心電動力學信號數(shù)據(jù)特征提取與模式識別的研究進展

易力 李祥 何俊德 李偉 鄭大

心電動力學信號的特征分析及識別算法，是一種基于心電信號轉(zhuǎn)化數(shù)據(jù)的心電動力學信號診斷方法，可應(yīng)用于神經(jīng)網(wǎng)絡(luò)建模、異質(zhì)度特征的量化提取和心臟疾病(如急性冠脈綜合征)的輔助檢測。在心電動力學信號的早期研究中，這種基于心電信號轉(zhuǎn)化數(shù)據(jù)的心電動力學信號診斷方法展現(xiàn)出重要的臨床應(yīng)用價值。本文綜述了國內(nèi)外有關(guān)心電動力學信號的理論研究進展，重點分析了心電動力

學信號的數(shù)據(jù)特征，以及對應(yīng)的識別算法在心臟疾病輔助診斷中的應(yīng)用。

1 心電動力學信號的理論研究進展

1.1 心電動力學信號的研究背景

心電動力學信號是基于心電信號產(chǎn)生的非平穩(wěn)信號。由于有限的、靜態(tài)的信號無法有效呈現(xiàn)心電動力學信號的動態(tài)信息，因此，為了更好地研究心臟在正常和病理情況下的心電動態(tài)信息，研究人員建立了多種心電動態(tài)模型[1-3]。1956年，F(xiàn)rank[1]構(gòu)建了立體心電向量圖，將橫軸、豎軸和前后軸垂直相交后構(gòu)成三維立體空間，可闡述心電圖的產(chǎn)生原理，在國內(nèi)外獲得廣泛認同和采納。此后，Dower對Frank的立體心向量圖進行了簡化改良(保留了原有的A、E和I三個電極，在胸骨柄處增加了S電極)，設(shè)計出EASI導聯(lián)系統(tǒng)。新的導聯(lián)系統(tǒng)可直接記錄E-S、A-S和A-I三個雙極導聯(lián)的心電圖，并可衍生出常規(guī)12導聯(lián)和其他需要的導聯(lián)心電圖[2]。然而，這些心電動態(tài)模型易受個體差異性的干擾，自身參數(shù)也難以靈活調(diào)整[1-10]，因此制約了其臨床應(yīng)用。為此，Ghadrdoost等[3]在心電向量圖的基礎(chǔ)上設(shè)計出心電CGM圖(cardiogoniometry圖)，可采集到形狀參數(shù)、幅值等心電信號特征信息，被用于心臟疾病的檢測[4]。

1.2 心電動力學信號的基本原理

圖1 健康人(A)和心肌缺血患者(B)的心電動力學圖[9]

2 心電動力學信號數(shù)據(jù)特征的研究現(xiàn)狀

2.1 心電動力學信號數(shù)據(jù)特征及其量化價值的研究

已有研究表明，心電動力學信號的數(shù)據(jù)特征包括時間離散量化特征、時間異質(zhì)度、空間離散量化特征、空間異質(zhì)度及圖像特征等[11-13]。這些數(shù)據(jù)特征對呈現(xiàn)心臟電活動非線性系統(tǒng)的動態(tài)量化信息具有重要意義。2016年，文斯民[11]在基于確定學習的心肌缺血早期診斷系統(tǒng)的研究中，提取了心電動力學信號的時間離散度和空間離散度這兩種數(shù)據(jù)特征，并計算它們的離散數(shù)值，作為心肌缺血早期診斷的參考信息，同時為心肌缺血所引發(fā)心臟疾病的早期篩查提供理論指標。在上述研究基礎(chǔ)上，王聰?shù)萚12]在心臟電活動系統(tǒng)動態(tài)的病理特征量化提取的研究中，進一步用數(shù)學函數(shù)模擬了心肌缺血患者心電動力學信號數(shù)據(jù)的時間及空間的離散量化特征，并通過有效的樣本數(shù)據(jù)訓練，獲得心電動力學信號數(shù)據(jù)特征的量化區(qū)間，從而對心電動力學圖像進行量化分析，實現(xiàn)了對心電動力學信號數(shù)據(jù)的定量描述。2018年，龔瑩嵐等[13]進行運動員的訓練狀態(tài)研究，采集了運動員在一定運動負荷訓練后的多導聯(lián)心電圖ST-T段或T波數(shù)據(jù)，并構(gòu)建心電動力學模型，獲取運動員的心電動力學數(shù)據(jù)，并計算心電動力學數(shù)據(jù)的時間及空間異質(zhì)度的量化數(shù)據(jù)，最終得到運動員的運動訓練負荷監(jiān)測指標，用于評估運動員的訓練負荷。

