陳曉飛，張 戈，王輝林*

（1.聯(lián)勤保障部隊(duì)第980 醫(yī)院醫(yī)學(xué)工程科，石家莊 050051；2.聯(lián)勤保障部隊(duì)第980 醫(yī)院放射診斷科，石家莊 050051）

0 引言

顱腦動(dòng)態(tài)電阻抗斷層成像（electrical impedance tomography，EIT）是一種無(wú)創(chuàng)、低成本、可連續(xù)監(jiān)護(hù)的生物醫(yī)學(xué)功能成像技術(shù)，在腦損傷等疾病的早期診斷方面有著良好的應(yīng)用前景[1-2]。動(dòng)態(tài)EIT 系統(tǒng)通過(guò)均勻安放在頭部的16 個(gè)電極，在2 個(gè)不同的時(shí)刻向顱腦施加安全電流激勵(lì)并測(cè)量邊界電壓，并利用一定的算法根據(jù)邊界電壓重構(gòu)出2 個(gè)時(shí)刻間顱內(nèi)的阻抗變化分布[3]。為了保證重構(gòu)圖像的真實(shí)有效，參考幀時(shí)刻和前景幀時(shí)刻的邊界電壓差應(yīng)盡可能只來(lái)自于顱內(nèi)阻抗變化，而良好穩(wěn)定的數(shù)據(jù)采集過(guò)程是滿(mǎn)足這一需求的首要條件[4]。然而，在長(zhǎng)時(shí)連續(xù)監(jiān)護(hù)的過(guò)程中，電極易受臨床上的體動(dòng)因素如患者的體動(dòng)（如擺頭、翻身）以及醫(yī)護(hù)人員的護(hù)理操作等的影響，使得電極-皮膚的接觸狀態(tài)發(fā)生改變，從而在邊界電壓的測(cè)量中引入體動(dòng)干擾，影響重構(gòu)圖像的質(zhì)量[5-7]。因此，需要對(duì)信號(hào)中的體動(dòng)干擾進(jìn)行處理。

體動(dòng)干擾是人體生理相關(guān)光、電信號(hào)采集過(guò)程中的常見(jiàn)問(wèn)題。以是否需要額外的參考信號(hào)輸入為標(biāo)準(zhǔn)，可將體動(dòng)干擾處理方法大致分為2 類(lèi)：第一類(lèi)為基于自適應(yīng)濾波器的處理方法[8-9]。其特點(diǎn)在于需要額外的輸入信號(hào)作為信號(hào)處理的期望，以此作為體動(dòng)干擾或理想信號(hào)的先驗(yàn)信息再對(duì)干擾信號(hào)進(jìn)行處理。此類(lèi)方法要求硬件設(shè)備具備相應(yīng)的參考信號(hào)采集功能，因此其適用范圍受到一定限制。第二類(lèi)處理方法主要包括維納濾波法[10]、信號(hào)相關(guān)提升法[11]、卡爾曼濾波法[12]、主成分分析法[13]、獨(dú)立成分分析法[14]等。以上方法不需要額外的輸入信號(hào)，而是通過(guò)利用信號(hào)的時(shí)域、空域或頻域特征，或采用奇異值分解等方法，對(duì)體動(dòng)干擾信號(hào)進(jìn)行檢測(cè)、分離。然而，上述方法均有其特定的使用前提，并且難以進(jìn)行實(shí)時(shí)處理[15]。

小波分解法是一種通過(guò)分析信號(hào)的時(shí)頻特性來(lái)檢測(cè)并處理體動(dòng)干擾成分的信號(hào)處理方法。最早Sato 等[16]利用小波分解的方法實(shí)現(xiàn)了顱腦近紅外光光譜檢測(cè)中體動(dòng)偽影的精準(zhǔn)識(shí)別。后續(xù)研究人員在此基礎(chǔ)上通過(guò)對(duì)對(duì)應(yīng)體動(dòng)干擾的小波分解系數(shù)進(jìn)行處理，實(shí)現(xiàn)體動(dòng)干擾的抑制[9，17-18]。Yang 等[19]通過(guò)小波分解的方法對(duì)肺部呼吸EIT 監(jiān)測(cè)中體動(dòng)干擾信號(hào)進(jìn)行處理，表明小波分解法在阻抗監(jiān)測(cè)信號(hào)的質(zhì)量提升方面也有著良好的應(yīng)用潛力。目前，將小波分解方法應(yīng)用到顱腦電阻抗監(jiān)測(cè)中的文章鮮有報(bào)道。

