一种自动标记异常血压和血流速度信号的算法

中国组织工程研究与临床康复 第 14 卷 第 43 期 2010–10–22 出版 Journal of Clinical Rehabilitative Tissue Engineering Research October 22, 2010 Vol.14, No.43 P.O. Box 1200, Shenyang 110004 cn.zglckf.com 8086 Department of Biomedical Engineering, South China University of Technology, Guangzhou 510006, Guangdong Province, China Chu Xia★, Studying for master’s degree, Department of Biomedical Engineering, South China University of Technology, Guangzhou 510006, Guangdong Province, China chuxia-420@ 163.com Supported by: the Science and Technology Development Program of Guangdong Province, No. 2009B030801004* Received: 2010-05-19 Accepted: 2010-06-07 华南理工大学生 物医学工程系，广 东省广州市 510006 储霞★，女，1985 年生，湖北省随州 市人，汉族，华南 理工大学在读硕 士，主要从事生物 医学信号处理研 究。 chuxia-420@ 163.com 中图分类号:R318 文献标识码:B 文章编号:1673-8225 (2010)43-08086-04 收稿日期：2010-05-19 修回日期：2010-06-07 (20100429004/GW·A) 一种自动标记异常血压和血流速度信号的算法*★ 储 霞，吴效明，黄岳山 An automatic marking method for detecting abnormal signals in arterial blood pressure and cerebral blood flow velocity waveforms Chu Xia, Wu Xiao-ming, Huang Yue-shan Abstract BACKGROUND: Current abnormal blood pressure waveform detection algorithms are developed by definition of each beat and extraction of feature at beat-level resolution. These methods are time-consuming for normal signals are much more than abnormal signals. There are few reports about detection abnormal blood flow waveforms. OBJECTIVE: To propose a classification algorithm for detecting faulty signals in arterial blood pressure (ABP) and cerebral blood flow velocity (CBFV) which are normally caused by the calibration of the recording devices and artifacts during the data collection. METHODS: The feature extraction process combined frequency domain and time-domain methods, which allowed a simple 2-class thresholding technique to differentiate the faulty signals from the recorded data. RESULTS AND CONCLUSION: Marking and recognition of abnormal signals is key for pretreatment, which is decisive for accurate signal analysis. Current detection of abnormal signals is based on morphological analysis, involving all data. Calculation speed of this algorithm is fast because the analysis was based on both distinctions in frequency