基于无创生理信号的隐性心衰诊断方法研究

单位代码 10006 学 号 10101026 1分类号 R318 毕业设计(论文)基于无创生理信号的隐性心衰诊断方法研究 院（系）名称生物与医学工程学院 专业名称生物医学工程 学生姓名祝 贺 指导教师王 玲2014年 5 月 基于无创生理信号的隐性心衰诊断方法研究 祝贺 北京航空航天大学北京航空航天大学本科毕业设计（论文）任务计划、毕业设计（论文）题目： 基于无创生理信号检测的隐性心衰诊断方法研究 、毕业设计（论文）使用的原始资料（数据）及设计技术要求： 技术要求：实验数据为以往临床运动实验中获取的心衰病人组（n20）和正常老年人组（n10）的诊断结果数据、标准仪器测量的血压、心输出量和心率数据以及在实验过程中同时采集的心电和光电容积脉搏波数据。通过运动实验中标准仪器测量的血压、心输出量和心率数据和心电和光电容积脉搏波数据，通过模式识别的方法，对实验对象是否患有心衰疾病进行判别。心衰自动判别灵敏度达到 80%以上，特异性达到75%以上，错误率小于20%。 、毕业设计（论文）工作内容：1: 2014年1月10日3月10日 在导师指导下进行文献调研和阅读，完成以下任务：1）了解心衰疾病的类型和发病机理；2）现有的心衰预测模型通常采用的建模思路和数学方法； 2: 2014年3月10日3月20日 提出本课题的心衰疾病诊断数学模型，并完成文献翻译、开题报告和开题答辩。 3: 2014年3月20日4月10日 了解可提取的信号特征并对信号的特征进行提取。学习BP神经网络的相关知识，并在Matlab平台上完成BP神经网络模型的初搭建在计算机上实现，并用已有的实验数据进行算法的验证； 4: 2014年4月11日5月10日 根据验证结果，及时调整算法思路，使算法逐步趋于完善，达到本课题的技术要求，同时使用支持向量机算法尝试实现心衰的判别工作。 5: 2014年5月10日5月31日 整理数据与结果，撰写本科学位论文和相关的学术论文。 6：2014年月1日月日准备本科毕业设计答辩，完成本科毕业答辩。 、主要参考资料： 1：Development of a composite model derived from cardiopulmonary exercise tests to predict mortality risk in patients with mild-to-moderate heart failure 2：Risk Prediction Models for Mortality in Ambulatory Patients With Heart Failure: A Systematic Review. 3: Development and Validation of a Risk Score for Predicting Death in Chagas Heart Disease 4: Prediction of Congestive Heart Failure in Patients with Non Valvular Atrial Fibrillation 生物与医学工程 院（系）生物与医学工程 专业类 10101026 班学生 祝贺 毕业设计（论文）时间： 自 年 月 日至 年 月 日答辩时间： 年 月 日 成绩 指导教师： 兼职教师或答疑教师（并指出所负责部分）： 北京航空航天大学毕业设计（论文） 第 页本人声明我声明，本论文及其研究工作是由本人在导师指导下独立完成的，在完成论文时所利用的一切资料均已在参考文献中列出。 作者：祝贺签字：时间：2013年 5 月北京航空航天大学毕业设计(论文)第 IV 页 基于无创生理信号的隐性心衰诊断方法研究学 生：祝 贺指导教师：王 玲摘 要本论文描述了两种较新的对隐性心衰进行判别的实现方法，分别是BP神经网络和支持向量机，其中BP神经网络是重点使用方法。该两种方法程序均采用MATLB2012a实现编写，并主要针对被试者运动中的数据进行验证。整个数据处理过程包含最重要的部分有：对各种生理信号的特征提取，主要包括心电（ECG）信号的R波提取，以及脉搏波信号（PPG）的起始点提取。二者都是基于时间域的快速提取算法，并具有较高的准确性。同时还使用了BMI指数以及心输出量等简单易得的生理参数作为判别因子。所有数据中的生理信号均使用无创仪器采集，为日后应用于穿戴式仪器做了很好的铺垫。另一部分就是在BP神经网络以及支持向量机中进行验证，看两种模型是否可以对心衰病人与健康者进行较为准确的划分判别。并对最终二者的结果进行了分析。