李思楠,趙 海

1(河北民族師范學(xué)院 物理與電子工程系,河北 承德 067000)2(東北大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,沈陽 110000)

1 引 言

脈搏信號(hào)與人體心血管系統(tǒng)有著緊密的聯(lián)系,脈搏波主波峰的位置對(duì)應(yīng)著心跳發(fā)生的時(shí)刻,往往通過定義相鄰脈搏波峰之間的間隔來劃分完整的心跳周期,進(jìn)而計(jì)算出人體的心率.目前主流的體域網(wǎng)產(chǎn)品,如智能手環(huán)、手表等也都具備了采集和記錄脈搏波信號(hào)的功能.利用光電容積原理[1]在可穿戴產(chǎn)品中采集脈搏波信號(hào)來提取峰值點(diǎn)以計(jì)算心率等心臟相關(guān)的參數(shù)是一種更為簡(jiǎn)單和低成本的方式.同時(shí)為使用者瞬時(shí)心率的記錄和評(píng)價(jià)提供了更為便利的條件.目前針對(duì)脈搏波峰值點(diǎn)提取的研究中,Aniruddha等人在2007年提出一種基于小波變換的脈搏波峰值提取方法[2];Schmidit等人在2010年提出了將脈搏波進(jìn)行高通濾波處理后并進(jìn)行歸一化閾值篩選的方法來確定脈搏波中的峰值點(diǎn)和波谷點(diǎn)[3],Pachauri等人在2011年研究使用滑動(dòng)時(shí)間窗來計(jì)算脈搏波的能量包絡(luò),進(jìn)而自動(dòng)劃分出脈搏波中的特征點(diǎn)[4];Yazdani等人在2018年提出了一種利用長(zhǎng)短時(shí)間窗結(jié)合閾值設(shè)定的方式來進(jìn)行峰值點(diǎn)提取的方法[5].以上方法是在平穩(wěn)的脈搏波狀態(tài)下進(jìn)行的研究,且都需要人為設(shè)定閾值進(jìn)行篩選,未考慮其他狀態(tài)下的檢測(cè)過程.

然而,可穿戴產(chǎn)品采集到的脈搏波信號(hào)不僅會(huì)摻雜周圍環(huán)境引入的噪聲,還會(huì)因?yàn)槿梭w定向的運(yùn)動(dòng),導(dǎo)致信號(hào)中疊加了運(yùn)動(dòng)干擾,導(dǎo)致脈搏波形可能會(huì)偏離了正常的形態(tài)結(jié)構(gòu).如何從帶有噪聲和運(yùn)動(dòng)干擾的脈搏波信號(hào)中準(zhǔn)確識(shí)別特征點(diǎn)已成為脈搏波研究領(lǐng)域的一個(gè)重要研究方向.Raghuram等人提出用小波分解的方法來分析帶有運(yùn)動(dòng)干擾的脈搏波信號(hào)[6],不過小波基函數(shù)的選擇會(huì)對(duì)結(jié)果產(chǎn)生較大影響,需要根據(jù)經(jīng)驗(yàn)進(jìn)行選擇;孫旭月等人采用經(jīng)驗(yàn)?zāi)B(tài)分解的方法來對(duì)脈搏波信號(hào)進(jìn)行分析處理[7],但該方法未直接提出峰值點(diǎn)的檢測(cè)過程;Fukushima等人提出一種以加速度傳感器采集的信號(hào)作為參考來消除脈搏波信號(hào)中運(yùn)動(dòng)干擾并提取特征點(diǎn)的方法[8];Yousefi等人采集雙通道脈搏波信號(hào),以其中一路作為參考信號(hào),提出了歸一化最小方差算法來計(jì)算脈搏波特征點(diǎn)[9];以上兩種方法需要額外的一路信號(hào)作為參考,增加了檢測(cè)成本;Scholkmann等人針對(duì)于帶有運(yùn)動(dòng)干擾的準(zhǔn)周期信號(hào)提出了一種自動(dòng)多尺度峰值檢測(cè)(AMPD)算法[10],通過計(jì)算信號(hào)局部最大尺度值的方式來對(duì)峰值點(diǎn)進(jìn)行檢測(cè),該方法在心電信號(hào)峰值檢測(cè)中取得了良好效果,但復(fù)雜形態(tài)下的脈搏波信號(hào)主波峰不一定是局部最大值點(diǎn),該算法會(huì)造成峰值點(diǎn)被遺漏.

