改善ECG-Derived呼吸使用经验小波变换和核主成分分析

文摘

许多方法已经发展到呼吸信号来自心电图(ecg)。然而,传统的方法有两个主要问题:(1)专注于某些特定的形态特征和(2)不考虑ecg和呼吸之间的非线性关系。本文改进ECG-derived呼吸(EDR)基于经验的小波变换(易)和核主成分分析(KPCA)提出。介绍了解决第一个问题,易分解的心电信号提取低频部分。解决第二个问题,KPCA和原象捕捉ecg和呼吸之间的非线性关系。径向基函数的参数选择内核在KPCA也改善,确保准确性和减少计算成本。相关系数和振幅平方相干系数作为指标进行定量和定性的比较与传统三个功能算法。结果表明,该方法执行比传统的功能算法获得single-lead-EDR信号。

1。介绍

呼吸信号是重要的生理信号常用的临床监测。它们用于睡眠呼吸暂停和压力测试的检测;此外,他们发挥重要作用在疾病的临床诊断1]。呼吸信号检测方法可分为两大类。第一个是检测气流从人类的鼻子,和第二个是检测胸腔变形或胸阻抗的变化引起的呼吸(2]。这两种方法都需要额外的传感器和可能会干扰自然呼吸。

软传感器的概念是一个一个解决方案来克服检测呼吸信号的问题。软传感器是一个推理模型,使用方便的变量来估计变量,它是很难获得的。目前,软传感器已经被广泛采用在工业过程3]。Luenberger观察者(4)使用状态微分方程,与生物过程的动态行为描述机械模型。燕et al。5)提出了一种数据驱动的软测量建模框架基于semisupervised回归估计的总凯氏氮废水处理过程。

获得呼吸信号的心电图是一个典型的软测量在医学领域的应用。心电图信号获得动物使用一些电极和记录方便而不干扰自然的气息。呼吸影响心电图信号主要是通过机械相互作用和呼吸性窦性心律不齐(RSA) [6]。机械相互作用的位移是由电极相对于心和胸阻抗的变化引起的肺容积的变化(7]。RSA是由breath-induced自主神经系统的变化,进而引起心率的变化。心率增加在灵感和减少在过期(8]。呼吸影响心率、心电图在上述两个方面,和这样一个信号调制现象形成了理论依据获得呼吸从ECG信号,称为ECG-derived呼吸信号。

由于功能算法的优点,科学家们在这个领域进行了多项研究。大多数功能方法分为两类(9]。一个是功能方法基于心电信号的形态特征。另一种是通过直接处理心电信号。Vargas-Luna et al。10获得EDR信号通过R使检测到的心电信号峰值振幅。Bailon et al。11)提出了一种基于奇异值分解的功能方法之间的时间间隔RECG信号的峰值。Chazal et al。12)获得EDR信号通过计算下的面积QRS复合物。功能的方法是基于一个形态学特征提供了一个相当令人不满意的精度和鲁棒性。Nemati et al。13)提出了一种数据融合估计呼吸频率基于卡尔曼滤波的方法,其中包括许多其他的生理信号,可以得到,只有呼吸速率。Widjaja et al。14)利用核主成分分析计算ECG信号的QRS复合物和EDR信号的特征向量。这个方法执行但需要手动删除异位QRS复合物涉及大量的计算。

解决现有方法的局限性,实现一个准确和全自动EDR信号获取方法,一种改进的功能提出了基于易和KPCA算法。心电图信号分解得到的低频分量。多个信号分解方法,如小波方法或经验模态分解(EMD) [15),目前是可用的。然而,这种方法的弊端是不容忽视的。传统的自适应小波方法经常使用规定规模细分方案,这是难以实现的一个理想的适应性。例如,小波包使用一个常数开比,导致有限的适应性。Brushlet方法(16]对傅里叶谱分解的信号,也是基于规定细分。EMD展示了一个理想的适应性,但它的主要问题是,它缺乏数学理论。易把上述两种方法的优点。它不仅具有严格的数学基础也可以分解信号自适应。

