姚易，廖曉陽(yáng)*，李志超

據(jù)世界衛(wèi)生組織（WHO）及多所著名大學(xué)建立的全球疾病負(fù)擔(dān)數(shù)據(jù)庫(kù)分析，全球心房顫動(dòng)（以下簡(jiǎn)稱房顫）患者高達(dá)3 350萬(wàn)，占世界人口的0.5%［1］。房顫作為21世紀(jì)最具挑戰(zhàn)性的心血管疾病之一，可導(dǎo)致腦卒中、心源性猝死等嚴(yán)重并發(fā)癥［2］。隨著我國(guó)人口老齡化越來(lái)越嚴(yán)重，房顫患者數(shù)量逐年攀升，成為名副其實(shí)的房顫大國(guó)［3-4］。房顫具有陣發(fā)性、無(wú)癥狀性的特點(diǎn)［5］，傳統(tǒng)的12導(dǎo)聯(lián)心電圖不能有效識(shí)別陣發(fā)性房顫。然而，陣發(fā)性房顫與持續(xù)性房顫具有相同的卒中風(fēng)險(xiǎn)，早期診斷及干預(yù)可顯著降低卒中發(fā)生率［2，6］。因此陣發(fā)性房顫的早期篩查極其重要。

臨床上，24 h動(dòng)態(tài)心電圖被視為診斷陣發(fā)性房顫的金標(biāo)準(zhǔn)，但由于有時(shí)間局限性，常出現(xiàn)漏診，從而促使多種長(zhǎng)程篩查設(shè)備不斷出現(xiàn)，例如：便攜式可穿戴設(shè)備、手持單導(dǎo)聯(lián)心電圖記錄儀、智能手機(jī)、智能手表、血壓計(jì)等，這些設(shè)備可提高陣發(fā)性房顫的檢出率［2，7］。然而，長(zhǎng)程設(shè)備獲得的心電大數(shù)據(jù)既加重了醫(yī)生負(fù)擔(dān)，也是臨床工作的難題，該情況在基層醫(yī)療機(jī)構(gòu)中表現(xiàn)得尤為突出。一方面全科醫(yī)生無(wú)法準(zhǔn)確地通過(guò)心電圖診斷房顫［8］；另一方面心電大數(shù)據(jù)信息量大，解讀費(fèi)時(shí)。因此，在基層醫(yī)療機(jī)構(gòu)診斷陣發(fā)性房顫難上加難。為了給醫(yī)生提供有效的輔助診斷信息，人工智能技術(shù)變得越來(lái)越重要。

近年來(lái)人工智能技術(shù)飛速發(fā)展，在醫(yī)療大數(shù)據(jù)挖掘上表現(xiàn)卓越，促進(jìn)了計(jì)算機(jī)輔助診斷模型的發(fā)展。經(jīng)典診斷模型的建立包括信號(hào)預(yù)處理、特征提取、分類3個(gè)過(guò)程，特征提取是模型構(gòu)建的核心。傳統(tǒng)的淺層機(jī)器學(xué)習(xí)模型高度依賴人工提取特征，難以滿足復(fù)雜的實(shí)際臨床需要。研究表明，診斷常見(jiàn)心律失常時(shí)，現(xiàn)有的多種淺層診斷模型相比于全科醫(yī)生有更高的準(zhǔn)確性，但錯(cuò)誤率仍舊很高，不能據(jù)此進(jìn)行臨床診斷和治療［8］。尤其在房顫診斷方面，現(xiàn)有診斷模型并未顯著提高診斷準(zhǔn)確率，特別是在老年人群中出現(xiàn)錯(cuò)誤診斷的可能性更大［9］。迫切需要構(gòu)建深度學(xué)習(xí)模型來(lái)幫助基層全科醫(yī)生診斷房顫。Lorenz散點(diǎn)圖是一種新型非線性分析方法，為心電大數(shù)據(jù)的快速分析提供了新視角［10］，其輸出的二維圖形是深度學(xué)習(xí)的良好素材。本文綜述房顫計(jì)算機(jī)輔助診斷模型的研究進(jìn)展，為模型構(gòu)建提供新思路，同時(shí)為基層醫(yī)療機(jī)構(gòu)全科醫(yī)生進(jìn)行心電大數(shù)據(jù)判讀提供參考。

