基于心電-脈搏波的心血管疾病識(shí)別研究

陳倩蓉，梁永波，趙飛駿，朱健銘，陳真誠

1.桂林電子科技大學(xué)電子工程與自動(dòng)化學(xué)院，廣西桂林541004；2.桂林電子科技大學(xué)生命與環(huán)境科學(xué)學(xué)院，廣西桂林541004

前言

據(jù)統(tǒng)計(jì)，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(dá)到了45.01%；城市居民的占比也從41.52%增長(zhǎng)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(dòng)脈硬化是諸多心血管疾病的共同病理基礎(chǔ)和獨(dú)立預(yù)測(cè)因素［3-4］，也是唯一最早出現(xiàn)的能夠直接檢測(cè)到的血管功能結(jié)構(gòu)變化，它會(huì)導(dǎo)致動(dòng)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)心血管疾病［5］。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(cè)量的有創(chuàng)方法。影像檢查方法準(zhǔn)確度高，但無法檢測(cè)出早期病變，當(dāng)冠脈出現(xiàn)堵塞時(shí)才能確診。上述兩種方法不僅費(fèi)用昂貴，而且不適用于普查。因此，心血管疾病的識(shí)別對(duì)心血管疾病的防控有重要意義，也是現(xiàn)代社會(huì)對(duì)健康監(jiān)測(cè)的迫切需求。

近年來，國內(nèi)外許多學(xué)者通過脈搏波傳導(dǎo)速度（Pulse Wave Velocity,PWV）檢測(cè)動(dòng)脈硬化，期望通過檢測(cè)動(dòng)脈硬化實(shí)現(xiàn)心血管疾病的早期篩查。Alty等［7］通過單點(diǎn)的指端脈搏波波形估計(jì)PWV，依據(jù)PWV對(duì)樣本進(jìn)行分類，有研究者通過指端光電容積脈搏波形態(tài)學(xué)特征評(píng)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(hào)的動(dòng)脈硬化無創(chuàng)檢測(cè)方法，建立了基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的動(dòng)脈硬化評(píng)價(jià)模型。日本有研究機(jī)構(gòu)已經(jīng)研制出動(dòng)脈硬化儀，但由于其售價(jià)昂貴，沒有得到廣泛運(yùn)用。

上述的研究中學(xué)者們通過動(dòng)脈硬化篩查心血管疾病是可行的，但是由于動(dòng)脈硬化程度隨年齡的增長(zhǎng)而加深，PWV也會(huì)隨年齡的增長(zhǎng)而加快，對(duì)不同年齡段的受試者使用同一個(gè)閾值是極不合理的。各個(gè)實(shí)驗(yàn)中獲取PWV使用的脈搏波傳導(dǎo)時(shí)間大相徑庭，因此也就無法得知不同PWV對(duì)血管評(píng)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(huì)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(shí)采集指端脈搏波信號(hào)與心電信號(hào)，提取3種PWV與心血管結(jié)構(gòu)功能密切相關(guān)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(shí)別模型，并通過對(duì)比PWV對(duì)血管評(píng)估的效果確定用于評(píng)估動(dòng)脈血管功能結(jié)構(gòu)的最優(yōu)PWV。

1 PWV理論基礎(chǔ)

目前，PWV是公認(rèn)用于評(píng)估動(dòng)脈硬化的指標(biāo)，主要有兩種測(cè)量方式獲取PWV，其一是通過單點(diǎn)脈搏波與心電信號(hào)獲取脈搏波傳導(dǎo)時(shí)間，結(jié)合脈搏波傳導(dǎo)路徑獲取PWV；其二是通過雙端脈搏波獲取脈搏波傳導(dǎo)時(shí)間，結(jié)合脈搏波傳導(dǎo)路徑求得PWV。頸-股動(dòng)脈PWV是評(píng)估動(dòng)脈硬化的金標(biāo)準(zhǔn)，是通過上述方法二測(cè)量獲取的［10］，但由于其測(cè)量區(qū)域的限制，沒有得到廣泛運(yùn)用。劉娜等［11］的研究表明單點(diǎn)PWV與冠狀動(dòng)脈狹窄數(shù)量密切相關(guān)，冠狀動(dòng)脈狹窄數(shù)量多少從側(cè)面反映了動(dòng)脈硬化程度，也證明了單點(diǎn)脈搏波波速與動(dòng)脈硬化程度有密切聯(lián)系。有研究表明動(dòng)脈整體順應(yīng)性與頸-股動(dòng)脈PWV的相關(guān)性很高［12］，動(dòng)脈整體順應(yīng)性與動(dòng)脈結(jié)構(gòu)功能聯(lián)系緊密，也表明身體局部的PWV依舊可以反應(yīng)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(jié)構(gòu)高相關(guān)性的變量，并發(fā)現(xiàn)了與動(dòng)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(hào)與單點(diǎn)脈搏波信號(hào)獲取上肢PWV，基于脈搏波特征參數(shù)借助機(jī)器學(xué)習(xí)方法建立動(dòng)脈心血管疾病識(shí)別模型，并通過模型對(duì)比確定用于心血管評(píng)估的最優(yōu)PWV。

2 實(shí)驗(yàn)

