采用基于密度加權和偏好信息的K均值聚類的胸阻抗信號自動檢測算法

李勇明陳勃翰王 品

①(重慶大學通信工程學院 重慶 400044)

②(第三軍醫大學生物醫學工程與醫學影像學院 重慶 400038)

采用基于密度加權和偏好信息的K均值聚類的胸阻抗信號自動檢測算法

李勇明*①②陳勃翰①王 品①

①(重慶大學通信工程學院 重慶 400044)

②(第三軍醫大學生物醫學工程與醫學影像學院 重慶 400038)

為了自動識別胸阻抗(TransThoracic Impedance, TTI)信號中的按壓和通氣波形，完成相關重要參數的計算，從而實現對心肺復蘇質量的監測評估，該文提出一種基于密度加權與偏好信息的胸阻抗信號自動檢測算法。該方法針對實驗采集的豬的電誘導心臟驟停模型TTI信號，通過預處理和多分辨率窗口搜索法完成潛在按壓和通氣波形的標記；接著，提取每個標記波形的寬度、幅值以及相鄰波形特征差作為特征，并按標記波形寬度對信號進行分段；之后，再對信號進行小波分解，提取其小波系數每段的能量與原始波形幅值之比作為特征；最后采用基于密度加權與偏好信息的K均值聚類分析法對標記的波形進行分類識別。實驗結果表明，該算法對TTI信號中按壓波形和波形分析識別的正確率和敏感度均較高，魯棒性好，且運行時間(0.43 s±0.07 s)滿足實時性要求。

自動識別；胸阻抗；K均值；密度加權；偏好信息

1 引言

胸外按壓(Chest Compression, CC)是心肺復蘇(CardioPulmonary Resuscitation, CPR)中試圖恢復人體自主循環的重要技術，其在基礎生命支持的地位越來越受到重視[1,2]。胸外按壓頻率，按壓通氣循環周期，按壓通氣參數等CPR核心技術是保證CPR質量的關鍵問題[3,4]。通過對胸外按壓的檢測分析，實時反饋給救援者為心肺復蘇過程提供參考，以此避免不必要的按壓中斷，并讓CPR過程中的ECG檢測無瑕疵間隔(例如進行通氣的時候)以正確的評估按壓節奏，使救援操作更為標準[5,6]。

胸阻抗(TransThoracic Impendance, TTI)信號值主要是指在心肺復蘇過程中人體阻抗的變化，其主要包含了操作者實施胸外按壓造成人體胸腔形變而產生的阻抗信號以及由心臟和血管內血流等變化引起的阻抗信號變化兩方面信息[7]。現已有研究表明，在心肺復蘇過程中，胸外按壓的快慢、深度均能反映在TTI信號波形中，并且可準確地估算出瞬時的按壓頻率[8?10]。通過對TTI信號的檢測分析，指導胸外按壓具有可實施性和積極的參考意義，可增加心肺復蘇操作的成功率[11?13]。目前關于波形分析的公開研究較少，其中，文獻[14]用自適應閾值法進行按壓波形分析，普適性較差，難以適用于復雜的波形；文獻[15]采用神經網絡進行按壓和通氣波形的模式識別，時間代價較大，無法達到實時要求，且對特異信號的識別能力較差。目前，通過對TTI信號進行實時檢測反應心肺復蘇質量的多個參數的研究尚未見公開報道。

因此，本文提出了一種采用基于密度加權和偏好信息的K均值聚類的胸阻抗信號自動檢測算法，該算法在對TTI信號進行預處理去噪、多分辨率窗口搜索并完成潛在按壓和通氣波形的標記后；提取每個標記波形的寬度、幅值以及相鄰波形特征差作為特征，并按標記波形寬度對信號進行分段；再對TTI信號進行小波分解，提取其每段小波系數的能量，并將其與TTI信號幅值的比值也作為特征，最后得到代表信號波形特征的4維特征向量；采用基于密度加權與偏好信息的K均值聚類分析法對標記的波形進行分類識別，并根據分類識別結果計算信號所反映的按壓頻率、按壓通氣比和按壓時間比等參數，最后依此結合2010年心肺復蘇指南中的指標智能地評估該次心肺復蘇的質量。

