的按壓和通氣波形進(jìn)行分類識(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可達(dá)到98.237%、94.947%和99.651%、97.282%，穩(wěn)定性好，且運(yùn)行時(shí)間(0.485±0.07 s)滿足實(shí)時(shí)性要求。

自動(dòng)檢測(cè); 心肺復(fù)蘇; 胸外按壓; 線性判別分析; 胸阻抗

胸外按壓(CC)是心肺復(fù)蘇(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)鍵問題[3-4]。通過對(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(cè)無瑕疵間隔(如進(jìn)行通氣)，以正確的評(píng)估按壓節(jié)奏，使救援操作更為標(biāo)準(zhǔn)[5]。

胸阻抗(TTI)信號(hào)值主要是指在心肺復(fù)蘇過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[6]。

現(xiàn)有研究表明，在心肺復(fù)蘇過程中，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[7-8]。通過對(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[9]。目前關(guān)于波形分析的研究較少。文獻(xiàn)[10]采用自適應(yīng)閾值法進(jìn)行按壓波形分析，但未包含通氣波形的識(shí)別和處理，普適性較差，難以適用于復(fù)雜的波形。文獻(xiàn)[11]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，而且由于每個(gè)信號(hào)檢測(cè)時(shí)均需進(jìn)行學(xué)習(xí)過程，無法達(dá)到實(shí)時(shí)要求。因此，本文提出了一種基于模式識(shí)別的胸阻抗信號(hào)自動(dòng)檢測(cè)算法，對(duì)完成波形定位的去噪后信號(hào)進(jìn)行分類識(shí)別；并根據(jù)分類識(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)，并依此結(jié)合2010年心肺復(fù)蘇指南中的指標(biāo)智能評(píng)估該次心肺復(fù)蘇的質(zhì)量。

1 實(shí)驗(yàn)數(shù)據(jù)

1.1 數(shù)據(jù)的采集

本文的實(shí)驗(yàn)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，涉及16頭公豬。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)展開實(shí)驗(yàn)。實(shí)驗(yàn)通過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。

1.2 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[12]。在每次按壓過程中，TTI信號(hào)的振幅變化為通過數(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。

如圖1所示，為本次實(shí)驗(yàn)所采集到的部分TTI信號(hào)。圖1a為較標(biāo)準(zhǔn)信號(hào)波形，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中后3段信號(hào)為受噪聲干擾以及其他原因造成的復(fù)雜信號(hào)波形。如圖1b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1c中，由于高頻噪聲和基線漂移的干擾，導(dǎo)致圖形部分區(qū)域不清晰(如細(xì)節(jié)處)，難以識(shí)別。

圖1 原始信號(hào)

2 胸阻抗信號(hào)自動(dòng)檢測(cè)算法

胸阻抗信號(hào)自動(dòng)檢測(cè)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(xué)相結(jié)合的TTI信號(hào)去噪算法

2.1.1 基于小波閾值的TTI去噪

信號(hào)中的噪聲主要有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。小波變換是一種信號(hào)的時(shí)間—尺度分析方法，具有時(shí)頻局域化分析能力和多分辨率分析的特點(diǎn)。其優(yōu)點(diǎn)在于對(duì)于非平穩(wěn)信號(hào)，能根據(jù)噪聲與信號(hào)的不同特性，在小波域中實(shí)現(xiàn)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(guān)。通用的閾值選取方法為λ=σ2ln N，其中N為噪聲的長(zhǎng)度[14]。噪聲均方差σ可以通過小波變換的高頻細(xì)節(jié)信號(hào)dj來估計(jì)，即σ=median(dj)/ 0.674 5。其中軟閾值估計(jì)為：

設(shè)含噪TTI信號(hào)為f(n)，基于小波閾值的TTI去噪具體過程如下：

1) 對(duì)信號(hào)f(n)使用bd1小波進(jìn)行7個(gè)尺度的小波分解，得到相應(yīng)的小波系數(shù)jw；

2) 選用軟閾值，對(duì)小波分解后的系數(shù)jw進(jìn)行閾值處理，得到小波系數(shù)估計(jì)值?jw；

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

2.1.2 基于形態(tài)學(xué)運(yùn)算的TTI信號(hào)濾波

在進(jìn)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(hào)并不平滑且還存在基線漂移。數(shù)學(xué)形態(tài)學(xué)中的開運(yùn)算和閉運(yùn)算所處理的信息分別與信號(hào)的凸、凹有關(guān)，因此可用它們?nèi)コ肼?、恢?fù)信號(hào)，且其計(jì)算簡(jiǎn)單、速度快，滿足實(shí)時(shí)性的要求[15]。開運(yùn)算通過削去波峰從下面平滑了序列，抑制了信號(hào)中的峰值噪聲；相反，閉運(yùn)算通過填充波谷而從上部平滑了序列，抑制了信號(hào)中的谷值噪聲[16]。通過開、閉運(yùn)算相結(jié)合的方式可濾除特定波形，得到基線漂移信號(hào)，最終達(dá)到濾波的作用。

