容积脉搏波序列的异常模式检测

　　1 引 言

　　容积血氧计是常用的生理信号检测装置[1]，它可以输出 2 路信号，血氧饱和度和容积脉搏波(以后简称脉搏波)，在临床和睡眠医学上有重要的诊断价值。由脉搏波可以计算出心率，这是睡眠状态和呼吸事件检测中的重要指标[2-3]。但是，容积脉搏波容易受到体动的干扰，导致信号的质量下降，不能提供准确的心率信息。对于受到干扰的脉搏波信号段，有多种解决方法，如利用前后的心率信息插值，融合其他传感器的信息，或者对脉搏波信号进行滤波[4]，这些方法的前提都是准确定位受到干扰的脉搏波时间序列段(以后简称为干扰段)。干扰段的信号形态明显不同于正常段，其突出特点是信号杂乱，没有周期性，不规则。自动化判别这些不规则的信号对生理信号的计算机处理是必要的，判别不规则的信号可以从两个角度考虑，即模式识别和时间序列的异常检测。

　　文献[5]利用模式识别的方法把睡眠过程中的体动信号区分为醒和睡，其中醒时的体动信号和脉搏波的干扰段具有同样的特点，而睡时的体动信号和正常的脉搏波都具有周期性。模式识别领域的另外一个方法是模板匹配方法，就是把时间序列分割成小段，每段和预先定义好的正常段模板进行相似度计算，一般采用欧氏距离。模式识别的方法需要形成信号的特征向量，特征向量的选择和计算本身就是比较复杂的问题，特征选择不当、过多或者过少不但无助于分类，还会对分类器造成干扰。特征向量的形成需要对时间序列的正常模式和异常模式有足够的了解，即充分的先验知识。分类器常用的有神经网络、模糊识别等，前者一般需要训练数据集，后者需要精细地调节分类器的参数。模板匹配法是比较直观的方法，但是关键问题是时间序列是实数值的连续排列，要模板匹配必须先把时间序列分割成小段，然后比较每个小段和模板的距离，分割时间序列涉及特征点的定位，本身就是很复杂的问题。并且欧氏距离对于波形在时间轴上的移位和伸缩很敏感，一旦分割不当，就使正常段和模板之间的距离很大，而被误判为干扰段。

　　在数据挖掘领域，时间序列的模式发现问题[6-7]已经引起人们的关注，时间序列的异常模式发现就是其中任务之一。所谓异常模式(异常事件)，就是时间序列的某些段表现出与预先定义的正常段不同的行为，如幅度、频率方面。本文中，异常模式就是干扰段，二者是可以互换的术语。由于正常的脉搏波具有很规则、周期的波形，而病人体动时，脉搏波某些段变得杂乱，规则、周期性的特点丧失，利用干扰段的这个内在特点，可以把规则的正常段和不规则的异常段分开，无需提取特征向量，也无需训练数据。但是周期性的刻画不易在原始的数据结构上实现，一般需要用更简约、更高级的数据结构对时间序列描述。