基于信號分析技術的呼吸機工作狀態自動化識別研究

張寶慧，陳艷林，訾聰娜，韓 偉，滕金亮，2

（1.河北北方學院附屬第一醫院，河北張家口 075000；2.河北醫科大學，河北石家莊 050004）

呼吸機可以為重癥患者進行機械通氣[1-2]，以保證患者能夠攝入足夠的氧氣，為搶救工作提供充足的時間。對呼吸機工作狀態的識別能夠保證緊急搶救工作順利進行[3]，目前在該方面的研究較少。為了實現對呼吸機工作狀態的識別，結合信號分析技術，通過小波變換對呼吸機工作狀態進行識別，其主要通過管路內是否出現積液的信號特征進行識別[4-5]。

1 小波分析概述

1.1 小波變換的連續性

對于小波變換[6-8]的連續性表述，是基于空間L2(R)的可容許性條件。設空間中存在函數f(t)，將該函數在小波基下展開運算，對應的運算可以表示為：

式中，WTf(a,b)為小波變換對應的系數，ψ(t)為小波變換對應的母函數，a為小波基對應的尺度，b為平移因子。小波變換的連續性表現為其是一種連續變換。在小波變換中，針對某一信號，其連續變換等于各分量變換的總和。

1.2 小波變換的離散化

對呼吸機進行壓力波數據的采集，其數字信號的采樣頻率為50 Hz[9]，小波變換后無法直接處理相應的數字信號，需要對小波變換進行離散，以便于更為直接地處理數字信號[10-11]。在對小波變換進行離散時，應先對小波基對應的尺度a進行離散。其中，當小波母函數ψ(t)滿足式（2）中的條件時，可以得到基本的二進小波：

結合式（1），令尺度a=2k,k∈Z，可以推出二進小波的變換公式：

在將尺度a進行離散化之后，對平移因子進行離散處理。在對b進行離散處理時，設b=n·2k,k∈Z，由此得到小波變換離散后的函數：

1.3 小波變換的分解和重構

在對小波變換進行離散化之后，其整體為高通濾波器和低通濾波器結合的組成樹。原始信號在高通和低通濾波器中分解后，得到一級分解信號。而后不再對細節信號（即高頻分量）進行分解，而是繼續分解近似信號（即低頻分量）。依據信號分析時的特點，確定分解信號相應的級數[12-13]。

分解小波變換后得到相應的信號分量，將信號分量向原始信號進行還原，這一過程稱為小波重構[14-15]。小波變換分解時，一般通過濾波和降采樣來實現。在進行重構小波變換時，對應進行相應的濾波和升采樣操作。對分解后的小波分量進行除噪過濾，過濾相應的噪聲分量后進行重構，得到相應重構后的信號。

2 檢測積液模型

2.1 工作狀態判定

呼吸機[16]管路是否存有積液，通過對應的壓力波形來進行判斷。當波形中存在高頻噪聲時，管路中存有積液。呼吸機在正常工作狀態和存有積液情況下壓力波形如圖1 所示。

結合圖1，當呼吸機管路中存有積液時，可以觀測到明顯的高頻噪聲信號。

2.2 整體流程概述

對于呼吸機的工作狀態，即其中是否存在積液的判定，以呼吸周期為基準做出設計。在一個呼吸周期中，積液可能發生在吸氣管路或者是呼氣管路，同時患者在進行呼氣或者吸氣時，產生的波形也有所區別。因此呼氣相和吸氣相不能進行統一的閾值設定。在進行工作狀態檢測時，需要對呼氣相和吸氣相進行區別判定。

首先進行呼/吸氣相臨界點檢測。檢測時定義呼吸波形正負時的過零點為對應的臨界點；然后進行呼氣相和吸氣相分離；之后進行小波變換的分解、重構以及閾值選擇的過程，由閾值進行積液判斷，從而完成檢測。