膨脹運(yùn)算(Dilation，⊕)和腐蝕運(yùn)算(Erosion，Θ)是數(shù)學(xué)形態(tài)學(xué)中的基本運(yùn)算，定義為：小波去噪后的TTI信號(hào)序列為F(n)，其定義域?yàn)閚={0, 1, …, N?1}；結(jié)構(gòu)元素S(m)，其定義域m={0, 1, …, M?1}，且N ＞＞M。則F(n)關(guān)于S(m)的膨脹運(yùn)算和腐蝕運(yùn)算為：

膨脹運(yùn)算為：

腐蝕運(yùn)算為：

膨脹運(yùn)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(yùn)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(yùn)算(opening，?)是先進(jìn)行一次腐蝕運(yùn)算，再進(jìn)行一次膨脹運(yùn)算。閉運(yùn)算(closing，?)則是先進(jìn)行一次膨脹運(yùn)算，再進(jìn)行一次腐蝕運(yùn)算。

開運(yùn)算為：

閉運(yùn)算為：

本文采用的形態(tài)學(xué)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(jié)構(gòu)元素，分別進(jìn)行開-閉和閉-開組合運(yùn)算，并對(duì)運(yùn)算結(jié)果取中值，使TTI特征波形都被濾除，只剩下基線漂移信號(hào)，再從原信號(hào)中減去獲得的基線漂移信號(hào)，即可獲得濾除了基線漂移后的TTI信號(hào)。

圖3 形態(tài)學(xué)濾波器模塊

最優(yōu)結(jié)構(gòu)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(guān)，還與待處理信號(hào)的采樣率相關(guān)[17]。設(shè)結(jié)構(gòu)元素寬度為M，信號(hào)中按壓波形的寬度為N，當(dāng)N＜M時(shí)按壓波形被濾除，當(dāng) N＞M時(shí)按壓波形被保留。

本文選擇直線型的結(jié)構(gòu)元素。由于采樣頻率為300 Hz，TTI信號(hào)中特征波形以按壓波形最多，其典型寬度為150～200個(gè)采樣點(diǎn)。因此選擇濾除基線漂移時(shí)的結(jié)構(gòu)元素寬度為200(數(shù)值單位為采樣點(diǎn)數(shù))。

圖4 原始信號(hào)(圖1c)去噪后波形

通過小波和形態(tài)學(xué)相結(jié)合的算法處理后，信號(hào)中的噪聲和干擾被消除，并平滑了信號(hào)波形。如圖4所示為實(shí)驗(yàn)數(shù)據(jù)中含有基線漂移和高頻噪聲干擾的原始TTI信號(hào)(圖1c)及其濾波結(jié)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(diǎn)的函數(shù)。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)是無效的。如圖5所示為原始波形(圖1c)的傳統(tǒng)局部尋優(yōu)結(jié)果，其結(jié)果未能排除等高極值點(diǎn)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(jié)果

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(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。本文取n=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ip是否為極值點(diǎn)，那么首先在第一個(gè)分辨率下進(jìn)行搜索。通過以下公式有：

若式(6)或式(7)成立，則判定權(quán)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(jìn)行搜索。如果0.5kn＞，那么點(diǎn)ip即可被判定為波峰或波谷點(diǎn)，并分別存儲(chǔ)在相應(yīng)存儲(chǔ)數(shù)組中。

多分辨率窗口搜索法的定位結(jié)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(shí)別所有的波峰和波谷，盡管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。

圖6 原始信號(hào)波形定位結(jié)果

通過觀察以及先驗(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)，本文取m=0.3)，那么該波峰或波谷則判定為錯(cuò)誤波峰和波谷。

2.3 基于線性判定分析法的分類識(shí)別

在TTI信號(hào)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(shí)別問題。

由前面可知，算法提取信號(hào)波形振幅緊跟波谷和時(shí)間跨度為特征，則分別取其與平均值之比為特征系數(shù)，然后采用線性判別分析方法進(jìn)行模式分類。通過提取每個(gè)波形的特征系數(shù)，可得到2N×的樣本空間(其中N為樣本個(gè)數(shù)，系數(shù)個(gè)數(shù)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(shù)，即相鄰波峰波谷間幅度差和時(shí)間差與其平均值的比值；x1為波形振幅特征系數(shù)，x1=Dai/M?ad；x2為時(shí)間跨度特征系數(shù)，x2=Dti/M?td(M?ad、M?td為去偽波后的均值)；ω1、ω2和ω3為權(quán)重系數(shù)，且滿足ω1+ω2+ω3=0。通過輸入訓(xùn)練樣本，可以令d( x)=0來修正權(quán)系數(shù)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(shí)別可通過下面的判別規(guī)則進(jìn)行：

