内压力信号波形中的峰值检测:一项比较研究
Miaomiao Wei1, Solventa Krakauskaite2, Sreya Subramanian2
1Department of Electronic and Information, Zhongyuan University of Technology, Zhengzhou, China.
Biomedical engineering online
|June 24, 2024
概括
机器学习模型准确地检测内压力 (ICP) 波形的峰值,优于传统方法. 峰值跟踪技术提供了针对重症监护室 (ICU) 监控中常见的噪音和人工物增强的稳定性.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 密集护理医学 密集护理医学
背景情况:
- 监测近期生物信号,如内压 (ICP),对于在重症监护室 (ICU) 早期检测不良事件至关重要.
- 从ICP波形中精确地提取峰值对于有效的患者护理管理至关重要.
- 在ICP信号中自动检测峰值的现有计算框架需要进行定量评估.
研究的目的:
- 量化评估基于最先进的机器学习计算框架的性能,用于在ICP波形中自动提取峰值.
- 评估这些峰值检测技术的稳定性,以应对不同级别的信号噪声.
- 为了比较单个波形分析与连续跟踪方法的有效性.
主要方法:
- 基于机器学习模型的峰值检测技术的评估,使用来自64名神经外科患者的700小时ICP信号数据集.
- 为了验证算法性能,为13611个ICP脉冲进行手动基准准确确定.
- 在模拟的ICP数据集上进行额外的测试,控制时间动态和噪声水平.
主要成果:
- 大多数峰值检测算法在无噪声条件下实现了可接受的准确性 (平均绝对误差<1ms).
- 核心光谱回归和随机森林证明了对噪声的优越稳定性,在其他方法恶化的地方保持准确性.
- 峰值跟踪方法,包括贝叶斯推断和长期短期记忆 (LSTM),提供了持续的监控和对数据丢失和文物的稳定性.
结论:
- 基于机器学习的峰值检测模型,尽管需要标记数据,但在准确性和稳定性方面超过了传统的信号处理方法.
- 结合时间信息的峰值跟踪方法在临床ICP监测中在处理噪音和人工物方面提供了显著的优势.
- 应考虑将这些先进的方法整合到现代的ICP分析框架中,以改善患者护理.