2 實驗數據

2.1 數據的采集

本實驗所使用的是一個基于家豬的電誘導心臟驟停模型的子數據庫，涉及16頭公豬。實驗數據由重慶市第三軍醫大學大坪醫院外科研究所提供。實驗所選用的家豬體重均在18～22 kg，并在各項生理參數均趨于穩定時展開實驗。實驗通過Windaq數據采集系統(DATAQ InstrumentsInc, Akron, OH, USA)對TTI信號進行連續的測量，采樣頻率為300 Hz。實驗采集每次CPR過程前2 min的數據，使每組TTI信號均包括一個120 s的連續信號波形。

2.2 信號數據

TTI信號中連續的波峰-波谷波形即為一次胸外按壓[16]。在每次按壓過程中，TTI信號的振幅變化為通過數據采集系統測量的阻抗波形其波峰和波谷之間的差異。圖1所示為本次實驗所采集到的部分TTI信號：圖1(a)信號為較標準信號波形，可以看出信號波形的按壓部分和通氣部分對比分明，容易識別；圖1(b)信號中，由于按壓不規范，信號中出現了與通氣相近的波形；圖1(c)信號中，由于高頻噪聲和基線漂移的干擾，導致信號部分區域難以識別。

3 胸阻抗信號自動檢測算法

3.1 基于多分辨率窗口搜索法的波形標記

TTI信號中的噪聲主要由高頻噪聲和基線漂移組成。其信號中的高頻噪聲都是尖銳鋒形，且幅值較小。通過小波去噪處理后，再通過移動平滑處理器，信號中的噪聲和干擾被消除，并平滑了信號波形。TTI波形可看作是采樣點的函數，我們把這個函數看作f(·)。TTI波形的波峰、波谷搜索可以看作為極值搜索。然而，實際上波形受到了多重干擾導致了偽波和復合波形的生成，所以經典的尋優方法(如局部優化法)是無效的。

多分辨率分析是一種有效的信號處理方法，可采用不同的分辨率處理同一信號。通過采用這種方法，可以尋找到不同分辨率下的局部最優值，然后通過梳理他們得到更加精確的最優值。設有n個分辨率，在不同分辨率下，搜索窗口的寬度均不同。本文中r=3，即有3個分辨率，搜索窗口寬度分別設為20, 40, 60。如果判定pi是否為極值點，那么首先在第1個分辨率下通過式(1)和式(2)進行搜索。

圖1 原始信號

若式(1)或式(2)成立，則判定權值k=k+1(每次搜索k的初始值均為為0)。然后依次在其他分辨率下進行搜索。如果k＞0.5r，那么點pi即可被判定為波峰或波谷點。

盡管多分辨率窗口搜索法能夠正確識別所有的波峰和波谷，但仍可能存在少量偽局部極值點。而這些偽局部極值點實際為偽波和復合波形所造成的。因此，需要將其消除。通過觀察以及先驗知識，算法提取信號波形振幅(波峰與緊跟波谷之差)和時間跨度(波峰前后相鄰波谷距離)為特征。在(每一次)識別潛在波峰或者波谷后，相鄰波峰或波峰之間的幅度距離和時間距離的均值都會被計算一次。設每次計算的均值分別為Mad和Mtd，每一相鄰波峰或波谷之間的幅度距離(Da)和時間距離(Dt)都會將與均值Mad和Mtd比較。假設第i個相鄰波峰或波谷的幅度距離和時間距離分別為Dai和Dti。如果Dai＜mMad或Dti＜mMtd(其中m為閾值系數，本文中取m=0.1)，那么該波峰或波谷則判定為錯誤波峰和波谷。

