基于光電容積脈搏波的心房顫動識別方法

張悅，陳真誠，梁永波，朱健銘

1.桂林電子科技大學(xué)電子工程與自動化學(xué)院，廣西桂林541004；2.桂林電子科技大學(xué)生命與環(huán)境科學(xué)學(xué)院，廣西桂林541004

前言

心房顫動（簡稱房顫）是一種常見的心臟疾病。房顫患者的體征包括脈律不齊、脈搏短絀、第一心音強(qiáng)弱不等、節(jié)律絕對不規(guī)整等［1］。在傳統(tǒng)的房顫診斷中，醫(yī)生通過查看心電圖（Electrocardiography,ECG）判斷房顫的發(fā)生，但此診斷方式帶有主觀性，且耗時(shí)耗力。Kora 等［2］基于ECG 使用Cuckoo Search 算法來實(shí)現(xiàn)自動識別房顫；王凱等［3］基于ECG 的自動心律失常檢測模型能夠有效監(jiān)測心臟異常房顫信號的ECG 信號特征。對于房顫監(jiān)測的困難主要在于陣發(fā)性房顫，此類房顫的特點(diǎn)是突發(fā)突止、持續(xù)時(shí)間短，24 h 動態(tài)心電圖常作為首選的監(jiān)測方法。李芳等［4］通過分析總結(jié)房顫的心電散點(diǎn)圖特征，分析24 h 動態(tài)心電圖來診斷房顫。武求花等［5］運(yùn)用Lorenz-RR散點(diǎn)圖（Lorenz散點(diǎn)圖）與時(shí)間-RR 間期散點(diǎn)圖（時(shí)間散點(diǎn)圖）及逆向技術(shù)相結(jié)合的方法，快速識別不同發(fā)作時(shí)間的PAF，為臨床提供更快更準(zhǔn)確的心電診斷技術(shù)。

目前國內(nèi)外對于房顫識別的研究大多基于ECG，但ECG 設(shè)備普遍有操作復(fù)雜、攜帶困難、價(jià)格較高、多通道等局限性。光電容積脈搏波描記法（PPG）是使用激光對待測流體或固體的體積進(jìn)行檢測與記錄的方法，可以用來監(jiān)測毛細(xì)血管中血液的體積變化［6］。有研究表明，PPG 信號與ECG 信號有很高的相關(guān)性［7］。PPG 方法采集信息容易、方便攜帶，相較于ECG 方法，PPG 更加擅長長期監(jiān)測。本文從脈搏波波形中提取房顫相關(guān)特征參數(shù)，使用機(jī)器學(xué)習(xí)算法構(gòu)建心房顫動識別模型，以探尋基于脈搏波識別房顫的有效方法。

1 房顫狀態(tài)脈搏波分析

將心房顫動狀態(tài)脈搏波與健康狀態(tài)脈搏波的波形進(jìn)行對比分析，可發(fā)現(xiàn)二者間有明顯不同。主要區(qū)別在于房顫發(fā)生時(shí)脈搏波的脈沖寬度（Pulse-Width, PW）、峰峰間隔（Peak-to-Peak Interval, PPI）、收縮期面積（Systolic Area,SA）會明顯與相鄰時(shí)間下同類特征的平均值有較大差別。其中每次房顫發(fā)生時(shí)，PPI會出現(xiàn)一次低于、一次高于平均PPI值的情況；PW和SA都會出現(xiàn)一次明顯低于平均值的情況。

通過查閱文獻(xiàn)，本文還選取了增強(qiáng)指數(shù)（Augmentation Index,AI）、脈搏波上升導(dǎo)數(shù)最大處至重搏波峰值的時(shí)間間隔（Half Rise to Dicrotic Notch,HRDN）、拐點(diǎn)面積比（Inflection Point Area, IPA）3 種與房顫疾病相關(guān)的特征類型，這3類特征參數(shù)能作為受試者是否可能發(fā)生房顫的判斷因素。

心房顫動的發(fā)生與高血壓高度相關(guān)，心臟由于人體長期血壓過高將造成心房電傳導(dǎo)延遲、左心室肥厚、左心房功能異常、左心房擴(kuò)大等現(xiàn)象［8］。血壓的增高會導(dǎo)致動脈的老化進(jìn)程加速［9］。動脈老化將引起動脈的僵硬度提升，脈搏波傳導(dǎo)速度會隨著動脈僵硬度的提升而加快，它的加速使得外周動脈到近端大動脈的反射波提前回傳，最終使脈搏波波形變化［10］。AI可以定義為PT2/PT1，其中PT2是收縮壓后期振幅，PT1是收縮壓早期振幅。已有研究表明，脈搏波特征中的增強(qiáng)指數(shù)AI就可以反映出動脈僵硬度的變化，且容積脈搏波的AI與主動脈AI相關(guān)［11］，故選用此類特征值。

