基于贝叶斯网络的体域网多模态健康数据融合方法*

史春燕,翟羽婷,王 磊

(1.张家口学院理学院,河北 张家口 075000;2.中国科学院苏州生物医学工程技术研究所,江苏 苏州 215163)

项目来源:江苏省政策引导类计划(产学研合作)—前瞻性联合研究项目(BY2016049-01)

2017-01-23修改日期2017-07-07

基于贝叶斯网络的体域网多模态健康数据融合方法*

史春燕1,翟羽婷1,王 磊2*

(1.张家口学院理学院,河北 张家口 075000;2.中国科学院苏州生物医学工程技术研究所,江苏 苏州 215163)

体域网作为无线传感器网络在生物医学领域的一个重要分支能够远程实时监测人体多项健康数据。针对基于体域网采集到的多模态健康数据融合与分析方法进行研究,设计了一套包括动态心电传感器、血压传感器和血氧饱和度传感器的体域网组网方式,提出了一种基于贝叶斯网络模型和推理算法的心肌缺血监测识别方法。通过对60例确诊心脏病患者施行单一模态动态心电监测和多模态健康数据监测对比实验,验证了所提出的多模态健康数据融合方法能够有效提高无症状性心肌缺血的检出率,为临床应用提供了一种新的辅助判别手段。

体域网;多模态;数据融合;贝叶斯网络

体域网BSN(Body Sensor Networks)作为无线传感器网络WSN(Wireless Sensor Network)在生物医学领域的一个重要应用分支,近年来引起了健康医疗、远程监护、社区养老等多个领域学者的关注和研究[1]。从定义上理解,体域网是指将植入式、可穿戴式或者近体式三类传感器安置于人体体内或体表,采集得到多种类型的体征数据,比如心电、脑电、体温、血压、血氧等信息并通过无线传感器网络上传到数据处理中心,基于数据挖掘与分析技术辅助决策人员做出人体健康状况的评价。

体域网在健康医疗领域的研究主要集中于人体各类健康数据的实时采集设备、无线传感器网络的组网方式以及低功耗通信元器件的研发。在健康数据分析领域,张伟等针对人体脉搏波的测量及性别区分进行了深入研究,实验结果为中医通过切脉判定性别提供了定量依据[2]。刘毅等针对心电图(ECG)实时检测信号面临的随机噪声问题提出了一种基于双阈值函数的信号去噪法,获得了体域网在ECG信号处理方面更优的去噪性能[3]。彭向东等针对体域网远程监护中心对重构的ECG信号精度要求高和BSN低功耗问题,提出基于过完备字典的体域网压缩感知心电重构方法[4]。

随着传感技术、物联网技术的快速发展,基于体域网能够实时采集到大规模多模态的人体健康数据,这为提供更为精准的健康数据分析提供了可能性,同时也为多模态健康数据融合与分析技术提出新的挑战[5],研究者已经针对无线传感器网络的数据融合算法进行了深入研究[6-7]。无症状性心肌缺血(SMI)由于发病过程中一般不伴随病人明显感知的心绞痛症状,因此更加需要借助高精度的监测系统提供客观数据和诊断依据。目前临床大多采用动态心电图12导联方式连续监测病人24 h的心电信号,交由医生针对单一模态的心电波形数据判断病人的心肌缺血病情。研究者也针对远程心电监测、心电图、动态心电图(Holter)等不同类型心电监测仪器和数据进行了对比分析,验证了动态心电图在心律失常、心肌缺血临床检查中的价值[8]。设计一套先进的体域网并利用多模态健康数据实时采集和信息融合技术,能够为医生提供一种更加准确的心肌缺血临床辅助判别手段。

本文针对人体多模态健康数据实时采集与分析开展工作,设计一套集成24 h动态心电传感器、血压传感器和动态血氧饱和度传感器的基于体域网的心肌缺血动态监测系统,研究如何将采集到的连续型多模态健康数据进行特征提取,并提出一种基于贝叶斯网络模型和推理算法的健康数据融合方法,探讨集成动态心电信息、心率信息、血压和血氧饱和度4种模态数据的无症状性心肌缺血临床辅助诊断方法。通过针对60例患者的多模态健康数据进行监测,与单一模态的动态心电分析进行对比,分析本文所提出的多模态健康数据融合与分析方法的性能与准确度。