本文受到文獻(xiàn)[10]中方法的啟發(fā),提出一種基于貝葉斯估計(jì)的脈搏波主波峰值點(diǎn)檢測(cè)改進(jìn)算法(B-AMPD),從時(shí)域提取出脈搏信號(hào)的峰值點(diǎn)(本文提到的峰值點(diǎn)檢測(cè)均指主波峰值點(diǎn)的檢測(cè)),該方法無需額外參考信號(hào)的引入,利用脈搏波峰峰值間隔的先驗(yàn)概率分布[11]來預(yù)測(cè)峰值點(diǎn)位置出現(xiàn)的概率,這樣降低了傳統(tǒng)AMPD算法遺漏峰值點(diǎn)的缺陷造成對(duì)檢測(cè)結(jié)果的影響,通過MIT-BIH標(biāo)準(zhǔn)數(shù)據(jù)庫的驗(yàn)證,在靈敏度和陽性預(yù)測(cè)值性能上比傳統(tǒng)的AMPD算法都得到了提升.而且對(duì)于摻雜了運(yùn)動(dòng)干擾的脈搏波信號(hào),本文的算法在靈敏度檢測(cè)上取得了更好的效果,大大降低了峰值點(diǎn)被漏判的情況,為脈搏波的周期合理劃分和瞬時(shí)心率的準(zhǔn)確計(jì)算提供了基礎(chǔ).

2 基于多尺度峰值檢測(cè)的脈搏波峰值提取

2.1 自動(dòng)多尺度峰值檢測(cè)(AMPD)算法

AMPD算法的目的是通過分析信號(hào)的局部最大尺度圖來檢測(cè)信號(hào)的峰值.用X=[x1,x2,…,xN]表示采集得到的N個(gè)采樣點(diǎn)的脈搏波信號(hào),AMPD算法通過一個(gè)滑動(dòng)窗來計(jì)算該信號(hào)的局部最大尺度值,滑動(dòng)窗的長(zhǎng)度wk(wk=2k|k=1,2,…,L)是一個(gè)不斷變化的量,其中k被定義為信號(hào)的分析尺度,L=[N/2]-1(符號(hào)[m]表示不大于m的最小整數(shù)).滑動(dòng)窗大小隨著不同的尺度k值而變化,以不同的分辨率來覆蓋整個(gè)脈搏波信號(hào).通過在信號(hào)中每個(gè)尺度k處執(zhí)行公式(1)的標(biāo)準(zhǔn)來搜索局部最大值,對(duì)于每個(gè)k值,當(dāng)i=k+2,…,N-k+1時(shí)有:

(1)

由此得到一個(gè)矩陣M,即:

(2)

其中第k行就包含了對(duì)應(yīng)的滑動(dòng)窗的長(zhǎng)度wk,這個(gè)矩陣M中1的位置就是在每個(gè)尺度k下的局部最大值(潛在的峰值點(diǎn)的位置),如果對(duì)于每個(gè)尺度k,矩陣M中某一列i的所有元素值都為1,則這一列所對(duì)應(yīng)的采樣點(diǎn)i的位置即是峰值點(diǎn).由此,可以計(jì)算出M中所有列元素全為1的列標(biāo)i,進(jìn)而得出這組信號(hào)X的所有峰值點(diǎn)位置.

2.2 基于拉普拉斯概率模型的峰值點(diǎn)概率估計(jì)

根據(jù)AMPD算法,矩陣M每一列中元素1的個(gè)數(shù)所占的比例,即是該采樣點(diǎn)被判斷為峰值點(diǎn)的概率,可以表示為:

(3)

從脈搏波信號(hào)中計(jì)算瞬時(shí)心率,首先要利用AMPD算法來檢測(cè)每個(gè)波形周期內(nèi)的峰值點(diǎn)位置,如圖1所示,第j個(gè)峰值點(diǎn)所對(duì)應(yīng)時(shí)間用tj表示,將相鄰的兩個(gè)峰值點(diǎn)之間的時(shí)間間隔定義為:

rj=tj+1-tj

(4)

圖1 峰值點(diǎn)時(shí)間位置和峰峰值間隔rFig.1 Instants at which a peak is detected,and r,the intervals between peaks(RR intervals)

