專利名稱：信號分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種用于信號分析的方法。通過利用隱馬爾可夫建模技術(shù)結(jié)合持續(xù)時(shí)間約束，所述的分析可以包括對信號比如心電圖(ECG)或其他生物醫(yī)學(xué)信號進(jìn)行自動(dòng)分割，使其變成成份波形特征曲線?？蛇x地，還可以結(jié)合對表示分割精確度和魯棒性的關(guān)聯(lián)置信度測量進(jìn)行推導(dǎo)。
背景技術(shù)：
ECG(也就是人們所知道的縮略詞EKG)是測量心臟電功率的一種重要的非侵入信號。每個(gè)單獨(dú)的心跳由許多不同的心臟病學(xué)階段構(gòu)成，這些心臟病學(xué)階段依次引起一組ECG波形中不同的特征曲線。這些特征曲線表現(xiàn)了心臟特定區(qū)域肌肉細(xì)胞的去極化(放電)或復(fù)極化(充電)。圖1顯示了人的ECG波形和相關(guān)聯(lián)的特征曲線。ECG波形的標(biāo)準(zhǔn)特征曲線是P波、QRS復(fù)合波和T波。另外小U波(在T波之后)偶爾也會(huì)出現(xiàn)。
心動(dòng)周期從對應(yīng)于心臟的心房去極化周期的P波(其起點(diǎn)和終點(diǎn)被稱為Pon和Poff)開始。之后是QRS復(fù)合波，QRS復(fù)合波通常是ECG波形中最易識別的特征曲線，它對應(yīng)于心室去極化周期。QRS復(fù)合波的起點(diǎn)和終點(diǎn)被稱為Q點(diǎn)和J點(diǎn)。T波在QRS復(fù)合波之后對應(yīng)于心室復(fù)極化周期。T波的終點(diǎn)被稱為Toff，它代表心動(dòng)周期的結(jié)束(假設(shè)沒有U波的話)。
通過詳細(xì)地檢查ECG信號，有可能從典型的ECG波形中獲得出許多含有信息的量度。這可以用于評估病人的病理狀況以及探測心臟節(jié)律中存在的任何潛在異常。
一個(gè)特別重要的量度是“QT間隔”，其被定義為從QRS復(fù)合波的起點(diǎn)到T波終點(diǎn)的時(shí)間，即Toff-Q。這個(gè)定時(shí)間隔對應(yīng)于心室中電功率(去極化和復(fù)極化)的總的持續(xù)時(shí)間。
QT間隔尤其重要，因?yàn)楸日ｉg隔更長的間隔是長QT綜合癥(LQTS)的一個(gè)可靠指標(biāo)。這是使患者易受過快反常心律(心律不齊)傷害的潛在致命條件，即所謂的“尖端扭轉(zhuǎn)性室速”的。當(dāng)這種心律發(fā)生時(shí)，心臟不能有效地跳動(dòng)，而且通向大腦的血液循環(huán)急劇下降。結(jié)果是突然失去意識并且可能發(fā)生心臟死亡。
另一個(gè)重要的量度是PR間隔，其被定義為從P波起點(diǎn)到QRS復(fù)合波起點(diǎn)的時(shí)間，即Q-Pon。這對應(yīng)于從心房去極化開始到心室去極化開始的時(shí)間，并能用于探測如房室阻滯等的狀況。
除了對QT和PR間隔的測量與評估之外，把ECG波形精確而魯棒的分割成其成分曲線也很重要，用于對諸如ST升高等狀況的探測，并用于通過定位連續(xù)心博中QRS復(fù)合波頂點(diǎn)(即所謂的R點(diǎn))對心率進(jìn)行計(jì)算。
既然已經(jīng)知道精確測定ECG波形中特征曲線邊界的上述重要性，因此就要付出大量的努力來自動(dòng)化該過程。在這個(gè)領(lǐng)域最初的工作集中于傳統(tǒng)的信號處理和模式識別方法如閾值法和模板匹配法。最近，基于隱馬爾可夫模型(HMMs)的統(tǒng)計(jì)法已經(jīng)被應(yīng)用于ECG的分割問題。
在隱馬爾可夫建模中，存在無法被直接觀測到的所關(guān)心的隱含狀態(tài)序列。另外盡管如此，還存在與此狀態(tài)序列概率相關(guān)的信號或觀測值序列，而且從此我們可以推出給定狀態(tài)序列的最概然值。
隱馬爾可夫模型的核心是兩個(gè)概率函數(shù)，其中一個(gè)涉及在特定時(shí)間步長且給定前一時(shí)間步長的該狀態(tài)值的條件下，所關(guān)心的狀態(tài)的概率，另一個(gè)涉及在給定特定狀態(tài)值的條件下，信號或觀測值的概率，。
隱馬爾可夫建模方法特別適合于ECG分析，因?yàn)樗昧薊CG波形特征曲線的獨(dú)特統(tǒng)計(jì)特征。另外，模型還能利用波形特征曲線的連續(xù)性(即T波在QRS波之后，QRS復(fù)合波又在P波之后)，這種連續(xù)性幫助改進(jìn)嘈雜的ECG信號分割。
可惜，用隱馬爾可夫模型的一個(gè)重大不利因素就是他們易于產(chǎn)生非常不可靠的分割。這些分割以被分割的特征曲線僅僅持續(xù)少數(shù)時(shí)間采樣點(diǎn)為特征。這個(gè)問題源于模型對非常短持續(xù)時(shí)間特征曲線的偏差，并且因此使標(biāo)準(zhǔn)的HMMs不適于某些應(yīng)用，如要求高度魯棒性的ECG分割。
圖2和圖4顯示了兩個(gè)采樣ECG波形包括，由專門的ECG分析員確定的波形邊界(參見實(shí)心垂直線)，和那些利用標(biāo)準(zhǔn)隱馬爾可夫模型推出的波形邊界(參見虛線垂直線)。在兩個(gè)實(shí)例中模型找到了兩個(gè)QRS復(fù)合波和兩個(gè)T波，當(dāng)原始信號中每種波只存在一個(gè)的時(shí)候。特別地，模型分割包括一非常短的QRS復(fù)合波和T波，它們直接出現(xiàn)在P波的起點(diǎn)后和真正的QRS復(fù)合波位置之前。這樣的“雙搏”分割嚴(yán)重影響了模型的性能和可靠性。

發(fā)明內(nèi)容
考慮到這個(gè)背景情況，本發(fā)明的一個(gè)目的是關(guān)于改進(jìn)信號如ECG信號的分割的可靠性。
本發(fā)明的另一個(gè)目的是從模型推導(dǎo)出置信度。此置信度可以用于評估分割的質(zhì)量和魯棒性，以及探測任何太嘈雜或太異常的ECG波形，因?yàn)槿绻鸈CG太嘈雜或太異常，通過自動(dòng)系統(tǒng)不能可得到可靠的分割。