3.2 特征提取

3.2.1 TTI信號波形特征的提取 在TTI信號波形的波峰和波谷被正確標記之后，即可得到每個波形的寬度L和幅值H，并依據每個波形的寬度對信號進行分段。由于胸外按壓的規律性，即國際規定的標準按壓通氣比為30:2。則可斷定大部分的通氣為連續的兩個波形，且區別于按壓波形(由圖1(a)可以看出)。因此，可提取每個波形與相鄰波形的特征差作為其特征，則第n個波形的相鄰特征差為

3.2.2 基于小波分解的特征提取 小波分析方法是一種強大的時-頻域局部化分析方法。通過對小波函數的平移和縮放，可以將信號表示為若干描述不同子頻帶的時頻域分量之和，達到細微觀察原始信號特定頻率特性的目的。由圖1中可以看出，按壓波形部分波形與通氣部分波形呈現較明顯差異，其寬度主要在0.5 s左右。因此，在按壓和通氣波形識別中，可以通過小波分解突出按壓波形部分特征，并弱化通氣波形特征，而達到區分兩種波形的目的，可參見圖2中不同尺度下的分解效果。

從離散小波分解分頻的原理出發，利用離散小波對TTI信號進行分解，每一層子頻帶是由高頻向低頻對信號頻率空間逐次進行二分的結果。如果原始信號頻率空間V0=[0,fs],則第1層小波系數頻率空間W1=[2?1fs,fs]，第2層小波系數頻率空間W2=[2?2fs,2?1fs]，以此類推，第N層小波系數頻率空間為WN=[2?Nfs,2?N+1fs]逐級向低頻過度，其中fs為胸阻抗信號的采樣頻率。

在按壓和通氣波形中，相較下通氣波形頻率更小，其對應頻率為

圖2 1～9層細節小波系數圖

其中B為通氣波形寬度。因此總是存在層數i，使得也就是說，通氣波形特征可以在第i層小波分解中得到體現。

由實驗數據可得，通氣波形的寬度約在[400,600]。因此根據式(4)可計算得到通氣波形寬度所對應的頻率為fV=fs/B=300/600=0.5。據式

其中H(n)為第n個波形的幅值，p(n)為第n個波形對應該段小波系數的能量。圖1(a)標準信號的Dw特征曲線如圖3所示。(5)計算可知，此波形特征落在第9層細節小波的子頻帶范圍內，因此，可以確定最優的分解層數為9層。利用db2小波對圖1(a)原始信號進行9層小波分解，其分解結果中1～9層細節小波系數如圖2所示。

分析此結果可知，對原始信號進行小波分解后，在第5層細節小波函數可觀測到按壓波形部分和通氣波形部分對應的小波系數波形差別十分明顯。同時，在TTI信號波形中幅值較小的按壓波形所對應的小波系數幅值也較小，為排除此種干擾，因此選用原始波形幅值與其所對應段的第5層小波系數能量之比作為特征

圖3 Dw的特征曲線圖

如3圖所示，通氣波形的Dw特征值遠大于按壓波形的Dw值，因此其可作為按壓、通氣的分類依據。

3.2.3 歸一化 在分別進行上述兩種特征提取算法后，即可得到由TTI原始信號中按壓、通氣波形的寬度L，幅值H、相鄰波形特征差Dif以及幅值與小波系數能量之比Dw組成的4維波形特征向量。而每個特征之間的權重是相同的，因此采用線性歸一化

其中xnor(n)為歸一化結果，x(n)為特征。根據式(7)將特征歸一化至[0,1]區間。

3.3 基于密度加權與偏好信息的K均值分類識別

K均值聚類算法被廣泛用于模式識別，其實現步驟較簡單，不需長時間的訓練過程，非常適用于動態實時檢測。當聚類是密集的，該算法可通過調節k值取得較好的聚類效果，具有較好的靈活性。根據前面的特征提取數據分析可知其聚類相對密集，并且算法對時間代價要求較高，因此選用K均值聚類算法進行波形的分類識別。

