穿戴式心电信号质量的三分类评估方法

研究一种穿戴式心电信号质量的三分类评估方法。心电信号质量三分类源于临床诊断需求,具体分为如下3类:一是临床有用,信号质量好;二是临床有用,信号质量差;三是临床无用。该方法首先提取心电信号时域、频域、非线性域中共计12个特征,然后构建特征矩阵,通过融合径向基核函数的支持向量机(SVM)分类器,实现穿戴式心电信号质量的三分类。实际结果表明,所提出的方法在375例经临床专家标注的独立测试集上信号质量三分类F测度结果分别为0.909、0.827和0.973,整体分类准确度为92.3%,相比于基于CNN的模型和传统SVM模型,准确度分别升高2.2%和6.4%。研究证明,新的信号质量三分类模型在穿戴式动态心电信号质量分类中有一定的应用价值。     

生理信号时问序列周期性和平稳性对近似熵和样本熵算法的影响分析

目的提高近似熵和样本熵算法在评价生理信号时间序列非线性复杂度应用中的精度。方法首先生成生理信号时间序列数据库,通过对周期序列和叠加有周期成分的非线性序列的分析,研究序列周期性对熵测度算法的影响,并通过对心率变异性（hear trat evariability,HRV）序列在去除非平稳趋势前后的对比分析,研究序列平稳性对熵测度算法的影响。结果在序列长度范围内,不同重复频率的周期序列熵测度不同,不同比重的周期成分叠加到非线性序列中引起序列熵测度的变化也不同。生理信号时间序列中大都存在非平稳成分,而非平稳成分会降低序列的复杂度,因此进行熵测度计算前首先要去除非平稳成分。结论周期性和非平稳成分显著影响生理信号时间序列的熵测度算法。     

不同运动速率下心率检测算法效果评估

心脑血管疾病对人类健康的威胁日益严重,实时心率的检测与过快心率预警愈加重要。但现有的穿戴式心电研究及心率检测算法,主要应用于临床数据及静息状态数据,针对运动状态的相关研究并不全面。使用穿戴式心电衣与惯性导航仪器相结合的方式,选取5名志愿者进行实验,获取共433段实时数据,以手动标注结果为真值,对速度与心率进行相关性分析。同时,将实验数据以1.5 m/s为分界点分块,选取如下5种QRS检测算法,原始Pan & Tompkins算法、Hamilton & Tompkins算法、JQRS算法、Sixth-power算法、DOM算法,分别进行在低速与高速区间上的心率检测,对检测误差进行对比。结果表明,速度和心率存在正相关关系,5种算法中,DOM算法的心率检测准确率最高,适宜于穿戴式运动心电相关领域应用,Sixth-power算法检测结果最差。     

基于多分辨率卷积网络的房颤起始点定位

为提高阵发性房颤(paroxysmal atrial fibrillation, PAF)的识别能力,本研究提出一种基于卷积网络的多分辨率心电图(electrocardiogram, ECG)理解框架。该框架通过同时利用局部的高分辨率形态特征和全局的低分辨率节律特征,可始终保持高分辨率特征并不断引入低分辨率特征分支。通过不断整合各分支的特征,高分辨率分支可辨别P波形态变化,低分辨率分支可检测RR间期的节律变化,从而实现PAF定位、房颤分类和QRS波定位多个任务。本研究使用CPSC 2021-Train数据库训练模型,并使用两个临床ECG数据库测试。两个数据库上的PAF定位分数分别为1.818 2和3.487 0;房颤分类和QRS波定位在两个数据库上的F1分数均值分别为88.36%和99.47%。说明本研究方法具有良好的PAF端点和QRS波定位性能。     

