基于小波的呼吸機管路積液自動檢測算法研究

潘 清，馬 樹，張華青2，徐志江

(1.浙江工業大學 信息工程學院，浙江 杭州 310023；2.浙江大學醫學院附屬 第二醫院 臨床醫學工程部，浙江 杭州 310009)

呼吸機是重癥監護室(Intensive care unit, ICU)中最重要的生命支持設備。正確合理使用呼吸機可為呼吸衰竭的患者提供良好的機械通氣支持，確保患者攝入充足的氧氣，為醫護人員搶救其生命提供寶貴時間[1]。但是，如果呼吸機使用不當則可能會引起肺損傷[2](Ventilator-induced lung injury, VILI)，并產生一系列相關并發癥，如呼吸機相關性肺炎(Ventilator associated pneumonia, VAP)。呼吸機管路內的冷凝水和病人痰液積聚是VAP發生的重要原因之一[3]。首先，它會使管路內徑縮小，增加氣道阻力以及患者的呼吸做功，減少潮氣量，當管路內大量積液時，患者有窒息的危險；其次，積液為病菌繁衍提供了環境，易導致肺部的二次感染，如出現肺炎等。呼吸機管路內積液的原因很多，包括護理人員專業知識的缺乏，未及時整理呼吸機管路和管路放置不合理，未及時傾倒接水杯，濕化灌過滿等。盡管這些問題大多可通過加強培訓和管理得到改善，但由于ICU內醫患比例較低，護士工作量極大，呼吸機管路內積液未及時得到處理的情況普遍發生。因此，自動檢測呼吸機管路內積液對降低患者發生并發癥的風險、提升患者的治療體驗具有重要的價值。

呼吸機管路內存在積液的情況下，氣道壓力、流速波形呈現與正常情況顯著不同的特征。因此，通過對壓力、流速波形信號進行分析有望建立一種自動檢測呼吸機管路內積液的方法。加州大學戴維斯分校的Adams等[4-5]通過對呼吸機波形的分析，在自動檢測人機不協調方面取得了很好的效果，表明了基于呼吸機波形分析呼吸機使用的各種異常情況是可行的，但尚無基于呼吸機波形對管路積液進行自動化檢測的報道。筆者提出了基于呼吸機壓力波形的呼吸機管路積液自動檢測算法。呼吸機管路積液情況下的壓力波形特征具有較明顯的時-頻域特征，小波分析具有在時-頻域上表征信號局部特征的能力，因此被廣泛用于心電等生理時序信號的識別[6-9]和脈沖信號的檢測[10]。因此，筆者選取了基于小波的方法對呼吸機波形進行分析。

1 小波分析理論

在呼吸機管路積液檢測中，頻域信息確定積液特征，時域信息能夠確定積液產生于呼氣相或者吸氣相。小波變換對信號在時域和頻域上進行局部變換，能夠有效地提取信號的時-頻信息，相比于傳統的傅里葉變換無法時-頻聯合分析的缺點[11]，小波分析在時-頻分析上具有顯著的優越性。小波變換通過伸縮和平移等運算可對信號進行多尺度的細化分解，能夠適應呼吸波形信號時-頻分析的要求。利用小波分析對呼吸波形進行分解和重構，能夠對波形中表征積液的特征信號進行提取和優化，提高積液檢測的準確率。因此，筆者利用小波變換理論對呼吸機壓力波形進行分析與研究。

1.1 連續小波變換

任何滿足可容許性條件的L2(R)空間的函數f(t)在小波基下進行展開，這種展開函數f(t)的連續小波變換(Continuous wavelet transform，簡稱CWT)的表達式為

(1)

式中：WTf(a,τ)是小波變換系數；ψ(t)是小波母函數；a是小波基尺度；b是平移因子。小波連續變換是線性變換，一個信號的連續小波變換等于該信號分量的變換和。

小波變換可調節不同頻率的信號在時域上的采樣步長，其在低頻部分有較高的頻率分辨率和較低的時間分辨率，在高頻部分有較低的頻率分辨率和較高的時間分辨率[12]。小波分析中有很多的小波基函數，選取不同的小波基函數可以突出不同的信號特征。Daubechies小波是一種經典的常用小波基，一般表示為dbN，其中N是小波基的階數。dbN小波在時域上是有限支撐的，在頻域ψ(?)上在?=0處有N階零點。