在傳統K均值聚類算法中，對樣本的聚類僅僅依據其與聚類中心的距離來判定。但在實際中，由于較少通氣波形與按壓波形可能相似，使其偏離通氣波形特征數據聚類中心而靠近按壓波形特征數據聚類中心。而按壓波形特征數據數量較多，構成了數據密集區域；通氣波形特征數據較小，構成的區域非密集。因此，若在對數據進行聚類的過程中根據每個數據所在區域的密度調整權重，使偏離的數據點更好地靠近所屬聚類中心點，分類的準確性將會得到改善。

對于一個有N個樣本的數據集U={xi,i=1, 2,…, N}，定義點xi處的密度函數為

其中?表示鄰域的有效半徑，這里我們取N個樣本的均方根距離，即

由式(8)和式(9)可見，xi周圍聚集的樣本越多，xi的密度值dens(xi)越大。如圖4所示為加權前后的K均值分類結果對比圖(圖中只顯示了特征向量的Dif, L和Dw3個特征，其中○表示為通氣波形特征點，*表示為按壓波形特征點)。

由于兩類數據所隸屬的聚類中心是不同的，按壓波形特征數據值均較小，通氣波形特征數據值均較大，所以我們將密度值較小的賦予較大的權值，密度值較大的賦予較小的權值。xi的權重wi定義為

式中dens'(xi)為dens(xi)的歸一化結果，λ參考?的值(均在[0.05，0.1]范圍內)取λ=0.1。所以，密度加權后的特征數據為

式中，xij為特征數據，x'ij為新的特征數據，d為特征向量維數。

通過密度加權可修正偏離通氣波形特征數據聚類中心而靠近按壓波形特征數據聚類中心的特征數據。而信號中同樣可能存在與通氣波形相似的按壓波形需要修正。根據先驗知識，可知標準的按壓通氣比為30:2，通氣波形大部分為連續兩個波形，但也可能存在單個波形。因此，可加入偏好信息對孤立偽按壓波形進行修正。

圖4 密度加權前后的分類結果對比圖

在進行基于密度加權的K均值聚類分析可得到初步的按壓波形聚類結果Ccc和通氣波形聚類結果CV。那么對CV中的孤立波形特征數據進行加權的算法如下：

(1)對CV中的孤立波形特征數據進行加權，加權公式為

(2)進行K均值聚類；

(3)判定按壓通氣比，如果大于14，則算法結束，否則轉到第(1)步。

由圖5可以看出，矩形框中的孤立偽按壓波形并未被識別出，而僅識別出了真正的按壓波形，達到了良好的去偽效果。

3.4 胸外按壓質量評估

在完成按壓和通氣波形的分類識別后，可計算出按壓次數為C，通氣次數為V。每個被正確分類識別的按壓和通氣波形的波峰序列號(采樣點)分別為CInc和VInv, nc, nv分別為按壓和通氣序號。那么可以得到實時按壓頻率fc：

按壓通氣比P：

圖5 原始信號圖1(b)圖1(c)分類識別結果

按壓時間比cP(按壓時間在整個CPR過程時間中的比例)：

式中I為信號當前采樣點數。

4 實驗結果與分析

將本文方法與Digna的閾值法[12]和Martin的神經網絡法[13]一起對已去噪除偽的TTI信號進行分類識別的結果對比。結果主要從陽性檢出率(Positive Predictive Value, PPV)以及敏感度兩個指標來顯示。結果如表1所示。

表1 分類識別效果(%)

