史春燕,翟羽婷,王 磊

(1.張家口學院理學院,河北 張家口 075000;2.中國科學院蘇州生物醫(yī)學工程技術研究所,江蘇 蘇州 215163)

項目來源:江蘇省政策引導類計劃(產學研合作)—前瞻性聯合研究項目(BY2016049-01)

2017-01-23修改日期2017-07-07

基于貝葉斯網絡的體域網多模態(tài)健康數據融合方法*

史春燕1,翟羽婷1,王 磊2*

(1.張家口學院理學院,河北 張家口 075000;2.中國科學院蘇州生物醫(yī)學工程技術研究所,江蘇 蘇州 215163)

體域網作為無線傳感器網絡在生物醫(yī)學領域的一個重要分支能夠遠程實時監(jiān)測人體多項健康數據。針對基于體域網采集到的多模態(tài)健康數據融合與分析方法進行研究,設計了一套包括動態(tài)心電傳感器、血壓傳感器和血氧飽和度傳感器的體域網組網方式,提出了一種基于貝葉斯網絡模型和推理算法的心肌缺血監(jiān)測識別方法。通過對60例確診心臟病患者施行單一模態(tài)動態(tài)心電監(jiān)測和多模態(tài)健康數據監(jiān)測對比實驗,驗證了所提出的多模態(tài)健康數據融合方法能夠有效提高無癥狀性心肌缺血的檢出率,為臨床應用提供了一種新的輔助判別手段。

體域網;多模態(tài);數據融合;貝葉斯網絡

體域網BSN(Body Sensor Networks)作為無線傳感器網絡WSN(Wireless Sensor Network)在生物醫(yī)學領域的一個重要應用分支,近年來引起了健康醫(yī)療、遠程監(jiān)護、社區(qū)養(yǎng)老等多個領域學者的關注和研究[1]。從定義上理解,體域網是指將植入式、可穿戴式或者近體式三類傳感器安置于人體體內或體表,采集得到多種類型的體征數據,比如心電、腦電、體溫、血壓、血氧等信息并通過無線傳感器網絡上傳到數據處理中心,基于數據挖掘與分析技術輔助決策人員做出人體健康狀況的評價。

體域網在健康醫(yī)療領域的研究主要集中于人體各類健康數據的實時采集設備、無線傳感器網絡的組網方式以及低功耗通信元器件的研發(fā)。在健康數據分析領域,張偉等針對人體脈搏波的測量及性別區(qū)分進行了深入研究,實驗結果為中醫(yī)通過切脈判定性別提供了定量依據[2]。劉毅等針對心電圖(ECG)實時檢測信號面臨的隨機噪聲問題提出了一種基于雙閾值函數的信號去噪法,獲得了體域網在ECG信號處理方面更優(yōu)的去噪性能[3]。彭向東等針對體域網遠程監(jiān)護中心對重構的ECG信號精度要求高和BSN低功耗問題,提出基于過完備字典的體域網壓縮感知心電重構方法[4]。

隨著傳感技術、物聯網技術的快速發(fā)展,基于體域網能夠實時采集到大規(guī)模多模態(tài)的人體健康數據,這為提供更為精準的健康數據分析提供了可能性,同時也為多模態(tài)健康數據融合與分析技術提出新的挑戰(zhàn)[5],研究者已經針對無線傳感器網絡的數據融合算法進行了深入研究[6-7]。無癥狀性心肌缺血(SMI)由于發(fā)病過程中一般不伴隨病人明顯感知的心絞痛癥狀,因此更加需要借助高精度的監(jiān)測系統提供客觀數據和診斷依據。目前臨床大多采用動態(tài)心電圖12導聯方式連續(xù)監(jiān)測病人24 h的心電信號,交由醫(yī)生針對單一模態(tài)的心電波形數據判斷病人的心肌缺血病情。研究者也針對遠程心電監(jiān)測、心電圖、動態(tài)心電圖(Holter)等不同類型心電監(jiān)測儀器和數據進行了對比分析,驗證了動態(tài)心電圖在心律失常、心肌缺血臨床檢查中的價值[8]。設計一套先進的體域網并利用多模態(tài)健康數據實時采集和信息融合技術,能夠為醫(yī)生提供一種更加準確的心肌缺血臨床輔助判別手段。

