vlambda博客
学习文章列表

Title 

A Suction Detection System for Rotary Blood Pumps Based on the Lagrangian Support Vector Machine Algorithm

基于拉格朗日支持向量机算法的旋转血泵抽吸检测系统

Yu Wang,  Marwan A. Simaan 2013.5

左心室辅助装置是一种旋转式的机械泵，它被植入充血性心力衰竭患者体内，以帮助左心室将血液泵入循环系统。然而，使用这种装置可能会导致非常危险的事件，称为心室抽吸，当泵的转速很高时，由于左心室的血液过度泵出，可能导致心室衰竭。因此，一种可靠的心室抽吸检测技术至关重要。

本文提出了一种新的抽吸检测系统，可以精确地分类泵流模式，基于拉格朗日的支持向量机(LSVM)模型，结合从泵流量信号中提取的六个抽吸指数，确定泵是否抽吸，接近抽吸，或不抽吸。该方法已在两个不同泵的体内实验数据上进行了验证。

仿真结果表明，与现有的三种抽吸检测方法和原有的支持向量机算法相比，该系统在分类精度、稳定性、学习速度和鲁棒性方面都有较好的表现。

该算法的抽吸检测能力为控制泵的转速反馈控制系统，同时保证避免抽吸的发展提供了一种可靠的平台。

基于几个指标来自泵的信号,一个合适的分类方法通常是通过识别不同泵状态可能会有所不同，从阈值比较等方法分类[4]-[6]和回归树(CART)[7],判别分析(DA)[8],和神经网络(NN)[9]实现体外,体内,或人工数据。这些方法虽然都取得了令人满意的结果，但在实际应用中都存在一定的局限性。这些局限性包括：

在CART-based算法中获取强大的线性结构；

DA-based方法表现不佳与复杂的数据结构和非高斯分布的数据；

NN-based方法学习速度慢；

由于局部极小值而导致的性能不稳定的CART-based和NN-based算法。

    1)预处理模块，其目的是过滤泵流量信号，使用低通滤波器消除高频噪声成分;

    2)特征提取模块，从过滤后的泵信号计算六个抽吸指数。六项指标中有三项是基于时域的，两项是基于频域的，一项是基于时频域的。前面提到的两个模块都是在训练阶段和测试阶段实现的，

    3)一个分类器训练模块，其目的是执行训练阶段，

  4)一个分类模块，其目的是执行最后的分类。

  分类器训练模块和分类模块必须对两组不同的数据进行操作

A数据采集

  流入套管是通过用两超声波流量探头测量左室和血流量;第一个放置在主动脉或肺动脉测量心输出量，第二个放置在泵出口套管测量泵流量。泵进口压力(PIP)由放置在泵进口处的压力传感器测量。

B.泵状态的定义

三态分类抽吸模式:不吸(NS),接近抽吸（AS）,和抽吸(S),

两态分类抽吸模式:不吸(NS)和抽吸(S)。

     NS对应泵的正常工作状态，在每个心动周期内，泵的最小入口压力(MPIP)通常接近于零，与最小左心室压力(MLVP)的差异很小

(即ΔP=MLVP-MPIP≤△P_NS,△P_NS是ΔP在NS的低阈值)。此外，在NS过程中，泵流量信号具有较大的正弦分量[12]的周期性特征。

AS：随着PS的增加,MPIP下降速度远远超过MLVP导致△P增加

(即△P_NS<△P≤△P_S，△Ps是ΔP抽吸高阈值)。在这种状态下，泵流量信号的脉动比NS状态小。

   S：在这种状态下，入口套管明显堵塞，MPIP表现出非常大的负峰值，MLVP略小于零(即△P＞△P_S)。此外，泵流量信号失去了NS时具有的大正弦分量的周期特性，而在最小泵流量信号[12]的包络线斜率处突然出现大幅下降。