2.3 分解及重構呼吸波的小波變換

結合實際在管路中積液的特征以及小波變換理論對壓力波形進行分析，小波基的階數設定為五階，由此對壓力波形進行五層小波變換。

呼吸機正常狀態和存在積液時，得到的近似信號a1以及細節信號d1-d5層如圖2 所示。

圖2 正常狀態和存在積液時近似信號a1和細節信號d1-d5層

結合圖2 可以觀察到，在細節信號的d1-d3層，當管路中存在積液時，其高頻信號相對明顯。從信號分析來看，積液存在的信號特征表現在d1-d3層。

在對小波變換進行重構時，通過四種不同的方式進行信號重構。構造元素為d1-d3，獲得重構信號S1、S2、S3、S4，其重構方式為S1=d1，S2=d1+d2，S3=d1+d2+d3，S4=(d1+d2+d3)K，其中，K為對應的構造變量，其取值在[0.05、0.1、0.5、1.0、2.0] 中選擇。

2.4 呼吸波檢測算法

得到重構信號之后，對其進行標準差和均值的求取，由標準差以及均值選取相應的閾值。標準差以及均值計算方法為：

式中，std 為對應的標準差，di為信號中對應的采樣點，N為小波基的階數，μ為對應的均值。在對管路中是否存在積液進行判定時，需要對多個呼吸波形進行檢測和分析。其具體的判定流程如圖3所示。

圖3 積液判定流程圖

閾值選定的具體方式如圖4 所示。

圖4 閾值選定示意圖

圖4 中，呼氣相與吸氣相的閾值由于標準差以及均值的不同而不同。

2.5 測試用數據選取

通過臨床采集患者數據以及模擬肺所產生的數據進行相應的積液檢測測試。實驗選取模擬數據的呼吸周期個數為163 個，測試所得104 例無積液，無積液用例中，為檢驗算法是否抗干擾，選用了人機對抗類型的呼吸波16 例，雙觸發類型的呼吸波74 例，常規的呼吸波16 例；59 例存在積液，存在積液用例中均為雙相存在積液。臨床數據采用某醫院的心外科重癥監護室，測試患者選擇個數為3，包括呼吸周期個數為1 161。其中，管路中雙向積液的測試用例為125，呼氣相積液的測試用例為614，積液總個數為739例，正常無積液的個數為422，對應呼吸波均正常。

3 實驗結果分析

測試實驗采用五折交叉驗證的方式進行，而后對靈敏度以及特異度進行均值求取，得到最終實驗結果。

進行小波重構后積液檢測后得到相應的感受性曲線。吸氣相得到的感受性曲線如圖5 所示。

圖5 吸氣相感受性曲線

在圖5 的吸氣相感受性曲線中，重構方式為S1時性能最優，為S4時性能相對最低。

呼氣相得到的感受性曲線如圖6 所示。

圖6 呼氣相感受性曲線

在圖6 的呼氣相感受性曲線中，重構方式為S1時最優，S2、S3、S4相對差別較小。

四種重構方式所得的感受性曲線下面積分別為呼氣相0.978、0.854、0.810、0.809，吸氣相0.989、0.855、0.810、0.809。由此可知，S1的重構方式與其他重構方式相比，在呼氣相與吸氣相均為最優。

同時針對模擬數據以及臨床數據進行相應的測試驗證，主要對比準確率、特異度以及靈敏度三個方面的內容。臨床數據進行測驗所得結果如表1所示。

表1 臨床數據測量結果

表1 中，臨床數據測試用例個數較多，整體上通過S1的重構方式所得到的判定性能在靈敏度以及準確度上均為最優。

模擬數據所得結果如表2 所示。

表2 模擬數據測量結果

表2 中，重構方式S1、S2以及S4對應靈敏度以及準確率的測量結果均一致，這是由于模擬用例較少。

綜上，重構方式S1判定效果整體高于其他重構方式的原因是S1僅重構細節信號的d1層。其他重構方式由于對d2、d3層進行了重構，非積液的特征信號的數量增多，影響了閾值的準確設定，從而影響了測定的準確率。

4 結束語

通過小波變換，可對呼吸機管路內是否積液做出更加精確的判定，從而更加精準地識別呼吸機的工作狀態。經過對臨床數據以及模擬數據的驗證，通過小波變換進行信號分析的方式切實可行。判定算法中，通過重構方式S1在臨床數據以及模擬數據中均能實現較高的準確率。經驗證表明文中方法具有很好的性能，但仍具有局限性，主要表現在實驗數據量不多，對照單一。今后將進一步擴大樣本范圍，并嘗試更多方式對呼吸機工作狀態做出識別判定。