胎儿心搏检查是孕妇妊娠期监护的一项重要指标, 从中可以获取胎儿心脏发育状况、胎儿成熟度、胎儿生命迹象、胎儿宫内窘迫、以及胎儿是否患有先天性心脏疾病等信息[1].常规的胎儿心搏(fetal heart beat, FHB)检测方法包括:超声波检测、胎儿心电信号(fetal electrocardiogram, FECG)检测等.超声波检测需要大型设备辅助, 且不宜进行长期监测; 而FECG信号需要在母体胸部及腹部安装多导联电极, 获取母体不同部位的电位变化曲线, 进而通过频谱分析、阈值技术、自适应滤波算法等信号处理技术提取FHB[2], 其中多个电极芯片的粘附会限制受试者的日常活动且对其心理造成一定的压力.因此, 开发一种新型的更适用于家庭日常长期监护的FHB信号检测方法势在必行.
体震信号(BCG)是一种非接触式的评估心脏健康状况的技术, 通过记录包括心脏搏动、主动脉及其周边动脉血液的流动活动传导至体表的振动, 进而提取受试者的心率、呼吸率等信息, 适宜家庭日常的长期监护环境[3].因此, 本文提出一种基于母体体震(maternal ballistocardiogram, MBCG)信号的FHB信号提取方法.首先, 通过实验室搭建的坐姿BCG信号检测座椅, 采集MBCG信号及同步母体心电(maternal electrocardiogram, MECG)信号, 通过频谱对比分析, 验证算法的可行性; 其次, 应用快速独立分量分析(fast independent component analysis, FastICA)算法[4], 从混合信号中分解出彼此统计独立的信号, 即母体心搏(maternal heart beat, MHB)信号与FHB信号; 最后, 利用FECG信号验证所提算法的准确性及有效性.
1 数据采集与可行性分析坐姿BCG信号检测座椅, 是一种通过在普通家庭座椅坐垫处安装薄膜压力传感器, 记录母体体表的微弱振动波形的装置.本文通过实验室搭建的坐姿BCG信号检测座椅, 检测MBCG信号, 并同步记录母体胸部及腹部的MECG信号, 以备验证实验使用.实测时域波形如图 1所示.
通过观察图 1中MBCG信号及MECG信号的时域波形变化, 能够发现二者具有相同的节律, 均反映了母体的心搏周期.但尚无法直观地观察到MBCG信号中所包含的FHB信息, 故绘制二者的频谱图, 如图 2所示.
图 2为MECG信号与MBCG信号的频谱分布图.通过观察可见, MECG信号的功率集中在2~9 Hz频带, MBCG信号的功率集中在3~10 Hz频带.分别计算2~5 Hz, 5~8 Hz, 8~11 Hz 3个频段的功率分布.MECG信号和MBCG信号之间的功率比分别为1.4, 0.8, 0.9, 可见MBCG信号的平均主频成分比MECG信号的平均主频成分要高.根据FHB频数为MHB的2~3倍, 可初步推断MBCG信号中除包含MHB成分外, 还含有FHB成分.
2 FHB信号提取算法 2.1 FastICA算法独立分量分析方法是从多变量的混合数据中发现隐含信息成分的一种方法, 与其他方法相比较, ICA的突出特点是:它的分析处理对象是非高斯信号, 并且以相互独立为隐含变量的提取准则.因此, ICA是一个信号驱动的方法, 许多系统或者现象可以简单地测量而不用设计不同的实验条件, 是一种解决盲源分离问题的有效方法[5].
FastICA算法基本步骤:
1) 对观测信号进行中心化处理:
(1) |
2) 对观测信号进行白化处理.
3) 随机选择初始权值矢量W0, K=0.
4) 更新权值矢量WK+1:
(2) |
5) 归一化WK+1:
(3) |
6) 如果|WK+1-WK|>ε, 算法不收敛, 返回2), 否则FastICA算法估计出一个独立分量, 算法结束.