有研究表明，脈壓差的增大，將導(dǎo)致動脈牽拉的加重，血管壁彈性成分容易疲勞和斷裂，這將造成內(nèi)膜損傷，并很有可能進(jìn)一步提高動脈僵硬和血管栓塞發(fā)生的可能性。內(nèi)皮功能減退可能導(dǎo)致房顫的發(fā)生［12］。因此，將能夠反映脈壓的HDRN 列為房顫的判斷因素之一［13］。

房顫病人與正常人的外周血管總阻力（Total Peripheral Resistance, TPR）有明顯的區(qū)別［14］。有研究發(fā)現(xiàn)IPA能夠反映TPR指標(biāo)。IPA定義為脈搏波中第二個(gè)峰與第一個(gè)峰的面積之比（SB/SA），與脈搏波反射強(qiáng)度有較強(qiáng)的相關(guān)性。動脈系統(tǒng)中，各部分間阻抗不匹配將出現(xiàn)脈搏波反射。已知，有九成左右的TPR 存在于小動脈處，小動脈收縮將使得TPR變化，并造成阻抗不匹配，由此引發(fā)的脈搏波反射強(qiáng)度的變化將使IPA 發(fā)生變化［15］。本文所提房顫相關(guān)的各特征參數(shù)示意如圖1所示。

圖1 脈搏波的特征參數(shù)Fig.1 Characteristic parameters of pulse wave

2 實(shí)驗(yàn)過程

實(shí)驗(yàn)數(shù)據(jù)來源于美國麻省理工學(xué)院MIMIC公開數(shù)據(jù)庫中房顫患者（通過ECG 確診）以及健康人的PPG數(shù)據(jù)。數(shù)據(jù)經(jīng)篩選、分段、歸一化等預(yù)處理，得到6 857 例10 s 脈搏波數(shù)據(jù)段，數(shù)據(jù)樣本中房顫狀態(tài)PPG 樣本共2 737 例，非房顫狀態(tài)PPG 樣本共4 120例。將樣本數(shù)據(jù)分成房顫與非房顫兩組并標(biāo)記標(biāo)簽，提取PPG 數(shù)據(jù)中與房顫相關(guān)的6 類特征參數(shù)，使用BP 神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)（SVM）作為分類器對數(shù)據(jù)進(jìn)行房顫的識別分類。通過對比分析各個(gè)分類器的實(shí)驗(yàn)結(jié)果，探尋效果更佳的識別房顫方法。

2.1 數(shù)據(jù)處理

MIMIC 數(shù)據(jù)庫中下載的脈搏波數(shù)據(jù)經(jīng)預(yù)處理后，得到歸一化的PPG數(shù)據(jù)可視化樣例（每段10 s，采樣頻率為125 Hz）如圖2所示。將房顫狀態(tài)的脈搏波數(shù)據(jù)標(biāo)記為正類，非房顫狀態(tài)的脈搏波數(shù)據(jù)標(biāo)記為負(fù)類。

提取PPG波形中PW、PPI、SA、AI、HRDN、IPA共6 類特征作為分類器的輸入項(xiàng)進(jìn)行房顫識別分類實(shí)驗(yàn)。

雖然有一些研究表明MAOIs、TCAs、SSRIs、SNRIs在不同藥物類型方面，以及同一類型不同藥物方面有療效間的差異，但大量的比較研究整體上沒有發(fā)現(xiàn)在這些方面上的明顯差異。而基于第二代抗抑郁藥物(SSRIs和SNRIs)具有比第一代抗抑郁藥物(單胺類氧化酶抑制劑和三環(huán)類抗抑郁藥物)具有更好的安全性和耐受性，因此使用更為廣泛，常被推薦用于急性期的初始治療。

2.2 模型建立

本文使用BP 神經(jīng)網(wǎng)絡(luò)算法、SVM 算法、隨機(jī)森林算法，以PW、PPI等6類特征參數(shù)作為輸入，樣本是否發(fā)生房顫現(xiàn)象作為輸出，分別構(gòu)建3 種分類器，并將對分類效果進(jìn)行評估。

