基于無創(chuàng)生理信號的隱性心衰診斷方法研究

1、<p>　　單位代碼 10006 </p><p>　　學(xué) 號 10101026 </p><p>　　1分類號 R318 </p><p><b>　　畢業(yè)設(shè)計(論文)</b></p><p>　　基于無創(chuàng)生理信號的隱性心衰診斷方法研究</p><p&

2、gt;　　2014年 5 月 </p><p><b>　　北京航空航天大學(xué)</b></p><p>　　本科畢業(yè)設(shè)計（論文）任務(wù)計劃</p><p>　?、瘛厴I(yè)設(shè)計（論文）題目：</p><p>　　基于無創(chuàng)生理信號檢測的隱性心衰診斷方法研究 </p&

3、gt;<p>　　Ⅱ、畢業(yè)設(shè)計（論文）使用的原始資料（數(shù)據(jù)）及設(shè)計技術(shù)要求：</p><p>　　技術(shù)要求：實驗數(shù)據(jù)為以往臨床運動實驗中獲取的心衰病人組（n>20）和正常老年人組（n>10）的診斷結(jié)果數(shù)據(jù)、標(biāo)準(zhǔn)儀器測量的血壓、心輸出量和心率數(shù)據(jù)以及在實驗過程中同時采集的心電和光電容積脈搏波數(shù)據(jù)。通過運動實驗中標(biāo)準(zhǔn)儀器測量的血壓、心輸出量和心率數(shù)據(jù)和心電和光電容積脈搏波數(shù)據(jù)，通過模式識別的

4、方法，對實驗對象是否患有心衰疾病進行判別。心衰自動判別靈敏度達(dá)到 80%以上，特異性達(dá)到75%以上，錯誤率小于20%。 </p><p>　?、蟆厴I(yè)設(shè)計（論文）工作內(nèi)容：</p><p>　　1: 2014年1月10日—3月10日 在導(dǎo)師指導(dǎo)下進行文獻(xiàn)調(diào)研和閱讀，完成以下任務(wù)：

5、1）了解心衰疾病的類型和發(fā)病機理；2）現(xiàn)有的心衰預(yù)測模型通常采用的建模思路和數(shù)學(xué)方法； </p><p>　　2: 2014年3月10日—3月20日 提出本課題的心衰疾病診斷數(shù)學(xué)模型，并完成文獻(xiàn)翻譯、開題報告和開題答辯。

6、 </p><p>　　3: 2014年3月20日—4月10日 了解可提取的信號特征并對信號的特征進行提取。學(xué)習(xí)BP神經(jīng)網(wǎng)絡(luò)的相關(guān)知識，并在Matlab平臺上完成BP神經(jīng)網(wǎng)絡(luò)模型的初搭建在計算機上實現(xiàn)，并用已有的實驗數(shù)據(jù)進行算法的驗證； </p><p>

7、　　4: 2014年4月11日—5月10日 根據(jù)驗證結(jié)果，及時調(diào)整算法思路，使算法逐步趨于完善，達(dá)到本課題的技術(shù)要求，同時使用支持向量機算法嘗試實現(xiàn)心衰的判別工作。 </p><p>　　5: 2014年5月10日—5月31日 整理數(shù)據(jù)與結(jié)果，撰寫本科學(xué)位論文和相關(guān)的學(xué)術(shù)論文。

8、 </p><p>　　6：2014年６月1日—６月１０日　準(zhǔn)備本科畢業(yè)設(shè)計答辯ＰＰＴ，完成本科畢業(yè)答辯。 </p><p><b>　?、?、主要參考資料：</b>&

9、lt;/p><p>　　1：Development of a composite model derived from cardiopulmonary exercise tests to predict mortality risk in patients with mild-to-moderate heart failure

10、 </p><p>　　2：Risk Prediction Models for Mortality in Ambulatory Patients With Heart Failure: A Systematic Review.

11、 </p><p>　　3: Development and Validation of a Risk Score for Predicting Death in Chagas’ Heart Disease

12、 </p><p>　　4: Prediction of Congestive Heart Failure in Patients with Non Valvular Atrial Fibrillation

13、 </p><p>　　生物與醫(yī)學(xué)工程 院（系）生物與醫(yī)學(xué)工程 專業(yè)類 10101026 班</p><p>　　學(xué)生 祝賀 </p><p>　　畢業(yè)設(shè)計（論文）時間： 自 年 月 日至 年 月 日</p><p>　　答辯時間：

14、 年 月 日 成績 </p><p>　　指導(dǎo)教師： </p><p>　　兼職教師或答疑教師（并指出所負(fù)責(zé)部分）：</p><p><b>　　本人聲明</b></p><p>　　我聲明，本論文及其研究工作是由本人

15、在導(dǎo)師指導(dǎo)下獨立完成的，在完成論文時所利用的一切資料均已在參考文獻(xiàn)中列出。</p><p><b>　　作者：祝賀</b></p><p><b>　　簽字：</b></p><p>　　時間：2013年 5 月</p><p>　　基于無創(chuàng)生理信號的隱性心衰診斷方法研究</p>&

16、lt;p>　　學(xué) 生：祝 賀</p><p><b>　　指導(dǎo)教師：王 玲</b></p><p><b>　　摘 要</b></p><p>　　本論文描述了兩種較新的對隱性心衰進行判別的實現(xiàn)方法，分別是BP神經(jīng)網(wǎng)絡(luò)和支持向量機，其中BP神經(jīng)網(wǎng)絡(luò)是重點使用方法。該兩種方法程序均采用MATLB2012a實現(xiàn)

17、編寫，并主要針對被試者運動中的數(shù)據(jù)進行驗證。整個數(shù)據(jù)處理過程包含最重要的部分有：對各種生理信號的特征提取，主要包括心電（ECG）信號的R波提取，以及脈搏波信號（PPG）的起始點提取。二者都是基于時間域的快速提取算法，并具有較高的準(zhǔn)確性。同時還使用了BMI指數(shù)以及心輸出量等簡單易得的生理參數(shù)作為判別因子。所有數(shù)據(jù)中的生理信號均使用無創(chuàng)儀器采集，為日后應(yīng)用于穿戴式儀器做了很好的鋪墊。另一部分就是在BP神經(jīng)網(wǎng)絡(luò)以及支持向量機中進行驗證，看兩種

18、模型是否可以對心衰病人與健康者進行較為準(zhǔn)確的劃分判別。并對最終二者的結(jié)果進行了分析。</p><p>　　關(guān)鍵詞：信號特征提取， BP神經(jīng)網(wǎng)絡(luò)，支持向量機，心電信號，脈搏波信號</p><p>　　The Study About Hidden Heart Failure based on noninvasive Physiological Signal</p><p&g

19、t;　　Author: He Zhu</p><p>　　Tutor: Ling Wang</p><p><b>　　Abstract</b></p><p>　　This paper describes two new methods to discriminatie the hidden heart failure, namely BP

20、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 mos

21、t 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 </p><p>　　Key wor

22、ds: Signal feature extraction, BP neural networks, Support vector machines, ECG, PPG</p><p><b>　　目 錄</b></p><p>　　1.緒論……………………………………………………………………………….1</p><p>　　1.1.課

