基于深度学习的生物阻抗信号心功能评估方法研究

发布时间：2022-01-01 01:10

　　心血管疾病已经成为对人类健康威胁最大的一类非传染性疾病,心功能评估对心血管疾病患者的早期筛查、日常监测和诊断治疗都具有十分重要的意义。在众多心功能评估方法中,基于生物电阻抗技术检测得到的心阻抗微分信号携带了大量心脏生理病理信息,能够实时准确的反映心脏血流动力学变化,评估心血管功能。因此,本文结合信号处理与深度学习技术,提出一种适应于一维心阻抗微分信号的深度神经网络模型,高效快捷的实现人体心功能自动评估。首先,根据心阻抗微分信号的产生机理及检测方法,设计心阻抗微分信号采集实验方案。测量16名健康受试者在四种不同实验状态下的同步心电、心阻抗微分信号数据,构建心阻抗数据库。结合心电信号与心阻抗微分信号在时域上的对应关系,通过小波变换及阈值法实现心阻抗微分信号的去噪、特征点定位以及心动周期分段等一系列预处理,完成数据收集工作。其次,本文提出基于深度卷积神经网络的1D-CNN模型,适应一维时序心阻抗微分信号特性,自动提取心阻抗微分信号的深层特征表示,有效降低人工选择特征的主观性影响,实现不同状态下人体心功能自动分类评估。实验结果表明,本文提出模型在心功能自动分类评估任务中具有较好的适应性及分类性... 

【文章来源】：沈阳工业大学辽宁省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

心脏生理解剖结构

?曰厮醯贾滦氖夷谘?涸黾樱?厍荒谘?萘?减少，血流阻抗值增大。通过在胸腔适当位置放置电极，测量血流阻抗变化情况，得到心阻抗图，也称胸部阻抗图。在临床上，心阻抗图常用于评价心脏功能、连续监护患者的血流动力学变化[56]。图2.3展示了心阻抗及心阻抗微分信号波形图，其中ΔZ为心阻抗信号，dZ/dt为心阻抗微分信号。心阻抗信号主要包括波峰S、切迹I、重搏波D和A波，由于其没有负向波，波形应用价值有限，临床上通常对心阻抗图做微分运算，使用心阻抗微分信号获取更多心脏生理、病理信息，分析心功能[57]。ZdZ/dt图2.3ICG信号及其特征Fig.2.3ICGsignalsanditscharacteristics心阻抗微分信号波形具有更加明确的特征点与波形成分信息，更加直观地反映了心脏泵血运动中各个阶段对应组织结构的生理病理变化情况，并且与心电信号在时序上有更加明显的对应关系。其波形主要有三个正向波分别是A波、C波以及O波。下面对心阻抗微分信号波形特征点以及特征区间的产生进行详细介绍：（1）A波A波也称房缩波，反映心房收缩期心脏阻抗变化情况。当心阻抗微分信号中无明显的A波时，表明心脏左心房与心室之间的传导受阻，出现房性早搏或室性早搏。（2）B点B点是主动脉的开放点，B点后心室开始收缩，BC间期为快速射血期，能够反映心脏的收缩特性。

沈阳工业大学硕士学位论文12去极化后，心室肌细胞开始复极化过程，该过程表现为心电信号中的T波。至此由窦房结发出的兴奋结束一次完整的传导，采取一定的手段在体表测到两点之间的电势差变化并把它记录下来，就产生了心电图。一个完整周期的心电信号波形如图2.4所示，包括：P波、QRS波群（Q波、R波、S波）、T波和U波以及PR间期、ST间期等特征区间。图2.4心电信号波形图Fig.2.4ECGsignalwaveform在每个心动周期中，心肌细胞首先发生电兴奋活动，心阻抗信号与心电信号大约相差0.04-0.07s。心阻抗信号、心阻抗微分信号以及心电信号波形特征点对应关系如图2.5所示。dZ/dtZECG图2.5心阻抗信号、心阻抗微分信号与心电信号波形Fig.2.5CorrespondencebetweenCardiacimpedancesignal、Cardiacimpedancedifferentialsignalandelectrocardiosignal可见，心阻抗微分信号中的A波起点略滞后于心电信号的P波；B点对应于心电信号QRS波群的终点，同时也是心阻抗微分信号中C波的起点，临床上通常利用心电信号QRS波群终点或C波高度15%的位置确定B点具体位置；C波的波峰对应Q点后约100ms的位置；X点和O点都位于心电信号的T波之后。心阻抗信号和心电信号

【参考文献】：
期刊论文
[1]基于胸阻抗法的心排量检测系统研制[J]. 李晨洋,叶继伦,张旭,孙阳,刘杰.  中国医学物理学杂志. 2019(07)
[2]基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 李欣菱,郭芳芳,周振,张番栋,王卿,彭志君,苏大同,范亚光,王颖.  中国肺癌杂志. 2019(06)
[3]《中国心血管病报告2018》概要[J]. 胡盛寿,高润霖,刘力生,朱曼璐,王文,王拥军,吴兆苏,李惠君,顾东风,杨跃进,郑哲,陈伟伟.  中国循环杂志. 2019(03)
[4]用于无创心功能检测的心阻抗微分信号处理[J]. 张亚丹,季忠,谭霞,申哲,许恋姣.  生物医学工程学杂志. 2019(01)
[5]基于深度学习和模糊C均值的心电信号分类方法[J]. 吴志勇,丁香乾,许晓伟,鞠传香.  自动化学报. 2018(10)
[6]基于深度学习的脊柱CT图像分割[J]. 刘忠利,陈光,单志勇,蒋学芹.  计算机应用与软件. 2018(10)
[7]心阻抗血流图无创心功能检测在ICU患者护理中的应用[J]. 吴忠艳.  云南医药. 2018(04)
[8]胸阻抗法对不同术式肺叶切除患者围术期心功能变化的评价[J]. 汪高磊,邢宇彤,戚家峰,罗艳卓,周钢.  黑龙江医药科学. 2018(03)
[9]基于深度学习的自动驾驶技术综述[J]. 张新钰,高洪波,赵建辉,周沫.  清华大学学报(自然科学版). 2018(04)
[10]心阻抗图形成机制的初步探讨[J]. 赵慧,况世江,郭小春,吴允强,柳剑鹏,况明星.  南昌大学学报(医学版). 2018(01)



本文编号：3561355