陳倩蓉，梁永波，趙飛駿，朱健銘，陳真誠

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

前言

據(jù)統(tǒng)計，2012年我國農(nóng)村居民的心血管疾病死亡人數(shù)占總死亡人數(shù)的41.09%，到2016年達到了45.01%；城市居民的占比也從41.52%增長到了42.61%［1-2］，心血管疾病死亡人數(shù)連續(xù)幾年占全球死亡人數(shù)的首位。動脈硬化是諸多心血管疾病的共同病理基礎和獨立預測因素［3-4］，也是唯一最早出現(xiàn)的能夠直接檢測到的血管功能結構變化，它會導致動脈血管壁逐步增厚，逐漸失去彈性直至管腔狹窄、堵塞，引發(fā)心血管疾?。?］。目前臨床上檢查心血管疾病的方法主要有生化分析和影像檢查［6］。生化分析是一種間接測量的有創(chuàng)方法。影像檢查方法準確度高，但無法檢測出早期病變，當冠脈出現(xiàn)堵塞時才能確診。上述兩種方法不僅費用昂貴，而且不適用于普查。因此，心血管疾病的識別對心血管疾病的防控有重要意義，也是現(xiàn)代社會對健康監(jiān)測的迫切需求。

近年來，國內(nèi)外許多學者通過脈搏波傳導速度（Pulse Wave Velocity,PWV）檢測動脈硬化，期望通過檢測動脈硬化實現(xiàn)心血管疾病的早期篩查。Alty等［7］通過單點的指端脈搏波波形估計PWV，依據(jù)PWV對樣本進行分類，有研究者通過指端光電容積脈搏波形態(tài)學特征評估血管生理狀況［8］。張麗娜等［9］也研究了基于心電、脈搏波信號的動脈硬化無創(chuàng)檢測方法，建立了基于自適應神經(jīng)模糊推理系統(tǒng)的動脈硬化評價模型。日本有研究機構已經(jīng)研制出動脈硬化儀，但由于其售價昂貴，沒有得到廣泛運用。

上述的研究中學者們通過動脈硬化篩查心血管疾病是可行的，但是由于動脈硬化程度隨年齡的增長而加深，PWV也會隨年齡的增長而加快，對不同年齡段的受試者使用同一個閾值是極不合理的。各個實驗中獲取PWV使用的脈搏波傳導時間大相徑庭，因此也就無法得知不同PWV對血管評估產(chǎn)生的影響。所以擁有一種低成本的心血管疾病早期篩查方法已經(jīng)成為了現(xiàn)代社會的迫切需求。

因此，本研究提出一種低成本的適用于心血管疾病早期篩查的便捷方法。通過同時采集指端脈搏波信號與心電信號，提取3種PWV與心血管結構功能密切相關的脈搏波特征參數(shù)，基于含不同PWV的特征集分別建立心血管疾病識別模型，并通過對比PWV對血管評估的效果確定用于評估動脈血管功能結構的最優(yōu)PWV。

1 PWV理論基礎

目前，PWV是公認用于評估動脈硬化的指標，主要有兩種測量方式獲取PWV，其一是通過單點脈搏波與心電信號獲取脈搏波傳導時間，結合脈搏波傳導路徑獲取PWV；其二是通過雙端脈搏波獲取脈搏波傳導時間，結合脈搏波傳導路徑求得PWV。頸-股動脈PWV是評估動脈硬化的金標準，是通過上述方法二測量獲取的［10］，但由于其測量區(qū)域的限制，沒有得到廣泛運用。劉娜等［11］的研究表明單點PWV與冠狀動脈狹窄數(shù)量密切相關，冠狀動脈狹窄數(shù)量多少從側面反映了動脈硬化程度，也證明了單點脈搏波波速與動脈硬化程度有密切聯(lián)系。有研究表明動脈整體順應性與頸-股動脈PWV的相關性很高［12］，動脈整體順應性與動脈結構功能聯(lián)系緊密，也表明身體局部的PWV依舊可以反應身體的血管情況。

研究表明脈搏波及其微分波形上發(fā)現(xiàn)了與血管功能結構高相關性的變量，并發(fā)現(xiàn)了與動脈硬化密切聯(lián)系的特征參數(shù)［13-17］，因此，本研究擬通過心電信號與單點脈搏波信號獲取上肢PWV，基于脈搏波特征參數(shù)借助機器學習方法建立動脈心血管疾病識別模型，并通過模型對比確定用于心血管評估的最優(yōu)PWV。

