史春燕,翟羽婷,王 磊

(1.張家口學(xué)院理學(xué)院,河北 張家口 075000;2.中國(guó)科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所,江蘇 蘇州 215163)

項(xiàng)目來(lái)源:江蘇省政策引導(dǎo)類(lèi)計(jì)劃(產(chǎn)學(xué)研合作)—前瞻性聯(lián)合研究項(xiàng)目(BY2016049-01)

2017-01-23修改日期2017-07-07

基于貝葉斯網(wǎng)絡(luò)的體域網(wǎng)多模態(tài)健康數(shù)據(jù)融合方法*

史春燕1,翟羽婷1,王 磊2*

(1.張家口學(xué)院理學(xué)院,河北 張家口 075000;2.中國(guó)科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所,江蘇 蘇州 215163)

體域網(wǎng)作為無(wú)線傳感器網(wǎng)絡(luò)在生物醫(yī)學(xué)領(lǐng)域的一個(gè)重要分支能夠遠(yuǎn)程實(shí)時(shí)監(jiān)測(cè)人體多項(xiàng)健康數(shù)據(jù)。針對(duì)基于體域網(wǎng)采集到的多模態(tài)健康數(shù)據(jù)融合與分析方法進(jìn)行研究,設(shè)計(jì)了一套包括動(dòng)態(tài)心電傳感器、血壓傳感器和血氧飽和度傳感器的體域網(wǎng)組網(wǎng)方式,提出了一種基于貝葉斯網(wǎng)絡(luò)模型和推理算法的心肌缺血監(jiān)測(cè)識(shí)別方法。通過(guò)對(duì)60例確診心臟病患者施行單一模態(tài)動(dòng)態(tài)心電監(jiān)測(cè)和多模態(tài)健康數(shù)據(jù)監(jiān)測(cè)對(duì)比實(shí)驗(yàn),驗(yàn)證了所提出的多模態(tài)健康數(shù)據(jù)融合方法能夠有效提高無(wú)癥狀性心肌缺血的檢出率,為臨床應(yīng)用提供了一種新的輔助判別手段。

體域網(wǎng);多模態(tài);數(shù)據(jù)融合;貝葉斯網(wǎng)絡(luò)

體域網(wǎng)BSN(Body Sensor Networks)作為無(wú)線傳感器網(wǎng)絡(luò)WSN(Wireless Sensor Network)在生物醫(yī)學(xué)領(lǐng)域的一個(gè)重要應(yīng)用分支,近年來(lái)引起了健康醫(yī)療、遠(yuǎn)程監(jiān)護(hù)、社區(qū)養(yǎng)老等多個(gè)領(lǐng)域?qū)W者的關(guān)注和研究[1]。從定義上理解,體域網(wǎng)是指將植入式、可穿戴式或者近體式三類(lèi)傳感器安置于人體體內(nèi)或體表,采集得到多種類(lèi)型的體征數(shù)據(jù),比如心電、腦電、體溫、血壓、血氧等信息并通過(guò)無(wú)線傳感器網(wǎng)絡(luò)上傳到數(shù)據(jù)處理中心,基于數(shù)據(jù)挖掘與分析技術(shù)輔助決策人員做出人體健康狀況的評(píng)價(jià)。

體域網(wǎng)在健康醫(yī)療領(lǐng)域的研究主要集中于人體各類(lèi)健康數(shù)據(jù)的實(shí)時(shí)采集設(shè)備、無(wú)線傳感器網(wǎng)絡(luò)的組網(wǎng)方式以及低功耗通信元器件的研發(fā)。在健康數(shù)據(jù)分析領(lǐng)域,張偉等針對(duì)人體脈搏波的測(cè)量及性別區(qū)分進(jìn)行了深入研究,實(shí)驗(yàn)結(jié)果為中醫(yī)通過(guò)切脈判定性別提供了定量依據(jù)[2]。劉毅等針對(duì)心電圖(ECG)實(shí)時(shí)檢測(cè)信號(hào)面臨的隨機(jī)噪聲問(wèn)題提出了一種基于雙閾值函數(shù)的信號(hào)去噪法,獲得了體域網(wǎng)在ECG信號(hào)處理方面更優(yōu)的去噪性能[3]。彭向東等針對(duì)體域網(wǎng)遠(yuǎn)程監(jiān)護(hù)中心對(duì)重構(gòu)的ECG信號(hào)精度要求高和BSN低功耗問(wèn)題,提出基于過(guò)完備字典的體域網(wǎng)壓縮感知心電重構(gòu)方法[4]。