23、題背景及目的1</p><p>　　1.2.國內(nèi)外研究狀況2</p><p>　　1.3.課題研究方法5</p><p>　　1.4.論文構(gòu)成及研究內(nèi)容6</p><p>　　2.心衰判別的特征提取…………………………………………………………….7</p><p>　　2.1.穿戴式可測量參數(shù)與心衰

24、的關(guān)系7</p><p>　　2.2.特征提取和涉及算法12</p><p>　　3.模式識別…………………………………………………………………………21</p><p>　　3.1.模式識別的三種分類21</p><p>　　3.2.模式識別的可行性22</p><p>　　4.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用

25、………………………………………………………………..23</p><p>　　4.1.人工神經(jīng)網(wǎng)絡(luò)23</p><p>　　4.2.BP神經(jīng)網(wǎng)絡(luò)原理23</p><p>　　4.3.BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程26</p><p>　　5.支持向量機及其應(yīng)用………………………………………………………… ..27</p>

26、<p>　　5.1.支持向量機原理27</p><p>　　5.2.支持向量機的優(yōu)點29</p><p>　　6.心衰判別算法的驗證與討論………………………………………………………30</p><p>　　6.1.運動實驗及實驗對象30</p><p>　　6.2.實驗結(jié)果分析33</p><

27、;p>　　結(jié) 論…………………………………………………………………………………..38</p><p>　　致 謝…………………………………………………………………………………..40</p><p>　　參考文獻(xiàn)……………………………………………………………………………...42</p><p>　　附 錄…………………………………………………………

28、………………………..47</p><p><b>　　核心程序代碼47</b></p><p><b>　　緒論</b></p><p><b>　　課題背景及目的</b></p><p>　　慢性心力衰竭(簡稱心衰)，是高血壓、心臟瓣膜疾病、冠狀動脈硬化等各種心血管疾病發(fā)

29、展的終末期[1]。從普通的心臟疾病發(fā)展到心衰是一個漸進的過程，在初期并沒有顯著的臨床征兆。根據(jù)美國心臟病學(xué)會(NYHA)對心功能異常的四級分類標(biāo)準(zhǔn)，初期心衰患者（II級）僅出現(xiàn)在參與重體力活動時，呼吸困難、渾身乏力等癥狀，其日常活動與正常人無明顯差別[2]。因此，許多初期心衰患者，特別是老年患者，心功能已經(jīng)不全，卻缺少心衰的典型表現(xiàn)或被其他疾病的癥狀所掩蓋，自身并未察覺患病，即患有所謂的隱性心衰[3]。臨床調(diào)查顯示，隱性心衰患者約占心衰

30、患者總數(shù)的一半或更多[3]。這類患者如不及時發(fā)現(xiàn)，盡早治療，必會導(dǎo)致病情惡化，最終造成不可挽回的后果。然而，由于心衰誘因眾多且致病機理復(fù)雜，臨床上要精確診斷心衰，首先需要對患者心功能狀況進行綜合評估。以美國心臟病學(xué)會(AHA)1994年公布的診斷標(biāo)準(zhǔn)為例，需要對心電圖、負(fù)荷試驗、X 線、超聲心動圖的結(jié)果進行綜合評估來確定心臟病嚴(yán)重程度[4]。這些復(fù)雜的檢查需要昂貴精密的醫(yī)療儀器配合專業(yè)操作人員進行，只可能在醫(yī)院甚至大型醫(yī)院實現(xiàn)，并不適用

31、于日常篩查，且產(chǎn)生巨大的醫(yī)療成本。因此，</p><p>　　在之前的研究中發(fā)現(xiàn)了一些與心衰的產(chǎn)生相關(guān)聯(lián)的參數(shù)。比如左心室射血分?jǐn)?shù)，靜息心率，平均血壓，峰值耗氧量，血紅蛋白，血清鈉，總膽固醇，以及尿酸等生化參數(shù)。在本次課題研究中，我們期望未來可以通過輕便的穿戴式醫(yī)療器械簡單快捷獲取人體的一些無創(chuàng)的生理參數(shù)，并對他們進行建模，對早期心衰進行判別。通過對文獻(xiàn)資料的查閱，我們期望通過利用心率，心率變化率，血壓，心輸出量

32、，脈搏波傳播速度等這些無創(chuàng)生理信號創(chuàng)建模型，對隱性心衰進行預(yù)后。</p><p><b>　　國內(nèi)外研究狀況</b></p><p>　　在目前國內(nèi)外的研究中，大多數(shù)模型將重點放在了對心衰病人進行危重程度的區(qū)分。以及單個因子，多銀子分別對心衰的影響。目前還很少有人研究罹患心衰的可能性，即將研究人群的范圍擴展到正常人，分析正常人和心衰病人的差別。</p>

33、<p>　　在單指標(biāo)預(yù)測中，包括有傳統(tǒng)指標(biāo)，神經(jīng)內(nèi)分泌指標(biāo)，運動實驗，生化指標(biāo)和心電圖及心功能指標(biāo)。</p><p>　　其中傳統(tǒng)指標(biāo)包括：年齡、性別、血壓、心功能分級、體質(zhì)指數(shù)(BMI)、紐約心臟學(xué)會(NYHA) 、基礎(chǔ)心臟疾病、肝硬化、腫瘤、合并有慢性阻塞性肺疾病(COPD)等因素等[5]。它的優(yōu)點在于研究中人們長期采用，研究的結(jié)果比較明確，缺點在于它基于大量樣本，不適于診療。</p>

34、<p>　　神經(jīng)內(nèi)分泌指標(biāo)包括：脂聯(lián)素、內(nèi)皮素(endothelin ET)、內(nèi)洋地黃素(EDF)、心鈉素(ANP)等多種神經(jīng)內(nèi)分泌因子[5]。其優(yōu)點在于與心功能級別有較好的關(guān)聯(lián)性，與心衰的發(fā)生發(fā)展及疾病的預(yù)后密切相關(guān)。缺點在于它是基于又創(chuàng)探測，判別復(fù)雜。</p><p>　　運動實驗，也稱心肺復(fù)蘇實驗，是讓患者進行步行。它的優(yōu)點在于能以最大氧攝取量獲取運動耐量，是心衰患者死亡最有意義的預(yù)測指標(biāo)之一。

35、缺點在于不能直觀獲取心功能相關(guān)數(shù)據(jù)。</p><p>　　生化指標(biāo)包括: 尿酸、肌酐、尿素氮、血鉀離子、血鈉離子、血糖[5]等。其優(yōu)點在于可以直接獲取相關(guān)生化指標(biāo)，缺點在于它是又創(chuàng)測量，而且判斷起來較為復(fù)雜。</p><p>　　心電圖及心功能指標(biāo)中表明當(dāng)QRS≥150 ms的心衰患者五年生存率顯著下降(P<0.001)。左心室收縮末期其容積的增加時可以預(yù)測急性心肌梗死的最強因素。它

36、的優(yōu)點在于可通過ECG信號獲取相關(guān)指標(biāo)，如各波段周期，心率等。缺點在于定量分析需要經(jīng)過復(fù)雜的計算。</p><p>　　多項聯(lián)合評分模式中，最主要的幾種對心衰病人死亡率進行評估的方法包括有心衰存活評分（HFSS），西雅圖心力衰竭模型（SHFM），弗蘭肯斯坦等人的模型，Shocked 預(yù)測因子，Pace風(fēng)險評分等[6] 。其中只有心衰存活評分模型和西雅圖心力衰竭模型是有兩個以上獨立的驗證組的。這些模型全部都采用大樣