根據(jù)本發(fā)明的一個(gè)方面，提供了一種用于用隱馬爾可夫模型分割生物醫(yī)學(xué)信號的計(jì)算機(jī)執(zhí)行方法，該模型包括多個(gè)狀態(tài)，該方法包括為至少一個(gè)狀態(tài)指定一最小持續(xù)時(shí)間約束dmin；對于具有指定最小持續(xù)時(shí)間的模型中的每個(gè)狀態(tài)，用一組亞態(tài)替換該狀態(tài)，亞態(tài)的總數(shù)等于最小持續(xù)時(shí)間約束dmin的值；將該組亞態(tài)連接在一起，形成左右方向的馬爾可夫鏈，其中，第一dmin-1亞態(tài)中的每個(gè)各有為0的自躍遷概率，為1的躍遷到緊接它們右邊的狀態(tài)的躍遷概率，和為0的躍遷到模型中任何其他狀態(tài)的躍遷概率；以及將該模型應(yīng)用于表示生物醫(yī)學(xué)信號的數(shù)據(jù)上，以獲得關(guān)于將信號分割成狀態(tài)的信息。
根據(jù)本發(fā)明的又一方面，提供了一種計(jì)算機(jī)執(zhí)行方法，用于通過使用對維特比算法的修正，將包括一列觀測值的信號分割為有限狀態(tài)離散時(shí)間馬爾可夫過程的一列狀態(tài)，該修正包括對于將結(jié)合入維特比算法的有限狀態(tài)離散時(shí)間馬爾可夫過程的至少一個(gè)狀態(tài)，定義一個(gè)持續(xù)時(shí)間變量和持續(xù)時(shí)間約束，該持續(xù)時(shí)間約束指定所述至少一個(gè)狀態(tài)的最小持續(xù)時(shí)間；將修正后的維特比算法應(yīng)用于信號，以計(jì)算構(gòu)成觀測值序列的最概然約束持續(xù)時(shí)間的狀態(tài)序列；其中，在為有限狀態(tài)離散時(shí)間馬爾可夫過程的每個(gè)狀態(tài)計(jì)算最概然狀態(tài)序列的每個(gè)時(shí)間步長，該馬爾可夫過程構(gòu)成了直到那個(gè)時(shí)間步長內(nèi)的觀測值序列，并以所述狀態(tài)結(jié)束對于具有持續(xù)時(shí)間約束的每個(gè)狀態(tài)，利用那個(gè)狀態(tài)的持續(xù)時(shí)間變量跟蹤先行狀態(tài)連續(xù)序列的長度，該先行狀態(tài)僅由那個(gè)狀態(tài)組成并在前一時(shí)間步長以那個(gè)狀態(tài)結(jié)束；如果那個(gè)狀態(tài)的持續(xù)時(shí)間變量大于或等于對那個(gè)狀態(tài)指定的持續(xù)時(shí)間約束，那么在給定時(shí)間步長的狀態(tài)序列計(jì)算中，考慮從那個(gè)狀態(tài)到馬爾可夫過程中的任何其他給定狀態(tài)的躍遷；如果那個(gè)狀態(tài)的持續(xù)時(shí)間約束小于對那個(gè)狀態(tài)指定的持續(xù)時(shí)間約束，那么在給定時(shí)間步長的狀態(tài)序列計(jì)算中，不考慮從那個(gè)狀態(tài)到馬爾可夫過程中任何其他狀態(tài)的躍遷；并且在計(jì)算出直到給定時(shí)間步長的那組最概然狀態(tài)序列之后，更新具有持續(xù)時(shí)間約束的每個(gè)狀態(tài)的持續(xù)時(shí)間變量，用以跟蹤先行狀態(tài)連續(xù)序列的長度，該先行狀態(tài)僅由那個(gè)特定狀態(tài)組成，并在所考慮的時(shí)間步長以那個(gè)狀態(tài)結(jié)束。
本發(fā)明的另一方面提供了一種用于分析已根據(jù)概率分割算法分割的信號的計(jì)算機(jī)執(zhí)行方法，該方法包括計(jì)算每個(gè)已分割信號特征曲線的置信度；畫出該置信度對各自信號特征曲線長度的坐標(biāo)圖；將密度建模技術(shù)應(yīng)用于測定數(shù)據(jù)空間中與高置信度特征曲線相關(guān)聯(lián)的適當(dāng)區(qū)域；測定一特定信號特征曲線的置信度是否落到該區(qū)域以外。


本發(fā)明的具體實(shí)施例將僅通過實(shí)例，參照附圖來描述，附圖中圖1顯示了一充分標(biāo)注的ECG波形；圖2顯示了一ECG波形，包括由專門的ECG分析員確定的波形邊界和利用標(biāo)準(zhǔn)隱馬爾可夫模型方法推出的波形邊界；圖3顯示了與圖2中使用的同樣的ECG波形，包括由專門的ECG分析員確定的波形邊界和利用新的持續(xù)時(shí)間約束方法推出的波形邊界；圖4顯示了一第二ECG波形，包括由專門的ECG分析員確定的波形邊界和利用標(biāo)準(zhǔn)隱馬爾可夫模型方法推出的波形邊界；圖5顯示了與圖4中使用的同樣的ECG波形，包括由專門的ECG分析員確定的波形邊界和利用新的持續(xù)時(shí)間約束方法推出的波形邊界；圖6是詳細(xì)描述新的持續(xù)時(shí)間約束維特比算法運(yùn)算的流程圖；圖7a顯示了用于把ECG信號分割為P波區(qū)、基線區(qū)、QRS復(fù)合波區(qū)、T波區(qū)、可選U波區(qū)和第二基線區(qū)的標(biāo)準(zhǔn)隱馬爾可夫模型的結(jié)構(gòu)。另外，指出了P波的躍遷概率a和觀測值模型概率分布b；圖7b顯示了用于對ECG信號以類似于圖7a模型的方式進(jìn)行分割的標(biāo)準(zhǔn)隱馬爾可夫模型的結(jié)構(gòu)，除了沒有可選U波；圖7c顯示了用于把ECG信號分割為PR間隔區(qū)、QRS復(fù)合波區(qū)、T波區(qū)和基線區(qū)的標(biāo)準(zhǔn)隱馬爾可夫模型的結(jié)構(gòu)；
圖7d顯示了用于把ECG信號分割為PR間隔區(qū)、QT間隔區(qū)和基線區(qū)的標(biāo)準(zhǔn)隱馬爾可夫模型的結(jié)構(gòu)；圖7e顯示了用于把ECG信號分割為QT間隔區(qū)，和與信號的剩余部分對應(yīng)的第二區(qū)(X)的標(biāo)準(zhǔn)隱馬爾可夫模型的結(jié)構(gòu)；圖8顯示了把持續(xù)時(shí)間約束結(jié)合到隱馬爾可夫模型的圖解說明；圖9顯示了用于ECG分割的應(yīng)用嵌入持續(xù)時(shí)間約束的隱馬爾可夫模型的部分結(jié)構(gòu)；圖10顯示了置信度對ECG波形長度的坐標(biāo)圖，用于許多規(guī)則ECG波形，并在99％置信下限條件下；圖11顯示了包含兩個(gè)受噪聲(特別是“肌肉偽”噪聲)干擾的ECG波形的ECG信號的一部分。還顯示了兩個(gè)嘈雜的波形(以A和B標(biāo)注)的分割；以及圖12顯示了圖11中顯示的兩個(gè)嘈雜ECG波形的置信度。
