基于波形特征提取与支持向量机分类颅内压增高预测的研究

《基于波形特征提取与支持向量机分类颅内压增高预测的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、StudyonthePredictionofIntracranialHypertensionBasedonWaveformFeatureExtractionandSupportVectorMachinesClassificationAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheDoctor’sDegreeofEngineeringByMingxiZhaoSupervisedbyProf.LiYangSpecialty:BiomedicalEngineer

2、ingCollegeofBiologicalEngineeringofChongqingUniversity,Chongqing,ChinaApril,2012摘要在神经内、外科，颅内压增高是一种常见的危重病症。颅内压增高能够导致脑灌注压降低与脑血流减少，造成脑组织缺血缺氧，甚至可能造成脑组织移位并产生脑疝。当临床医护人员发现患者发生颅内压增高之后才准备医护处理时，由于存在发现不及时、病情进展迅速、药物发挥作用时间较长等因素的影响，可能会错失最佳治疗时机，影响治疗效果，导致较高的颅脑伤亡率。目前临床监护中尚缺乏有效的提前提示颅内压增高的报警设备。一个有效的颅内压增

3、高预测方法能够提前提醒医护人员并使医护人员有足够的准备时间降低颅内压，防止病情恶化，避免脑疝和死亡等危重症状的出现。鉴于颅内压管理在预防继发损伤和提高患者预后的重要性，一个基于计算机自动分析的颅内压增高提前报警算法对于颅内压监护和医护处理具有重要意义。随着信号处理技术的发展，许多研究人员提出了基于信号处理的自动颅内压增高预测方法。比较传统的方法主要建立在设置固定阈值和信号的独立性假设的基础上。自从90年代开始，部分学者考虑到信号内部的自关联性，对颅内压信号建立了时间序列模型，例如自回归模型。随着机器学习理论在诸多领域得到成功的应用与发展，近年来机器学习方法也被运用

4、到颅内压趋势分析的研究中，例如人工神经网络等。还有学者将多种高级信号处理方法结合起来对颅内压信号趋势进行预测，例如小波分析，卡尔曼滤波和近似熵等方法。上述研究都将颅内压信号视为时间序列并将一段时间内的信号均值作为预测变量，忽略了每个心动周期内信号的动力学特性；而且颅内压波动是一个非线性和非平稳过程，科学界仍然缺乏关于颅脑调节机制的基本知识。这使得上述模型与方法不能准确的反应颅内压波动的机理，预测效果不够理想，未能被临床采用。然而，大量研究表明颅内压的单波波形特征与颅内压信号的趋势有关，同时这些波形特征也能够反应重要的颅内生理病理信息，如脑顺应性与脑血流自动调节能力

5、。鉴于颅内压单波波形特征与颅脑生理病理情况的高度相关性，本文提出一个新的对颅内压增高提前5分钟进行预测的方案。该方案的实施步骤如下：①设计一个逐拍分割算法将颅内压信号逐拍分割为单波信号；②设计一个波峰识别算法识别单波信号的特征子峰并提取波形特征指标；③构建一个基于支持向量机的二类分类系统，将颅内压单波波形特征指标作为分类系统的输入变量，系统的分类结果即对应着颅内压增高/颅内压未增高。具体地说，该分类系统首先利用一个具有全局搜索能力的优化特征选择算法，差分进化算法，自动选择最优的指标组合I作为特征向量，利用Wrapper方案进行优化特征指标选择；然后将优化的特征向量

6、作为输入变量，采用支持向量机作为分类器对波形特征进行分类。对优化特征向量的分类结果即对应着颅内压增高/颅内压未增高。本论文的主要研究成果如下：①提出一个新的颅内压信号逐拍分割算法。在当前的临床和科研工作中，主要利用与颅内压信号同步记录的其他信号的特征点分割颅内压的单波波形，这种方法在很多情形下不适用。本研究借鉴经典的图像匹配算法——形状上下文的思想实现了适合一维生理准周期信号的描述算子——波形上下文；本算法利用波形上下文提取给定点的波形特征，然后利用模板匹配法实现每个单波起搏点的检测。在没有同步记录的其他信号的情况下该算法可以实现连续颅内压信号的单波波形分割。②提

7、出一个新的颅内压单波波形特征提取算法。该算法利用波形上下文提取单波波形的形态特征，然后利用分类器——支持向量机对该特征进行分类，最终识别颅内压单波波形中的三个特征子峰以及峰峰值，潜伏期和收缩期斜率等波形特征指标。③提出一个基于特征选择与支持向量机分类的颅内压增高预测系统。对于给定的信号，本系统在颅内压增高发生之前5分钟判断该信号是否为增高前段（颅内压增高）/平稳段（颅内压未增高）。该系统首先利用差分进化算法选择特征指标组合，利用Wrapper方案（差分进化算法进行特征选择，支持向量机作为分类器，敏感度与阳性预测值的均值作为决策函数）评估指标组合对分类的有效性并确定

8、最优指标组