关键词：信号特征提取， BP神经网络，支持向量机，心电信号，脉搏波信号The Study About Hidden Heart Failure based on noninvasive Physiological SignalAuthor: He ZhuTutor: Ling WangAbstractThis paper describes two new methods to discriminatie the hidden heart failure, namely BP neural network and support vector machines, which is most focus on the use of BP neural network . The two methods are used based on MATLB2012a, and mainly verification by data obtained during subjects exercising. The most important part of the data processing including: the feature extraction of the physiological signals, including the R wave extraction of electrocardiogram (ECG) signal, and the extraction of starting point(onset point) of the Photoplethysmogram(PPG) signal. Both are used fast algorithm for extracting based on the time domain method, and has a high accuracy. It also uses the BMI index and cardiac output and other physiological parameters,which are simple and easy to get as discriminating factor. All physiological data signals are collected using a non-invasive instruments, wearable instrument used in the future will benefit a lot. Another part of this program is using data to verify the BP neural network and support vector machine, to see whether the two models of heart failure patients can be accurate with the healthy division of discrimination. And the final results are both be analyzed.Key words: Signal feature extraction, BP neural networks, Support vector machines, ECG, PPG目 录1.绪论.11.1.课题背景及目的11.2.国内外研究状况21.3.课题研究方法51.4.论文构成及研究内容62.心衰判别的特征提取.72.1.穿戴式可测量参数与心衰的关系72.2.特征提取和涉及算法123.模式识别213.1.模式识别的三种分类213.2.模式识别的可行性224.神经网络及其应用.234.1.人工神经网络234.2.BP神经网络原理234.3.BP神经网络的应用过程265.支持向量机及其应用 .275.1.支持向量机原理275.2.支持向量机的优点296.心衰判别算法的验证与讨论306.1.运动实验及实验对象306.2.实验结果分析33结 论.38致 谢.40参考文献.42附 录.47核心程序代码47北京航空航天大学毕业设计(论文)第 V 页1. 绪论1.1. 课题背景及目的慢性心力衰竭(简称心衰)，是高血压、心脏瓣膜疾病、冠状动脉硬化等各种心血管疾病发展的终末期1。从普通的心脏疾病发展到心衰是一个渐进的过程，在初期并没有显著的临床征兆。