本文針對人體多模態(tài)健康數據實時采集與分析開展工作,設計一套集成24 h動態(tài)心電傳感器、血壓傳感器和動態(tài)血氧飽和度傳感器的基于體域網的心肌缺血動態(tài)監(jiān)測系統,研究如何將采集到的連續(xù)型多模態(tài)健康數據進行特征提取,并提出一種基于貝葉斯網絡模型和推理算法的健康數據融合方法,探討集成動態(tài)心電信息、心率信息、血壓和血氧飽和度4種模態(tài)數據的無癥狀性心肌缺血臨床輔助診斷方法。通過針對60例患者的多模態(tài)健康數據進行監(jiān)測,與單一模態(tài)的動態(tài)心電分析進行對比,分析本文所提出的多模態(tài)健康數據融合與分析方法的性能與準確度。

1 基于體域網的心肌缺血動態(tài)監(jiān)測系統

體域網基于植入式、可穿戴式或者近體式的低功耗高精度傳感器技術,在人體內部或體表布置多個微型傳感器并組網形成一套完整的體域網結構,實現人體健康體征數據的監(jiān)測,從而支持健康醫(yī)療數據分析,為遠程醫(yī)療、實時監(jiān)護提供支持[9]。本節(jié)簡要介紹所設計搭建的基于體域網的心肌缺血動態(tài)監(jiān)測系統架構以及數據融合所采用的貝葉斯網絡關鍵技術。

1.1 基于體域網的心肌缺血監(jiān)測系統

無癥狀性心肌缺血在臨床上指客觀證據顯示已經出現了心肌缺血,但是不伴隨出現病人有明顯感覺的各種類型心絞痛癥狀。據臨床統計約有一半的冠心病患者可發(fā)生無癥狀性心肌缺血。

基于體域網的心肌缺血監(jiān)測系統架構如圖1所示,由體表傳感器、體域網數據傳輸節(jié)點和數據分析終端組網實現。

圖1 基于體域網的心肌缺血監(jiān)測系統架構

動態(tài)心電傳感器使用臨床廣泛應用的12導聯方式貼附于人體體表,采集人體24 h連續(xù)心電信號;采用可穿戴腕式電子血壓傳感器收集人體血壓信息;使用指套式血氧檢測儀記錄人體血氧飽和度。以上傳感器將人體多種模態(tài)的健康數據進行連續(xù)測量并通過數據傳輸節(jié)點傳送到數據分析終端,然后基于多模態(tài)的體征數據進行數據融合與智能分析。

目前臨床對于心肌缺血的檢測大多基于心電圖或者動態(tài)心電圖,醫(yī)生通過單一模態(tài)的健康數據(心電信號)對可能存在的心肌缺血做出判斷,這一過程很大程度上依賴于醫(yī)生的臨床經驗。同時,由于被測人體的呼吸運動、外部電磁干擾、信號采集和傳輸過程的數據噪音等因素,依靠單一模態(tài)心電信號做出判斷存在一定程度的不確定性和不可靠性[10]。心肌缺血尤其是無癥狀性心肌缺血除了會引起心電信號異常外,有些患者還會出現血壓異常、血氧飽和度異常。通過同時采集病人的連續(xù)心電信號、血壓信號和血氧飽和度信號,基于多模態(tài)數據融合技術綜合分析,有利于協助醫(yī)生針對心肌缺血做出更加準確的判斷。

1.2 貝葉斯網絡模型與推理過程

貝葉斯網絡通過圖形的方式描述變量集合的連續(xù)概率分布,綜合使用圖論、概率論、人工智能和決策理論推理系統的不確定事件。給定隨機變量集合V={v1,v2,…,vn},建立在該集合上的聯合概率分布P(V)=P(v1,v2,…,vn)可以表示為一個貝葉斯網絡:

