连续生理信号质量评估装置

技术领域

本申请涉及生理信号的检测，尤其涉及生理信号的质量装置。

背景技术

连续生理信号是指连续记录的如心电、呼吸、脉搏等与人体健康和疾病状态高度相关的信号，目前在疾病诊断、不良事件预测、人体状态评估和康复预后评价等方面的价值越来越得到认可。如一些临床疾病的恶化通常在造成更严重的临床结局(如心源性猝死)发生前8-24小时就已经在生理信号中得以表现，临床医生和该领域的科研工作者们越来越意识到对生理信号进行连续监测和深度挖掘分析的重要性。

近年来，多种测量方法和传感器快速发展并集成到可穿戴设备中，人们连续的获取生理信号的手段大大丰富。如心电描记术(Electrocardiography,ECG)，是一种利用在人体皮肤表面贴上电极，从而记录心脏整体的电位变化，并通常以波形进行显示的技术，已得到临床的广泛认可和被应用于医疗中心脏疾病的诊断分析；又如光体积变化描记图法(Photoplethysmography,PPG)是使用光电手段测量活体组织中血液容积变化的方法。该方法通过使用固定波长的光线穿过皮肤，而每次心博时，血管都会随之收缩和扩张，进而影响光反射，传感器记录光反射的强度反映出血液流动的特点。该技术目前是多种健康监护设备，尤其是健康监护手环中的核心监测技术，有着广泛的应用前景和丰富的科研价值；呼吸感应体积描记技术(Respiratory Inductive Plethysmography,RIP) 是将两条弹性缚带分别缠绕在被测者的胸部和腹部，呼吸运动带动弹性缚带伸缩，线圈围绕面积发生改变，从而记录被测者胸腹运动的额方法。该方法提供了呼吸运动的无创、间接的测量方式，具有便捷、低负荷、准确性高的优势。

然而，虽然目前测量和记录生理信号的手段已经比较丰富，但是生理信号本身大多具有幅值小、频率低、易受干扰等特点，加上真实世界噪声来源复杂且不可控，使得测量来自于日常生活中的生理信号经常被噪声淹没，大大影响了后续信号深度挖掘和分析的进程和结果的准确性。因此，信号质量评估通常是对连续生理信号进行后续研究和分析的第一步工作，将信号质量高的信号段从长程的连续生理信号中自动化筛选出来是相关后续工作的前提。

针对某一种特定的生理信号，研究者们通常进行信号质量评估的方法包括：1.阈值法。即根据信号的特点提取特征，一旦特征超过预定的阈值则把该信号确定为信号质量差；2.建立对应的信号质量评分(Signal Quality Index, SQI)，如对于ECG信号，人们使用信号计算的特征，加上一定的权重系数，先后发展了kSQI,sSQI,pSQI等多种评分方式；3.采用人工智能、机器学习和深度学习的方法构建模型。目前主流的模型构建方法仍是监督学习，即模型通过学习大量提前标注好标签的数据，总结其中的规律并用于后续的信号质量评价分析。

但上述方法均由较强的局限性：首先，早期的研究/专利中信号多来自于床旁监护仪，其采集的信号与真实世界的信号有着本质的差别，噪声的来源和强度均与可穿戴设备所面临的问题不同；其次，尽管高性能的机器学习/深度学习模型快速发展，但这些方法绝大多数需要大量的标签才能完成模型学习的步骤，标签数量不足或模型训练样本局限性太强均会导致模型的泛化性能不足，难以达到使用的需求。问题是目前获得海量的数据是相对容易，但想将这些数据全部加上标签需要大量的人力和时间成本，可穿戴设备硬软件的快速迭代更加重了标注标签的任务。

发明内容

鉴于上述问题，本申请旨在提出一种连续生理信号质量评估装置，

本申请的连续生理信号质量评估装置，其包括：信号分割单元、信号预处理单元、特征提取单元、信号质量评估单元、分类判断单元；

信号分割单元用于接收原始生理信号，通过加窗将原始生理信号进行分割得到经分割的信号；

信号预处理单元用于对经分割的信号进行预处理得到经预处理的信号；该预处理包括去信号基线、带通滤波、中值滤波；

特征提取单元用于对经预处理的信号进行特征值提取，得到提取的特征值；

信号质量评估单元中包括预训练模型，预训练模型为孤立森林模型；信号质量评估单元将提取的特征值输入到预训练模型中，得到评分结果score；

分类判断单元用于根据设定的阈值L1、L2对评分结果进行判断，得到信号质量的评估结果。

优选地，所述预训练模型是在一个大样本无标签的训练集上进行训练，然后再在一个小样本的进行了人工标注的验证集上进行验证并确定阈值的。

优选地，所述预训练模型在验证集上返回[-1,1]的评分结果，送至分类判断单元；

当score≥L2时，分类判断单元判为类别1，信号质量好，返回为类别1；

当L2≤score≤L1，分类判断单元判为类别2，信号质量中等，返回为类别2；

当score＜L1时，对score＜L1的数据段，信号预处理单元采用更大窗口的均值滤波进行去基线处理，然后特征提取单元进行特征提取，将提取的特征值输入信号质量评估单元中的预训练模型后再次评分，若仍score＜L1，则分类判断单元判为类别3，信号质量差；若score＞L1，则分类判断单元判为类别2，信号质量中等。