根据美国心脏病学会(NYHA)对心功能异常的四级分类标准，初期心衰患者（II级）仅出现在参与重体力活动时，呼吸困难、浑身乏力等症状，其日常活动与正常人无明显差别2。因此，许多初期心衰患者，特别是老年患者，心功能已经不全，却缺少心衰的典型表现或被其他疾病的症状所掩盖，自身并未察觉患病，即患有所谓的隐性心衰3。临床调查显示，隐性心衰患者约占心衰患者总数的一半或更多3。这类患者如不及时发现，尽早治疗，必会导致病情恶化，最终造成不可挽回的后果。然而，由于心衰诱因众多且致病机理复杂，临床上要精确诊断心衰，首先需要对患者心功能状况进行综合评估。以美国心脏病学会(AHA)1994年公布的诊断标准为例，需要对心电图、负荷试验、X 线、超声心动图的结果进行综合评估来确定心脏病严重程度4。这些复杂的检查需要昂贵精密的医疗仪器配合专业操作人员进行，只可能在医院甚至大型医院实现，并不适用于日常筛查，且产生巨大的医疗成本。因此，研究者们一直努力寻找更为简单的心功能评价方法，开发更加检疫的筛查设备,希望能及时筛检出心衰患者, 提高其生存率,延长病人的生命,降低患者的痛苦,并可以减少他们的医疗费用,并同时降低医疗的成本。在之前的研究中发现了一些与心衰的产生相关联的参数。比如左心室射血分数，静息心率，平均血压，峰值耗氧量，血红蛋白，血清钠，总胆固醇，以及尿酸等生化参数。在本次课题研究中，我们期望未来可以通过轻便的穿戴式医疗器械简单快捷获取人体的一些无创的生理参数，并对他们进行建模，对早期心衰进行判别。通过对文献资料的查阅，我们期望通过利用心率，心率变化率，血压，心输出量，脉搏波传播速度等这些无创生理信号创建模型，对隐性心衰进行预后。1.2. 国内外研究状况在目前国内外的研究中，大多数模型将重点放在了对心衰病人进行危重程度的区分。以及单个因子，多银子分别对心衰的影响。目前还很少有人研究罹患心衰的可能性，即将研究人群的范围扩展到正常人，分析正常人和心衰病人的差别。在单指标预测中，包括有传统指标，神经内分泌指标，运动实验，生化指标和心电图及心功能指标。其中传统指标包括：年龄、性别、血压、心功能分级、体质指数(BMI)、纽约心脏学会(NYHA) 、基础心脏疾病、肝硬化、肿瘤、合并有慢性阻塞性肺疾病(COPD)等因素等5。它的优点在于研究中人们长期采用，研究的结果比较明确，缺点在于它基于大量样本，不适于诊疗。神经内分泌指标包括：脂联素、内皮素(endothelin ET)、内洋地黄素(EDF)、心钠素(ANP)等多种神经内分泌因子5。其优点在于与心功能级别有较好的关联性，与心衰的发生发展及疾病的预后密切相关。缺点在于它是基于又创探测，判别复杂。运动实验，也称心肺复苏实验，是让患者进行步行。它的优点在于能以最大氧摄取量获取运动耐量，是心衰患者死亡最有意义的预测指标之一。缺点在于不能直观获取心功能相关数据。生化指标包括: 尿酸、肌酐、尿素氮、血钾离子、血钠离子、血糖5等。其优点在于可以直接获取相关生化指标，缺点在于它是又创测量，而且判断起来较为复杂。心电图及心功能指标中表明当QRS150 ms的心衰患者五年生存率显著下降(P120毫秒）。另外还有五个连续变量：左心室射血分数，静息心率，平均血压，峰值耗氧量，血清钠。与此同时风险评分根据指定阈值随机被分成三个类别：高风险，中等风险和低风险。HFSS模型是从包括268名患有心力衰竭的病人的单个中心中得到的，并在总共含有2240名患有心力衰竭的病患的单独的中心中得以验证。验证组包换有广泛的患病人群，平均年龄从五十一到七十岁，大多数为男性（65%-82%）有着平均20%到30%的左心室射血分数。在三组中，使用阻滞剂的少于30%，在剩余的四组中有64%到80%范围内的人使用。在四组对除颤器的状态研究，除颤器的使用频率分别为11%，19%，49%，78%。在验证组的八个组中的六个的模型的辨别力（通过在第一年C统计量的评估）范围从差到中等（0.56-0.79）。在阻滞剂或者除颤器使用更频繁的组别中，模型的辨别力更差。西雅图心力衰竭模型。西雅图心力衰竭模型在一个等式中包括十个连续变量（年龄，左心室射血分数，纽约心脏协会分级，心脏收缩压，通过重量调整利尿剂计量，淋巴细胞计数，血红蛋白，血清钠，总胆固醇，以及尿酸）和十个分类变量可以为每个病人提供连续的风险分数，并可以用对平均生命预期值或患者在第一，二五年的存活率进行预测。Cox比例风险模型方法为：首先将采用两组不同的独立的人群，其中一组为推导组，另外一组为验证组。