B=

(1)

式中:G=是貝葉斯網絡結構,用一個有向無環(huán)圖表示,節(jié)點集合V為隨機變量,節(jié)點的狀態(tài)對應于隨機變量的值,A為節(jié)點之間的有向弧集合,表示節(jié)點之間的條件依賴關系;P是貝葉斯網絡的網絡參數,P中的每一個元素代表節(jié)點的條件概率表(CPT),量化表示了貝葉斯網絡中節(jié)點與其父節(jié)點之間的概率關系,由概率的鏈規(guī)則有:

(2)

建立針對心肌缺血識別的貝葉斯網絡模型,首先需要確定定義域變量,明確哪些因素影響心肌缺血病癥識別的判斷,通過變量給出這些因素的具體含義;然后構造一個描述變量以及變量之間關系的有向無環(huán)圖G,確定貝葉斯網絡結構;接著需要制定條件概率分布表CPT,結合專家臨床經驗確定貝葉斯網絡中每個變量的條件概率分布函數P(vi)以及變量之間的依賴關系。在此基礎上借助貝葉斯網絡模型對心肌缺血進行推理與判斷,并在可行情況下對貝葉斯網絡模型進一步優(yōu)化。

2 基于貝葉斯網絡的健康數據融合方法

在基于體域網的心肌缺血動態(tài)監(jiān)測系統基礎上,本節(jié)討論如何處理采集獲得的多模態(tài)健康數據,對心肌缺血進行識別。首先提出多模態(tài)健康數據特征提取方法,并以心電ST段變化為例介紹通過時域特征提取、頻域特征提取和時頻組合特征提取待判別的數據信息;然后建立用于心肌缺血識別的貝葉斯網絡模型,確定網絡結構和觀測變量;最后介紹貝葉斯網絡參數和推理過程。

2.1 多模態(tài)健康數據特征提取

基于體域網的心肌缺血動態(tài)監(jiān)測系統能夠通過多種傳感器組網方式采集到多種模態(tài)的健康數據。監(jiān)測系統將3種不同的傳感器連接于被測人體體表,監(jiān)測包括心電ST段變化、心率變化、血壓變化以及血氧飽和度在內的4種模態(tài)的健康數據,隨后針對每種模態(tài)的健康數據進行特征提取。

以心電ST段變化的特征提取為例進行分析。動態(tài)心電是一種模擬波,根據一維波形的時域特征可以劃分為P波、PR間期、QRS波群、ST段、QT間期等不同的波段,其中ST段變化情況對于心肌缺血、心肌細胞損傷的診斷具有明顯的臨床意義[11]。首先對心電ST段進行時域特征提取,然后進行頻域特征提取,在此基礎上進行心電ST段時頻組合特征提取。

①心電ST段時域特征提取。心電波形呈現明顯的周期特性,其中ST段正常情況呈現略上斜形,異常情況可能出現ST段水平壓低(圖2(a))、ST段上斜型壓低(圖2(b))、ST段弓背向下抬高(圖2(c))、ST段墓碑樣抬高(圖2(d))等不同類型時域特征,如圖2所示。

圖2 幾種常見的ST段異常波形

本文提取ST段的5個特征點和PR間期結束的1個特征點,從而組成心電ST段時域特征的6元組:

Ft-domain=

(2)

式中:hPR表示PR間期結束特征點的高度,h1～h5依次表示ST段起始點、1/4點、1/2點、3/4點和終止點的高度。

②心電ST段頻域特征提取。首先對原始信號進行小波包分解和重構,設計6個分解層次,最終得到64個頻段的能量,記為p0,p1,…,p63。按照式(3)進行頻帶組合:

Ff-domain=

(3)

