2.793

                    2018影響因子

                    (CJCR)

                    • 中文核心
                    • EI
                    • 中國科技核心
                    • Scopus
                    • CSCD
                    • 英國科學文摘

                    留言板

                    尊敬的讀者、作者、審稿人, 關于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復。謝謝您的支持!

                    姓名
                    郵箱
                    手機號碼
                    標題
                    留言內容
                    驗證碼

                    基于確定學習及心電動力學圖的心肌缺血早期檢測研究

                    孫慶華 王磊 王聰 王乾 吳偉明 趙媛媛 王喜萍 董瀟男 周彬 唐閩

                    孫慶華, 王磊, 王聰, 王乾, 吳偉明, 趙媛媛, 王喜萍, 董瀟男, 周彬, 唐閩. 基于確定學習及心電動力學圖的心肌缺血早期檢測研究. 自動化學報, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899
                    引用本文: 孫慶華, 王磊, 王聰, 王乾, 吳偉明, 趙媛媛, 王喜萍, 董瀟男, 周彬, 唐閩. 基于確定學習及心電動力學圖的心肌缺血早期檢測研究. 自動化學報, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899
                    Sun Qing-Hua, Wang Lei, Wang Cong, Wang Qian, Wu Wei-Ming, Zhao Yuan-Yuan, Wang Xi-Ping, Dong Xiao-Nan, Zhou Bin, Tang Min. Early detection of myocardial ischemia based on deterministic learning and cardiodynamicsgram. Acta Automatica Sinica, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899
                    Citation: Sun Qing-Hua, Wang Lei, Wang Cong, Wang Qian, Wu Wei-Ming, Zhao Yuan-Yuan, Wang Xi-Ping, Dong Xiao-Nan, Zhou Bin, Tang Min. Early detection of myocardial ischemia based on deterministic learning and cardiodynamicsgram. Acta Automatica Sinica, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899

                    基于確定學習及心電動力學圖的心肌缺血早期檢測研究


                    DOI: 10.16383/j.aas.c190899
                    詳細信息
                      作者簡介:

                      華南理工大學自動化科學與工程學院博士研究生. 主要研究方向為確定學習理論、動態模式識別及其在心肌缺血/心肌梗死/冠心病檢測上的應用. E-mail: ausunqinghua@mail.scut.edu.cn

                      石河子市人民醫院(石河子大學醫學院第三附屬醫院)心內科主治醫師. 主要研究方向為冠心病. 共同第一作者. E-mail: wangleishitoukang@163.com

                      山東大學控制科學與工程學院、山東大學智能醫學工程研究中心教授. 主要研究方向為動態環境機器學習與模式識別, 確定學習理論, 基于模式的智能控制, 振動故障診斷及在醫學領域的應用研究. 本文通信作者. E-mail: wangcong@sdu.edu.cn

                      山東大學控制科學與工程學院博士后. 主要研究方向為確定學習, 故障診斷與健康預測. E-mail: auwangqian@sdu.edu.cn

                      華南理工大學自動化科學與工程學院博士研究生. 主要研究方向為系統辨識, 確定學習, 動態模式識別. E-mail: auwuweiming@163.com

                      石河子市人民醫院(石河子大學醫學院第三附屬醫院)副主任護師. 主要研究方向為急性心肌梗死患者的護理.E-mail: zyy457027952@163.com

                      石河子市人民醫院(石河子大學醫學院第三附屬醫院)心內科主任醫師. 主要研究方向為冠心病.E-mail: wangxiping1567@163.com

                      中國醫學科學院阜外醫院醫師. 主要研究方向為心律失常的診斷和介入治療. E-mail: guitardxn@163.com

                      中國醫學科學院阜外醫院博士研究生. 主要研究方向為心律失常. E-mail: zhoubinxhfw@163.com

                      中國醫學科學院阜外醫院主任醫師. 主要研究方向為各種器質性心臟病、先天性心臟病和心功能不全合并心律失常的診療, 尤其是心房顫動、心房撲動、房性心動過速、室性早搏、室性心動過速、陣發性室上性心動過速等復雜心律失常的射頻消融治療和起搏器電極拔除治療. 本文共同通信作者. E-mail: doctortangmin@hotmail.com

                    • 基金項目:  國家重大科研儀器研制項目(61527811), 廣州市科技計劃項目(201704020078), 八師石河子市科技計劃項目(2018TD03)資助

                    Early Detection of Myocardial Ischemia Based on Deterministic Learning and Cardiodynamicsgram

                    More Information
                    • Fund Project:  Supported by National Major Scientific Instruments Development Project (61527811), the Science and Technology Program of Guangzhou (201704020078), and the Science and Technology Program of Shihezi (2018TD03)
                    • 摘要: 心肌缺血早期檢測是心血管疾病領域重要且困難的問題. 本文采用心電動力學圖(Cardiodynamicsgram, CDG)開展心電圖正常及大致正常時的心肌缺血早期檢測研究. 1) 在分析已有基于心電圖的心肌缺血檢測方法所取得的進展及不足基礎上, 構建一個既有心電圖發生缺血性改變、又有心電圖正常及大致正常、且包括經冠脈造影檢驗為冠脈阻塞性病變和非阻塞性病變的較大規模心肌缺血數據集. 2) 針對上述數據集中393例心電圖正常及大致正?;颊? 利用確定學習生成每份心電圖的心電動力學圖, 提取對心肌缺血和非缺血具有顯著區分能力的心電動力學特征. 并以冠脈狹窄$ \ge$50%為缺血標準, 采用機器學習算法構建心肌缺血檢測模型. 3) 針對上述試驗中假陽性病例, 利用由確定學習生成的具有明確物理意義的心電動力學圖進行逐例分析, 發現其中許多假陽性存在慢血流現象(即冠脈非阻塞性病變). 對這些慢血流病例重新進行缺血標注, 以改善心肌缺血數據集標注精度. 通過上述三個步驟構建了更為準確的心肌缺血檢測模型, 其缺血檢測結果: 靈敏度90.1%、特異度85.2%、準確率89.0%和受試者工作特征曲線(Receiver operating characteristic curve, ROC)下面積(Area under curve, AUC) 0.93. 綜上, 本文所構建的較大規模心肌缺血數據集可為心肌缺血檢測研究和臨床研究提供重要的數據基礎; 且構建的心肌缺血檢測模型對心電圖正常及大致正?;颊呔哂休^強的缺血檢測能力; 特別是, 由確定學習生成的心電動力學圖具有較好的可解釋性, 有助于發現缺血數據標注的偏差和模型的錯誤, 提高心肌缺血檢測準確率.
                    • 圖  1  心肌缺血病因及臨床類型

                      Fig.  1  The causes and clinical presentation of myocardial ischemia

                      圖  2  心肌缺血診斷方法

                      Fig.  2  Diagnostic methods of myocardial ischemia

                      圖  3  典型的心電圖[34]

                      Fig.  3  A standard electrocardiogram (ECG)[34]

                      圖  4  一例心肌缺血患者的心電動力學圖及CDG值

                      Fig.  4  The CDG and CDG value of a patient with myocardial ischemia

                      圖  5  冠脈狹窄與非狹窄組間的CDG值差異($ \lozenge $: $ p<0.01 $存在差異有高度統計顯著性; $ \bigstar $: 超出邊界的實例.)

                      Fig.  5  Differences of CDG values between coronary stenosis and non-stenosis groups ($ \lozenge $: $ p<0.01 $ was considered as statistically significant. $ \bigstar $: subjects that were out of boundaries.)

                      圖  6  心電動力學圖的心肌缺血檢測結果

                      Fig.  6  Results of myocardial ischemia detection via CDG

                      圖  7  一例冠脈單支病變男性患者, 55歲 ((a) 正常心電圖; (b) 心電動力學圖散亂;(c) 冠脈前降支存在80%狹窄;(d) CDG值陽性)

                      Fig.  7  A case of ischemic male patient with single vessel disease, 55 years old ((a) Nondiagnostic ECG; (b) Irregular CDG; (c) The left anterior descending branch of the coronary artery is with stenosis 80%; (d) The positive CDG value)

                      圖  8  一例冠脈雙支病變男性患者, 35歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 冠脈回旋支中段50%狹窄,右冠近段100%狹窄; (d) CDG值陽性)

                      Fig.  8  A case of ischemic male patient with double-vessel disease, 35 years old ((a) Nondiagnostic ECG; (b) Irregular CDG; (c) The middle segment of the left circumflex artery is with stenosis 50% narrow, and the proximal segment of the right coronary artery is occluded; (d) The positive CDG value)

                      圖  9  一例冠脈三支病變男性患者, 50歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 中間支開口90%狹窄, 回旋支遠段80%局限狹窄, 右冠遠段90%局限狹窄; (d) CDG值陽性)

                      Fig.  9  A case of ischemic male patient with triple-vessel disease, 50 years old ((a) Nondiagnostic ECG; (b) Irregular CDG; (c) The opening of the middle branch is 90% narrow, the distal segment of the left circumflex artery is with stenosis 80%, and the distal segment of the right coronary artery is with stenosis 90%; (d) The positive CDG value)

                      圖  10  一例非缺血女性患者, 47歲 ((a) 正常心電圖; (b) 心電動力學圖較為規整; (c) 正常冠脈; (d) CDG值陰性)

                      Fig.  10  A case of nonischemic female patient, 47 years old ((a) Normal ECG; (b) Regular CDG; (c) Normal coronary angiography; (d) The negative CDG value)

                      圖  11  一例非缺血男性患者, 47歲 ((a) 正常心電圖; (b) 心電動力學圖規整; (c) 正常冠脈; (d) CDG值陰性)

                      Fig.  11  A case of nonischemic male patient, 47 years old ((a) Normal ECG; (b) Regular CDG; (c) Normal coronary angiography; (d) The negative CDG value)

                      圖  12  不同缺血標注精度下分類模型的ROC曲線

                      Fig.  12  ROC curves of classification models at different accuracy of ischemic labeling

                      圖  13  一例慢血流男性患者, 48歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 冠脈無狹窄前降支慢血流; (d) CDG值陽性)

                      Fig.  13  A case of ischemic male patient with slow coronary flow, 48 years old ((a) Normal ECG; (b) Irregular CDG; (c) The left anterior descending branch of the coronary artery is with coronary slow flow; (d) The positive CDG value)

                      圖  14  一例慢血流女性患者, 50歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 冠脈無狹窄但前降支中段第一對角支慢血流; (d) CDG值陽性)

                      Fig.  14  A case of ischemic female patient with slow coronary flow, 50 years old ((a) Normal ECG; (b) Irregular CDG; (c) Coronary slow flow in the first diagonal branch of the coronary artery; (d) The positive CDG value)

                      表  1  疑似心肌缺血患者病例信息記錄

                      Table  1  A case of suspected myocardial ischemic patient

                      項目信息記錄
                      編號/來源SHZ2944/石河子市人民醫院
                      年齡/性別59/男
                      心率/血壓68 (次/分)/200 (高), 100 (低) (mmHg)
                      主訴半月前無誘因再次出現胸骨中下段拳頭大小范圍壓迫樣疼痛, 伴胸悶、心慌、出汗, 癥狀持續數分鐘休息后緩解, 癥狀頻繁發作, 偶有靜息下發作
                      既往史平素健康狀況一般, 高血壓 30 年, 最高達 200/100 mmHg, 無其他病史
                      心電圖竇性心律, 偶發室早, T波改變
                      冠脈造影前降支近段斑塊; 回旋支近段斑塊、遠段 100% 閉塞, 可見前降支到回旋支側枝形成; 右冠中段 80% 病變, 遠段 90% 彌漫性病變
                      臨床診斷1) 冠心病, 不穩定性心絞痛; 2) 高血壓 3 級 (很高危)
                      下載: 導出CSV

                      表  2  自建數據集與PTB數據集對比

                      Table  2  Comparison between PTB diagnostic dataset and the proposed dataset

                      來源PTB自建
                      總病例數290781
                      缺血病例148700
                      非缺血病例5281
                      心電圖基本發生缺血性改變393 例正?;蚍翘禺愋愿淖?/td>
                      缺血病因冠脈狹窄冠脈狹窄、慢血流
                      下載: 導出CSV