隨著傳感技術(shù)、物聯(lián)網(wǎng)技術(shù)的快速發(fā)展,基于體域網(wǎng)能夠?qū)崟r(shí)采集到大規(guī)模多模態(tài)的人體健康數(shù)據(jù),這為提供更為精準(zhǔn)的健康數(shù)據(jù)分析提供了可能性,同時(shí)也為多模態(tài)健康數(shù)據(jù)融合與分析技術(shù)提出新的挑戰(zhàn)[5],研究者已經(jīng)針對(duì)無(wú)線傳感器網(wǎng)絡(luò)的數(shù)據(jù)融合算法進(jìn)行了深入研究[6-7]。無(wú)癥狀性心肌缺血(SMI)由于發(fā)病過(guò)程中一般不伴隨病人明顯感知的心絞痛癥狀,因此更加需要借助高精度的監(jiān)測(cè)系統(tǒng)提供客觀數(shù)據(jù)和診斷依據(jù)。目前臨床大多采用動(dòng)態(tài)心電圖12導(dǎo)聯(lián)方式連續(xù)監(jiān)測(cè)病人24 h的心電信號(hào),交由醫(yī)生針對(duì)單一模態(tài)的心電波形數(shù)據(jù)判斷病人的心肌缺血病情。研究者也針對(duì)遠(yuǎn)程心電監(jiān)測(cè)、心電圖、動(dòng)態(tài)心電圖(Holter)等不同類(lèi)型心電監(jiān)測(cè)儀器和數(shù)據(jù)進(jìn)行了對(duì)比分析,驗(yàn)證了動(dòng)態(tài)心電圖在心律失常、心肌缺血臨床檢查中的價(jià)值[8]。設(shè)計(jì)一套先進(jìn)的體域網(wǎng)并利用多模態(tài)健康數(shù)據(jù)實(shí)時(shí)采集和信息融合技術(shù),能夠?yàn)獒t(yī)生提供一種更加準(zhǔn)確的心肌缺血臨床輔助判別手段。

本文針對(duì)人體多模態(tài)健康數(shù)據(jù)實(shí)時(shí)采集與分析開(kāi)展工作,設(shè)計(jì)一套集成24 h動(dòng)態(tài)心電傳感器、血壓傳感器和動(dòng)態(tài)血氧飽和度傳感器的基于體域網(wǎng)的心肌缺血?jiǎng)討B(tài)監(jiān)測(cè)系統(tǒng),研究如何將采集到的連續(xù)型多模態(tài)健康數(shù)據(jù)進(jìn)行特征提取,并提出一種基于貝葉斯網(wǎng)絡(luò)模型和推理算法的健康數(shù)據(jù)融合方法,探討集成動(dòng)態(tài)心電信息、心率信息、血壓和血氧飽和度4種模態(tài)數(shù)據(jù)的無(wú)癥狀性心肌缺血臨床輔助診斷方法。通過(guò)針對(duì)60例患者的多模態(tài)健康數(shù)據(jù)進(jìn)行監(jiān)測(cè),與單一模態(tài)的動(dòng)態(tài)心電分析進(jìn)行對(duì)比,分析本文所提出的多模態(tài)健康數(shù)據(jù)融合與分析方法的性能與準(zhǔn)確度。

1 基于體域網(wǎng)的心肌缺血?jiǎng)討B(tài)監(jiān)測(cè)系統(tǒng)

