阐释向量基于波形特点提取与支持向量机分类颅内压增高预测

论文导读：有着发现不及时、病情进展迅速、药物发挥作用时间较长等因素的影响，可能会错失最佳治疗时机，影响治疗效果，导致较高的颅脑伤亡率。目前临床监护中尚缺乏有效的提前提示颅内压增高的报警设备。一个有效的颅内压增高预测策略能够提前提醒医护人员并使医护人员有足够的准备时间降低颅内压，防止病情恶化，避开脑疝和死亡等危重症状
摘要：在神经内、外科，颅内压增高是一种常见的危重病症。颅内压增高能够导致脑灌注压降低与脑血流减少，造成脑组织缺血缺氧，甚至可能造成脑组织移位并产生脑疝。当临床医护人员发现患者发生颅内压增高之后才准备医护处理时，由于有着发现不及时、病情进展迅速、药物发挥作用时间较长等因素的影响，可能会错失最佳治疗时机，影响治疗效果，导致较高的颅脑伤亡率。目前临床监护中尚缺乏有效的提前提示颅内压增高的报警设备。一个有效的颅内压增高预测策略能够提前提醒医护人员并使医护人员有足够的准备时间降低颅内压，防止病情恶化，避开脑疝和死亡等危重症状的出现。鉴于颅内压管理在预防继发损伤和提升患者预后的重要量，一个基于计算机自动浅析的颅内压增高提前报警算法对于颅内压监护和医护处理具有重要作用。随着信号处理技术的进展，许多探讨人员提出了基于信号处理的自动颅内压增高预测策略。比较传统的策略主要建立在设置固定阈值和信号的独立性假设的基础上。自以90年始，部分学者考虑到信号内部的自关联性，对颅内压信号建立了时间序列模型，例如自回归模型。随着机器学习论述在诸多领域得到成功的运用与进展，近年来机器学习策略也被运用到颅内压走势浅析的探讨中，例如人工神经网络等。还有学者将多种高级信号处理策略结合起来对颅内压信号走势进行预测，例如小波浅析，卡尔曼滤波和近似熵等策略。上面陈述的探讨都将颅内压信号视为时间序列并将一段时间内的信号均值作为预测变量，忽略了每个心动周期内信号的动力学特性；而且颅内压波动是一个非线性和非平稳历程，科学界仍然缺乏关于颅脑调节机制的基本知识。这使得上面陈述的模型与策略不能准确的反应颅内压波动的机理，预测效果不够理想，未能被临床采取。然而，大量探讨表明颅内压的单形特点与颅内压信号的走势有关，同时这些波形特点也能够反应重要的颅内生理病理信息，如脑顺应性与脑血流自动调节能力。鉴于颅内压单形特点与颅脑生理病理情况的高度相关性，本论文提出一个新的对颅内压增高提前5分钟进行预测的案例。该案例的实施步骤如下：①设计一个逐拍分割算法将颅内压信号逐拍分割为单波信号；②设计一个波峰识别算法识别单波信号的特点子峰并提取波形特点指标；③构建一个基于支持向量机的二类分类系统，将颅内压单形特点指标作为分类系统的输入变量，系统的分类结果即对应着颅内压增高/颅内压未增高。具体地说，该分类系统首先利用一个具有全局搜索能力的优化特点选择算法，差分进化算法，自动选择最优的指标组合作为特点向量，利用Wrapper案例进行优化特点指标选择；然后将优化的特点向量作为输入变量，采取支持向量机作为分类器对波形特点进行分类。对优化特点向量的分类结果即对应着颅内压增高/颅内压未增高。本论文的主要探讨成果如下：①提出一个新的颅内压信号逐拍分割算法。在当前的临床和科研工作中，主要利用与颅内压信号同步记录的其他信号的特点点分割颅内压的单形，这种策略在很多情形下不适用。本探讨借鉴经典的图像匹配算法—形状上下文的思想实现了适合一维生理准周期信号的描述算子—波形上下文；本算法利用波形上下文提取给定点的波形特点，然后利用模板匹配法实现每个单波起搏点的检测。在没有同步记录的其他信号的情况下该算法可以实现连续颅内压信号的单形分割。②提出一个新的颅内压单形特点提取算法。该算法利用波形上下文提取单形的形态特点，然后利用分类器—支持向量机对该特点进行分类，最终识别颅内压单形中的三个特点子峰以及峰峰值，潜伏期和收缩期斜率等波形特点指标。③提出一个基于特点选择与支持向量机分类的颅内压增高预测系统。对于给定的信号，本系统在颅内压增高发生之前5分钟判断该信号是否为增高前段（颅内压增高）/平稳段（颅内压未增高）。该系统首先利用差分进化算法选择特点指标组合，利用Wrapper案例（差分进化算法进行特点选择，支持向量机作为分类器，敏感度与阳性预测值的均值作为决策函数）评估指标组合对分类的有效性并确定最优指标组合，然后将该指标组合输入支持向量机进行分类。分类器输出分类结果即对应着颅内压增高/颅内压未增高。④本论文提出的颅内压增高预测系统的一个重要特点是采取分类的方式，而非预测颅内压变化值的方式实现对颅内压增高的预测。对于给定的信号，本系统将之区分为增高前段和平稳段。当某段信号被区分为增高前段时即意味着5分钟以后将会产生颅内压增论文导读：.7核函数68-694.3.8支持向量机的运用69-704.4单波特点子峰识别算法70-754.4.1基于波形上下文的波形特点提取70-714.4.2波峰候选点714.4.3直方图平移71-734.4.4特点子峰识别73-754.5算法验证75-804.5.1患者数据与波峰标定754.5.2交叉验证75-764.5.3评估准则76-774.5.4实验结果77-784.5.5实验讨论78-804.6单
高。当某段信号被区分为平稳段时意味着5分钟以后将不会产生颅内压增高。通过这种分类的方式，将波形特点与颅内压增高直接联系起来。通过检测波形特点的变化判断是否将要发生颅内压增高，同时也为开展波形特点与颅脑病理情况的相关性开辟了一个新的探讨途径。最后，本论文利用临床数据对上面陈述的案例进行了验证。首先手工标定颅内压信号的每个单波的起搏点和三个特点子峰，利用单波分割算法与单形特点提取算法分别依次识别单波起搏点和单波特点子峰，然后利用量化的评估准则对上面陈述的两个算法的性能进行了验证。最后利用分类系统对颅内压增高进行预测并设计对照试验评估分类系统的预测效果。对照试验中该系统取得的敏感度为84%，特异度为96%。截止到目前为止，本次探讨是相关探讨领域中第一次利用颅内压单形特点实现预测跨度为5分钟的颅内压增高预测。初步的实验结果验证了该系统的有效性和潜在的实用性，为进一步的临床运用提供了实验基础。关键词：颅内压增高论文波形上下文论文支持向量机论文特点选择论文分类器论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-6
ABSTRACT6-12
1 绪论12-26