使用后易将ECG信号分解成五个模式,三种模式频率最低的选择形成新的信号。与此同时,R使用Pan-Tompkins峰值位置确定算法来帮助定位QRS复合物。然后,新的信号采样基于QRS复合物的位置。然而,一些异位样本采样期间捕获。为了解决这个挑战,开发的一种基于方差的方法来自动删除异位样本。最后,呼吸道和心电图捕捉非线性关系,处理过的样品处理利用KPCA和原象获得功能的信号。采用径向基函数(RBF) KPCA的核函数;因此,需要相当大的计算在选择RBF核函数的参数(17]。因此,参数选择算法改善了在这项研究中,以减少计算负荷。

我们在本文的贡献如下。(1)易的功能算法框架+ KPCA克服传统功能算法的缺点提出了基于形态特征的心电图信号,而且呼吸之间的非线性关系和心电图。(2)基于方差的一个新的方法来自动删除在抽样程序介绍了异常样本。(3)RBF核函数参数的选择在KPCA算法改进以减少计算的要求。

本文的其余部分组织如下。节2,功能算法基于易和KPCA详细描述。节3相比,该方法与传统三个功能算法。提出了定性和定量的实验结果。讨论的结果部分4,提出了结论部分5。

2。方法

EDR方法提出了本研究分为两个部分,如图1。第1部分涉及到基于易ECG信号的分解。心电图信号分解成五个模式根据易不同的光谱大小;与最低频率选择三种模式形成一个新的信号。第2部分描述的步骤获得基于KPCA EDR信号。首先,Pan-Tompkins算法找到的RECG信号的峰值,然后QRS复合物。第二,新的信号形成的三种模式是基于采样的位置QRS复合物,虽然有些异位样本被自动删除。这些样本作为KPCA的输入矩阵。第三,输入矩阵是通过KPCA映射到一个更高维的空间。内核的特征值和特征向量矩阵计算。最后,最大特征值对应的特征向量是选择像原信号获取功能。

2.1。基于易分解的心电信号

一般来说,人类的呼吸速率大约是0.1 - -0.5赫兹。提取低频心电图信号完全和自适应模式,易用于分解ECG信号。低频模式的重构,形成一个新的信号。

易是一个模态分解算法提出的Gilles [18]。主要概念是提取信号的不同的模式设计一个适当的小波滤波器组,包括一个低通滤波器和几个带通滤波器。使用低通滤波器来提取近似分量,和带通滤波器用于提取组件的细节。数的分解模式选择在传统易自适应算法。不同的ECG信号可以分解为不同数量的模式,从而影响下面的计算。统一的分解模式同时确保易的表现,分解模式设置为5的数量根据实验。实现易算法的具体步骤如下:(1)当地的最大值在ECG信号的频谱得到和归一化后在按降序排序。接下来,第一个选择六个局部极大值,每个模式的边界 被定义为两个连续的最大值的中心。(2)确定边界后,经验扩展功能和实证小波使用Littlewood-Paley-Meyer构造小波(19]。在这里,和表示为 在哪里 。在这里,应满足以下条件: 因为数值函数满足上述条件,我们选择 根据(18]。(3)不同的模式获得的是和 。细节系数 和近似系数 被定义为 在哪里指的是傅里叶变换及其逆变换。从方程(1)- (5),经验模式可以获得的

三个步骤的处理后,心电图信号分解成五个模式。图2显示结果的时间域和频率域的10年代易后心电图信号。

如图2 (b)的光谱五模式解决增加订单。提取的低频部分完全和自适应,第一个选择三种模式组建一个新的信号。新的信号如图3。

图3显示,只保留低频部分和放弃的高频部分 ,从而防止高频噪声对后续计算的影响。在这里,作为输入下列KPCA算法。

2.2。基于KPCA EDR信号采集

KPCA概括,提出Scholkopf et al。20.),在高维特征空间的主成分分析。在KPCA中,数据被映射到一个高维特征空间的非线性输入空间。使用KPCA, EDR收购算法可以描述心电信号和呼吸信号之间的非线性相互作用。的步骤的KPCA方法在这一节中详细描述。