具體實(shí)施例方式
本發(fā)明的以下具體實(shí)施例是基于隱馬爾可夫模型(HMM)的基礎(chǔ)上的，該隱馬爾可夫模型被訓(xùn)練以識別ECG信號特征曲線中的一個(gè)或多個(gè)。該模型由多個(gè)狀態(tài)組成，每個(gè)狀態(tài)代表了一個(gè)ECG信號的一特定區(qū)域。在圖7a中顯示了用于ECG分割的一類隱馬爾可夫模型的結(jié)構(gòu)或“拓?fù)洹钡膱D形描繪。該模型由六個(gè)單值的狀態(tài)組成，其依次代表P波、P波的終點(diǎn)與QRS復(fù)合波起點(diǎn)間的基線部分(定義為“基線1”)、QRS復(fù)合波、T波、U波和T波(或U波，如果有一個(gè)U波的話)終點(diǎn)與下一心搏的P波起點(diǎn)間的基線部分。在圖1中表示出了ECG波形的這些部分。在圖7b-7e中圖示了用于ECG分割的許多可選的隱馬爾可夫模型結(jié)構(gòu)類型。在每種情況中，模型由與被觀測信號(由暗節(jié)點(diǎn)表示)隨機(jī)相關(guān)的“隱”狀態(tài)序列(由亮節(jié)點(diǎn)表示)組成。為了ECG分割，隱狀態(tài)st表示在時(shí)間t起作用的特定波形特征曲線，被觀測信號樣本Ot表示ECG波形的關(guān)聯(lián)信號樣本。
模型取決于以下三個(gè)參數(shù)i.)初始狀態(tài)分布π，ii.)躍遷矩陣A，以及iii.)HMM中每個(gè)狀態(tài)k的觀測值概率模型bk。訓(xùn)練HMM包括調(diào)整這些參數(shù)以使特定誤差函數(shù)最小化。
給定一組適當(dāng)?shù)哪Ｐ蛥?shù)值，HMM采取ECG信號生成概率模型的形式。更確切地說，該模型定義了一用于生成ECG波形的隨機(jī)過程。此過程首先選擇初始狀態(tài)，這通過從初始狀態(tài)分布π中采樣來實(shí)現(xiàn)。挑選出特定初始狀態(tài)然后對應(yīng)于ECG信號的第一波形特征曲線(即在時(shí)間采樣點(diǎn)t＝1處起作用的特征曲線)。然后此波形特征曲線的關(guān)聯(lián)ECG信號樣本通過從那個(gè)特定狀態(tài)的對應(yīng)觀測值概率模型bk中采樣產(chǎn)生。
該過程中的下一階段是隨即選擇下一個(gè)模型狀態(tài)，也就是在時(shí)間采樣點(diǎn)t＝2處起作用的波形特征曲線。這是通過從躍遷矩陣采樣來實(shí)現(xiàn)。該矩陣采取一簡單表格的形式，該表格為模型中的每個(gè)狀態(tài)定義了下一個(gè)狀態(tài)發(fā)生的概率。一旦按照這樣的方式選擇了下一個(gè)狀態(tài)，那么模型通過從適當(dāng)?shù)挠^測值概率模型中采樣生成關(guān)聯(lián)ECG信號樣本。這個(gè)過程在余下的時(shí)間步長中連續(xù)疊代。
給定一特定ECG信號，將該信號分割成由模型結(jié)構(gòu)定義的不同所關(guān)心特征曲線或區(qū)域(即定位每個(gè)模型狀態(tài)的信號邊界)包括顛倒上述“生成過程”。因而，目的是推出引起給定ECG信號的最概然隱狀態(tài)序列。然后該狀態(tài)序列定義ECG信號中的所關(guān)心區(qū)域的邊界，和如此相應(yīng)的分割。
這個(gè)分割過程可以通過使用維特比算法實(shí)現(xiàn)。更確切地說，維特比算法將一給定的ECG信號和一已訓(xùn)練的隱馬爾可夫模型作為輸入，并且返回最概然隱狀態(tài)序列，如在L R Rabine，“隱馬爾可夫模型指南及在語音識別中的精選應(yīng)用”，IEEE學(xué)報(bào)，77257-286，1989中所述。
為了模型能夠成功完成分割ECG波形的任務(wù)，有必要使用具有魯棒性的且能夠提供信息的ECG編碼方法。一個(gè)非常有效的代表是來自ECG信號非抽取小波變換(UWT)的一組系數(shù)，如N P Hughes、L Tarassenko和S J Roberts在“用于自動(dòng)化的ECG時(shí)間間隔分析的馬爾可夫模型”，神經(jīng)信息處理系統(tǒng)的改進(jìn)16，麻省理工學(xué)院出版社，2003年，中所述。
一旦已經(jīng)選擇了ECG信號的代表，訓(xùn)練HMM包括調(diào)整模型的參數(shù)以使ECG數(shù)據(jù)的概率(或可能性)即p(O|λ)最大，其中O表示ECG信號的數(shù)據(jù)集合，λ表示一組HMM參數(shù)。訓(xùn)練可以通過有監(jiān)督或無監(jiān)督的方式實(shí)現(xiàn)。
在有監(jiān)督的學(xué)習(xí)中，訓(xùn)練的數(shù)據(jù)包括許多ECG波形和相應(yīng)的狀態(tài)標(biāo)簽。因而對于來自于一個(gè)給定ECG波形中的每個(gè)信號樣本Ot，我們還有可利用的標(biāo)簽lt，該標(biāo)簽指出該樣本屬于哪個(gè)特定狀態(tài)(即波形特征曲線)。于是可以利用下面的極大似然估計(jì)計(jì)算出最初的狀態(tài)分布和躍遷矩陣πi＝mi/Naij=nij/Σknik]]>其中mi是第一信號樣本(遍及ECG波形)屬于狀態(tài)i的總次數(shù)，nij是在所有標(biāo)簽序列中從狀態(tài)i到狀態(tài)j的總躍遷數(shù)，N是在數(shù)據(jù)集合中單個(gè)ECG信號的數(shù)目。
通過提取屬于那個(gè)特定狀態(tài)的所有信號樣本，然后使觀測值模型直接配合那些樣本，從而可以學(xué)習(xí)對于每個(gè)狀態(tài)k的觀測值概率模型bk。對于高斯觀測值模型，這僅僅包括計(jì)算給定樣本的平均值和方差。對于高斯混合模型，有必要利用EM算法(最大期望值算法)以從給定樣本中學(xué)習(xí)觀測值模型參數(shù)。
在無監(jiān)督的學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)只包括ECG波形。于是可以利用Baum-Welch算法(更普遍的EM算法的一個(gè)特例)來訓(xùn)練隱馬爾可夫模型。
為了防止模型產(chǎn)生不可靠的分割，本發(fā)明的具體實(shí)施例在模型上施加了一組持續(xù)時(shí)間約束。這些約束限制了模型推出在生理學(xué)上似乎不合情理的分割的能力(在關(guān)聯(lián)波形特征曲線的持續(xù)時(shí)間方面)。