基于此，本研究利用小波分解的方法處理顱腦EIT 監(jiān)測(cè)中的體動(dòng)干擾信號(hào)。與傳統(tǒng)小波信號(hào)處理的方法不同，本研究擬基于不同來(lái)源信號(hào)小波分解系數(shù)的分布特征對(duì)體動(dòng)干擾信號(hào)進(jìn)行檢測(cè)，并采用壘墻式的計(jì)算策略實(shí)現(xiàn)該處理方法的實(shí)時(shí)運(yùn)行。本方法擺脫了傳統(tǒng)小波處理方法在軟硬閾值選擇上的局限性，通過(guò)概率分布的方法實(shí)現(xiàn)小波分解系數(shù)的動(dòng)態(tài)選擇，提高了數(shù)據(jù)處理的效能。

1 方法

1.1 EIT 的數(shù)據(jù)采集

本研究使用的顱腦EIT 系統(tǒng)需要等間距受試者頭部環(huán)貼16 個(gè)電極，采用對(duì)向激勵(lì)、鄰近采集的工作模式進(jìn)行邊界電壓數(shù)據(jù)的測(cè)量，數(shù)據(jù)采集流程如圖1 所示。該數(shù)據(jù)采集模式下單次激勵(lì)可得到12 個(gè)邊界電壓數(shù)據(jù)，遍歷所有電極構(gòu)成完整的一幀測(cè)量數(shù)據(jù)[20]。

圖1 對(duì)向激勵(lì)-鄰近測(cè)量模式下EIT 數(shù)據(jù)采集示意圖

1.2 基于小波分解的體動(dòng)干擾處理

通常顱腦EIT 監(jiān)測(cè)采集得到多個(gè)通道平緩慢變的時(shí)間序列邊界電壓信號(hào)[21]。當(dāng)體動(dòng)干擾發(fā)生時(shí)，邊界電壓信號(hào)發(fā)生劇烈波動(dòng)，與腦電等人體生理相關(guān)電信號(hào)中體動(dòng)干擾信號(hào)的形態(tài)相似，使得使用小波分解的方法來(lái)區(qū)分正常EIT 信號(hào)與體動(dòng)干擾成為可能。

對(duì)于動(dòng)態(tài)EIT 而言，其重構(gòu)過(guò)程可以簡(jiǎn)略表示為

式中，y表示阻抗變化圖像；B表示重構(gòu)矩陣；xf表示前景幀邊界電壓數(shù)據(jù)；xb表示參考幀邊界電壓數(shù)據(jù)。體動(dòng)干擾會(huì)體現(xiàn)在前景幀xf中并影響重構(gòu)結(jié)果。

前景幀數(shù)據(jù)中同時(shí)包含了正常的EIT 信號(hào)和體動(dòng)干擾信號(hào)，可以表示為

式中，xf（t）表示時(shí)間序列的前景幀邊界電壓信號(hào)；xf0（t）表示正常的EIT 邊界電壓信號(hào)；xf0（t）表示正常的EIT 信號(hào)；ε（t）表示體動(dòng)干擾信號(hào)。使用Mallet 方法進(jìn)行小波分解的形式可以將原始信號(hào)表示為[22-23]