在执行KPCA算法之前,输入矩阵X应该确定。的评价X包括以下步骤:(1)第一步是发现R峰:所有的位置R峰在获得使用Pan-Tompkins算法(21),表示为 。的参数n的数量是R峰在 。Pan-Tompkins结果如图4。(2)第二步是采样的信号 :后的检测R山峰,一个固定的窗口选择样本信号 。在这项研究中,x_我被认为是窗口中心,采样在之前和之后的40毫秒范围x_我。然后,样品被用来构建矩阵与维 ,在哪里米固定窗的长度和吗n的数量是R峰值。因为本研究ECG信号的采样间隔是4,女士的价值米固定在21。(3)第三步是删除异位样本:如图5(一个)可能会有一些异位样本影响后续计算的准确性。因此,提出了一种基于方差的自适应方法自动删除异位样本。具体步骤如下:(1)首先,是表示抽样的结果,然后呢可以写成 。一般被定义为样本 (2)矩阵Y被定义为 ,和每一个列向量的方差Y计算。所表达的结果是向量 。(3)它假定异位样品和正常的样本 ,在方程,条件, ,是满意的。取出异位样本根据这个属性,和一个输入矩阵X没有异位样本。

矩阵的轮廓X如图5 (b)。

后输入矩阵X决定,KPCA介绍。KPCA的本质是解决以下方程: 在哪里λ和矩阵的特征值和特征向量是吗C,分别。在这里, ,在哪里r样品的数量吗X,被定义为一个隐式非线性映射 。然后,映射的数据在高维特征空间可以被定义为 。在方程(8),C的协方差矩阵是吗 ,这是定义为

方程(8)相当于以下方程:

当 并介绍了RBF核函数 ,

后确定核函数,方程(10)可以写成 在哪里α是向量由参数和K是内核矩阵对应 。提取主成分,测试点的投影在特征向量V^k计算使用

上述计算在高维特征空间进行F,而建设的功能信号是基于第一个输入空间的特征向量。在获得的特征值和特征向量F信号不能直接用于构建功能。为了解决这个问题,可以使用有限数量的特征向量近似输入空间中的数据。这个过程称为“原象”(22]。因此,第一特征向量输入空间是由原像重建的第一特征向量f . EDR信号可以通过执行三次样条插值重建的第一特征向量输入空间。

在KPCA的过程中,参数必须精心挑选,这样KPCA可以提供更好的性能。首先,大概是坚定 ,表示为 。参数z代表了向量改变了X。然后,进一步调整的范围, 的步骤 。的步骤如下(14]:(1)KPCA应用范围 为得到特征值表示 (2)在这里, 并为每个计算 。然后,被选中时,达到最大d

尽管上述方法可以确定适当的 ,它需要很高的计算工作因为内核计算矩阵的特征值 。然而,d达到最大的早期和减少单调之后,如图6(一)。因此,计算单调减少的部分是多余的。因此,在这项研究中,d当上述两个步骤做了决定。当d达到最大,选择的过程终止,如图6 (b),对应于最大的d被选中为后续计算。图6曲线的显示了一个示例图d。如图,如果不是最大的终止d,该算法计算内核矩阵的特征值的1000倍。如果终止最大值d,只有180计算是必需的。通过这种方式,不仅的准确性保证,而且计算工作量减少了。

3所示。结果

在本节中,该功能方法与三个传统EDR方法相比,包括KPCA-based [14],R-peaks-interval-based [23],R-peaks-amplitude-based [24)功能的方法。实验结果和形态相似性的度量上述功能的性能进行评价的方法。

3.1。材料

提供的ECG信号和参考RESP信号是幻想曲数据库和汕头超声仪器研究所有限公司有限公司(SIUI)。幻想曲数据库(25)是来自健康受试者在一个仰卧的姿势,采样率为250 Hz。

