危重病人生命体征信号质量评估与分析

摘要

现代加强医疗病房应用了大量的监护设备对危重病人的生理和病理状态进行监测，然而由于监护信号经常受到噪声、伪迹和数据缺失等的干扰，造成监护参数的估值错误，导致监护仪错误报警。有报道表明监护仪报警假阳性率有时竟高达86％。居高不下的错误报警率不但剥夺了病人的正常休息，增加了病人和医护人员的压力，造成时间、资源上的浪费，更为严重的是造成医护人员对报警信号的不信任和麻痹大意，这严重影响了临床医生对真实危重报警的及时响应和处理，大大降低了重症监护效果。 本文从危重病人生命体征信号的质量评估入手，导出了反映信号质量高低的信号质量指数(Signal Quality Index，SQI)，研究了基于SQI的在严重干扰存在时生命体征信号的估计，实现了对严重心律失常错误报警的抑制。 本文首先研究了心电(Electrocardiogram，ECG)与动脉血压(ArterialBlood Pressure，ABP)信号的信号质量评估方法，提出了通过比较对干扰敏感性不同的QRS识别算法结果来确定心电信号质量的思想，并综合多导联同步分析与比较、信号峰度分析和信号功率谱分析等方法导出了心电信号质量指数；应用模糊逻辑算法和启发式约束算法对血压信号进行波形特征分析，导出了血压信号质量指数。信号质量指数是一个介于0和1之间的数值，数值越大表明信号质量越好，数值越小表明信号质量越差。 导出SQI之后，研究了在严重干扰存在时生命体征信号的估计方法，主要研究了心率和动脉血压值的估计。直接从ECG或ABP信号的搏动识别得到的心率值和直接从ABP波形特征分析得到的血压值很容易受到干扰的影响，造成估值的严重误差。卡尔曼滤波器可以避免干扰对信号估计的影响，提供对随机信号的最佳估计，适用于对心率、血压等心血管系统信号的估计。我们研究了应用卡尔曼滤波器实现心率和血压估计的算法，提出了通过信号质量指数调节卡尔曼滤波器增益系数的思想，当信号质量高时，使卡尔曼滤波器残差的增益系数增加，此时算法较多地依赖高质量的心率(或血压)测量值来调整心率(或血压)估计；反之，当信号质量低时，使滤波器残差的增益系数减小，算法较少地依赖低质量的测量值来调整参数估计。同时设定了一个信号质量指数阈值，当信号质量低于阈值时，停止更新卡尔曼滤波器，以避免信号质量过低时干扰对参数估计的严重影响，从而对卡尔曼滤波估计进行了优化。心率信息可以通过对ECG、ABP及脉搏血氧饱和度等信号进行搏动检测获得，由于各通道间数据冗余且近似独立，同时，各通道间的干扰往往不具有相关性，通过传感器融合算法对多源信号进行数据融合可获得更精确的心率估计。我们首先研究了从多个包含干扰的信号估计中获取最佳估计的数据融合算法，导出了多导数据融合公式。然后对基于多导心电和动脉血压信号的卡尔曼滤波算法获得的心率估计进行数据融合，得出了鲁棒性的融合心率估计；提出了用信号质量指数和卡尔曼滤波器残差作为权重系数控制数据融合的思想，当某导联由于干扰造成心率估计误差时，一方面由于干扰的存在使该导联的SQI减小，另一方面心率估计误差的存在使卡尔曼滤波器的残差增大，从而在数据融合时控制减小该导联的权重。数据融合方法在仅有一个通道具有高质量信号的情况下，仍能获得精确的参数估计。 通过数据融合算法获得心率估计后，研究了应用融合心率和信号质量指数抑制监护仪严重心律失常错误报警的算法，提出了通过信号质量指数判断阈值的选取进行真实报警识别率和错误报警抑制率调节的思想。当监护仪发出严重心律失常报警时，用此时算法估计的融合心率与监护仪设定的报警阈值进行比较，并根据信号质量是否可信判断接受或拒绝报警。当融合心率未达到报警阈值且信号质量指数指示信号质量好时，则信任此时的心率估计，认为此时监护仪的报警是错误报警并加以抑制。 为对本文提出的算法进行验证和评价，应用美国麻省理工学院多参数智能重症监护数据库 II(Multi-Parameter Intelligent Monitoring for Intensive care II， MIMIC II)中的高质量连续监护数据作为标准信号集，共选取437例、3762段长度为1小时以上(1.62±0.69 h)，总计6084小时的连续高质量的同步多导联ECG和ABP波形数据，对标准信号集添加不同类型和强度的心电和动脉血压干扰，建立了心电和血压评价数据集。心电干扰采用了麻省理工学院标准心电干扰数据集的干扰数据，包括三类干扰和6种信噪比的18类干扰数据，动脉血压干扰应用我们自行设计的六类动脉血压干扰生成算法生成的干扰数据，包括六类干扰和5种不同干扰段占据比例(占空比)的30类干扰数据。同时基于MIMIC II数据库中的监护仪报警数据建立了错误报警抑制评价数据集，包括各类严重心律失常报警信号5344次，经专家确定，其中的错误报警率为42.74％。为进行心率估计算法性能评价，研究了在心率估计抗干扰研究中采用的确定心率金标准的算法，以标准信号集为基准计算得出了心率的金标准值，用于比较不同心率估计算法的抗干扰效果。我们对八种心率估计算法和三种动脉血压估计算法进行了抗干扰效果评价。 研究结果表明，评价数据集的ECG和ABP信号的信号质量指数均随添加干扰的增加而减小，信号质量指数较好地反映了生理信号受干扰的水平；信号质量指数在应用卡尔曼滤波算法进行心率和血压估计中发挥了重要作用，基于卡尔曼滤波和信号质量指数的估计算法可获得较好的心率和血压估计，如不采用信号质量指数对卡尔曼滤波器参数进行控制，当信号质量较低时估计误差显著增加；数据融合算法可有效克服干扰造成的心率估计误差，获得较好的融合心率估计，在严重ECG干扰存在时心率估计误差小于1次/分，在严重ABP干扰存在时心率估计误差小于2.1次/分；基于SQI的动脉血压估计算法可以不同程度地减小血压估计误差，当SQI对干扰敏感时，可显著降低干扰对血压估计的影响，当SQI不敏感时，干扰影响仍不同程度的存在；错误报警抑制算法对严重心律失常报警的真实报警正确识别率为100.00％，对错误报警的抑制率为53.68％，错误报警率从抑制前的42.74％降低为19.80％。 正确的生命体征信号估计和信号质量评估是智能监护的前提，只有获取了正确的监护参数和可信的信号，才能进行下一步对病人生理和病理状态的正确解释、预测和评估。本文在这方面进行了有益的尝试，但仍有许多不足之处：如获取的血压信号SQI对某些类型的干扰仍不很敏感，只对生命体征信号中的ECG和ABP进行了研究，只研究了心律失常错误报警的抑制，对其他生命体征信号和其他类型的报警尚需进行进一步研究。