优选地，信号分割单元通过加窗将原始生理信号进行分割时，窗口的长度固定；

如所述生理信号为心电信号，则窗口长度采用10s；如所述生理信号为呼吸信号，窗口长度为30s。

优选地，信号预处理单元在去信号基线时，以2s的滑动窗口进行扫描，获得2s内信号的中位数，即当前信号的基线，原始信号减去基线即实现去除信号基线；

信号预处理单元在带通滤波中，采用带通滤波器进行滤波，根据信号特点选取通频带；如果所述生理信号为心电信号，通频带设置为0.1-100Hz；如果所述生理信号为呼吸信号，通频带设置为0.01-20Hz；

信号预处理单元在中值滤波中，采用中值滤波器去除异常值，中值滤波器的滤波器长度设置为40个数据点。

优选地，特征提取单元提取的特征值包括偏度、峰度、相邻两个波形间的基于动态时间规整算法计算得到的距离。

优选地，特征提取单元依照

特征提取单元依照

其中，μ为样本均值，δ为样本标准差，N为样本个数；Skewness为偏度，Kurtosis为峰度。

优选地，特征提取单元对所提取的特征值采用线性函数归一化处理。

优选地，特征提取单元对所提取的特征值为特征向量；

特征提取单元对所提取的特征值利用

其中，X

本申请的装置首次尝试将异常检测的思路和孤立森林模型应用于连续生理信号质量评估中；本申请的装置的基础是无监督模型孤立森林，避免了大量的数据标注工作，模型灵活易于调整，泛化性能强；本申请的装置在心电和呼吸信号的应用结果显示本专利算法能有效区分信号质量级别，测试结果良好，即使是信号中存在一些病理性改变，仍能正确区分信号质量。本申请的装置还可以拓展到其他生理信号的质量评价中，应用场景广泛，潜力较大。

附图说明

图1为本申请的生理信号质量评估装置所执行的评估方法的流程图；

图2为ECG和呼吸波的原始信号图；

图3为验证集心电信号质量结果；

图4为测试集呼吸信号质量结果；

图5为心电信号质量评估结果；

图6为呼吸信号质量评估结果；

图7为信号质量评估结果；

图8为存在病理情况下的信号质量评估结果；

图9为本申请的生理信号质量评估装置的构成示意图。

具体实施方式

下面，结合附图对本申请进行详细说明。

本申请的连续生理信号质量评估装置所包括的信号分割单元、信号预处理单元、特征提取单元、信号质量评估单元、分类判断单元，可以通过计算设备(例如计算机等)运行相应程序来实现，也可以是专门设计的计算电路。信号分割单元用于接收原始生理信号，通过加窗将原始生理信号进行分割得到经分割的信号；信号预处理单元用于对经分割的信号进行预处理得到经预处理的信号；该预处理包括去信号基线、带通滤波、中值滤波；特征提取单元用于对经预处理的信号进行特征值提取，得到提取的特征值；信号质量评估单元中包括预训练模型，预训练模型为孤立森林模型；信号质量评估单元将提取的特征值输入到预训练模型中，得到评分结果score；分类判断单元用于根据设定的阈值L1、L2对评分结果进行判断，得到信号质量的评估结果。

本申请的连续生理信号质量评估装置发明了一种基于异常检测思想的连续生理信号质量评估的算法。该算法的核心在于使用无监督的机器学习模型——孤立森林(Isolation Forest)，通过加窗拆分进行特征提取，然后读入模型进行信号的异常程度评分，依据模型评分结果对信号进行分类。

本申请的连续生理信号质量评估装置(本例中以ECG和呼吸信号进行举例)，通过加窗拆分对信号进行拆分，对窗内的信号进行去除信号基线、滤波、去除异常值、提取特征和特征归一化，然后读入孤立森林模型进行分类评估，依据评分结果评估信号质量。