從圖3可以看出，試驗(yàn)期間，不同覆蓋條件下，水溫平均日較差從高到低為單層薄膜覆蓋、對(duì)照、雙層薄膜覆蓋；單層薄膜覆蓋條件下，30、60 cm水深的池子水溫平均日較差分別為5.9、5.8℃， 相差不大；雙層薄膜覆蓋條件下，30、60 cm水深的池子水溫平均日較差分別為2.5、2.2℃，同樣相差不大；但露天條件下，60 cm 水池的變化范圍在 2.3～7.0℃，平均日較差為4.3℃，比30 cm的水池高1.1℃。雙層薄膜覆蓋、露天處理的日較差變化趨勢(shì)基本一致，表現(xiàn)為晴天條件下日較差較大，多云次之，陰天最??；而單層薄膜覆蓋表現(xiàn)為多云條件下日較差較大，晴天次之，陰天最小。

式中，?jk（t）=2j/2?（2jt-k），表示重構(gòu)尺度函數(shù)；ψjk（t）=2j/2ψ（2jt-k），表示重構(gòu)小波函數(shù)；j和k分別表示小波分解層數(shù)和尺度平移系數(shù)；v表示尺度分解系數(shù)；wj表示第j層小波分解系數(shù)，并且有

式中，g（n）和h（n）分別為高通濾波器和低通濾波器。

任意時(shí)間序列信號(hào)的小波分解系數(shù)均可以使用包含2 個(gè)獨(dú)立的高斯分布模型的混合高斯分布模型來(lái)描述其分布特征[24-25]。2 個(gè)高斯分布模型的均值均為0 但方差不同。方差較小的高斯模型代表幅值變化幅度較小的小波分解系數(shù)分布特征，方差較大的高斯模型則代表幅值變化幅度較大的小波分解系數(shù)分布特征。與體動(dòng)干擾信號(hào)相比，正常的顱腦EIT 信號(hào)在時(shí)間序列幅值改變更為緩慢，因此其對(duì)應(yīng)的小波分解系數(shù)方差更小，在0 均值周?chē)▌?dòng)范圍更窄。所以，可使用小方差的單個(gè)高斯分布模型來(lái)描述正常顱腦EIT 信號(hào)小波分解系數(shù)的分布[24]。對(duì)應(yīng)wjk的分布可以表示為wjk~N（0，σ2j）。其中每層的方差σ2j估計(jì)依據(jù)絕對(duì)中位差確定。絕對(duì)中位差對(duì)數(shù)據(jù)集中的異常值不敏感，具有良好的穩(wěn)定性。在顱腦EIT 數(shù)據(jù)采集過(guò)程中，體動(dòng)干擾表現(xiàn)為疊加在正常顱腦EIT 信號(hào)上的離散異常值，其對(duì)應(yīng)的總體分布方差與期望估計(jì)的先驗(yàn)正態(tài)分布方差不同。少量體動(dòng)干擾的發(fā)生不影響對(duì)正常顱腦EIT 信號(hào)小波分解系數(shù)先驗(yàn)高斯分布σ2j的估計(jì)結(jié)果。σ2j的具體計(jì)算公式為[26]

每個(gè)wjk對(duì)應(yīng)一個(gè)曲線(xiàn)下面積pjk，將其稱(chēng)為拒絕概率，表示wjk并非來(lái)源于預(yù)定義正態(tài)分布總體的概率，具體定義為

式中，|wjk|/為標(biāo)準(zhǔn)化后的正態(tài)分布；其中x∈R，為正態(tài)分布的積分函數(shù)。

參考統(tǒng)計(jì)置信區(qū)間定義，設(shè)定置信概率閾值α，若pjk≥α，則表明wjk并非來(lái)源于預(yù)定義正態(tài)分布總體，其對(duì)應(yīng)的原始數(shù)據(jù)為體動(dòng)干擾信號(hào)，否則對(duì)應(yīng)正常的顱腦EIT 信號(hào)，基于此對(duì)wjk進(jìn)行處理，具體可表示為

包含體動(dòng)干擾的wjk來(lái)源于先驗(yàn)正態(tài)分布N的事件發(fā)生概率位于置信區(qū)間外，其對(duì)應(yīng)的拒絕概率應(yīng)大于置信概率閾值，因此受體動(dòng)干擾影響嚴(yán)重的分解系數(shù)置零，從而抑制體動(dòng)干擾成分。閾值α決定了對(duì)體動(dòng)干擾的判定標(biāo)準(zhǔn)和抑制程度，當(dāng)α→0 時(shí)，則對(duì)所有的小波分解系數(shù)均不作處理。本研究中設(shè)置α=0.9。各參數(shù)定義如圖2 所示。