文獻(xiàn)[11]中研究了r中的元素并不是獨(dú)立且相同分布的,它們很大程度上取決于先驗(yàn)的分布.并且定義了另外一種表示脈搏波信號(hào)峰值的方法是定義一個(gè)距離d,用它來表示連續(xù)記錄的峰峰值間隔之間的差異,即:

dj=rj+1-rj

(5)

根據(jù)文獻(xiàn)[11]中的研究結(jié)果,拉普拉斯分布模型可以用來分析d,而采樣點(diǎn)i成為峰值點(diǎn)的概率p2可以通過拉普拉斯概率密度分布來計(jì)算:

(6)

其中,di跟公式(5)中表示的內(nèi)容有所不同,它表示為di=ri-ri-1,ri表示為采樣點(diǎn)i與其前一個(gè)峰值點(diǎn)之間的間隔,而ri-1表示采樣點(diǎn)i的上一個(gè)峰峰值間隔時(shí)間.u是拉普拉斯密度函數(shù)中的位置參數(shù),它是di的中位數(shù)值,而b作為密度函數(shù)中的尺度參數(shù),其計(jì)算公式為:

(7)

其中K表示d中元素的個(gè)數(shù).計(jì)算出p1和p2后,可以通過比較對(duì)應(yīng)位置p1和p2的大小,如公式(8),比較二維數(shù)組[p1(i);p2(i)],選取對(duì)應(yīng)列中的最大值位置來進(jìn)一步確定峰值點(diǎn)的位置,即:

(8)

3 基于貝葉斯模型的峰值點(diǎn)檢測(cè)

3.1 基于Beta分布模型的峰值點(diǎn)概率估計(jì)

由于人的瞬時(shí)心率是在不斷的變化的動(dòng)態(tài)過程,為了進(jìn)一步增強(qiáng)峰值點(diǎn)判斷的準(zhǔn)確性,需要構(gòu)建一個(gè)動(dòng)態(tài)可更新的概率估計(jì)模型.本文采用貝葉斯原理來構(gòu)建此過程,首先,假設(shè)任何一個(gè)采樣點(diǎn)i成為峰值點(diǎn)的概率表示為θi(θi初始值可以通過p2(i)=θi來計(jì)算).根據(jù)貝葉斯公式,可以推斷后驗(yàn)分布概率為:

posteriori=P(θi|AMPDoutput(i))
=P(AMPDoutput(i)|θi)·P(θi)prior

(9)

其中,P(θi)prior是θi的先驗(yàn)概率分布,P(AMPDoutput(i)|θi)代表θi已定條件下的通過AMPD算法輸出的采樣點(diǎn)i為峰值點(diǎn)的似然估計(jì).同時(shí),需要為P(θi)prior構(gòu)建一個(gè)分布模型,并使其在不斷學(xué)習(xí)過程中進(jìn)行更新.這里選用Beta分布來構(gòu)建此模型,如圖2所示,為利用Beta方程構(gòu)建的P(θi)prior的概率分布模型,它是一個(gè)偏正態(tài)的概率模型,當(dāng)θi很小的時(shí)候(采樣點(diǎn)i靠近上一個(gè)峰值點(diǎn))曲線偏向左邊;當(dāng)θi較大時(shí)(采樣點(diǎn)i靠近下一個(gè)峰值點(diǎn))曲線偏向右邊;而采樣點(diǎn)靠近兩個(gè)峰值點(diǎn)中間則曲線更趨近于均勻分布.Beta分布的這種統(tǒng)計(jì)學(xué)特性可以為P(θi)prior建模提供良好的效果.

(10)

圖2 根據(jù)Beta方程構(gòu)建P(θi)prior先驗(yàn)概率分布模型Fig.2 Modelling for the prior probability distribution(P(θi)prior)as Beta function

其中,Γ表示伽瑪方程,Γ(α+β)/Γ(α)Γ(β)是為了使得所有概率總和為1的歸一化常數(shù).α和β被稱為控制分布形狀的超參數(shù),需要通過設(shè)置α和β這兩個(gè)參數(shù)值來準(zhǔn)確的表征出每一個(gè)采樣點(diǎn)i的先驗(yàn)概率分布.Beta分布的期望值可以表示為:

E[θi-prior]=α/(α+β)

(11)