1 心電特征的研究進(jìn)展

1.1 基于心房波的心電特征 房顫計(jì)算機(jī)輔助診斷模型是根據(jù)心房波和RR間期構(gòu)建而成的，心房波表現(xiàn)為 P波消失和 f波出現(xiàn)。ANDRIKOPOULOS等［11］對(duì)比分析了60例陣發(fā)性房顫和50例正常人的12導(dǎo)聯(lián)心電圖，提取心房波最大值、心房波離散度、心房波方差3個(gè)特征指標(biāo)用于鑒別陣發(fā)性房顫和竇性心律，靈敏度＞80%、特異度＞70%。有研究者根據(jù)心房波特征提取心房波峰數(shù)目和心房波寬度2個(gè)指標(biāo)，采用群體模糊推理系統(tǒng)（SFIS）構(gòu)建計(jì)算機(jī)輔助診斷模型，經(jīng)測(cè)試其診斷房顫的特異度、靈敏度和準(zhǔn)確率分別是60.40%、77.89%、75.90%［12］。由于f波峰值低，容易受到基線漂移、運(yùn)動(dòng)偽影、工頻和肌電干擾，使得基于心房波診斷模型的特異度和靈敏度低。優(yōu)點(diǎn)在于其波形特征提取窗口窄，不需要長(zhǎng)片段心電圖構(gòu)建模型，有利于陣發(fā)性房顫的檢出。近年來(lái)隨著可穿戴設(shè)備的廣泛應(yīng)用，在家庭環(huán)境中收集的心電信號(hào)存在噪聲，這對(duì)基于心房波的診斷模型提出了挑戰(zhàn)。僅基于心房波構(gòu)建的輔助診斷模型較少，其性能也有待進(jìn)一步的臨床驗(yàn)證。

1.2 基于RR間期的心電特征 房顫表現(xiàn)為RR間期不規(guī)律。LOGAN等［13］對(duì)RR間期進(jìn)行了分析，提取“RR間期方差”為特征指標(biāo)，構(gòu)建輔助診斷模型，其診斷房顫的靈敏度為96%，特異度為89%?；赗R間期的診斷模型不能很好地區(qū)分房顫和非房顫心律失常，且缺失了f波信息［14］。再者當(dāng)房顫伴有房室傳導(dǎo)阻滯、房室交界性心動(dòng)過(guò)速時(shí)，其RR間期表現(xiàn)為規(guī)律性，此外房撲或多源性房性心動(dòng)過(guò)速的RR間期可表現(xiàn)為無(wú)規(guī)律性，因此基于RR間期診斷模型的診斷性能受到嚴(yán)重的影響［15］。另一方面RR間期特征提取窗口寬，需要50～500個(gè)心搏，難免漏診發(fā)作時(shí)間短的陣發(fā)性房顫。

1.3 基于心房波和RR間期聯(lián)合心電特征 有研究者提出構(gòu)建聯(lián)合心房波和RR間期特征的計(jì)算機(jī)輔助診斷模型。DU等［14］將6 s心電圖片段的“TQ間期的平均f波數(shù)量（NfTQ）”“RR間期最大差值（RRImax）”和“RR間期標(biāo)準(zhǔn)差（RRIstd）”3個(gè)指標(biāo)結(jié)合起來(lái)用于房顫的診斷，以指標(biāo)大小為分類標(biāo)準(zhǔn)，獲得了90%以上的準(zhǔn)確率和靈敏度。JIANG等［15］通過(guò)ΔRR間隔分布差異曲線（dRDDC）找出竇性心律和房顫的過(guò)渡區(qū)，再聯(lián)合f波和RR間期特征構(gòu)建模型，該模型診斷房顫的靈敏度、特異度分別是98.2%、97.5%。由此可見(jiàn)，聯(lián)合心房波和RR間期特征的模型診斷房顫的價(jià)值略優(yōu)于僅基于RR間期的模型。但是聯(lián)合診斷模型的性能取決于峰值檢測(cè)，長(zhǎng)程心電圖容易受到日?；顒?dòng)的干擾出現(xiàn)大量的高峰干擾波，嚴(yán)重影響其性能。再者結(jié)合兩類特征的模型沒(méi)有明顯提升房顫的診斷性能，同時(shí)增加算法的復(fù)雜性，因此在臨床中的應(yīng)用并不廣泛。