圖2 利用小波拒絕概率篩選體動(dòng)干擾對(duì)應(yīng)的小波分解系數(shù)方法示意圖

對(duì)小波分解系數(shù)的處理與否取決于體動(dòng)干擾的嚴(yán)重程度。體動(dòng)干擾的嚴(yán)重程度具體定義為當(dāng)前尺度下小波分解系數(shù)超出預(yù)定義閾值α的數(shù)量。定義數(shù)據(jù)集合和，其中I為指示函數(shù)。設(shè)置尺度系數(shù)j，得到數(shù)據(jù)集合{ψj}，進(jìn)行體動(dòng)干擾篩選處理的小波分解層標(biāo)記為ψj，processed，{ψj，processed}的和不應(yīng)小于{ψj}的90%，以保證體動(dòng)干擾處理的效果，并據(jù)此反向確定小波分解的層數(shù)。

1.3 實(shí)時(shí)小波計(jì)算

通常離散小波分解采用的是Mallet 方法，其通過(guò)濾波器族以逐級(jí)遞推的方式進(jìn)行計(jì)算。在進(jìn)行離線(xiàn)小波分解計(jì)算時(shí)，一般將全部數(shù)據(jù)一次性讀入后再逐層分解。然而，由于分解和重構(gòu)濾波器的長(zhǎng)度有限，單次卷積計(jì)算所需要的數(shù)據(jù)長(zhǎng)度也是有限的，數(shù)據(jù)長(zhǎng)度滿(mǎn)足向下一層分解時(shí)即可進(jìn)行小波分解運(yùn)算。基于此，饒貴安等[27]提出了一種壘墻式的小波分解計(jì)算方法（如圖3 所示），隨著數(shù)據(jù)的不斷讀入，同時(shí)進(jìn)行小波分解的計(jì)算，數(shù)據(jù)長(zhǎng)度滿(mǎn)足計(jì)算需求即向下進(jìn)行一次小波分解計(jì)算，計(jì)算流程整體橫向發(fā)展。

圖3 壘墻式小波分解示意圖

1.4 實(shí)驗(yàn)驗(yàn)證設(shè)計(jì)

為了驗(yàn)證上述方法的有效性，開(kāi)展仿真實(shí)驗(yàn)和人體實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)研究。

1.4.1 仿真實(shí)驗(yàn)

設(shè)計(jì)以下含高斯白噪的復(fù)合頻率正弦信號(hào)模擬顱腦EIT 信號(hào)：

式中，n=4；ω=2πf；μ 為正弦波的振蕩幅度；σ（t）為高斯白噪聲，模擬信號(hào)采集過(guò)程中的系統(tǒng)噪聲；γ為噪聲幅值，設(shè)置為1%水平。xsimulate（t）的幅值控制為（-1，1）。正弦波參數(shù)的設(shè)置涵蓋可能存在的人體生理信號(hào)及其他干擾，具體設(shè)置參照文獻(xiàn)[28]，其中包括：（1）同步心率信號(hào)，f1=1 Hz，μ1=0.4；（2）同步呼吸信號(hào)，f2=0.25 Hz，μ2=0.4；（3）低頻混疊信號(hào)，f3=0.1 Hz，μ3=0.4；（4）極低頻混疊信號(hào)，f4=0.01 Hz，μ4=0.5。仿真信號(hào)共包含1 000 個(gè)數(shù)據(jù)點(diǎn)。

