易力 李祥 何俊德 李偉 鄭大

心電動力學(xué)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(xué)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(xué)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(xué)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(xué)信號的理論研究進(jìn)展，重點(diǎn)分析了心電動力

學(xué)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(xué)信號的理論研究進(jìn)展

1.1 心電動力學(xué)信號的研究背景

心電動力學(xué)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(xué)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(rèn)同和采納。此后，Dower對Frank的立體心向量圖進(jìn)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(dǎo)聯(lián)系統(tǒng)。新的導(dǎo)聯(lián)系統(tǒng)可直接記錄E-S、A-S和A-I三個雙極導(dǎo)聯(lián)的心電圖，并可衍生出常規(guī)12導(dǎo)聯(lián)和其他需要的導(dǎo)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(xué)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(xué)圖[9]

2 心電動力學(xué)信號數(shù)據(jù)特征的研究現(xiàn)狀

2.1 心電動力學(xué)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(xué)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(xué)習(xí)的心肌缺血早期診斷系統(tǒng)的研究中，提取了心電動力學(xué)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(biāo)。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(jìn)一步用數(shù)學(xué)函數(shù)模擬了心肌缺血患者心電動力學(xué)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(xùn)練，獲得心電動力學(xué)信號數(shù)據(jù)特征的量化區(qū)間，從而對心電動力學(xué)圖像進(jìn)行量化分析，實(shí)現(xiàn)了對心電動力學(xué)信號數(shù)據(jù)的定量描述。2018年，龔瑩嵐等[13]進(jìn)行運(yùn)動員的訓(xùn)練狀態(tài)研究，采集了運(yùn)動員在一定運(yùn)動負(fù)荷訓(xùn)練后的多導(dǎo)聯(lián)心電圖ST-T段或T波數(shù)據(jù)，并構(gòu)建心電動力學(xué)模型，獲取運(yùn)動員的心電動力學(xué)數(shù)據(jù)，并計算心電動力學(xué)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(yùn)動員的運(yùn)動訓(xùn)練負(fù)荷監(jiān)測指標(biāo)，用于評估運(yùn)動員的訓(xùn)練負(fù)荷。

2.2 心電動力學(xué)信號數(shù)據(jù)特征的其他相關(guān)研究

盡管心電動力學(xué)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(xué)信號的圖像特征同樣重要。他們對運(yùn)動員運(yùn)動過程中的心臟功能進(jìn)行監(jiān)測，發(fā)現(xiàn)在某些條件下，心電動力學(xué)圖像的測試準(zhǔn)確性高于心電圖。Wen等[14]以17名14～28歲的運(yùn)動員作為試驗對象，分別在高強(qiáng)度運(yùn)動前、運(yùn)動后2 h和運(yùn)動后14 h提取試驗對象的CDG圖像和血檢指標(biāo)數(shù)據(jù)，結(jié)果表明，當(dāng)以肌酸磷酸激酶-MB同工酶和高敏肌鈣蛋白I作為標(biāo)準(zhǔn)時，CDG圖像的測試準(zhǔn)確率約80%。這為運(yùn)動員強(qiáng)度訓(xùn)練后的醫(yī)療保健提供了新的參考指標(biāo)。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(xué)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(xué)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(xué)信號數(shù)據(jù)特征的提取與分析

心電動力學(xué)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(dǎo)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(xué)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(xué)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(xué)信號的混沌運(yùn)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(jìn)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(xué)函數(shù)arg min來刻畫運(yùn)動員心電動力學(xué)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(yùn)動訓(xùn)練負(fù)荷監(jiān)測指標(biāo)E。E=a×TI-b×SI+c，其中a、b和c為可變系數(shù)。根據(jù)運(yùn)動訓(xùn)練負(fù)荷監(jiān)測指標(biāo)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(yùn)動訓(xùn)練計劃[13]。

4 心電動力學(xué)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(xué)信號數(shù)據(jù)特征的模式識別，其研究重點(diǎn)在于構(gòu)建心電動力學(xué)信號特征識別模型[15-16]。目前，多數(shù)學(xué)者側(cè)重于心電動力學(xué)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(biāo)數(shù)據(jù)識別

4.2 心電動力學(xué)信號的圖像模型在遠(yuǎn)程心肌缺血檢測中的應(yīng)用

基于心電動力學(xué)信號識別模型的相關(guān)研究，雷鵬[19]在遠(yuǎn)程心肌缺血檢測系統(tǒng)的設(shè)計與實(shí)現(xiàn)的研究中，利用心電動力學(xué)信號的圖像模型對心肌缺血開展遠(yuǎn)程檢測：首先，采用“客戶端-服務(wù)器”模式進(jìn)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(xué)習(xí)方法對心電圖的ST-T段進(jìn)行數(shù)據(jù)計算，獲得心電動力學(xué)圖像數(shù)據(jù)；最后，根據(jù)心電動力學(xué)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(xué)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(xué)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(xué)信號，現(xiàn)有的研究主要是對心電動力學(xué)數(shù)據(jù)進(jìn)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(xué)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(xué)信號的動態(tài)演變規(guī)律。在基于心電動力學(xué)信號特征的量化識別算法的研究方面，現(xiàn)有文獻(xiàn)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(xué)信號數(shù)據(jù)進(jìn)行識別和歸類。

盡管心電動力學(xué)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(xué)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(xué)信號之間存在顯著性差異：前者的心電動力學(xué)圖像趨向于規(guī)則完整；后者的心電動力學(xué)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(biāo)[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(jī)事件出現(xiàn)的概率；而心電動力學(xué)信號具有和心電信號一樣的周期性和隨機(jī)性，因此也可利用上述混沌指標(biāo)來表征其數(shù)據(jù)特征。

然而，關(guān)于心電動力學(xué)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(xué)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(xué)信號擬合模型的準(zhǔn)確度，并能從心電動力學(xué)信號中挖掘出更豐富的數(shù)據(jù)特征及量化指標(biāo)(包括信息熵、近似熵等混沌特性指標(biāo))，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(fēng)險和藥物療效的跟蹤評估也具有一定的臨床參考價值。進(jìn)一步，若能將心電動力學(xué)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。