左心室辅助装置的无传感器抽吸检测方法研究

摘要

左心室辅助装置（Left Ventricular Assist Device，LVAD）是治疗心衰的重要解决方案之一。然而，在使用LVAD的过程中会存在一种因LVAD的血泵从左心室抽取过多血液，超过左心室正常血液供应量而引发左心室塌陷的一种危险的临床现象，称作抽吸（Suction）现象。在抽吸的相关研究中，LVAD的血泵信号是检测抽吸的重要工具之一。本文以血泵转速（Pump Speed，PS），即血泵的固有参数进行抽吸检测研究，实现基于LVAD的无传感器抽吸检测，具体研究内容及结果如下： 1．泵速、泵流量信号的仿真。根据人体心血管系统，结合LVAD，使用电路元件建立人体心血管系统-LVAD模型仿真血泵转速（Pump Speed，PS）信号作为研究中的抽吸检测信号，同时仿真血泵流量（Pump Flow，PF）信号作为对比。共仿真泵速、泵流量信号在不同心衰程度、各种运动水平下9种生理情况的信号。对仿真初始信号进行预处理，而后建立PS、PF信号数据。经PS、PF原始信号与加噪声滤波后的信号对比，可以得出结论：研究中添加了噪声的信号经滤波后，对这两种血泵信号的影响基本消除。 2．对泵速、泵流量信号进行特征提取与选择。PS、PF信号均以SI1～SI21的算法进行特征提取。以图形化结果直观说明21种特征可分性的优劣。结果显示，多数特征在直观上具有高可分性。在提取全部特征数据后，按未抽吸（No Suction，NS）、抽吸（Suction，S）标签进行归类，建立PS、PF信号的特征集。使用Relief算法计算每种特征的特征权重，结合特征提取的图形化结果进行特征选择。在21种特征中选取出高特征权重的特征，去除冗余特征及低于设定阈值的不良特征，筛选出特征集SET-A（15种特征），然后进一步提高阈值，减少特征数量，得到特征集SET-B（9种特征）。特征选择工作减少了算法运算的数据维度，提高了抽吸检测的效率，同时增加了抽吸检测准确度。 3．分类及抽吸检测结果的分析。使用5种不同的分类检测算法对PS、PF信号的SET-A、SET-B特征集进行分类识别。仿真结果表明：（1）基于PS的检测准确度皆高于基于PF的检测结果，说明该无传感器抽吸方法可行；（2）血泵转速信号特征集SET-A使用5种分类算法的检测准确度皆高于97%，其中BP神经网络的检测结果最佳，为98.75%，具有高检测准确度；（3）经对比，基于特征集SET-B的泵速信号的5种分类算法的检测准确度皆高于96%，其中判别分类算法的结果最佳，为97.78%。较SET-A而言，SET-B的准确度略低但无明显的检测性能下降。若对抽吸检测准确率有高要求，宜使用SET-A；若需在保证准确度的情况下，减少计算复杂度，宜使用SET-B。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状及发展

1.2.1 左心室辅助装置的发展

1.2.2 抽吸检测的研究现状

1.3 论文的工作内容与结构安排

2 左心室辅助装置血泵转速、血泵流量信号的仿真与预处理

2.1 人体心血管系统-LVAD模型的建立

2.2 血泵转速、血泵流量信号的仿真及预处理

2.2.1 PS、PF信号的仿真结果与描述

2.2.2 信号的预处理

2.3 本章小结

3 血泵流量、血泵转速的特征提取与特征选择

3.1 用于特征提取的时间窗选取

3.2 血泵信号特征提取的原理及方法

3.2.1 基于时域的血泵信号特征提取

3.2.2 基于频域的血泵信号特征提取

3.2.3 基于时频域的血泵信号特征提取

3.2.4 基于熵理论的血泵信号特征提取

3.2.5 基于经验模态分解的血泵信号特征提取

3.3 特征提取的结果及分析

3.4 血泵流量、血泵转速信号的特征选择

3.5 本章小结

4 血泵信号特征集的分类识别

4.1 分类算法原理简介

（1）支持向量机

（2）BP神经网络

（3）K-邻近算法

（4）判别分析算法

（5）集成学习算法

4.2 分类结果与讨论

4.3 本章小结

5 结论与展望

5.1 结论

5.2 展望

参考文献

致谢

大连理工大学学位论文版权使用授权书