                      表  3  心電圖正?;虼笾抡;颊叩娜丝诨€特征

                      Table  3  Baseline characteristics of patients with normal or nearly normal ECG

                      類型冠脈狹窄 (299)非冠脈狹窄 (n = 94)p 值
                      冠脈慢血流 (13)非冠脈病變 (81)
                      性別 (男性)216/299 (72.2%)9/13 (69.2%)43/81 (53.7%)0.005**
                      年齡58±1056±954±100.022*
                      收縮壓 (mmHg)129±10131±18127±140.563
                      舒張壓 (mmHg)77±1085±1477±100.109
                      心率 (beats/min)72±1065±671±100.012*
                      高血壓171/299 (57.2%)10/13 (76.9%)42/81 (51.9%)0.226
                      糖尿病88/299 (29.4%)6/13 (46.2%)18/81 (22.2%)0.159
                      血脂異常190/299 (63.5%)8/13 (61.5%)53/81 (65.4%)0.937
                      注: 所有數據采用軟件 SPSS 21.0 進行統計分析; 計量資料采用 Mann-Whitney 秩和檢驗, 表示為 (均值±標準差); 計數資料采用卡方檢驗, 用%表示; *: p < 0.05為差異有統計顯著性; **: p < 0.01為差異有高度統計顯著性.
                      下載: 導出CSV

                      表  4  不同缺血標注精度下, 心電動力學圖的缺血檢測結果

                      Table  4  The results of CDG in the detection of ischemia at different precision of ischemia labeling

                      缺血標準靈敏度 (%)特異度 (%)準確率 (%)AUC
                      冠脈狹窄85.182.687.80.88
                      冠脈狹窄及慢血流90.185.289.00.93
                      下載: 導出CSV

                      表  5  本文方法與文獻中的方法在PTB數據集上的心肌缺血檢測結果對比

                      Table  5  Comparison of the CDG against the related literatures about myocardial ischemia detection

                      方法數據方法特點特征數分類器性能 (%)
                      準確率敏感度特異度
                      Sharma等 (2015)[20]導聯: 12 導聯心電記錄: 148 MI, 52 HC多尺度小波能量特征72KNN/SVM96.0093.0099.00
                      Han等 (2019)[15]導聯: 12 導聯心電記錄: 28 213 MI,
                      5 373 HC
                      能量熵; 形態學特征22SVM92.6980.9680.96
                      Diker等 (2018[17]導聯: 不可知心電信號: 148 MI, 52 HC形態學特征; 時域特征;
                      離散小波變換特征
                      9SVM87.8086.9788.67
                      Sharma等 (2018)[18]導聯: II、III、aVF 導聯心電信號: 3 240
                      下壁 MI, 3 037 HC
                      樣本熵; 歸一化子帶能量;
                      對數能量熵; 中值斜率
                      10KNN/SVM81.7179.0179.26
                      Acharya等 (2017)[27]導聯: II 導聯心拍: 40 182 MI, 10 546 HC卷積神經網絡?全連接網絡95.2295.4994.19
                      Han等 (2020)[29]導聯: 12 導聯心電記錄: 17 212 MI,
                      6 945 HC
                      多導聯殘差網絡?全連接 softmax95.4994.8597.37
                      本文方法導聯: 12 導聯心電記錄: 148 MI, 52 HC心電動力學圖特征2SVM-Linear97.0098.6592.31
                      下載: 導出CSV
                      360彩票
                    • [1] World Health Organization. The top 10 causes of death [Online], available: https://www.who.int/en/news-room/fact-sheets/detail/the-top-10-causes-of-death, June 16, 2020
                      [2] 國家衛生計生委合理用藥專家委員會, 中國藥師協會. 冠心病合理用藥指南(第2版). 中國醫學前沿雜志(電子版), 2018, 10(6): 1?130

                      Committee of Experts on Rational Drug Use National Health and Family Planning Commission of the P. R. China, Chinese Pharmacists Association. Guideline on rational use of drugs for coronary heart disease (2nd edition). Chinese Journal of the Frontiers of Medical Science (Electronic Version), 2018, 10(6): 1?130
                      [3] Tamis-Holland J E, Jneid H, Reynolds H R, Agewall S, Brilakis E S, Brown T M, et al. Contemporary diagnosis and management of patients with myocardial infarction in the absence of obstructive coronary artery disease: A scientific statement from the American Heart Association. Circulation, 2019, 139(18): e891?e908
                      [4] Song Y B, Arbab-Zadeh A, Matheson M B, Ostovaneh M R, Vavere A, Dewey M, et al. Contemporary discrepancies of stenosis assessment by computed tomography and invasive coronary angiography. Circulation: Cardiovascular Imaging, 2019, 12(2): e007720
                      [5] 中華醫學會心血管病學分會介入心臟病學組, 中華醫學會心血管病學分會動脈粥樣硬化與冠心病學組, 中國醫師協會心血管內科醫師分會血栓防治專業委員會, 中華心血管病雜志編輯委員會. 穩定性冠心病診斷與治療指南. 中華心血管病雜志, 2018, 46(9): 680?694 doi:  10.3760/cma.j.issn.0253-3758.2018.09.004

                      Interventional Cardiology Group in Chinese Society of Cardiology, Atherosclerosis and Coronary Artery Disease Group in Chinese Society of Cardiology, Chinese College of Cardiovascular Physicians, Editorial Board of Chinese Journal of Cardiology. Guideline for the diagnosis and treatment of stable coronary artery disease. Chinese Journal of Cardiology, 2018, 46(9): 680?694 doi:  10.3760/cma.j.issn.0253-3758.2018.09.004
                      [6] Colombo A, Panoulas V F. Diagnostic coronary angiography is getting old!. JACC: Cardiovascular Imaging, 2015, 8(1): 11?13 doi:  10.1016/j.jcmg.2014.11.003
                      [7] Tonino P A L, Fearon W F, De Bruyne B, Oldroyd K G, Leesar M A, Ver Lee P N, et al. Angiographic versus functional severity of coronary artery stenoses in the FAME study: Fractional flow reserve versus angiography in multivessel evaluation. Journal of the American College of Cardiology, 2010, 55(25): 2816?2821 doi:  10.1016/j.jacc.2009.11.096
                      [8] Park H B, Heo R, óHartaigh B, Cho I, Gransar H, Nakazato R, et al. Atherosclerotic plaque characteristics by CT angiography identify coronary lesions that cause ischemia: A direct comparison to fractional flow reserve. JACC: Cardiovascular Imaging, 2015, 8(1): 1?10 doi:  10.1016/j.jcmg.2014.11.002
                      [9] 王建安. 透過現象看本質: 從冠狀動脈狹窄與心肌缺血的辯證關系說起. 中華心血管病雜志, 2018, 46(9): 671 doi:  10.3760/cma.j.issn.0253-3758.2018.09.001

                      Wang Jian-An. Essence through the appearance: The relationship between coronary artery stenosis and myocardial ischemia is discussed. Chinese Journal of Cardiology, 2018, 46(9): 671 doi:  10.3760/cma.j.issn.0253-3758.2018.09.001
                      [10] 中華醫學會心血管病學分會基礎研究學組, 中華醫學會心血管病學分會介入心臟病學組, 中華醫學會心血管病學分會女性心臟健康學組, 中華醫學會心血管病學分會動脈粥樣硬化和冠心病學組. 冠狀動脈微血管疾病診斷和治療的中國專家共識. 中國循環雜志, 2017, 32(5): 421?430 doi:  10.3969/j.issn.1000-3614.2017.05.003

                      Basic Research Group, Interventional Cardiology Group, Female Heart Health Greup, and Atherosclerosis and Coronary Heart Disease Group of Chinese Society of Cardiology. Recommendation of Chinese experts on the diagnosis and treatment of coronary microvascular disease. Chinese Circulation Journal, 2017, 32(5): 421?430 doi:  10.3969/j.issn.1000-3614.2017.05.003
                      [11] Thygesen K, Alpert J S, Jaffe A S, Chaitman B R, Bax J J, Morrow D A, et al. Fourth universal definition of myocardial infarction (2018). European Heart Journal, 2019, 40(3): 237?269 doi:  10.1093/eurheartj/ehy462
                      [12] Lilly L S. Pathophysiology of Heart Disease: A Collaborative Project of Medical Students and Faculty (July edition). New York: Wolters Kluwer, 2020. 134−153
                      [13] Drew B J, Pelter M M, Lee E, Zegre J, Schindler D, Fleischmann K E. Designing prehospital ECG systems for acute coronary syndromes. Lessons learned from clinical trials involving 12-lead ST-segment monitoring. Journal of Electrocardiology, 2005, 38(4 Suppl): 180?185
                      [14] Rouan G W, Lee T H, Cook E F, Brand D A, Weisberg M C, Goldman L. Clinical characteristics and outcome of acute myocardial infarction in patients with initially normal or nonspecific electrocardiograms (a report from the Multicenter Chest Pain Study). The American Journal of Cardiology, 1989, 64(18): 1087?1092 doi:  10.1016/0002-9149(89)90857-6
                      [15] Han C, Shi L. Automated interpretable detection of myocardial infarction fusing energy entropy and morphological features. Computer Methods and Programs in Biomedicine, 2019, 175: 9?23 doi:  10.1016/j.cmpb.2019.03.012
                      [16] Sadhukhan D, Pal S, Mitra M. Automated identification of myocardial infarction using harmonic phase distribution pattern of ECG data. IEEE Transactions on Instrumentation and Measurement, 2018, 67(10): 2303?2313 doi:  10.1109/TIM.2018.2816458
                      [17] Diker A, C?mert Z, Avci E, Velappan S. Intelligent system based on Genetic Algorithm and support vector machine for detection of myocardial infarction from ECG signals. In: Proceedings of the 26th Signal Processing and Communications Applications Conference (SIU). Izmir, Turkey: IEEE, 2018. 1−4
                      [18] Sharma L D, Sunkaria R K. Inferior myocardial infarction detection using stationary wavelet transform and machine learning approach. Signal, Image and Video Processing, 2018, 12(2): 199?206 doi:  10.1007/s11760-017-1146-z
                      [19] Papaloukas C, Fotiadis D I, Likas A, Michalis L K. An ischemia detection method based on artificial neural networks. Artificial Intelligence in Medicine, 2002, 24(2): 167?178 doi:  10.1016/S0933-3657(01)00100-2
                      [20] Sharma L N, Tripathy R K, Dandapat S. Multiscale energy and eigenspace approach to detection and localization of myocardial infarction. IEEE Transactions on Biomedical Engineering, 2015, 62(7): 1827?1837 doi:  10.1109/TBME.2015.2405134
                      [21] Ansari S, Farzaneh N, Duda M, Horan K, Andersson H B, Goldberger Z D, et al. A review of automated methods for detection of myocardial ischemia and infarction using electrocardiogram and electronic health records. IEEE Reviews in Biomedical Engineering, 2017, 10: 264?298 doi:  10.1109/RBME.2017.2757953
                      [22] Goletsis Y, Papaloukas C, Fotiadis D I, Likas A, Michalis L K. Automated ischemic beat classification using genetic algorithms and multicriteria decision analysis. IEEE Transactions on Biomedical Engineering, 2004, 51(10): 1717?1725 doi:  10.1109/TBME.2004.828033
                      [23] Dohare A K, Kumar V, Kumar R. Detection of myocardial infarction in 12 lead ECG using support vector machine. Applied Soft Computing, 2018, 64: 138?147 doi:  10.1016/j.asoc.2017.12.001
                      [24] Acharya U R, Fujita H, Adam M, Lih O S, Sudarshan V K, Hong T J, et al. Automated characterization and classification of coronary artery disease and myocardial infarction by decomposition of ECG signals: A comparative study. Information Sciences, 2017, 377: 17?29 doi:  10.1016/j.ins.2016.10.013
                      [25] Bousseljot R, Kreiseler D, Schnabel A. Nutzung der EKG-signaldatenbank cardiodat der PTB über das internet. Biomedizinische Technik, 1995, 40(1): 317?318
                      [26] Taddei A, Distante G, Emdin M, Pisani P, Moody G B, Zeelenberg C, et al. The European ST-T database: Standard for evaluating systems for the analysis of ST-T changes in ambulatory electrocardiography. European Heart Journal, 1992, 13(9): 1164?1172 doi:  10.1093/oxfordjournals.eurheartj.a060332
                      [27] Acharya U R, Fujita H, Oh S L, Hagiwara Y, Tan J H, Adam M. Application of deep convolutional neural network for automated detection of myocardial infarction using ECG signals. Information Sciences, 2017, 415-416: 190?198 doi:  10.1016/j.ins.2017.06.027
                      [28] Tan J H, Hagiwara Y, Pang W, Lim I, Oh S L, Adam M, et al. Application of stacked convolutional and long short-term memory network for accurate identification of CAD ECG signals. Computers in Biology and Medicine, 2018, 94: 19?26 doi:  10.1016/j.compbiomed.2017.12.023
                      [29] Han C, Shi L. ML–ResNet: A novel network to detect and locate myocardial infarction using 12 leads ECG. Computer Methods and Programs in Biomedicine, 2020, 185: Article No. 105138
                      [30] Rajkomar A, Dean J, Kohane I. Machine learning in medicine. New England Journal of Medicine, 2019, 380(14): 1347?1358 doi:  10.1056/NEJMra1814259
                      [31] Wang C, Dong X D, Ou S X, Wang W, Hu J M, Yang F F. A new method for early detection of myocardial ischemia: Cardiodynamicsgram (CDG). Science China Information Sciences, 2016, 59(1): 1?11
                      [32] Wang C, Hill D J. Deterministic Learning Theory for Identification, Recognition, and Control. Boca Raton: CRC Press, 2009.
                      [33] Deng M Q, Tang M, Wang C, Shan L, Zhang L F, Zhang J T, et al. Cardiodynamicsgram as a new diagnostic tool in coronary artery disease patients with nondiagnostic electrocardiograms. The American Journal of Cardiology, 2017, 119(5): 698?704 doi:  10.1016/j.amjcard.2016.11.028
                      [34] Jurko S, Rozinaj G. High resolution of the ECG signal by polynomial approximation. Radioengineering, 2006, 15(1): 32?37
                      [35] 中華醫學會心血管病學分會, 中華心血管病雜志編輯委員會. 推薦在我國采用心肌梗死全球統一定義. 中華心血管病雜志, 2008, 36(10): 867?869 doi:  10.3321/j.issn:0253-3758.2008.10.002