在推导组的人群中，根据长期的随访记录，分成最终死亡和没死亡的两类，对他们的各个参数进行T检验或卡方检验，进行比较，然后根据每个参数在两组之间的差异大小从而判定这个参数是否对死亡产生了影响，再在对死亡产生影响的这些因子中根据严重程度给定一定的分数，每个患者将这些因素的分数相加得到总的评分。再根据所有病人的总分和划分为三个组，分别为低风险组，中风险组，高风险7-8。随后再在另一组验证组别中计算病人的综合评分，看看每个风险等级的最终死亡率与推导组中是否差异不到来确定模型是否有效。这些模型区别在于采用的预测因子不同。比如室射血分数，静息心率，平均血压，峰值耗氧量，血清钠，淋巴细胞计数，血红蛋白，总胆固醇，以及尿酸等生化参数。在一些其他疾病的预测中，人们大多采用模式识别的方式。而模式识别又可以分成几种不同的方法，取决于问题自身的性质。由于决策理论方法的理论基础最为扎实，能够给出最优化的结果，则当先验类的概率和类的条件概率密度或分布很清晰时，就选择该方法；而如果被识别的对象极为复杂，同时却包含有丰富的结构信息，就可以采用句法方法，因为它可以充分地利用好上下文之间的关系来解决问题；如果待解决的问题需要突出系统的学习能力时，则可以使用人工神经网络的方法，这种方法适用于通过训练（学习）来调整网络权系数，进而改善系统的性能9。综上所述，我们的问题比较适用于人工神经网络的方法。于此同时，也可以尝试使用统计学的方法进行实现。在目前国内外的研究中，大多数的文献都使用了包括生化指标，有创测量指标在内的很多指标进行模型的建立，而我们的研究将只立足于无创的穿戴式可测量的指标及相关信息上。同时他们的研究大多针对于心衰病人的危重情况，因此与上述方法均会有所不同。1.3. 课题研究方法图 1.1 本课题整体思路框架以上流程图为本课题的整体研究框架。在本课题中，首先通过对文献的调研寻找对心衰产生重要影响的无创生理信号和参数，并了解他们的意义。然后对这些可用信号进行处理。接下来从处理过的信号中提取有用信息。在获得有用信息后分析可行的心衰判别算法，并且最终通过已有的实验数据对两种判别算法，BP神经网络，支持向量机进行实现。两种算法各有优缺点，比如BP神经网络非常智能化，能够负反馈，但是它本身属于黑箱问题，最终虽然可以判别心衰，却不能知道每个参量对心衰影响的严重程度和比例。还有一种前文提到过的Cox危险比例模型，一开始想尝试用其解决我们的问题，然而后来发现它主要是针对死亡的分析，因此对本课题并不适用，具体分析在后文说明。在本课题的最后，对两种判别算法，即BP神经网络和支持向量机的实现结果进行比对，分析。此外，在本课题中将使用实验对象运动中的数据，使得心衰病人和健康受试者能有较明显的区分度。在本文中采用matlab2012a进行信号处理，信号的特征提取， BP神经网络的搭建以及支持向量机模型的搭建。统计学的相关计算使用SPSS完成。1.4. 论文构成及研究内容1本论文内容在第二章主要介绍了心衰判别的特征提取，包括所需提取的参数以及ECG信号，PPG信号特征点的提取方法及实现过程。在第三章介绍了模式识别的基本概念。第四章至五章分别介绍了BP神经网络的基本原理和具体实现方法，统计学方法支持向量机的基本原理。以及最后在第六章用已有数据对涉及的两种方法进行了验证，并对它们的结果进行了比较和评价。并用统计学知识对输入特征量进行了分析。本论文研究内容主要包括：ECG信号R波的特征点提取，PPG信号onset点的特征提取，心率，心率变异性的计算，基于MATLAB的神经网络模型搭建，基于MATLAB的支持向量机算法实现，以及基于SPSS软件的COX风险比例模型统计学方法的实现，以及对这两种方法下隐形心衰诊断方法的灵敏度，特异性进行分析，比较。2. 心衰判别的特征提取2.1. 穿戴式可测量参数与心衰的关系在近些年，有许多医学机构和研究员都对影响心衰的因素进行了分析研究。其中有一些是我们可以通过无创的测量仪器方便，快捷获得的。1987年，Framingham的10研究首次明确地报道了心脏心率（HR）的升高会增加心血管疾病的风险。Framingham在他长期的随访研究中表明，一般人群的心率，每增加10 bpm，死亡率即将上升14%；静息心率的升高与心衰的进展有很大的相关性。心率主要是由自主神经活动控制，静息心率的升高，会伴随着心脏迷走神经的减弱亦或是交感神经活动的增强。在一般人群，冠心病或心衰患者人群中，心率的升高和心血管病死亡率是息息相关的。心率变异性（HRV），是指心电图中RR 间期的变异性，它的产生是由于自主神经系统对心脏窦房结进行调节，因此它可以间接地反映心脏自主神经系统的平衡，并为我们评估交感神经系统，副交感神经系统的状况及它们二者的相互间作用提供参考。