1.4 基于非線性的心電特征 部分研究者跳出以上思維，提出非線性特征的計(jì)算機(jī)輔助診斷模型。KUMAR等［16］根據(jù)彈性分析小波變換（FAWT）獲取的子帶信號(hào)，據(jù)此計(jì)算對(duì)數(shù)能量熵（LEE）和置換熵（Pen），使用隨機(jī)森林法進(jìn)行分類發(fā)現(xiàn)，基于LEE特征的模型表現(xiàn)出更好的性能，其準(zhǔn)確率、靈敏度和特異度分別為96.8%、95.8%和97.6%。這類基于非線性特征的模型能區(qū)分竇性心律和房顫之間的微小差異，同時(shí)不依賴f波和R波的檢測(cè)。這一方面的研究相對(duì)較少，是未來(lái)研究的方向。

1.5 基于心電散點(diǎn)圖的心電特征

1.5.1 Lorenz散點(diǎn)圖 Lorenz散點(diǎn)圖又稱為Poincaré散點(diǎn)圖、心電散點(diǎn)圖，在平面直角坐標(biāo)系中通過(guò)（RRn-1，RRn）確定一點(diǎn)，迭代運(yùn)算制作而成。Lorenz散點(diǎn)圖是近年心電領(lǐng)域的研究熱點(diǎn)，作為一種混沌理論的非線性分析方法［17］，與線性分析方法有所不同。同一性質(zhì)的心博聚集在一起形成一個(gè)特征的圖形，可用于各類心律失常的診斷及鑒別診斷。ESPERER等［18］研究表明Lorenz散點(diǎn)圖中的扇形圖形提示房顫的存在；竇性心律的散點(diǎn)圖形狀表現(xiàn)為彗星狀。陣發(fā)性房顫的散點(diǎn)圖既有竇性心律圖形又有房顫的圖形，表現(xiàn)為兩種圖形完全分離、部分分離、完全重疊3種形式［19］。當(dāng)房顫伴有其他心律失常時(shí)，其Lorenz散點(diǎn)圖的圖形特征表現(xiàn)為扇形與其他圖形共存。由此可見(jiàn)，Lorenz散點(diǎn)圖不依賴心電波形的檢測(cè)，同時(shí)對(duì)房顫伴有其他復(fù)雜心律失常的診斷及鑒別診斷更優(yōu)。另一方面，Lorenz散點(diǎn)圖作為非線性分析方法，從宏觀層面分析心電大數(shù)據(jù)，有利于大數(shù)據(jù)的快速分析。隨著散點(diǎn)圖技術(shù)的發(fā)展，廣義的心電散點(diǎn)圖包括差值散點(diǎn)圖、RDR散點(diǎn)圖、三維散點(diǎn)圖等，由于觀察切面的變化以及維度的增加，可為臨床醫(yī)生提供更多更詳細(xì)的房顫心電特征。

1.5.2 基于Lorenz散點(diǎn)圖的心電特征 臨床工作中，主要是通過(guò)人工閱讀Lorenz散點(diǎn)圖進(jìn)行心律失常的診斷。人工閱讀容易受主觀經(jīng)驗(yàn)的影響、同時(shí)消耗大量的時(shí)間［20］。以上原因促進(jìn)多種基于Lorenz散點(diǎn)圖的輔助診斷模型出現(xiàn)，這些模型主要通過(guò)提取散點(diǎn)圖圖形特征，使用機(jī)器學(xué)習(xí)中的各類分類器構(gòu)建而成。