對(duì)于似然估計(jì)P(AMPDoutput(i)|θi),如果將AMPDoutput(i)看作是利用AMPD算法計(jì)算得出的一組只包含0或1的二進(jìn)制數(shù)組(公式(3)中概率p1(i)為1則AMPDoutput(i)為1,p1(i)不為1則AMPDoutput(i)為0).假設(shè)每個(gè)采樣點(diǎn)的峰值概率θi是獨(dú)立同分布的,則通過AMPD算法輸出的二進(jìn)制數(shù)組是符合伯努利分布的形式.因此,AMPDoutput(i)的似然函數(shù)可以表示為:

(12)

將公式(10)和公式(12)帶入公式(9),可以得到一個(gè)θi的后驗(yàn)概率分布是一個(gè)有全新參數(shù)的Beta分布形式:B(α′,β′),表示為：

(posteriori=B(α′,β′)=θn+α-1(1-θi)β-n

(13)

后驗(yàn)概率posteriori在每個(gè)脈搏波波型周期內(nèi)進(jìn)行更新,如果AMPD算法對(duì)采樣點(diǎn)i的判別輸出為1(判別為峰值點(diǎn)),即n=1,則α′=α+1,β′=β.同理,AMPD算法對(duì)采樣點(diǎn)i的判別輸出為0(判別不是峰值點(diǎn)),即n=0,則α′=α+1,β′=β+1.

3.2 貝葉斯學(xué)習(xí)過程

如果將連續(xù)兩個(gè)峰峰值之間的間隔定義為一個(gè)脈搏波周期,從第一個(gè)脈搏周期開始,周期內(nèi)的采樣點(diǎn)的先驗(yàn)概率θi通過公式(6)來初始化,而到了下一個(gè)周期,θi的后驗(yàn)概率分布通過α和β的參數(shù)更新利用公式(13)進(jìn)行計(jì)算.實(shí)際學(xué)習(xí)過程如圖3所示,α′=α+1導(dǎo)致了Beta曲線向右移動(dòng)(增加了采樣點(diǎn)i成為峰值的置信度),而β′=β+1導(dǎo)致Beta曲線向左移動(dòng)(降低了該采樣點(diǎn)i成為峰值的置信度).這樣的學(xué)習(xí)過程在每個(gè)周期內(nèi)重復(fù),因?yàn)槟切┳羁赡艹蔀榉逯迭c(diǎn)的采樣點(diǎn)i的后驗(yàn)概率分布曲線向右傾斜,它們將具有較高的期望值.

由此,采樣點(diǎn)i被判定為峰值點(diǎn)的置信度可以通過θi的后驗(yàn)概率來進(jìn)行計(jì)算:

(14)

圖3 學(xué)習(xí)過程示意圖Fig.3 Diagram of learning procedure

其中閾值threshold通過經(jīng)驗(yàn)進(jìn)行設(shè)置,本文中設(shè)置為0.9.最后,將p3(i)的值與公式(3)計(jì)算出的p1(i)進(jìn)行比較,取二者中的較大值對(duì)應(yīng)的采樣點(diǎn)i即是最終認(rèn)定的峰值點(diǎn),即:

(15)

4 實(shí)驗(yàn)測(cè)試和評(píng)價(jià)

4.1 樣本選擇

為了檢驗(yàn)此算法的性能,本文選擇15組MIT-BIH標(biāo)準(zhǔn)數(shù)據(jù)庫里的信號(hào)進(jìn)行分析,它是由美國(guó)的麻省理工學(xué)院提供的包含有多種人體生理信號(hào)的公開數(shù)據(jù)庫,其中有9組數(shù)據(jù)是從研究慢性阻塞性睡眠呼吸暫停綜合癥實(shí)驗(yàn)中獲得,實(shí)驗(yàn)者年齡32～56歲,實(shí)驗(yàn)者采集過程中處于仰臥放松或睡眠狀態(tài)下,采樣率250Hz,與脈搏波同步采集的還有人體的心電(ECG)、腦電(EEG)和呼吸信號(hào),累計(jì)記錄時(shí)長(zhǎng)超過了8小時(shí).其余6組數(shù)據(jù)源自運(yùn)動(dòng)中的脈搏波采集實(shí)驗(yàn),實(shí)驗(yàn)者年齡22～32歲,實(shí)驗(yàn)者處于健身房中的跑步機(jī)上進(jìn)行采集,可以自由設(shè)定跑步機(jī)的速度來調(diào)整自身步速,采樣率256Hz,每組采樣過程持續(xù)4～6分鐘,同步采集的還有人體的心電(ECG)信號(hào).