圖2 不同狀態(tài)下的脈搏波波形Fig.2 Pulse waveforms in different statuses

BP 神經(jīng)網(wǎng)絡(luò)屬于多層前饋的神經(jīng)網(wǎng)絡(luò)，其含有輸入層、一層及以上的隱含層和輸出層。BP 神經(jīng)網(wǎng)絡(luò)的輸入信號前向傳遞，誤差反向傳播，若輸出層無法得到期望輸出，則轉(zhuǎn)向反向傳播，通過預(yù)測誤差對網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行修正，可以使預(yù)測輸出向期望輸出持續(xù)逼近［16］。隱含層各神經(jīng)元節(jié)點(diǎn)采用Sigmoid 函數(shù)作為激勵函數(shù)。實(shí)驗(yàn)中，將BP 神經(jīng)網(wǎng)絡(luò)的隱含層設(shè)為兩層，第一層含100 個(gè)神經(jīng)元，第二層含50 個(gè)神經(jīng)元；最大迭代次數(shù)epochs 設(shè)為20 000次時(shí)，BP 神經(jīng)網(wǎng)絡(luò)對于房顫脈搏波的識別率達(dá)到92.3%。

SVM 是一種常用的機(jī)器學(xué)習(xí)方法，在統(tǒng)計(jì)樣本少的情況下，能夠處理二分類的問題。SVM 的原理是找到一個(gè)最優(yōu)分類超平面，其在能夠達(dá)到分類要求和精度的基礎(chǔ)上，還能夠最大化分類面異側(cè)的空白區(qū)域，可以完成線性可分?jǐn)?shù)據(jù)的最優(yōu)分類。

對于本文中關(guān)于發(fā)生房顫與否的二分類問題，T={(x1,y1), (x2,y2),…,(xn,yn)}是本次實(shí)驗(yàn)所使用的樣本集。xi∈RP,yi∈{ -1, 1},i= 1, 2,…,n；P是各樣本的維數(shù)；n是各樣本的個(gè)數(shù)。超平面方程是：

其中，ω是權(quán)向量，b是閾值。經(jīng)過歸一化，若滿足yi(ω?xi+b) ≥1(i= 1, 2,…,n)，即可得出這個(gè)超平面對樣本的分類已經(jīng)完成［17］。本文選用高斯徑向基作為內(nèi)核，其計(jì)算復(fù)雜度低，且參數(shù)設(shè)置簡單，廣泛運(yùn)用于各個(gè)領(lǐng)域的研究。本實(shí)驗(yàn)中，SVM 對于房顫識別分類的準(zhǔn)確率達(dá)到89.1%。

將Bagging 集成構(gòu)建于決策樹基學(xué)習(xí)器上，并在決策樹訓(xùn)練中加入隨機(jī)屬性的選擇，即可構(gòu)成隨機(jī)森林。決策樹模仿樹的結(jié)構(gòu)進(jìn)行判斷決策，屬于較普遍的機(jī)器學(xué)習(xí)算法。生成一棵決策樹，包括決策樹生成、剪枝、特征選擇三大內(nèi)容。特征選擇所表達(dá)的分裂標(biāo)準(zhǔn)將在很大程度上控制決策樹的泛化誤差，它是非常關(guān)鍵的一個(gè)部分。Bagging 基于自助采樣法，是一種經(jīng)典的并行式集成學(xué)習(xí)方法。Bagging在訓(xùn)練集合中，將樣本有放回地隨機(jī)抽取，每一輪的分訓(xùn)練集的樣本，都是從訓(xùn)練集中抽取的N個(gè)樣本。一輪訓(xùn)練集中，某一訓(xùn)練樣本被抽取0 至N次。結(jié)果集的產(chǎn)生需要將每次抽取出的子集作為算法的輸入，產(chǎn)生預(yù)測函數(shù)，再需要經(jīng)過T輪循環(huán)。最后通過投票，解決預(yù)測函數(shù)的分類問題［18］。隨機(jī)森林算法的主要參數(shù)設(shè)置中，在考慮模型的準(zhǔn)確度與穩(wěn)定度時(shí)，還需兼顧模型效率，我們將樹的個(gè)數(shù)n_estimators設(shè)置為100；葉子節(jié)點(diǎn)上應(yīng)有的最少樣例數(shù)min_samples_leaf 設(shè)置為4；分裂內(nèi)部節(jié)點(diǎn)需要的最少樣例數(shù)min_samples_split 設(shè)置為8 時(shí)，隨機(jī)森林識別房顫的分類準(zhǔn)確率達(dá)到95.2%。

2.3 模型評估

數(shù)據(jù)集中有70%的樣本作為訓(xùn)練集；15%的樣本作為驗(yàn)證集；15%的樣本作為測試集。訓(xùn)練集作為構(gòu)建預(yù)測模型的基礎(chǔ)，訓(xùn)練樣本的數(shù)量將影響機(jī)器學(xué)習(xí)算法模型的預(yù)測能力。測試集作為檢驗(yàn)?zāi)Ｐ托阅艿姆治鰳颖尽?/p>

