基于拉格朗日支持向量机算法的旋转血泵抽吸检测系统

Posted L1terature Review

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于拉格朗日支持向量机算法的旋转血泵抽吸检测系统相关的知识,希望对你有一定的参考价值。


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

Abstract


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。

Introduction-previous research

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]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。

Methods


    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≤△PNS,PNS是ΔPNS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△PNS<P≤△PSPs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>△PS)。此外,泵流量信号失去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


基于拉格朗日支持向量机算法的旋转血泵抽吸检测系统

基于拉格朗日支持向量机算法的旋转血泵抽吸检测系统

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NSAS状态中分离出来,然后用另一个LSVMNSAS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TPTNFPFN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测试时间有关最后两个标准(67)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


Results

A.    MedQuest泵的结果

对于MedQuest泵,共有763个样本(379 NS323 AS61 S)可供分类。表IVV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702NS样本中只有6.35个(即0.90%)被错误地分类为S,而在61S样本中有3.02个被错误地分类为S(即4.95%)。错误地归类为NSIV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0.0080.009 s在三态情况下,平均有27.85NS样本被误分类为AS7.35%)和仅0.24个样本被错误地分类为S0.06%)。对于AS18.72个样本被错误地分类为NS5.79%),而只有6.16个样本被错误地分类为S1.91%)。最后,对于S而言,S的平均错误数错误分类为NSAS的样本分别低至00%)和3.055%)。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0.0310.016 s

B.    Nimbus泵的结果

对于Nimbus泵,共有716个样本(392 NS155 AS169 S)可供分类。表VIVII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547NS样本中只有2.25个被错误分类为S0.41%),在169个抽吸样本中有2.25被错误地分类为NS1.33%)。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0.0070.009 s在三态情况下,平均有19.78NS样本被错误地分类为AS5.05%),只有0.17个样本被错误地分类为S0.04%)。对于AS,将32.64个样本错误地标识为NS21.06%),只有2.01个样本被错误分类为S1.29%)。对于S,被错误分类为NSAS的平均样本数分别低至0.310.18%)和2.041.21%)。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0.0310.013 s

MedQuestNimbus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。

Discussion

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CARTDANNSVM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VIII。参见图89IX为三态分类比较结果。

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SDLSVM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SD7显示了两个泵的相关ROC曲线和DANNSVMLSVM算法的AUC(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DANNSVM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,DALSVM算法所需的训练时间最少,可观的数量也很多。

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DANNSVMLSVM算法的相关ROC曲线和AUC值如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7)。从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SVMLSVM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[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68,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, p0.05),只有7项无统计学意义((p > 0.05)。此外,如6和图8所示,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MedQuestnimbus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]

Conclusion

讨论了一种有效的基于 LSVM 的抽吸检测算法,该算法可用作 LVAD 反馈控制器的一部分。该算法已通过体内 LVAD 数据进行了测试,并与其他现有算法进行了比较。最初,对来自体内数据的泵流量信号进行预处理,以去除高频噪声成分,然后根据时间,频率和时频域从信号中提取六个特征作为吸力指标。 LSVM 算法与决策树策略相结合,用于为两个不同的泵执行两状态和三状态抽吸分类任务。与现有的三种分类方法和常规的 SVM 算法相比,提出的 LSVM 算法具有较高的准确性,较高的稳定性,较短的学习速度和较好的鲁棒性。该系统具有如此高的性能检测吸力开始的能力,使得该方法可以用作反馈控制策略的一部分,以自动调整旋转式 LVAD 中的 PS
References

[7] D. M. Karantonis, N. H. Lovell, P. J. Ayre, D. G. Mason, andS. L. Cloherty, “Identification and classification of physiologically significant pumping states in an implantable rotary blood pump,” Artif. Organs,vol. 30, no. 9, pp. 671–679, Sep. 2006.
[8] A. Ferreira, S. Chen, M. A. Simaan, J. R. Boston, and J. F. Antaki, “A discriminant-analysis-based suction detection system for rotary blood pumps,” in Proc. 28th IEEE Annu. Int. Conf. Eng. Med. Biol., New York,NY, 2006, pp. 5382–5385.
[9] D. M. Karantonis, S. L. Cloherty, N. H. Lovell, D. G. Mason,R. F. Salamonsen, and P. J. Ayre, “Noninvasive detection of suction inan implantable rotary blood pump using neural networks,” Int. J. Comput.Intell. Appl., vol. 7, no. 3, pp. 237–247, Sep. 2008.
[13] M. Vollkron, H. Schima, L. Huber, R. Benkowski, G. Morello, and G. Wieselthaler, “Development of a suction detection system for axial blood pumps,” Artif. Organs, vol. 28, no. 8, pp. 709–716, Aug. 2004.
[14] A. Ferreira, M. A. Simaan, J. R. Boston, and J. F. Antaki, “Frequency and time-frequencybasedindicesforsuctiondetectioninrotarybloodpumps,” in Proc. IEEE Int. Conf. Acoustics Speech Signal Process., Toulouse,France, May 14–19, 2006, pp. 1064–1067.
[21] O. L. Mangasarian and D. R. Musicant, “Lagrangian support vector machines,” J. Mach. Learning Res., vol. 1, pp. 161–177, 2001.

以上是关于基于拉格朗日支持向量机算法的旋转血泵抽吸检测系统的主要内容,如果未能解决你的问题,请参考以下文章

支持向量机:SMO算法剖析

支持向量机:图解KKT条件和拉格朗日乘子法

支持向量机

SVM -支持向量机原理详解与实践之二

机器学习之支持向量机(手推公式版)

机器学习之支持向量机(手推公式版)