1 基于体域网的心肌缺血动态监测系统

体域网基于植入式、可穿戴式或者近体式的低功耗高精度传感器技术,在人体内部或体表布置多个微型传感器并组网形成一套完整的体域网结构,实现人体健康体征数据的监测,从而支持健康医疗数据分析,为远程医疗、实时监护提供支持[9]。本节简要介绍所设计搭建的基于体域网的心肌缺血动态监测系统架构以及数据融合所采用的贝叶斯网络关键技术。

1.1 基于体域网的心肌缺血监测系统

无症状性心肌缺血在临床上指客观证据显示已经出现了心肌缺血,但是不伴随出现病人有明显感觉的各种类型心绞痛症状。据临床统计约有一半的冠心病患者可发生无症状性心肌缺血。

基于体域网的心肌缺血监测系统架构如图1所示,由体表传感器、体域网数据传输节点和数据分析终端组网实现。

图1 基于体域网的心肌缺血监测系统架构

动态心电传感器使用临床广泛应用的12导联方式贴附于人体体表,采集人体24 h连续心电信号;采用可穿戴腕式电子血压传感器收集人体血压信息;使用指套式血氧检测仪记录人体血氧饱和度。以上传感器将人体多种模态的健康数据进行连续测量并通过数据传输节点传送到数据分析终端,然后基于多模态的体征数据进行数据融合与智能分析。

目前临床对于心肌缺血的检测大多基于心电图或者动态心电图,医生通过单一模态的健康数据(心电信号)对可能存在的心肌缺血做出判断,这一过程很大程度上依赖于医生的临床经验。同时,由于被测人体的呼吸运动、外部电磁干扰、信号采集和传输过程的数据噪音等因素,依靠单一模态心电信号做出判断存在一定程度的不确定性和不可靠性[10]。心肌缺血尤其是无症状性心肌缺血除了会引起心电信号异常外,有些患者还会出现血压异常、血氧饱和度异常。通过同时采集病人的连续心电信号、血压信号和血氧饱和度信号,基于多模态数据融合技术综合分析,有利于协助医生针对心肌缺血做出更加准确的判断。

1.2 贝叶斯网络模型与推理过程

贝叶斯网络通过图形的方式描述变量集合的连续概率分布,综合使用图论、概率论、人工智能和决策理论推理系统的不确定事件。给定随机变量集合V={v1,v2,…,vn},建立在该集合上的联合概率分布P(V)=P(v1,v2,…,vn)可以表示为一个贝叶斯网络:

B=

(1)

式中:G=是贝叶斯网络结构,用一个有向无环图表示,节点集合V为随机变量,节点的状态对应于随机变量的值,A为节点之间的有向弧集合,表示节点之间的条件依赖关系;P是贝叶斯网络的网络参数,P中的每一个元素代表节点的条件概率表(CPT),量化表示了贝叶斯网络中节点与其父节点之间的概率关系,由概率的链规则有:

(2)

建立针对心肌缺血识别的贝叶斯网络模型,首先需要确定定义域变量,明确哪些因素影响心肌缺血病症识别的判断,通过变量给出这些因素的具体含义;然后构造一个描述变量以及变量之间关系的有向无环图G,确定贝叶斯网络结构;接着需要制定条件概率分布表CPT,结合专家临床经验确定贝叶斯网络中每个变量的条件概率分布函数P(vi)以及变量之间的依赖关系。在此基础上借助贝叶斯网络模型对心肌缺血进行推理与判断,并在可行情况下对贝叶斯网络模型进一步优化。

2 基于贝叶斯网络的健康数据融合方法

在基于体域网的心肌缺血动态监测系统基础上,本节讨论如何处理采集获得的多模态健康数据,对心肌缺血进行识别。首先提出多模态健康数据特征提取方法,并以心电ST段变化为例介绍通过时域特征提取、频域特征提取和时频组合特征提取待判别的数据信息;然后建立用于心肌缺血识别的贝叶斯网络模型,确定网络结构和观测变量;最后介绍贝叶斯网络参数和推理过程。

2.1 多模态健康数据特征提取

基于体域网的心肌缺血动态监测系统能够通过多种传感器组网方式采集到多种模态的健康数据。监测系统将3种不同的传感器连接于被测人体体表,监测包括心电ST段变化、心率变化、血压变化以及血氧饱和度在内的4种模态的健康数据,随后针对每种模态的健康数据进行特征提取。

以心电ST段变化的特征提取为例进行分析。动态心电是一种模拟波,根据一维波形的时域特征可以划分为P波、PR间期、QRS波群、ST段、QT间期等不同的波段,其中ST段变化情况对于心肌缺血、心肌细胞损伤的诊断具有明显的临床意义[11]。首先对心电ST段进行时域特征提取,然后进行频域特征提取,在此基础上进行心电ST段时频组合特征提取。