3.2。形态相似性度量

定量测量,形态相似EDR信号和参考之间的呼吸信号,相关系数(C)和大小的平方相干系数(MSC)介绍了(24]。C表示为 在哪里米EDR功能信号的长度是和分别代表参考职责和功能的信号。定义为MSC 在哪里和代表的功率谱密度x和y分别为,互功率谱密度的吗x和y。韦尔奇计算了光谱的方法,一个周期汉明窗,和50%的重叠。

3.3。实验结果

比较该方法的三个传统功能以直观的方式方法,本节中给出一些实验结果。

如图7,EDR信号算法在这项研究中获得的有竞争力的相似性参考呼吸信号。作为数据7(f)和7(g)显示,该方法执行在提取一些RESP信号质量较差。

图8表明该方法执行比三个传统功能的方法。此外,该方法取得了更好的性能比传统的三个功能方法提取劣质RESP信号。图8(d)表明,提出的方法保持相对较高的形态与劣质RESP信号相似。然而,EDR信号获得的三种传统EDR方法差别很大的参考RESP信号形态。

除了上述定性的比较结果,该方法的性能和三个传统EDR方法评估使用C和MSC。

图9显示了四种功能方法的实验结果基于数据库和SIUI幻想曲。框图如图9指定值中位数和四分位范围(差)。如图8和表1,EDR方法基于单个ECG信号的形态特征(RR-interval-based和RPA-based EDR算法)显示C和MSC表现不佳;他们也有可怜的健壮性的缺点。虽然KPCA-based EDR方法很好,仍有差距,该方法的准确性和鲁棒性。一般来说,该方法优于三个传统功能的方法。

测量方法的性能不同的年龄组,年轻的(还是岁)和老年(68 - 85岁)选择科目进行实验。实验结果如图所示10。

所示不同年龄段,方法基于单一ECG信号形态特征鲁棒性差、精度低的缺点。该方法表现出更好的性能在不同年龄的样本。

4所示。讨论

4.1。预处理

在这项研究中,心电图信号被分解为五个不同的模式,以及三种模式较低频率选择构建一个新的EDR信号采集信号。不引入该方法去噪算法。这是因为RESP信号频率相对较低导致心电信号的基线漂移。基线漂移的校正的影响去噪算法提取RESP信号在一定程度上。高频噪声的影响也减轻因为频率较低的三种模式是为后续的计算,选择部分中提到2.1。

4.2。提取模式的数量的影响

本文介绍了易ECG信号自适应分解成5模式,和低频模式是形成一个新的信号重建。在本节中,我们进行了实验的影响模式从易提取的数量。这里,30 ECG信号长度的10年代被随机选择和分解为4,5和6模式,分别。介绍了C和MSC对性能进行评估。结果呈现在图11,揭示了更好的性能当模式从易提取的数量是5。

4.3。计算工作

一般来说,功能涉及KPCA方法计算量。该方法的评估额外的计算工作的三个传统功能方法,计算时间记录。因为所有的提到EDR方法必须定位R通过Pan-Tompkins算法峰值,扣除PTK算法所需的时间。这个实验是基于英特尔酷睿i7 - 9750 h 2.60 GHz和MATLAB 2018上运行。5 ECG信号的长度10 s是随机选择五幻想曲数据库的测试。结果表明,该方法的平均计算时间和EDR功能基于KPCA算法,Rpeaks-interval,则是0.161,0.312,0.006,和0.013 s,分别。数据显示,功能方法基于心电信号的形态特征有一个更高的运算速度比功能使用KPCA方法,但以牺牲准确性和鲁棒性。有两个主要原因的差异计算复杂度:(1)EDR算法基于心电信号的形态特征(如仅处理特定的特征R波振幅和R每个心动周期的波间隔),而功能使用KPCA算法应该处理整个每个心动周期的QRS波群。有一个巨大的差距要处理的数据量的两种方法。(2)KPCA算法复杂。此外,重复计算时需要选择参数δRBF核函数。通过实验发现,在传统KPCA-based EDR算法,寻找合适的计算时间参数δ占90%以上的KPCA的总计算时间。