RUAN等［21］在房顫扇形圖形的基礎(chǔ)上，提取“診斷線上圖形長(zhǎng)度（SD1）”“垂直于診斷線上圖形寬度（SD2）”“角矢量指數(shù)（VAI）”“長(zhǎng)度矢量指數(shù)（VLI）”4個(gè)指標(biāo)，房顫患者的4個(gè)指標(biāo)比正常心電圖的值更大，兩者存在差異。將4個(gè)指標(biāo)結(jié)合起來(lái)更利于房顫的診斷，其靈敏度和特異度均高達(dá)100%。WANG等［20］也提取了SD1、SD2、VAI、VLI圖形指標(biāo)構(gòu)建模型，通過(guò)MIT-BIH數(shù)據(jù)庫(kù)進(jìn)行驗(yàn)證發(fā)現(xiàn)其診斷房顫準(zhǔn)確率達(dá)90%以上。也有研究者通過(guò)對(duì)房顫Lorenz散點(diǎn)圖形狀進(jìn)行分析，提取“簇?cái)?shù)量”“診斷線上點(diǎn)離散度”“節(jié)律間期平均步進(jìn)增量”3個(gè)指標(biāo)；通過(guò)k均值聚類法、支持向量機(jī)兩個(gè)分類器來(lái)區(qū)分房顫節(jié)律和非房顫節(jié)律，結(jié)果表明該模型的平均靈敏度和平均特異度分別為91.4%和92.9%［22］。根據(jù)房顫的Lorenz散點(diǎn)圖提取出4個(gè)幾何特征指標(biāo)（PCA向量和對(duì)角線之間的角度、散射角、平行于對(duì)角線的兩條線之間的點(diǎn)比值、長(zhǎng)度比），7個(gè)RR間期數(shù)量指標(biāo)（分別是RR間期平均值、RR間期標(biāo)準(zhǔn)差、變化系數(shù)、RR間隔的偏度、RR間隔峰度、RR差值平均值、RR差值標(biāo)準(zhǔn)差）；使用順序正向搜索算法（SFS）進(jìn)行特征指標(biāo)的選擇，通過(guò)模糊支持向量機(jī)（FSVM）判斷終止性房顫與非終止性房顫；該模型不僅可以100%的將測(cè)試集以及訓(xùn)練集的房顫正確分類，還可以將92.3%的非終止房顫和終止房顫準(zhǔn)確分類［23］。有研究者提出Lorenz散點(diǎn)圖不同區(qū)域點(diǎn)的頻率分布和復(fù)雜相關(guān)度量（CCM）兩個(gè)指標(biāo)，將兩者輸入神經(jīng)網(wǎng)絡(luò)，所構(gòu)建的診斷模型準(zhǔn)確率高達(dá)94%［24］。LOWN等［25］在Lorenz散點(diǎn)圖的基礎(chǔ)上，提出包含60個(gè)RR間期的差值散點(diǎn)圖，根據(jù)差值散點(diǎn)圖的特征，經(jīng)支持向量機(jī)構(gòu)建房顫計(jì)算機(jī)輔助診斷模型，該模型在訓(xùn)練集的靈敏度為99.2%，特異度為99.5%；在測(cè)試集的靈敏度為100.0%，特異度為97.6%。但上述模型所用的數(shù)據(jù)來(lái)自國(guó)際標(biāo)準(zhǔn)心電數(shù)據(jù)庫(kù)，來(lái)源單一，泛化能力受到限制，這些模型在真實(shí)世界中的診斷性能仍需進(jìn)一步驗(yàn)證。

2 機(jī)器學(xué)習(xí)在房顫診斷中的應(yīng)用進(jìn)展

2.1 基于淺層機(jī)器學(xué)習(xí)的輔助診斷模型 機(jī)器學(xué)習(xí)可分為傳統(tǒng)的淺層機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。淺層機(jī)器學(xué)習(xí)算法包括隨機(jī)森林、支持向量機(jī)、LASSO回歸、決策樹(shù)、樸素貝葉斯、K均值聚類等。上述文章提到的多種計(jì)算機(jī)輔助診斷模型是通過(guò)傳統(tǒng)淺層學(xué)習(xí)方法構(gòu)建而成，此類模型需要人工提取特征指標(biāo)，人工提取過(guò)程容易受到主觀影響，同時(shí)無(wú)法利用高維特征所提供的有效信息，限制了其在心電大數(shù)據(jù)的推廣和應(yīng)用。

2.2 基于深度學(xué)習(xí)輔助診斷模型 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)新興分支，近幾年在圖形識(shí)別上快速發(fā)展。深度學(xué)習(xí)擅長(zhǎng)圖像識(shí)別與學(xué)習(xí)，在醫(yī)學(xué)影像學(xué)研究最多［26］，也逐漸應(yīng)用于心電學(xué)、人臉識(shí)別、糖尿病視網(wǎng)膜病變等領(lǐng)域。2019年柳葉刀上發(fā)表了一篇基于深度學(xué)習(xí)構(gòu)建房顫診斷模型的文章，文章提出深度學(xué)習(xí)可以識(shí)別到人眼不能觀察到的心電信號(hào)［27］，這有利于陣發(fā)性房顫、房顫伴其他復(fù)雜心律失常的診斷。Lorenz散點(diǎn)圖輸出的二維圖形正好是深度學(xué)習(xí)的良好素材，將兩者結(jié)合起來(lái)可構(gòu)建一種新的計(jì)算機(jī)輔助診斷模型。

