基于数据融合的心率估计算法及监护仪错误报警抑制的研究

论文摘要

重症监护室(Intensive Care Unit,ICU)病人的生命体征信号如心电图(Electrocardiogram,ECG)、动脉血压(Arterial Blood Pressure,ABP)等是医师对病人进行诊断、治疗的重要参考指标。然而,由于这些生命体征信号经常受到诸如噪声、伪迹和数据缺失等的干扰,造成监护信号参数估计出现错误,导致ICU监护仪的错误报警率居高不下,从而使医生对监护仪报警信号的信任缺失,忽略真正的危急情报,大大削弱了监护效果。目前监护仪大多依赖对心电信号的分析估计心率,心律失常的诊断又与心率密切相关,结果受干扰的影响很大。本文研究了同时对心电和动脉血压两源信号进行数据融合,抑制监护仪心律失常的错误报警,提高监护系统的报警准确率和灵敏度。首先我们对心电信号和动脉血压信号分别经QRS波形识别算法和血压搏动识别算法获得逐搏心率值,其次应用信号质量评估算法获得ECG和ABP的信号质量指数(Signal Quality Index,SQI)。信号质量指数可以提供判断信号质量好坏的客观指标。然后应用卡尔曼滤波方法对逐搏心率进行心率估计,并通过信号质量指数对卡尔曼滤波增益系数进行动态调整,当信号质量低时,可控制停止卡尔曼滤波更新,使心率估计保持上一个高质量的心率值不变,从而避免严重干扰对心率估值的影响。最后用卡尔曼滤波的残差和信号质量指数作为权重系数,对心电和血压信号进行心率数据融合,计算融合心率。我们研究了基于融合心率和信号质量指数抑制监护仪严重心动过缓和严重心动过速错误报警的算法。首先对ECG和ABP数据进行融合心率估计,并根据信号质量指数的高低判断融合心率是否可信,进行错误报警的抑制。当计算得到的融合心率未超过监护仪设定的心率报警阈值时,如果此时ECG或ABP中至少一导联信号的SQI＞0.5时,我们信任此时的心率并未超界,认为监护仪报警是误报警并加以抑制,否则接受该报警。以美国麻省理工学院健康科学与技术中心(MIT/HST)建立的MIMICⅡ重症病人多参数智能监护数据库为评价数据库,应用本算法对其中记录的监护仪产生的2432个严重心动过速和严重心动过缓报警对应的ECG和ABP信号进行重新分析,将该抑制算法的结果与专家作出的报警注释逐一对比,得出本算法对真实报警正确识别率为99.64%,对错误报警的抑制率为66.18%。本文研究的基于ECG和ABP两通道信号数据融合算法可扩展应用于多通道数据融合,对ICU病人的生命体征信号进行融合估计。下一步我们计划在基于心率估计的监护仪错误报警抑制算法的基础上,进一步结合心电及血压波形形态学分析对室性心律失常报警信号进行研究,进一步改善监护仪的报警质量。

论文目录

• 中文摘要
• Abstract
• 中英文符号说明
• 第一章 前言
• 1.1 危重病医学和重症监护病房（ICU）监护仪的应用及现状
• 1.2 心电监护和动脉血压监护
• 1.2.1 心电监护
• 1.2.2 动脉血压监护
• 1.3 常见的消噪和抗干扰算法及当前研究进展
• 1.3.1 小波变换
• 1.3.2 Kalman滤波算法
• 1.3.3 独立分量分析算法
• 1.3.4 人工神经网络
• 1.3.5 模糊逻辑
• 1.3.6 其他
• 1.4 本文的工作和临床意义
• 第二章 材料和方法
• 2.1 材料
• 2.1.1 MIMICⅡ数据库
• 2.1.2 错误报警评价数据集
• 2.2 方法
• 2.2.1 数据融合和错误报警抑制算法的流程
• 2.2.2 信号质量评估
• 2.2.3 卡尔曼滤波
• 2.2.4 数据融合算法
• 2.2.5 抑制错误报警的算法
• 2.3 运用MIMICⅡ数据库实现算法
• 2.3.1 数据和文件
• 2.3.2 开发工具包
• 2.3.3 算法的实现
• 第三章 结果
• 3.1 融合心率的结果
• 3.2 抑制错误报警的结果
• 第四章 讨论
• 4.1 SQI用于卡尔曼滤波调节增益系数
• 4.2 数据融合算法的扩展
• 4.3 数据融合算法与同类研究比较
• 4.4 抑制错误报警的临床意义
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的科研论文
• 学位论文评阅及答辩情况表