论文部分内容阅读
在现代社会,睡眠疾病和心脏疾病困扰许多人,诊断这两种疾病的重要指标就是心率。医生可以通过心率变异性分析诊断患者的睡眠状况和质量,也可以通过心率检测来监测心脏疾病的发生。随着医疗设备的便捷化、家庭化,非接触式测量心率的方法由于其无创、便捷、可以长期监护等优点得到了广泛的关注和研究。在其中心冲击图信号(BCG)是一种重要的方式,它的原理是心脏搏动时会使与人体接触的支撑物体发生压力变化,通过压力采集模块将压力信号转化为电信号记录保存,得到就是心冲击图信号。在以往BCG信号提取心率的算法中,人们以传统的信号处理手段为主,兼有形态学、非监督学习(聚类等)等手段辅助来计算心率,然而由于非接触测量引入的误差、传统方法鲁棒性较差、个体差异等因素,这样的方法不能保证BCG信号提取算法的适应性和鲁棒性。针对这一问题,本文提出了基于机器学习的方法来提取BCG信号心率,研究内容如下:(1)本文首先介绍了BCG信号采集系统原理及BCG信号生理意义,同时介绍了BCG信号与ECG信号的对应性,保证了监督学习算法在生理学上的可行性。最后还介绍了系统的采集方案及指标,为后文信号处理做了铺垫。(2)本文提出了非监督学习算法来采集心率,这里使用了K-means聚类算法对信号进行处理,使用了两个指标来共同判断周期信号的存在,从而增强了算法的准确性。(3)本文还创新性的提出了使用监督学习的方式来进行心率计算。通过对比其他方法发现使用监督学习可以保持较高准率的同时能增加鲁棒性,具体思路是在监督学习中首先对提取的BCG信号做一定的滤波去噪处理,然后根据ECG信号的RR间期对BCG信号进行划分,划分后的序列分为包含心率间期和不包含心率间期两类,从而将问题转化为一个分类问题。随后在等长的窗内进行特征提取,分别使用随机森林、支持向量机等模型对窗进行判定分类,经过后处理后计算出实时心率,再与标准ECG信号计算的心率做对比,经过比较,随机森林模型在现有数据中表现最好。