28、心电图与腕部脉搏血流信号的对比研究

最新推荐文章于 2025-12-12 12:25:48 发布

q9w8e7r6t5

最新推荐文章于 2025-12-12 12:25:48 发布

阅读量19

点赞数

CC 4.0 BY-SA版权

分类专栏：计算脉冲信号分析精要文章标签：心电图腕部脉搏血流信号多尺度熵

本文链接：https://blog.youkuaiyun.com/q9w8e7r6t5/article/details/154904403

计算脉冲信号分析精要专栏收录该内容

29 篇文章 ¥499.90

订阅专栏¥69.90

会员秒杀 ¥9.9 重磅福利

超级会员免费看

心电图与腕部脉搏血流信号的对比研究

在医疗诊断领域，心电图（ECG）和腕部脉搏血流信号都有着重要的应用。本文将对这两种信号进行详细的对比研究，包括它们的特点、采集方法、数据集构建、复杂度分析、分类准确性及统计测试等方面。

1. ECG与腕部脉搏信号的特点

ECG是一种电活动信号，主要由心脏活动产生，同时也受自主神经系统（ANS）的影响，可通过侵入性方式采集。而腕部脉搏信号是一种血流信号，同样主要由心脏活动引起，但还会受到血液参数（血压、流速和粘度）、ANS、肌肉等更多生理或病理因素的影响，也是通过侵入性方式采集。以下是它们特点的详细对比表格：
| 信号 | 信号类型 | 主要原因 | 其他因素 | 采集方式 |
| — | — | — | — | — |
| ECG | 电活动 | 心脏 | ANS | 侵入性 |
| 腕部脉搏 | 血流 | 心脏 | 血液参数、ANS、肌肉等 | 侵入性 |

从这些特点可以推测，腕部脉搏信号可能包含更多信息，在某些特定非心脏疾病的诊断上可能优于ECG。

2. ECG与腕部脉搏血流信号的采集

2.1 腕部脉搏血流信号采集

血液从心脏流向全身动脉，腕部桡动脉相对容易被感知和捕捉。在中医中，医生会用三根手指放在患者手腕的寸、关、尺三个位置来感受桡动脉的波动。目前，已经开发出多种设备来采集腕部脉搏信号，如应变计、光电和多普勒超声传感器。在本研究中，使用Edan的CBS 2000多普勒超声设备来采集多普勒频谱图，其上包络被用作血流信号。
具体采集步骤如下：
1. 将探头放在手腕的关位。
2. 调整探头相对于腕部桡动脉的角度，直到采集到稳定且满意的信号。
3. 用多普勒超声设备记录腕部脉搏多普勒频谱图信号，并存储在计算机中。

采集到的腕部脉搏血流信号还需要进行预处理，包括去噪、去除基线漂移和分割。具体操作如下：
1. 检测多普勒频谱图的最大速度包络，提取腕部脉搏血流信号。
2. 使用七级“db6”小波变换，通过抑制第七级“db6”小波近似系数来去除基线漂移。
3. 降低第一级小波细节系数进行去噪。
4. 采用特定方法定位每个周期的起始点。

2.2 ECG信号采集

心脏去极化和复极化产生的电活动会传遍全身。为了采集ECG信号，首先要将电极放置在患者身体的适当位置，然后将每个ECG导联记录为一对电极之间的电压。使用ADInstruments ML870 PowerLab 8/30和ML408 Dual Bio Amp/Stimulator进行ECG信号采集，基于接地ECG采集方法，采用左臂（LA）和右臂（RA）电极获取双极I导联ECG信号，并将右腿接地。
ECG信号的预处理使用线性和非线性滤波方案来检测QRS波群和T波峰值，去除基线漂移和噪声。

3. 数据集的构建

构建了一个包含481名志愿者的腕部脉搏血流和ECG信号数据集，其中包括182名健康人、205名糖尿病患者、58名肝病患者和36名胆囊疾病患者。所有样本来自哈尔滨冰华医院、香港姚忠杰糖尿病评估中心和广东省中医院。根据体检结果将志愿者分为健康组或相应疾病组。
对于每个志愿者，采集ECG和腕部脉搏血流信号，预处理后选取12秒的稳定信号段用于后续比较研究。数据集的详细信息如下表所示：
| 类别 | 20 - 40岁 | 40 - 50岁 | 50 - 60岁 | > 60岁 | 男性 | 女性 | 志愿者数量 |
| — | — | — | — | — | — | — | — |
| 健康（H） | 48 | 46 | 45 | 43 | 98 | 84 | 182 |
| 糖尿病（D） | 45 | 50 | 56 | 54 | 97 | 108 | 205 |
| 肝病（L） | 12 | 15 | 15 | 16 | 33 | 25 | 58 |
| 胆囊疾病（G） | 9 | 10 | 8 | 9 | 17 | 19 | 36 |