特別地，對于模型中的每個(gè)狀態(tài)，持續(xù)時(shí)間約束表現(xiàn)為單數(shù)dmin的形式，它表示對于那個(gè)特定狀態(tài)(在“樣本”中的)的最小允許持續(xù)時(shí)間。這些持續(xù)時(shí)間約束可以用許多不同的方法來估計(jì)。如果帶標(biāo)簽的ECG數(shù)據(jù)可用，那么對于每個(gè)波形特征曲線的持續(xù)時(shí)間約束可以被簡單地估計(jì)為數(shù)據(jù)集合中存在的那個(gè)特征曲線的最小持續(xù)時(shí)間的適當(dāng)部分。例如，最小T波持續(xù)時(shí)間可以被設(shè)為數(shù)據(jù)集合中存在的最小T波持續(xù)時(shí)間的80％。
如果帶標(biāo)簽的數(shù)據(jù)不可用，并且我們只有原始的ECG信號可用，那么持續(xù)時(shí)間約束必須從數(shù)據(jù)中學(xué)習(xí)。這可以通過利用訓(xùn)練好的模型去分割數(shù)據(jù)集合中的ECG信號，然后估計(jì)來自于所得到的分割持續(xù)時(shí)間約束來實(shí)現(xiàn)(采用與先前描述的對于帶標(biāo)簽的數(shù)據(jù)類似的方式)。在這種情況下，首先必須要排除任何不可靠的“雙搏”分割，否則會(huì)影響估計(jì)的持續(xù)時(shí)間約束的質(zhì)量。
一旦已經(jīng)計(jì)算出了持續(xù)時(shí)間約束，那么它們可以用于改進(jìn)隱馬爾可夫模型的分割性能。這可以通過將持續(xù)時(shí)間約束結(jié)合維特比算法，或?qū)⒊掷m(xù)時(shí)間約束結(jié)合HMM結(jié)構(gòu)來實(shí)現(xiàn)?，F(xiàn)在將詳細(xì)研究這兩種方法。
維特比算法是使隱馬爾可夫模型可以在實(shí)踐中成功運(yùn)用的關(guān)鍵的推理過程，如在L R Rabine，“隱馬爾可夫模型指南及在語音識別中的精選應(yīng)用”，IEEE學(xué)報(bào)，77257-286，1989，中詳細(xì)描述的。在進(jìn)行ECG分析的背景下，維特比算法使我們可以在給定ECG波形中，為P波、QRS復(fù)合波和T波定位最可能的邊界位置(即開始和偏移)。
為了將持續(xù)時(shí)間約束結(jié)合入維特比算法，有必要限制算法返回的狀態(tài)序列，使得每個(gè)關(guān)聯(lián)波形特征曲線的持續(xù)時(shí)間服從給定的持續(xù)時(shí)間約束。
更規(guī)范地說，給定一個(gè)HMMλ(與K個(gè)狀態(tài))和一ECG信號O＝O1O2…OT，我們想要推出滿足持續(xù)時(shí)間約束dmin(k)，k＝1…K的最概然狀態(tài)序列S＝s1s2…sT。每個(gè)持續(xù)時(shí)間約束具體要求任何狀態(tài)k的“運(yùn)行”持續(xù)時(shí)間應(yīng)該至少為dmin(k)個(gè)采樣時(shí)間。這樣的目的是為確保我們不會(huì)推出任何我們預(yù)先已經(jīng)知道無用(在單個(gè)狀態(tài)運(yùn)行的持續(xù)時(shí)間方面)的狀態(tài)序列。
標(biāo)準(zhǔn)維特比算法是基于一個(gè)用于計(jì)算最概然狀態(tài)序列可能性的高效過程，
計(jì)算出第一個(gè)t觀測值并且結(jié)束在狀態(tài)iδt(i)=maxs1s2...st-1p(s1s2...st=i,O1O2...Ot|λ)]]>該算法的核心是下面用于計(jì)算δt(i)的遞歸關(guān)系式δt(i)=maxj{δt-1(j)aji}bi(Ot)]]>該式利用了該狀態(tài)序列是一階馬爾可夫的事實(shí)(也就是說在δt(i)的計(jì)算中我們只需要考慮前一狀態(tài))。于是在任何時(shí)間t，對于穿過狀態(tài)格子的最大可能路徑，總是有可能從其當(dāng)前狀態(tài)躍遷到一不同的狀態(tài)，假設(shè)關(guān)聯(lián)的躍遷概率非零。因此為了將持續(xù)時(shí)間約束結(jié)合入維特比算法，這條路徑必須被限制，使得從一個(gè)狀態(tài)到另一狀態(tài)的任何躍遷只有當(dāng)當(dāng)前所關(guān)心狀態(tài)已經(jīng)被占據(jù)，并且達(dá)到大于或等于最小允許持續(xù)時(shí)間時(shí)才被允許。
根據(jù)本發(fā)明的該第一具體實(shí)施例，約束持續(xù)時(shí)間的維特比算法進(jìn)行如下。在遞歸式的每個(gè)時(shí)間步長t，我們持續(xù)跟蹤在時(shí)間t-1結(jié)束的狀態(tài)i的當(dāng)前運(yùn)行的持續(xù)時(shí)間d(i)。更確切地說，每個(gè)狀態(tài)的持續(xù)時(shí)間變量被用于跟蹤先行狀態(tài)連續(xù)序列的長度，這些先行狀態(tài)僅包括那個(gè)特定狀態(tài)，并且在前一時(shí)間步長的那個(gè)狀態(tài)處結(jié)束。如果該持續(xù)時(shí)間大于或等于最小允許持續(xù)時(shí)間dmin(i)，在計(jì)算δt(j)時(shí)我們考慮從這個(gè)狀態(tài)到其他任何狀態(tài)j的躍遷(和應(yīng)用標(biāo)準(zhǔn)維特比遞歸式一樣)。但是如果當(dāng)前狀態(tài)占據(jù)時(shí)間小于允許的最小值，則不允許從這個(gè)狀態(tài)到不同狀態(tài)的躍遷，并且該狀態(tài)只能進(jìn)行自躍遷(直到它的最小持續(xù)時(shí)間約束被滿足)。一旦計(jì)算出了所有t值的δt(i)，可以用標(biāo)準(zhǔn)回溯方法來產(chǎn)生最終狀態(tài)序列。
圖6的流程圖示意性地說明了約束持續(xù)時(shí)間的維特比算法的全部過程。算法第一步是輸入HMM參數(shù)、被觀測信號和對于每個(gè)狀態(tài)的最小持續(xù)時(shí)間約束。這在框10中說明。