and time domain and not just in time-domain. For the lack of a standard of ‘abnormal’ ABP and CBFV signals and many uncertain factors in human mark, this algorithm offer a possibility of unifying the standard and avoiding the subjective influence of human. This algorithm detected the majority of abnormal signals, but some errors exist, because the identification criteria of this algorithm influence later processing. Therefore, subjective identification of some signals is unclear. Future study should establish rigorous identification criteria of abnormal signals and improve time-domain distinctions selection and identification. Chu X, Wu XM, Huang YS. An automatic marking method for detecting abnormal signals in arterial blood pressure and cerebral blood flow velocity waveforms.Zhongguo Zuzhi Gongcheng Yanjiu yu Linchuang Kangfu. 2010;14(43): 8086-8089. [http://www.crter.cn http://en.zglckf.com] 摘要 背景：目前，异常血压信号检测的主要方法是提取每个心动周期血压信号的特征，再分类识别。由于大多数血压信号是正常 的，只有少数异常，如果对每个周期的信号进行检测，效率是比较低的。因此关于异常血流速度信号检测的文章不多见。 目的：基于异常信号的频域和时域特征，提出了一种自动标记异常血压和血流速度信号的算法。 方法：先从频域上筛选出可能的异常信号，再分析这些可能异常信号的时域特征，从而最终标记出所有的异常信号。 结果与结论：异常信号的标记和识别是预处理比较关键的一步，这步对后期信号分析的正确性起决定性作用。目前对于信号 的异常标记大都是基于形态学分析判断，往往要遍历所有数据。先从信号的频域特征分析，删选需要判别的对象，提高了计 算速度。该算法能够识别出大多数的异常信号，当然也存在一部分的错误标记信号，因为该算法的判断标准还要考虑到后期 的处理需要(是否影响信号均值)，所以对有些信号人为判断是较模糊的。下一步工作是希望建立异常信号的严格判断标准， 并在算法的时域特征选择和判断上做进一步完善。 关键词：异常信号；血压；脑血流速度；信号算法；数字化医学 doi:10.3969/j.issn.1673-8225.2010.43.027 储霞，吴效明，黄岳山 . 一种自动标记异常血压和血流速度信号的算法 [J].中国组织工程研究与临床康复，2010， 14(43):8086-8089. [http://www.crter.org http://cn.zglckf.com] 0 引言 随着医学检测技术和临床检测仪的发展， 越来越多的生理信号都能较为准确地检测出， 但是由于检测方法、仪器本身或外界因素的影 响，总是不可避免一些异常信号出现在检测信 号中，这些信号不能准确的反映生理信息，而 且对诊断和分析带来干扰。因此，识别标记出 这些异常信号是处理分析生理信号的关键。 连读血压和血流是较为重要的生理信号， 对它们的研究分析也越来越多[1-2]，特别是在分 析动态脑血流自动调节机能中[3-5]，有时需要连 续长期实时监测血流和血压信号，分析血压和 血流信号的关系。这种长期监测的信号时会较 高频率地出现异常信号，对这种异常信号的标 记往往需要有经验的人手动完成，既费时，也 对该研究的临床普遍应用带来阻碍，为了克服 这些问题，本文提出了一种自动检测血压和血 流速度信号中异常信号的算法。 目前，异常血流信号检测的主要方法是提 取每个心动周期血压信号的特征，再分类识别 [1-2]。由于大多数血压信号是正常的，只有少数 异常，如果对每个周期的信号检测，效率是 储霞，等. 一种自动标记异常血压和血流速度信号的算法 ISSN 1673-8225 CN 21-1539/R CODEN: ZLKHAH 8087 www.CRTER.org 比较低的。关于异常血流速度信号检测的文章并不多见。 针对以上问题，再根据信号特点，本文提出了一种 基于时域和频域特征分析的异常信号自动检测算法。先 从频域上筛选出可能的异常信号，再分析这些可能异常 信号的时域特征，从而最终标记出所有的异常信号。 