37、本的統(tǒng)計學(xué)基本模型。統(tǒng)計學(xué)模型的優(yōu)點在于它理論上較為完善，數(shù)學(xué)處理上較為簡單。而缺點在于需要采集到大樣本的數(shù)據(jù)并對其進行綜合分析，否則不具有統(tǒng)計學(xué)意義。</p><p>　　HFSS模型包括七個變量的死亡預(yù)測因子。包含有兩個二進制預(yù)測因子：缺血性心臟病以及心肌傳導(dǎo)滯后（即QRS>120毫秒）。另外還有五個連續(xù)變量：左心室射血分?jǐn)?shù)，靜息心率，平均血壓，峰值耗氧量，血清鈉。與此同時風(fēng)險評分根據(jù)指定閾值隨機被分成

38、三個類別：高風(fēng)險，中等風(fēng)險和低風(fēng)險。HFSS模型是從包括268名患有心力衰竭的病人的單個中心中得到的，并在總共含有2240名患有心力衰竭的病患的單獨的中心中得以驗證。驗證組包換有廣泛的患病人群，平均年齡從五十一到七十歲，大多數(shù)為男性（65%-82%）有著平均20%到30%的左心室射血分?jǐn)?shù)。在三組中，使用 阻滯劑的少于30%，在剩余的四組中有64%到80%范圍內(nèi)的人使用。在四組對除顫器的狀態(tài)研究，除顫器的使用頻率分別為11%，19%，49

39、%，78%。在驗證組的八個組中的六個的模型的辨別力（通過在第一年C統(tǒng)計量的評估）范圍從差到中等（0.56-0.79）。在 阻滯劑或者除顫器使用更頻繁的組別中，模型的辨別力更差。</p><p>　　西雅圖心力衰竭模型。西雅圖心力衰竭模型在一個等式中包括十個連續(xù)變量（年齡，左心室射血分?jǐn)?shù)，紐約心臟協(xié)會分級，心臟收縮壓，通過重量調(diào)整利尿劑計量，淋巴細(xì)胞計數(shù)，血紅蛋白，血清鈉，總膽固醇，以及尿酸）和十個分類變量可以為每

40、個病人提供連續(xù)的風(fēng)險分?jǐn)?shù)，并可以用對平均生命預(yù)期值或患者在第一，二五年的存活率進行預(yù)測。</p><p>　　Cox比例風(fēng)險模型方法為：首先將采用兩組不同的獨立的人群，其中一組為推導(dǎo)組，另外一組為驗證組。在推導(dǎo)組的人群中，根據(jù)長期的隨訪記錄，分成最終死亡和沒死亡的兩類，對他們的各個參數(shù)進行T檢驗或卡方檢驗，進行比較，然后根據(jù)每個參數(shù)在兩組之間的差異大小從而判定這個參數(shù)是否對死亡產(chǎn)生了影響，再在對死亡產(chǎn)生影響的這些

41、因子中根據(jù)嚴(yán)重程度給定一定的分?jǐn)?shù)，每個患者將這些因素的分?jǐn)?shù)相加得到總的評分。再根據(jù)所有病人的總分和劃分為三個組，分別為低風(fēng)險組，中風(fēng)險組，高風(fēng)險[7-8]。隨后再在另一組驗證組別中計算病人的綜合評分，看看每個風(fēng)險等級的最終死亡率與推導(dǎo)組中是否差異不到來確定模型是否有效。這些模型區(qū)別在于采用的預(yù)測因子不同。比如室射血分?jǐn)?shù)，靜息心率，平均血壓，峰值耗氧量，血清鈉，淋巴細(xì)胞計數(shù)，血紅蛋白，總膽固醇，以及尿酸等生化參數(shù)。</p>

42、<p>　　在一些其他疾病的預(yù)測中，人們大多采用模式識別的方式。而模式識別又可以分成幾種不同的方法，取決于問題自身的性質(zhì)。由于決策理論方法的理論基礎(chǔ)最為扎實，能夠給出最優(yōu)化的結(jié)果，則當(dāng)先驗類的概率和類的條件概率密度或分布很清晰時，就選擇該方法；而如果被識別的對象極為復(fù)雜，同時卻包含有豐富的結(jié)構(gòu)信息，就可以采用句法方法，因為它可以充分地利用好上下文之間的關(guān)系來解決問題；如果待解決的問題需要突出系統(tǒng)的學(xué)習(xí)能力時，則可以使用人工神經(jīng)

43、網(wǎng)絡(luò)的方法，這種方法適用于通過訓(xùn)練（學(xué)習(xí)）來調(diào)整網(wǎng)絡(luò)權(quán)系數(shù)，進而改善系統(tǒng)的性能[9]。</p><p>　　綜上所述，我們的問題比較適用于人工神經(jīng)網(wǎng)絡(luò)的方法。于此同時，也可以嘗試使用統(tǒng)計學(xué)的方法進行實現(xiàn)。在目前國內(nèi)外的研究中，大多數(shù)的文獻(xiàn)都使用了包括生化指標(biāo)，有創(chuàng)測量指標(biāo)在內(nèi)的很多指標(biāo)進行模型的建立，而我們的研究將只立足于無創(chuàng)的穿戴式可測量的指標(biāo)及相關(guān)信息上。同時他們的研究大多針對于心衰病人的危重情況，因此與上述

44、方法均會有所不同。</p><p><b>　　課題研究方法</b></p><p>　　圖 1.1 本課題整體思路框架</p><p>　　以上流程圖為本課題的整體研究框架。在本課題中，首先通過對文獻(xiàn)的調(diào)研尋找對心衰產(chǎn)生重要影響的無創(chuàng)生理信號和參數(shù)，并了解他們的意義。然后對這些可用信號進行處理。接下來從處理過的信號中提取有用信息。在獲得有用信

45、息后分析可行的心衰判別算法，并且最終通過已有的實驗數(shù)據(jù)對兩種判別算法，BP神經(jīng)網(wǎng)絡(luò)，支持向量機進行實現(xiàn)。兩種算法各有優(yōu)缺點，比如BP神經(jīng)網(wǎng)絡(luò)非常智能化，能夠負(fù)反饋，但是它本身屬于黑箱問題，最終雖然可以判別心衰，卻不能知道每個參量對心衰影響的嚴(yán)重程度和比例。還有一種前文提到過的Cox危險比例模型，一開始想嘗試用其解決我們的問題，然而后來發(fā)現(xiàn)它主要是針對死亡的分析，因此對本課題并不適用，具體分析在后文說明。在本課題的最后，對兩種判別算法，即

46、BP神經(jīng)網(wǎng)絡(luò)和支持向量機的實現(xiàn)結(jié)果進行比對，分析。此外，在本課題中將使用實驗對象運動中的數(shù)據(jù)，使得心衰病人和健康受試者能有較明顯的區(qū)分度。</p><p>　　在本文中采用matlab2012a進行信號處理，信號的特征提取， BP神經(jīng)網(wǎng)絡(luò)的搭建以及支持向量機模型的搭建。統(tǒng)計學(xué)的相關(guān)計算使用SPSS完成。</p><p>　　論文構(gòu)成及研究內(nèi)容1</p><p>　　