為了便于統(tǒng)計(jì)分析,本文選取時(shí)間長(zhǎng)度為每組3分鐘,并且選擇同步采集到的心電(ECG)信號(hào)為檢測(cè)標(biāo)準(zhǔn),MIT-BIH數(shù)據(jù)中已經(jīng)給出了心電信號(hào)ECG的檢測(cè)結(jié)果,可以跟據(jù)心電信號(hào)中每一個(gè)R波峰都在脈搏波信號(hào)中有一個(gè)主波峰相對(duì)應(yīng)的關(guān)系,將心電信號(hào)的檢測(cè)結(jié)果作為脈搏波峰值點(diǎn)檢測(cè)算法的正確性檢驗(yàn)指標(biāo).

4.2 驗(yàn)證方法與評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)軟件環(huán)境為Matlab2010b,為了評(píng)價(jià)所提出的算法的好壞,對(duì)該算法進(jìn)行了兩方面的驗(yàn)證.首先,從該算法對(duì)給定信號(hào)干擾強(qiáng)度下的峰值點(diǎn)檢測(cè)進(jìn)行評(píng)價(jià),從數(shù)據(jù)庫中選擇一組平穩(wěn)光滑的脈搏波信號(hào),對(duì)其分別加入不同信噪比(SNR)強(qiáng)度的干擾,研究其峰值點(diǎn)檢測(cè)的性能隨著引入干擾強(qiáng)度的變化趨勢(shì).其次,對(duì)比該算法與AMPD算法的檢測(cè)效果,選擇不同人體生理狀態(tài)下的脈搏波信號(hào),分別利用兩種算法進(jìn)行峰值檢測(cè),對(duì)性能指標(biāo)進(jìn)行對(duì)比,觀察該算法的提升效果.

對(duì)于脈搏波峰值點(diǎn)提取算法的檢測(cè)效果,可以通過靈敏度(Sensitivity,Se)、陽性預(yù)測(cè)值(Positive Predictive Valve,PPV)和檢錯(cuò)率(Detection Error Rate,DER)[12,13]三個(gè)指標(biāo)進(jìn)行評(píng)價(jià).它們的定義分別為:

(16)

(17)

(18)

其中,TP表示真實(shí)被檢測(cè)到的峰值點(diǎn),FP表示檢測(cè)到誤判為真的虛假峰值點(diǎn),FN代表被遺漏的真實(shí)峰值點(diǎn),TN表示成功被排除的虛假峰值點(diǎn).由此可知,靈敏度(Se)就表示了在所有峰值點(diǎn)中利用算法檢測(cè)出的真實(shí)峰值點(diǎn)的比例;而陽性預(yù)測(cè)值(PPV)表征被檢測(cè)出的峰值點(diǎn)中真實(shí)的峰值點(diǎn)所占的比例;檢錯(cuò)率代(DER)表了檢測(cè)過程中虛假峰值點(diǎn)被誤判為真和被漏掉的真實(shí)峰值點(diǎn)占所有峰值點(diǎn)的比例.

5 結(jié)果分析與結(jié)論

圖4所示為MIT-BIH 數(shù)據(jù)庫中選擇slp01a記錄的時(shí)長(zhǎng)為3分鐘的平穩(wěn)光滑的脈搏波信號(hào)和其參考系(心電信號(hào)),以心電信號(hào)中峰值點(diǎn)個(gè)數(shù)為標(biāo)準(zhǔn),向脈搏波信號(hào)中加入均值為0.3、信噪比強(qiáng)度為分別為10、15、20、25、30(dB)的泊松分布隨機(jī)數(shù)來模擬信號(hào)受到不同程度的運(yùn)動(dòng)干擾,分別統(tǒng)計(jì)利用本文算法檢測(cè)到的峰值點(diǎn)的評(píng)價(jià)指標(biāo).