信号质量评估流程如图1所示。

1、本例中信号的原始信号如图2所示。

2、加窗拆分

以固定的时间窗长度对生理信号进行分割，本例中心电为10S，呼吸为30S。判断每个时间窗内信号的信号质量。

3、信号预处理

以2S的滑动窗口对信号进行扫描，获得2S内信号的中位数，即当前信号的基线，原始信号减去基线即实现去除信号基线；

采用带通滤波器对信号进行滤波，根据信号特点选取通频带。本例中心电信号通频带设置为0.1-100Hz，呼吸信号通频带设置为0.01-20Hz；

采用中值滤波器去除信号中异常值，滤波器长度设置为40个数据点；

4、特征提取和归一化

特征的使用包括偏度、峰度：

偏度：

峰度：

其中μ为样本均值，δ为样本标准差，N为样本个数。

从生理信号中检取特征点位(如ECG信号中的R波，呼吸信号中的波峰波谷等)，将窗内的信号截断成数个部分，即每个部分代表依次完整的生理信号波形(如心博周期和呼吸周期)，计算相邻两个部分的波形的DTW 距离，形成窗内的波形相似度的序列。选取序列中的Q1,median,Q3分位数作为特征。

其他特征包括窗内信号的熵、频谱分布、各频段的能量占比等，需根据具体信号确定。

采用线性函数归一化(Min-Max scaling)对特征进行归一化处理，即对于特定的特征，进行如下归一化处理：

其中X

5、模型构建和评估

1)训练模型

训练模型的数据主要来源于课题组先期采集的病人和健康人数据，每例数据采集时长约为24小时，具体的模型训练过程如下：

筛选10例人工认为质量比较高的信号数据，按预定窗长对信号进行拆分，筛选出约10W个用作训练的数据集；

抽取窗内信号特征，组成特征矩阵；

训练模型，模型选择孤立森林模型，参数设置：n_estimators＝2000，contamination＝0.05。模型返回为-1～1的评分，反映信号质量的高低。

2)分类阈值的确定

为提升模型鲁棒性和实现将评分结果映射到三分类结果上去，我们设置分类的阈值L1,L2.为确定L1,L2数值，我们构建有标签的模型验证集。本例中心电数据的验证集包含3460个10s窗长的数据，呼吸数据包含2086个30s窗长的数据。这些数据由临床和生物医学工程学专家提前对数据的信号质量进行标注，标注结果为信号质量好(Good)、质量中等(Acceptable)、质量差 (Unacceptable)。同时，我们测试模型在该验证上的表现，定量得到测试结果，测试结果以混淆矩阵进行量化。具体的操作流程如下：

对验证集的信号进行预处理和特征提取，组成特征矩阵；

将特征矩阵输入到训练好的模型中，得到每个窗口数据的模型信号质量评分；

L1,L2以模型评分最低值开始，以0.001步长进行阈值划分，当 score≥L2时，判为类别1，信号质量好(Good)，返回1；L2≤score≤ L1，判为类别2，信号质量中等(Acceptable)，返回2；score＜L1，信号质量差(Unacceptable)。得到模型的性能结果，以模型分类的准确度 (Accuracy)进行评估。

根据最佳的分类准确度，确定L1,l2。本例中，对于ECG信号， L1＝0.0,L2＝0.03；对于呼吸信号，L1＝-0.002,L2＝0.042。

3)模型微调

为降低将病理改变错误分类到信号质量差的风险，我们对模型进行了进一步的微调，确保分入信号质量差的部分有更高的可信度，对模型score＜L1的数据段进行进一步处理：

对score＜L1的数据段，采用均值滤波对原始数据进行进一步的滤波处理，然后进行第3步的特征提取，特征值输入模型后分类评分，若score＜L1，则判为类别3，信号质量差(Unacceptable)，若score＞L1，则判为类别2，信号质量中等(Acceptable)。

4)测试结果

实施例一

对于ECG信号，将标注的3460例数据作为验证集并进行特征提取输入模型中，模型评分结果与人工标注的标签进行对比，得到混淆矩阵，如表1所示，准确率达到94.97％。模型对心电信号质量评分结果如图3所示。

表1测试集心电信号质量结果

准确率：94.97％

实施例二

对于呼吸信号，将标注的2086例数据作为验证集并进行特征提取输入模型中，确定阈值L1＝-0.002，L2＝0.042，模型评分结果与人工标注的标签进行对比，得到混淆矩阵，如表2所示，准确率达到81.06％。呼吸信号质量结果如图 4所示。

表2验证集呼吸信号质量结果

准确率：81.06％

实例：

王XX，男，176cm，53岁，将对其监测的ECG和呼吸信号进行特征提取并输入模型，得到信号质量评估结果如图5-8所示。

除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。

虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。