检索历史 清除

摘要现代社会逐步进入老龄化阶段，老龄人口增加导致心脑血管疾病患者逐渐增加，而慢性心力衰竭是导致心脑血管疾病患者死亡的主要原因，慢性心力衰竭的致死率与一些恶性肿瘤相当。因此，对心脑血管疾病而导致的慢性心力衰竭的防治极为迫切，而现代中医药对防治慢性心力衰竭的研究不断深入，治疗效果也有了明显的进步。然而，中医以辨证论治为核心思想，为了提供量化的指标需要与现代科技进行结合。心冲击图(Ballistocardiogram，BCG)信号是一种由人体心脏泵血活动而引起人体产生微弱振动的力学信号，可使用力传感器通过无创无感的方式获得，可用于需要长时间进行实时心脏监护的场景中，对于防治心脑血管疾病具有重大意义。在心脏监护过程中心率是一个重要的评价特征，J峰作为BCG信号波形中最为显著的波峰，可通过J峰的时间间隔来计算心率。然而，由于BCG信号是通过体外采集的力学信号，受到外界环境和人体其他生理活动的影响，其中包含较强的噪声，通过传统的时域或频域信号处理方法并不能准确识别J峰的位置，导致不能准确计算心率。<br>　　目的：<br>　　本研究希望通过结合深度学习方法自动提取BCG信号的数据特征，以准确识别波形中的J峰位置，从而准确计算心率，为实现长时间实时监测心脏活动的状态提供可靠方案。<br>　　方法：<br>　　在本研究中，使用对微弱信号具有高敏感性的压电薄膜传感器作为采集BCG信号的核心部件，对人体心脏活动而产生的BCG信号进行非侵入性的无感采集。首先，为了解决BCG信号的高频噪声、基线漂移和波峰不明显等问题，分别使用巴特沃斯低通滤、中值滤波器和互相关函数进行信号处理，处理后的信号数据作为深度学习模型的输入数据，并标注BCG信号中的J峰位置作为训练深度学习模型的标签数据。然后，由于现有众多深度学习网络多用于处理三维数据，并不适用于处理一维时间序列的BCG信号。本位基于传统的卷积神经网络和跳跃连接技术，提出了一种自动提取BCG信号数据特征的一维U-net++（1DU-net++）模型，用于自动识别J峰位置，从而通过两个连续的J峰时间间隔计算出心率周期。所提出的1DU-net++是基于一维卷积神经网络通过密集跳跃连接传输数据特征，将BCG信号数据的浅层数据特征和深层数据特征与1DU-net++模型的最后一层特征进行融合，以降低编码器与解码器之间由于通过跳跃连接而导致的语义差距。本文同时构建了其它四种深度学习模型和一种传统时域方法作为实验对照，验证所提出的方法的有效性和可行性。<br>　　结果：<br>　　在实验中，我们采集了8名健康受试者的BCG信号对提出的算法进行实验验证。实验结果表明，1DU-net++模型对BCG信号J峰检测的准确率（Accuracy）、查准率（Precision）和查全率（Recall）分别达到了99.4%、99.3%和97.5%，三者的标准差分别为0.69、0.58和1.01，表明1DU-net++模型具有良好的稳定性。为了对比实验的结果，实验中同时对比了一维的U-net、U-net3+、CNN和RNN模型和一种传统的时域信号处理方法，与这些算法相比，1DU-net++模型取得了更好的效果。<br>　　结论：<br>　　本文所提出的深度学习模型1DU-net++能有效识别BCG信号中的J峰，与现有的深度学习模型和传统的时域或频域算法相比，对J峰识别具有更好的准确率和查准率。表明将深度学习运用于BCG信号的J峰检测的有效性和可行性，为BCG信号广泛应用于居家环境的心脏监护打下坚实的基础，甚至推动BCG信号在中医药防治心脑血管疾病领域的发展。