大量研究证据表明，心率变异性的降低可以作为心肌梗死、不稳定型心绞痛、高血压、心力衰竭等心血管疾病11及糖尿病等其他病发疾病的不良预后因素。通过运动训练等方式对心率变异性进行提高可以对心血管疾病的预后有一定程度的改善。因此，作为一种无创性的自主神经功能评价指标，心率变异性近年来，越来越受到临床工作者们的关注，尽管由于它本身检测条件的限制，以及相关机制的研究尚不够成熟，心率变异性的临床应用仍然具有一定局限性，但是相信随着测量方法的标准化，以及相关机制进一步的明确，我们可以期待心率变异性的分析为能我们的临床工作带来更大，更多的帮助。血压是指血液在血管内流动时，作用在血管壁上的压力，也可以说它是推动血液在血管内流动的动力。当心室收缩时，血液会从心室流入动脉中，此时血液对动脉的压力会达到最高，称做收缩压（systolic blood pressure，SBP）。心室舒张时，动脉血管会弹性回缩，血液仍慢慢继续地向前流动着，但血压却下降了，此时的压力称做舒张压（diastolic blood pressure，DBP）。世界卫生组织和国际高血压联盟（WHO/ISH）高血压防治指南中指出，能够影响心衰患者预后的靶器官损害为：左心室肥厚(LVH)；动脉硬化斑块的超声学或放射学证据；蛋白尿和(或)血浆肌酐轻度升高；肾动脉中央型狭窄。 而高血压作为心衰的主要归因危险是引起上述靶器官损害最常见和最重要的危险因素12，因此心衰与血压的关系在临床实践中也受到越来越多的关注。Framingham 在研究中发现高血压可增加心衰发生风险 23 倍13，而随着血压治疗率以及达标率的提高，心衰发生率显著下降了14-15。 WHO/ISH 高血压防治指南中指出，有高血压病史的患者罹患心衰的危险性至少增加 了6 倍16。国内有研究报道称，高血压在心衰病因构成中占据了 36%17。 左心室功能不全研究（SOLVD）中显示血压水平与心衰住院率呈正相关关系，而 近期两项为期十年的队列研究也证实，在老年人中伴随着收缩压的升高，心衰的发生率显著增加18。在大量研究中表明，90%的心衰患者往往都会伴随着高血压，所以在临床的预后和药物治疗方面，降低血压一直以来都是提高生存率的重要手段。然而，最近也有研究表明，血压越低，心衰的死亡率反而越高。2006年，Tobias T. Lee等人19 针对血压和心衰死亡率之间的关系，进行了相关地试验和评估。通过对纽约心脏病协会认定为等级，级，且左心室射血分数0.45的5747例心衰患者都进行了收缩压和舒张压的测定，并通过Cox比例风险模型进行了长期死亡率的预测。结果如图1-4中所示，在整个研究周期中，收缩压（SBP） 100 mmHg 的全因死亡率达到了50%，远远高于收缩压在130139 mmHg的参照组心衰患者的32% （风险比例 1.65, 95% CI 1.25-2.17, P .001），收缩压SBP和死亡率之间存在显著关系（P .001）且呈非线性（P= .009）。舒张压DBP和死亡率之间也存在显著关系（P .001），在DBP129 mmHg），其生存率反而要比血压低的患者还要高。从血压和死亡率关系图中也可以看出，血压过高会增加死亡率，但血压过低所造成的死亡率更甚。所以，在选择心衰治疗的过程中，不能一味追求血压的降低。图 2.1 收缩压和心衰生存率的关系图 2.2 收缩压和风险比例模型得到的死亡率之间的关系图 2.3 舒张压和心衰生存率的关系图 2.4 舒张压和风险比例模型得到的死亡率之间的关系另一方面，血压变异性是体内神经内分泌动态调节的综合平衡结果，慢性心力衰竭 患者会存在自主神经系统功能上的紊乱，迷走神经调控作用会减弱，导致血压波动较大。也就是说，心衰越严重，血压变异性就会越大。血压变异性在高血压得诊断、治疗决策、风险预测以及药物的选择中都具有重大的意义。但是，由于血压变异性的机制尚未清晰，衡量方法有待进一步明确，因此血压变异性的临床实用性仍旧亟待探索。但从高血压患者的长期获益来看，血压变异性的研究具有重大意义，它将挑战现有的高血压诊断标准，建立降压治疗的新目标，同时它还可以心脑血管事件发生进行预测及对其进行预后判断。为临床选择治疗对象及确定用药的过程增加了一种新的治疗工具。相信血压变异性也会在心衰治疗中起到巨大的作用。心输出量是指单侧心室每分钟可以射出的总血量，是心率与每搏输出量的乘积，也是反映心脏功能的一种重要的指标。人体处于静息时，心输出量的正常范围为 4 -8 L。目前，心输出量监测通常是用于术中监测以及重症监护。