向上述仿真信號(hào)中添加尖峰信號(hào)模擬體動(dòng)干擾。本研究設(shè)置如圖4 所示的4 種不同類(lèi)型的尖峰信號(hào)，分別為MA1、MA2、MA3、MA4。4 種尖峰信號(hào)與原始信號(hào)疊加得到混合信號(hào)xmix。采用均方根誤差百分比（percent root difference，PRD）、Pearson 相關(guān)系數(shù)（r）、決定系數(shù)（R2）3 個(gè)量化指標(biāo)分別對(duì)混合信號(hào)x和處理后信號(hào)y與原始信號(hào)xsimulate的一致性進(jìn)行評(píng)價(jià)，量化評(píng)估模擬體動(dòng)干擾的處理效果。其中PRD 反映2 組數(shù)據(jù)的離差特征，PRD 越小則2 組數(shù)據(jù)的背離程度越?。籸評(píng)價(jià)2 組數(shù)據(jù)的相似程度，r越大則2 組數(shù)據(jù)越相似；R2反映在空間距離上y（t）向x（t）的逼近程度，最大值為1，越接近1 說(shuō)明y（t）對(duì)x（t）的擬合程度越好。具體的計(jì)算公式如下：

圖4 仿真信號(hào)及體動(dòng)干擾設(shè)置示意圖

式中，x（t）和y（t）為要比較的時(shí)間序列信號(hào)，N為數(shù)據(jù)長(zhǎng)度。對(duì)于本研究，x（t）為不含模擬體動(dòng)干擾的原始信號(hào)xsimulate（t），y（t）為處理前后的含體動(dòng)干擾信號(hào)xmix（t）。

1.4.2 人體實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)

被試的納入標(biāo)準(zhǔn)如下：（1）頭皮表面無(wú)創(chuàng)傷；（2）非危重癥，無(wú)顱骨骨折；（3）意識(shí)清醒，可配合進(jìn)行數(shù)據(jù)采集；（4）無(wú)其他不適合進(jìn)行顱腦EIT 數(shù)據(jù)采集的情況。最終納入的被試為2018 年3 月于空軍軍醫(yī)大學(xué)附屬醫(yī)院神經(jīng)外科就診的2 例男性患者（年齡分別為18 歲、53 歲）的數(shù)據(jù)，均為輕型頭部外傷后留觀。將16 個(gè)進(jìn)行過(guò)消毒處理的杯狀電極涂抹導(dǎo)電膏后，均勻環(huán)貼于患者頭部。數(shù)據(jù)采集使用FMMU-EIT5 數(shù)據(jù)采集系統(tǒng)，激勵(lì)電流為500 μA，激勵(lì)頻率為50 kHz，數(shù)據(jù)采集速度為1 幀/s。在數(shù)據(jù)采集開(kāi)始前，將16 個(gè)進(jìn)行過(guò)消毒處理的杯狀電極涂抹導(dǎo)電膏后，均勻環(huán)貼在患者頭部。數(shù)據(jù)采集過(guò)程中患者躺在病床上，對(duì)患者的體動(dòng)和醫(yī)護(hù)人員的護(hù)理操作不做干涉。人體數(shù)據(jù)采集已獲倫理委員會(huì)批準(zhǔn)。

2 結(jié)果

2.1 仿真實(shí)驗(yàn)

本研究中數(shù)據(jù)處理方法對(duì)仿真信號(hào)的處理效果如圖5 所示。仿真實(shí)驗(yàn)采用db6 小波，分解層數(shù)為10。圖5（a）、（b）、（c）、（d）為圖4 中對(duì)應(yīng)的混合信號(hào)經(jīng)過(guò)小波處理后的結(jié)果。在信號(hào)形態(tài)上，尖峰信號(hào)模擬的體動(dòng)干擾得到了有效抑制，處理后的數(shù)據(jù)與原始數(shù)據(jù)高度相似。量化評(píng)估體動(dòng)干擾抑制方法的結(jié)果見(jiàn)表1。不同指標(biāo)的改善程度與干擾信號(hào)類(lèi)型密切相關(guān)。對(duì)于MA1和MA2，ΔR2大幅上升，而對(duì)于MA3和MA4，則Δr改善最明顯。除MA2以外，ΔPRD 的改善均超過(guò)70%。