                      Chinese Society of Cardiology, Editorial Board of Chinese Journal of Cardiology. Recommendation of the application of universal definition of myocardial infarction in China. Chinese Journal of Cardiology, 2008, 36(10): 867?869 doi:  10.3321/j.issn:0253-3758.2008.10.002
                      [36] 何永福. 冠狀動脈慢血流現象病理生理機制及治療進展. 心血管病學進展, 2018, 39(3): 448?452

                      He Yong-Fu. Pathophysiological mechanism and treatment of slow blood flow in coronary artery. Advances in Cardiovascular Diseases, 2018, 39(3): 448?452
                      [37] 王帥, 薛強, 劉毅, 關欣, 陶凌. 大樣本冠狀動脈慢血流的相關因素分析. 心臟雜志, 2017, 29(2): 180?183

                      Wang Shuai, Xue Qiang, Liu Yi, Guan Xin, Tao Ling. Analysis of risk factors for slow coronary flow in 958 patients. Chinese Heart Journal, 2017, 29(2): 180?183
                      [38] Hawkins B M, Stavrakis S, Rousan T A, Abu-Fadel M, Schechter E. Coronary slow flow-prevalence and clinical correlations. Circulation Journal, 2012, 76(4): 936?942 doi:  10.1253/circj.CJ-11-0959
                      [39] Wang C, Hill D J. Deterministic learning and rapid dynamical pattern recognition. IEEE Transactions on Neural Networks, 2007, 18(3): 617?630 doi:  10.1109/TNN.2006.889496
                      [40] Wang C, Hill D J. Learning from neural control. IEEE Transactions on Neural Networks, 2006, 17(1): 130?146 doi:  10.1109/TNN.2005.860843
                      [41] Yuan C Z, Wang C. Design and performance analysis of deterministic learning of sampled-data nonlinear systems. Science China Information Sciences, 2014, 57(3): 1?18
                      [42] 王聰, 陳填銳, 劉騰飛. 確定學習與基于數據的建模及控制. 自動化學報, 2009, 35(6): 693?706 doi:  10.3724/SP.J.1004.2009.00693

                      Wang Cong, Chen Tian-Rui, Liu Teng-Fei. Deterministic learning and data-based modeling and control. Acta Automatica Sinica, 2009, 35(6): 693?706 doi:  10.3724/SP.J.1004.2009.00693
                      [43] Wang C, Chen T R. Rapid detection of small oscillation faults via deterministic learning. IEEE Transactions on Neural Networks, 2011, 22(8): 1284?1296 doi:  10.1109/TNN.2011.2159622
                      [44] 王聰, 文彬鶴, 司文杰, 彭滔, 袁承志, 陳填銳等. 軸流壓氣機旋轉失速建模與檢測: I—基于確定學習理論與高階Moore-Greitzer模型的研究. 自動化學報, 2014, 40(7): 1265?1277

                      Wang Cong, Wen Bin-He, Si Wen-Jie, Peng Tao, Yuan Cheng-Zhi, Chen Tian-Rui, et al. Modeling and detection of rotating stall in axial flow compressors: Part I - Investigation on high-order M-G models via deterministic learning. Acta Automatica Sinica, 2014, 40(7): 1265?1277
                      [45] 王乾, 王聰. 基于確定學習理論和Lempel-Ziv復雜度的非線性系統動態特征提取. 自動化學報, 2018, 44(10): 1812?1823

                      Wang Qian, Wang Cong. Dynamic feature extraction of nonlinear systems with deterministic learning theory and spatio-temporal Lempel-Ziv complexity. Acta Automatica Sinica, 2018, 44(10): 1812?1823
                      [46] Kors J A, Van Herpen G, Sittig A C, Van Bemmel J H. Reconstruction of the Frank vectorcardiogram from standard electrocardiographic leads: Diagnostic comparison of different methods. European Heart Journal, 1990, 11(12): 1083?1092 doi:  10.1093/oxfordjournals.eurheartj.a059647
                      [47] Dower G E, Machado H B. XYZ data interpreted by a 12-lead computer program using the derived electrocardiogram. Journal of Electrocardiology, 1979, 12(3): 249?261 doi:  10.1016/S0022-0736(79)80058-8
                      [48] Dower G E, Machado H B, Osborne J A. On deriving the electrocardiogram from vectorcardiographic leads. Clinical Cardiology, 1980, 3(2): 87?95 doi:  10.1002/clc.1980.3.2.87
                      [49] Dower G E, Yakush A, Nazzal S B, Jutzy R V, Ruiz C E. Deriving the 12-lead electrocardiogram from four (EASI) electrodes. Journal of Electrocardiology, 1988, 21 Suppl: S182?S187
                      [50] Zhang Z Z, Chen P J, McGough M, Xing F Y, Wang C B, Bui M, et al. Pathologist-level interpretable whole-slide cancer diagnosis with deep learning. Nature Machine Intelligence, 2019, 1(5): 236?245 doi:  10.1038/s42256-019-0052-1
                      [51] Guidotti R, Monreale A, Ruggieri S, Turini F, Giannotti F, Pedreschi D. A survey of methods for explaining black box models. ACM Computing Surveys, 2019, 51(5): Article No. 93
                      [52] 紀守領, 李進鋒, 杜天宇, 李博. 機器學習模型可解釋性方法、應用與安全研究綜述. 計算機研究與發展, 2019, 56(10): 2071?2096 doi:  10.7544/issn1000-1239.2019.20190540

                      Ji Shou-Ling, Li Jin-Feng, Du Tian-Yu, Li Bo. Survey on techniques, applications and security of machine learning interpretability. Journal of Computer Research and Development, 2019, 56(10): 2071?2096 doi:  10.7544/issn1000-1239.2019.20190540
                      [53] Verrier R L, Klingenheben T, Malik M, El-Sherif N, Exne D V, Hohnloser S H, et al. Microvolt T-wave alternans Physiological basis, methods of measurement, and clinical utility-consensus guideline by International Society for Holter and Noninvasive Electrocardiology. Journal of the American College of Cardiology, 2011, 58(13): 1309?1324 doi:  10.1016/j.jacc.2011.06.029
                    • [1] 吳志勇, 丁香乾, 許曉偉, 鞠傳香. 基于深度學習和模糊C均值的心電信號分類方法[J]. 自動化學報, 2018, 44(10): 1913-1920. doi: 10.16383/j.aas.2018.c170417
                      [2] 王乾, 王聰. 基于確定學習理論和Lempel-Ziv復雜度的非線性系統動態特征提取[J]. 自動化學報, 2018, 44(10): 1812-1823. doi: 10.16383/j.aas.2017.c160736
                      [3] 楊宇, 高曉光, 郭志高. 小數據集條件下基于數據再利用的BN參數學習[J]. 自動化學報, 2015, 41(12): 2058-2071. doi: 10.16383/j.aas.2015.c140838
                      [4] 郭志高, 高曉光, 邸若海. 小數據集條件下基于雙重約束的BN參數學習[J]. 自動化學報, 2014, 40(7): 1509-1516. doi: 10.3724/SP.J.1004.2014.01509
                      [5] 王聰, 文彬鶴, 司文杰, 彭滔, 袁成志, 陳填銳, 林文愉, 王勇, 侯安平. 軸流壓氣機旋轉失速建模與檢測:基于確定學習理論與高階Moore-Greitzer模型的研究[J]. 自動化學報, 2014, 40(7): 1265-1277. doi: 10.3724/SP.J.1004.2014.01265
                      [6] 吳玉香, 王聰. 基于確定學習的機器人任務空間自適應神經網絡控制[J]. 自動化學報, 2013, 39(6): 806-815. doi: 10.3724/SP.J.1004.2013.00806
                      [7] 沈飛, 曹志強, 徐德, 周超. 基于 Kane 方法的機器海豚動力學建模及速度優化方法[J]. 自動化學報, 2012, 38(8): 1247-1256. doi: 10.3724/SP.J.1004.2012.01247
                      [8] 莫紅. 時變論域下的語言動力學軌跡[J]. 自動化學報, 2012, 38(10): 1585-1594. doi: 10.3724/SP.J.1004.2012.01585
                      [9] 王雙成, 冷翠平, 李小琳. 小數據集的貝葉斯網絡結構學習[J]. 自動化學報, 2009, 35(8): 1063-1070. doi: 10.3724/SP.J.1004.2009.01063
                      [10] 王聰, 陳填銳, 劉騰飛. 確定學習與基于數據的建模及控制[J]. 自動化學報, 2009, 35(6): 693-706. doi: 10.3724/SP.J.1004.2009.00693
                      [11] 段廣仁, 黃玲. 廣義二階動力學系統的魯棒極點配置[J]. 自動化學報, 2007, 33(8): 888-892. doi: 10.1360/aas-007-0888
                      [12] 王飛躍. 詞計算和語言動力學系統的基本問題和研究[J]. 自動化學報, 2005, 31(6): 844-852.
                      [13] 梁久禎, 何新貴, 周家慶. 神經網絡BP學習算法動力學分析[J]. 自動化學報, 2002, 28(5): 729-735.
                      [14] 郭雪梅, 王國利, 張憲民. 柔性機械臂動力學奇異性漸近行為的比較研究[J]. 自動化學報, 2000, 26(3): 324-331.
                      [15] 董文杰, 霍偉. 一類不確定非完整動力學系統的時變鎮定[J]. 自動化學報, 1999, 25(3): 402-405.
                      [16] 汪力新, 戴汝為. 反饋集成網絡的動力學分析及其應用[J]. 自動化學報, 1998, 24(6): 739-746.
                      [17] 梁斌, 劉良棟, 李庚田, Xu Yangsheng. 空間機器人的動力學等價機械臂[J]. 自動化學報, 1998, 24(6): 761-767.
                      [18] 劉魯源, 劉暢, 王欣東. 機器人反向動力學方程的并行計算[J]. 自動化學報, 1994, 20(6): 687-693.
                      [19] 洪子泉. VCG-CARD心電向量圖圖形自動分析識別系統[J]. 自動化學報, 1991, 17(1): 112-114.
                      [20] 邢光謙. 自旋衛星噴氣姿態控制動力學[J]. 自動化學報, 1981, 7(1): 42-54.
                    • 加載中
                    圖(14) / 表(5)
                    計量
                    • 文章訪問數:  129
                    • HTML全文瀏覽量:  96
                    • PDF下載量:  49
                    • 被引次數: 0
                    出版歷程
                    • 收稿日期:  2019-12-31
                    • 錄用日期:  2020-06-11
                    • 網絡出版日期:  2020-09-28
                    • 刊出日期:  2020-09-28