47、本論文內(nèi)容在第二章主要介紹了心衰判別的特征提取，包括所需提取的參數(shù)以及ECG信號，PPG信號特征點的提取方法及實現(xiàn)過程。在第三章介紹了模式識別的基本概念。第四章至五章分別介紹了BP神經(jīng)網(wǎng)絡(luò)的基本原理和具體實現(xiàn)方法，統(tǒng)計學(xué)方法支持向量機的基本原理。以及最后在第六章用已有數(shù)據(jù)對涉及的兩種方法進行了驗證，并對它們的結(jié)果進行了比較和評價。并用統(tǒng)計學(xué)知識對輸入特征量進行了分析。</p><p>　　本論文研究內(nèi)容主要包括：

48、ECG信號R波的特征點提取，PPG信號onset點的特征提取，心率，心率變異性的計算，基于MATLAB的神經(jīng)網(wǎng)絡(luò)模型搭建，基于MATLAB的支持向量機算法實現(xiàn)，以及基于SPSS軟件的COX風(fēng)險比例模型統(tǒng)計學(xué)方法的實現(xiàn)，以及對這兩種方法下隱形心衰診斷方法的靈敏度，特異性進行分析，比較。</p><p><b>　　心衰判別的特征提取</b></p><p>　　穿戴式可

49、測量參數(shù)與心衰的關(guān)系</p><p>　　在近些年，有許多醫(yī)學(xué)機構(gòu)和研究員都對影響心衰的因素進行了分析研究。其中有一些是我們可以通過無創(chuàng)的測量儀器方便，快捷獲得的。</p><p>　　1987年，F(xiàn)ramingham的[10]研究首次明確地報道了心臟心率（HR）的升高會增加心血管疾病的風(fēng)險。Framingham在他長期的隨訪研究中表明，一般人群的心率，每增加10 bpm，死亡率即將上升1

50、4%；靜息心率的升高與心衰的進展有很大的相關(guān)性。心率主要是由自主神經(jīng)活動控制，靜息心率的升高，會伴隨著心臟迷走神經(jīng)的減弱亦或是交感神經(jīng)活動的增強。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關(guān)的。</p><p>　　心率變異性（HRV），是指心電圖中RR 間期的變異性，它的產(chǎn)生是由于自主神經(jīng)系統(tǒng)對心臟竇房結(jié)進行調(diào)節(jié)，因此它可以間接地反映心臟自主神經(jīng)系統(tǒng)的平衡，并為我們評估交感神經(jīng)系統(tǒng)，

51、副交感神經(jīng)系統(tǒng)的狀況及它們二者的相互間作用提供參考。大量研究證據(jù)表明，心率變異性的降低可以作為心肌梗死、不穩(wěn)定型心絞痛、高血壓、心力衰竭等心血管疾病[11]及糖尿病等其他病發(fā)疾病的不良預(yù)后因素。通過運動訓(xùn)練等方式對心率變異性進行提高可以對心血管疾病的預(yù)后有一定程度的改善。因此，作為一種無創(chuàng)性的自主神經(jīng)功能評價指標(biāo)，心率變異性近年來，越來越受到臨床工作者們的關(guān)注，盡管由于它本身檢測條件的限制，以及相關(guān)機制的研究尚不夠成熟，心率變異性的臨床

52、應(yīng)用仍然具有一定局限性，但是相信隨著測量方法的標(biāo)準(zhǔn)化，以及相關(guān)機制進一步的明確，我們可以期待心率變異性的分析為能我們的臨床工作帶來更大，更多的幫助。</p><p>　　血壓是指血液在血管內(nèi)流動時，作用在血管壁上的壓力，也可以說它是推動血液在血管內(nèi)流動的動力。當(dāng)心室收縮時，血液會從心室流入動脈中，此時血液對動脈的壓力會達(dá)到最高，稱做收縮壓（systolic blood pressure，SBP）。心室舒張時，動脈

53、血管會彈性回縮，血液仍慢慢繼續(xù)地向前流動著，但血壓卻下降了，此時的壓力稱做舒張壓（diastolic blood pressure，DBP）。世界衛(wèi)生組織和國際高血壓聯(lián)盟（WHO/ISH）高血壓防治指南中指出，能夠影響心衰患者預(yù)后的靶器官損害為：①左心室肥厚(LVH)；②動脈硬化斑塊的超聲學(xué)或放射學(xué)證據(jù)；③蛋白尿和(或)血漿肌酐輕度升高；④腎動脈中央型狹窄。 而高血壓作為心衰的主要歸因危險是引起上述靶器官損害最常見和最重要的危險因素[1

54、2]，因此心衰與血壓的關(guān)系在臨床實踐中也受到越來越多的關(guān)注。Framingham 在研究中發(fā)現(xiàn)高血壓可增加心衰發(fā)生風(fēng)險 2~3 倍[13]，而隨著血壓治療率以及達(dá)標(biāo)率的提高，心衰發(fā)生率顯著下降了[14-15]。 WHO/ISH 高血壓防治指南中指出，有高血壓病史的患者罹患心衰的危險性至少增加 了6 倍[16]。國</p><p>　　圖 2.1 收縮壓和心衰生存率的關(guān)系</p><p>　

55、　圖 2.2 收縮壓和風(fēng)險比例模型得到的死亡率之間的關(guān)系</p><p>　　圖 2.3 舒張壓和心衰生存率的關(guān)系</p><p>　　圖 2.4 舒張壓和風(fēng)險比例模型得到的死亡率之間的關(guān)系</p><p>　　另一方面，血壓變異性是體內(nèi)神經(jīng)內(nèi)分泌動態(tài)調(diào)節(jié)的綜合平衡結(jié)果，慢性心力衰竭 患者會存在自主神經(jīng)系統(tǒng)功能上的紊亂，迷走神經(jīng)調(diào)控作用會減弱，導(dǎo)致血壓波動較大。也

56、就是說，心衰越嚴(yán)重，血壓變異性就會越大。血壓變異性在高血壓得診斷、治療決策、風(fēng)險預(yù)測以及藥物的選擇中都具有重大的意義。但是，由于血壓變異性的機制尚未清晰，衡量方法有待進一步明確，因此血壓變異性的臨床實用性仍舊亟待探索。但從高血壓患者的長期獲益來看，血壓變異性的研究具有重大意義，它將挑戰(zhàn)現(xiàn)有的高血壓診斷標(biāo)準(zhǔn)，建立降壓治療的新目標(biāo)，同時它還可以心腦血管事件發(fā)生進行預(yù)測及對其進行預(yù)后判斷。為臨床選擇治療對象及確定用藥的過程增加了一種新的治療工

57、具。相信血壓變異性也會在心衰治療中起到巨大的作用。</p><p>　　心輸出量是指單側(cè)心室每分鐘可以射出的總血量，是心率與每搏輸出量的乘積，也是反映心臟功能的一種重要的指標(biāo)。人體處于靜息時，心輸出量的正常范圍為 4 -8 L。目前，心輸出量監(jiān)測通常是用于術(shù)中監(jiān)測以及重癥監(jiān)護。同時，心輸出量的監(jiān)測在一些運動場合亦有重要需求，例如，在心肺運動測試中測得的動態(tài)心輸出量[20]和極限心臟功率[21](極限心輸出量 &#