同时，心输出量的监测在一些运动场合亦有重要需求，例如，在心肺运动测试中测得的动态心输出量20和极限心脏功率21(极限心输出量 极限血压)等参数，均可作为独立因数用于预测慢性心力衰竭病人死亡。1986年，Tan采用强心剂药物（dobutamine）刺激63位心衰患者后发现，患者心力储备（cardiac reserve）被药物完全激发时检测的“心输出量与主动脉平均血压值的乘积”与一年后患者的死亡事件间存在惊人的相关性22。因此，Tan将“心输出量与主动脉平均血压值的乘积”定义为心脏输出功率（cardiac power output），并指出：心力储备被完全激发时的心脏输出功率(心脏极限功率)反映心脏和大血管的最大供血能力，是评价心功能的重要指标。其后，Tan 23和Timmins 24分别在心源性休克患者和重症监护患者身上，再次证实了这一结论的正确性。1989年Tan进一步尝试用运动刺激代替药物刺激激发心脏极限功率，以减少检测过程中的副作用25。结果表明：与药物刺激相比较，在最大运动强度（最大心率）下检测的心脏极限功率能够更好地区分轻度和重症的心衰患者。2001年，Williams在运动状态下第一次采用无创的血压和心输出量检测方法，检测了219个心衰患者的心脏极限功率26。结果表明：最大运动状态下无创检测的心脏极限功率，能够精确地预测心衰患者的死亡。2003年，Tan回顾了与心脏极限功率相关的研究工作，总结出心脏极限功率与心衰分级之间的关系（图2.5）27。由图2.5可以看出，心脏极限功率在轻度心衰情况下就表现出显著变化（与正常相比下降了约40%左右），并且在心衰的不同阶段均呈现明显变化。这一研究表明：心脏极限功率能够有效区分心衰危险级别，尤其对临床症状不明显的隐性心衰患者，具有良好的指示作用。因此，如果能够日常监测心脏病患者的心脏极限功率，就能及早发现隐性心衰，提高患者的生存率。图2.5 心脏输出功率与心衰危重程度的关系因此，在目前的研究中，心衰，心衰变异性，血压，血压变异性以及心输出量都被我们认为是会对心衰造成重要影响且较为容易获得的无创参数。我们可以利用这几个参数，以及它们相关的一些特征参数来进行建模。2.2. 特征提取和涉及算法2.2.1. ECG的提取ECG即心电信号，是基本并且很重要的人体生理信号之一，对它的研究被认为具有重要的临床诊断价值。心电图是一个能够反映心脏兴奋的电活动过程，对心脏的基本功能和心脏的病理研究方面都具有很重要的参考价值。心电图还可以用来分析与鉴别各种心律失常；也可以反映心肌受损的程度和发展过程，同时还可以反应心房、心室的功能结构情况。同时还可以指导心脏手术的进行及指示必要的药物处理。由于心率和心率变异性都是是判别心衰的重要特征之一，要获得它们必须要先得到ECG信号的RR间隔，即必须要先提取R波。获取R波后，便可得到RR间隔，再通过 HR=60sRR采样率 (2.1) 获得心率。因此，精确的ECG信号R波提取是非常重要的。图2.6 RR间隔示意图对于R波的检测除了要保证精确度，还需要较为快速，便捷，可以实现时时的处理。算法不可间断，抗干扰能力强的特点。通过对主流心电信号处理算法特征的分析，决定基于差分阈值法的思想，实现本项目中心电信号的处理方法。差分阈值法的主要思想为：对原始心电信号进行差分处理得到一阶差分信号，由于心电信号的QRS波是整个波形中斜率最为陡峭变化的波段，因此，差分信号在QRS波所在位置会出现明显的峰值，通过一定的阈值判定出每一个心动周期差分信号的峰值，就能定位出QRS波的位置，进而找出R波因此我们采用Jiapu Pan等人于1985年提出的基于时间域的算法28。这是一篇非常经典的算法文献，已经被引用2120余次。原始ECG信号积分波信号图2.7 ECG中R波检测过程示意图首先由于我们得到的ECG信号含有很多噪音，因此要对信号去噪，选用低通滤波方法把原始信号中的高频噪音去除掉，然后用高通滤波将低频噪音去除，这样我们就得到了一段滤波后信号。但滤波后的信号中还会存在ECG信号中T波的干扰。于是我们用一阶差分信号的方法区分R波与T波，并对新得到的信号平方，使R波和T波的差距更大。在进行完上述步骤后，我们对信号进行窗函数积分，我们向前动态寻找最近的积分波上升沿，通过它我们找到上升沿的起点和终点。因为在图像中，积分波的上升沿对应的是滤波后信号中的QRS波，所以在找到积分波上升沿的起点和终点位置之后，我们就相应的得到了QRS波的位置；这样我们找出得上升沿的起点和终点中的最大值，就是R波相应的位置。并在窗函数积分得到的图像中找到第一个R点。在找到第一个R点后，我们就开始用双阈值法动态检测信号中接下来的R波。