圖4 平穩(wěn)的脈搏波信號(hào)Fig.4 Smooth pulse wave signals

圖5 算法的靈敏度、陽性預(yù)測(cè)值和檢錯(cuò)率三項(xiàng)指標(biāo)隨信噪比變化的評(píng)價(jià)效果圖Fig.5 Performance evaluation:Positive Predictive Valve,Sensitivity and Detection Error Rate wtih the change of SNR

圖5中橫坐標(biāo)表示信噪比強(qiáng)度,從右向左,信噪比下降,也代表了加入干擾的增強(qiáng).左側(cè)縱坐標(biāo)表征了兩項(xiàng)性能指標(biāo)Se(實(shí)心三角符號(hào)表示)和PPV(實(shí)心方格符號(hào)表示)的變化趨勢(shì),從右向左隨著干擾的增加,Se的值有明顯的下降,而PPV值下降幅度不大,這說明在已檢測(cè)出的峰值點(diǎn)中真實(shí)的峰值點(diǎn)比例很高.而右側(cè)縱坐標(biāo)反映了DER(實(shí)心圓點(diǎn)表示)的變化趨勢(shì),從右向左隨著干擾加強(qiáng),DER也明顯上升,這說明DER上升的主要原因還是因?yàn)橐恍┓逯迭c(diǎn)被遺漏導(dǎo)致.

表1 文本算法在MIT-BIH數(shù)據(jù)庫識(shí)別峰值點(diǎn)效果
Table 1 Performance of the proposed algorithm in the detection of pulse wave peaks

記錄名稱Se(%)PPV(%)DER(%)slp02a98.0899.512.40slp02b10099.500.50slp0310099.060.95slp0499.5498.202.29slp1498.6299.082.36slp1610098.151.95slp3298.5299.012.46slp4198.0597.574.39s1_walk97.5495.487.07s2_walk98.3697.094.59s3_walk98.2698.263.47s3_run97.2897.585.12s4_run95.2497.777.30s5_run94.7597.087.58平均值98.1798.153.69

圖6 幾種生理狀態(tài)下的脈搏波峰值點(diǎn)檢測(cè)Fig.6 Pulse wave peak detection in several physiological states

可穿戴產(chǎn)品在實(shí)際的脈搏采集過程中,運(yùn)動(dòng)干擾引入的大小往往是難以準(zhǔn)確衡量的,為了評(píng)估本文提出的算法在不同場(chǎng)景下的檢測(cè)效果,選擇了剩余的14組脈搏波數(shù)據(jù)進(jìn)行實(shí)驗(yàn).統(tǒng)計(jì)結(jié)果如表1所示,這14組實(shí)驗(yàn)中人體生理狀態(tài)包含了睡眠、步行和跑步.平均的靈敏度(Se)檢測(cè)能達(dá)到98.17%,陽性預(yù)測(cè)值(PPV)能達(dá)到98.15%,檢錯(cuò)率(DER)3.69%.從統(tǒng)計(jì)結(jié)果可以看出,在睡眠狀態(tài)下,本文提出的算法具備非常高的Se和PPV,當(dāng)隨著生理狀態(tài)的改變,運(yùn)動(dòng)幅度的加大對(duì)本文峰值點(diǎn)的檢測(cè)產(chǎn)生了影響,出現(xiàn)了峰值點(diǎn)遺漏和誤判的情況.

圖6中,a表示睡眠狀態(tài)下脈搏波舒張期幅值躍升的情況,本文的改進(jìn)算法可以將峰值點(diǎn)進(jìn)行準(zhǔn)確識(shí)別;b表示睡眠狀態(tài)下脈搏波舒張期出現(xiàn)紋波的情況,主波峰形態(tài)未發(fā)生改變,算法依然可以將峰值點(diǎn)識(shí)別;c表示步行狀態(tài)下的檢測(cè),步行狀態(tài)下脈搏波的波形結(jié)構(gòu)發(fā)生了形變,個(gè)別舒張期峰值高于主波峰幅度,就如c中左側(cè)所示,真正的峰值點(diǎn)被遺漏而將虛假峰值點(diǎn)誤判為主波峰;d表示的為人體處于跑步狀態(tài)下情況,脈搏波形態(tài)發(fā)生了明顯形變,有些波形的舒張期消失,僅保留了主波峰反映了左心室向主動(dòng)脈射血的程度[14],本文的算法可以將保留有明顯主波形狀的峰值點(diǎn)進(jìn)行識(shí)別.