58、215; 極限血壓)等參數(shù)，均可作為獨立因數(shù)用于預(yù)測慢性心力衰竭病人死亡。</p><p>　　1986年，Tan采用強心劑藥物（dobutamine）刺激63位心衰患者后發(fā)現(xiàn)，患者心力儲備（cardiac reserve）被藥物完全激發(fā)時檢測的“心輸出量與主動脈平均血壓值的乘積”與一年后患者的死亡事件間存在驚人的相關(guān)性[22]。因此，Tan將“心輸出量與主動脈平均血壓值的乘積”定義為心臟輸出功率（cardiac

59、 power output），并指出：心力儲備被完全激發(fā)時的心臟輸出功率(心臟極限功率)反映心臟和大血管的最大供血能力，是評價心功能的重要指標(biāo)。其后，Tan [23]和Timmins [24]分別在心源性休克患者和重癥監(jiān)護患者身上，再次證實了這一結(jié)論的正確性。1989年Tan進一步嘗試用運動刺激代替藥物刺激激發(fā)心臟極限功率，以減少檢測過程中的副作用[25]。結(jié)果表明：與藥物刺激相比較，在最大運動強度（最大心率）下檢測的心臟極限功率能夠更

60、好地區(qū)分輕度和重癥的心衰患者。2001年，Williams在運動狀態(tài)下第一次采用無創(chuàng)的血壓和心輸出量檢測方法，檢測了219個心衰患者的心臟極限功率[26]。結(jié)果表明：最大運動狀態(tài)下無創(chuàng)檢測的心臟極限功率，能夠精確地預(yù)測心衰患者的死亡。200</p><p>　　圖2.5 心臟輸出功率與心衰危重程度的關(guān)系</p><p>　　因此，在目前的研究中，心衰，心衰變異性，血壓，血壓變異性以及心輸

61、出量都被我們認(rèn)為是會對心衰造成重要影響且較為容易獲得的無創(chuàng)參數(shù)。我們可以利用這幾個參數(shù)，以及它們相關(guān)的一些特征參數(shù)來進行建模。</p><p><b>　　特征提取和涉及算法</b></p><p><b>　　ECG的提取</b></p><p>　　ECG即心電信號，是基本并且很重要的人體生理信號之一，對它的研究被認(rèn)為

62、具有重要的臨床診斷價值。心電圖是一個能夠反映心臟興奮的電活動過程，對心臟的基本功能和心臟的病理研究方面都具有很重要的參考價值。心電圖還可以用來分析與鑒別各種心律失常；也可以反映心肌受損的程度和發(fā)展過程，同時還可以反應(yīng)心房、心室的功能結(jié)構(gòu)情況。同時還可以指導(dǎo)心臟手術(shù)的進行及指示必要的藥物處理。</p><p>　　由于心率和心率變異性都是是判別心衰的重要特征之一，要獲得它們必須要先得到ECG信號的RR間隔，即必須要

63、先提取R波。獲取R波后，便可得到RR間隔，再通過</p><p><b>　　(2.1) </b></p><p>　　獲得心率。因此，精確的ECG信號R波提取是非常重要的。</p><p>　　圖2.6 RR間隔示意圖</p><p>　　對于R波的檢測除了要保證精確度，還需要較為快速，便捷，可以實現(xiàn)時時的處理。算法

64、不可間斷，抗干擾能力強的特點。通過對主流心電信號處理算法特征的分析，決定基于差分閾值法的思想，實現(xiàn)本項目中心電信號的處理方法。差分閾值法的主要思想為：對原始心電信號進行差分處理得到一階差分信號，由于心電信號的QRS波是整個波形中斜率最為陡峭變化的波段，因此，差分信號在QRS波所在位置會出現(xiàn)明顯的峰值，通過一定的閾值判定出每一個心動周期差分信號的峰值，就能定位出QRS波的位置，進而找出R波因此我們采用Jiapu Pan等人于1985年提出

65、的基于時間域的算法[28]。這是一篇非常經(jīng)典的算法文獻(xiàn)，已經(jīng)被引用2120余次。</p><p>　　圖2.7 ECG中R波檢測過程示意圖</p><p>　　首先由于我們得到的ECG信號含有很多噪音，因此要對信號去噪，選用低通濾波方法把原始信號中的高頻噪音去除掉，然后用高通濾波將低頻噪音去除，這樣我們就得到了一段濾波后信號。但濾波后的信號中還會存在ECG信號中T波的干擾。于是我們用一階

66、差分信號的方法區(qū)分R波與T波，并對新得到的信號平方，使R波和T波的差距更大。在進行完上述步驟后，我們對信號進行窗函數(shù)積分，我們向前動態(tài)尋找最近的積分波上升沿，通過它我們找到上升沿的起點和終點。因為在圖像中，積分波的上升沿對應(yīng)的是濾波后信號中的QRS波，所以在找到積分波上升沿的起點和終點位置之后，我們就相應(yīng)的得到了QRS波的位置；這樣我們找出得上升沿的起點和終點中的最大值，就是R波相應(yīng)的位置。并在窗函數(shù)積分得到的圖像中找到第一個R點。在找

67、到第一個R點后，我們就開始用雙閾值法動態(tài)檢測信號中接下來的R波。如果在上一個R波檢測出以后的一定時間內(nèi)第二個R波還沒有被檢測出來，我們就判定這個點被漏檢了；調(diào)整閾值，并返回上一個R波重新向后用雙閾值法動態(tài)尋找。在每一次新找到一個臨時R波時，我們都會判別這個臨時R波是否是一個T波。如果是，那么我們就刪除臨時R波（也就是T波），重新</p><p>　　圖 2.8 ECG中 R波尋找整體流程圖</p>

68、<p><b>　　PPG的提取</b></p><p>　　脈搏波，也稱光電容積波，其中蘊含了非常豐富的人體心血管系統(tǒng)的生理、病理信息。PPG的獲得是在當(dāng)一定波長的光束照射到指端皮膚的表面時，指端皮膚，肌肉，血液會吸收一部分的光，從而使得檢測器檢測到得光強減弱。心臟收縮時，由于外周血容量最多，光吸收量反而是最大的，因此檢測到得光強反而是最小的，而心臟舒張時剛好與之相反。因而光強度

69、是呈現(xiàn)脈動性變換的。脈搏波的形態(tài)、強度、速率和周期等各個方面的信息，都能從不同層面反映出人體心血管系統(tǒng)的相應(yīng)信息。因此，對于PPG信號的測量和分析，在科學(xué)研究以及在臨床醫(yī)療上都具有重要意義。</p><p>　　在近些年來，許多醫(yī)學(xué)診斷，如動脈硬化，血壓評估都需要用到脈搏波傳導(dǎo)時間。脈搏波傳導(dǎo)時間(Pulse Transit Time，PTT)，是指心臟射血造成動脈脈壓波從主動脈瓣傳播到外圍分支血管所用的時間。P

70、TT的計算是同一時刻ECG信號的R波與PPG信號onset點之間的距離。因此，由于我們在之前已經(jīng)提取了ECG信號的R波，在PPG中提取onset點也成為很重要的工作。</p><p>　　圖 2.9 脈搏波傳導(dǎo)時間（PTT）示意圖</p><p>　　與ECG中R波的提取相類似，對于PPG中起始點的檢測除了要保證精確度，也同樣需要較為快速，便捷，可以實現(xiàn)時時的處理。算法不可間斷，不可出現(xiàn)溢