如果在上一个R波检测出以后的一定时间内第二个R波还没有被检测出来，我们就判定这个点被漏检了；调整阈值，并返回上一个R波重新向后用双阈值法动态寻找。在每一次新找到一个临时R波时，我们都会判别这个临时R波是否是一个T波。如果是，那么我们就删除临时R波（也就是T波），重新返回上一R点向后动态检测R波。如果在我们的检测过程当中，信号并没有被漏检，也不是T波，那么我们就确定这个点是一个R点，于是继续用双阈值动态检测新的R波。图 2.8 ECG中 R波寻找整体流程图2.2.2. PPG的提取脉搏波，也称光电容积波，其中蕴含了非常丰富的人体心血管系统的生理、病理信息。PPG的获得是在当一定波长的光束照射到指端皮肤的表面时，指端皮肤，肌肉，血液会吸收一部分的光，从而使得检测器检测到得光强减弱。心脏收缩时，由于外周血容量最多，光吸收量反而是最大的，因此检测到得光强反而是最小的，而心脏舒张时刚好与之相反。因而光强度是呈现脉动性变换的。脉搏波的形态、强度、速率和周期等各个方面的信息，都能从不同层面反映出人体心血管系统的相应信息。因此，对于PPG信号的测量和分析，在科学研究以及在临床医疗上都具有重要意义。在近些年来，许多医学诊断，如动脉硬化，血压评估都需要用到脉搏波传导时间。脉搏波传导时间(Pulse Transit Time，PTT)，是指心脏射血造成动脉脉压波从主动脉瓣传播到外围分支血管所用的时间。PTT的计算是同一时刻ECG信号的R波与PPG信号onset点之间的距离。因此，由于我们在之前已经提取了ECG信号的R波，在PPG中提取onset点也成为很重要的工作。图 2.9 脉搏波传导时间（PTT）示意图与ECG中R波的提取相类似，对于PPG中起始点的检测除了要保证精确度，也同样需要较为快速，便捷，可以实现时时的处理。算法不可间断，不可出现溢出问题。我们因此提出了一种新型的方法。代表同侧相邻点夹角，代表一侧对称点之间的夹角。其中5图 2.10 脉搏波onset点检点趋势变化示意图。在PPG信号中，起始点的出现意味着新的一个脉搏波的出现，相当于一定会出现一个较为明显的上升趋势的变化。因此可以认为在起始点处，同侧相邻点和起始点连线之间所构成的夹角应该是很小的，而异侧对称点和起始点连线之间的夹角则应该较大。因此我们首先利用阶数为50，截止频率为20HZ的零相移滤波器filtfilt对原始信号进行滤波，去除掉噪音的干扰。然后使用循环语句求得一阶差分。接下来使用窗函数对1阶导数进行窗函数积分，使得整个波形的波峰更加尖锐。接下来对窗函数积分后的波形进行整流，去掉小于零的部分。然后在这个整流后的波形上寻找峰值点，由于波形比较尖锐，容易确定峰值，因此我们可以由整流波确定好每个波的大致位置。并可以知道每个波之间的间隔。此处参考了Umar Farooq等人提出的方法29。根据整流波的定位，我们寻找1阶导数波的峰值点，然后由其向前搜索一定范围内的点，把每个点两侧同侧20个点和起始点间连线的夹角分别做差，认为均不大于5度，异侧20个对称点与起始点间连线的夹角进行叠加，当和为最大时，认为该点处为脉搏波的起始点30。图 2.10脉搏波中起始点（onset）检测流程图2.2.3. 心输出量和血压信息的采集我们的数据来源中包括有通过Suntech公司听诊式血压测量设备和 PhysioFlow公司的PF-05心输出量测量设备采集的舒张压，收缩压以及心输出量的实验设备。他们也是判别心衰时十分重要的判别信息。为了更好的区分健康人和心衰患者，在本文中我们使用的心输出量和血压信息采使用病人运动中达到最大负荷，即最大心率时的数据。3. 模式识别模式识别，是指对表征事物或现象的各种形式，如数值的、文字的和逻辑关系的信息进行处理和分析, 以此对事物或现象进行描述、辨认、分类还有解释的过程，同时也被称做模式分类（Pattern Classification）31。这一过程主要包括有：输入原始数据也即模式的数据采集；确定并提取模式特征也即基于先验的特征选择；判别模式类别也即基于先验的类别选择；并根据其类别采取相应行为等也即训练、评价。3.1. 模式识别的三种分类3.1.1. 决策理论方法 决策理论方法（Decision Theoretic Approach），是通过对特征的提取，使得输入模式能够从对象空间映射到特征空间中，即能够通过多维特征空间中的一个点或一个特征向量来表示输入模式。通常也被称作统计方法，在模式识别中是发展最早、并且较为成熟的一种方法，同时也被认为是理论基础最为扎实，可靠的一种方法。根据具体的识别对象来选择特征，要尽量使得“模式“在特征空间中能够“抱团”，即对于某种分类应用来说，所选的特征能够真正地表现出模式的“特点”。