式中:f1=count(0,7),f2=count(8,15),f3=count(16,23),f4=count(24,31),f5=count(32,39),f6=count(40,47),f7=count(48,55),f8=count(56,63)。

頻帶f在64段均分頻段能量后進行累加得到:

(4)

③心電ST段時頻組合特征提取。進行時域和頻域特征提取后,為了更完備地體現原始信號,進行了相對特征提取和組合特征提取:

Ft-relative=

(5)

Ff-relative=

(6)

(7)

式(5)表示時域相對特征向量,式(6)表示頻域相對特征向量,并以此組合成不同的特征向量。

2.2 心肌缺血識別的貝葉斯網絡模型

建立用于心肌缺血識別的貝葉斯網絡模型首先需要確定網絡中的設定變量、觀測變量,然后確定傳感器可能接收到的數據并建立網絡結構。根據心肌缺血診斷需求,建立的心肌缺血識別貝葉斯網絡結構如圖3所示。

圖3 心肌缺血識別的貝葉斯網絡結構

貝葉斯網絡結構中的識別對象為心肌缺血類型,設定為有癥狀性心肌缺血、無癥狀性心肌缺血、心肌供血正常。

傳感器包括動態(tài)心電傳感器、血壓傳感器、血氧傳感器。

心電ST段變化監(jiān)測到的信號包括ST段下移≥1 mm、ST段改變>1 min、再次發(fā)作ST段≥1 min;心率變化包括心率≥2.0倍平均心率Avg(hr)、心率≥1.5倍平均心率Avg(hr)、心率≥1.2倍平均心率Avg(hr);血壓變化包括高壓≥1.5倍平均高壓Avg(Hbp)、高壓≥1.2倍平均高壓Avg(Hbp)、低壓≥1.5倍平均低壓Avg(Lbp)、低壓≥1.2倍平均低壓Avg(Lbp);血氧飽和度包括SpO2≥94%、70%

心肌缺血識別貝葉斯網絡模型在多模態(tài)健康數據特征提取得到的概率估計基礎上,根據臨床經驗設定變量各狀態(tài)之間的概率取值。

2.3 貝葉斯網絡參數及推理過程

在總結心肌缺血與ST段變化、心率變化、血壓變化以及血氧飽和度的臨床數據基礎上,結合專家意見給出每種癥狀出現的初始概率值。為了降低CPT復雜度和獲取難度,采用減少父節(jié)可能狀態(tài),并增加貝葉斯網絡中間節(jié)點的方法減少父節(jié)點個數。

貝葉斯推理過程采用了馬爾可夫鏈蒙特卡洛算法[12],算法流程描述如下:

馬爾可夫鏈蒙特卡洛算法

輸入:貝葉斯網絡結構,條件概率分布表CPT

輸出:近似條件概率分配表CPT*

1.WHILEi∈VDO

2.IFi∈CPT

5.END IF

6.END WHILE

7.SelectXifromP(Xi|Markov(Xi))

8.P(Xi)=αP(Xi|par(Xi))×∏Yi∈chi(Xi)par(Yi)

9.WHILEF(P(Xi))<0.1 DO

10.DelectXifromV

11.END WHILE

12.輸出結果:近似條件概率分配表CPT*

3 實驗結果分析

為了驗證本文提出的基于貝葉斯網絡的體域網多模態(tài)健康數據融合方法在心肌缺血診斷的臨床價值和判別效果,針對60例明確診斷為心臟病或存在心臟不適癥狀的患者行常規(guī)12導聯24 h動態(tài)心電圖監(jiān)測,同時行連續(xù)血壓和血氧監(jiān)測。統計分析單一模態(tài)與多模態(tài)數據融合所得到的心肌缺血檢出率和判別準確性。