71、出問題。我們因此提出了一種新型的方法。</p><p>　　代表同側(cè)相鄰點夾角， 代表一側(cè)對稱點之間的夾角。其中 </p><p>　　圖 2.10 脈搏波onset點檢點趨勢變化示意圖。</p><p>　　在PPG信號中，起始點的出現(xiàn)意味著新的一個脈搏波的出現(xiàn)，相當(dāng)于一定會出現(xiàn)一個較為明顯的上升趨勢的變化。因此可以認(rèn)為在起始點處，同側(cè)相鄰點和起始點連線之間所構(gòu)成

72、的夾角應(yīng)該是很小的，而異側(cè)對稱點和起始點連線之間的夾角則應(yīng)該較大。</p><p>　　因此我們首先利用階數(shù)為50，截止頻率為20HZ的零相移濾波器filtfilt對原始信號進行濾波，去除掉噪音的干擾。然后使用循環(huán)語句求得一階差分。接下來使用窗函數(shù)對1階導(dǎo)數(shù)進行窗函數(shù)積分，使得整個波形的波峰更加尖銳。接下來對窗函數(shù)積分后的波形進行整流，去掉小于零的部分。然后在這個整流后的波形上尋找峰值點，由于波形比較尖銳，容易確

73、定峰值，因此我們可以由整流波確定好每個波的大致位置。并可以知道每個波之間的間隔。此處參考了Umar Farooq等人提出的方法[29]。根據(jù)整流波的定位，我們尋找1階導(dǎo)數(shù)波的峰值點，然后由其向前搜索一定范圍內(nèi)的點，把每個點兩側(cè)同側(cè)20個點和起始點間連線的夾角分別做差，認(rèn)為均不大于5度，異側(cè)20個對稱點與起始點間連線的夾角進行疊加，當(dāng)和為最大時，認(rèn)為該點處為脈搏波的起始點[30]。</p><p>　　圖 2.10

74、脈搏波中起始點（onset）檢測流程圖</p><p>　　心輸出量和血壓信息的采集</p><p>　　我們的數(shù)據(jù)來源中包括有通過Suntech公司聽診式血壓測量設(shè)備和 PhysioFlow公司的PF-05心輸出量測量設(shè)備采集的舒張壓，收縮壓以及心輸出量的實驗設(shè)備。他們也是判別心衰時十分重要的判別信息。為了更好的區(qū)分健康人和心衰患者，在本文中我們使用的心輸出量和血壓信息采使用病人運動中達(dá)

75、到最大負(fù)荷，即最大心率時的數(shù)據(jù)。</p><p><b>　　模式識別</b></p><p>　　模式識別，是指對表征事物或現(xiàn)象的各種形式，如數(shù)值的、文字的和邏輯關(guān)系的信息進行處理和分析, 以此對事物或現(xiàn)象進行描述、辨認(rèn)、分類還有解釋的過程，同時也被稱做模式分類（Pattern Classification）[31]。這一過程主要包括有：輸入原始數(shù)據(jù)也即模式的數(shù)據(jù)采

76、集；確定并提取模式特征也即基于先驗的特征選擇；判別模式類別也即基于先驗的類別選擇；并根據(jù)其類別采取相應(yīng)行為等也即訓(xùn)練、評價。</p><p><b>　　模式識別的三種分類</b></p><p><b>　　決策理論方法</b></p><p>　　決策理論方法（Decision Theoretic Approach），

77、是通過對特征的提取，使得輸入模式能夠從對象空間映射到特征空間中，即能夠通過多維特征空間中的一個點或一個特征向量來表示輸入模式。通常也被稱作統(tǒng)計方法，在模式識別中是發(fā)展最早、并且較為成熟的一種方法，同時也被認(rèn)為是理論基礎(chǔ)最為扎實，可靠的一種方法。根據(jù)具體的識別對象來選擇特征，要盡量使得“模式“在特征空間中能夠“抱團”，即對于某種分類應(yīng)用來說，所選的特征能夠真正地表現(xiàn)出模式的“特點”。最后，再引入合適的判別函數(shù)來對出入模式進行合理的分類[3

78、1]。</p><p><b>　　句法方法</b></p><p>　　句法方法（Syntactic Approach），能把一個模式轉(zhuǎn)化成為樹形結(jié)構(gòu)，又被稱為結(jié)構(gòu)方法或是語言學(xué)方法。它的基本思想是通過選取合適的基元，即底層最簡單的子模式，還有語法也稱轉(zhuǎn)化規(guī)則。所謂的句法分析，也就是說分析給定的模式語句是否符合指定語法，滿足某類語法就被分入該類。</p>

79、<p><b>　　人工神經(jīng)網(wǎng)絡(luò)</b></p><p>　　人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network Approach），顧名思義，是模擬生物神經(jīng)網(wǎng)絡(luò)進行信息處理的一種數(shù)學(xué)模型。它以對大腦的生理研究成果為基礎(chǔ)，其最主要的目的在于模擬大腦的某些機理與機制，并且實現(xiàn)一些特定的功能。它是通過網(wǎng)絡(luò)權(quán)系數(shù)以及激勵函數(shù)對輸入的模式進行響應(yīng)，輸出分類結(jié)果；通過訓(xùn)練后

80、，可以自動對權(quán)系數(shù)進行矯正，改善神經(jīng)網(wǎng)絡(luò)性能，使之不斷優(yōu)化[31]。</p><p><b>　　模式識別的可行性</b></p><p>　　模式識別的方法種類很多，可以適用的范圍也非常的廣泛。在近年來的諸多生物醫(yī)學(xué)相關(guān)研究中人們都將模式識別的方法應(yīng)用于其中。尤其是在風(fēng)險評估和輔助決策這兩方面，而我們對于隱性心衰的預(yù)測剛好屬于這個范疇內(nèi)。與此同時，神經(jīng)網(wǎng)絡(luò)具有很強的

81、自適應(yīng)學(xué)習(xí)能力、魯棒性和容錯能力, 被廣泛應(yīng)用于模式識別和分類問題, 對于我們的問題應(yīng)該也是同樣適用的，我們可以讓它進行自主的學(xué)習(xí)，然后判別出影響心衰的因子并賦予權(quán)重并組合建模。同時，在現(xiàn)代醫(yī)學(xué)的基礎(chǔ)上，統(tǒng)計學(xué)也同樣適用于我們的問題，也可以使用，并與神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進行相應(yīng)的比較。</p><p><b>　　神經(jīng)網(wǎng)絡(luò)及其應(yīng)用</b></p><p><b&g

82、t;　　人工神經(jīng)網(wǎng)絡(luò)</b></p><p>　　人工神經(jīng)網(wǎng)絡(luò)的研究背景和意義</p><p>　　人工神經(jīng)網(wǎng)絡(luò)能夠反映出人腦的很多特征，它是通過大量簡單的處理單元互相連接從而形成的復(fù)雜網(wǎng)絡(luò)。它具有自組織，子學(xué)習(xí)，自適應(yīng)能力，并且能大規(guī)模并行或是分布儲存。并且它的非線性自適應(yīng)能力更貼近于日常生活中事物的發(fā)生規(guī)律，因此神經(jīng)網(wǎng)絡(luò)適合于處理需要多因素，多條件，不是很精確的信息。近些年