體域網(wǎng)基于植入式、可穿戴式或者近體式的低功耗高精度傳感器技術(shù),在人體內(nèi)部或體表布置多個(gè)微型傳感器并組網(wǎng)形成一套完整的體域網(wǎng)結(jié)構(gòu),實(shí)現(xiàn)人體健康體征數(shù)據(jù)的監(jiān)測(cè),從而支持健康醫(yī)療數(shù)據(jù)分析,為遠(yuǎn)程醫(yī)療、實(shí)時(shí)監(jiān)護(hù)提供支持[9]。本節(jié)簡(jiǎn)要介紹所設(shè)計(jì)搭建的基于體域網(wǎng)的心肌缺血?jiǎng)討B(tài)監(jiān)測(cè)系統(tǒng)架構(gòu)以及數(shù)據(jù)融合所采用的貝葉斯網(wǎng)絡(luò)關(guān)鍵技術(shù)。

1.1 基于體域網(wǎng)的心肌缺血監(jiān)測(cè)系統(tǒng)

無(wú)癥狀性心肌缺血在臨床上指客觀證據(jù)顯示已經(jīng)出現(xiàn)了心肌缺血,但是不伴隨出現(xiàn)病人有明顯感覺(jué)的各種類(lèi)型心絞痛癥狀。據(jù)臨床統(tǒng)計(jì)約有一半的冠心病患者可發(fā)生無(wú)癥狀性心肌缺血。

基于體域網(wǎng)的心肌缺血監(jiān)測(cè)系統(tǒng)架構(gòu)如圖1所示,由體表傳感器、體域網(wǎng)數(shù)據(jù)傳輸節(jié)點(diǎn)和數(shù)據(jù)分析終端組網(wǎng)實(shí)現(xiàn)。

圖1 基于體域網(wǎng)的心肌缺血監(jiān)測(cè)系統(tǒng)架構(gòu)

動(dòng)態(tài)心電傳感器使用臨床廣泛應(yīng)用的12導(dǎo)聯(lián)方式貼附于人體體表,采集人體24 h連續(xù)心電信號(hào);采用可穿戴腕式電子血壓傳感器收集人體血壓信息;使用指套式血氧檢測(cè)儀記錄人體血氧飽和度。以上傳感器將人體多種模態(tài)的健康數(shù)據(jù)進(jìn)行連續(xù)測(cè)量并通過(guò)數(shù)據(jù)傳輸節(jié)點(diǎn)傳送到數(shù)據(jù)分析終端,然后基于多模態(tài)的體征數(shù)據(jù)進(jìn)行數(shù)據(jù)融合與智能分析。

目前臨床對(duì)于心肌缺血的檢測(cè)大多基于心電圖或者動(dòng)態(tài)心電圖,醫(yī)生通過(guò)單一模態(tài)的健康數(shù)據(jù)(心電信號(hào))對(duì)可能存在的心肌缺血做出判斷,這一過(guò)程很大程度上依賴于醫(yī)生的臨床經(jīng)驗(yàn)。同時(shí),由于被測(cè)人體的呼吸運(yùn)動(dòng)、外部電磁干擾、信號(hào)采集和傳輸過(guò)程的數(shù)據(jù)噪音等因素,依靠單一模態(tài)心電信號(hào)做出判斷存在一定程度的不確定性和不可靠性[10]。心肌缺血尤其是無(wú)癥狀性心肌缺血除了會(huì)引起心電信號(hào)異常外,有些患者還會(huì)出現(xiàn)血壓異常、血氧飽和度異常。通過(guò)同時(shí)采集病人的連續(xù)心電信號(hào)、血壓信號(hào)和血氧飽和度信號(hào),基于多模態(tài)數(shù)據(jù)融合技術(shù)綜合分析,有利于協(xié)助醫(yī)生針對(duì)心肌缺血做出更加準(zhǔn)確的判斷。

1.2 貝葉斯網(wǎng)絡(luò)模型與推理過(guò)程

貝葉斯網(wǎng)絡(luò)通過(guò)圖形的方式描述變量集合的連續(xù)概率分布,綜合使用圖論、概率論、人工智能和決策理論推理系統(tǒng)的不確定事件。給定隨機(jī)變量集合V={v1,v2,…,vn},建立在該集合上的聯(lián)合概率分布P(V)=P(v1,v2,…,vn)可以表示為一個(gè)貝葉斯網(wǎng)絡(luò):