算法下一步，如框20中所描述的，涉及所關(guān)心變量的初始化。更確切地說，對于每個(gè)狀態(tài)i，我們設(shè)δ1(i)＝πibi(Ol)，ψ1(i)＝0和d(i)＝1。和標(biāo)準(zhǔn)維特比過程一樣，變量ψt(i)用于存儲(chǔ)在時(shí)間t-1的最可能狀態(tài)，假設(shè)該模型在時(shí)間t時(shí)處于狀態(tài)i。變量d是只有約束持續(xù)時(shí)間的維特比過程才有的，并且被用于持續(xù)跟蹤每個(gè)結(jié)束在時(shí)間采樣點(diǎn)t-1時(shí)的狀態(tài)的當(dāng)前“運(yùn)行”持續(xù)時(shí)間。更確切地說，對于每個(gè)狀態(tài)i，持續(xù)時(shí)間變量d(i)用于持續(xù)跟蹤先行狀態(tài)連續(xù)序列的長度，該先行狀態(tài)僅包括狀態(tài)i，并且在時(shí)間步長t-1時(shí)結(jié)束。
在框30和40中顯示了約束持續(xù)時(shí)間的維特比算法的主要部分。這兩個(gè)過程在從2到T(其中T是信號的長度)的所有時(shí)間采樣點(diǎn)處被連續(xù)疊代?？?0在給定的時(shí)間步長t處，為每個(gè)狀態(tài)i計(jì)算δt(i)和ψt(i)的值。在標(biāo)準(zhǔn)維特比算法中，分別用于計(jì)算δt(i)和ψt(i)的運(yùn)算符“max”和“argmax”被估算，用于所有可能的先前狀態(tài)(從1到K)。但是在約束持續(xù)時(shí)間的維特比算法中，這些運(yùn)算符只有當(dāng)被用于那些滿足其最小持續(xù)時(shí)間約束dmin的狀態(tài)時(shí)會(huì)被估算。另外，這些運(yùn)算符當(dāng)被用于當(dāng)前狀態(tài)i時(shí)也被估算，使得最可能的前一狀態(tài)總是被允許作為我們當(dāng)前正在考慮的那個(gè)狀態(tài)。
假設(shè)如此，則框30的第一步是計(jì)算滿足其最小持續(xù)時(shí)間約束的狀態(tài)j(包括默認(rèn)狀態(tài)i)的集合，即那些狀態(tài)k滿足d(k)≥dmin(k)。然后，δt(i)和ψt(i)的計(jì)算僅需為該狀態(tài)j的集合進(jìn)行估計(jì)。
約束持續(xù)時(shí)間的維特比算法的下一步是更新每個(gè)狀態(tài)的持續(xù)時(shí)間變量。更確切地說，如果最可能的前一狀態(tài)ψt(i)也是狀態(tài)i，那么這個(gè)狀態(tài)的持續(xù)時(shí)間變量增加1，即d(i)＝d(i)+1。這對應(yīng)于“自躍遷”的情況，在這種情況中，模型在連續(xù)的時(shí)間步長內(nèi)保持同樣的狀態(tài)，并且因此使得在時(shí)間采樣點(diǎn)t結(jié)束的狀態(tài)i的當(dāng)前“運(yùn)行”持續(xù)時(shí)間增加1。但是如果最可能的前一狀態(tài)ψt(i)不是狀態(tài)i，那么這個(gè)狀態(tài)的持續(xù)時(shí)間變量被重設(shè)為1，即d(i)＝1。這對應(yīng)于從一個(gè)不同的狀態(tài)躍遷到狀態(tài)i的情況，并且因此結(jié)束狀態(tài)i自躍遷的當(dāng)前“運(yùn)行”。
一旦框30和40被計(jì)算直到包括時(shí)間采樣點(diǎn)T，標(biāo)準(zhǔn)維特比回溯過程可以用于提取最概然狀態(tài)序列，通過利用先前計(jì)算出的δ和ψ變量。這個(gè)回溯過程的第一步，如框50所示，是找出使δT值最大的狀態(tài)，即sT=argmaxi{δT(i)}.]]>一旦計(jì)算出了這個(gè)值，在前一時(shí)間步長(即T-1)的最概然狀態(tài)可以簡單地從ψT(sT)值中找出。利用這個(gè)遞歸過程，可以計(jì)算出所有剩余時(shí)間采樣點(diǎn)的最概然狀態(tài)值。
根據(jù)本發(fā)明的第二具體實(shí)施例，改進(jìn)HMM分割性能的可選方法是將持續(xù)時(shí)間約束直接與模型結(jié)構(gòu)相結(jié)合。一旦持續(xù)時(shí)間約束通過這種方式被結(jié)合，那么標(biāo)準(zhǔn)維特比算法可以用于推出給定ECG波形的最佳約束持續(xù)時(shí)間分割。
將持續(xù)時(shí)間約束結(jié)合入HMM結(jié)構(gòu)包括將一組dmin新狀態(tài)替換模型中的每個(gè)狀態(tài)。這些狀態(tài)以簡單的左右方向的方式被連接，并且共享一個(gè)共同的觀測值密度。
更確切地說，對于具有一dmin(k)的最小持續(xù)時(shí)間的每個(gè)狀態(tài)k(其中dmin(k)＞1)，我們通過在初始狀態(tài)k前直接加上dmin(k)-1個(gè)附加狀態(tài)來增大模型。每個(gè)附加狀態(tài)自躍遷概率為0，躍遷到緊接其右邊的狀態(tài)的躍遷概率為1，躍遷到模型中任何其他狀態(tài)的躍遷概率為0。從而將這些狀態(tài)放在一起形成一簡單的左右方向的馬爾可夫鏈，其中該鏈中的每個(gè)狀態(tài)只被占據(jù)最多一個(gè)時(shí)間采樣點(diǎn)(在該鏈內(nèi)的任何運(yùn)行期間)。
這個(gè)鏈最重要的特征是，每個(gè)狀態(tài)的觀測概率模型的參數(shù)與初始狀態(tài)k的參數(shù)一樣。對模型參數(shù)的這種共享通常被稱為“系結(jié)”。因此，與代替初始狀態(tài)k的dmin新狀態(tài)相關(guān)聯(lián)的觀測值由與初始狀態(tài)相同的參數(shù)集合支配。
在圖8中圖解說明了將持續(xù)時(shí)間約束結(jié)合入HMM結(jié)構(gòu)的全部過程。圖的左邊是來自于初始隱馬爾可夫模型結(jié)構(gòu)的狀態(tài)之一(如圖7所示)。圖的右邊是這個(gè)狀態(tài)通過結(jié)合持續(xù)時(shí)間約束而被變換成的新結(jié)構(gòu)。特別地，dmin(k)-1個(gè)新狀態(tài)(沒有自躍遷循環(huán))以簡單地左右方式被連接到初始狀態(tài)，并且這些狀態(tài)的觀測值概率模型參數(shù)“被綁定到”初始狀態(tài)的相應(yīng)參數(shù)。此后的過程如圖中的虛線框所示。