表1 混合信號(hào)處理前后PRD、r 及R2 量化指標(biāo)的比較

圖5 仿真實(shí)驗(yàn)結(jié)果

表1 為混合信號(hào)處理前后均方根誤差百分比PRD、Pearson 相關(guān)系數(shù)r、決定系數(shù)R2量化指標(biāo)的比較。ΔPRD、Δr、ΔR2為對(duì)應(yīng)指標(biāo)在數(shù)據(jù)處理后相較于處理前的百分比改變。

2.2 人體實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)

人體實(shí)測(cè)數(shù)據(jù)的處理結(jié)果如圖6 所示。由于顱腦EIT 有192 個(gè)通道的有效數(shù)據(jù)，因此需要對(duì)192個(gè)通道分別進(jìn)行處理。針對(duì)納入的2 名被試，分別截取650 幀和280 幀長(zhǎng)度的臨床實(shí)測(cè)數(shù)據(jù)，其中包含了數(shù)個(gè)觀測(cè)到的體動(dòng)干擾。選用db4 小波，分解層數(shù)為6，對(duì)數(shù)據(jù)進(jìn)行處理，處理結(jié)果如圖6 所示。對(duì)比處理前后的信號(hào)波形，原始數(shù)據(jù)中包含的體動(dòng)干擾都得到抑制，數(shù)據(jù)的連續(xù)性明顯提升。

圖6 人體實(shí)測(cè)數(shù)據(jù)處理結(jié)果

顱腦EIT 圖像監(jiān)護(hù)需要將邊界電壓數(shù)據(jù)重構(gòu)為二維阻抗分布圖像，因此對(duì)處理前后的數(shù)據(jù)進(jìn)行圖像重構(gòu)以檢驗(yàn)干擾抑制效果。圖像重構(gòu)使用基于Matlab 2016b 的EIDORS v3.8 工具箱，圖像重構(gòu)方法為高斯牛頓法。圖7、圖8 分別為被試1、被試2 的電壓均值曲線(xiàn)圖。圖9~12 為被試1 數(shù)據(jù)處理前后的圖像重構(gòu)結(jié)果對(duì)比，圖13~15 為被試2 數(shù)據(jù)處理前后的圖像重構(gòu)結(jié)果對(duì)比。體動(dòng)干擾導(dǎo)致重構(gòu)圖像出現(xiàn)明顯的體動(dòng)偽影[如圖9（a）、10（a）、11（a）、12（a）所示]，經(jīng)小波方法處理后圖像的均勻性顯著提升[如圖9（b）、10（b）、11（b）、12（b）所示]。在相同坐標(biāo)尺度范圍下，數(shù)據(jù)處理后的重構(gòu)圖像三維幅值分布更加平滑。同樣的，從重構(gòu)圖像重構(gòu)值變化范圍上看，在相同尺度下，處理后數(shù)據(jù)的重構(gòu)圖像上的偽影基本消失，重構(gòu)圖像的幅值更為平滑。

圖7 被試1 電壓均值曲線(xiàn)

圖8 被試2 電壓均值曲線(xiàn)