在拟议的方法中,KPCA部分的平均计算时间只有0.074 s由于确定参数的机制d,而所需的平均时间计算KPCA一部分传统KPCA-based EDR算法是0.267秒。储蓄率达到72.3%,大大减少了计算工作量。

5。结论

该功能基于易和KPCA方法显示了良好的性能比传统的功能方法从single-lead-ECG EDR信号提取的信号。心电图信号通过易分解为五个不同的模式,和一个新的信号是由构造低频率的三个组件。然后,新的形式输入信号采样矩阵基于QRS波群的位置,和一个异位样本删除方法用于删除异位样本。随后,KPCA用于获得特征向量和特征值。最后,EDR信号可以通过处理使用原像和三次样条插值的结果。RBF的参数选择方法后的内核在KPCA改进,计算时间大大减少,减轻高计算努力EDR的问题在一定程度上与KPCA方法。实验结果表明,该方法执行比三个传统功能的方法和适用于监测呼吸通过single-lead-ECG信号没有额外的传感器。

数据可用性

本文中使用的数据部分可以在网站找到https://physionet.org/about/database/,另一部分是SIUI提供的数据,这是不向公众开放,因为它涉及到隐私。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

作者要感谢本先生李汕头超声仪器研究所有限公司有限公司(SIUI)为他贡献数据和专业的建议。这项工作是支持的基础研究和应用基础研究的基础广东省(批准号2020 b1515120061),中国国家自然科学基金(批准号82071992),广东大学优先级字段(人工智能)项目(批准号2019 kzdzx1013),中国国家重点研发项目(批准号2020 yfc0122103)。