混淆矩陣中，TP（True Positives）是將房顫脈搏波判定為房顫；FP（False Positives）是把非房顫脈搏波判定為房顫；FN（False Negatives）是把房顫脈搏波判定為非房顫；TN（True Negatives）是非房顫脈搏波判定為非房顫。

通過以下公式進(jìn)行性能度量：

在評價(jià)分類算法的指標(biāo)中，準(zhǔn)確率是最常見的衡量指標(biāo)之一，分類器的準(zhǔn)確率越高即表明該分類算法的效果越好。但由于本文的數(shù)據(jù)源中，房顫數(shù)據(jù)與非房顫數(shù)據(jù)的樣本不平衡，還需引入精準(zhǔn)率和召回率兩個(gè)指標(biāo)。如上文公式所示，精準(zhǔn)率代表所有預(yù)測為正類的結(jié)果中，真實(shí)正類的比例。召回率代表所有真實(shí)正類中，預(yù)測正確的比例。同樣，精準(zhǔn)率和召回率的值越高，越能夠表明該分類算法優(yōu)質(zhì)。本文還引入了F-Score 指標(biāo)，它將精準(zhǔn)率和召回率進(jìn)行加權(quán)調(diào)和平均，能夠?yàn)榫珳?zhǔn)率和召回率提供一個(gè)綜合的評判標(biāo)準(zhǔn)［19］。

3 結(jié)果分析

基于實(shí)驗(yàn)結(jié)果及評價(jià)指標(biāo)可得如表1 所示的結(jié)果，隨機(jī)森林模型的準(zhǔn)確率最高，達(dá)到了95.2%，BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為92.3%，SVM 方法的準(zhǔn)確率最低只有89.1%。通過對比能夠反映綜合評價(jià)指標(biāo)的F-Score可以看出，隨機(jī)森林的F-Score為93.9%，高于另外兩個(gè)分類模型。且隨機(jī)森林模型的各項(xiàng)指標(biāo)與其他模型相比，均保持了較高的水平。

表1 各分類器的性能指標(biāo)Tab.1 Performance indicators of each classifier

在ROC空間中，ROC曲線越凸向左上方，表明該算法所能達(dá)到的分類效果越好；ROC 曲線越靠近對角線，則分類器越趨向于隨機(jī)分類器。筆者將3種分類器的分類效果進(jìn)行比較，結(jié)果如圖3所示。

Area Under the ROC Curve（AUC）能夠準(zhǔn)確反映分類器的性能，AUC 值越大，則此分類器的性能越好。如圖3 所示，灰色虛線代表AUC=0.5，SVM 的分類結(jié)果更靠近虛線，其AUC=0.938，隨機(jī)森林的ROC曲線最接近左上角即（0,1）點(diǎn)的位置，其AUC值達(dá)到了0.986。綜合以上評價(jià)分析結(jié)果可得，隨機(jī)森林模型對于房顫狀態(tài)脈搏波的識別分類效果優(yōu)于SVM和BP神經(jīng)網(wǎng)絡(luò)模型。

圖3 接收者操作特征曲線Fig.3 Receiver operating characteristic curve

4 結(jié)論

本次研究結(jié)果表明，PPG信號可用于判定房顫的發(fā)生，是一種可行的替代ECG 檢測房顫的方法；基于本文選用的6類脈搏波特征參數(shù)，使用機(jī)器學(xué)習(xí)算法對脈搏波進(jìn)行分類，能夠有效區(qū)別出脈搏波的房顫狀態(tài)與非房顫狀態(tài)。本文還通過準(zhǔn)確率、精準(zhǔn)率、召回率、F-Score、AUC 值等評價(jià)指標(biāo)評估模型效果，結(jié)果表明，使用隨機(jī)森林分類方法判別房顫發(fā)生的效果優(yōu)于SVM 和BP 神經(jīng)網(wǎng)絡(luò)，其準(zhǔn)確率達(dá)到了95.2%。

下一步工作中，可基于目前的研究，分析更多的特征點(diǎn)，嘗試?yán)^續(xù)提升分類效果。由于本文所使用的臨床數(shù)據(jù)來源于MIMIC 數(shù)據(jù)庫，缺乏相關(guān)校準(zhǔn)記錄等信息，之后可使用精確的傳感器自主獲取數(shù)據(jù)，以期得到更好的房顫識別分類效果。