初始的隱馬爾可夫模型(即P、B1、QRS、T等等)中的每個(gè)初始狀態(tài)重復(fù)上述過程。因此將持續(xù)時(shí)間約束結(jié)合入模型結(jié)構(gòu)的全部作用是，用一個(gè)新的“約束持續(xù)時(shí)間的”結(jié)構(gòu)取代模型中每個(gè)初始的單一狀態(tài)。圖9顯示了作為結(jié)果的約束持續(xù)時(shí)間的HMM結(jié)構(gòu)的一部分。模型中每個(gè)波形特征曲線(如P波、QRS復(fù)合波等等)此時(shí)與多個(gè)狀態(tài)相關(guān)聯(lián)。然后該多個(gè)狀態(tài)為每個(gè)ECG波形特征曲線壓縮到最小持續(xù)時(shí)間要求。
一旦根據(jù)先前描述的方式將持續(xù)時(shí)間約束結(jié)合入HMM，那么該模型可以通過使用標(biāo)準(zhǔn)維特比算法來被用于分割新的ECG波形。然后，作為結(jié)果的分割保證服從持續(xù)時(shí)間約束，因?yàn)樵撃Ｐ筒辉倌苌沙掷m(xù)時(shí)間小于允許持續(xù)時(shí)間的狀態(tài)序列。
圖3和圖5顯示了與之前在圖2和圖4中考慮的一樣的ECG波形。在圖3和圖5中用實(shí)心垂直線表示由內(nèi)行的ECG分析專家測定的波形邊界，以及根據(jù)本發(fā)明的一個(gè)實(shí)施例如虛線垂直線所示，應(yīng)用持續(xù)時(shí)間約束的隱馬爾可夫模型自動(dòng)測定的狀態(tài)邊界。不僅在模型和專家間有好的一致，而且傳統(tǒng)模型的不可靠的“雙搏”分割，如圖2和4所示，已經(jīng)被除去，使得作為結(jié)果的分析更魯棒。邊界可以進(jìn)行進(jìn)一步分析，再次自動(dòng)地，如測定特定狀態(tài)的持續(xù)時(shí)間，如QT間隔，以及可以對這種包括在一系列脈沖的信號之上的間隔的變化進(jìn)行統(tǒng)計(jì)分析。以原始邊界信息或進(jìn)一步分析結(jié)果的形式，輸出結(jié)果，例如通過在計(jì)算機(jī)系統(tǒng)的顯示器上顯示。
根據(jù)本發(fā)明的第三具體實(shí)施例，除了對ECG波形的精確分割，還可能從訓(xùn)練好的模型中產(chǎn)生“置信度”(或得分)。這個(gè)置信度對該模型在作為結(jié)果的分割中的可信度進(jìn)行量化，并且可以用于評價(jià)已分割的ECG波形的質(zhì)量。因此利用這個(gè)量度，有可能自動(dòng)探測那些過于嘈雜或過于“異常”(在波形形態(tài)方面)的ECG波形，以提供可靠的分割及因此對QT間隔的可靠估計(jì)。該置信度可以與任何以概率方式計(jì)算的分割算法一起使用。
置信度可以定義為給定模型信號的對數(shù)概率，即logp(O1O2…OT|λ)，或(給定模型)信號和最概然狀態(tài)序列s1s2…sT的聯(lián)合對數(shù)概率，即logp(O1O2…OT，s1s2…sT|λ)。相對于原始概率，對數(shù)概率被用于將作為結(jié)果的值保存在計(jì)算機(jī)的動(dòng)態(tài)值域里。
可以高效地計(jì)算出置信度的精確度，用于隱馬爾可夫模型和這些模型的更多的改進(jìn)形式，如隱半馬爾可夫模型(見L.Thoraval、G.Carrault和F.Mora“用于ECG分割的連續(xù)變量持續(xù)時(shí)間HMMs”，IEEE-EMBS學(xué)報(bào)，1992年，529-530頁)和階乘隱馬爾可夫模型(見Z.Ghahramani和M.I.Jordan，“階乘隱馬爾可夫模型”，機(jī)器學(xué)習(xí)，第29卷，第2期，1997年11月)。第一種形式，被定義為給定模型信號的對數(shù)概率，可以從下面給出的標(biāo)準(zhǔn)HMM前向變量中計(jì)算出來αt(i)＝p(O1O2…Ot，st＝i|λ)為了在計(jì)算機(jī)的動(dòng)態(tài)值域里保存作為結(jié)果的值，通常在每個(gè)時(shí)間步長換算這個(gè)變量。這通過用下面給出的比例因子除該前向變量來實(shí)現(xiàn)ct=Σk=1Kαt(i)]]>于是可以簡單地計(jì)算出給定模型信號的對數(shù)概率logp(O1O2...OT|λ)=Σt=1Tlogct]]>置信度的第二種形式，被定義為信號和最概然狀態(tài)序列(給定模型)的聯(lián)合對數(shù)概率，可以從變量增量δt(i)中計(jì)算出，如之前在維特比算法背景所述。通常還在每個(gè)時(shí)間步長換算這個(gè)變量，利用如下給出的比例因子dt=Σk=1Kδt(i)]]>于是(給定模型)信號和最概然狀態(tài)序列的對數(shù)概率，可以簡單地被計(jì)算出logp(O1O2...OT,s1s2...sT|λ)=Σt=1Tlogdt]]>一個(gè)可替代使用上述換算過程的方法是，直接計(jì)算logαt(i)值或logδt(i)值，如在L R Rabine，“隱馬爾可夫模型指南及在語音識別中的精選應(yīng)用”，IEEE學(xué)報(bào)，77257-286，1989中描述的。在這種情況下，在遞歸過程中直接計(jì)算出置信度，且不需要進(jìn)一步處理。
在許多情況下，給定的ECG信號會(huì)包含許多所關(guān)心的ECG特征曲線(如多個(gè)ECG搏動(dòng)或多個(gè)QT間隔)，并且因此最好為信號中每個(gè)所關(guān)心的單獨(dú)特征曲線計(jì)算各自的置信度(而不是全部信號的總度量)。對于在時(shí)間采樣點(diǎn)tl開始且在時(shí)間采樣點(diǎn)t2結(jié)束的特定特征曲線，該置信度可以簡單地通過從直到時(shí)間t2內(nèi)信號部分的置信度中減去直到(但不包括)時(shí)間t1內(nèi)信號部分的置信度來計(jì)算，即logp(O1O2…Ot2|λ)-logp(O1O2…Ot1-1|λ)或使用第二種定義的置信度logp(O1O2…Ot2，s1s2…st2|λ)-logp(O1O2…Ot1-1，s1s2st1-1|λ)當(dāng)在實(shí)踐中使用這個(gè)置信度來評估模型在其特定特征曲線分割上所具有的置信程度時(shí)，在分析中必須把所討論的特征曲線的長度考慮進(jìn)去。這是必要的，因?yàn)閮煞N形式的置信度都隨特定ECG特征曲線的長度而改變。
