[1]张和华,吕 洋,苌飞霸,等.基于支持向量机的胸阻抗与胸外按压深度预测模型构建[J].中国医学物理学杂志,2015,32(03):343-346.[doi:10.3969/j.issn.1005-202X.2015.03.009]
点击复制

基于支持向量机的胸阻抗与胸外按压深度预测模型构建()
分享到：

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
32卷
期数:
2015年03期
页码:
343-346
栏目:
出版日期:
2015-05-25

文章信息/Info

作者:
张和华1; 吕 洋2; 苌飞霸1; 尹 军1; 李勇明2; 李永勤3
1. 第三军医大学大坪医院野战外科研究所医学工程科，重庆 400042；2. 重庆大学通信工程学院，重庆 400044；3. 第三军医大学生物医学工程学院，重庆 400038
关键词:
胸阻抗信号; 支持向量机; 按压深度; 预测模型
分类号:
R318.11
DOI:
10.3969/j.issn.1005-202X.2015.03.009
文献标志码:
A
摘要:
目的：针对心肺复苏过程中患者体征差异导致的胸阻抗（Thoracic Impedance, TTI）变化值和胸外按压深度间的非线性关系，利用TTI变化值，结合患者体质量、胸围等体征差异，建立基于支持向量机的预测模型，预测胸外按压过程中的按压深度，对胸外按压质量进行反馈。方法：采用10头家猪电诱导心脏骤停的实验数据,其中一半实施高质量按压，另外一半实施低质量按压。实验采集了胸外按压前120 s的数据，包括体质量、胸前后径、胸左右径、心率、平均动脉压以及胸外按压过程中的TTI变化值。为建立模型，从每头猪的大量数据中随机选择10组数据，重新组成一组包含100组数据的新数据，并从这些数据中选出等量的高质量按压和低质量按压数据，用其中的70%进行训练，得到支持向量机的预测模型。将余下30%的数据作为预测数据，以得到测试结果。结果：设按压深度大于或等于35 mm时为按压足够，小于35 mm时为按压不足，重复50次，平均预测正确率为97.07%，最高预测正确率为100%，最低预测正确率为89.29%。结论：通过支持向量机预测模型，以TTI信号预测心肺复苏过程中按压深度具有一定的可行性。

相似文献/References:

[1]李金泽,李 华,喻 罡,等.基于大脑形态学和SVM的孤独症自动识别[J].中国医学物理学杂志,2014,31(06):5338.[doi:10.3969/j.issn.1005-202X.2014.06.026]
[2]余丽玲,陈婷,金浩宇,等.基于支持向量机和自回归积分滑动平均模型组合的血糖值预测[J].中国医学物理学杂志,2016,33(4):381.[doi:10.3969/j.issn.1005-202X.2016.04.012]
　[J].Chinese Journal of Medical Physics,2016,33(03):381.[doi:10.3969/j.issn.1005-202X.2016.04.012]
[3]刘一学,李锵,关欣,等.基于支持向量机的颈动脉超声图像内中膜厚度测量[J].中国医学物理学杂志,2016,33(5):451.[doi:10.3969/j.issn.1005-202X.2016.05.005]
　[J].Chinese Journal of Medical Physics,2016,33(03):451.[doi:10.3969/j.issn.1005-202X.2016.05.005]
[4]米雅婷,葛中芹,张婕,等. GA-BP算法与SVM在呼吸运动估计中的效果比较[J].中国医学物理学杂志,2017,34(3):287.[doi:10.3969/j.issn.1005-202X.2017.03.014]
　[J].Chinese Journal of Medical Physics,2017,34(03):287.[doi:10.3969/j.issn.1005-202X.2017.03.014]
[5]武会江,黄启俊,常胜,等.基于多项式参数拟合和支持向量机的心肌梗死识别算法[J].中国医学物理学杂志,2017,34(7):736.[doi:10.3969/j.issn.1005-202X.2017.07.017]
　[J].Chinese Journal of Medical Physics,2017,34(03):736.[doi:10.3969/j.issn.1005-202X.2017.07.017]
[6]杨芳,李涛.基于能量特征和模糊熵的睡眠自动分期[J].中国医学物理学杂志,2017,34(9):968.[doi:DOI:10.3969/j.issn.1005-202X.2017.09.022]
　[J].Chinese Journal of Medical Physics,2017,34(03):968.[doi:DOI:10.3969/j.issn.1005-202X.2017.09.022]
[7]张翊丹,刘文涵,张梦新,等. 基于级联分类器的心律失常检测[J].中国医学物理学杂志,2018,35(8):945.[doi:DOI:10.3969/j.issn.1005-202X.2018.08.015]
　ZHANG Yidan,LIU Wenhan,ZHANG Mengxin,et al. Arrhythmia detection based on Cascade classifier[J].Chinese Journal of Medical Physics,2018,35(03):945.[doi:DOI:10.3969/j.issn.1005-202X.2018.08.015]
[8]马玉良,刘卫星,张淞杰,等.基于ABC-SVM的运动想象脑电信号模式分类[J].中国医学物理学杂志,2018,35(9):1056.[doi:10.3969/j.issn.1005-202X.2018.09.012]
　MAYuliang,LIUWeixing,ZHANG Songjie,et al.Pattern classification of motor imagery EEG signals based on ABC-SVM algorithm[J].Chinese Journal of Medical Physics,2018,35(03):1056.[doi:10.3969/j.issn.1005-202X.2018.09.012]
[9]张迪,陈真诚,梁永波,等. 协同训练算法在无创血糖检测中的应用[J].中国医学物理学杂志,2018,35(11):1295.[doi:DOI:10.3969/j.issn.1005-202X.2018.11.011]
　ZHANG Di,CHEN Zhencheng,LIANG Yongbo,et al. Application of co-training algorithm in noninvasive blood glucose detection[J].Chinese Journal of Medical Physics,2018,35(03):1295.[doi:DOI:10.3969/j.issn.1005-202X.2018.11.011]
[10]刘家卓,谢云,陈学强,等. 基于HHT的视觉疲劳脑电特征提取[J].中国医学物理学杂志,2018,35(12):1473.[doi:DOI:10.3969/j.issn.1005-202X.2018.12.020]
　LIU Jiazhuo,XIE Yun,CHEN Xueqiang,et al. Feature extraction of visual fatigue EEG signals based on HHT[J].Chinese Journal of Medical Physics,2018,35(03):1473.[doi:DOI:10.3969/j.issn.1005-202X.2018.12.020]

备注/Memo

备注/Memo:
全军医学科技青年培育项目（13QNP120）
更新日期/Last Update: 2015-05-25