引用

1. h·辛格·r·k·Tripathy, r . b . Pachori”检测睡眠呼吸暂停的心跳间隔使用滑动模式和心电图提取呼吸信号奇异谱分析,“数字信号处理,104卷,2020年。视图:出版商的网站|谷歌学术搜索
2. h·沙玛和k·k·沙玛ECG-derived呼吸基于迭代希尔伯特变换和希尔伯特振动分解,“澳大拉西亚的物理和工程科学在医学第41卷。。2、429 - 443年,2018页。视图:出版商的网站|谷歌学术搜索
3. 杜张郭,x, y, y,和z曹,”路径规划基于优化的沿海船舶DQN奖励功能,“海洋科学与工程》杂志上,9卷,不。2,p。210年,2021年。视图:出版商的网站|谷歌学术搜索
4. d·克莱默和r .王”,一个混合方法对生物处理状态估计使用近红外光谱和sigma-point卡尔曼滤波器,”《过程控制卷,82年,第104 - 91页,2019年。视图:出版商的网站|谷歌学术搜索
5. w .严,p .郭、y .田和j·高,”一个框架和数据驱动的建模方法软传感器基于semisupervised高斯回归,”工业化学与工程化学研究,55卷,不。27日,7394 - 7401年,2016页。视图:出版商的网站|谷歌学术搜索
6. t·金·h·丁、h·夏和j .包”可靠性指数和亚洲障碍期权定价公式的不确定部分首中时时间与卡普托模型类型,“混乱,孤波和分形文章ID 110409卷,142年,2021年。视图:出版商的网站|谷歌学术搜索
7. m . Deviaene i d·卡斯特罗,p . Borzee et al .,“容性耦合心电图不引人注目的发现睡眠呼吸暂停和呼吸,”生理测量,42卷,2021年。视图:出版商的网站|谷歌学术搜索
8. a . Zarei和b . m .美国手语,“自动分类的呼吸暂停和正常人使用新特性提取HRV和ECG-derived呼吸信号,”生物医学信号处理和控制59岁的2020卷。视图:出版商的网站|谷歌学术搜索
9. w·邓商,x Cai et al .,“量子微分进化合作共同进化框架和大规模混合变异策略优化,“以知识为基础的系统文章ID 107080卷,224年,2021年。视图:出版商的网站|谷歌学术搜索
10. j·l·Vargas-Luna w·迈尔和j·a . Cortes-Ramirez“调幅的方法实时算法ECG-derived呼吸,”基于航空杂志上墨西哥de Ingenieria,35卷,53 - 69年,2014页。视图:谷歌学术搜索
11. r . Bailon l . Sornmo, p .拉古纳,”一个健壮的方法ECG-based呼吸频率的估计在压力测试期间,“IEEE生物医学工程,53卷,不。7,1273 - 1285年,2006页。视图:出版商的网站|谷歌学术搜索
12. p . De Chazal c . Heneghan e·谢里丹r·赖利·诺兰和m·奥马利”自动化处理的单管线心电图检测阻塞性睡眠呼吸暂停,”IEEE生物医学工程,50卷,不。6,686 - 696年,2003页。视图:出版商的网站|谷歌学术搜索
13. s . Nemati a Malhotra g·d·克利福德,“数据融合提高呼吸率的估计,”EURASIP应用信号处理》杂志上文章ID 926305卷,2010年,2010年。视图:出版商的网站|谷歌学术搜索
14. d . Widjaja c·瓦伦而言,a . Dorado j . a . k . Suykens和s . Van Huffel”应用核主成分分析single-lead-ECG-derived呼吸,”IEEE生物医学工程卷,59号4、1169 - 1176年,2012页。视图:出版商的网站|谷歌学术搜索
15. t·金x杨、h·夏和h .叮”可靠性指数和首中时时间模型的期权定价公式的基础上,确定分数阶微分方程与卡普托类型,“分形卷,29号1,文章ID 2150012, 2021。视图:出版商的网站|谷歌学术搜索
16. f·g·迈耶和r . r . Coifman Brushlets:工具定向图像分析和图像压缩,”应用和计算谐波分析,4卷,不。2、147 - 187年,1997页。视图:出版商的网站|谷歌学术搜索
17. w·邓j .徐X.-Z。高,和h . j . i t .赵她身上,“一个增强MSIQDE算法与全局优化问题的新颖的多种策略,”IEEE系统,人,和控制论:系统,2020年。视图:出版商的网站|谷歌学术搜索
18. j . Gilles“经验小波变换”,IEEE信号处理,卷61,不。16,3999 - 4010年,2013页。视图:出版商的网站|谷歌学术搜索
19. Daubechies,十个专题小波、暹罗、费城,宾夕法尼亚州,美国,1992年。
20. b . Scholkopf a Smola, K.-R。穆勒:“作为一个内核特征值问题,非线性成分分析”神经计算,10卷,不。5,1299 - 1319年,1998页。视图:出版商的网站|谷歌学术搜索
21. k·k·金和a . rana“心脏疾病检测使用修改PanTompkins算法,”传感器科技杂志》上卷28日,13 - 16,2019页。视图:谷歌学术搜索
22. A . Garcia-Gonzalez A·韦尔塔兹洛特尼克s, p . j . A . p . A . Diez”内核主成分分析(kPCA)消化新的反向映射(原像重建)策略,”研究方,2020,https://arxiv.org/abs/2001.01958。视图:出版商的网站|谷歌学术搜索
23. 萨德尔n和p . de Chazal”,比较三种ECG-derived呼吸睡眠呼吸暂停检测方法,”生物医学物理和工程表达,5卷,不。2、文章ID 025027, 2019。视图:出版商的网站|谷歌学术搜索
24. c .瓦伦而言,j·莫拉莱斯,j .拉萨罗et al .,”的比较研究ECG-derived动态心电图监测使用单一铅在呼吸,”科学报告,10卷,页1 - 14,2020。视图:出版商的网站|谷歌学术搜索
25. n . Iyengar c . k .彭r·莫林a . l . Goldberger洛杉矶Lipsitz,“与年龄相关的变化的分形扩展心脏interbeat区间动力,”美国Physiology-Regulatory杂志、综合和比较生理学,卷271,不。4,R1078-R1084, 1996页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021舒欣壮族等。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。