最后，再引入合适的判别函数来对出入模式进行合理的分类31。3.1.2. 句法方法句法方法（Syntactic Approach），能把一个模式转化成为树形结构，又被称为结构方法或是语言学方法。它的基本思想是通过选取合适的基元，即底层最简单的子模式，还有语法也称转化规则。所谓的句法分析，也就是说分析给定的模式语句是否符合指定语法，满足某类语法就被分入该类。3.1.3. 人工神经网络人工神经网络（Artificial Neural Network Approach），顾名思义，是模拟生物神经网络进行信息处理的一种数学模型。它以对大脑的生理研究成果为基础，其最主要的目的在于模拟大脑的某些机理与机制，并且实现一些特定的功能。它是通过网络权系数以及激励函数对输入的模式进行响应，输出分类结果；通过训练后，可以自动对权系数进行矫正，改善神经网络性能，使之不断优化31。3.2. 模式识别的可行性模式识别的方法种类很多，可以适用的范围也非常的广泛。在近年来的诸多生物医学相关研究中人们都将模式识别的方法应用于其中。尤其是在风险评估和辅助决策这两方面，而我们对于隐性心衰的预测刚好属于这个范畴内。与此同时，神经网络具有很强的自适应学习能力、鲁棒性和容错能力, 被广泛应用于模式识别和分类问题, 对于我们的问题应该也是同样适用的，我们可以让它进行自主的学习，然后判别出影响心衰的因子并赋予权重并组合建模。同时，在现代医学的基础上，统计学也同样适用于我们的问题，也可以使用，并与神经网络的预测结果进行相应的比较。4. 神经网络及其应用4.1. 人工神经网络4.1.1. 人工神经网络的研究背景和意义人工神经网络能够反映出人脑的很多特征，它是通过大量简单的处理单元互相连接从而形成的复杂网络。它具有自组织，子学习，自适应能力，并且能大规模并行或是分布储存。并且它的非线性自适应能力更贴近于日常生活中事物的发生规律，因此神经网络适合于处理需要多因素，多条件，不是很精确的信息。近些年来，神经网络在很多领域都做出了巨大的贡献，并且使得科技在对人类的模拟认知道路上有了长足的发展，成为人工智能的重要方向之一。4.1.2. 人工神经网络的发展历史在半个多世纪前神经网络开始悄然发展，1950至1960年期间达到了神经网络的第一次研究热潮，这一时期属于神经网络发展的初期。在这个时期产生了多种网络模型以及学习算法。接下来1960-1970年间，由于感知器自身存在很多缺陷，比如异或问题不能很好的得以解决。当然也是在这个时期，Webos首次提出了BP理论。在1980-1990年之间著名的Hopfiled模型被美国的John Hopfield 提出了，即所谓的互联的，非线性动力学模型，它使得神经网络走上了一种动态的，可以反复运算的过程。4.2. BP神经网络原理BP神经网络是近年来使用比较广泛的一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差则反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络的拓扑结构如图4.1所示32：WijWjk图4.1 BP神经网络拓扑结构在图4.1中，X1，X2，Xr是BP神经网络的输入值，O1，O2，Or是BP神经网络的预测至，Wij和Wjk为BP神经网络权值。从图1-1可以看出，BP神经网络可以看成一个非线性函数，网络输入之和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。BP神经网络预测首先要训练网络，通过训练使网络具有联想记忆和预测能力。BP神经网络的学习过程主要分为2个阶段。第一个阶段是输入已知学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络第一层向后计算各神经元的输出。第二个阶段是对权值和阈值进行修改，从最后一层向前计算各权值和阈值对总误差的影响（梯度），据此对各权值和阈值进行修改。以上两个过程反复交替，直到达到收敛为止由于误差会逐层往回传递，以修正层与层间的权值和阈值，所以称该算法为误差反向传播算法，这种误差反响传播学习算法可以推广到有若干个中间层的多层网络，因此该多层网络常称之为BP网络。BP神经网络的具体训练过程包括以下的几个步骤。步骤1：网络初始化，根据系统输入输出序列（X，O）确定网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化隐含层阈值a，输