B=

(1)

式中:G=是貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),用一個(gè)有向無(wú)環(huán)圖表示,節(jié)點(diǎn)集合V為隨機(jī)變量,節(jié)點(diǎn)的狀態(tài)對(duì)應(yīng)于隨機(jī)變量的值,A為節(jié)點(diǎn)之間的有向弧集合,表示節(jié)點(diǎn)之間的條件依賴關(guān)系;P是貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù),P中的每一個(gè)元素代表節(jié)點(diǎn)的條件概率表(CPT),量化表示了貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)與其父節(jié)點(diǎn)之間的概率關(guān)系,由概率的鏈規(guī)則有:

(2)

建立針對(duì)心肌缺血識(shí)別的貝葉斯網(wǎng)絡(luò)模型,首先需要確定定義域變量,明確哪些因素影響心肌缺血病癥識(shí)別的判斷,通過(guò)變量給出這些因素的具體含義;然后構(gòu)造一個(gè)描述變量以及變量之間關(guān)系的有向無(wú)環(huán)圖G,確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu);接著需要制定條件概率分布表CPT,結(jié)合專(zhuān)家臨床經(jīng)驗(yàn)確定貝葉斯網(wǎng)絡(luò)中每個(gè)變量的條件概率分布函數(shù)P(vi)以及變量之間的依賴關(guān)系。在此基礎(chǔ)上借助貝葉斯網(wǎng)絡(luò)模型對(duì)心肌缺血進(jìn)行推理與判斷,并在可行情況下對(duì)貝葉斯網(wǎng)絡(luò)模型進(jìn)一步優(yōu)化。

2 基于貝葉斯網(wǎng)絡(luò)的健康數(shù)據(jù)融合方法

在基于體域網(wǎng)的心肌缺血?jiǎng)討B(tài)監(jiān)測(cè)系統(tǒng)基礎(chǔ)上,本節(jié)討論如何處理采集獲得的多模態(tài)健康數(shù)據(jù),對(duì)心肌缺血進(jìn)行識(shí)別。首先提出多模態(tài)健康數(shù)據(jù)特征提取方法,并以心電ST段變化為例介紹通過(guò)時(shí)域特征提取、頻域特征提取和時(shí)頻組合特征提取待判別的數(shù)據(jù)信息;然后建立用于心肌缺血識(shí)別的貝葉斯網(wǎng)絡(luò)模型,確定網(wǎng)絡(luò)結(jié)構(gòu)和觀測(cè)變量;最后介紹貝葉斯網(wǎng)絡(luò)參數(shù)和推理過(guò)程。

2.1 多模態(tài)健康數(shù)據(jù)特征提取

基于體域網(wǎng)的心肌缺血?jiǎng)討B(tài)監(jiān)測(cè)系統(tǒng)能夠通過(guò)多種傳感器組網(wǎng)方式采集到多種模態(tài)的健康數(shù)據(jù)。監(jiān)測(cè)系統(tǒng)將3種不同的傳感器連接于被測(cè)人體體表,監(jiān)測(cè)包括心電ST段變化、心率變化、血壓變化以及血氧飽和度在內(nèi)的4種模態(tài)的健康數(shù)據(jù),隨后針對(duì)每種模態(tài)的健康數(shù)據(jù)進(jìn)行特征提取。

以心電ST段變化的特征提取為例進(jìn)行分析。動(dòng)態(tài)心電是一種模擬波,根據(jù)一維波形的時(shí)域特征可以劃分為P波、PR間期、QRS波群、ST段、QT間期等不同的波段,其中ST段變化情況對(duì)于心肌缺血、心肌細(xì)胞損傷的診斷具有明顯的臨床意義[11]。首先對(duì)心電ST段進(jìn)行時(shí)域特征提取,然后進(jìn)行頻域特征提取,在此基礎(chǔ)上進(jìn)行心電ST段時(shí)頻組合特征提取。