脉搏波波形特征在低氧环境中的变异性研究

环境、生理和病理因素的改变会导致光电容积波(photoplethysmography, PPG)波形的变化。为探究氧含量降低时PPG波形的变化,本研究在氧浓度为13.4%的常压低氧舱中(相当于海拔3 600 m)开展实验,记录每个志愿者在短时低氧暴露之前和过程中的指尖PPG信号,提取了9个与面积和时间特征相关的PPG参数,并测量了4次血压。结果表明,由常氧环境进入低氧环境后,7个PPG参数在所有志愿者中发生了显著一致的变化(P<0.05),2个参数的变化不具显著性差异,且各PPG参数的变化方向不同。从PPG中提取的脉率变异性(pulse rate variation, PRV)指标具有相似的变化规律。当氧含量降低时,PPG面积参数的升高与低氧暴露导致血管外周阻力增加的生理机制相符,PPG时间参数与血压呈负相关。本研究可为低氧条件下无创监测人体外周血管阻力和其他生理指标的变化提供思路,并为缺氧环境中工作人员的健康监测提供参考。     

融合CNN和BiLSTM的心律失常心拍分类模型

为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型。心电信号首先被分割成0.75 s和4 s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类。针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合。采用基于患者的5折交叉检验进行模型验证。MIT心律失常数据库116 000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42%,比单独使用CNN(76.45%)和BiLSTM(83.28%)的模型分别提高13.97%和7.14%。所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率。     

模糊区间信息熵用于充血性心衰患者的检测

目的传统心率变异性图形化指标（直方图和散点图）检测区分充血性心衰患者和健康人时难以量化,针对这一问题,本文提出一种新的心率变异性图形化分析方法——RR间期序列归一化直方图及其量化指标,用于检测区分充血性心衰患者和健康人。方法首先定义RR间期序列归一化直方图,在此基础上定义基于模糊理论的量化指标——模糊区间信息熵FuzzyRIEn,最后利用120例临床试验数据（60例充血性心衰患者和60例健康人）分析对比指标FuzzyRIEn和前期研究提出的3个量化指标：中心一边缘比（center—edgeratio,CER）、累积能量（cumulativeenergy,CE）和区间信息熵（range information entropy,RIEn）在两组问的统计学差异。结果对比结果显示,CER（P=0．418）,CE（P=0．262）和RIEn（P=0．068）在两组间均无显著统计学差异,而FuzzyRIEn（P=0．023）在两组间统计学差异显著。结论利用模糊区间信息熵FuzzyRIEn检测区分充血性心衰有较高的临床诊断价值。     

穿戴式心电监测中的AI计算

心电监测在心血管疾病诊断、预防、康复中具有重要的临床价值。随着物联网、大数据、云计算、人工智能（AI）等科技的快速发展,穿戴式心电正扮演着越来越重要的角色。伴随人口老龄化进程加剧,心血管病防治模式升级愈发紧迫,利用AI技术辅助临床解析长程心电进而提高心血管病早期检测和风险预警能力,成为智慧医疗领域的一个重要方向。穿戴式心电智能监测需要监测终端和云端的协同智能,同时医疗应用场景的明确有助于穿戴式心电监测的精准实施。本文首先总结了心电领域相关的AI技术研究和应用进展,然后通过三个案例阐述了穿戴式心电监测中AI计算如何与临床进行协同,最后探讨了心电AI研究的两个核心问题——AI技术的可靠性和价值,并展望了心电AI发展的机遇和未来挑战。     

一种基于阵列传感器设计和双曲定位模型的心尖搏动信号获取技术

目的针对传统单一传感器采集心尖搏动信号时因传感器位置不易确定,信号可靠性受质疑的问题,提出一种新的心尖搏动信号获取技术。方法采用阵列传感器设计,将3片完全相同的压电传感器设计成等边三角形结构,同步采集3路心尖搏动信号,同时对心尖搏动信号在胸腔传播过程中衰减的幅值特性和频率特性进行分析,建立心尖搏动信号的双曲定位模型,然后依据该模型重建出真实的心尖搏动信号。同步采集20例受试者的3路心尖搏动信号,以传感器A为基准信号,统计分析传感器B和C信号的3个特征点（C点、E点和0点）与基准信号的偏差有无显著性差异,进而说明单一传感器信号的可靠性。结果t检验结果显示传感器B和C信号的3个特征点与基准信号的偏差均有显著的统计学差异,提示心尖搏动信号易受传感器放置位置的影响,信号可靠性不高。结论本文提出的心尖搏动信号获取技术解决了单一传感器放置位置不易确定的缺陷,利用双曲定位模型重建出可靠性更高的信号波形。