王 銳，李 燦，李紅巖，郎許峰，周作建，黃 敏，程 俊

（南京中醫(yī)藥大學人工智能與信息技術學院，江蘇南京 210023）

0 引言

房顫是最常見的心律失常類型。隨著年齡的增長，房顫發(fā)生率會不斷增加［1］，其在有危重疾病風險的慢性病老年患者中非常普遍［2］。在世界范圍內，房顫的發(fā)生率約為0.4%～2%［3-4］，其與冠心病、高血壓和心力衰竭等疾病有密切關系。根據(jù)房顫發(fā)作的持續(xù)時間，可將其分為陣發(fā)性房顫、持續(xù)性房顫和永久性房顫3 種類型［5］。一些陣發(fā)性房顫在日常生活中很難被發(fā)覺，患者無臨床癥狀或出現(xiàn)臨床癥狀后很快便會消失，因此普通心電圖檢查無明顯異常。對于頻繁發(fā)作的陣發(fā)性房顫可通過24h 動態(tài)心電圖監(jiān)測，但監(jiān)測設備佩戴繁瑣，患者依從性較差。因此，研究快速便捷的房顫檢測手段具有重要臨床價值。

傳統(tǒng)房顫檢測算法大多基于房顫發(fā)生時的信號特征提取實現(xiàn)［6］，但復雜的人工特征定義和繁瑣的特征提取過程等限制了其推廣和應用。深度學習技術以原始數(shù)據(jù)作為輸入，并自動提取對檢測敏感的特征，具有更好的抗干擾能力，可提高房顫檢測算法的泛化能力［7］。目前基于深度學習的房顫檢測算法主要通過端到端的深度神經(jīng)網(wǎng)絡實現(xiàn)，通過學習大量數(shù)據(jù)特征，可適用于更多場景。目前，國內外學者對基于深度學習的房顫檢測算法進行了大量研究，如Chen 等［8］采用決策級融合方法融合遞歸復雜網(wǎng)絡和卷積神經(jīng)網(wǎng)絡建立房顫檢測算法，獲得了98.92%的檢測準確率；Chen 等［9］利用小波變換和滑動窗口濾波減少心電信號中的噪聲，然后使用前饋神經(jīng)網(wǎng)絡檢測房顫；Sanjana 等［10］基于深度殘差跳躍卷積神經(jīng)網(wǎng)絡進行房顫的自動檢測，準確率可達99%；Petmezas 等［11］提出一種利用焦點損失處理不平衡訓練數(shù)據(jù)的新型混合神經(jīng)模型，通過將卷積神經(jīng)網(wǎng)絡提取的心電圖特征輸入到長短期記憶模型中進行時間動態(tài)記憶，從而更準確地分析房顫心電圖類型。然而，深度學習技術仍存在一些局限性，如模型梯度易消失、對網(wǎng)絡的要求較高、數(shù)據(jù)庫比較單一等［12］。

早期識別房顫可降低卒中等并發(fā)癥的發(fā)生率，明顯改善患者預后，提高其生活質量［13］。因此，本文運用CiteSpace 軟件對中國知網(wǎng)中收錄的關于房顫檢測算法的文獻進行系統(tǒng)分析，總結該領域的研究熱點和發(fā)展趨勢，為相關研究者提供參考和指引。

1 資料與方法

選擇中國知網(wǎng)數(shù)據(jù)庫，以房顫檢測、算法為主題詞進行檢索，年限設定為2001-2022 年3 月16 日，結果共檢索到174 篇相關文獻。剔除無關算法以及僅含醫(yī)學知識、無作者等文獻，篩選到符合條件的文獻共158篇。

將檢索結果以Refwork 格式導出，并保存為txt 格式。使用CiteSpace 軟件分析文獻中的摘要、關鍵詞、作者、所屬單位等信息，基于作者（Author）、機構（Institution）、關鍵詞（Keywords）3 個模塊進行分析，并繪制相應的知識圖譜和表格。

2 結果分析

2.1 文獻發(fā)表年份

由圖1 可以看出，2001-2007 年期間，關于房顫檢測算法的文獻年發(fā)文量不超過3 篇；而2008-2017 年，年發(fā)文量有所上升，但不超過10 篇；2018-2021 年，年發(fā)文量大幅上升，均超過20 篇，在2020 年甚至超過了25 篇；2022 年由于統(tǒng)計時長限制，發(fā)文量不具備參考價值。