①心電ST段時(shí)域特征提取。心電波形呈現(xiàn)明顯的周期特性,其中ST段正常情況呈現(xiàn)略上斜形,異常情況可能出現(xiàn)ST段水平壓低(圖2(a))、ST段上斜型壓低(圖2(b))、ST段弓背向下抬高(圖2(c))、ST段墓碑樣抬高(圖2(d))等不同類(lèi)型時(shí)域特征,如圖2所示。

圖2 幾種常見(jiàn)的ST段異常波形

本文提取ST段的5個(gè)特征點(diǎn)和PR間期結(jié)束的1個(gè)特征點(diǎn),從而組成心電ST段時(shí)域特征的6元組:

Ft-domain=

(2)

式中:hPR表示PR間期結(jié)束特征點(diǎn)的高度,h1～h5依次表示ST段起始點(diǎn)、1/4點(diǎn)、1/2點(diǎn)、3/4點(diǎn)和終止點(diǎn)的高度。

②心電ST段頻域特征提取。首先對(duì)原始信號(hào)進(jìn)行小波包分解和重構(gòu),設(shè)計(jì)6個(gè)分解層次,最終得到64個(gè)頻段的能量,記為p0,p1,…,p63。按照式(3)進(jìn)行頻帶組合:

Ff-domain=

(3)

式中:f1=count(0,7),f2=count(8,15),f3=count(16,23),f4=count(24,31),f5=count(32,39),f6=count(40,47),f7=count(48,55),f8=count(56,63)。

頻帶f在64段均分頻段能量后進(jìn)行累加得到:

(4)

③心電ST段時(shí)頻組合特征提取。進(jìn)行時(shí)域和頻域特征提取后,為了更完備地體現(xiàn)原始信號(hào),進(jìn)行了相對(duì)特征提取和組合特征提取:

Ft-relative=

(5)

Ff-relative=

(6)

(7)

式(5)表示時(shí)域相對(duì)特征向量,式(6)表示頻域相對(duì)特征向量,并以此組合成不同的特征向量。

2.2 心肌缺血識(shí)別的貝葉斯網(wǎng)絡(luò)模型

建立用于心肌缺血識(shí)別的貝葉斯網(wǎng)絡(luò)模型首先需要確定網(wǎng)絡(luò)中的設(shè)定變量、觀測(cè)變量,然后確定傳感器可能接收到的數(shù)據(jù)并建立網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)心肌缺血診斷需求,建立的心肌缺血識(shí)別貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 心肌缺血識(shí)別的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)中的識(shí)別對(duì)象為心肌缺血類(lèi)型,設(shè)定為有癥狀性心肌缺血、無(wú)癥狀性心肌缺血、心肌供血正常。

傳感器包括動(dòng)態(tài)心電傳感器、血壓傳感器、血氧傳感器。

心電ST段變化監(jiān)測(cè)到的信號(hào)包括ST段下移≥1 mm、ST段改變>1 min、再次發(fā)作ST段≥1 min;心率變化包括心率≥2.0倍平均心率Avg(hr)、心率≥1.5倍平均心率Avg(hr)、心率≥1.2倍平均心率Avg(hr);血壓變化包括高壓≥1.5倍平均高壓Avg(Hbp)、高壓≥1.2倍平均高壓Avg(Hbp)、低壓≥1.5倍平均低壓Avg(Lbp)、低壓≥1.2倍平均低壓Avg(Lbp);血氧飽和度包括SpO2≥94%、70%

心肌缺血識(shí)別貝葉斯網(wǎng)絡(luò)模型在多模態(tài)健康數(shù)據(jù)特征提取得到的概率估計(jì)基礎(chǔ)上,根據(jù)臨床經(jīng)驗(yàn)設(shè)定變量各狀態(tài)之間的概率取值。