                    基于確定學習及心電動力學圖的心肌缺血早期檢測研究

                    doi: 10.16383/j.aas.c190899
                      基金項目:  國家重大科研儀器研制項目(61527811), 廣州市科技計劃項目(201704020078), 八師石河子市科技計劃項目(2018TD03)資助
                      作者簡介:

                      華南理工大學自動化科學與工程學院博士研究生. 主要研究方向為確定學習理論、動態模式識別及其在心肌缺血/心肌梗死/冠心病檢測上的應用. E-mail: ausunqinghua@mail.scut.edu.cn

                      石河子市人民醫院(石河子大學醫學院第三附屬醫院)心內科主治醫師. 主要研究方向為冠心病. 共同第一作者. E-mail: wangleishitoukang@163.com

                      山東大學控制科學與工程學院、山東大學智能醫學工程研究中心教授. 主要研究方向為動態環境機器學習與模式識別, 確定學習理論, 基于模式的智能控制, 振動故障診斷及在醫學領域的應用研究. 本文通信作者. E-mail: wangcong@sdu.edu.cn

                      山東大學控制科學與工程學院博士后. 主要研究方向為確定學習, 故障診斷與健康預測. E-mail: auwangqian@sdu.edu.cn

                      華南理工大學自動化科學與工程學院博士研究生. 主要研究方向為系統辨識, 確定學習, 動態模式識別. E-mail: auwuweiming@163.com

                      石河子市人民醫院(石河子大學醫學院第三附屬醫院)副主任護師. 主要研究方向為急性心肌梗死患者的護理.E-mail: zyy457027952@163.com

                      石河子市人民醫院(石河子大學醫學院第三附屬醫院)心內科主任醫師. 主要研究方向為冠心病.E-mail: wangxiping1567@163.com

                      中國醫學科學院阜外醫院醫師. 主要研究方向為心律失常的診斷和介入治療. E-mail: guitardxn@163.com

                      中國醫學科學院阜外醫院博士研究生. 主要研究方向為心律失常. E-mail: zhoubinxhfw@163.com

                      中國醫學科學院阜外醫院主任醫師. 主要研究方向為各種器質性心臟病、先天性心臟病和心功能不全合并心律失常的診療, 尤其是心房顫動、心房撲動、房性心動過速、室性早搏、室性心動過速、陣發性室上性心動過速等復雜心律失常的射頻消融治療和起搏器電極拔除治療. 本文共同通信作者. E-mail: doctortangmin@hotmail.com

                    摘要: 心肌缺血早期檢測是心血管疾病領域重要且困難的問題. 本文采用心電動力學圖(Cardiodynamicsgram, CDG)開展心電圖正常及大致正常時的心肌缺血早期檢測研究. 1) 在分析已有基于心電圖的心肌缺血檢測方法所取得的進展及不足基礎上, 構建一個既有心電圖發生缺血性改變、又有心電圖正常及大致正常、且包括經冠脈造影檢驗為冠脈阻塞性病變和非阻塞性病變的較大規模心肌缺血數據集. 2) 針對上述數據集中393例心電圖正常及大致正?;颊? 利用確定學習生成每份心電圖的心電動力學圖, 提取對心肌缺血和非缺血具有顯著區分能力的心電動力學特征. 并以冠脈狹窄$ \ge$50%為缺血標準, 采用機器學習算法構建心肌缺血檢測模型. 3) 針對上述試驗中假陽性病例, 利用由確定學習生成的具有明確物理意義的心電動力學圖進行逐例分析, 發現其中許多假陽性存在慢血流現象(即冠脈非阻塞性病變). 對這些慢血流病例重新進行缺血標注, 以改善心肌缺血數據集標注精度. 通過上述三個步驟構建了更為準確的心肌缺血檢測模型, 其缺血檢測結果: 靈敏度90.1%、特異度85.2%、準確率89.0%和受試者工作特征曲線(Receiver operating characteristic curve, ROC)下面積(Area under curve, AUC) 0.93. 綜上, 本文所構建的較大規模心肌缺血數據集可為心肌缺血檢測研究和臨床研究提供重要的數據基礎; 且構建的心肌缺血檢測模型對心電圖正常及大致正?;颊呔哂休^強的缺血檢測能力; 特別是, 由確定學習生成的心電動力學圖具有較好的可解釋性, 有助于發現缺血數據標注的偏差和模型的錯誤, 提高心肌缺血檢測準確率.

                    English Abstract

                    孫慶華, 王磊, 王聰, 王乾, 吳偉明, 趙媛媛, 王喜萍, 董瀟男, 周彬, 唐閩. 基于確定學習及心電動力學圖的心肌缺血早期檢測研究. 自動化學報, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899
                    引用本文: 孫慶華, 王磊, 王聰, 王乾, 吳偉明, 趙媛媛, 王喜萍, 董瀟男, 周彬, 唐閩. 基于確定學習及心電動力學圖的心肌缺血早期檢測研究. 自動化學報, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899
                    Sun Qing-Hua, Wang Lei, Wang Cong, Wang Qian, Wu Wei-Ming, Zhao Yuan-Yuan, Wang Xi-Ping, Dong Xiao-Nan, Zhou Bin, Tang Min. Early detection of myocardial ischemia based on deterministic learning and cardiodynamicsgram. Acta Automatica Sinica, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899
                    Citation: Sun Qing-Hua, Wang Lei, Wang Cong, Wang Qian, Wu Wei-Ming, Zhao Yuan-Yuan, Wang Xi-Ping, Dong Xiao-Nan, Zhou Bin, Tang Min. Early detection of myocardial ischemia based on deterministic learning and cardiodynamicsgram. Acta Automatica Sinica, 2020, 46(9): 1908?1926. doi: 10.16383/j.aas.c190899
                    • 缺血性心臟病(Ischemic heart disease, IHD) 是世界范圍內的首要致死原因. 據2018年世界衛生組織(World Health Organization, WHO)統計, 全球每年約有943萬人死于缺血性心臟病[1]. 如果能夠對缺血性心臟病早期檢測并采取有效措施, 就能減少因心肌缺血導致的急性心肌梗塞、甚至猝死等惡性心血管事件, 挽救更多生命. 因此, 缺血性心臟病早期檢測具有重要意義.

                      缺血性心臟病是一組以心肌供氧和耗氧失衡(即心肌缺血)為特征的臨床綜合征, 臨床類型和病因復雜多樣[2-3], 如圖1所示. 冠心病(Coronary artery disease)是最常見的臨床類型, 主要病因是冠脈粥樣硬化導致的冠脈狹窄和急性冠脈閉塞.

                      圖  1  心肌缺血病因及臨床類型

                      Figure 1.  The causes and clinical presentation of myocardial ischemia

                      心肌缺血有多種臨床診斷方法, 如圖2所示. 心電圖(Electrocardiograph, ECG)、冠脈CT血管造影(Computed tomography angiography, CTA)及冠脈造影(Coronary angiography, CAG)是診斷心臟疾病的常用臨床手段[4-5], 對心肌缺血診斷具有重要價值. 然而, 近年來越來越多的臨床研究[6-9]表明, 冠脈狹窄程度并不能直接決定心肌缺血的嚴重程度. 雖然核素心肌灌注顯像(Myocardial perfusion imaging, MPI)、心臟磁共振成像(Cardiac magnetic resonance imaging, CMR)和冠脈血流儲備分數(Fractional flow reserve, FFR)等功能學方法可診斷心肌缺血, 但操作復雜、價格昂貴, 且存在輻射或創傷風險[9-10]. 因此, 盡管臨床上已有上述多種先進的心肌缺血診斷技術, 但由于診斷方法的種種局限, 在許多情況下準確評估患者是否存在心肌缺血依然十分困難, 因而建立標注準確的大規模心肌缺血臨床數據集是一項困難且成本昂貴的任務.

                      圖  2  心肌缺血診斷方法

                      Figure 2.  Diagnostic methods of myocardial ischemia

                      心電圖是目前診斷心肌缺血最常用和最基本的方法. 心電圖是心臟電活動在體表的綜合表現, 蘊涵著豐富的反映心臟功能的病理和生理信息, 尤其是心電圖中ST段抬高、ST段壓低和T波倒置等缺血性變化對心肌缺血診斷具有重要價值[11]. 然而, 心電圖對心肌缺血的診斷敏感性不高, 臨床中許多心肌缺血患者的心電圖表現正?;虼笾抡?即ST段和T波輕微改變, 臨床上稱為非特異性改變)[12-14].

                      為進一步提高心電圖在心肌缺血早期檢測上的應用價值, 人們仍在持續不斷地對心電圖進行改進, 相繼提出多種基于機器學習的心電圖自動分析方法, 其思路是通過波形分析、傅里葉變換及小波變換等方法, 提取心電圖的時域、頻域、時頻域及其他變換域特征[15-18], 然后利用神經網絡(Neural networks, NNs)[19]、支持向量機(Support vector machine, SVM)[20]等機器學習方法進行心電波形分類及缺血檢測. 2017年美國密歇根大學Ansari等對過去30多年基于心電圖的心肌缺血和梗死檢測方法進行了較為全面的綜述[21]. 在上述方法中, 心電圖時域分析方法提取心電圖中各特征波形的時域信息[22-23], 具有直觀性強、物理意義較明確等優點, 比較符合臨床醫生的診斷習慣[21], 但無法有效區分心電圖中微小的缺血變化. 心電圖時頻域分析則利用傅里葉變換、小波分析等[15-16, 20, 24] 提取心電圖的頻域內特征分布、變換系數等[16, 24], 但這類方法通常無法解釋心肌缺血的病理生理機制, 難以被臨床醫生理解和采用[21].

                      在心電圖特征提取基礎上, 人們采用NNs、SVM等機器學習方法在德國PTB心電數據集[25]、歐洲ST-T數據集[26]等心電數據集上訓練心肌缺血/梗塞檢測模型. PTB心電數據集是德國聯邦物理技術研究院(Physikalisch-Technische Bundesanstalt, PTB)提供的、廣泛應用于心電信號相關算法的測評. 然而, PTB數據集存在以下局限: 1)數據集中心肌缺血/梗塞患者的心電圖大多已發生明顯缺血性改變, 缺乏正?;蚍翘禺愋愿淖兊男碾妶D; 2)數據集中心肌梗塞患者主要根據冠脈造影所檢測的冠脈狹窄進行缺血數據標注, 未考慮非阻塞性冠脈病變(如冠脈慢血流)所導致的缺血情況. 因而PTB數據集缺乏臨床代表性. 另一方面, 近年來隨著人工智能快速發展, 深度學習也開始應用于心肌缺血檢測研究[27-29], 并利用PTB等數據集建立心肌缺血/梗塞檢測模型. 然而建立有效的深度學習缺血檢測模型需要大規模標注準確的心電數據集[30], 而PTB心電數據集規模較小. 為此, 一些研究將一份心電記錄分成多次甚至單次心跳的多個數據短段, 但這種做法無法代表真實人群中心肌缺血/梗塞的心電波形變化. 因此, 盡管基于機器學習及PTB心電數據集的心肌缺血/梗塞檢測研究取得了一定的進展, 但由于所采用方法的局限或所用數據集的不足, 這些基于機器學習的心肌缺血心電圖檢測方法很少甚至沒有在臨床中得到應用[21]. 因而, 在臨床上構建包含心電圖正常及大致正常、且包含冠脈阻塞性和非阻塞性病變的較大規模心肌缺血數據集, 對心肌缺血相關檢測算法研究具有重要意義.