①心电ST段时域特征提取。心电波形呈现明显的周期特性,其中ST段正常情况呈现略上斜形,异常情况可能出现ST段水平压低(图2(a))、ST段上斜型压低(图2(b))、ST段弓背向下抬高(图2(c))、ST段墓碑样抬高(图2(d))等不同类型时域特征,如图2所示。

图2 几种常见的ST段异常波形

本文提取ST段的5个特征点和PR间期结束的1个特征点,从而组成心电ST段时域特征的6元组:

Ft-domain=

(2)

式中:hPR表示PR间期结束特征点的高度,h1～h5依次表示ST段起始点、1/4点、1/2点、3/4点和终止点的高度。

②心电ST段频域特征提取。首先对原始信号进行小波包分解和重构,设计6个分解层次,最终得到64个频段的能量,记为p0,p1,…,p63。按照式(3)进行频带组合:

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)。

频带f在64段均分频段能量后进行累加得到:

(4)

③心电ST段时频组合特征提取。进行时域和频域特征提取后,为了更完备地体现原始信号,进行了相对特征提取和组合特征提取:

Ft-relative=

(5)

Ff-relative=

(6)

(7)

式(5)表示时域相对特征向量,式(6)表示频域相对特征向量,并以此组合成不同的特征向量。

2.2 心肌缺血识别的贝叶斯网络模型

建立用于心肌缺血识别的贝叶斯网络模型首先需要确定网络中的设定变量、观测变量,然后确定传感器可能接收到的数据并建立网络结构。根据心肌缺血诊断需求,建立的心肌缺血识别贝叶斯网络结构如图3所示。

图3 心肌缺血识别的贝叶斯网络结构

贝叶斯网络结构中的识别对象为心肌缺血类型,设定为有症状性心肌缺血、无症状性心肌缺血、心肌供血正常。

传感器包括动态心电传感器、血压传感器、血氧传感器。

心电ST段变化监测到的信号包括ST段下移≥1 mm、ST段改变>1 min、再次发作ST段≥1 min;心率变化包括心率≥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);血压变化包括高压≥1.5倍平均高压Avg(Hbp)、高压≥1.2倍平均高压Avg(Hbp)、低压≥1.5倍平均低压Avg(Lbp)、低压≥1.2倍平均低压Avg(Lbp);血氧饱和度包括SpO2≥94%、70%

心肌缺血识别贝叶斯网络模型在多模态健康数据特征提取得到的概率估计基础上,根据临床经验设定变量各状态之间的概率取值。

2.3 贝叶斯网络参数及推理过程

在总结心肌缺血与ST段变化、心率变化、血压变化以及血氧饱和度的临床数据基础上,结合专家意见给出每种症状出现的初始概率值。为了降低CPT复杂度和获取难度,采用减少父节可能状态,并增加贝叶斯网络中间节点的方法减少父节点个数。

贝叶斯推理过程采用了马尔可夫链蒙特卡洛算法[12],算法流程描述如下:

马尔可夫链蒙特卡洛算法

输入:贝叶斯网络结构,条件概率分布表CPT

输出:近似条件概率分配表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.输出结果:近似条件概率分配表CPT*

3 实验结果分析

为了验证本文提出的基于贝叶斯网络的体域网多模态健康数据融合方法在心肌缺血诊断的临床价值和判别效果,针对60例明确诊断为心脏病或存在心脏不适症状的患者行常规12导联24 h动态心电图监测,同时行连续血压和血氧监测。统计分析单一模态与多模态数据融合所得到的心肌缺血检出率和判别准确性。

3.1 心肌缺血检出率

针对60例待检患者实施12导联24 h动态心电图监测,同时实施血压和血氧动态监测。分别记录单一使用动态心电图得到的心肌缺血判定分析结果,以及综合使用动态心电图、血压传感器和血氧传感器得到的多模态健康数据判定分析结果。采用统计软件SPSS 19.0对监测结果进行统计分析。计数资料采用χ2检验,以P<0.05为差异有统计学意义。

60例患者的动态心电图(单一模态)和多模态健康数据监测结果比较如表1所示。

从表1得到的结果可以看出,单一使用动态心电图对于有症状性心肌缺血和无症状性心肌缺血的检出率分别为13.4%和35.0%,使用基于体域网的心肌缺血检测系统和多模态健康数据融合方法对于上述两种病症的检出率分别为15.0%和61.7%,差异具有统计学意义(χ2=7.18,P<0.05以及χ2=7.59,P<0.05)。可见基于体域网的多模态健康数据监测与数据融合分析方法对于心肌缺血尤其是无症状性心肌缺血检出率的提高具有较为明显的提升作用。