Fig.1 Distribution of annual published literature number圖1 年度發(fā)表文獻數(shù)量分布

2.2 發(fā)文作者分布

發(fā)文量排名前10位的作者及其單位信息見表1。

Table 1 Top 10 authors and their organizations表1 發(fā)文量前10位的作者及其單位信息

以“author”為節(jié)點，設置單個時間區(qū)間長度為1，展示發(fā)文量不少于2 篇的作者分布情況，結果見圖2，共出現(xiàn)202 個節(jié)點，83 條線，網(wǎng)絡密度為0.004 1。作者之間的連接可以反映出該領域中某個學者或團隊作出的貢獻以及各個作者之間的合作強度。可以發(fā)現(xiàn)，作者之間的合作較為松散，最大的合作團隊由劉明、韓小岑、孟憲輝等人組成，其次劉廣雄團隊和以孫亞楠、張瑞、韋杰英、王迪為主的團隊也具有一定規(guī)模，其余為規(guī)模較小的團隊和無合作的個人。這些團隊均相對獨立，團隊間未能展現(xiàn)合作關系。

2.3 發(fā)文機構分析

Fig.2 Author distribution visualization map圖2 作者分布可視化圖譜

以“institution”為節(jié)點，單一時間間隔設為1年，發(fā)文機構分布如圖3 所示，共出現(xiàn)70 個節(jié)點，10 條邊，網(wǎng)絡整體密度為0.004 1。在數(shù)據(jù)處理時，將河北大學電子信息工程學院和河北省數(shù)字醫(yī)療工程重點實驗室統(tǒng)一為河北大學；西北大學醫(yī)學大數(shù)據(jù)研究中心統(tǒng)一為西北大學；復旦大學數(shù)字醫(yī)學研究中心上海市醫(yī)學圖像處理與計算機輔助手術重點實驗室和復旦大學電子工程系統(tǒng)一為復旦大學；河南科技大學機電工程學院和河南科技大學醫(yī)學技術與工程學院統(tǒng)一為河南科技大學；東南大學儀器科學與工程學院生物電子學國家重點實驗室中心統(tǒng)一為東南大學；中國礦業(yè)大學人工智能研究院智慧醫(yī)療研究中心與中國礦業(yè)大學信息與控制工程學院統(tǒng)一為中國礦業(yè)大學；桂林電子科技大學電子工程與自動化學院和桂林電子科技大學生命與環(huán)境科學學院統(tǒng)一為桂林電子科技大學；電子科技大學生命科學與技術學院和電子科技大學電子工程學院統(tǒng)一為電子科技大學；浙江中醫(yī)藥大學信息技術學院與浙江中醫(yī)藥大學基礎醫(yī)學院統(tǒng)一為浙江中醫(yī)藥大學；浙江大學生命科學學院和浙江大學生物醫(yī)學工程與儀器學院統(tǒng)一為浙江大學。經(jīng)統(tǒng)計，發(fā)文量排前3 位的單位依次為電子科技大學（21 篇）、河北大學（16 篇）和復旦大學（10 篇）。電子科技大學與四川省人民醫(yī)院合作發(fā)表了多篇文獻；河北大學較為獨立；復旦大學與上海理工大學醫(yī)療器械與食品學院、上海微創(chuàng)電生理醫(yī)療科技股份有限公司開展了合作研究?？傮w而言，研究機構以高校為主，機構間的合作較為松散，多為獨立發(fā)表。

Fig.3 Distribution of issuing agencies圖3 發(fā)文機構分布

2.4 關鍵詞共現(xiàn)分析

以“keywords”為節(jié)點，單一時間間隔設為1 年，閾值設置為TOP=50，得到關鍵詞共現(xiàn)分析結果如圖4 所示。圖中展示了頻次不少于2 的關鍵詞，節(jié)點為344 個，連線為423個，密度為0.007 2?？梢钥闯鲈~頻較大的房顫、心電圖、心電信號、房顫檢測等與卷積神經(jīng)網(wǎng)絡、深度學習、機器學習、支持向量機等密切相關。

Fig.4 Keyword co-occurrence analysis圖4 關鍵詞共現(xiàn)分析

出現(xiàn)頻次較高的關鍵詞如表2 所示。排名首位的為房顫，其頻次遠高于其他關鍵詞，其余依次為心電圖、心電信號、卷積神經(jīng)網(wǎng)絡、心率失常等。

Table 2 Keyword frequency表2 關鍵詞頻次

2.5 關鍵詞聚類分析

網(wǎng)絡模塊化值（值越大表示聚類效果越好）以及剪影值（剪影值越接近1 說明同質性越高）是評估網(wǎng)絡整體結構的重要指標。聚類模塊值=0.724 4（>0.3），說明聚類有效；聚類平均輪廓值=0.880 3（>0.7），說明該聚類成員間同質性非常高［13］。本文聚類采用tf*idf 聚類方法，共提取到31 個類，排名前16 位的分別為：超限學習機（#0）、r 波定位（#1）、希式束（#2）、模式識別（#3）、qrs 波檢測（#4）、心室纖顫（#5）、p 波（#6）、盲源提?。?7）、檢測（#8）、獨立成分分析（#9）、機器學習（#10）、預處理（#11）、混沌（#12）、信息熵（#13）、波動圖（#14）、統(tǒng)計性能（#15），結果見圖5。每種聚類包含4～5 個關鍵詞，表3 展示了聚類的規(guī)模、輪廓值以及所包含的關鍵詞。