將ECG特征曲線長度結(jié)合入置信度分析的最有效的方法是，制作一個(gè)置信度(y軸)對特征曲線長度(x軸)的特征曲線坐標(biāo)圖，用于很多規(guī)則的ECG特征曲線(即這些特征曲線不被認(rèn)為是異常的，也不被噪聲干擾)。圖10顯示了這樣一個(gè)特征曲線坐標(biāo)圖，其中所關(guān)心的特定特征曲線被看成一個(gè)單獨(dú)的ECG波形(即ECG信號的該部分對應(yīng)于一個(gè)完整的心搏)。
給定置信度對ECG特征曲線長度的特征曲線坐標(biāo)圖，那么通過使用標(biāo)準(zhǔn)密度建模技術(shù)，有可能識別出該二維空間中具有高置信度的區(qū)域。特別地，對應(yīng)于規(guī)則(即高置信度)ECG特征曲線的二維數(shù)據(jù)點(diǎn)集可以通過任何適當(dāng)?shù)拿芏群瘮?shù)來建模，如高斯分布或概率線性回歸模型。
該給定密度函數(shù)會(huì)自然地為這個(gè)二維數(shù)據(jù)空間中的高置信度區(qū)域定義一個(gè)邊界。在高斯分布的情況下，這個(gè)邊界可以被看成位于平均數(shù)的兩標(biāo)準(zhǔn)偏差間的數(shù)據(jù)空間區(qū)域。在概率線性回歸模型的情況下，這個(gè)邊界可以被看成，在一個(gè)合適的統(tǒng)計(jì)意義水平上，位于平均回歸線的置信度下限之上的數(shù)據(jù)空間區(qū)域(見R.J.Freund和W.J，Wilson“回歸分析”，學(xué)術(shù)出版社，1998年)。圖10中用虛線表示了這個(gè)下限(在99％的意義水平上)。
給定許多新的ECG特征曲線分割的置信度，和每個(gè)被分割特征曲線的長度，那么測定是否有任何置信度落到高置信度區(qū)域邊界以外就是件很簡單的事了。然后可以將那些置信度落到該區(qū)域以外的特征曲線的分割結(jié)果從最終分析中除去，或可選地將這些特征曲線突出顯示留待訓(xùn)練有素的ECG分析員做進(jìn)一步的人工分析。
圖11顯示了一部分ECG信號，它包含有兩個(gè)被肌肉偽噪聲干擾的ECG波形。該圖還顯示了每個(gè)通過帶有嵌入持續(xù)時(shí)間約束的隱馬爾可夫模型波形的分割。這兩個(gè)波形在x軸的下面用“A”和“B”標(biāo)記。
不幸地的是，肌肉偽噪聲具有與標(biāo)準(zhǔn)ECG信號類似的帶寬，并且因此不能通過簡單的過濾技術(shù)將其除去。噪聲掩蓋了下面的ECG信號波形特征曲線，并且使得精確分割波形非常困難。由于這個(gè)原因，能夠探測到這樣的不可靠分割是很重要的。
圖12顯示了置信度對波形長度的特征曲線坐標(biāo)圖，對于兩個(gè)嘈雜的ECG波形。還顯示出了99％置信度下限(虛線)。兩個(gè)嘈雜波形的置信度得分都低于這條線，因此使得這些波形能在信號自動(dòng)分析時(shí)被自動(dòng)探測到。
已經(jīng)在ECG信號分析背景中描述了本發(fā)明的上述具體實(shí)施例。盡管如此，本發(fā)明不限于這種應(yīng)用，并且可以被用于分析其他生物醫(yī)學(xué)信號。適合的生物醫(yī)學(xué)信號的例子包括腦電圖(EEG)信號，其中該分析可以用于窒息探測；肌電圖(EMG)信號，測量肌肉中的電功率；侵入獲得的心臟信號，如在心臟電生理學(xué)中，將導(dǎo)管插入心臟，每個(gè)導(dǎo)管包含許多電極；以及心臟內(nèi)電描記圖信號，在植入心臟起博器之前使用，包括通過將電極插入身體獲得的來自心臟的信號。約束持續(xù)時(shí)間的維特比算法和置信度測量技術(shù)不限于和隱馬爾可夫模型一起使用。例如，約束持續(xù)時(shí)間的維特比算法可以與有限狀態(tài)離散時(shí)間馬爾可夫過程一起使用，并且置信度測量可以與任何以概率方式計(jì)算的分割算法一起使用。約束持續(xù)時(shí)間的維特比算法可以與非生物醫(yī)學(xué)信號一起使用，如在檢/糾錯(cuò)碼領(lǐng)域。
本發(fā)明的具體實(shí)施例由計(jì)算機(jī)系統(tǒng)上執(zhí)行的計(jì)算機(jī)程序來完成。該計(jì)算機(jī)系統(tǒng)可以是任何類型的計(jì)算機(jī)系統(tǒng)，但典型地是傳統(tǒng)的個(gè)人電腦，它可以執(zhí)行用任何適當(dāng)語言編寫的計(jì)算機(jī)程序。該計(jì)算機(jī)程序可以存儲(chǔ)在一計(jì)算機(jī)可讀介質(zhì)中，該介質(zhì)可以是任何類型，例如記錄介質(zhì)，如可插入計(jì)算機(jī)系統(tǒng)驅(qū)動(dòng)器的圓盤狀介質(zhì)，它可以采用磁性、光學(xué)或磁光方式存儲(chǔ)信息；計(jì)算機(jī)系統(tǒng)的固定記錄介質(zhì)如硬盤驅(qū)動(dòng)器；或者一固態(tài)計(jì)算機(jī)存儲(chǔ)器。要分析的信號可以直接輸入計(jì)算機(jī)系統(tǒng)，例如從一個(gè)ECG裝置，或者計(jì)算機(jī)系統(tǒng)可以從之前獲得信號的存儲(chǔ)器中讀取表示信號的信息。
權(quán)利要求
1.一種采用隱馬爾可夫模型分割生物醫(yī)學(xué)信號的計(jì)算機(jī)執(zhí)行方法，該模型包括多個(gè)狀態(tài)，該方法包括如下步驟為至少一個(gè)狀態(tài)指定一最小持續(xù)時(shí)間約束dmin；對于具有指定最小持續(xù)時(shí)間的模型中的每個(gè)狀態(tài)，用一組亞態(tài)替換該狀態(tài)，亞態(tài)的總數(shù)等于最小持續(xù)時(shí)間約束dmin的值；將該組亞態(tài)連接在一起，形成左右方向的馬爾可夫鏈，其中第一dmin-1亞態(tài)中的每個(gè)各有為0的自躍遷概率，為1的躍遷到緊接它們右邊的狀態(tài)的躍遷概率，和為0的躍遷到模型中任何其他狀態(tài)的躍遷概率；以及將該模型應(yīng)用于表示生物醫(yī)學(xué)信號的數(shù)據(jù)上，以獲得關(guān)于將信號分割成狀態(tài)的信息。
2.根據(jù)權(quán)利要求1所述的方法，其中該鏈中最后的亞態(tài)具有與已經(jīng)被替換的初始狀態(tài)一樣的躍遷概率。