1.2 離散小波變換

呼吸機壓力波形數據是采樣頻率為50 Hz的數字信號，為了適應數字信號處理，需要將連續小波變換離散化[13]。連續小波變換離散化的過程分為兩步：首先，將連續小波變換的小波基尺度a離散化，得到二進小波變換；然后，將平移因子b離散化，就能得到離散小波變換。若小波函數ψ(t)滿足

(2)

則稱ψ(t)為基本二進小波。在連續小波變換式(1)中，令a=2k，得到二進小波變換，即

(3)

再將二進小波的變換中的平移因子也離散化，即令b=n2k，可以得到離散小波變換，即

(4)

1.3 小波分解

離散小波變換可以看成是由低通濾波器和高通濾波器組成的一棵樹。原始信號通過這對濾波器進行分解稱為信號的一級分解。原始信號可以進行多級分解，如果停止對信號的高頻分量的分解，而對信號的低頻分量繼續分解，就可以得到更多的低分辨率的低頻分量。分解級數的多少需要根據待分析的信號特點確定。小波分解樹表示對信號的低頻分量進行連續分解，其結構如圖1所示。

S—原始信號函數；c—系數；A—近似信號；D—細節信號。圖1 小波分解樹Fig.1 Wavelet decomposition tree

1.4 小波重構

小波分解得到的信號分量還原成原始信號的過程就是小波重構(Wavelet reconstruction)[14]。應用濾波器作小波變換時包含濾波和降采樣兩個過程，在小波重構時則需要有升采樣和濾波兩個過程[15]。小波重構的方法如圖2所示。圖中↑表示二元上抽樣，它在一個向量中每間隔一個元素填充一個0元素，重新組成一個新向量。g0(n)和g1(n)稱為綜合濾波器。在小波分解后，將屬于噪聲的分量濾除，再重構信號，即可得到濾波后的信號。

圖2 小波重構Fig.2 Wavelet reconstruction

2 積液檢測算法

2.1 積液檢測算法總體設計

在呼吸機管路內存在積液的情況下，呼吸的壓力波形中呈現較明顯的高頻波動噪聲，因此筆者以呼吸壓力波形為分析對象，檢測呼吸機管路內存在積液的情況。圖3是正常呼吸狀態與呼吸機管路內發生積液情況下壓力波形的對比。

圖3 正常呼吸狀態與積液情況下呼吸壓力波形Fig.3 Pressure waveforms under normal ventilation and with hydrops in the tube

呼吸機管路內積液的判定算法是基于每個呼吸周期進行設計的。呼吸機提供機械通氣的方式是通過呼氣管路和吸氣管路進行的，呼吸機的使用過程中可能會出現呼氣管路或者吸氣管路產生積液的情況，且患者的吸氣和呼氣波形存在差異，如果忽視呼氣相和呼氣相的差異而統一進行閾值設置是不當的，會對實驗結果產生影響，故筆者算法對每個呼吸周期中的吸氣相和呼氣相分別進行設計，其基本流程如圖4所示。首先，以呼吸流速波形由正到負的過零點作為吸氣相、呼氣相臨界點，分別用于判斷呼氣相或吸氣相積液；然后，對呼吸壓力波形進行小波分解，再對細節信號進行小波重構；最后，基于重構的信號分別對吸氣相、呼氣相進行閾值選擇，以閾值判別是否存在積液，基于閾值的積液判斷流程將在后面進行詳細描述。

圖4 呼吸機管路內積液判定流程Fig.4 Flowchart of the detection of hydrops in the ventilators

2.2 呼吸壓力波形的小波分解與重構

根據Daubechies小波函數理論和呼吸機管路內積液情況下壓力波形的特征，選擇五階Daubechies(db5)小波基對壓力波形進行5 層分解，得到了近似信號a5與細節信號d1～d5一共6 組信號。圖5是正常呼吸狀態下的呼吸壓力波形在db5小波5 層分解下得到的近似信號和細節信號圖。圖6是在呼吸機管路內積液情況下對壓力波形進行db5小波5 層分解后得到的近似信號和細節信號圖。從圖6中可以看到：呼吸機管路內積液的特征信息主要分布在d1～d3層。

圖5 正常壓力波形db5小波5 層分解Fig.5 Five-layer wavelet decomposition of the pressure waveform based on db5 wavelet basis

圖6 積液壓力波形db5小波5 層分解Fig.6 Five-layer wavelet decomposition of the pressure waveform with hydrops based on db5 wavelet basis

筆者測試了4 種信號重構方法，分別是利用d1，d2，d3進行構造，具體的構造方法如表1所示。表1中構造信號S4中的變量K取值為0.05，0.1，0.5，1.0，2.0。