1.1 颅内压增高预测探讨背景及作用12-16

1.2 颅内压增高预测探讨近况16-23

1.3 本课题的探讨内容23-26

2 颅内压的生理基础及信号特点26-36

2.1 颅内压产生机理26-28

2.2 颅内压增高28-32

2.3 颅内压信号波动状态32-34

2.4 小结34-36

3 颅内压信号逐拍分割36-57

3.1 形状上下文37-41

3.2 波形上下文41-42

3.3 基于波形上下文的起搏点检测算法42-43

3.4 算法验证与比较43-55

3.4.1 患者数据与起搏点标定45

3.4.2 评估准则45-47

3.4.3 参数确定47

3.4.4 动脉压单波起搏点检测算法47-49

3.4.5 移动窗内的全局最小值49

3.4.6 实验结果49-50

3.4.7 实验讨论50-55

3.5 小结55-57

4 颅内压信号波形特点提取57-84

4.1 统计学习论述58

4.2 统计学习论述中的基本概念58-62

4.

2.1 机器学习59-61

4.

2.2 经验风险最小化准则61-62

4.3 支持向量机62-70
4.

3.1 VC 维62-63

4.

3.2 结构风险最小化准则63-65

4.

3.3 最优分类超平面65

4.

3.4 线性可分65-66

4.

3.5 线性不可分66-67

4.

3.6 非线性映射67-68

4.

3.7 核函数68-69

4.

3.8 支持向量机的运用69-70

4.4 单波特点子峰识别算法70-75

4.1 基于波形上下文的波形特点提取70-71

4.2 波峰候选点71

4.3 直方图平移71-73

4.4 特点子峰识别73-75

4.5 算法验证75-80

4.5.1 患者数据与波峰标定75

4.5.2 交叉验证75-76

4.5.3 评估准则76-77

4.5.4 实验结果77-78

4.5.5 实验讨论78-80

4.6 单形特点80-81

4.7 小结81-84

5 颅内压增高预测算法84-106

5.1 颅内压增高预测难点84-87

5.2 颅内压增高预测步骤87-89

5.3 差分进化算法89-92

5.

3.1 差分进化算法的实现历程90-92

5.

3.2 差分进化算法参数设置92

5.4 特点选择92-98

5.5 对照试验98-104

5.1 评估准则100-101

5.2 分类实验101

5.3 实验结果101-104

5.6 小结104-106

6 颅内压增高预测系统106-114

6.1 颅内压增高预测系统106

6.2 对照试验106-111

6.

2.1 评估准则107-108

6.

2.2 实验结果108

6.

2.3 实验讨论108-111

6.3 小结111-114
7 总结与展望114-120

7.1 主要结论114-115

7.2 对后续探讨工作的展望115-120

致谢120-122
参考文献122-132
附录132
A 作者在攻读博士学位期间发表的论文目录132
B 作者在攻读博士学位期间参加的科研项目及得奖情况132