对于多个独立分量的提取, 重复使用FastICA算法的基本形式进行多次分离即可.FastICA算法与其他使用梯度算法的ICA方法不同, 它无须选步长参数, 易于使用, 并且收敛速度很快.而且它能利用任何的非线性函数直接找出任何非高斯分布的独立分量, 因而无须事先估计概率密度函数.此外, 应用FastICA算法, 各个独立分量可被逐个估计出来, 在得到感兴趣的独立分量后, 无须再提取其他分量, 故可减少计算量[6].
目前, FastICA算法在生物医药领域的应用较为广泛, 由于多数生物医学信号在统计上具有相互独立性, 因而采用FastICA算法更容易分离提取到具有实际物理或生理意义的生物医学信号分量.本文正是考虑到FastICA算法所具有的计算优势及实际应用价值, 故选用该方法提取FHB分量信息.
2.2 FHB信号提取算法根据FastICA的特点, 取MECG信号和MBCG信号为输入信号, 输出应为两个相互独立的信号.在第1节已经分析过了MECG信号和MBCG信号的主要成分, 分别为MHB和FHB.提取方法如图 3所示.
具体算法描述如下:
1) 获取数据.使用坐姿BCG信号检测座椅获取MBCG信号及同步胸部MECG信号.每位受试者采集30组MBCG信号和30组MECG信号, 每组信号时长20 s, 采样率为100 Hz.所有受试者均为怀孕30~35周不等的健康孕妇.
2) 构建矩阵x(t).由于ICA算法要求所提取的独立分量的通道数应小于或等于输入信号的通道数, 故采用来自同一母体的两组MBCG信号和两组MECG信号构成4通道输入矩阵x(t).
3) 提取MECG分量.应用FastICA算法提取3通道输出矩阵, 获取输入矩阵x(t)中相对独立的3种主频成分.其中, 节律相同的两通道即可判定为MECG分量和MBCG分量, 将其中符合ECG信号波形规律的一路分量记录为MECG分量Y1.
4) 构建矩阵x1(t).使用自适应二阶差分阈值算法[7]提取输入MECG信号中的峰值点R波, 剔除输入MECG波形中的R波成分, 而后使用该组MECG信号与两组MBCG信号共同构成新的3通道输入矩阵x1(t).
5) 提取FHB成分.再次使用FastICA算法提取2通道输出矩阵, 获取输入矩阵x1(t)中相对独立的两种主频成分.此时, 由于MECG主频成分已经被移除, 故FHB成分增强, 即可得到两路输出分量,分别记录为MHB成分Y2和FHB成分Y3.
6) 训练调试.通过调整FastICA算法的相关参数, 最终均可以获得含有相同节律的MECG分量Y1和MHB分量Y2, 以及具有2~3倍节律的FHB分量Y3, 所得提取结果如图 4所示.
采集来自3位不同受试者的坐姿MBCG信号及同步五导联的MECG信号, 包括胸部两路和腹部三路, 同时通过多普勒超声扫描分别获取这3位受试者的准确胎儿心率信息.其中, 3位受试者均为怀孕30~35周的健康孕妇.
3.1 算法准确性验证与临床常用FHB获取方法MECG信号进行准确率对比, 验证算法准确性.应用每位受试者30组MBCG信号及30组胸部MECG信号(仅使用五导联MECG信号中的一路), 构建15组不同的4通道输入矩阵x(t), 通过文中所提FastICA算法获取不同时刻的FHB分量.与此同时, 采用两路胸部MECG信号及三路腹部MECG信号, 获取FECG信号[8].比较来自同一受试者相同时刻的FHB分量与FECG信号波峰点, 并按照公式(4)计算算法准确率:
(4) |
以其中一组数据为例, 来自3位受试者的算法准确率计算结果如表 1所示.