                      心電動力學圖(Cardiodynamicsgram, CDG)是我們近年來提出的一種用于心肌缺血檢測的心電圖分析新方法[31]. 心電動力學圖基于動態環境機器學習方法—確定學習[32], 通過對心電圖中ST-T段進行動力學建模, 提取心電信號中與心肌缺血相關的微弱動力學信息, 并將其三維可視化顯示得到心電動力學圖[31]. 我們在北京阜外醫院開展了心電動力學圖檢測心肌缺血的臨床預試驗研究, 初步結果表明心電動力學圖能夠在心電圖正?;虼笾抡r對疑似冠心病患者的缺血狀況進行較為準確的檢測[33].

                      本文在分析已有基于機器學習的心電圖心肌缺血檢測方面取得的進展及不足基礎上, 首先構建既有心電圖發生缺血性改變、又有心電圖正常及大致正常、且包括經冠脈造影檢驗發生冠脈阻塞性病變和非阻塞性病變的較大規模心肌缺血數據集. 按照統一的納入和排除標準, 在中國醫學科學院北京阜外醫院(簡稱阜外醫院)和新疆石河子市人民醫院(簡稱石河子醫院)這兩個醫學中心, 共收集781例接受冠脈造影檢測的疑似心肌缺血患者, 其中阜外醫院500例, 石河子醫院281例. 所建立數據集中包含患者基本信息、心電圖、冠脈造影等臨床信息. 該數據集中的心電圖由經驗豐富的臨床醫生進行判讀, 其中缺血性心電圖388例, 正?;虼笾抡P碾妶D393例; 同時, 根據冠脈造影結果, 該數據集包含冠脈狹窄$ \ge $50% (冠心病)患者665例, 冠脈無明顯狹窄者116例(其中冠脈慢血流35例, 冠脈無明顯病變81例). 本文所構建的心肌缺血數據集相比于PTB數據集, 具有規模更大、更貼近臨床實際和更具有代表性等特點, 將為基于心電圖的心肌缺血檢測研究提供重要的數據基礎.

                      其次, 研究心電動力學圖對上述數據集中的心電圖正?;虼笾抡;颊叩男募∪毖獧z測能力. 針對上述數據集中心電圖正?;虼笾抡5?93例疑似心肌缺血患者, 利用確定學習對每份心電圖數據進行動力學建模生成心電動力學圖, 提取對缺血和非缺血患者具有較強區分能力的心電動力學特征. 并以冠脈狹窄$ \ge $50%為心肌缺血標準, 利用常規機器學習算法構建有效的心肌缺血檢測模型, 該模型的靈敏度85.1%、特異度82.6%、準確率87.8%和受試者工作特征曲線(Receiver operating characteristic curve, ROC)下面積(Area under curve, AUC) = 0.88. 結果表明心電動力學圖對心電圖正?;虼笾抡;颊叩男募∪毖獱顩r具有較強的檢測能力. 進一步, 由確定學習對心電信號建模生成的心電動力學圖具有明確的物理意義和良好的可解釋性, 即心電動力學圖代表與心肌缺血密切相關的復極離散度變化率, 我們對上述試驗結果中假陽性(即冠脈造影無明顯異常, 數據標注為非缺血, 但心電動力學圖陽性)患者進行逐例分析, 發現許多假陽性病例存在冠脈慢血流現象. 因而對這些病例重新進行缺血標注, 并基于心電動力學圖重新構建更為準確的心肌缺血檢測模型, 其靈敏度90.1%、特異度85.2%、準確率89.0%和AUC = 0.93.

                      綜上, 本文構建了雙中心較大規模心肌缺血數據集, 既包含心電圖發生缺血性改變、又包含心電圖正常及大致正常、且經冠脈造影檢驗為冠脈阻塞性病變和非阻塞性病變的心肌缺血病例, 更貼近臨床實際, 更具代表性, 為基于心電圖的心肌缺血檢測方法和臨床研究提供重要的數據基礎; 同時, 經由確定學習對每份心電圖生成的心電動力學圖具有明確物理意義和良好可解釋性, 不僅能夠對心電圖正?;虼笾抡5墓谛牟』颊哌M行較為準確的心肌缺血檢測, 而且還可以對試驗結果中的假陽性病例進行詳細分析, 發現缺血數據標注的偏差和模型存在的問題, 以改善心肌缺血數據標注精度, 提高心電動力學圖對心電圖正?;虼笾抡P募∪毖臋z測準確率.

                      本文安排如下: 第1節介紹心電圖、冠脈造影及慢血流、確定學習及心電動力學圖等預備知識; 第2節構建既包括心電圖缺血性改變、心電圖大致正常及正常, 且包括冠脈阻塞性病變和非阻塞性病變的雙中心較大規模心肌缺血數據集; 第3節在上述雙中心數據集中研究可解釋性心電動力學圖對心電圖正?;虼笾抡P募∪毖颊叩臋z測能力, 建立準確的心肌缺血檢測模型; 第4節則給出本文結論.

                      • 心電圖是心臟電活動在體表的綜合表現, 蘊涵著豐富的反映心臟功能的病理和生理信息. 標準心電圖包括12導聯, 即Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF肢體導聯和V1、V2、V3、V4、V5、V6胸前導聯. 每個導聯心電信號由P波、QRS波群、ST段和T波等組成, 如圖3所示, 其中心電圖中ST段抬高、ST段壓低和T波倒置等對心肌缺血診斷具有重要價值.

                        圖  3  典型的心電圖[34]

                        Figure 3.  A standard electrocardiogram (ECG)[34]

                        關于急性心肌缺血的心電圖診斷標準, 中國和歐美的專家共識文件[11, 35] 均指出, 如果心電圖中存在以下任何一種情況, 初始心電圖即可診斷為有急性心肌缺血的證據(缺血性改變心電圖): 1) 兩個相鄰導聯新出現ST段抬高: V2-V3導聯, 男性$ \ge $0.2 mV, 女性$\ge$ 0.15 mV, 和(或)其他導聯$ \ge $ 0.1 mV; 2) 兩個相鄰導聯新出現ST段水平或下斜型壓低$ \ge $0.05 mV; 和(或) 3) 在以R波為主波或$\rm{R}/\rm{S} > 1$ 的兩個相鄰導聯上T波倒置$ \ge $ 0.1 mV. 另外, 如果心電圖中僅發生如下情況: 4) ST輕度升高、降低或T波倒置未達到缺血閾值(即非特異性ST-T改變); 5) 沒有ST段或T波異常(即正常心電圖); 6) 束支傳導阻滯、左室肥厚等其他心電圖混雜因素導致的繼發性ST-T改變, 則對心肌缺血不具有診斷價值(非診斷性心電圖). 然而, 上述心電圖診斷標準對心肌缺血診斷的準確率并不夠高, 臨床中許多心肌缺血患者的心電圖仍表現正?;虼笾抡?即非特異性ST-T波改變). 例如, 對于臨床上最常見的心肌缺血類型—穩定型心絞痛, 其中, 50%甚至更多的患者在無癥狀時心電圖表現完全正常[12]; 對于急性心肌梗塞患者, 僅有46%$ \sim 65$%的患者其心電圖發生了缺血改變[13-14]; 而對于占急性冠脈綜合征大多數的非ST段抬高型急性冠脈綜合征患者, 其中僅有20%的心電圖發生了缺血改變[13].

                      • 冠脈造影是目前評價冠脈狹窄性病變的“金標準”, 通過影像學方法確定左、右冠脈及其主要分支的冠脈內情況, 可明確冠脈病變、冠脈血流和心肌灌注以及冠脈解剖. 冠脈造影顯示冠脈血管狹窄程度$ \ge $ 50%即可診斷為阻塞性冠心病(即冠脈狹窄病變)[5]. 然而, 冠脈造影僅能對冠脈病變的解剖學進行評價, 并不能直接評估心肌缺血的嚴重程度. 對于同一支冠脈血管, 冠脈狹窄程度與心肌缺血存在相關性, 狹窄程度越嚴重, 越容易導致缺血; 但對于不同冠心病患者, 冠脈狹窄與心肌缺血存在著不匹配的情況, 并非狹窄越嚴重, 心肌缺血就越嚴重. 其原因在于, 冠脈狹窄是否引起心肌缺血, 不僅與狹窄程度相關, 還與血管供血范圍大小、側枝循環以及斑塊性質等因素相關[9].

                        除冠脈狹窄外, 在冠脈造影過程中發現的冠脈遠段血流緩慢的現象(簡稱冠脈慢血流)也是心肌缺血發生的重要原因[3]. 目前, 臨床診斷冠脈慢血流的最可靠手段是冠脈造影, 通過心肌梗塞溶栓治療(Thrombolysis in myocardial infarction, TIMI)血流分級法或TIMI幀數法對冠脈血流速度進行測量[36]. 按照TIMI血流分級法, 可將冠脈血流從無血流到血流速度正常分為$0\sim 3 $級, 如果冠脈狹窄$ \le $40%且TIMI血流2級及以下即可診斷為冠脈慢血流. 冠脈慢血流患者的冠脈主要分支血管正?;蚪咏? 但常因反復胸部不適就診, 部分患者可能出現心肌梗塞, 甚至有猝死的風險. 且隨著冠脈造影的普及, 臨床中冠脈慢血流并不少見(發生率為1%$ \sim 7 $%), 因此越來越受到國內外心血管病領域的關注[36-38].

                      • 確定學習是近年來提出的一種適用于動態環境的機器學習新方法[32, 39-42]. 針對產生周期或回歸軌跡的非線性動態系統(包括連續系統和采樣系統), 確定學習可以實現對其未知系統動態的局部準確建模, 其基本要素包括: 1) 使用徑向基函數(Radial basis function, RBF) 神經網絡; 2) 對于周期 (或回歸) 狀態軌跡滿足部分持續激勵(Persistent excitation, PE)條件; 3) 在周期 (或回歸) 軌跡的鄰域內實現對非線性系統動態的局部準確神經網絡逼近 (局部準確建模). 文獻[39, 43]基于確定學習提出動態模式識別方法及微小振動故障診斷方法, 并應用于軸流壓氣機旋轉失速建模與檢測[44-45].

                        心電信號本質上是由心臟這一復雜非線性動態系統產生的非平穩信號, 具有周期或回歸特性. 經采樣得到的心電信號采樣數據序列, 利用確定學習算法可對其進行動力學建模. 下面簡要介紹針對采樣數據的確定學習算法.

                        考慮由一類非線性動態系統

                        $$ \dot{x}=F(X;p), \;X(t_0)=X_0 $$ (1)

                        其中, $X=[x_1,x_2,\cdots,x_n ]^{\rm T}\in {\bf R}^n$是系統狀態, $ p $為系統參數, $F(X;p)=[f_1 (X;p),\cdots,f_n (X;p)]^{\rm T}$是未知的系統動態. 假設系統(1)狀態$ X $一致有界, 且起始于初始狀態$ X_0 $的系統狀態軌跡是周期或回歸軌跡, 經采樣得到數據序列$ \varphi_{\zeta}\!=\![X(t_0),\cdots\!,X(t_{0}\!+\!NT_s)]$, $ T_s $是采樣周期.

                        當采樣周期$ T_s $足夠小時, 系統(1)的采樣模型可用如下歐拉模型近似表示

                        $$ X(k+1)=X(k)+T_{s}F(X(k);p) $$ (2)

                        其中, $ X(k) $表示在$ t_k=t_0+kT $時刻對系統(1)的狀態$ X $的采樣值$ X(t_k) $.

                        采用如下神經網絡辨識器

                        $$ \begin{split} \hat{x}_{i}(k+1)=\; & \hat{x}_{i} (k)+a_{i} (\hat{x}_{i} (k)-x_{i} (k))+\\ & T_{s}\hat{W}_{i}^{T} (k+1) S_{i} (X(k)) \end{split} $$ (3)

                        其中, $\hat{W}_{i}^{\rm T} (k+1) S_{i} (X(k))$ 是RBF神經網絡, $ \hat{x}_{i} (k) $ 是神經網絡辨識器的狀態, $ \hat{W}_{i} $ 表示RBF神經網絡權值的估計.