4. 基于熵的复杂度分析

生理信号的基于熵的复杂度测量对于量化其规律性很有价值。动态复杂度的增加通常意味着生理信号信息含量的增加。本研究采用多尺度熵框架，考虑了两种复杂度测量方法：近似熵（ApEn）和样本熵（SampEn）。

4.1 近似熵（ApEn）

对于长度为N的时间序列，对于每个长度为m的模式xi，ApEn首先通过计算与xi相似的模式数量来确定重复运行的出现次数ni,m，同样可以计算ni + 1,m。然后，计算一个流行度度量作为重复运行出现频率的负平均自然对数。最后，ApEn定义为长度m + 1和长度m的流行度之差。ApEn可用于衡量新信息的生成速率，对量化动态模型和生理信号的复杂度很有价值。

4.2 样本熵（SampEn）

在计算重复运行的出现次数时，ApEn会将模式本身（自匹配）计算在内，以避免对数为0，但会引入偏差。为了减少偏差，Richman和Moorman开发了SampEn方法，它排除了自匹配，精确计算条件概率的负对数。SampEn可以表示为–ln(A/B)，计算效率高，相对一致，且对时间序列长度的依赖性较小。

4.3 多尺度熵

原始的ApEn和SampEn仅在最小尺度上进行测量。由于随机噪声和高度不稳定波动的影响，对于某些疾病（如心房颤动），病理信号的熵值可能更高。为了解决这个问题，Costa等人提出了多尺度熵方法，用于在多个尺度上测量生理信号的复杂度，该方法在量化生理信号复杂度方面很稳健，能够将长程相关噪声与不相关噪声分离。

5. 分类准确性和统计测试

为了比较诊断准确性，采用以下步骤：
- 特征提取：
- 腕部脉搏血流信号特征提取 ：将脉搏信号特征提取方法分为非变换和基于变换的方法。提取了三种非变换特征：基于基准点（FP）的特征、自回归（AR）模型和时间扭曲编辑距离（TWED）；三种基于变换的特征：希尔伯特 - 黄变换（HHT）、小波变换和小波包变换。具体特征维度如下表所示：
| 方法 | 特征维度 |
| — | — |
| 非变换 - 基于基准点 | 10 |
| 非变换 - 自回归模型 | 2 |
| 非变换 - 时间扭曲编辑距离 | 不固定 |
| 基于变换 - 希尔伯特 - 黄变换 | 21 |
| 基于变换 - 小波包变换 | 14 |
| 基于变换 - 小波变换 | 8 |
- ECG信号特征提取 ：定位心跳基准点，检测QRS波起始和结束以及T波结束的位置，提取三种类型的ECG特征：RR间隔特征、心跳间隔特征和形态特征。同时，为了与脉搏信号保持一致，还提取了除基于脉搏基准点特征之外的其他脉搏特征。
- 分类器：由于从ECG或脉搏信号中提取的特征具有异质性，使用多核学习（MKL）进行疾病诊断。给定M个基核Km(x, y)，其线性组合也是一个核函数。采用SimpleMKL算法解决优化问题，根据学习到的权重和参数，使用核分类器对测试样本进行分类。
- McNemar测试：用于评估分类准确性差异的统计显著性。假设H1为分类器A明显优于分类器B，H0为两个分类器的分类准确性没有差异。对于每个测试样本，分类结果有四种情况：SS（两个分类器都正确分类）、SF（分类器A正确分类，分类器B错误分类）、FS（分类器B正确分类，分类器A错误分类）、FF（两个分类器都错误分类）。在McNemar测试中，忽略SS和FF情况，使用符号检验来测试SF和FS概率相等的零假设。如果PH0 ≤ 0.05，则拒绝H0，认为分类器A明显优于分类器B。

6. 实验结果

6.1 复杂度测量比较

在实验中，对每个信号在八个尺度因子（τ = 1, 5, 10, 15, 20, 25, 30, 40）上计算ApEn和SampEn值。当尺度因子τ ≥ 5时，腕部脉搏血流信号的平均ApEn和SampEn值高于ECG信号，尤其是SampEn的熵值差异更明显，这表明通过复杂度测量，腕部脉搏血流信号比ECG更具信息性。考虑误差线，ECG和腕部脉搏血流信号在熵值分布上有重叠，这可能是因为两者都主要由心脏活动引起。