1 数据与实验 1.1 数据检测分析 经颅超声多普勒是利用超声波的 多普勒效应来研究颅内大血管中血流动力学的一门新技 术，它有较高的瞬时分辨率，能检测血流的快速变化， 尽管经颅超声多普勒测量的是血流速度而不是血流，但 是当血管之间受高频声波作用改变不大时，这两个量的 变化是平行的[6-7]。由于大脑中动脉血管不易定位及其他 方面的原因，致使检测到的血流速度信号出现一些异常 频谱信号(如图1)，这些信号是不能用来分析调节机能的。 Colin Pilot 是一种连续血压监测仪，该仪器检测出 的血压信号在一段时间后会发生向下漂移，因此，每隔 一段时间后，该仪器的基值需要根据袖带充气测量的血 压值进行校准[8]，在进行袖带充气测量时，Colin Pilot 测 量的信号出现方波(见图2a上半部分)，这段信号也是无 用的。 此外在整个测量过程中，血压和血流信号会出现短 时的异常信号，即一个周期内信号形状与正常信号不 同，这里定义为异常心跳信号(如图3)，本文的目的是要 自动标记出以上所提到的异常信号。 1.2 测试方法 测试对象平躺休息，其中一个手腕上 安放Colin CBM-7000 (Colin Corp，Komaki City，Japan) 进行连续血压检测，采样频率为100 Hz，另一个手臂上 系上血压计袖带，隔一段时间测量血压来校准Colin基 a: TCD abnormal spectrum with down spikes (upper) and the median filtered waves of upper signals(bottom) Figure 1 Analysis of removing artifacts in cerebral blood flow velocity 图 1 比较血流速度异常频谱信号分析 b: TCD abnormal spectrum with upper spikes (upper), the median filtered waves of upper signals(medium) and the high pass filtered signals (bottom) 200 150 100 50 0 0 10 20 30 40 50 60 C B FV (c m /s ) Time (s) 200 150 100 50 0 0 10 20 30 40 50 60 C B FV (c m /s ) Time (s) 200 100 0 0 1 2 3 4 5 6 7 8 9 10 C B FV (c m /s ) Time (s) 0 1 2 3 4 5 6 7 8 9 10 C B FV (c m /s ) Time (s) 200 100 0 0 1 2 3 4 5 6 7 8 9 10 Time (s) 50 100 -50 a: ABP signals containing square waves (upper figure) and the filtered signals of upper signals (lower figure) Figure 2 Analysis of remove artifacts in arterial blood pres- sure (ABP) 图 2 标记方波的分析 b: PSD of normal ABP signals (solid line) and artifact ABP signals (dashed line) 200 150 100 0 5 10 15 20 25 30 A B P (m m H g) Time (s) 40 20 0 -20 -40 0 5 10 15 20 25 30 Time (s) 0 5 10 15 20 25 30 35 40 45 50 P S D (d B ) Frequency (Hz) 30 20 10 0 -10 -20 -30 Figure 3 An abnormal beat signal in arterial blood pressure 图 3 血压信号中的异常心跳信号 0 1 2 3 4 5 A B P (m m H g) Time (s) 120 110 100 90 80 70 60 50 I mm Hg=0.133 kPa I mm Hg=0.133 kPa 储霞，等. 一种自动标记异常血压和血流速度信号的算法 P.O. Box 1200, Shenyang 110004 cn.zglckf.com 8088 www.CRTER.org ∑+ = = wk ki ik nN ⎪⎩ ⎪⎨⎧ ≤ >= 阈值当 阈值当 i i i x x n 0 1 数，同时，在测试者头部大致太阳穴位置，用两个2 MHz TCD(Germany DWL Multi-Dop X)探头检测左右脑部的 脑血流速度信号，采集的信号每1 ms用快速傅里叶变换 计算最大速度包络。 实验共记录62组数据，每组数据有血压(ABP)，左脑 血流速度(lCBFV)和右脑血流速度(rCBFV)3段数据组成。 