表2 本文提出的算法和AMPD算法在Se、PPV
和DER三項(xiàng)性能指標(biāo)上的對(duì)比
Table 2 Comparison of the proposed algorithm and AMPD algorithm on the performance of Se,PPV and DER

生理狀態(tài)算法名稱平均Se平均PPV平均DER睡眠狀態(tài)AMPD算法96.35%97.28%4.37%本文算法99.10%98.76%2.16%步行狀態(tài)AMPD算法87.26%90.08%15.34%本文算法98.05%96.94%5.04%跑步狀態(tài)AMPD算法80.61%88.37%20.74%本文算法95.76%97.47%6.67%

表2顯示本文提出的算法和AMPD算法在不同狀態(tài)下的性能對(duì)比.在睡眠狀態(tài)下,脈搏波的信號(hào)相對(duì)平穩(wěn),本文的算法只是在Se值上比AMPD算法有明顯提升,在PPV值上兩者十分接近,說明在平穩(wěn)狀態(tài)下傳統(tǒng)的AMPD算法也很少將虛假峰值點(diǎn)誤判為真實(shí)峰值點(diǎn),性能的落后在于出現(xiàn)漏判峰值點(diǎn)的情況.在步行狀態(tài)下,運(yùn)動(dòng)干擾的加入使得脈搏波波形發(fā)生了改變,AMPD算法和本文的算法性能指標(biāo)都有不同程度的下降,運(yùn)動(dòng)干擾的增加使得AMPD算法的Se值明顯下降,波形的形變會(huì)影響AMPD算法對(duì)局部最大值的判斷,造成大量峰值點(diǎn)檢測(cè)的遺漏,這樣使得DER明顯下降.而本文提出的算法根據(jù)了貝葉斯估計(jì)的理論對(duì)峰值點(diǎn)的漏判進(jìn)行了較大的彌補(bǔ),在跑步狀態(tài)下,脈搏波中的干擾較步行狀態(tài)下進(jìn)一步增強(qiáng),脈搏波的舒張期基本消失,只留下了主波峰的基本形態(tài)結(jié)構(gòu),AMPD算法的檢測(cè)的Se和PPV值較睡眠狀態(tài)下分別下降了15.74%和8.91%,DER較睡眠狀態(tài)下提高了16.37%,而用本文算法計(jì)算出的Se和PPV較睡眠狀態(tài)下分別下降了3.34%和1.29%.這表明在三種生理狀態(tài)下(睡眠、步行、跑步)改進(jìn)算法在性能上明顯優(yōu)于AMPD算法.比較步行和跑步兩種狀態(tài)下AMPD算法的PPV值下降幅度遠(yuǎn)低于Se,說明運(yùn)動(dòng)干擾對(duì)AMPD算法的主要影響在于使得峰值點(diǎn)遺漏數(shù)量增加,改進(jìn)算法則在此性能上有明顯的優(yōu)勢(shì).

從文本進(jìn)行的實(shí)驗(yàn)可以看出,當(dāng)脈搏波中摻雜的干擾是定向的而非雜亂無章的干擾,未使脈搏波主波形態(tài)結(jié)構(gòu)發(fā)生根本性改變的前提下,提出的改進(jìn)算法比AMPD算法在檢測(cè)脈搏波峰值點(diǎn)性能Se、PPV和DER上都有所提升,在Se上提升最為顯著.

6 結(jié)束語

本文提出了一種基于貝葉斯估計(jì)的改進(jìn)脈搏波峰值點(diǎn)檢測(cè)算法,在傳統(tǒng)AMPD算法的基礎(chǔ)上引入貝葉斯學(xué)習(xí)理論,對(duì)脈搏波主波峰值點(diǎn)檢測(cè)取得了良好的效果,面對(duì)不同生理狀態(tài)對(duì)脈搏波引入的運(yùn)動(dòng)干擾,利用MIT-BIH的標(biāo)準(zhǔn)數(shù)據(jù)庫作為檢測(cè)標(biāo)準(zhǔn),依然在平均靈敏度(Se)和陽性預(yù)測(cè)值(PPV)上取得了98%以上的效果.同時(shí),從本文中的實(shí)驗(yàn)也可以發(fā)現(xiàn),隨著運(yùn)動(dòng)干擾的加大,當(dāng)脈搏波基本形態(tài)結(jié)構(gòu)發(fā)生明顯的形變時(shí),本文的算法也依然會(huì)出現(xiàn)逐漸增多的漏判和誤判,這對(duì)算法的靈敏度影響較大,但比AMPD算法有明顯的提升.后續(xù)的研究中可以考慮波形在形變狀態(tài)下對(duì)于峰值點(diǎn)位置的判別和檢測(cè)準(zhǔn)確率的提升方法.