通过以上算法计算来自3位受试者的共45组数据, 获得算法的平均准确率为91.3%, 验证了该方法检测胎儿心率的准确性.
3.2 算法有效性验证与FHB获取的金标准多普勒超声数据进行一致性分析, 验证算法有效性.应用每位受试者30组MBCG信号及30组胸部MECG信号, 通过本文所提算法获取相应的FHB分量后, 提取其波形中的波峰点, 用以计算胎儿心率值.与此同时, 通过同步检测的多普勒超声获取准确的胎儿心率值.为验证二者所得结果的一致性, 应用SAS9.4软件绘制两组实验结果的Bland-Altman关联图[9], 如图 5所示.
由图 5可见, 二者的一致性分布较为均匀, 且均匀分布在对称轴附近, 说明两种测量方法具有较好的一致性, 从而验证了本文所提算法的有效性.
4 结语本文初步探索了从MBCG信号中提取FHB信号的方法.与经典FECG信号检测方法相比, 本文所提算法无需在孕妇体表粘附多导联电极, 更适用于家庭长期的日常胎儿心率监护.但目前的实验尚需要受试者处于平静状态安坐于测试座椅上, 且检测结果虽然可以用于评估胎儿心率状态, 但仍低于FECG检测的准确率, 故尚有较大的改进空间.
[1] | Reddy B M, Subbareddy T V, Reddy S O, et al.A tutorial review on data compression with detection of fetal heart beat from noisy ECG[C]// 2014 International Conference on Control, Instrumentation, Communication and Computational Technologies.Kanyakumari, 2014:1310-1314. |
[2] | Karvounis E C, Tsipouras M G, Fotiadis D I, et al. An automated methodology for fetal heart rate extraction from the abdominal electrocardiogram[J]. IEEE Transactions on Information Technology in Biomedicine, 2007, 11(6): 628–638. DOI:10.1109/TITB.2006.888698 |
[3] | Inan O T, Migeotte P F, Park K S, et al. Ballistocardiography and seismocardiography:a review of recent advances[J]. IEEE Journal of Biomedical and Health Informatics, 2015, 19(4): 1414–1427. DOI:10.1109/JBHI.2014.2361732 |
[4] | Shehada D, Khandoker A H.Non-invasive extraction of fetal electrocardiogram using fast independent component analysis technique[C]//2014 2nd Middle East Conference on Biomedical Engineering.Doha, 2014:349-352. |
[5] |
程瑶. 基于独立分量分析的盲信号分离算法研究[D]. 沈阳: 东北大学, 2010.
( Cheng Yao.Research on the algorithm of blind signal separation based on independent component analysis[D]. Shenyang:Northeastern University, 2010. http://d.wanfangdata.com.cn/Conference/3102248 ) |
[6] |
李君. 基于独立分量分析方法的胎儿心电提取的研究[D]. 重庆: 重庆大学, 2009.
( Li Jun.Study on FECG extraction based on independent component analysis method[D]. Chongqing:Chongqing University, 2009. http://cdmd.cnki.com.cn/Article/CDMD-10611-2009149712.htm ) |
[7] | Li D D, Qiao P, Zhao G.A new moving object detection approach with adaptive double thresholds[C]// 2013 Fifth International Conference on Computational and Information Sciences (ICCIS).Shenyang, 2013:102-105. |
[8] | Melillo P, Santoro D, Vadursi M. Detection and compensation of interchannel time offsets in indirect fetal ecg sensing[J]. IEEE Sensors Journal, 2014, 14(7): 2327–2334. DOI:10.1109/JSEN.2014.2309994 |
[9] | Tanaka S, Nogawa M, Yamakoshi T, et al. Accuracy assessment of a noninvasive device for monitoring beat-by-beat blood pressure in the radial artery using the volume-compensation method[J]. IEEE Transactions on Biomedical Engineering, 2007, 54(10): 1892–1895. DOI:10.1109/TBME.2007.894833 |