由表1可以發現，其他方法的檢測效果總體較差，如采用神經網絡對訓練樣本要求較高，并由于部分按壓波形和通氣波形的波形特征相似，因此抗偽波能力較差；閾值法由于其參數都相對固定，而不同的TTI信號中按壓波形和通氣波形的特征差異均不盡相同，相同參數無法對所有的信號進行準確的分類識別，并且抗偽波能力也較差，因此識別結果不夠理想。胸阻抗信號自動檢測本質上可以看成是模式分類問題。如前面所述，該信號具有細小的波動、漂移等特點，因此傳統的極值法、局部優化法等會得到多個偽波峰波谷，效果差強人意。針對多個分辨率來進行極值判斷將能夠明顯減少偽波峰波谷的出現。在一般情況下，通氣和按壓的區別是不標準的，因此為了能夠更好地區別它們，需要提取優秀的特征。通過小波的多級分解發現，小波特征能將時域下兩類的區別放大，因此便于提高分類準確率。本文的自動檢測對時間代價要求較高，當樣本密集時，神經網絡等方法由于需要訓練收斂獲取適宜的權值，因此變得并不適宜。相比來說，K均值聚類算法通過調節值，可以很好地兼顧分類準確率和時間代價。由于我們還有臨床醫生的先驗知識，K值選擇較為容易，因此K均值聚類算法在本文中較佳。檢測最終效果也顯示其具有良好的魯棒性和較高的陽性檢出率(PPV)，其識別按壓波形和通氣波形的PPV為99.3%和96.7%，敏感度也可分別達到99.8%和98.9%。此外，每組數據(共36000個采樣點)均可在0.43±0.07 s之內完成處理，可以達到對TTI信號進行實時監測。

5 結束語

本文將胸阻抗信號波形的形態特征與小波特征相結合，提出了采用基于密度加權和偏好信息的K均值聚類的胸阻抗信號自動檢測算法。實驗結果表明：本文算法能有效地排除大部分畸變和噪聲的干擾，正確地識別按壓和通氣波形，并達到實時處理的要求，從而正確地計算出分析TTI信號所需的按壓頻率、按壓通氣比和按壓時間比等參數各項。以此向心肺復蘇操作人員實時地反饋按壓通氣信息，調整其心肺復蘇操作，達到為CPR過程提供指導，提高心肺復蘇成功率的目的。

[1] Tomoya Hirose, Taku Iwami, Hiroshi Ogura, et al.. Effectiveness of a simplified cardiopulmonary resuscitation training program for the non-medical staff of a university hospital[J]. Resuscitation and Emergency Medicine, 2014, 22(31): 1-7.

[2] Al-Alwan A, Ehlenbach W J, Menon P R, et al.. Cardiopulmonary resuscitation among mechanically ventilated patients[J]. Intensive Care Medicine, 2014, 40(4): 556-563.

[3] Stiell I G, Brown S P, Christenson J, et al.. What is the role of chest compression depth during out-of-hospital cardiac arrest resuscitation?[J]. Critical Care Medicine , 2012, 40(4): 1-7.

[4] Bobrow B J, Spaite D W, Berg R A, et al.. Chest compression-only CPR by lay rescuers and survival from out-of-hospital cardiac arrest[J]. JAMA, 2010, 304(13): 1447-1454.

[5] de Gauna S R , Gonzalez-Otero D, M.Ruiz J M, et al.. Is rhythm analysis during chest compression pauses for ventilation feasible?[J]. Resuscitation, 2012, 83(S1): e8.

[6] Kim Seung-hwan, You Je-sung, Lee Hye-sun, et al.. Quality of chest compressions performed by inexperienced rescuers in simulated cardiac arrest associated with pregnancy[J]. Resuscitation, 2013, 84(1): 98-102.

[7] Aramendi E, Ayala U, Irusta U, et al.. Suppression of the cardiopulmonary resuscitation artefacts using the instantaneous chest compression rate extracted from the thoracic impedance[J]. Resuscitation, 2012, 83(6): 692-698.

[8] Ristagno G. Transthoracic impedance waveform during cardiopulmonary resuscitation: One size does not fit all![J]. Resuscitation, 2014, 85(5): 579-580.

[9] Di Maio R, Howe A, McCanny P, et al.. Is the impedance cardiogram a potential indicator of effective external cardiac massage in a human model? a study to establish if there is a linear correlation between the impedance cardiogram and depth in a cardiac arrest setting[J]. Resuscitation, 2012, 83(S1): e62.

[10] Alonso E, González-Otero D, Aramendi E, et al.. Can thoracic impedance monitor the depth of chest compressions during out-of-hospital cardiopulmonary resuscitation?[J]. Resuscitation, 2014, 85(5): 637-643.