表1 信號重構方法Table 1 Signal reconstruction methods

2.3 基于閾值的積液波形檢測算法

重構信號S1～S4中包含了能夠區分正常與積液情況下波形的特征信息，因此可以通過設定重構信號的閾值對積液波形進行檢測。但是，由于不同患者的呼吸狀態存在差異，甚至同一個患者的每個呼吸周期都會存在差異，因此閾值的選取需要考慮個體間差異與個體內差異。筆者提出了基于每個呼吸周期的閾值選取法：首先，對每個呼吸機壓力波形采用db5小波基進行5 層小波分解；然后，計算重構信號的均值和標準差，以均值加標準差作為檢測到積液的閾值。均值和標準差的求值公式為

(5)

閾值thr的計算公式為

thr=μ+std

(6)

式中：di為細節信號的每個采樣點；μ為細節信號的均值；std為細節信號標準差。

針對每個呼吸周期波形設計積液特征分析算法，如果在連續多個呼吸波形上檢測到積液特征，則確認積液存在，以避免因為患者咳嗽、翻身等動作引起的偶然性壓力波形變化，其流程如圖7所示。首先，定義整數n1，用來表示每個呼吸周期中重構信號大于閾值的點的數量，當n1大于3時判定當前呼吸周期滿足閾值條件；其次，定義計數器n2，將其初始化為0，若當前呼吸周期滿足閾值條件時，則n2=n2+1，若當前呼吸周期不滿足閾值條件，則將n2置為0；最后，如果n2大于3，則計數器計數的n2個呼吸周期存在呼吸機管路內積液。圖8是一個呼吸周期內吸氣相和呼氣相的閾值選定結果，圖中橫線代表的是選定的閾值。將上述方法逐個應用于每個呼吸機周期，利用受試者工作特征曲線(Receiver operating characteristic curve，ROC曲線)分析計算最優的積液波形檢測閾值，并計算該閾值下的檢測靈敏度、特異度和準確率。

圖7 基于閾值的積液判定流程Fig.7 Threshold-based hydrops determination process

圖8 閾值選定圖Fig.8 Diagram of dynamic threshold selection

2.4 測試數據集

分別使用模擬肺數據和臨床采集的真實病人數據對呼吸機積液波形檢測算法進行測試。呼吸機采用泰科公司的PB840。表2給出了實驗數據集的情況。使用醫院內模擬肺來模擬人的呼吸，并在呼吸機吸氣和呼氣管路內加入蒸餾水模擬呼吸機管路內積液的情況，以獲得模擬肺數據。模擬肺數據共包含163 個呼吸周期，其中雙相積液59 例，無積液104 例。在59 例積液病例中包含了各種常用的呼吸機通氣模式，在104 例無積液病例中包括了正常呼吸波形16 例，以及部分人機不協調波形(人機對抗呼吸波形14 例，雙觸發呼吸波形74 例)，用來檢驗算法的抗干擾能力。臨床數據來自于浙江大學醫學院附屬第二醫院心外科重癥監護室，共包含3 例病人，1 161 個呼吸周期。其中呼吸機管路內積液共739 例(包括125 例雙相積液，614 例呼氣相積液)，無積液422 例，在管路內積液病例中包括614 例容控有壓力支持和125 例壓控有壓力支持模式下的病例。422 例無積液波形均為正常呼吸波形。

表2 測試數據集樣本數Table 2 Number of samples in the testing dataset

筆者在實驗數據上進行5 折交叉驗證，并取各次交叉驗證結果的特異度和靈敏度平均值作為最終的實驗結果。

3 結果分析

3.1 K值對性能的影響分析

首先基于臨床數據中的雙相積液樣本分別檢測吸氣、呼氣相積液情況，測試分析S4重構方法中K值對分類性能的影響。實驗中K分別取0.05，0.1，0.5，1.0，2.0，并計算得到K取不同值時的ROC曲線下面積(Area under curve，AUC)。通過ROC曲線可以觀察出不同閾值條件對積液的檢測能力，ROC曲線越靠近左上角，其準確率就越高。筆者通過ROC曲線選擇適當的閾值對壓力波形進行積液的判斷。一般用AUC值作為標準來評判分類器效果，AUC值越大則說明分類器的效果越好。表3是K取不同值時吸氣相、呼氣相積液檢測的AUC值。

表3 K取不同值時吸/呼氣相AUC比較Table 3 Comparison of AUC under the inspiration/expiration phase with different K values