XIA等［28］通過(guò)“短期傅立葉變換”和“平穩(wěn)小波變換”將一維心電圖轉(zhuǎn)化為二維信號(hào)，再將二維信號(hào)輸入卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建計(jì)算機(jī)輔助診斷模型，使用“短期傅立葉變換”深度學(xué)習(xí)模型的靈敏度、特異度、準(zhǔn)確率分別是98.34%、98.24%、98.29%；使用“平穩(wěn)小波變換”模型的靈敏度、特異度、準(zhǔn)確率分別是98.79%、97.87%、98.63%。CAI等［29］采用一維深層密集連接神經(jīng)網(wǎng)絡(luò)（DDNN）檢測(cè)12導(dǎo)聯(lián)心電圖波形中的房顫，在測(cè)試數(shù)據(jù)集中得到的準(zhǔn)確度、靈敏度、特異度分別為99.35%、99.19%、99.44%。然而，上述研究不是基于Lorenz散點(diǎn)圖構(gòu)建的深度學(xué)習(xí)輔助診斷模型，卻為房顫的輔助診斷提供了新思路。KISOHARA等［30］使用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)Lorenz散點(diǎn)圖，構(gòu)建計(jì)算機(jī)輔助診斷模型，通過(guò)房顫、竇性心律數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練和測(cè)試，結(jié)果表明該模型診斷房顫的靈敏度是100%，特異度是100%。但該研究沒(méi)有考慮到陣發(fā)性房顫的識(shí)別，且僅使用了慢性房顫和純竇性心律訓(xùn)練和測(cè)試模型，在真實(shí)世界中的診斷性能還需進(jìn)一步的評(píng)價(jià)。

3 輔助診斷模型應(yīng)用現(xiàn)狀及不足

近年提出了很多計(jì)算機(jī)輔助診斷模型。其中，由于R波峰值高，受到噪聲干擾較小，基于RR間期的診斷模型目前研究和應(yīng)用的最多。但很少有人對(duì)各類模型做進(jìn)一步的實(shí)證研究，大部分模型所用的訓(xùn)練集和測(cè)試集數(shù)據(jù)來(lái)源單一，在臨床應(yīng)用中的準(zhǔn)確性不高，泛化能力弱［31］。目前基層醫(yī)療機(jī)構(gòu)所用的12導(dǎo)聯(lián)心電圖普遍帶有輔助診斷功能，因?yàn)闇?zhǔn)確率低，得出的結(jié)論不可靠，基層醫(yī)療機(jī)構(gòu)全科醫(yī)生常不參考其自動(dòng)診斷結(jié)果。因此迫切需要構(gòu)建泛化能力強(qiáng)、準(zhǔn)確性高、適用于基層醫(yī)療機(jī)構(gòu)的輔助診斷模型?；鶎俞t(yī)療機(jī)構(gòu)強(qiáng)調(diào)的是對(duì)房顫的快速篩查和診斷，這與三級(jí)醫(yī)院的重心不同。目前構(gòu)建的眾多模型很少使用真實(shí)世界的心電數(shù)據(jù)，限制了其在基層醫(yī)療機(jī)構(gòu)的應(yīng)用。研究表明基層醫(yī)療機(jī)構(gòu)全科醫(yī)生結(jié)合計(jì)算機(jī)輔助診斷模型能提高房顫診斷的準(zhǔn)確性，但對(duì)于房顫篩查還不夠，仍需加強(qiáng)基層醫(yī)務(wù)人員心電知識(shí)培訓(xùn)［8］。也有研究表明輔助診斷模型在自動(dòng)診斷結(jié)果是正確的情況下，提高了醫(yī)生診斷正確率，當(dāng)在自動(dòng)診斷不正確時(shí)，卻增加了醫(yī)生出錯(cuò)的概率［32］。培訓(xùn)作為提高房顫診斷準(zhǔn)確性的“慢方案”，無(wú)法解決基層醫(yī)療機(jī)構(gòu)面臨的“急問(wèn)題”，因此構(gòu)建性能良好的計(jì)算機(jī)輔助診斷模型顯得尤為重要。