2 信号处理过程 2.1 算法实现 异常血压和血流速度信号的自动检测 法分两步进行：首先分析方波信号与正常血压信号，异 常频谱信号与正常血流速度信号的功率谱密度，选择合 适的滤波器对信号滤波，使正常信号与异常信号的区分 较大，再用自适应阈值分割去除方波和异常频谱信号； 第二步是标记异常心跳信号，首选频谱分析选出异常心 跳信号出现的频带，滤波选出所有可能的异常信号，再 提取这段信号每个周期的时域特征，分类判断。 标记方波和异常频谱信号：血压中的方波信号和血流 速度信号中的异常频谱信号占异常信号中的绝大部分， 准确快速地去除这类信号是整个异常信号检测的关键。 方波是比较特殊的信号，它分布在整个频带，所以 先分析方波信号和正常血压信号功率谱密度，图2为相 同时间长度(40 s)的正常血压信号和方波信号的功率谱 密度图，实线为正常血压信号的功率谱，虚线是方波信 号的功率谱，由图可见，在15 Hz左右两者的差别最大， 大于15 Hz的差别较大且稳定，小于15 Hz的差别较小， 越在低频，差别越不明显。因此，设计一个通带截止频 域为17 Hz，阻带截止频域为13 Hz的巴特沃斯高通滤波 器，滤波后的结果如图2(下)所示，截取了一段包含正常 血压和方波信号的数据以便明显看出滤波后两者的差 别。作者发现方波信号滤波后的值明显大于正常血压信 号，对滤波后的信号进行简单的阈值分割就能将两者分 开。因为所有数据中的血压信号都是比较稳定了，这里 选择固定的阈值3就能将二者区分，算法实现见(1)式 (1) k是当前的采样点，w是窗口大小，这里w=300，xi 为第i个滤波后的点，当Nk≥3时，这个窗口内的数据都 被标记为异常信号。 血流速度信号中的异常频谱信号是向上或向下的 明显尖峰信号，较多为向下的尖峰。在分析脑血流调节 机能是更多的关注的是每个周期内信号的均值，而一个 周期内少量的异常频谱点并不影响信号均值，因此，先 均值滤波去除没有影响均值的异常频谱信号，图1a下图 信号是上图均值滤波后信号，图1b中间的图是上图信号 均值滤波后的信号。如果中值滤波后信号值小于10，那 么就为异常频谱信号，用这种判断来去除向下的尖峰。 向上的异常频谱信号发生在高频，用处理血压信号同样 的滤波器滤波后的信号如图1b下图所示，如果滤波后信 号大于阈值(这里为10)，那么就是向上的异常频谱信号。 去除异常心跳信号：与正常信号相比，经验发现图 3中异常心跳的血压信号发生在高频，并且相同时刻的 血流速度信号也为异常。首先血压信号用上述中一样的 滤波器滤波，再判断滤波后的信号是否大于阈值2，如 果大于就说明此处的信号可能为异常信号，也可能为噪 声信号，接着分析信号时域特征，进一步判断信号是否 为异常信号。具体处理过程见图4。 图4为标记异常心跳信号的过程，当滤波后的信号 超出阈值，选取该点前后各400个采样点的数据进行分 析，选择前后一段数据的目的是为了根据这段数据的特 征，自适应的确定特征阈值，因为不同个体，不同时段 数据的特征值不相同，通过自适应的方法确定的阈值更 为准确。 图4中的周期检测是通过检测血压和血流速度信号 每周期的最大峰值来确定一个周期，具体如下：① 用截止频域为2 Hz巴特沃斯低通滤波器对信号进行滤 波来消除可能影响峰值检测的高频噪声。②根据峰值点 有较高的斜率的特点，用 didiii xxxy +− −−= 2 计算 斜率，d为25，设定阈值为 最大值的一半，当yi超出阈 值时，i点可能为峰值点。③由于峰值发生在拐角处，因 此计算Y1i=xi-xi-1和Y2i=xi-xi+1，当Y1i> 0且Y2i> 0时，i点 可能为峰值。④同时满足②③两条件的点即为峰值。 周期确定后，选取相邻周期的峰值间距和峰值差为 特征点，一段数据的峰峰间距的特征阈值为该段数据峰 峰间距的均值加上3倍的峰峰间距方差，峰峰差值的特 征阈值也按同样的方法得到。 Figure 4 Process of detecting of abnormal beats based on shape features 图 4 标记异常心跳信号的流程图 选取(i-400)到(i+400)CBFV信号 ABP 第 i 点超出阈值 选取(i-400)到(i+400)ABP 信号 检测周期，提取峰峰间距和峰峰差值两特征 特征超出阈值? 正常 检测周期，提取峰峰间距和峰峰差值两特征 特征超出阈值? 选取(i-100)到(i+100)ABP 信号 选取(i-100)到(i+100)CBFV信号 是 否 正常是 否 储霞，等. 一种自动标记异常血压和血流速度信号的算法 ISSN 1673-8225 CN 21-1539/R CODEN: ZLKHAH 8089 www.CRTER.org 2.2 结果比较 自动标记的结果将和手动标记的 结果进行比较，正确比较的协议如下：①连续标记的点 视为一个数据段，为一处标记。②比较标记点位置，如 果自动标记的一段数据的起始和终止点与手动标记的 起始和终止点的位置差小于200个采样点，就视为正确 的标记。③手动标记中的某一数据段在自动标记中位出 现，则为一个丢失标记；自动标记中的某一数据段在手 动标记中未标记，为一个错误标记。④记录自动标记中 的正确标记数据段段数，和错误标记的数据段段数，并 和手动标记的数据段段数进行比较。 