2 實驗

2.1 采集系統(tǒng)

本研究的采集系統(tǒng)主要包括心電傳感器HKD-10A，紅外透射式脈搏波傳感器HKG-07B，心電信號預處理模塊、脈搏波預處理模塊、控制器模塊、串口與上位機的波形顯示與數(shù)據(jù)存儲模塊。心電信號預處理模塊包括光電隔離電路、放大及電平抬升電路。脈搏波信號預處理模塊包括放大及電平抬升電路。通過標準I導聯(lián)方法結合HKD-10A心電傳感器采集心電信號，選用HKG-07B透射式紅外脈搏傳感器獲取受試者左手食指容積脈搏波，系統(tǒng)框圖如圖1所示。脈搏波信號和心電信號采樣設置為500 Hz，通過12位模數(shù)轉換，采集的數(shù)據(jù)由串口發(fā)送至上位機，通過上位機中的LabVIEW界面觀測波形，存儲數(shù)據(jù)。

圖1 采集系統(tǒng)Fig.1 Acquisition system

2.2 采集流程

具體的數(shù)據(jù)采集流程如下：（1）控制室溫在25℃左右，實驗集中在春季和夏季進行，保持實驗環(huán)境安靜，實驗前所有受試者靜息20 min，并記錄下受試者的年齡、身高、體質量等生理信息。（2）所有受試者都在平躺狀態(tài)下同時檢測左手食指的光電容積脈搏波和標準I導聯(lián)下的心電信號，每個受試者都檢測3組數(shù)據(jù)，每組1 min，實驗過程中均保持沉默，身體保持平躺，身體各部位不得有任何位移。（3）考慮到血壓計在測量過程中需要給袖帶充氣加壓，造成血管變形，所以在第三組數(shù)據(jù)測試完成后用歐姆龍HEM-7201上臂式電子血壓計在同一狀態(tài)下測量3次血壓。（4）將所測數(shù)據(jù)和生理信息歸檔保存。

2.3 數(shù)據(jù)統(tǒng)計

本研究共采集51人的波形數(shù)據(jù)并記錄其生理信息，分為健康組與病患組兩組，其中健康組有41人，病患組有10人。健康組是各項生理指標正常，沒有心腦血管疾病或者相關癥狀，病患組是已經(jīng)被醫(yī)生確診患有心腦血管疾病如冠心病、高血壓等疾病并且在服藥治療的患者。表1是受試者的基本信息。

3 特征定義

如圖2所示的是基于心電與容積脈搏波的特征參數(shù)定義，其中ECG為心電信號波形，PPG為脈搏波信號，VPG（Velocity Plethysmograph）為脈搏波的一次微分波形，APG（Accelerated Plethysmograph）是脈搏波的二次微分波形。圖中ptto、ptta和pttm是3種脈搏波波傳導時間，由心電信號與脈搏波信號獲取，圖中的脈搏波形態(tài)學參數(shù)包括Tpp、Tc、CT、Tm_b、Tm_c、Tm_d、Tm_e、Tm_a_b、Tm_a_c、Tm_a_d、Tm_a_e、Tm_b_peak和AI，其中AI是y與x的比值，僅由上述13個脈搏波形態(tài)學參數(shù)組成的特征子集設為P，分別由ptto、ptta和pttm及受試者心臟到左手食指的距離得到pwvo、pwva和pwvm。pwvo與特征集P組成的特征集為QO，pwva與特征集P組成的特征集為QA，由pwvm與特征集P組成的特征集為QM。

4 數(shù)據(jù)分析

由上述特征提取部分知，每兩個連續(xù)周期的脈搏波可以提取一組特征參數(shù)，每個受試者保留30組特征參數(shù)的記錄，51個受試者總計有1 530條特征參數(shù)記錄，其中健康組1 230條記錄，病患組300條記錄，健康組病患組數(shù)據(jù)量之比接近4：1，所以存在樣本不平衡的問題，為解決樣本不平衡的問題，并且避免過采樣導致的過擬合問題，每次建模都在健康組隨機抽取300條記錄與病患組全部記錄組成新數(shù)據(jù)集，基于新數(shù)據(jù)集進行建模。