2.3 貝葉斯網(wǎng)絡(luò)參數(shù)及推理過(guò)程

在總結(jié)心肌缺血與ST段變化、心率變化、血壓變化以及血氧飽和度的臨床數(shù)據(jù)基礎(chǔ)上,結(jié)合專(zhuān)家意見(jiàn)給出每種癥狀出現(xiàn)的初始概率值。為了降低CPT復(fù)雜度和獲取難度,采用減少父節(jié)可能狀態(tài),并增加貝葉斯網(wǎng)絡(luò)中間節(jié)點(diǎn)的方法減少父節(jié)點(diǎn)個(gè)數(shù)。

貝葉斯推理過(guò)程采用了馬爾可夫鏈蒙特卡洛算法[12],算法流程描述如下:

馬爾可夫鏈蒙特卡洛算法

輸入:貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),條件概率分布表CPT

輸出:近似條件概率分配表CPT*

1.WHILEi∈VDO

2.IFi∈CPT

5.END IF

6.END WHILE

7.SelectXifromP(Xi|Markov(Xi))

8.P(Xi)=αP(Xi|par(Xi))×∏Yi∈chi(Xi)par(Yi)

9.WHILEF(P(Xi))<0.1 DO

10.DelectXifromV

11.END WHILE

12.輸出結(jié)果:近似條件概率分配表CPT*

3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文提出的基于貝葉斯網(wǎng)絡(luò)的體域網(wǎng)多模態(tài)健康數(shù)據(jù)融合方法在心肌缺血診斷的臨床價(jià)值和判別效果,針對(duì)60例明確診斷為心臟病或存在心臟不適癥狀的患者行常規(guī)12導(dǎo)聯(lián)24 h動(dòng)態(tài)心電圖監(jiān)測(cè),同時(shí)行連續(xù)血壓和血氧監(jiān)測(cè)。統(tǒng)計(jì)分析單一模態(tài)與多模態(tài)數(shù)據(jù)融合所得到的心肌缺血檢出率和判別準(zhǔn)確性。

3.1 心肌缺血檢出率

針對(duì)60例待檢患者實(shí)施12導(dǎo)聯(lián)24 h動(dòng)態(tài)心電圖監(jiān)測(cè),同時(shí)實(shí)施血壓和血氧動(dòng)態(tài)監(jiān)測(cè)。分別記錄單一使用動(dòng)態(tài)心電圖得到的心肌缺血判定分析結(jié)果,以及綜合使用動(dòng)態(tài)心電圖、血壓傳感器和血氧傳感器得到的多模態(tài)健康數(shù)據(jù)判定分析結(jié)果。采用統(tǒng)計(jì)軟件SPSS 19.0對(duì)監(jiān)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析。計(jì)數(shù)資料采用χ2檢驗(yàn),以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

60例患者的動(dòng)態(tài)心電圖(單一模態(tài))和多模態(tài)健康數(shù)據(jù)監(jiān)測(cè)結(jié)果比較如表1所示。

從表1得到的結(jié)果可以看出,單一使用動(dòng)態(tài)心電圖對(duì)于有癥狀性心肌缺血和無(wú)癥狀性心肌缺血的檢出率分別為13.4%和35.0%,使用基于體域網(wǎng)的心肌缺血檢測(cè)系統(tǒng)和多模態(tài)健康數(shù)據(jù)融合方法對(duì)于上述兩種病癥的檢出率分別為15.0%和61.7%,差異具有統(tǒng)計(jì)學(xué)意義(χ2=7.18,P<0.05以及χ2=7.59,P<0.05)?？梢?jiàn)基于體域網(wǎng)的多模態(tài)健康數(shù)據(jù)監(jiān)測(cè)與數(shù)據(jù)融合分析方法對(duì)于心肌缺血尤其是無(wú)癥狀性心肌缺血檢出率的提高具有較為明顯的提升作用。

表1 60例患者動(dòng)態(tài)心電與多模態(tài)監(jiān)測(cè)比較

進(jìn)一步,對(duì)通過(guò)多模態(tài)監(jiān)測(cè)系統(tǒng)檢出的37例無(wú)癥狀性心肌缺血發(fā)作陣次和發(fā)作時(shí)間進(jìn)行統(tǒng)計(jì)分析,如表2所示。