目录

文摘

英文文摘

论文说明：缩略语注释表

声明

第一章绪论

1.1选题背景及其意义

1.2危重病人生命体征信号的获取

1.2.1心电监测

1.2.2动脉血压监测

1.2.3肺动脉压监测

1.3信号干扰分析

1.3.1心电干扰

1.3.2动脉血压干扰

1.4智能监护系统的研究现状

1.4.1数据预处理

1.4.2特征提取

1.4.3监护仪错误报警抑制

1.4.4模式识别与基于模型的解释和推理

1.4.5智能监护的任务

1.5本文主要工作和章节安排

1.5.1本文主要工作

1.5.2章节安排

第二章心电与动脉血压信号的质量评估

2.1心电信号质量评估

2.1.1基于单一ECG导联不同QRS搏动识别算法比较的信号质量评估

2.1.2基于多个同步ECG导联间QRS搏动识别算法比较的信号质量评估

2.1.3基于ECG信号峰度分析的信号质量评估

2.1.4基于ECG信号功率谱分布的信号质量评估

2.1.5 ECG信号综合质量评估

2.2血压信号质量评估

2.2.1基于模糊逻辑的逐搏ABP信号质量评估

2.2.2基于启发式约束的ABP信号质量评估

2.2.3 ABP信号综合质量评估

2.3本章小结

第三章基于信号质量评估和卡尔曼滤波的心率融合估计

3.1卡尔曼滤波

3.1.1卡尔曼滤波算法

3.1.2基于信号质量指数的卡尔曼滤波增益调节

3.1.3滤波器方程初始值的确定

3.2心率信号融合估计

3.2.1融合估计算法

3.2.2心率信号融合估计

3.3评价数据库

3.3.1标准信号集

3.3.2心电信号评价数据集

3.3.3动脉血压信号评价数据集

3.4心率估计金标准的确立

3.5心率估计算法的抗干扰效果评价

3.5.1心电信号评价数据集分析结果

3.5.2血压信号评价数据集分析结果

3.6本章小结

第四章基于信号质量评估和卡尔曼滤波的血压估计

4.1血压估计算法

4.2血压信号干扰生成算法

4.2.1饱和到高压水平干扰

4.2.2饱和到低压水平干扰

4.2.3饱和到平均血压水平干扰

4.2.4方波干扰

4.2.5高频干扰

4.2.6脉冲性干扰

4.3血压估计算法的抗干扰效果评价

4.4本章小结

第五章监护仪错误报警抑制

5.1错误报警抑制评价数据集

5.2错误报警抑制算法

5.3错误报警抑制效果评价

5.4本章小结

第六章总结与展望

6.1总结

6.2展望

参考文献

致谢

攻读博士学位期间发表的论文

攻读博士学位期间参加的科研项目

发表论文一

发表论文二