C.泵流量特征提取

使用了一个5秒的窗口

LSVM

采用两步LSVM决策树方法来处理三种状态的情况。首先，我们将S状态从NS和AS状态中分离出来，然后用另一个LSVM对NS和AS状态进行分类。关于LSVM算法的更多细节可以在[21]中找到。

评估标准

三个统计标准与算法的敏感性、特异性和准确性有关，其中TP，TN，FP和FN表示真正，真负，错误肯定和错误否定。第四和第五个标准与算法的训练和测试时间有关。最后两个标准（6，7）是接收机的工作特性（ROC）曲线和ROC曲线下面积（AUC）

MedQuest泵被选择为的ΔPNS = 10 mmHg和ΔPS = 35 mmHg

Nimbus泵的ΔPNS = 25 mmHg和ΔPS = 50 mmHg

A.    MedQuest泵的结果

对于MedQuest泵，共有763个样本（379 NS，323 AS和61 S）可供分类。表IV和V分别显示了在测试集上进行的500多次LSVM算法的两种状态分类结果和三种状态分类结果。在两种分类情况下（AS样本被视为NS），在702个NS样本中只有6.35个（即0.90％）被错误地分类为S，而在61个S样本中有3.02个被错误地分类为S（即4.95％）。错误地归类为NS。表IV还显示了两种状态分类的敏感性，特异性和准确性的平均值和SD。该分类的训练时间和测试时间分别为0.008和0.009 s。在三态情况下，平均有27.85个NS样本被误分类为AS（7.35％）和仅0.24个样本被错误地分类为S（0.06％）。对于AS，18.72个样本被错误地分类为NS（5.79％），而只有6.16个样本被错误地分类为S（1.91％）。最后，对于S而言，S的平均错误数错误分类为NS和AS的样本分别低至0（0％）和3.05（5％）。表V还示出了三态分类的敏感性，特异性和准确性的平均值和SD。该分类的训练时间和测试时间分别为0.031和0.016 s。

B.    Nimbus泵的结果

对于Nimbus泵，共有716个样本（392 NS，155 AS和169 S）可供分类。表VI和VII分别显示了在测试集上进行的500多次LSVM算法的两种状态分类结果和三种状态分类结果。在两种分类情况下（将AS样本视为NS），平均而言，在547个NS样本中只有2.25个被错误分类为S（0.41％），在169个抽吸样本中有2.25被错误地分类为NS（1.33％）。表VI还示出了两种状态分类的敏感性，特异性和准确性的平均值和SD。该分类的训练时间和测试时间分别为0.007和0.009 s。在三态情况下，平均有19.78个NS样本被错误地分类为AS（5.05％），只有0.17个样本被错误地分类为S（0.04％）。对于AS，将32.64个样本错误地标识为NS（21.06％），只有2.01个样本被错误分类为S（1.29％）。对于S，被错误分类为NS和AS的平均样本数分别低至0.31（0.18％）和2.04（1.21％）。表VII还显示了三态分类的敏感性，特异性和准确性的平均值和SD。该分类的训练时间和测试时间分别为0.031和0.013 s。

MedQuest和Nimbus泵的这些结果证明了所提出的LSVM分类算法相对于LVAD中用于区分两种和三种不同泵状态的泵类型的鲁棒性。

A.    与其他分类器的比较

在本节中，我们将比较LSVM分类算法的性能和一些最近存在的吸力检测算法：回归树CART [7]，判别分析DA[8]，神经网络NN [9]，以及基于SVM的原始算法，该算法同时基于两种状态和三状态分类任务两个泵。对于CART，DA，NN和SVM的分类过程也将重复500次，并使用与LSVM算法相同的数据集和吸引指数。两个泵的比较结果总结在在图6和图7中，用于两种状态的分类比较结果在表VIII。参见图8和9，表IX为三态分类比较结果。