83、來，神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域都做出了巨大的貢獻(xiàn)，并且使得科技在對人類的模擬認(rèn)知道路上有了長足的發(fā)展，成為人工智能的重要方向之一。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史</p><p>　　在半個多世紀(jì)前神經(jīng)網(wǎng)絡(luò)開始悄然發(fā)展，1950至1960年期間達(dá)到了神經(jīng)網(wǎng)絡(luò)的第一次研究熱潮，這一時期屬于神經(jīng)網(wǎng)絡(luò)發(fā)展的初期。在這個時期產(chǎn)生了多種網(wǎng)絡(luò)模型以及學(xué)習(xí)算法。接下來1960-1970年間，由于感知

84、器自身存在很多缺陷，比如異或問題不能很好的得以解決。當(dāng)然也是在這個時期，Webos首次提出了BP理論。在1980-1990年之間著名的Hopfiled模型被美國的John Hopfield 提出了，即所謂的互聯(lián)的，非線性動力學(xué)模型，它使得神經(jīng)網(wǎng)絡(luò)走上了一種動態(tài)的，可以反復(fù)運算的過程。</p><p><b>　　BP神經(jīng)網(wǎng)絡(luò)原理</b></p><p>　　BP神經(jīng)網(wǎng)

85、絡(luò)是近年來使用比較廣泛的一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差則反向傳播。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖4.1所示[32]：</p><p>　　圖4.1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)&

86、lt;/p><p>　　在圖4.1中，X1，X2，…，Xr是BP神經(jīng)網(wǎng)絡(luò)的輸入值，O1，O2，…，Or是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測至，Wij和Wjk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值。從圖1-1可以看出，BP神經(jīng)網(wǎng)絡(luò)可以看成一個非線性函數(shù)，網(wǎng)絡(luò)輸入之和預(yù)測值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點數(shù)為n、輸出節(jié)點數(shù)為m時，BP神經(jīng)網(wǎng)絡(luò)就表達(dá)了從n個自變量到m個因變量的函數(shù)映射關(guān)系。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)預(yù)

87、測首先要訓(xùn)練網(wǎng)絡(luò)，通過訓(xùn)練使網(wǎng)絡(luò)具有聯(lián)想記憶和預(yù)測能力。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程主要分為2個階段。第一個階段是輸入已知學(xué)習(xí)樣本，通過設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)第一層向后計算各神經(jīng)元的輸出。第二個階段是對權(quán)值和閾值進行修改，從最后一層向前計算各權(quán)值和閾值對總誤差的影響（梯度），據(jù)此對各權(quán)值和閾值進行修改。</p><p>　　以上兩個過程反復(fù)交替，直到達(dá)到收斂為止由于誤差會逐層往回傳遞，以修正層與

88、層間的權(quán)值和閾值，所以稱該算法為誤差反向傳播算法，這種誤差反響傳播學(xué)習(xí)算法可以推廣到有若干個中間層的多層網(wǎng)絡(luò)，因此該多層網(wǎng)絡(luò)常稱之為BP網(wǎng)絡(luò)。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)的具體訓(xùn)練過程包括以下的幾個步驟。</p><p>　　步驟1：網(wǎng)絡(luò)初始化，根據(jù)系統(tǒng)輸入輸出序列（X，O）確定網(wǎng)絡(luò)輸入層節(jié)點數(shù)n、隱含層節(jié)點數(shù)l，輸出層節(jié)點數(shù)m，初始化隱含層閾值a，輸出層閾值b，給定學(xué)習(xí)速率和神經(jīng)元

89、激勵函數(shù)。</p><p>　　步驟2：隱含層輸出計算。根據(jù)輸入變量X，輸入層和隱含層間連接權(quán)值Wij以及隱含層閾值a，計算隱含層輸出H。</p><p><b>　　(4.1)</b></p><p>　　步驟3: 輸出層輸出計算。根據(jù)隱含層輸出H，連接權(quán)值Wjk和閾值b，計算BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出O</p><p>

90、<b>　　(4.2)</b></p><p>　　步驟4： 誤差計算。根據(jù)網(wǎng)絡(luò)預(yù)測輸出O和期望輸出Y，計算網(wǎng)絡(luò)預(yù)測誤差e。</p><p><b>　　(4.3)</b></p><p>　　步驟5：權(quán)值更新。根據(jù)網(wǎng)絡(luò)預(yù)測誤差e更新網(wǎng)絡(luò)連接權(quán)值Wij和Wjk 。</p><p><b>

91、　　(4.4)</b></p><p><b>　　(4.5)</b></p><p>　　式中， 為學(xué)習(xí)速率。</p><p>　　步驟6：閾值更新。根據(jù)網(wǎng)絡(luò)預(yù)測誤差e更新網(wǎng)絡(luò)節(jié)點閾值a,b。</p><p><b>　　(4.6)</b></p><p>&l

92、t;b>　　(4.7)</b></p><p>　　步驟7：判斷算法迭代是否結(jié)束，若沒有結(jié)束，返回步驟2[32-33]。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程</p><p>　　首先，在輸入部分，通過對ECG信號R波的準(zhǔn)確檢點，我們可以獲得準(zhǔn)確的RR間隔，通過RR間隔我們可以將其轉(zhuǎn)化為心率，以及心率變異率。同時，用體重（w）和身高(h)可以

93、得到BMI指數(shù)。</p><p>　　BMI=w/h2 (4.8)</p><p>　　再將心輸出量，舒張壓，收縮壓，年齡等輸入分別代入神經(jīng)網(wǎng)絡(luò)中。構(gòu)成輸入。在本課題中，設(shè)定隱含層的數(shù)量為3，輸出層為1，即結(jié)果就是心衰或者健康，其中設(shè)定正例健康為-1，心衰為1。然后分配部分健康對象和部分心衰對象作為訓(xùn)練人群，另一部分用于檢驗。輸入以后將各個輸入歸

94、一化。然后構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，使用newff函數(shù)創(chuàng)建網(wǎng)絡(luò)，用訓(xùn)練人群進行學(xué)習(xí)，再用train函數(shù)來對剩下的檢驗人群進行檢驗，看學(xué)習(xí)效果如何。接下來用sim建模，實現(xiàn)網(wǎng)絡(luò)的預(yù)測輸出，根據(jù)輸出結(jié)果最終分為兩類，正例和負(fù)例，即得到</p><p><b>　　支持向量機及其應(yīng)用</b></p><p><b>　　支持向量機原理</b></p>

95、;<p>　　支持向量機是一種比較新型的，基于統(tǒng)計學(xué)理論基礎(chǔ)的，有機器監(jiān)督式的學(xué)習(xí)方法。它是一種二分類模型。它屬于一般化的間隔最大的線性分類器。支持向量機的主要思想是，通過創(chuàng)建一個分類超平面，把它作為決策曲面，使得正例和負(fù)例，比如說健康人和心衰患者之間的隔離邊緣達(dá)到最大化。它是通過借助內(nèi)積函數(shù)來定義的非線性的變換，從而將我們輸入的空間能夠變到一個更高維度的空間中，并在其中尋找出一種輸入和輸出變量之間的非線性關(guān)系。此原理與以