[11] Losert Heidrun, Risdal Martin, Sterz Fritz, et al.. Thoracic impedance changes measured via defibrillator pads can monitor ventilation in critically ill patients and during cardiopulmonary resuscitation[J]. Critical Care Medicine, 2006, 34(9): 2399-2405.

[12] Hehua Zhang, Zhengfei Yang, Zitong Huang, et al..

Transthoracic impedance for the monitoring of quality of manual chest compression during cardiopulmonary resuscitation[J]. Resuscitation, 2012, 83(10): 1281-1286.

[13] Ayala Unai, Eftest?l Trygve, Alonso Erik, et al.. Automatic detection of chest compressions for the assessment of CPR-quality parameters[J]. Resuscitation, 2014, 85(7): 957-963.

[14] González-Otero D, de Gauna S R, Ruiz J, et al.. Automatic detection of chest compression pauses using the transthoracic impedance signal[C]. 39th Conference on Computing in Cardiology, AGH Univ Sci & Technol, Krakow, POLAND, 2012, 39: 21-24.

[15] Martin Risdal, Sven Ole Aase, Mette Stavland, et al.. Impedance-based ventilation detection during cardiopulmonary resuscitation[J]. IEEE Transactions on Biomedical Engineering, 2007, 54(12): 2237-2245.

[16] Jaime R, Ayala U, De Gauna S R, et al.. Feasibility of automated rhythm assessment in chest compression pauses during cardiopulmonary resuscitation[J]. Resuscitation, 2013, 84(9): 1223-1228.

李勇明： 男，1976年生，博士，副教授，主要從事模式識別、醫學信號和圖像的處理、智能優化算法方面的研究.

陳勃翰： 男，1990年生，碩士，主要從事模式識別、醫學信號的處理方面的研究.

王 品： 女，1979年生，博士，副教授，主要從事醫學信號處理、圖像處理、智能優化算法方面的研究.

Automatic Detection Algorithm for Transthoracic Impedance Signal Using K-means Clustering Based on Density Weighting and Preference Information

Li Yong-ming①②Chen Bo-han①Wang Pin①

①(College of Communication Engineering, Chongqing University, Chongqing 400044, China)

②(College of Biomedical Engineering and Medical Imaging, The Third Military Medical University, Chongqing 400038, China)

In order to recognize automatically the compression and ventilation waveforms of the TransThoracic Impedance (TTI) signal, and obtain the important parameters, for evaluating the CardioPulmonary Resuscitation (CPR) quality, this paper proposes an automatic detection algorithm for TTI signal based on density weighting and preference information. The TTI signals that come from the pig model based on electrically induced cardiac arrest are preprocessed, and the potential compression and ventilation waveforms are marked by using the searching algorithm of multiresolution window after the pretreatment. After that, the width, amplitude and the difference between the adjacent waveforms of the marked waveforms are selected as the features and the signal is divided into several sections according to the width of marked waveforms. Then the original signal is decomposed by wavelet transform. The ratio of the power of each section to the amplitude of the original one is taken as one feature. Finally, k-means clustering algorithm based on density weighting and preference information is used to recognize and classify the compression and ventilation of the marked waveforms. The experimental results show the accuracy and sensitivity of the recognition are high, the robustness is good and the running time (0.43±0.07 s) can meet the requirement of clinical application.

Automatic detection; TransThoracicImpedance (TTI); K-means algorithm; Density weighted; Preference information

TP391.4; R318.04

： A

：1009-5896(2015)04-0824-06

10.11999/JEIT140903

2014-07-09收到，2014-10-13改回

國家自然科學基金(61108086)，重慶市自然科學基金(CSTC2011BB5066, CSTC2012jjA0612)，重慶市科技攻關計劃項目(CSTC2012gg-yyjs0572)，中央高校基金(CDJZR10160003, CDJZR13160008)，軍隊博士后基金和重慶市博士后基金資助課題

*通信作者：李勇明 yongmingli@cqu.edu.cn