3.根據(jù)權(quán)利要求1或2所述的方法，其中所有dmin亞態(tài)的觀測值概率模型被連在一起，使得馬爾可夫鏈中的dmin狀態(tài)中任何一個(gè)的觀測值模型的參數(shù)與鏈中任何其他狀態(tài)的相應(yīng)參數(shù)相等。
4.根據(jù)權(quán)利要求3所述的方法，其中馬爾可夫鏈中每個(gè)亞態(tài)的觀測值模型的參數(shù)被設(shè)置成與已經(jīng)被替換的初始狀態(tài)的觀測值模型的參數(shù)相等。
5.根據(jù)前述權(quán)利要求任一項(xiàng)所述的方法，其中應(yīng)用模型的步驟包括將模型和要分割的信號提供給維特比算法。
6.一種計(jì)算機(jī)執(zhí)行方法，用于通過使用對維特比算法的修正，將包括一列觀測值的信號分割為有限狀態(tài)離散時(shí)間馬爾可夫過程的一列狀態(tài)，該修正包括對于將結(jié)合入維特比算法的有限狀態(tài)離散時(shí)間馬爾可夫過程的至少一個(gè)狀態(tài)，定義一個(gè)持續(xù)時(shí)間變量和持續(xù)時(shí)間約束，該持續(xù)時(shí)間約束指定所述至少一個(gè)狀態(tài)的最小持續(xù)時(shí)間；將修正后的維特比算法應(yīng)用于信號，以計(jì)算構(gòu)成觀測值序列的最概然約束持續(xù)時(shí)間的狀態(tài)序列；其中，在為有限狀態(tài)離散時(shí)間馬爾可夫過程的每個(gè)狀態(tài)計(jì)算最概然狀態(tài)序列的每個(gè)時(shí)間步長，該馬爾可夫過程構(gòu)成了直到那個(gè)時(shí)間步長內(nèi)的觀測值序列，并以所述狀態(tài)結(jié)束對于具有持續(xù)時(shí)間約束的每個(gè)狀態(tài)，利用那個(gè)狀態(tài)的持續(xù)時(shí)間變量跟蹤先行狀態(tài)連續(xù)序列的長度，該先行狀態(tài)僅由那個(gè)狀態(tài)組成并在前一時(shí)間步長以那個(gè)狀態(tài)結(jié)束；如果那個(gè)狀態(tài)的持續(xù)時(shí)間變量大于或等于對那個(gè)狀態(tài)指定的持續(xù)時(shí)間約束，那么在給定時(shí)間步長的狀態(tài)序列計(jì)算中，考慮從那個(gè)狀態(tài)到馬爾可夫過程中的任何其他給定狀態(tài)的躍遷；如果那個(gè)狀態(tài)的持續(xù)時(shí)間約束小于對那個(gè)狀態(tài)指定的持續(xù)時(shí)間約束，那么在給定時(shí)間步長的狀態(tài)序列計(jì)算中，不考慮從那個(gè)狀態(tài)到馬爾可夫過程中任何其他狀態(tài)的躍遷；并且在計(jì)算出直到給定時(shí)間步長的那組最概然狀態(tài)序列之后，更新具有持續(xù)時(shí)間約束的每個(gè)狀態(tài)的持續(xù)時(shí)間變量，用以跟蹤先行狀態(tài)連續(xù)序列的長度，該先行狀態(tài)僅由那個(gè)特定狀態(tài)組成，并在所考慮的時(shí)間步長以那個(gè)狀態(tài)結(jié)束。
7.根據(jù)權(quán)利要求6所述的方法，其中為有限狀態(tài)離散時(shí)間馬爾可夫過程的每個(gè)狀態(tài)提供了一持續(xù)時(shí)間變量和持續(xù)時(shí)間約束。
8.根據(jù)權(quán)利要求6或7所述的方法，其中該有限狀態(tài)離散時(shí)間馬爾可夫過程包括一隱馬爾可夫模型。
9.一種用于分析已根據(jù)概率分割算法分割的信號的計(jì)算機(jī)執(zhí)行方法，該方法包括計(jì)算每個(gè)已分割信號特征曲線的置信度；畫出該置信度對各自信號特征曲線長度的坐標(biāo)圖；將密度建模技術(shù)應(yīng)用于測定數(shù)據(jù)空間中與高置信度特征曲線相關(guān)聯(lián)的適當(dāng)區(qū)域；測定一特定信號特征曲線的置信度是否落到該區(qū)域以外。
10.根據(jù)權(quán)利要求9所述的方法，其中該信號特征曲線包括一更長信號的一部分。
11.根據(jù)權(quán)利要求9或10所述的方法，其中該置信度是從以下組中選取的一個(gè)，該組包括給定模型的信號特征曲線的對數(shù)概率；以及給定模型的信號特征曲線和最概然狀態(tài)序列的聯(lián)合對數(shù)概率。
12.根據(jù)前述權(quán)利要求任一項(xiàng)所述的方法，其中該信號是從以下組中選擇的生物信號，該組包括心電圖信號、腦電圖信號、肌電圖信號、心臟電生理學(xué)信號和心臟內(nèi)電描記圖。
13.根據(jù)前述權(quán)利要求任一項(xiàng)所述的方法，其中進(jìn)一步包括顯示有關(guān)該信號分析結(jié)果的信息。
14.根據(jù)前述權(quán)利要求任一項(xiàng)所述的方法，其中該信號是心電圖信號，并且從該信號分割中獲得有關(guān)QT間隔的信息。
15.一種計(jì)算機(jī)程序，能夠在計(jì)算機(jī)系統(tǒng)上運(yùn)行，并且當(dāng)這樣運(yùn)行時(shí)能夠使計(jì)算機(jī)系統(tǒng)執(zhí)行根據(jù)前述權(quán)利要求任一項(xiàng)所述的方法。
16.一種計(jì)算機(jī)可讀介質(zhì)，存儲(chǔ)根據(jù)權(quán)利要求15所述的計(jì)算機(jī)程序。
全文摘要
本發(fā)明公開了通過利用持續(xù)時(shí)間約束，對信號如心電圖信號分割可靠性的改進(jìn)。利用隱馬爾可夫模型分析信號。持續(xù)時(shí)間約束確定了模型特定狀態(tài)的最小允許持續(xù)時(shí)間。持續(xù)時(shí)間約束可以結(jié)合模型本身或結(jié)合維特比算法，用于在給定常規(guī)模型條件下，計(jì)算最概然狀態(tài)序列。還公開了從模型推導(dǎo)出置信度，置信度可用于評估分割的質(zhì)量和魯棒性以及識別分割不可靠的任何信號，例如由于信號中噪聲或異常的存在。
文檔編號A61B5/0452GK1976628SQ200580021706
公開日2007年6月6日 申請日期2005年5月6日 優(yōu)先權(quán)日2004年5月7日
發(fā)明者尼古拉斯·休斯, 萊昂內(nèi)爾·塔拉塞恩科, 斯蒂芬·羅伯茨 申請人:Isis創(chuàng)新有限公司