2.2 心電動力學信號數(shù)據(jù)特征的其他相關(guān)研究

盡管心電動力學信號的數(shù)據(jù)特征對有關(guān)心臟電活動非線性系統(tǒng)動態(tài)的量化價值的研究十分重要，但Wen等[14]研究表明，心電動力學信號的圖像特征同樣重要。他們對運動員運動過程中的心臟功能進行監(jiān)測，發(fā)現(xiàn)在某些條件下，心電動力學圖像的測試準確性高于心電圖。Wen等[14]以17名14～28歲的運動員作為試驗對象，分別在高強度運動前、運動后2 h和運動后14 h提取試驗對象的CDG圖像和血檢指標數(shù)據(jù)，結(jié)果表明，當以肌酸磷酸激酶-MB同工酶和高敏肌鈣蛋白I作為標準時，CDG圖像的測試準確率約80%。這為運動員強度訓練后的醫(yī)療保健提供了新的參考指標。此外，在心臟電活動系統(tǒng)動態(tài)的病理特征量化提取的研究中，王聰?shù)劝l(fā)現(xiàn)健康人的心電動力學圖像更趨于規(guī)則、完整的形態(tài)；而有心肌缺血等癥狀的患者，心電動力學圖像則呈現(xiàn)雜亂無序的狀態(tài)，表現(xiàn)出一定的混沌特性[9-12]。

3 心電動力學信號數(shù)據(jù)特征的提取與分析

心電動力學信號的數(shù)據(jù)特征能反映數(shù)據(jù)背后所隱藏的心臟疾病的病理規(guī)律[12-14]，為心臟疾病的早期診斷等臨床應(yīng)用提供有指導性的病理考量參數(shù)。下面介紹時間離散量化特征、空間離散量化特征和時間異質(zhì)度這幾種心電動力學信號數(shù)據(jù)特征的提取與分析。

3.1 時間離散量化特征的提取與分析

3.2 空間離散量化特征的提取與分析

空間離散量化特征主要用于表示心電動力學信號相空間相鄰軌跡的平均指數(shù)發(fā)散率的數(shù)值特征。它可用來分析心電動力學信號的混沌運動量化數(shù)據(jù)的特征，常被用于心肌缺血等心臟疾病的早期篩查。2017年，王聰?shù)萚12]按如下步驟對空間離散量化特征進行了提?。?/p>

3.3 時間異質(zhì)度的提取與分析

時間異質(zhì)度是以傅里葉變換系數(shù)為基礎(chǔ)，刻畫圖像數(shù)據(jù)信息的時間周期性變化。龔瑩嵐等[13]采用數(shù)學函數(shù)arg min來刻畫運動員心電動力學信號的時間異質(zhì)度特征，通過計算ST-T環(huán)或T環(huán)的空間異質(zhì)度(spatial heterogeneity index，SI)和時間異質(zhì)度(time heterogeneity index，TI)，得到運動訓練負荷監(jiān)測指標E。E=a×TI-b×SI+c，其中a、b和c為可變系數(shù)。根據(jù)運動訓練負荷監(jiān)測指標E與血檢結(jié)果的一致性，確定a、b和c的值，并在此基礎(chǔ)上制定或調(diào)整相應(yīng)的運動訓練計劃[13]。

4 心電動力學信號數(shù)據(jù)特征的模式識別及其臨床應(yīng)用

關(guān)于心電動力學信號數(shù)據(jù)特征的模式識別，其研究重點在于構(gòu)建心電動力學信號特征識別模型[15-16]。目前，多數(shù)學者側(cè)重于心電動力學信號數(shù)據(jù)特征的提取與分析方面的研究，關(guān)于將識別模型應(yīng)用于疾病輔助診斷的研究還十分有限。