                        神經網絡權值估計通過如下的自適應學習率

                        $$ \begin{split} \hat{W}_{i} (k+&1)=\hat{W}_{i}(k)-\\ & \dfrac{(\alpha P(e_i (k)-ae_i (k-1)) S_i (X(k-1)))}{(1+\lambda_max (P) S_i^{\rm T} (X(k-1)) S_i (X(k-1)))} \end{split} $$ (4)

                        其中, $ e_i (k)=\hat{x}_{i} (k)-x_{i} (k) $ 是狀態估計誤差.

                        確定學習理論[32, 41]指出, 對于周期或回歸數據序列, RBF神經網絡中沿著采樣數據序列的神經元函數構成的子向量滿足部分PE條件. 這個部分PE條件的滿足使得采樣系統(2)的非線性未知動態$ F(X(k);p) $ 能被局部準確地建模/逼近

                        $$ f_i (X(k);p)=\bar{W}_{i}^{\rm T}S_{i}(X(k))+\xi_{i}(k),\;\forall i=1,\cdots,n $$ (5)

                        其中, $\bar{W}_i=\dfrac{1}{k_b-k_a+1} \displaystyle\sum\nolimits_{k=k_a}^{k_b}\bar{W}_i (k)$.

                        詳細過程及技術細節可參考文獻[41].

                      • 為提高心電圖檢測心肌缺血準確率, 文獻[31]基于確定學習理論提出心電動力學圖方法, 通過對心電信號ST-T段進行動力學建模, 提取可用于心肌缺血檢測的動力學信息.

                        心電動力學圖具體生成步驟如下:

                        首先, 將心電信號看作是由心臟復雜非線性動態系統產生的具有周期或回歸特性的非平穩信號

                        $$ \dot{X}=F(X(t)) $$ (6)

                        其中, $ X(t)=[x_{1}(t),x_{2}(t),\cdots,x_{12}(t)]^{\rm T} $ 是系統狀態, 代表人體標準12導聯心電信號; $F(x(t))=[f_1 (x(t)), f_2 (x(t)),\cdots,f_{12}(x(t))]^{\rm T}$ 是未知非線性動態.

                        其次, 按照文獻[46], 將12導聯心電信號轉換為3導聯心電向量信號(vectorcardiogram, VCG). 根據文獻[47-49], 12導聯心電信號可以在不損失有用的心電動力學信息的情況下轉換為3導聯心電向量信號. 這時3維心電向量信號可以由以下3維動態系統產生:

                        $$ \dot{V}=F_{v}(V(t)) $$ (7)

                        其中, $V(t)=[v_{1}(t),v_{2}(t),v_{3}(t)]^{\rm T} \in{{\bf R}^3}$代表著三維心電向量信號, $ F_{v}(V(t))=[F_{v1}(V(t)),F_{v2}(V(t)), F_{v3}(V(t))] $是非線性系統動態, 代表心電向量信號內在的動力學特征.

                        然后, 對心電向量信號進行采樣得到$ V(k) $, 截取其對應于心電信號ST-T段的采樣數據$ V_{\rm{ST}}(K) $. 利用第1.3節所述的基于采樣數據的確定學習算法(3)和(4), 對ST-T環內在系統動態進行局部準確神經網絡建模, 獲得關于心電向量信號ST-T環內在的動力學特征$ F_{v} (V(k))|_{V(k)\in V_{\rm{ST}}} $

                        $$ \begin{split} & F_{v}(V(k))|_{V(k)\in V_{\rm{ST}}}=\\ & \quad\quad\;[F_{v1}(V(k)),F_{v2}(V(k)),F_{v3}(V(k))]|_{V(k)\in V_{\rm{ST}}}\cong \\ & \quad\quad\;[\bar{W}_1^{\rm T} S(V(k)),\bar{W}_2^{\rm T} S(V(k)),\bar{W}_3^{\rm T} S(V(k))]|_{V(k)\in V_{\rm{ST}}} \end{split} $$ (8)

                        最后, 把對上述動力學建模結果$[\bar{W}_1^{\rm T} S(V(k)), \bar{W}_2^{\rm T} S(V(k)),\bar{W}_3^{\rm T} S(V(k))]|_{V(k)\in V_{\rm{ST}}}$進行三維可視化顯示, 得到心電動力學圖. 詳細過程參考文獻[31].

                        心電動力學圖既包含了心電信號ST-T段的狀態信息, 也包含了沿著ST-T段狀態軌跡的動力學信息, 是一種全息的、能在空間和時間上刻畫心臟復極過程電活動的動力學特征. 這種系統動力學特征, 與心電信號或心電向量信號相比, 是對心電信號內在系統動態更深層次更本質的一種特征描述[33]. 臨床預試驗研究發現, 心電動力學圖對于正常個體, 其形態有較好的規律性, 表現為規整的環形或略微散開的環形; 而對于心肌缺血患者, 其心電動力學圖的形態為散亂環形或無序[31]. 在北京阜外醫院開展的臨床預試驗表明, 心電動力學圖能夠在心電圖正?;虼笾抡r對疑似冠心病患者的缺血狀況進行較為準確的檢測[33].

                      • 心電信號的ST段和T波對心肌缺血診斷具有重要價值, 可通過確定學習對心電信號中的ST-T段進行動力學建模生成心電動力學圖, 并提取心電動力學特征用于心肌缺血檢測. 本文采用心電動力學圖方法進行心肌缺血檢測, 具體流程如下:

                        1) 按照第1.4節的步驟, 將常規12導聯心電信號轉換為3維心電向量信號, 截取3維心電向量信號的ST-T數據段$ V_{\rm{ST}}(k) $, 并利用確定學習算法(3)和(4) 對心電信號ST-T段進行動力學建模, 將建模結果(8)三維可視化, 生成心電動力學圖(CDG), 如圖4(a), 詳細過程參考文獻[31].

                        圖  4  一例心肌缺血患者的心電動力學圖及CDG值

                        Figure 4.  The CDG and CDG value of a patient with myocardial ischemia

                        2) 對每份心電動力學圖, 利用李雅普諾夫指數提取心電動力學圖的空間離散度(Spatial heterogeneity index, SHI), 采用傅里葉變換獲取心電動力學圖的時間離散度(Temporal heterogeneity index, THI), 作為描述患者心肌缺血狀態的的心電動力學特征向量(THI, SHI), 心電動力學圖的空間離散度和時間離散度的詳細計算過程見文獻[33].

                        3) 分類器選擇線性支持向量機(Linear support vector machine, SVM-linear)

                        $$ f(x)={\rm{sign}}\left(\sum\limits_{i=1}^{N}\alpha^*\cdot y_i (x\cdot x_i)+b^*\right) $$ (9)

                        并以經過缺血標注的訓練集病例特征向量作為SVM-linear輸入, 以病例的缺血標注作為輸出, 采用5折交叉驗證方法訓練心肌缺血檢測模型.

                        4) 在以心電動力學圖的時間離散度THI 為橫坐標和以心電動力學圖的空間離散度SHI為縱坐標的特征空間上, 繪制心肌缺血分類邊界, 如圖4(b)中的虛線所示; 并計算每個病例到分類邊界的距離作為該病例的CDG值, 如圖4(b)所示.

                        在測試集上驗證線性支持向量機分類模型的心肌缺血檢測性能, 并采用以下4種測度方式衡量缺血檢測性能: 靈敏度 = 真陽性/(真陽性+假陰性)$\times $100%, 特異度 = 真陰性/(真陰性+假陽性)$\times $100%, 準確率 = (真陽性+真陰性)/所有病例$\times $100%, 受試者工作特征曲線(ROC)下面積(AUC).

                      • 本節按照統一的納入和排除標準, 在阜外醫院和石河子醫院收集因疑似心肌缺血而進行冠脈造影檢查的病例, 構建了一個既有心電圖發生缺血性改變、又有心電圖正常及大致正常、且包括經冠脈造影檢驗發生冠脈阻塞性病變和非阻塞性病變的雙中心較大規模心肌缺血數據集.

                      • 數據的納入和排除標準如下:

                        入組條件: 本研究收集因胸痛、胸悶等不適原因入院接收冠脈造影檢查的疑似心肌缺血患者.

                        排除標準: 排除干擾心肌缺血早期檢測研究的因素, 包括: 瓣膜性心臟病、心律失常、先心病、心力衰竭、肺動脈高壓、左心室肥大、心肌病、既往心臟病史者, 以及資料不全者.

                      • 經阜外醫院和石河子醫院倫理委員會批準, 患者知情同意. 在這兩個醫學中心按照統一的納入和排除標準收集病例, 并記錄入選病例的基本資料、20 s長的12導聯心電圖、冠狀動脈造影及臨床診斷等臨床信息.

                        臨床醫生在不了解其臨床信息情況下, 按照心電圖讀圖標準對心電圖進行判讀, 將心電圖分為缺血性改變、正?;虼笾抡? 同時, 按照如下標準對冠脈造影結果進行判讀: a) 冠脈血管狹窄$ \ge $50%診斷為冠脈狹窄病變; b) 冠脈狹窄$ \le $ 40%且TIMI血流2級及以下診斷為冠脈慢血流; c) 冠脈無狹窄和慢血流診斷為非冠脈病變. 其中b) 和c) 為非冠脈狹窄病變.

                        綜上, 該數據集中每一份病例都包含一份20 s標準12導聯心電圖, 和一份詳細記錄了年齡、性別、一般病史、既往史、心電圖、冠脈造影和臨床診斷等臨床信息的病歷文件.

                        下面以一例冠脈狹窄患者病例信息記錄為例說明, 如表1所示.

                        表 1  疑似心肌缺血患者病例信息記錄

                        Table 1.  A case of suspected myocardial ischemic patient

                        項目信息記錄
                        編號/來源SHZ2944/石河子市人民醫院
                        年齡/性別59/男
                        心率/血壓68 (次/分)/200 (高), 100 (低) (mmHg)
                        主訴半月前無誘因再次出現胸骨中下段拳頭大小范圍壓迫樣疼痛, 伴胸悶、心慌、出汗, 癥狀持續數分鐘休息后緩解, 癥狀頻繁發作, 偶有靜息下發作
                        既往史平素健康狀況一般, 高血壓 30 年, 最高達 200/100 mmHg, 無其他病史
                        心電圖竇性心律, 偶發室早, T波改變
                        冠脈造影前降支近段斑塊; 回旋支近段斑塊、遠段 100% 閉塞, 可見前降支到回旋支側枝形成; 右冠中段 80% 病變, 遠段 90% 彌漫性病變
                        臨床診斷1) 冠心病, 不穩定性心絞痛; 2) 高血壓 3 級 (很高危)

                        最終, 在上述兩個醫學中心共收集781例接受冠脈造影檢測的疑似心肌缺血病例, 其中阜外醫院500例, 石河子醫院281例. 根據心電圖判讀結果, 心電圖發生缺血性改變388例, 正?;虼笾抡?93例. 根據冠脈造影檢測結果, 冠脈狹窄病變665例, 非冠脈狹窄病變116例(包括冠脈慢血流35例及非冠脈病變81例).

                      • 大量研究表明, 具有臨床代表性的心肌缺血數據集應包含心電圖缺血性改變、大致正常及正常、且冠脈發生阻塞性病變和非阻塞性病變的心肌缺血病例. 在臨床上構建這樣的數據集對心肌缺血相關檢測算法研究和臨床研究十分重要, 然而到目前為止仍缺乏這樣的心肌缺血心電數據集.

                        德國PTB心電數據集中包括來自290個病例的549條心電記錄, 其中心肌梗塞患者148例、健康人52例, 每條記錄包括15個同步心電信號, 且詳細記載了病例年齡、性別、診斷結果、病史、用藥和干預措施、心室造影、超聲心動圖和血流動力學數據等臨床信息. 盡管PTB已廣泛應用于基于心電圖的心肌缺血檢測研究, 但仍存在諸多問題: 1) 數據集中心電圖大多發生缺血性改變; 2) 冠脈造影中僅考慮冠脈狹窄或阻塞導致的心肌缺血, 尚未考慮冠脈慢血流等非阻塞病變對心肌缺血的影響.

