文摘
近几十年来,小进步的客观评价疼痛和有害刺激麻醉下取得的。一些研究基于医学信号未能提供一个全面的理解这个问题。介绍了心率变异性信号特征提取方法,旨在进一步提高有害刺激的评价。在数据处理的过程中,经验模态分解用于分解和重组心率变异性信号,和滑动时间窗方法用于提取有害刺激的信号特性,分别。窗口大小的影响特征提取研究通过改变窗口大小。通过比较结果,数据处理的特征提取过程中是有价值的,和窗口大小的选择有显著影响。与选定的窗口大小的增加,我们可以得到更好的检测结果。但对于窗口大小的最佳选择,以确保结果的准确性,使它容易使用,然后,我们需要一个合适的窗口大小。
1。介绍
临床麻醉医师必须知道病人是否足够容忍直接喉镜检查和气管插管麻醉。在缺乏一个准确和客观的方法来确定全身麻醉的水平,这可能导致条件如不足或过量的麻醉1]。患者可能充分麻醉对于一个给定的刺激程度,但当面对其他更强烈的刺激,如气管插管,underanesthesia的风险。当前麻醉深度监测是准确评估全身麻醉的催眠成分,但不可靠评估麻醉的镇痛和抑制反射组件2]。我们希望使用更有效的工具来解决这个问题。
自主神经系统之间的重要关系以及许多生理因素调节被调查在过去的几十年。心率变异性(HRV)已被建议作为一个方法能够测量的应激反应和平衡镇痛和实时伤害感受当病人全身麻醉下评估自主神经系统(3,4),从而能够客观地评价有害刺激通过HRV分析。相比之下,HRV代表最有前途的一个指标。该方法的简单推导已推广使用。它也被视为一个简单的理论研究和临床研究的工具。然而,许多不同的意义的HRV指标比通常更复杂的赞赏和有一个潜在的错误结论,过度或毫无根据的推断。
HRV分析是一种工具,可以用来观察交感和副交感神经系统的交互5]。HRV的量化方法分类如下:时域,频域和非线性方法6]。在时域分析中,相邻之间的间隔正常R波测量/记录的时期。可以计算各种统计变量直接从间隔之间的差异和间隔。传统上,总是采用光谱分析在短期的研究中,通常标准5分钟心电图仪(ECG)部分进行了分析。大量的非线性的HRV指标研究了,但是只有少数显示明显效用。许多实际应用的HRV分析使用不同时间域,频域,非线性分析技术(7- - - - - -10]。HRV信号的特点和实际利益的早期诊断、监测和预后的评估疾病(11,12]。临床医生和工程师的共同努力使它可以使用数据提取心率变异性来帮助诊断和预测各种心脏疾病以及疾病源自不同的人体器官,但间接影响自主神经系统。很多非线性动力学的方法(例如,估计李雅普诺夫指数)和复杂性的措施(例如,关联维数或熵)已经应用于HRV分析(13- - - - - -16]。近年来,经验模态分解(EMD)的非线性和非平稳的时间序列已被提出。这个信号分析技术用于分析HRV信号和其他信号(7,8,17- - - - - -20.]。准确地提取信号的特征,时间窗方法可以用来准确地制定更有效的时间窗口的大小特征识别(21]。近年来,医学应用神经网络得到了越来越多的关注,正逐渐被用于临床实践,但直接应用神经网络并没有导致更一般的结论在医学信号分析,因此帮助合适的信号特征提取比特定的分类方法(可能会更有效15,22,23]。正确应用这些研究方法会给一个伟大的进步的研究揭示了潜在的法律和HRV的物理本质。
基于上述生理基础和研究方法,介绍了滑动时窗法提取HRV分析有害刺激的特点,从而帮助分类方法,我们需要研究窗口大小对特征提取的影响。
2。材料和方法
2.1。数据收集
这项研究已经被医院的伦理委员会批准,所有患者签署知情同意。六十个人(ASA I或II级,所有的性别,年龄18 ~ 60岁,体重指数< 30公斤/米2)经历了口腔颌面外科麻醉。排除标准:疾病是影响自主神经功能。