3.1 心肌缺血檢出率

針對60例待檢患者實施12導聯24 h動態(tài)心電圖監(jiān)測,同時實施血壓和血氧動態(tài)監(jiān)測。分別記錄單一使用動態(tài)心電圖得到的心肌缺血判定分析結果,以及綜合使用動態(tài)心電圖、血壓傳感器和血氧傳感器得到的多模態(tài)健康數據判定分析結果。采用統計軟件SPSS 19.0對監(jiān)測結果進行統計分析。計數資料采用χ2檢驗,以P<0.05為差異有統計學意義。

60例患者的動態(tài)心電圖(單一模態(tài))和多模態(tài)健康數據監(jiān)測結果比較如表1所示。

從表1得到的結果可以看出,單一使用動態(tài)心電圖對于有癥狀性心肌缺血和無癥狀性心肌缺血的檢出率分別為13.4%和35.0%,使用基于體域網的心肌缺血檢測系統和多模態(tài)健康數據融合方法對于上述兩種病癥的檢出率分別為15.0%和61.7%,差異具有統計學意義(χ2=7.18,P<0.05以及χ2=7.59,P<0.05)。可見基于體域網的多模態(tài)健康數據監(jiān)測與數據融合分析方法對于心肌缺血尤其是無癥狀性心肌缺血檢出率的提高具有較為明顯的提升作用。

表1 60例患者動態(tài)心電與多模態(tài)監(jiān)測比較

進一步,對通過多模態(tài)監(jiān)測系統檢出的37例無癥狀性心肌缺血發(fā)作陣次和發(fā)作時間進行統計分析,如表2所示。

表2 37例無癥狀性心肌缺血發(fā)作陣次與時間

圖4 單模態(tài)與多模態(tài)數據分析對比

可以看出無癥狀性心肌缺血大多發(fā)生在白天,且上午發(fā)作陣次更為頻繁。

3.2 單模態(tài)與多模態(tài)數據分析結果對比

為了比較本文提出的基于體域網的多模態(tài)健康數據監(jiān)測與數據融合分析方法對于心肌缺血病癥判別的臨床價值,從60例患者檢測結果中選取1名患者作為分析對象,對比使用動態(tài)心電圖與使用本文系統得到的診斷判別結果,如圖4所示。

圖4(a)為使用動態(tài)心電圖得到單一模態(tài)監(jiān)測數據后,結合專家經驗得到的判別結果概率統計,正常概率為50.7%,有癥狀性心肌缺血概率為23.4%,無癥狀性心肌缺血概率為25.9%;圖4(b)為使用基于體域網的多模態(tài)監(jiān)測數據后得到的判別結果概率,正常概率為11.5%,有癥狀性心肌缺血概率為13.3%,無癥狀性心肌缺血概率為75.2%。通過多模態(tài)健康數據融合技術將動態(tài)心電信息與血壓信息、血氧信息進行綜合分析,能夠提高心肌缺血癥狀判斷準確性,可以提供更為豐富的數據依據,在一定程度上輔助醫(yī)生提高無癥狀性心肌缺血臨床判別的準確性。

4 結論

心電圖ST段變化作為心肌缺血的診斷參考標準之一能夠定量輔助醫(yī)生做出判斷,本文提出的基于貝葉斯網絡的多模態(tài)健康數據融合方法提供了一種綜合考慮心電信號、心率信號、血壓和血氧飽和度4種模態(tài)健康數據的心肌缺血識別手段,在臨床應用中是一種有意義的探索,監(jiān)測結果表明能夠進一步提高心肌缺血尤其是無癥狀性心肌缺血的檢出率;同時,在臨床應用中還需要結合病人的其他臨床表現和體征信息。在未來工作中將進一步探討結合動態(tài)血流圖、脈搏波形圖等其他模態(tài)健康數據的體域網數據融合方法。

[1] 宮繼兵,王睿,崔莉. 體域網BSN的研究進展及面臨的挑戰(zhàn)[J]. 計算機研究與發(fā)展,2010,47(5):737-753.

[2] 張偉,顏仕星,李國正. 無線脈搏波測量及性別區(qū)分—基于在體傳感網的多點測量應用[J]. 計算機工程與應用,2010,46(35):231-234.