4.1 模型構(gòu)建與目標數(shù)據(jù)識別

4.2 心電動力學信號的圖像模型在遠程心肌缺血檢測中的應(yīng)用

基于心電動力學信號識別模型的相關(guān)研究，雷鵬[19]在遠程心肌缺血檢測系統(tǒng)的設(shè)計與實現(xiàn)的研究中，利用心電動力學信號的圖像模型對心肌缺血開展遠程檢測：首先，采用“客戶端-服務(wù)器”模式進行數(shù)據(jù)傳輸，用戶通過客戶端上傳心電數(shù)據(jù)到服務(wù)器，服務(wù)器采用差分閾值法得到心率數(shù)據(jù)等信息；然后，采用確定學習方法對心電圖的ST-T段進行數(shù)據(jù)計算，獲得心電動力學圖像數(shù)據(jù)；最后，根據(jù)心電動力學圖像的數(shù)據(jù)特征，由客戶端輸出心電圖、心率信息和心電動力學圖，并出具心肌缺血的檢測報告。盡管該心肌缺血檢測系統(tǒng)在一定程度上解決了心電圖早期篩查心臟疾病敏感度過低的問題，但由于該檢測系統(tǒng)所提供的心電動力學數(shù)據(jù)的量化判定信息有限，因此尚不足以用于臨床判定心臟疾病的病情。

5 討論

關(guān)于心電動力學信號，現(xiàn)有的研究主要是對心電動力學數(shù)據(jù)進行特征挖掘和統(tǒng)計分析，涉及的數(shù)據(jù)特征主要包括時間離散特征、空間離散特征、時間異質(zhì)度和空間異質(zhì)度等[14, 17-18]。關(guān)于心電動力學信號特征的提取方法，現(xiàn)有研究主要是采用RBF神經(jīng)網(wǎng)絡(luò)建模方法，再現(xiàn)心電動力學信號的動態(tài)演變規(guī)律。在基于心電動力學信號特征的量化識別算法的研究方面，現(xiàn)有文獻主要采用動態(tài)模式數(shù)據(jù)庫構(gòu)建和動態(tài)模式的殘差識別等方法，對心電動力學信號數(shù)據(jù)進行識別和歸類。

盡管心電動力學信號的特征分析及模式識別的臨床應(yīng)用還十分有限，但其仍具有良好的發(fā)展前景。心電動力學信號比心電信號的敏感性更高，健康人群和心肌缺血引發(fā)心臟疾病(如急性冠脈綜合征)患者的心電動力學信號之間存在顯著性差異：前者的心電動力學圖像趨向于規(guī)則完整；后者的心電動力學圖像呈現(xiàn)雜亂無序的狀態(tài)，具有一定的混沌特性。此外，在眾多反映心電信號混沌性變化的指標[15-16, 20]中，研究者多采用近似熵來研究心電信號中時間序列的不規(guī)則性和復(fù)雜性，采用信息熵來衡量心電信號中離散隨機事件出現(xiàn)的概率；而心電動力學信號具有和心電信號一樣的周期性和隨機性，因此也可利用上述混沌指標來表征其數(shù)據(jù)特征。

然而，關(guān)于心電動力學信號的數(shù)據(jù)特征分析及模式識別的研究，目前仍存在一些挑戰(zhàn)：能投入臨床應(yīng)用的神經(jīng)網(wǎng)絡(luò)診斷模型還不夠成熟；挖掘出的心電動力學信號特征的數(shù)據(jù)信息還比較有限；基于數(shù)據(jù)特征深度分析的再識別及再分類的相關(guān)研究困難重重。在未來的研究中，若能提高心電動力學信號擬合模型的準確度，并能從心電動力學信號中挖掘出更豐富的數(shù)據(jù)特征及量化指標(包括信息熵、近似熵等混沌特性指標)，那么將在混沌特征量化參數(shù)的層面上推動心臟疾病的早期篩查，對病情風險和藥物療效的跟蹤評估也具有一定的臨床參考價值。進一步，若能將心電動力學信號數(shù)據(jù)特征應(yīng)用于人體重大疾病(如糖尿病、急性冠脈綜合征和心肌梗死等)的病情檢測和療效量化評估，則將使之發(fā)揮更大的臨床應(yīng)用價值。