表2 37例無(wú)癥狀性心肌缺血發(fā)作陣次與時(shí)間

圖4 單模態(tài)與多模態(tài)數(shù)據(jù)分析對(duì)比

可以看出無(wú)癥狀性心肌缺血大多發(fā)生在白天,且上午發(fā)作陣次更為頻繁。

3.2 單模態(tài)與多模態(tài)數(shù)據(jù)分析結(jié)果對(duì)比

為了比較本文提出的基于體域網(wǎng)的多模態(tài)健康數(shù)據(jù)監(jiān)測(cè)與數(shù)據(jù)融合分析方法對(duì)于心肌缺血病癥判別的臨床價(jià)值,從60例患者檢測(cè)結(jié)果中選取1名患者作為分析對(duì)象,對(duì)比使用動(dòng)態(tài)心電圖與使用本文系統(tǒng)得到的診斷判別結(jié)果,如圖4所示。

圖4(a)為使用動(dòng)態(tài)心電圖得到單一模態(tài)監(jiān)測(cè)數(shù)據(jù)后,結(jié)合專(zhuān)家經(jīng)驗(yàn)得到的判別結(jié)果概率統(tǒng)計(jì),正常概率為50.7%,有癥狀性心肌缺血概率為23.4%,無(wú)癥狀性心肌缺血概率為25.9%;圖4(b)為使用基于體域網(wǎng)的多模態(tài)監(jiān)測(cè)數(shù)據(jù)后得到的判別結(jié)果概率,正常概率為11.5%,有癥狀性心肌缺血概率為13.3%,無(wú)癥狀性心肌缺血概率為75.2%。通過(guò)多模態(tài)健康數(shù)據(jù)融合技術(shù)將動(dòng)態(tài)心電信息與血壓信息、血氧信息進(jìn)行綜合分析,能夠提高心肌缺血癥狀判斷準(zhǔn)確性,可以提供更為豐富的數(shù)據(jù)依據(jù),在一定程度上輔助醫(yī)生提高無(wú)癥狀性心肌缺血臨床判別的準(zhǔn)確性。

4 結(jié)論

心電圖ST段變化作為心肌缺血的診斷參考標(biāo)準(zhǔn)之一能夠定量輔助醫(yī)生做出判斷,本文提出的基于貝葉斯網(wǎng)絡(luò)的多模態(tài)健康數(shù)據(jù)融合方法提供了一種綜合考慮心電信號(hào)、心率信號(hào)、血壓和血氧飽和度4種模態(tài)健康數(shù)據(jù)的心肌缺血識(shí)別手段,在臨床應(yīng)用中是一種有意義的探索,監(jiān)測(cè)結(jié)果表明能夠進(jìn)一步提高心肌缺血尤其是無(wú)癥狀性心肌缺血的檢出率;同時(shí),在臨床應(yīng)用中還需要結(jié)合病人的其他臨床表現(xiàn)和體征信息。在未來(lái)工作中將進(jìn)一步探討結(jié)合動(dòng)態(tài)血流圖、脈搏波形圖等其他模態(tài)健康數(shù)據(jù)的體域網(wǎng)數(shù)據(jù)融合方法。

[1] 宮繼兵,王睿,崔莉. 體域網(wǎng)BSN的研究進(jìn)展及面臨的挑戰(zhàn)[J]. 計(jì)算機(jī)研究與發(fā)展,2010,47(5):737-753.

[2] 張偉,顏仕星,李國(guó)正. 無(wú)線脈搏波測(cè)量及性別區(qū)分—基于在體傳感網(wǎng)的多點(diǎn)測(cè)量應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用,2010,46(35):231-234.

[3] 劉毅,宋余慶,劉哲,等. 一種面向體域網(wǎng)的ECG信號(hào)小波閾值去噪法[J]. 計(jì)算機(jī)科學(xué),2014,41(11):175-178.

[4] 彭向東,張華,劉繼忠. 基于過(guò)完備字典的體域網(wǎng)壓縮感知心電重構(gòu)[J]. 自動(dòng)化學(xué)報(bào),2014,40(7):1421-1432.