圖9 被試1 體動(dòng)干擾M1 處理前后的重構(gòu)圖像及其三維幅值分布

圖10 被試1 體動(dòng)干擾M2 處理前后的重構(gòu)圖像及其三維幅值分布

圖11 被試1 體動(dòng)干擾M3 處理前后的重構(gòu)圖像及其三維幅值分布

圖12 被試1 體動(dòng)干擾M4 處理前后的重構(gòu)圖像及其三維幅值分布

圖13 被試2 體動(dòng)干擾M1 處理前后的重構(gòu)圖像及其三維幅值分布

圖14 被試2 體動(dòng)干擾M2 處理前后的重構(gòu)圖像及其三維幅值分布

圖15 被試2 體動(dòng)干擾M3 處理前后的重構(gòu)圖像及其三維幅值分布

3 討論

本研究采用小波分解的方法對(duì)顱腦EIT 數(shù)據(jù)采集中的尖峰型體動(dòng)干擾進(jìn)行處理。與既往小波處理方法不同的是，本研究放棄了既往研究中需要手動(dòng)確定硬閾值或軟閾值的方法，采用了概率計(jì)算的策略進(jìn)行體動(dòng)干擾信號(hào)的篩選?；谡ｏB腦EIT 信號(hào)的小波分解系數(shù)構(gòu)建代表其總體的高斯分布模型，針對(duì)單個(gè)小波分解系數(shù)，計(jì)算其在先驗(yàn)高斯模型下對(duì)應(yīng)的曲線(xiàn)下面積，即為拒絕概率。如果該小波分解系數(shù)位于預(yù)設(shè)定的先驗(yàn)高斯分布置信區(qū)間外，則其對(duì)應(yīng)的拒絕概率應(yīng)大于預(yù)設(shè)的概率閾值，由此實(shí)現(xiàn)體動(dòng)干擾成分的篩選并加以處理。該方法僅需設(shè)定統(tǒng)一的概率閾值，不需要為每層小波分解系數(shù)單獨(dú)設(shè)置特定閾值，大大減輕了算法設(shè)計(jì)的負(fù)擔(dān)，提高了體動(dòng)干擾的檢測(cè)效能。特別是對(duì)于EIT 信號(hào)這樣的多通道數(shù)據(jù)而言，該方法尤其適用。人體實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)表明，該方法可有效抑制時(shí)間序列信號(hào)中的體動(dòng)干擾成分，恢復(fù)信號(hào)的連續(xù)性，減輕重構(gòu)圖像偽影。

前期文獻(xiàn)對(duì)于體動(dòng)干擾信號(hào)的形態(tài)特征進(jìn)行過(guò)經(jīng)驗(yàn)性總結(jié)，研究人員將生理相關(guān)光電信號(hào)采集中的體動(dòng)干擾總結(jié)為時(shí)間序列信號(hào)中幅值超出正常信號(hào)范圍的快速、劇烈變化信號(hào)成分，并且與正常信號(hào)相比更缺乏周期性[16]。在顱腦EIT 信號(hào)中，與平緩慢變的正常信號(hào)相比，體動(dòng)干擾主要包含高頻成分。因此，根據(jù)小波函數(shù)與信號(hào)間斷點(diǎn)的卷積特性，體動(dòng)干擾部分信號(hào)對(duì)應(yīng)的小波分解系數(shù)表現(xiàn)為局部的模極大值[19]。這種小波分解系數(shù)模值的差異是使用混合高斯分布模型描述小波分解系數(shù)分布特征并對(duì)干擾信號(hào)進(jìn)行鑒別的基礎(chǔ)。

本研究仍存在一定的不足：本研究中提出的基于小波分解的尖峰型體動(dòng)干擾處理方法在干擾界定的閾值上具有較好的靈活性，但其大范圍推廣應(yīng)用仍需進(jìn)行更多的臨床實(shí)測(cè)數(shù)據(jù)驗(yàn)證。此外，臨床上體動(dòng)干擾的發(fā)生有可能存在尖峰型干擾與其他類(lèi)型體動(dòng)干擾混疊的場(chǎng)景，降低本研究中小波方法的處理效能。因此，在下一步的研究中將收集更多的臨床體動(dòng)干擾類(lèi)型數(shù)據(jù)，對(duì)本研究中處理方法進(jìn)行針對(duì)性的改進(jìn)，增強(qiáng)魯棒性，從而提升顱腦EIT 的臨床實(shí)用性與適用性。

綜上，本研究提出的基于小波分解系數(shù)統(tǒng)計(jì)特征的顱腦EIT 體動(dòng)干擾處理方法避免了對(duì)每次小波分解結(jié)果設(shè)定具體閾值，而是通過(guò)設(shè)定置信概率區(qū)間的方法實(shí)現(xiàn)體動(dòng)干擾成分的篩選與處理，特別適合顱腦EIT 多通道數(shù)據(jù)采集的應(yīng)用場(chǎng)景。實(shí)驗(yàn)結(jié)果表明，該方法可有效抑制體動(dòng)干擾成分，恢復(fù)正常的圖像監(jiān)護(hù)。