                        針對上述問題, 本研究構建了一個雙醫學中心且規模更大的心肌缺血數據集, 與PTB心電數據集相比(如表2), 具有如下優勢: 1) 所構建數據集不僅包括心電圖缺血性改變的心肌缺血病例, 而且包括大量心電圖正?;虼笾抡5男募∪毖±? 2) 所構建數據集更貼近臨床實際環境, 不僅考慮冠脈狹窄對心肌缺血的影響, 而且考慮冠脈慢血流這一非阻塞性冠脈病變對缺血的影響, 更具有代表性. 這一數據集的建立可為基于心電圖的心肌缺血檢測相關算法研究和臨床研究提供重要的數據基礎.

                        表 2  自建數據集與PTB數據集對比

                        Table 2.  Comparison between PTB diagnostic dataset and the proposed dataset

                        來源PTB自建
                        總病例數290781
                        缺血病例148700
                        非缺血病例5281
                        心電圖基本發生缺血性改變393 例正?;蚍翘禺愋愿淖?/td>
                        缺血病因冠脈狹窄冠脈狹窄、慢血流
                      • 本節首先針對上述數據集中的心電圖正?;虼笾抡2±龜祿? 研究心電動力學圖對心電圖正?;虼笾抡;颊叩男募∪毖獧z測能力; 其次, 利用心電動力學圖的可解釋性, 對以上試驗中假陽性病例進行研究, 對發現的慢血流病例重新進行缺血標注, 在此基礎上重新構建更為準確的心肌缺血檢測模型; 最后, 在PTB數據集上對比心電動力學圖與其他方法對心肌缺血的檢測性能.

                      • 上述雙中心數據集中共有393例心電圖正?;虼笾抡5囊伤菩募∪毖颊? 其中冠脈狹窄組299例、非冠脈狹窄組94例(包括冠脈慢血流組13例和非冠脈病變組81例), 具體臨床情況如表3所示. 針對數據集中心電圖正?;虼笾抡5牟±? 以冠脈狹窄$ \ge $50%為缺血標準, 將冠脈狹窄$ \ge $50%的病例標注為缺血, 否則為非缺血. 由此, 我們以冠脈造影對冠脈狹窄的檢測為手段, 對心電圖正?;虼笾抡5囊伤菩募∪毖±M行較為準確的數據標注. 按照7:3的比例分別將冠脈狹窄組(299例)、冠脈慢血流組(13例)和非冠脈病變組(81例)隨機分割為互不相關的訓練數據和測試數據, 各組訓練數據合并為包含275份心電圖的訓練集, 各組測試數據合并為包含118份心電圖的測試集.

                        表 3  心電圖正?;虼笾抡;颊叩娜丝诨€特征

                        Table 3.  Baseline characteristics of patients with normal or nearly normal ECG

                        類型冠脈狹窄 (299)非冠脈狹窄 (n = 94)p 值
                        冠脈慢血流 (13)非冠脈病變 (81)
                        性別 (男性)216/299 (72.2%)9/13 (69.2%)43/81 (53.7%)0.005**
                        年齡58±1056±954±100.022*
                        收縮壓 (mmHg)129±10131±18127±140.563
                        舒張壓 (mmHg)77±1085±1477±100.109
                        心率 (beats/min)72±1065±671±100.012*
                        高血壓171/299 (57.2%)10/13 (76.9%)42/81 (51.9%)0.226
                        糖尿病88/299 (29.4%)6/13 (46.2%)18/81 (22.2%)0.159
                        血脂異常190/299 (63.5%)8/13 (61.5%)53/81 (65.4%)0.937
                        注: 所有數據采用軟件 SPSS 21.0 進行統計分析; 計量資料采用 Mann-Whitney 秩和檢驗, 表示為 (均值±標準差); 計數資料采用卡方檢驗, 用%表示; *: p < 0.05為差異有統計顯著性; **: p < 0.01為差異有高度統計顯著性.
                      • 基于第2.1節所述步驟, 在訓練集中采用5折交叉驗證方法訓練線性支持向量機心肌缺血分類模型. 計算冠脈狹窄組和非冠脈狹窄組(包含冠脈慢血流和非冠脈病變患者)中所有病例的心電動力學圖及CDG值. 結果分析發現兩組的CDG值存在明顯可區分的分布范圍, 相較于非冠脈狹窄組, 冠脈狹窄組CDG值顯著性增高($ p<0.01 $), 如箱線圖5所示.

                        圖  5  冠脈狹窄與非狹窄組間的CDG值差異($ \lozenge $: $ p<0.01 $存在差異有高度統計顯著性; $ \bigstar $: 超出邊界的實例.)

                        Figure 5.  Differences of CDG values between coronary stenosis and non-stenosis groups ($ \lozenge $: $ p<0.01 $ was considered as statistically significant. $ \bigstar $: subjects that were out of boundaries.)

                        將上述心電圖正?;虼笾抡5臏y試集病例輸入到訓練后的SVM分類模型中, 計算心電動力學圖對心肌缺血的檢測結果. 由分析結果可知, 心電動力學圖對心電圖正?;虼笾抡;颊叩男募∪毖獧z測準確率87.8%, 靈敏度85.1%, 特異度82.6%和ROC曲線下面積AUC = 0.88, 如圖6所示. 這一結果表明心電動力學圖對心肌缺血和非缺血具有較為顯著的區分能力.

                        圖  6  心電動力學圖的心肌缺血檢測結果

                        Figure 6.  Results of myocardial ischemia detection via CDG

                        對不同胸痛患者的心電動力學圖及相應的病理診斷結果(包括冠脈單支病變、雙支病變、三支病變及冠脈無明顯狹窄)進行詳細分析, 具體如下:

                        1)冠脈狹窄: 如圖7$\sim $9是三例胸痛患者的病理診斷結果, 入院心電圖正常, 但經冠脈造影檢查均發現冠脈主要分支存在$ \ge 50{\text{%}} $ 的狹窄. 圖7是一名55歲男性患者, 冠脈造影檢測顯示單支病變—前降支存在80%的血管狹窄, 如圖7(c); 圖8是一名35歲男性患者, 冠脈造影檢測顯示雙支病變—回旋支中段50%狹窄, 右冠近段100%狹窄, 如圖8(c); 圖9是一名50歲男性患者, 冠脈造影檢測顯示三支病變—中間支開口90%狹窄; 回旋支遠段80%局限狹窄; 右冠遠段90%局限狹窄. 從圖7$\sim $9的子圖(b)和(d)可以分別看到心電動力學圖散亂且CDG值為陽性, 提示患者存在心肌缺血.

                        圖  7  一例冠脈單支病變男性患者, 55歲 ((a) 正常心電圖; (b) 心電動力學圖散亂;(c) 冠脈前降支存在80%狹窄;(d) CDG值陽性)

                        Figure 7.  A case of ischemic male patient with single vessel disease, 55 years old ((a) Nondiagnostic ECG; (b) Irregular CDG; (c) The left anterior descending branch of the coronary artery is with stenosis 80%; (d) The positive CDG value)

                        圖  8  一例冠脈雙支病變男性患者, 35歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 冠脈回旋支中段50%狹窄,右冠近段100%狹窄; (d) CDG值陽性)

                        Figure 8.  A case of ischemic male patient with double-vessel disease, 35 years old ((a) Nondiagnostic ECG; (b) Irregular CDG; (c) The middle segment of the left circumflex artery is with stenosis 50% narrow, and the proximal segment of the right coronary artery is occluded; (d) The positive CDG value)

                        圖  9  一例冠脈三支病變男性患者, 50歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 中間支開口90%狹窄, 回旋支遠段80%局限狹窄, 右冠遠段90%局限狹窄; (d) CDG值陽性)

                        Figure 9.  A case of ischemic male patient with triple-vessel disease, 50 years old ((a) Nondiagnostic ECG; (b) Irregular CDG; (c) The opening of the middle branch is 90% narrow, the distal segment of the left circumflex artery is with stenosis 80%, and the distal segment of the right coronary artery is with stenosis 90%; (d) The positive CDG value)

                        2)非冠脈狹窄: 如圖10圖11是兩例胸痛患者的病理診斷結果, 入院心電圖正常, 經冠脈造影檢查均未發現明顯冠脈狹窄. 圖10是一名47歲女性患者, 經冠脈造影檢測未發現明顯的冠脈病變, 如圖10(c), 臨床診斷為植物神經功能紊亂導致的胸痛; 圖11是一名47歲男性患者, 經冠脈造影檢測未發現明顯的冠脈病變, 如圖11(c), 臨床診斷為返流性食管炎導致的胸痛. 從圖10、11中子圖(b)和(d)可以分別看到心電動力學圖規整且CDG值為陰性, 提示患者不存在心肌缺血.

                        圖  10  一例非缺血女性患者, 47歲 ((a) 正常心電圖; (b) 心電動力學圖較為規整; (c) 正常冠脈; (d) CDG值陰性)

                        Figure 10.  A case of nonischemic female patient, 47 years old ((a) Normal ECG; (b) Regular CDG; (c) Normal coronary angiography; (d) The negative CDG value)

                        圖  11  一例非缺血男性患者, 47歲 ((a) 正常心電圖; (b) 心電動力學圖規整; (c) 正常冠脈; (d) CDG值陰性)

                        Figure 11.  A case of nonischemic male patient, 47 years old ((a) Normal ECG; (b) Regular CDG; (c) Normal coronary angiography; (d) The negative CDG value)

                        上述結果表明, 利用確定學習對每份心電圖進行動力學建模生成的心電動力學圖, 對缺血和非缺血具有較強區分能力; 健康個體的心電動力學圖的形態有較好的規律性, 表現為規整的環形或略微散開的環形; 而冠心病患者的心電動力學圖形態呈散亂環形或無序狀態. 在以冠脈狹窄$ \ge $50%為缺血標準時, 利用常規機器學習算法構建了有效的心肌缺血檢測模型, 實現對心電圖正?;虼笾抡;颊咻^為準確的心肌缺血檢測.

                      • 近年來, 機器學習尤其是深度學習在許多領域取得了巨大成功, 但缺乏可解釋性嚴重限制了其在現實任務尤其是醫療環境的應用[50]. 醫療環境對智能醫療系統的可解釋性有著非常高的要求, 醫生和患者要能理解智能醫療系統診斷或預測的合理性[51], 因為缺乏可解釋性的醫療診斷模型可能給患者帶來錯誤的治療方案, 甚至嚴重威脅患者的生命安全[52]. 因此可解釋性是醫療智能系統中的一個挑戰性問題.

                        由確定學習對每份心電圖生成的心電動力學圖對心肌缺血檢測結果具有良好的可解釋性. 體現在以下三個方面:

                        1) 確定學習建模的可解釋性. 如第1.3節所述, 針對產生回歸軌跡的非線性動態系統, 確定學習可以實現對其未知非線性系統動態的局部準確建模(即得到其回歸信號軌跡的時間變化率). 上述產生周期或回歸軌跡的非線性動態系統由非線性微分方程來描述, 可以用來對自然界和工程技術中廣泛存在的各種非線性振動信號(包括人體心電信號)進行機理建模, 但非線性微分方程尚無普遍有效的求解方法. 因此, 我們采用確定學習算法, 通過對心電信號內在的未知非線性系統動態進行局部準確建模, 可以獲得人體心電信號的時間變化率.

                        2) 心肌缺血導致復極離散的可解釋性. 已有動物試驗及大量臨床研究表明, 心肌缺血會引發心臟復極過程離散, 呈現時空不均一性, 包括復極空間離散和復極時間離散, 對應于心電圖上的T波電交替(T-wave alternanas, TWA)現象[53].