心电图信号不断地记录下BMD101 (NeuroSky Inc .)在采样率为512 Hz perioperation期间并存储在计算机。信号处理是形成了RR间隔进行分析。三种信号从RR获得间隔:术前(T0)插管(T1),术中(T2)。在这项研究中,我们所需要的是T1和T2信号。T1信号代表一个有害刺激的发生在麻醉。T2信号意味着只在麻醉。最初的RR ECG信号的时间间隔的函数心跳的数量,而不是时间。使RR间隔时间的函数,信号重新取样使用三次样条的采样率8赫兹HRV研究推荐(24]。
2.2。经验模态分解
EMD方法,任何复杂的信号可以分解为一个有限的和经常少量的固有模态函数(IMF)。自分解是基于信号的本征时间尺度,适用于非平稳的信号(25]。imf的计算的筛选过程,这是一个迭代消除趋势操作。提取首先从给定信号 ,过程描述如下:
步骤1:确认当地所有的极值
步骤2:生成的信封上和更低的信封由当地的最大值和最小值使用三次样条
步骤3:计算的方法上信封和较低的信封
步骤4:国际货币基金组织计算候选人之间的区别和 ;它只能被认为是国际货币基金组织是否满足筛选停止标准
步骤5:计算出残留的区别和国际货币基金组织
步骤6:重复以上步骤,直到分解为有限数量的货币基金和一个渣,渣是一个稳定的趋势或一个常数。
EMD分解非平稳的信号为一组有限的货币基金没有信息丢失或扭曲19]。在这项研究中,首先需要根据需求成为重组特征信号。
2.3。滑动时间窗方法
滑动时间窗口(STW)方法是一种非常有效的特征提取方法。然而,确定最优值的窗口大小是一个重要而困难的问题。滑动时间窗口的大小会影响特征提取的影响。如果尺寸太大,功能可能被混淆在一起,影响到计算结果的准确性,增加负载。相反,如果规模太小,无法完全提取的特性,因此无法获得更好的结果(21]。
适当的STW大小可以选择根据研究对象的特点。尺寸范围的STW通常是根据目标对象或应用程序需求确定先验知识的指导下。在这项研究中,我们可以进一步比较不同大小的STW的影响特征提取,建立选择标准。这还可以探索窗口大小之间的关系选择和自主神经系统。
2.4。模型建立
在这项工作中,我们感兴趣的是如何准确地检测麻醉期间有害刺激。首先,RR区间信号分解和重组成高频(HF)分量信号和低频(LF)分量信号,对应于自主神经系统的交感和副交感神经的活动,分别。其次,有害刺激的信号特征反映在低频分量信号,滑动时间窗口和低频信号处理的特征提取的方法。最后,提取特征作为输入到深层神经网络确定有害刺激(刺激气管插管)在全身麻醉下进行。
漫长的短期记忆(LSTM)网络用于深层神经网络模型。深层神经网络模型特征提取的能力,因此,RR间隔直接用作深层神经网络的输入,结果可以直接通过训练获得深度学习模型。直接使用原始数据所获得的结果与通过提取特征与不同时间窗口大小。这种比较能反映特性获得的数据处理是否代表和他们是否对结果产生重大影响。
3所示。结果
在研究期间,RR区间信号从60岁的病人,和104信号选择筛选后的调查,其中包括42 T1信号和62 T2信号。这些信号是随机分为71训练集,验证集,15和18测试集。
预处理过程中的RR区间信号,统一的时域采样是通过三次样条分段插值,使RR系列更适合特征提取。在频域中,短期HRV信号的频谱可以区分为几个频段(26]。这些乐队称为高频(HF)乐队(0.15赫兹到0.4赫兹),低频(LF)乐队(0.04赫兹到0.15赫兹),和极低频乐队(甚低频),即,乐队小于0.04赫兹(18]。在这里,我们将低频和甚低频乐队和认为他们两个是低频带一致。因此,利用EMD重新取样RR间隔序列分解为有限的国际货币基金组织(IMF)组件和IMF执行频谱分析,结果如图1表明,高频分量(0.15 ~ 0.4赫兹)和低频分量(0.04 ~ 0.15赫兹)是有区别的。通过重组国际货币基金组织IMF高频分量和低频分量分别两个特征信号对应于自主神经系统调节形成,如图2。高频乐队只反映了副交感神经的变化,而低频带反映了交感神经和其他一些应激反应的变化。在全身麻醉下,高频分量与气管插管类似于高频分量没有气管插管,和低频分量是明显不同的。