從表3可以看出：在吸氣相積液判定中，K=0.1時表現最優；在呼氣相積液判定中，K=0.05時表現最優，但是與其他取值時的差距較小。試驗時發現：當K取值為1.0，2.0時，吸氣相、呼氣相的AUC值沒有變化，因此在后續的實驗中K取值為0.1。

3.2 小波重構方法性能分析

筆者分別分析了不同小波重構方法對積液檢測結果的影響，并以ROC曲線展示不同小波重構方法對積液的檢測能力。圖9展示的是S1，S2，S3，S4(K=0.1)時的吸氣相ROC曲線，圖10是呼氣相ROC曲線，表4是S1，S2，S3，S4(K=0.1)時吸氣相、呼氣相的AUC值，圖9，10和表4是五折交叉驗證中一折的結果。從上述圖表中可以看出：基于S1重構信號無論在吸氣相還是呼氣相都是能夠得到最優的判別結果。在吸氣相積液判定上的性能表現為S1>S4>S2>S3，在呼氣相積液的判定上S1>S2>S4>S3。

圖9 S1～S4吸氣相ROC曲線Fig.9 ROC curves for the inspiration phase with the reconstruction signal of S1～S4

圖10 S1～S4呼氣相ROC曲線Fig.10 ROC curves for the expiration phase with the reconstruction signal of S1～S4

表4 S1～S4時吸/呼氣相AUC比較Table 4 Comparison of AUCs during inspiration and expiration phase with the reconstruction signal of S1～S4

筆者分別基于模擬數據和臨床數據進行了測試，驗證在不同的小波構造方法下，呼吸機管路內積液檢測的靈敏度、特異度和準確率。在驗證結果的統計上，筆者的做法是在吸氣相或者呼氣相檢測到有積液的情況發生則認定為呼吸機管路內積液。表5是在模擬數據上的驗證結果，表6是在臨床數據上的驗證結果。

表5 模擬數據上的積液判定Table 5 Accumulation of water on simulated data

表6 臨床數據上的積液判定Table 6 Accumulation of water on clinical data

表5，6中的靈敏度、特異度、準確率均為五折交叉驗證的平均值。上述驗證結果表明：在模擬數據的數量相對較少的情況下，S1，S2，S3，S4在靈敏度上的表現為S1=S2=S4>S3，準確率上的表現為S1=S2=S4>S3；臨床數據上的測試結果表明小波構造法S1的判定效果最好，其靈敏度上的表現為S1>S2>S4>S3，準確率上的表現為S1>S2>S4>S3。

由實驗結果可知：積液特征主要包含在d1層而非d2，d3層，S1重構方式僅對d1層細節信號進行重構，而其他重構方式增加了d2，d3層細節信號，會增加非積液特征信號，對閾值設置產生影響，降低積液檢測的準確性，但這也需要更多的數據加以驗證。呼吸機管路內積液干擾因素較多，如患者的翻身、咳嗽等，都會對積液判斷產生影響，導致類似于積液特征的波形出現，因此筆者在進行靈敏度和特異度選擇上更傾向于特異度，并且從實驗結果上看靈敏度的損失并不大，在可接受范圍內。模擬數據是由醫院提供的模擬肺產生的。在采集模擬數據的過程中，使用了多種呼吸機的控制模式，包括A/C(輔助/控制模式)、SIMV(同步間歇指令通氣模式)、SPONT(自主呼吸模式)等，在A/C模式中又使用了壓控模式和流控模式，因此模擬數據呼吸波形的多樣性較高。而臨床數據僅來自于3 例患者，盡管波形個數較多，但波形異常類型的多樣性不高，因此出現臨床檢測效果優于模擬數據的情況。

4 結 論

基于小波多尺度分解的方法，提出了一種呼吸機管路內積液的判定方法，對呼吸機壓力波進行小波分解，選擇特征分量進行重構，以閾值檢測積液的存在。通過ROC曲線分析幾種信號重構方法的性能差異，最后通過對模擬數據和臨床數據的驗證，計算積液檢測算法的靈敏度和特異度。研究結果顯示：所設計的判定算法對于判定呼吸機管路內積液具有較高的準確率。盡管筆者提出的呼吸機管路積液檢測算法具有很好的性能，但研究具有一定局限性，例如實驗數據量較小，且對照樣本類型較為單一，缺少其他異常呼吸波形的干擾，且對呼吸機管路積液波形特征信號的提取方式單一。今后的研究將采集更大規模、更多樣性的樣本，并嘗試更好的積液體征提取方法，以進一步驗證和改進算法的準確率。