脑血管疾病早期难以发现,一旦发病,致死、致残率高。重型颅脑损伤也是临床常见急症,容易出现继发性出血等损伤,严重威胁患者生命。如果能够尽早发现以上病情,可以有效降低患者的死亡率并改善预后效果。这就需要一种动态监护诊断技术,对有潜在发病风险的患者进行连续监测,及时发现病情变化,在发病初期即可指导医护人员进行合理治疗。现有的影像检查手段如CT、MRI等虽然实现颅脑病灶的准确诊断,但是主要用于一次性检测,费用昂贵,会产生辐射,并且设备体积庞大,无法用于长时连续床旁监护,不能对脑血管疾病发病进行早期预警。常规生理参数监护仪虽然可以进行床旁连续监护,但是由于心率、血压等生理参数受到人体代偿功能的影响,对颅脑病变不敏感,因此临床上迫切需要一种能够对脑血管疾病患者进行连续监护的床旁监护设备。电阻抗断层成像(Electrical Impedance Tomography,EIT)是一种新型的生物医学成像技术,以无创、低成本、功能成像为特点,在脑血管疾病的连续监护方面有着良好的应用前景,国内外均开展了颅脑EIT的相关应用研究。第四军医大学课题组攻克了颅脑动态EIT成像算法和硬件系统等关键技术难题,在国际上率先展开了临床应用研究,也是唯一能将颅脑EIT动态监护技术推向临床研究的小组。课题组前期的临床研究证明颅脑EIT监测技术的临床可行性,在研究实践中发现,进行长期连续监护时,由于医护人员的护理、治疗和病人体动等原因,电极和头皮会发生接触不良,影响数据质量,迫切需要对电极的接触情况进行实时判断并对接触不良信号进行处理,提高其抗干扰能力,推进颅脑EIT在临床上的应用。针对以上问题,本文展开以下三方面研究:(1)接触不良电极的实时检测在颅脑EIT临床监护中,病人的体动以及医护人员的治疗、护理操作不当等因素可能会导致环贴在病人头部的电极出现接触不良的情况,影响图像监护结果。在前期的研究中发现,由于接触不良电极的接触阻抗与正常电极相差较大,导致包含接触不良电极的测量通道值和以接触不良电极为激励电极时获取的测量值与正常值先比存在显著差异。基于此,本文研究了一种基于加权的相关系数和小波奇异点检测的接触不良电极的实时检测算法,并通过阻容网络物理模型实验和临床人体实验证明了该方法可以准确检测相应接触不良电极。(2)电极接触不良后的数据补偿颅脑EIT对病人进行连续监护时间长,要求监护期间医护人员一直值守在设备旁比较困难。当电极发生接触不良时监护图像不能反映正常监护信息,赶来重贴电极的医护人员无法记录最后的正常监护结果,而对电极进行处理后新的监护图像也不包含电极故障前的监护信息,因此需要对电极接触不良时的数据进行补偿,保证监护结果的连续性。本文研究了一种基于灰色BP神经网络串联模型的数据补偿算法,使用一阶单变量的灰色模型和单输入单输出的三层BP神经网络模型对丢失的数据帧进行补偿。灰色预测模型趋势性好,BP神经网络非线性逼近能力强,两者结合可以准确补偿缺失的数据帧。物理模型实验和临床人体实验证明该方法可以有效保留电极故障前的监护图像信息。(3)基于三次自然样条拟合差分的体动伪影干扰的抑制颅脑EIT监护过程中,医护人员的护理治疗操作会改变病人的,可能会改变电极的接触状态,这种改变不足以导致电极发生接触不良,但是测量数据的幅值会发生突变,在监护图像上表现出剧烈的体动伪影。本文基于三次样条拟合差分的方法,将体动导致的测量数据的突变视为阶跃噪声信号,通过拟合差分消除该类噪声还原原始信号。经仿真实验证明,该方法可以有效抑制阶跃噪声与脉冲噪声。经临床人体实测数据验证,该方法可以有效抑制测量数据基线突变,消除图像上的体动伪影。综上所述,本文针对数据采集中的电极干扰进行了系统的分析和数据预处理方法的研究,主要展开了三方面工作:提出了一种基于加权相关系数和小波分解的接触不良电极的实时检测方法;实现了一种基于灰色预测和BP神经网络串联模型对缺失的数据进行数据补偿方法;研究了一种基于三次自然样条拟合的差分去噪方法,消除了图像上的体动干扰伪影。物理模型实验和人体实验表明,这些方法能够有效检测接触不良电极并进行相应的数据处理,可以促进颅脑EIT的进一步临床推广应用。