(一)
(b)
气管插管的低频分量信号刺激有明显的特征,特征提取的有害刺激STW内完成,如图3和4。提取的特征是区别的左端点和右端点STW中的低频分量信号。我们可以得到不同的特性不同的窗口大小的结果,通过比较这些结果,我们可以选择最好的一个。最小窗口大小是100重采样点,每增加50个采样点是用来提取低频信号的功能结果。如图3,100年和300年之间的窗口大小是取样点。我们可以发现有害刺激的特征提取,特征变得越来越好随着窗口大小的增加。提取的特征有一个相应的振幅有害刺激时发生的变化。在图4,我们可以看到,随着采样点数量的逐渐增加,可以提取特征更加明显。这表明窗口大小直接影响特征提取的影响,和窗口大小越大,效果越显著。对于这样的结果,我们最终选择的特性提取150250350450550650个采样点来验证效果。
因为信号的总数是非常有限的,我们必须为每个窗口大小多次验证结果。如图5,我们可以获得的准确性检测有害刺激对应不同的窗口大小为77.8%,88.9%,83.3%,88.9%,88.9%,94.4%。通过比较结果,我们得出这样的结论:特征提取在数据处理的过程中是有价值的,和窗口大小的选择有显著影响。如果窗口大小相对较小,提取的功能都集中在一个小区域的信号,这使得小面积的特性不容易捕捉的信号。然而,随着窗口大小逐渐增加,STW方法可以很容易地获取不同状态之间的功能差异。
如图6,数据直接送入LSTM网络(27培训)在相同的数据集,这样可以得到相应的结果。由于数量有限的信号,数据集随机分为训练集和测试集多次获得多个结果。与获得的结果的方法,本文方法的结果更令人满意。
4所示。讨论
在这项研究中,心电图信号收集在全身麻醉下,然后,RR区间信号。HRV分析包括时域、频域和非线性分析。尽管这些方法已经广泛使用,他们仍然有局限性。HRV分析具有良好的生理基础评价自主神经系统;然而,由于HRV信号包含许多复杂的组件,没有重大进展分析方法和应用多年。为了解决这个问题,RR区间分解为高频分量和低频分量,相应的自主神经系统。与气管插管麻醉下,高频成分刺激类似于高频组件没有气管插管刺激,和低频成分明显不同,如图7。
在研究,样本的大小是相对有限。为了更好的解决这个限制,是非常重要的提取信号的共同特征。信号特性的质量也很重要。如果足够好可以提取信号特征,优秀的结果也可以获得的有限数量的信号。小样本数据的结论取决于特征的提取效果。
不同大小的STW有一个明确的对特征提取的影响。与选定的窗口大小的增加,我们可以得到更好的检测结果。虽然可以获得更好的结果时,窗口大小比较大,它会影响检测的实时性能和实用性。我们应该做出最优选择在这些条件下,它不仅保证了结果的准确性,也使得它易于使用和操作,所以我们需要选择窗口的尺寸不能太大。我们还必须确保效果好,窗口大小选择后自主神经系统的监管。
尽管我们提出的方法取得了良好的效果在这个数据集特征提取的方法相对单一,这使得该方法只适用于重要的信号波动的情况,和更多不同的特征提取方法在未来将被添加。其次,虽然窗口大小的选择法律已经明确,不同的STW大小可以采用信号在不同的州。因此,我们需要进一步探索适应STW处理在各种状态信号特征提取。最后,我们将收集更多的信号进行进一步的研究。
5。结论
通过对比结果,我们可以发现特征提取有价值的数据处理,和窗口大小的选择有很大的影响。平衡的实际效果,有必要选择一个适当的窗口大小和自主神经系统的监管规则。
数据可用性
的数据支持本研究的发现可以从相应的作者以合理的要求。
的利益冲突
作者宣称没有利益冲突,关于这篇文章的出版。