96、往相比，采用經(jīng)驗風(fēng)險達(dá)到最小化的準(zhǔn)則，從而能夠具有更加好的泛化能力。SVM方法在有著嚴(yán)格的理論上的基礎(chǔ)的同時，它還能夠很好地處理非線性的、小樣本還有高維度數(shù)的模式識別[34]。</p><p><b>　　最優(yōu)分類面</b></p><p>　　就如剛才所說，支持向量機，是一種基于線性可分情況下的最優(yōu)分類面提出的。為了更加便于理解，下面將舉對兩類物質(zhì)分類問題的例子來闡

97、明支持向量機的工作原理。在圖5-1中的圓形、方塊分別代表著兩類樣本的數(shù)據(jù)，其中中間的H代表分類線，兩邊的H1、H2分別代表每個類中，距離分類線最近的并且平行于中間分類線的樣本直線，其距離即為分類間隔[35]。</p><p>　　在一個問題中，對于兩個具有不同屬性的類之間，支持向量機一般可以找到滿足以下準(zhǔn)則的一條直線，使得這條直線盡可能地把兩個類別正確地分開，還要使得分類的間隔最大。因此，這樣的一條直線（H）就被

98、我們稱為最優(yōu)分類線，把最優(yōu)分類線推廣到高維度空間，將會變?yōu)樽顑?yōu)分類面。</p><p>　　圖5.1線性可分情況下的最優(yōu)分類線</p><p>　　現(xiàn)在我們假設(shè)可分線性樣本集合為(xi,yi ),i=1,…,n,x∈Rd,其中yi∈(-1,1)是類別的標(biāo)號。在d維空間中線性一般用來進行判別的函數(shù)形式為：g(x)= w·x+b,分類面的方程為：w·x+b=0。H1和H2的

99、歸一化之后的方程為:</p><p><b>　　(5.1) </b></p><p>　　其中，w是權(quán)系數(shù)向量，b是域值，x是d的多維輸入向量。在圖4-1中方塊和圓形就是滿足以上所述兩個方程的點，也就是支持向量，它對最優(yōu)分類面有著支撐的作用。</p><p>　　我們還需要一個判別函數(shù)來確定數(shù)據(jù)屬于哪個類型：</p><

100、p><b>　　(5.2)</b></p><p>　　其中sgn()為一個符號函數(shù)。</p><p>　　根據(jù)上面的準(zhǔn)則，最優(yōu)分類面就是能夠使得分類間隔最大化的一個分類面，因此，可以轉(zhuǎn)化到求取下式：</p><p><b>　　(5.3)</b></p><p>　　其中 ,這里n為訓(xùn)練的

101、樣本數(shù)目。然后可以定義Lagrange函數(shù)</p><p><b>　　(5.4)</b></p><p>　　其中 為Lagrange系數(shù)。</p><p><b>　　支持向量機的優(yōu)點</b></p><p>　　支持向量機具有以下幾個優(yōu)點：通用性：能夠在很廣的各種函數(shù)集中構(gòu)造函數(shù)；魯棒性：不

102、需要微調(diào)；有效性：在解決實際問題中總是屬于最好的方法之一；計算簡單；理論上完善；SVM 是一種有堅實理論基礎(chǔ)的新穎的小樣本學(xué)習(xí)方法。它基本上不涉及概率測度及大數(shù)定律等,因此不同于現(xiàn)有的統(tǒng)計方法。從本質(zhì)上看,它避開了從歸納到演繹的傳統(tǒng)過程,實現(xiàn)了高效的從訓(xùn)練樣本到預(yù)報樣本的“轉(zhuǎn)導(dǎo)推理”,大大簡化了通常的分類和回歸等問題。</p><p>　　心衰判別算法的驗證與討論</p><p><

103、b>　　運動實驗及實驗對象</b></p><p>　　本項目的數(shù)據(jù)來源是北京航空航天大學(xué)王玲老師在香港中文大學(xué)生物與醫(yī)學(xué)研究中心攻讀博士學(xué)位時，她所在的研究團隊從2009年2月到10月在中文大學(xué)附屬威爾斯親王醫(yī)院采集到的運動實驗生理數(shù)據(jù)。運動實驗方案如下：</p><p>　　圖 6.1 本項目的運動實驗方案</p><p><b>　

104、　實驗對象</b></p><p>　　這個研究由臨床研究倫理委員會批準(zhǔn)完成。所有的實驗對象都是威爾斯親王醫(yī)院中的病人。他們都是隨機病例，通過一系列專業(yè)的醫(yī)學(xué)診斷，其中一部分被認(rèn)為患有心衰。香港在在參與實驗前已經(jīng)在授權(quán)書上簽字。75名年老健康的實驗對象參與到此次研究中。其中25名心衰患者和50名健康人。表1提供了他們的生理特征，均為他們在運動過程中獲得的最大心率所對應(yīng)的數(shù)據(jù)，因此血壓和心率值均較大。&

105、lt;/p><p>　　表6. 1 實驗對象基本生理特征</p><p><b>　　實驗儀器</b></p><p>　　其中PPG信號是通過一個自行設(shè)計的采集設(shè)備對實驗對象左手食指以及耳端采集獲取的。其中指端的PPG信號采集裝置是通過有反射式LED發(fā)射器的指夾式（850納米，SFH-4250Z，歐司朗）以及嵌入式檢測器（850-880納米，SF

106、H-319 FA-3/4，歐司朗）構(gòu)成的。它被連接到一個小的便攜式處理器上對PPG進行過濾（帶通濾波器：0.35-16 Hz）和放大（19×直流增益）。然后，PPG信號和其他信號的模擬輸出被連接到一個模擬到數(shù)字轉(zhuǎn)換器（DATAQ D1-719，美國），轉(zhuǎn)換為數(shù)字信號，采樣率為1000赫茲。</p><p>　　實驗中使用的心輸量和血壓儀器如下所示。</p><p>　　(a)

107、 (b)</p><p>　　圖 6.2 運動實驗設(shè)備</p><p>　　其中(a) 為Suntech公司聽診式血壓測量設(shè)備， (b) PhysioFlow公司的PF-05心輸出量測量設(shè)備</p><p><b>　　實驗方案</b></p><p>　　本實驗在早飯或午飯

108、后至少一個小時后進行。開始時，實驗對象坐在自行車 (Lode, Groningen, Netherland）上休息。護士用水銀血壓測量儀(Riester, Germany)在研究對象的右臂上測出血壓并將它輸入心阻抗測量儀(Physio Flow PF-05, Macheren, France)計算出心輸出量基線。在那之后，連續(xù)的心電信號（ECG,脈搏波信號（PPG） 和心輸出量（CO）信號被同時記錄直到實驗結(jié)束。然后實驗對象再躺在床上4

109、0秒記錄下靜息狀態(tài)的信號血壓的測量值。接下來，實驗對象開始以25w的功率騎自行車并且每2分鐘增加25w直到達(dá)到他可接受的最大極限。保持這個極限直到實驗對象達(dá)到他的目標(biāo)心率 ().在運動階段，血壓從運動一分鐘后開始測量并且每兩分鐘測一次直到運動階段結(jié)束。在運動階段結(jié)束后，進入恢復(fù)階段并在使心輸出量回到基準(zhǔn)水平后結(jié)束。在這個階段，血壓從運動結(jié)束時開始測量，并且接下來每兩分鐘測量一次。信號以40s為一組進行采集，從血壓測量開始時以及兩次血壓檢