式中，()0d x=為判別邊界。

如圖7所示，圖1中原始TTI信號(hào)波形在去噪除偽后，經(jīng)過模式分類的識(shí)別結(jié)果。由圖可以看出，本文的方法對(duì)含有基線漂移和高頻干擾、且?guī)в胁糠只尾ㄐ蔚男盘?hào)也能良好地識(shí)別。

圖7 原始信號(hào)分類識(shí)別結(jié)果

2.4 質(zhì)量評(píng)估

在完成按壓和通氣波形的分類識(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CIm和VIn，m、n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：

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

3 實(shí)驗(yàn)結(jié)果與分析

線性判別分析法、K均值聚類分析法和BP神經(jīng)網(wǎng)絡(luò)3種模式識(shí)別方法對(duì)已去噪除偽的TTI信號(hào)進(jìn)行處理的結(jié)果對(duì)比，如表1所示。主要從正確率、敏感度以及運(yùn)行時(shí)間3個(gè)指標(biāo)來表示。

由表中數(shù)據(jù)可知，K均值聚類分析法的運(yùn)行時(shí)間為0.434±0.09 s，雖然在時(shí)間上可滿足實(shí)時(shí)要求，但按壓波形的識(shí)別正確率為90.603%，識(shí)別通氣波形的正確率僅為81.927%，不能達(dá)到實(shí)際應(yīng)用的標(biāo)準(zhǔn)；BP神經(jīng)網(wǎng)絡(luò)算法識(shí)別按壓波形的正確率為98.531%，識(shí)別通氣波形的正確率為85.677%，雖然基本達(dá)到標(biāo)準(zhǔn)，但是由于BP神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)信號(hào)進(jìn)行檢測(cè)時(shí)均需進(jìn)行學(xué)習(xí)，平均運(yùn)行時(shí)間為50.952± 2.31 s，并且識(shí)別結(jié)果受訓(xùn)練樣本的限制，對(duì)畸變波形識(shí)別的正確率不高，如圖1b中的原始信號(hào)所示。

表1 3種模式分類方法性能對(duì)比

線性判別分析法識(shí)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(dá)到99.651%和97.282%，并且每組數(shù)據(jù)(共36 000個(gè)采樣點(diǎn))均可在0.485±0.07 s之內(nèi)完成處理，因此可以達(dá)到對(duì)TTI信號(hào)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。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(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)所需的各項(xiàng)參數(shù)。

4 結(jié) 論

本文提出了一個(gè)通過TTI信號(hào)識(shí)別分類按壓和通氣波形的算法，首先通過小波與形態(tài)學(xué)相結(jié)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(jié)合模式識(shí)別直接對(duì)已完成波形定位的TTI信號(hào)進(jìn)行分類識(shí)別。

實(shí)驗(yàn)結(jié)果表明，該算法可以識(shí)別絕大部分TTI信號(hào)的按壓和通氣波形，并依此記錄CPR過程中實(shí)時(shí)的按壓次數(shù)、通氣次數(shù)和時(shí)間，計(jì)算出按壓頻率、按壓通氣比和按壓時(shí)間比等參數(shù)。并通過向心肺復(fù)蘇操作人員實(shí)時(shí)地反饋計(jì)算參數(shù)，調(diào)整其心肺復(fù)蘇操作，達(dá)到為CPR過程提供指導(dǎo)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(hào)小波消噪方法的研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 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(guó)敏. 基于形態(tài)學(xué)運(yùn)算和自適應(yīng)閾值的心電信號(hào)消噪[J]. 信號(hào)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(guān)澤群, 等. 一種形態(tài)學(xué)濾波結(jié)構(gòu)元的選擇方法[J]. 計(jì)算機(jī)工程與應(yīng)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(guó)家自然科學(xué)基金(61108086)；中央高?；?CDJZR10160003，CDJZR13160008)；國(guó)家博士后基金(2013M532153)；重慶市自然科學(xué)基金(CSTC2011BB5066，CSTC2012jjA0612)；重慶市科技攻關(guān)計(jì)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(shí)別、信號(hào)處理、圖像處理等方面的研究.