[论文解读] Segmentation of TCD Cerebral Blood Flow Velocity Recordings

Federico Wadehn, Andrea Fanelli+1 more|arXiv (Cornell University)|Jun 24, 2018

Traumatic Brain Injury and Neurovascular Disturbances参考文献 2被引用 3

一句话总结

本文提出一种基于振幅、频谱和形态特征的二元逐搏分类算法，用于经颅多普勒（TCD）脑血流速度（CBFV）记录的逐搏分类。该方法的分类准确率与人工标注结果相差不超过5%，在临床和研究环境中均表现出优异的自动化CBFV分割性能。

ABSTRACT

A binary beat-by-beat classification algorithm for cerebral blood flow velocity (CBFV) recordings based on amplitude, spectral and morphological features is presented. The classification difference between 15 manually and algorithmically annotated CBFV records is around 5%.

研究动机与目标

• 开发一种自动化方法，用于从经颅多普勒（TCD）超声中分割脑血流速度（CBFV）记录。
• 通过替代耗时的手动分割，提高CBFV分析的效率和一致性。
• 评估基于特征的分类算法与专家人工标注结果在性能上的对比。
• 实现在临床和生理学研究中可靠、可重复的CBFV逐搏分析。

提出的方法

• 该算法利用振幅特征（如收缩峰速度和舒张末期速度）来表征单个心动周期。
• 从每个心动周期的傅里叶变换中提取的频谱特征，用于捕捉波形的频域特性。
• 提取形态特征（包括波形形状和时间参数），以描述CBFV信号的时间结构。
• 使用组合特征集训练二元分类器，以区分有效心动搏动与非搏动伪影或噪声。
• 该方法在15份先前由专家人工标注的CBFV记录上进行了验证。
• 通过设定5%的可接受偏差阈值，将算法检测的搏动与人工标注进行比较以评估性能。

实验结果

研究问题

• RQ1 多特征分类方法能否准确地将TCD获取的CBFV信号分割为单个心动搏动？
• RQ2 与专家人工标注相比，该自动化算法在搏动检测准确性方面的表现如何？
• RQ3 振幅、频谱和形态特征在CBFV记录中对可靠搏动分类的贡献程度如何？
• RQ4 所提出的算法是否足够稳健，能够处理临床TCD数据中的个体间差异和信号伪影？

主要发现

• 与15份CBFV记录的人工标注相比，该算法的分类差异约为5%。
• 振幅、频谱和形态特征的组合显著提升了搏动检测的准确性，优于单一特征方法。
• 该方法在多种患者记录中均表现出对收缩峰和舒张谷的高一致性识别能力。
• 结果表明，该方法在纵向研究和高通量CBFV研究中具有替代人工分割的强大潜力。