3 结果 1显示是自动标记的正确性，全对表示自动标记 和手动标记完全一致，没有一处错误和丢失标记，如47 代表在62个数据中有47个全对标记；一处丢失的意思自 动标记有一个数据段没有标记，其他的都正确，并且没 有错误标记，如12表示在62个数据中有12个数据丢失了 一处标记。正确率为全对的个数与62的百分比， 85.8%=47/62×100%，表中血流速度信号含义类似。 表2 显示了自动标记的错误率。表中错误个数为存 在错误标记的数据个数，错误率为错误数据个数与62的 百分比。 4 讨论 异常信号的标记和识别是预处理比较关键的一步， 这步对后期信号分析的正确性起决定性作用。目前对于 标记大都是基于形态学分析判断，往往要遍历所有数 据。本文先从信号的频域特征分析，删选需要判别的对 象，提高了计算速度。 该算法能够识别出大多数的异常信号，当然也存在 一部分的错误标记信号，因为该算法的判断标准还要考 虑到后期的处理需要(是否影响信号均值)，所以对有些 信号人为判断是较模糊的。下一步工作是希望建立异常 信号的严格判断标准，并在算法的时域特征选择和判断 上做进一步完善。 5 参考文献 [1] Sun JX, Reisner AT, Mark RG. A signal abnormality index for arterial blood pressure waveforms. Comput Cardiol.2006;33: 13-16. [2] Ali W, Eshelman L, Saeed M. Identifying Artifacts in blood pressure using morphogram variability. Comput Cardiol. 2004; 31:697-700. [3] Tiecks FP, Lam AM, Aaslid R, et al. Comparison of static and dynamic cerebral autoregulation measurements. Stroke.1995; 26(6):1014-1019. [4] Aaslid R, Lindegaard KF, Sorteberg W, et al. Cerebral autoregulation dynamics in humans. Stroke.1989;20:45-52. [5] Panerai RB. Cerebral autoregulation: from models to clinical applications. Cardiovasc Eng.2008;8(1):42-59. [6] Newell DW, Aaslid R, Lam A,et al. Comparison of flow and velocity during autoregulation testing in humands. Stroke.1994; 25(4):793-797. [7] Nelesen RA, Dimsdale JE. Use of radial arterial tonometric continuous blood pressure measurement in cardiovascular reactivity studies. Blood Press Monit. 2002;7(5):259-63. [8] Steiner LA, Johnston AJ, Salvador R, et al. Validation of a tonometric noninvasive arterial blood pressure monitor in the intensive care setting. Anaesthesia. 2003;58(5): 448-454. 表 1 正确率 Table 1 Accuracy 来自本文课题的更多信息-- 基金资助：广东省科技计划项目(2009B030801004)资 助。 利益冲突：课题未涉及任何厂家及相关雇主或其他经济 组织直接或间接的经济或利益的赞助。 课题的创新点：文章首次通过频域分析和滤波实现大量 异常信号的筛选，尝试能够自动检测出异常血压和血流信 号，用在连续的血压检测仪和血流检测仪上，如果出现异常 信号可以自动报警。 课题评估的“金标准” ：文章的指标评价没有公认的 “金标准”。 设计或课题的偏倚与不足：文中的一些滤波参数选择并 不是百分百适用于所有的个体。 提供临床借鉴的价值：该成果最主要的应用是在检测脑 血流自动调节机能，在长期监测的血压信号和血流信号时会 较高频率地出现异常信号，对这种异常信号的标记不再需要 有经验的人手动完成。 Item Blood Pressure Left blood flow Right blood flow All right) 53 49 50 One lose 12 13 12 Accuracy (%) 85.5 79.0 80.6 表 2 错误率 Table 2 Error ratio Item Blood pressure Left blood flow Right blood flow Wrong number 11 24 19 Error ratio (%) 17.7 38.7 30.6