表1 60例患者动态心电与多模态监测比较

进一步,对通过多模态监测系统检出的37例无症状性心肌缺血发作阵次和发作时间进行统计分析,如表2所示。

表2 37例无症状性心肌缺血发作阵次与时间

图4 单模态与多模态数据分析对比

可以看出无症状性心肌缺血大多发生在白天,且上午发作阵次更为频繁。

3.2 单模态与多模态数据分析结果对比

为了比较本文提出的基于体域网的多模态健康数据监测与数据融合分析方法对于心肌缺血病症判别的临床价值,从60例患者检测结果中选取1名患者作为分析对象,对比使用动态心电图与使用本文系统得到的诊断判别结果,如图4所示。

图4(a)为使用动态心电图得到单一模态监测数据后,结合专家经验得到的判别结果概率统计,正常概率为50.7%,有症状性心肌缺血概率为23.4%,无症状性心肌缺血概率为25.9%;图4(b)为使用基于体域网的多模态监测数据后得到的判别结果概率,正常概率为11.5%,有症状性心肌缺血概率为13.3%,无症状性心肌缺血概率为75.2%。通过多模态健康数据融合技术将动态心电信息与血压信息、血氧信息进行综合分析,能够提高心肌缺血症状判断准确性,可以提供更为丰富的数据依据,在一定程度上辅助医生提高无症状性心肌缺血临床判别的准确性。

4 结论

心电图ST段变化作为心肌缺血的诊断参考标准之一能够定量辅助医生做出判断,本文提出的基于贝叶斯网络的多模态健康数据融合方法提供了一种综合考虑心电信号、心率信号、血压和血氧饱和度4种模态健康数据的心肌缺血识别手段,在临床应用中是一种有意义的探索,监测结果表明能够进一步提高心肌缺血尤其是无症状性心肌缺血的检出率;同时,在临床应用中还需要结合病人的其他临床表现和体征信息。在未来工作中将进一步探讨结合动态血流图、脉搏波形图等其他模态健康数据的体域网数据融合方法。

[1] 宫继兵,王睿,崔莉. 体域网BSN的研究进展及面临的挑战[J]. 计算机研究与发展,2010,47(5):737-753.

[2] 张伟,颜仕星,李国正. 无线脉搏波测量及性别区分—基于在体传感网的多点测量应用[J]. 计算机工程与应用,2010,46(35):231-234.

[3] 刘毅,宋余庆,刘哲,等. 一种面向体域网的ECG信号小波阈值去噪法[J]. 计算机科学,2014,41(11):175-178.

[4] 彭向东,张华,刘继忠. 基于过完备字典的体域网压缩感知心电重构[J]. 自动化学报,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,杨吉江,陈昊,等. 基于体域网和云平台的远程数字健康系统发展的研究[J]. 计算机科学,2012,39(6A):195-200.

[7] 孙凌逸,黄先祥,蔡伟,等. 基于神经网络的无线传感器网络数据融合算法[J]. 传感技术学报,2011,24(1):122-127.

[8] 轩运动,赵湛,方震,等. 基于无线体域网技术的老人健康监护系统的设计[J]. 计算机研究与发展,2011(48):355-359.

[9] 邱立达,刘天键,林南,等. 基于深度学习模型的无线传感器网络数据融合算法[J]. 传感技术学报,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] 张伟,何斌,赵霞,等. 开放的无线传感器网络平台OpenWSN[J]. 计算机研究与发展,2008,45(1):97-103.

[12] 顾敏,顾翔,何胜虎,等. 比较远程心电监测与心电图、动态心电图在心律失常及心肌缺血中的诊断价值[J]. 江苏实用心电学杂志,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,硕士学位,张家口学院理学院讲师,从事计算机教学工作,主要研究方向为无线传感器网络、多模态数据融合算法等;

翟羽婷(1982-),女,硕士学位,张家口学院理学院讲师,从事计算机教学工作,主要研究方向为无线传感器网络、信号传输隐私保护技术、计算机联锁技术等;

王磊(1982-),男,博士学位,硕士生导师,中国科学院苏州生物医学工程技术研究所副研究员,从事医疗健康软件研发工作,主要研究方向为无线传感器网络、数据挖掘与数据融合算法、医疗健康人工智能应用研究等,wanglei@sibet.ac.cn。