6.2 分类性能比较

使用前面构建的数据集进行实验，比较分类准确性，并采用McNemar测试评估性能差异的统计显著性。

6.3 典型信号波形分析

通过分析肝病和胆囊疾病患者的典型波形发现，健康人的ECG信号波形与患者的相似，而健康人的脉搏信号波形在每个周期通常有三个峰值，肝病患者只有两个峰值；健康人的脉搏信号潮波与胆囊疾病患者明显不同。这可能是因为肝和胆囊疾病会导致血液粘度和流速异常，从而反映在腕部脉搏血流信号的波形变化上。

综上所述，腕部脉搏血流信号在复杂度和某些疾病的波形特征上表现出比ECG更具信息性的特点，在疾病诊断中可能具有更大的潜力。但要将其广泛应用于临床诊断，还需要进一步的研究和验证。

心电图与腕部脉搏血流信号的对比研究

7. 复杂度测量结果的深入分析

为了更清晰地展示多尺度熵的计算过程和结果，下面给出其流程图：

graph TD;
    A[输入信号x] --> B[选择尺度因子τ];
    B --> C[构建粗粒化信号x(τ)];
    C --> D[设置r = 0.6, m = 2];
    D --> E[计算ApEn和SampEn];
    E --> F[计算所有健康ECG和腕部脉搏血流信号的熵值平均和标准差];
    F --> G[绘制多尺度熵结果图];

从图16.3和16.4的多尺度熵结果来看，当尺度因子τ较小时，ECG和腕部脉搏血流信号的熵值差异不明显。随着尺度因子τ的增大（τ ≥ 5），腕部脉搏血流信号的平均ApEn和SampEn值逐渐高于ECG信号。这一现象表明，在较大尺度上，腕部脉搏血流信号包含更多的动态信息，其复杂度更高。

对于SampEn，其熵值差异更为显著。这可能是因为SampEn排除了自匹配，更准确地反映了信号的复杂度。而ECG和腕部脉搏血流信号在熵值分布上的重叠，说明它们虽然都主要由心脏活动引起，但在不同尺度下受到其他因素的影响程度不同。

8. 分类性能实验的详细解读

在分类性能实验中，整个流程可以用以下表格总结：
|步骤|操作内容|
|----|----|
|特征提取|腕部脉搏血流信号：提取非变换（FP、AR、TWED）和变换（HHT、小波变换、小波包变换）特征；ECG信号：提取RR间隔、心跳间隔、形态特征及部分脉搏特征|
|分类器选择|使用多核学习（MKL），采用SimpleMKL算法解决优化问题|
|统计测试|使用McNemar测试评估分类准确性差异的统计显著性|

在特征提取阶段，不同的特征提取方法为后续的分类提供了丰富的信息。例如，基于基准点（FP）的特征可以捕捉脉搏信号的关键特征点，而希尔伯特 - 黄变换（HHT）则可以将信号分解为不同的本征模态函数，提取其振幅、频率、能量和ApEn等特征。

在分类器方面，多核学习（MKL）能够综合不同核函数的优势，对具有异质性的特征进行有效分类。通过SimpleMKL算法求解优化问题，得到每个基核的权重，从而构建出更准确的分类模型。

McNemar测试则为评估分类准确性差异提供了科学的依据。通过比较两个分类器在不同样本上的分类结果，判断其性能差异是否具有统计显著性。如果PH0 ≤ 0.05，则说明一个分类器明显优于另一个分类器。

9. 典型信号波形分析的意义

典型信号波形分析是理解ECG和腕部脉搏血流信号在疾病诊断中作用的重要环节。下面以肝病和胆囊疾病为例，详细分析其波形差异：
|疾病类型|ECG信号波形特点|腕部脉搏血流信号波形特点|
|----|----|----|
|肝病|健康人与患者波形相似|健康人每个周期通常有三个峰值，患者只有两个峰值|
|胆囊疾病|健康人与患者波形相似|健康人的潮波与患者明显不同|

这些波形差异反映了疾病对血液生理参数的影响。肝和胆囊疾病会导致血液粘度和流速异常，进而影响腕部脉搏血流信号的波形。而ECG信号由于主要反映心脏的电活动，对这些疾病的敏感性相对较低。

这种波形分析为疾病的早期诊断提供了一种直观的方法。医生可以通过观察腕部脉搏血流信号的波形变化，初步判断患者是否患有肝或胆囊疾病。同时，也为进一步研究疾病与生理信号之间的关系提供了线索。