[3] 劉毅,宋余慶,劉哲,等. 一種面向體域網的ECG信號小波閾值去噪法[J]. 計算機科學,2014,41(11):175-178.

[4] 彭向東,張華,劉繼忠. 基于過完備字典的體域網壓縮感知心電重構[J]. 自動化學報,2014,40(7):1421-1432.

[5] Gravina R,Alinia P,Ghasemzadeh H,et al. Multi-Sensor Fusion in Body Sensor Networks:State-of-the-Art and Research Challenges[J]. Information Fusion,2017,35:68-80.

[6] 王明宇,楊吉江,陳昊,等. 基于體域網和云平臺的遠程數字健康系統發(fā)展的研究[J]. 計算機科學,2012,39(6A):195-200.

[7] 孫凌逸,黃先祥,蔡偉,等. 基于神經網絡的無線傳感器網絡數據融合算法[J]. 傳感技術學報,2011,24(1):122-127.

[8] 軒運動,趙湛,方震,等. 基于無線體域網技術的老人健康監(jiān)護系統的設計[J]. 計算機研究與發(fā)展,2011(48):355-359.

[9] 邱立達,劉天鍵,林南,等. 基于深度學習模型的無線傳感器網絡數據融合算法[J]. 傳感技術學報,2014,27(12):1704-1709.

[10] Hao Y,Foster R. Wireless Body Sensor Networks for Health-Monitoring Applications[J]. Physiological Measurement,2008,29(11):27-56.

[11] 張偉,何斌,趙霞,等. 開放的無線傳感器網絡平臺OpenWSN[J]. 計算機研究與發(fā)展,2008,45(1):97-103.

[12] 顧敏,顧翔,何勝虎,等. 比較遠程心電監(jiān)測與心電圖、動態(tài)心電圖在心律失常及心肌缺血中的診斷價值[J]. 江蘇實用心電學雜志,2013,22(2):565-569.

AMulti-ModalHealthDataFusionMethodinBodySensorNetworksBasedonBayesianNetworks*

SHIChunyan1,ZHAIYuting1,WANGLei2*

(1.College of Science,Zhangjiakou University,Zhangjiakou Hebei 075000,China; 2.Suzhou Institute of Biomedical Engineering and Technology,Chinese Academy of Sciences,Suzhou Jiangsu 215163,China)

As an important branch of wireless sensor networks(WSNs)in biomedical field,body sensor networks(BSNs)could remotely monitor a variety of human health data in real time. In this paper,we study a multi-modal health data fusion method based on the data collected in BSNs,in which we design a networking for BSNs including Holter sensor,blood pressure sensor and oxygen saturation sensor,and propose a method of myocardial ischemia monitoring and identification based on Bayesian network model and reasoning algorithm. Single-modal Holter monitoring and multi-modal health monitoring were performed in 60 patients with confirmed heart disease,and it was proved that the proposed multi-modal health data fusion method could effectively improve the detection rate of asymptomatic myocardial ischemia,providing a new auxiliary judgment method for clinical application.

body sensor network;multi-modal;data fusion;bayesian network

TP393

A

1004-1699(2017)10-1602-06

10.3969/j.issn.1004-1699.2017.10.025

史春燕(1983-),女,碩士學位,張家口學院理學院講師,從事計算機教學工作,主要研究方向為無線傳感器網絡、多模態(tài)數據融合算法等;

翟羽婷(1982-),女,碩士學位,張家口學院理學院講師,從事計算機教學工作,主要研究方向為無線傳感器網絡、信號傳輸隱私保護技術、計算機聯鎖技術等;

王磊(1982-),男,博士學位,碩士生導師,中國科學院蘇州生物醫(yī)學工程技術研究所副研究員,從事醫(yī)療健康軟件研發(fā)工作,主要研究方向為無線傳感器網絡、數據挖掘與數據融合算法、醫(yī)療健康人工智能應用研究等,wanglei@sibet.ac.cn。