                        3) 心電動力學圖對心肌缺血檢測的可解釋性: 心電動力學圖是確定學習對ST-T段心電信號(主要是T波)的動力學建模結果, 其代表的是心電信號的時間變化率, 因而比心電信號更為敏感. 已有臨床試驗結果表明, 正常個體的心電動力學圖形態具有較好的規律性, 表現為規整的環形或略微散開的環形; 而對于心肌缺血患者, 其心電動力學圖的形態為散亂環形或無序. 上述心電動力學圖的規整和散亂對應著與心肌缺血密切相關的復極離散程度, 且能以可視化的方式直觀表達. 因此, 由確定學習生成的心電動力學圖在心肌缺血檢測方面具有明確的生物物理意義和較好的可解釋性, 可以在心電圖正?;虼笾抡r對心肌缺血進行檢測.

                        利用心電動力學圖的可解釋性, 對上述試驗中的16例假陽性(即冠脈造影未發現冠脈狹窄, 數據標注為非缺血, 但心電動力學圖提示陽性的胸痛患者)進行逐例分析, 發現其中13例假陽性病例存在冠脈慢血流(即冠脈狹窄$ \le $ 40%且TIMI血流2級及以下). 如前所述, 冠脈慢血流是一種非阻塞性冠脈病變, 可引起穩定或不穩定型心絞痛、心肌梗塞等. 因此, 對上述存在冠脈慢血流現象的假陽性病例進行重新標注, 以冠脈狹窄$ \ge $50%或冠脈慢血流為缺血標準, 即將冠脈狹窄$ \ge $50%的病例和冠脈慢血流病例均標注為缺血, 其他標注為非缺血, 以提高數據集的缺血標注精度. 由此, 我們以冠脈造影為手段對冠脈狹窄和冠脈血流進行檢測, 對心電圖正?;虼笾抡5囊伤菩募∪毖±M行更為準確的數據標注. 并將標注更為準確的訓練數據輸入到常規機器學習算法SVM中, 重新構建心肌缺血檢測模型, 并利用測試集評估模型的缺血檢測精度, 結果表明, 相比于僅以冠脈狹窄為缺血標準, 以冠脈狹窄及慢血流作為缺血標準時, 心電動力學圖對心電圖正?;虼笾抡;颊呔哂懈鼉灥男募∪毖獧z測效果, 準確率89.0%, 靈敏度90.1%, 特異度85.2%, AUC = 0.93, 如表4圖12所示.

                        表 4  不同缺血標注精度下, 心電動力學圖的缺血檢測結果

                        Table 4.  The results of CDG in the detection of ischemia at different precision of ischemia labeling

                        缺血標準靈敏度 (%)特異度 (%)準確率 (%)AUC
                        冠脈狹窄85.182.687.80.88
                        冠脈狹窄及慢血流90.185.289.00.93

                        圖  12  不同缺血標注精度下分類模型的ROC曲線

                        Figure 12.  ROC curves of classification models at different accuracy of ischemic labeling

                        下面用一例慢血流病例進行說明. 如圖13是一名48歲男性胸痛患者, 從圖13(a)13(c)可看出該患者入院心電圖正常, 且冠脈造影檢測并未發現明顯冠脈狹窄; 但從圖13(b)13(d)可看到心電動力學圖散亂且CDG值為陽性, 提示可能存在心肌缺血; 進一步, 采用TIMI血流分級法評估冠脈各分支血流速度, 發現前降支TIMI血流2級, 存在冠脈慢血流, 證實該患者存在心肌缺血. 如圖14是一名50歲女性胸悶患者, 入院心電圖正常且冠脈造影未發現冠脈存在狹窄, 如圖14(c), 然而心電動力學圖不規整; 進一步分析發現前降支中段第一對角支慢血流. 上述結果表明, 具有可解釋性的心電動力學圖能夠發現并修正數據中存在的缺血標注錯誤及模型存在的偏差, 提高對心電圖正?;虼笾抡;颊叩男募∪毖獧z測能力.

                        圖  13  一例慢血流男性患者, 48歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 冠脈無狹窄前降支慢血流; (d) CDG值陽性)

                        Figure 13.  A case of ischemic male patient with slow coronary flow, 48 years old ((a) Normal ECG; (b) Irregular CDG; (c) The left anterior descending branch of the coronary artery is with coronary slow flow; (d) The positive CDG value)

                        圖  14  一例慢血流女性患者, 50歲 ((a) 正常心電圖; (b) 心電動力學圖散亂; (c) 冠脈無狹窄但前降支中段第一對角支慢血流; (d) CDG值陽性)

                        Figure 14.  A case of ischemic female patient with slow coronary flow, 50 years old ((a) Normal ECG; (b) Irregular CDG; (c) Coronary slow flow in the first diagonal branch of the coronary artery; (d) The positive CDG value)

                      • 如上文所述, PTB數據集廣泛應用于基于心電圖的心肌缺血檢測研究. Sharma等[20]提取12導聯心電信號的72維多尺度小波能量特征, 選擇PTB數據集的148例心肌梗死(Myocardial infarction, MI)患者和52例正常對照組(Healthy control, HC)的心電信號, 其中一半作為訓練集, 另一半作為測試集; 采用SVM進行MI檢測, 取得了96%的準確率、93%的敏感度和99%的特異度. Acharya等[27] 引入深度學習算法到心肌缺血檢測研究中, 選擇PTB中148例MI和52例HC的II導聯心電信號, 并將其分割為長度相等的單個心拍, 利用獲取的50728個心拍中的90%作為訓練集訓練卷積神經網絡, 在測試集上取得了95.22%的準確率、95.49%的敏感度和94.19%的特異度. Han等[29]提出一種用于心肌缺血檢測的13層多導聯殘差網絡模型; 該研究通過數據增強獲取足夠多的訓練樣本, 將PTB中的312例MI心電信號擴展為17212例MI心電數據段, 將80例HC心電信號擴展為6945例HC心電數據段, 其中55例HC和209例MI作為訓練集, 25例HC和103例MI病人作為測試集, 獲得了95.49%的準確率、94.85%的靈敏度和97.37%的特異度.

                        本小節在PTB診斷數據集進行心電動力學圖的心肌缺血檢測試驗, 并與已有文獻中的心肌缺血檢測相關算法進行對比. 試驗數據包括PTB中的200例受試者, 分為148例心肌梗死(MI)患者和52例健康人(HC), 并選擇每位受試者一份標準12導聯心電圖. 按照1:1的比例將200例心電信號數據隨機劃分為訓練集和測試集. 訓練集和測試集均包含100例病例, 其中MI 74例, HC 26例.

                        按照第2.1節所述步驟, 生成并驗證基于心電動力學圖的心肌缺血檢測模型. 對所有心電圖進行動力學建模生成心電動力學圖, 在訓練集上按照5折交叉驗證方法訓練線性支持向量機(SVM-linear)心肌缺血分類模型, 并在測試集上評估模型對心肌梗死的檢測能力. 心電動力學圖方法與已有心肌缺血檢測方法在PTB上的缺血檢測結果進行對比, 如表5所示. 從表5中可以看出, 本文采用心電動力學圖方法僅使用2維心電動力學圖特征和線性支持向量機就取得了比大多數研究更好的缺血檢測結果: 缺血檢測準確率97.00%、敏感度98.65%和特異度92.31%.

                        表 5  本文方法與文獻中的方法在PTB數據集上的心肌缺血檢測結果對比

                        Table 5.  Comparison of the CDG against the related literatures about myocardial ischemia detection

                        方法數據方法特點特征數分類器性能 (%)
                        準確率敏感度特異度
                        Sharma等 (2015)[20]導聯: 12 導聯心電記錄: 148 MI, 52 HC多尺度小波能量特征72KNN/SVM96.0093.0099.00
                        Han等 (2019)[15]導聯: 12 導聯心電記錄: 28 213 MI,
                        5 373 HC
                        能量熵; 形態學特征22SVM92.6980.9680.96
                        Diker等 (2018[17]導聯: 不可知心電信號: 148 MI, 52 HC形態學特征; 時域特征;
                        離散小波變換特征
                        9SVM87.8086.9788.67
                        Sharma等 (2018)[18]導聯: II、III、aVF 導聯心電信號: 3 240
                        下壁 MI, 3 037 HC
                        樣本熵; 歸一化子帶能量;
                        對數能量熵; 中值斜率
                        10KNN/SVM81.7179.0179.26
                        Acharya等 (2017)[27]導聯: II 導聯心拍: 40 182 MI, 10 546 HC卷積神經網絡?全連接網絡95.2295.4994.19
                        Han等 (2020)[29]導聯: 12 導聯心電記錄: 17 212 MI,
                        6 945 HC
                        多導聯殘差網絡?全連接 softmax95.4994.8597.37
                        本文方法導聯: 12 導聯心電記錄: 148 MI, 52 HC心電動力學圖特征2SVM-Linear97.0098.6592.31

                        表5可以看出, 許多研究在PTB數據集上取得了不錯的缺血檢測精度. 但是, 如上文所述, PTB數據集本身存在一些問題: 數據規模較小、數據集中心電圖大多發生缺血性改變且未考慮非阻塞性病變對缺血的影響. 從表5可以看出, Sharma等[20]通過協方差矩陣的多尺度小波能量特征值檢測MI, 準確率、敏感度和特異度均達到90%以上. 只是結果是由所有的200條記錄而不是測試數據得出的. Acharya等[27]引入深度學習算法到心肌缺血檢測研究中, 并取得了較好的檢測結果, 然而模型評估的心電信號也參與了模型訓練. Han等[29] 采用多導聯殘差網絡進行心肌缺血檢測, 取得了不錯的檢測結果, 準確率、敏感度和特異度均達到94%以上. 但文中采用了同一個病例的多份心電記錄, 卻未明確同一個病例的心電數據是否既參與了模型訓練, 又參與了模型評估. 此外, 已有文獻經常采用把PTB數據集中的一份心電信號分割成單個或多個心拍心電信號的方式, 以獲得多份訓練數據和測試數據, 顯然, 通過這種方法獲得的看似大規模的心肌缺血數據集并不代表真實情況.

                      • 本文開展心電動力學圖對心電圖正?;虼笾抡;颊叩男募∪毖缙跈z測研究. 在分析已有機器學習方法在基于心電圖的心肌缺血檢測方面取得的進展及不足基礎上, 構建了更貼近臨床實際、更具代表性的雙中心較大規模心肌缺血數據集, 其中既有心電圖已發生缺血性改變、又有心電圖正常及大致正常、且包括經冠脈造影檢驗發生冠脈阻塞性病變和非阻塞性病變的數據. 該數據集為心肌缺血相關檢測方法和臨床研究提供了重要的數據基礎. 其次, 利用確定學習生成每份心電圖的心電動力學圖, 提取對心肌缺血和非缺血具有顯著區分能力的動力學特征, 并利用常規機器學習算法即建立了有效的心肌缺血檢測模型. 最后, 利用由確定學習生成的具有明確物理意義的心電動力學圖對假陽性病例進行逐例分析, 對分析中發現的慢血流病例重新進行了缺血標注, 改善了數據集缺血標注精度, 獲取了對心電圖正?;虼笾抡P募∪毖颊吒行У臋z測模型. 本研究表明由確定學習生成的心電動力學圖具有良好的可解釋性, 有助于發現缺血數據標注的偏差和模型的錯誤, 提高心肌缺血檢測模型性能, 有望成為用于臨床分析心肌缺血的有效工具.

                        本文研究仍存在一定局限: 由于心肌缺血早期檢測問題非常復雜, 我們僅考慮了冠脈狹窄、慢血流對心肌缺血的影響, 尚未評估冠脈痙攣、X綜合征等其它心肌缺血因素. 后續研究將進一步提高數據集的規模和數據缺血標注精度; 并在數據規模足夠大時, 考慮與深度學習等復雜分類模型結合, 以進一步提高心電動力學圖對心肌缺血的早期檢測性能.

                      • 感謝廣東工業大學鄧木清博士和華南理工大學陳善、黃輝、陳琳、涂思強和倪妙玲等碩士研究生為心電數據的采集和整理所付出的辛勤努力. 感謝山東大學齊魯醫院陳玉國教授、徐峰教授和劉汝剛主治醫師提出關于心肌缺血檢測的寶貴建議.

                    參考文獻 (53)

                    目錄

                      /

                      返回文章
                      返回