[5] Gravina R,Alinia P,Ghasemzadeh H,et al. Multi-Sensor Fusion in Body Sensor Networks:State-of-the-Art and Research Challenges[J]. Information Fusion,2017,35:68-80.

[6] 王明宇,楊吉江,陳昊,等. 基于體域網(wǎng)和云平臺(tái)的遠(yuǎn)程數(shù)字健康系統(tǒng)發(fā)展的研究[J]. 計(jì)算機(jī)科學(xué),2012,39(6A):195-200.

[7] 孫凌逸,黃先祥,蔡偉,等. 基于神經(jīng)網(wǎng)絡(luò)的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J]. 傳感技術(shù)學(xué)報(bào),2011,24(1):122-127.

[8] 軒運(yùn)動(dòng),趙湛,方震,等. 基于無(wú)線體域網(wǎng)技術(shù)的老人健康監(jiān)護(hù)系統(tǒng)的設(shè)計(jì)[J]. 計(jì)算機(jī)研究與發(fā)展,2011(48):355-359.

[9] 邱立達(dá),劉天鍵,林南,等. 基于深度學(xué)習(xí)模型的無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J]. 傳感技術(shù)學(xué)報(bào),2014,27(12):1704-1709.

[10] Hao Y,Foster R. Wireless Body Sensor Networks for Health-Monitoring Applications[J]. Physiological Measurement,2008,29(11):27-56.

[11] 張偉,何斌,趙霞,等. 開(kāi)放的無(wú)線傳感器網(wǎng)絡(luò)平臺(tái)OpenWSN[J]. 計(jì)算機(jī)研究與發(fā)展,2008,45(1):97-103.

[12] 顧敏,顧翔,何勝虎,等. 比較遠(yuǎn)程心電監(jiān)測(cè)與心電圖、動(dòng)態(tài)心電圖在心律失常及心肌缺血中的診斷價(jià)值[J]. 江蘇實(shí)用心電學(xué)雜志,2013,22(2):565-569.

AMulti-ModalHealthDataFusionMethodinBodySensorNetworksBasedonBayesianNetworks*

SHIChunyan1,ZHAIYuting1,WANGLei2*

(1.College of Science,Zhangjiakou University,Zhangjiakou Hebei 075000,China; 2.Suzhou Institute of Biomedical Engineering and Technology,Chinese Academy of Sciences,Suzhou Jiangsu 215163,China)

As an important branch of wireless sensor networks(WSNs)in biomedical field,body sensor networks(BSNs)could remotely monitor a variety of human health data in real time. In this paper,we study a multi-modal health data fusion method based on the data collected in BSNs,in which we design a networking for BSNs including Holter sensor,blood pressure sensor and oxygen saturation sensor,and propose a method of myocardial ischemia monitoring and identification based on Bayesian network model and reasoning algorithm. Single-modal Holter monitoring and multi-modal health monitoring were performed in 60 patients with confirmed heart disease,and it was proved that the proposed multi-modal health data fusion method could effectively improve the detection rate of asymptomatic myocardial ischemia,providing a new auxiliary judgment method for clinical application.

body sensor network;multi-modal;data fusion;bayesian network

TP393

A

1004-1699(2017)10-1602-06

10.3969/j.issn.1004-1699.2017.10.025

史春燕(1983-),女,碩士學(xué)位,張家口學(xué)院理學(xué)院講師,從事計(jì)算機(jī)教學(xué)工作,主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、多模態(tài)數(shù)據(jù)融合算法等;

翟羽婷(1982-),女,碩士學(xué)位,張家口學(xué)院理學(xué)院講師,從事計(jì)算機(jī)教學(xué)工作,主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、信號(hào)傳輸隱私保護(hù)技術(shù)、計(jì)算機(jī)聯(lián)鎖技術(shù)等;

王磊(1982-),男,博士學(xué)位,碩士生導(dǎo)師,中國(guó)科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所副研究員,從事醫(yī)療健康軟件研發(fā)工作,主要研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)、數(shù)據(jù)挖掘與數(shù)據(jù)融合算法、醫(yī)療健康人工智能應(yīng)用研究等,wanglei@sibet.ac.cn。