图6显示了用于两种状态分类的所有五种分类方法的灵敏度，特异性和准确性的平均值和标准差。通常，就敏感性，特异性和准确性而言，LSVM算法优于其他四种方法。还要注意的是，由于这些标准的SD在LSVM算法中最小，因此这可以解释为LSVM算法比其他四个算法更稳定。只有三个例外是原始SVM算法中SD最小，以确保MedQuest泵的准确性，而DA方法具有最高NS Nimbus泵的灵敏度和NS灵敏度的最小SD。图7显示了两个泵的相关ROC曲线和DA，NN，SVM和LSVM算法的AUC值（图被放大以仅显示感兴趣的区域）。注意，由于该分类器的离散性，因此未为CART算法绘制ROC曲线。根据这些图，很明显，LSVM算法的总体性能优于DA，NN和SVM算法，因为ROC曲线越靠近图的左上角（即，较大的AUC），分类器的整体准确性更高。表VIII显示了这五种方法的训练时间和测试时间的比较。与其余三个算法相比，DA和LSVM算法所需的训练时间最少，可观的数量也很多。

图8为三态分类中五种分类器的敏感性、特异性和准确性的均值和SDs。从图中可以看出，在9个性能指标中，基于LSVM的算法在5个方面(分别是敏感性、特异性和三种状态的准确性)优于其他4个分类器。在性能稳定性方面，它在9个分类器中有4个优于其他4个分类器。(最小的SDs)。请注意，对于Nimbus泵，五个分类器的AS灵敏度都低于其他两个状态(NS and S)，这可能是由于Nimbus泵设计的性质和泵信号条件。两个泵的DA、NN、SVM和LSVM算法的相关ROC曲线和AUC值如图9所示(放大后只显示感兴趣的区域)。注意,因为ROC曲线图形绘制二元分类器,实现只有NS和病例(抽吸的情况下已经实现在图7)。从图9可以看出,两个泵,神经网络NN的整体性能和DA算法明显低于SVM和LSVM算法,支持向量机SVM算法的性能略优于LSVM算法。此外，从表九可以看出，LSVM算法的训练时间比DA算法的训练时间长，但比两个泵的任何其他剩余算法的训练时间都短。

最后，我们应该注意到，在这一阶段，LSVM分类器的性能远远好于原始的支持向量机SVM的两种状态分类器，略好于SVM支持向量机的三种状态分类器。从临床角度来看，分类结果越准确，对抽吸检测越有利。

根据p值[24]的显著性水平，对LSVM算法与其他四种算法的分类结果的显著性进行了统计显著性检验。根据图6和图8，有24个正确的分类性能，产生96对显著性检验LSVM算法针对每一个剩下的四个。[24] t检验结果显示，96项检验中有89项具有统计学意义(即， p≤0.05)，只有7项无统计学意义(即(p > 0.05)。此外，如图6和图8所示，在24个分类中，LSVM算法占据了14个分类的最佳正确分类。因此，配对有效检验的相应数目为56。这些检验的结果表明，56项中的54项具有统计学意义，只有两项检验没有统计学意义。这些实验表明，与其他四种分类算法相比，LSVM分类算法的优越性能具有统计学意义。

B .计算问题

上述结果表明，采用所提出的LSVM算法是一种非常有效的吸力检测算法。这种吸入检测器的一个非常重要的用途是作为泵控制策略的一部分。长期需要一种能够自动响应患者生理需求的泵控制器，这就需要一种机制来检测抽吸的发生，从而建立适当的泵流量设置，以保证设备的安全运行。开发这样一个智能控制器的实际考虑是实时的硬件和计算需求。病人植入使用,必须在秒的顺序确定抽吸, 本文分别研究计算了MedQuest和nimbus泵的高40 - 50 Hz 的六个抽吸指数,这意味着它可以满足使用要求。此外，在当前的批处理技术下，大多数可以想象的特征应该很容易实时提取，因为在不同领域的一些基于svm的实时应用已经证明了[25]-[27]。