Fig.5 Co-occurrence clustering map of keywords圖5 關鍵詞共現(xiàn)聚類圖譜

3 討論

我國關于房顫檢測算法的文獻量總體呈上升趨勢，但關注度仍有待提高，發(fā)文總量仍處于較低水平。目前發(fā)文量最多的為河北大學的劉明團隊，其研究方向為基于黎曼流形稀疏編碼的陣發(fā)性房顫檢測算法［14］，該算法采用協(xié)方差矩陣計算RR 間期的變化，使數(shù)據(jù)處于黎曼流形空間中，計算心率變異信號，在可穿戴智能檢測設備中具有廣闊的應用前景；其次是上海理工大學醫(yī)療器械與食品安全學院的陸宏偉團隊，其利用時域、頻域和非線性分析技術識別基于體表的心電圖，提取RR 間期的房顫特征［15］；然后是西北大學醫(yī)療大數(shù)據(jù)研究中心的孫亞楠團隊，其采用心電信號去噪、心電信號的R 峰檢測和心電特征提取技術檢測陣發(fā)性房顫［16］；接著是復旦大學的楊翠微團隊，其采用功率譜分析、近似熵和樣本熵分析、遞歸分析以及時間序列符號化4 種方法進行陣發(fā)性房顫檢測［17］；最后是電子科技大學的劉廣雄團隊，其采用主成分分析法提取房顫信號中的特征，然后使用分類器進行分類［18］。目前對房顫檢測算法的研究主要集中在科研院所的重點實驗室，可能是受地域限制，機構間的合作較為分散。

從關鍵詞頻次中可以看出，使用卷積神經(jīng)網(wǎng)絡等深度學習方法進行房顫檢測的研究較多，相應的心電信號處理方法包括小波變換、R 波檢測、獨立成分分析、QRS 波檢測、盲源提取等。關于房顫檢測算法的聚類標簽包括超限學習機、R 波定位、希氏束、模式識別、QRS 波檢測、心室纖顫、盲源提取、檢測、經(jīng)驗模式分解、機器學習、預處理、混沌、波動圖、性能統(tǒng)計。心電信號的預處理方法較多，如可利用灰度直方圖進行房顫檢測，其中一個重要步驟就是心電信號分解［19］；改進切片頻率的小波變換處理低頻信號具有較好效果［20］，但對高頻信號的處理差強人意；離散小波分解可對頻率信號進行分層處理，因而對多種信號有較好的處理效果［21］；利用統(tǒng)計模型與信息熵相結合的方式可分析RR 間期波形的分布規(guī)律，以提供多維時間序列的關聯(lián)信息，但該方法更適合長時序列，應用于短時序列有一定的局限性［22］。心電信號特征提取常用方法包括黎曼流形、支持向量機、深度學習等。黎曼流形可定位異常波形的位置以完成特征提取，在數(shù)據(jù)量有限的情況下表現(xiàn)依舊較好，然而該方法具有一定的挑戰(zhàn)性［23］；支持向量機可實現(xiàn)基于多個特征的自動診斷，但該方法依賴于QRS 波的檢測［21］；深度學習法可直接提取特征，且具有一定的泛化能力［24］，但當數(shù)據(jù)量和種類有限時，其分類效果不如支持向量機。因此，需要依據(jù)實際情況選擇合適的心電信號特征提取方法。

4 結語

房顫的智能化檢測對于預防嚴重心血管疾病的發(fā)生具有重要意義。本文通過對房顫檢測算法的相關文獻進行分析發(fā)現(xiàn)，近年來基于深度學習技術的房顫檢測研究熱度不斷上升，提取房顫信號特征的方法逐漸增多，分類模型也逐漸得到優(yōu)化，準確度和精度不斷提高。然而，不同研究機構之間的合作與交流有限，今后需加強交流與合作，互相取長補短，探索出準確率更高的房顫檢測算法。例如可通過R 波、QRS 波、P 波、心室率等指標檢測出房顫的具體類型，然后利用模式識別、盲源提取、獨立成分分析、信息熵等方法分析和提取心電信號，采用機器學習模型進行分類，采用深度學習模型簡化特征提取步驟，以獲得更好的泛化能力。此外，本研究還存在一定局限性，如僅選取了中國知網(wǎng)數(shù)據(jù)庫作為研究對象，沒有納入外文數(shù)據(jù)庫，缺少國內外研究的橫縱對比等，今后將擴大研究范圍，以獲取最前沿的研究趨勢。

Table 3 Size，silhouette coefficient and keywords included in the cluster表3 聚類規(guī)模、輪廓值以及包含的關鍵詞