圖2 特征定義Fig.2 Definition of features

5 結果

本研究基于PWV和脈搏波形態(tài)學特征參數(shù)分別使用K近鄰學習（K-Nearest Neighbor,KNN）與支持向量機（Support Vector Machine,SVM）兩種方法對樣本進行分類識別。KNN屬于常用的監(jiān)督學習方法，其核心思想是以某種距離度量尋找測試樣本與訓練樣本最靠近的k個訓練樣本，將這k個樣本中占比最大的類別標記作為預測結果［18］。對于KNN，k是一個重要的參數(shù)，k值的選擇影響著分類器的精度，所以首先要找出適合的k值。表2所示的是基于含不同PWV的特征集的最優(yōu)k值對應的分類模型的準確率。

表2 基于不同特征集的KNN分類模型準確率Tab.2 Accuracy of K-nearest neighbor model using different feature sets

由表2可知加入pwvo和pwvm相比于pwva對分類準確率改善更明顯，一方面表明pwvo和pwvm的加入對分類器的準確性有明顯改善，另一方面說明pwvo和pwvm比pwva更能反映心血管生理狀態(tài)，3個PWV參數(shù)中，pwvm是最適合用于評估心血管生理狀態(tài)的PWV。

SVM分類的核心思想是在給定的訓練樣本空間找到一個可以把不同類別樣本劃分開的超平面。距離超平面最近的幾個訓練樣本就是支持向量，支持向量到超平面的距離稱為間隔，為了使分類器的泛化性能最好，要找出使得間隔達到最大的超平面，即為泛化性能最好的分類器［18］。由于本研究的樣本數(shù)據(jù)量較小，所以選用SVM，它對于樣本量小，非線性等問題能達到較好的分類效果，實際問題中，樣本空間包括線性可分和線性不可分的情況，對于線性不可分的情況，若樣本特征有限，則可以將原樣本特征映射到更高維的空間，在映射的新空間中找合適的超平面。在這個過程中需要計算到原特征向量映射到高維空間的內(nèi)積，由于在高維空間計算非常困難，解決方法是找到合適的核函數(shù)，在原空間借助核函數(shù)計算在新空間中的內(nèi)積。用含有pwvm的特征集QM在運用不同核函數(shù)時得到的分類器預測的準確率如表3所示，由表3知，使用不同核函數(shù)分類器的分類準確率差異不大，當核函數(shù)為Sigmoid時，分類準確率達到最高，即84.20%。

實際應用中查準率與查全率是評估分類器性能的重要指標，特別是在疾病識別方面的運用，要在一定準確率的情況下盡可能提高查全率，P-R曲線以查全率為橫軸，以查準率為縱軸，可以通過曲線直觀反映出分類器的查準率與查全率，圖3是k為19時的KNN分類模型與核函數(shù)為Sigmoid的SVM分類模型基于不同PWV特征的P-R曲線?；诤衟wvm特征集QM的SVM分類模型性能最好，SVM分類模型普遍比KNN分類模型準確率更高，pwvm對于心血管疾病識別模型性能有更大的提升。因此選取基于含有pwvm的特征集QM的SVM分類模型作為心血管疾病識別模型。

表3 不同核函數(shù)的SVM分類模型的準確率Tab.3 Accuracy of support vector machine model using different kernel functions

圖3 兩種分類模型的P-R曲線Fig.3 P-R curve of two models

6 結論

本研究自行設計了心電-脈搏波數(shù)據(jù)采集系統(tǒng)，記錄了51個受試者的波形數(shù)據(jù)及生理信息，提取了16個特征參數(shù)，其中包括3種PWV和13個與心血管評估密切聯(lián)系的脈搏波特征參數(shù)，基于脈搏波特征參數(shù)及不同PWV組成的不同特征集分別用KNN和SVM建立了心血管疾病識別模型，通過模型性能對比確定了基于特征集QM的SVM為最優(yōu)的心血管疾病識別模型，也確定了用于評估心血管狀況的最優(yōu)脈搏波波速pwvm，說明心血管疾病識別模型有一定可靠性，為心血管疾病的低成本便捷篩查提供了新思路，為實現(xiàn)穿戴式心血管監(jiān)測提供了基礎。