4 總結(jié)及展望

基于心電特征的計(jì)算機(jī)輔助診斷模型可以輔助全科醫(yī)生快速做出心電圖診斷。然而，由于傳統(tǒng)淺層學(xué)習(xí)的固有缺陷，在臨床應(yīng)用中存在準(zhǔn)確性低、泛化能力弱等問(wèn)題，導(dǎo)致其實(shí)際診斷準(zhǔn)確性不高。深度學(xué)習(xí)作為人工智能新興技術(shù)，在圖像識(shí)別、高維數(shù)據(jù)及非線性特征處理等方面具有顯著優(yōu)勢(shì)。有效彌補(bǔ)了淺層機(jī)器學(xué)習(xí)的不足。通過(guò)心電散點(diǎn)圖將心電圖波形圖轉(zhuǎn)化為二維圖形，為深度學(xué)習(xí)的模型構(gòu)建提供優(yōu)質(zhì)素材，兩者的有機(jī)結(jié)合是否會(huì)產(chǎn)生性能更佳的模型值得進(jìn)一步研究。

結(jié)合目前房顫計(jì)算機(jī)輔助診斷模型的研究進(jìn)展和局限性分析，筆者認(rèn)為未來(lái)的研究可能從以下方面進(jìn)行。（1）單純性陣發(fā)性房顫由于發(fā)作時(shí)程短導(dǎo)致散點(diǎn)圖的圖形特征不明顯，增加診斷難度，也可嘗試通過(guò)深度學(xué)習(xí)解決陣發(fā)性房顫診斷中存在的問(wèn)題。同時(shí)進(jìn)一步挖掘單純性陣發(fā)性房顫散點(diǎn)圖特征，例如：從三維散點(diǎn)圖得到更多的陣發(fā)性房顫的心電特征。（2）陣發(fā)性房顫伴多種類型復(fù)雜性心律失常時(shí)，其散點(diǎn)圖特征復(fù)雜，人工難以辨別，可以基于深度學(xué)習(xí)的方法進(jìn)行診斷及鑒別診斷。（3）現(xiàn)有的各類診斷模型多是通過(guò)一類標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)（MIT-BIH房顫數(shù)據(jù)庫(kù)等）進(jìn)行訓(xùn)練或測(cè)試，很少在臨床中進(jìn)行實(shí)證研究，因此需要真實(shí)世界的多源多中心的數(shù)據(jù)進(jìn)行模型構(gòu)建，同時(shí)在真實(shí)世界進(jìn)行實(shí)證研究?？傊?，深度學(xué)習(xí)必將成為未來(lái)醫(yī)學(xué)圖像識(shí)別的主流，將越來(lái)越多的應(yīng)用在各大領(lǐng)域。

本文文獻(xiàn)檢索策略：

本綜述在確定陣發(fā)性心房顫動(dòng)計(jì)算機(jī)輔助診斷模型的主題后，以“陣發(fā)性心房顫動(dòng)”“計(jì)算機(jī)輔助診斷”“模型”“Poincaré散點(diǎn)圖”“基層醫(yī)療機(jī)構(gòu)”等為關(guān)鍵詞，充分檢索中國(guó)知網(wǎng)、萬(wàn)方數(shù)據(jù)知識(shí)服務(wù)平臺(tái)、維普網(wǎng)、PubMed、Web of science等國(guó)內(nèi)外數(shù)據(jù)庫(kù)。不限制時(shí)間，弄清陣發(fā)性心房顫動(dòng)計(jì)算機(jī)輔助診斷模型的起源以及發(fā)展歷程，進(jìn)一步分析不同模型的優(yōu)勢(shì)與缺陷。再限定近3～5年時(shí)間，了解國(guó)內(nèi)外研究進(jìn)展及創(chuàng)新內(nèi)容。

作者貢獻(xiàn):姚易、廖曉陽(yáng)、李志超進(jìn)行文章結(jié)構(gòu)的構(gòu)建；廖曉陽(yáng)、李志超進(jìn)行文章的科學(xué)性分析、論文的修訂，負(fù)責(zé)文章的質(zhì)量控制及審校；姚易進(jìn)行文獻(xiàn)資料收集和整理并撰寫(xiě)論文；廖曉陽(yáng)對(duì)文章整體負(fù)責(zé)。

本文無(wú)利益沖突。