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(hào)預(yù)處理模塊、脈搏波預(yù)處理模塊、控制器模塊、串口與上位機(jī)的波形顯示與數(shù)據(jù)存儲(chǔ)模塊。心電信號(hào)預(yù)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(hào)預(yù)處理模塊包括放大及電平抬升電路。通過標(biāo)準(zhǔn)I導(dǎo)聯(lián)方法結(jié)合HKD-10A心電傳感器采集心電信號(hào)，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(hào)和心電信號(hào)采樣設(shè)置為500 Hz，通過12位模數(shù)轉(zhuǎn)換，采集的數(shù)據(jù)由串口發(fā)送至上位機(jī)，通過上位機(jī)中的LabVIEW界面觀測(cè)波形，存儲(chǔ)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(shí)驗(yàn)集中在春季和夏季進(jìn)行，保持實(shí)驗(yàn)環(huán)境安靜，實(shí)驗(yàn)前所有受試者靜息20 min，并記錄下受試者的年齡、身高、體質(zhì)量等生理信息。（2）所有受試者都在平躺狀態(tài)下同時(shí)檢測(cè)左手食指的光電容積脈搏波和標(biāo)準(zhǔn)I導(dǎo)聯(lián)下的心電信號(hào)，每個(gè)受試者都檢測(cè)3組數(shù)據(jù)，每組1 min，實(shí)驗(yàn)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(jì)在測(cè)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(cè)試完成后用歐姆龍HEM-7201上臂式電子血壓計(jì)在同一狀態(tài)下測(cè)量3次血壓。（4）將所測(cè)數(shù)據(jù)和生理信息歸檔保存。

2.3 數(shù)據(jù)統(tǒng)計(jì)

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(xiàng)生理指標(biāo)正常，沒有心腦血管疾病或者相關(guān)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(hào)波形，PPG為脈搏波信號(hào)，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(dǎo)時(shí)間，由心電信號(hào)與脈搏波信號(hào)獲取，圖中的脈搏波形態(tài)學(xué)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(gè)脈搏波形態(tài)學(xué)參數(shù)組成的特征子集設(shè)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?jī)蓚€(gè)連續(xù)周期的脈搏波可以提取一組特征參數(shù)，每個(gè)受試者保留30組特征參數(shù)的記錄，51個(gè)受試者總計(jì)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(dǎo)致的過擬合問題，每次建模都在健康組隨機(jī)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(jìn)行建模。

圖2 特征定義Fig.2 Definition of features

5 結(jié)果

本研究基于PWV和脈搏波形態(tài)學(xué)特征參數(shù)分別使用K近鄰學(xué)習(xí)（K-Nearest Neighbor,KNN）與支持向量機(jī)（Support Vector Machine,SVM）兩種方法對(duì)樣本進(jìn)行分類識(shí)別。KNN屬于常用的監(jiān)督學(xué)習(xí)方法，其核心思想是以某種距離度量尋找測(cè)試樣本與訓(xùn)練樣本最靠近的k個(gè)訓(xùn)練樣本，將這k個(gè)樣本中占比最大的類別標(biāo)記作為預(yù)測(cè)結(jié)果［18］。對(duì)于KNN，k是一個(gè)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(duì)應(yīng)的分類模型的準(zhǔn)確率。

表2 基于不同特征集的KNN分類模型準(zhǔn)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(duì)分類準(zhǔn)確率改善更明顯，一方面表明pwvo和pwvm的加入對(duì)分類器的準(zhǔn)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(gè)PWV參數(shù)中，pwvm是最適合用于評(píng)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(xùn)練樣本空間找到一個(gè)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(gè)訓(xùn)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(dá)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(duì)于樣本量小，非線性等問題能達(dá)到較好的分類效果，實(shí)際問題中，樣本空間包括線性可分和線性不可分的情況，對(duì)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(gè)過程中需要計(jì)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(jì)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(jì)算在新空間中的內(nèi)積。用含有pwvm的特征集QM在運(yùn)用不同核函數(shù)時(shí)得到的分類器預(yù)測(cè)的準(zhǔn)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(zhǔn)確率差異不大，當(dāng)核函數(shù)為Sigmoid時(shí)，分類準(zhǔn)確率達(dá)到最高，即84.20%。

實(shí)際應(yīng)用中查準(zhǔn)率與查全率是評(píng)估分類器性能的重要指標(biāo)，特別是在疾病識(shí)別方面的運(yùn)用，要在一定準(zhǔn)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(zhǔn)率為縱軸，可以通過曲線直觀反映出分類器的查準(zhǔn)率與查全率，圖3是k為19時(shí)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(zhǔn)確率更高，pwvm對(duì)于心血管疾病識(shí)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(shí)別模型。

表3 不同核函數(shù)的SVM分類模型的準(zhǔn)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(jié)論

本研究自行設(shè)計(jì)了心電-脈搏波數(shù)據(jù)采集系統(tǒng)，記錄了51個(gè)受試者的波形數(shù)據(jù)及生理信息，提取了16個(gè)特征參數(shù)，其中包括3種PWV和13個(gè)與心血管評(píng)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(shí)別模型，通過模型性能對(duì)比確定了基于特征集QM的SVM為最優(yōu)的心血管疾病識(shí)別模型，也確定了用于評(píng)估心血管狀況的最優(yōu)脈搏波波速pwvm，說明心血管疾病識(shí)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(shí)現(xiàn)穿戴式心血管監(jiān)測(cè)提供了基礎(chǔ)。