心電散點圖
——大數據分析的新視野

2018-02-01 12:33:50李方潔

實用心電學雜志 2018年1期

關鍵詞：系統

李方潔

20世紀60年代計算機技術突飛猛進的發展，在不知不覺間將人類帶入大數據時代。在心電分析領域，以動態心電圖的問世為分水嶺，此前只能記錄短暫的“常規心電圖”，此后可以連續記錄24 h的大數據心電圖。計算機帶來的福音不止如此，動態心電圖系統一經臨床應用，就可模仿人工方法對24 h心電圖進行自動分析。直至心電散點圖的問世，又一分水嶺出現。心電散點圖突破了過去由計算機簡單模仿人工診斷心電圖的方法，采用對連續RR序列進行迭代作圖這一能展現心率系統非線性混沌特征的方法，將人們認識心臟節律的視野從心電波形圖拓展至相空間，使心電大數據的分析模式為之面貌一新。

1 相空間

相空間(phase space)是數學與物理學概念，是一個用以表示動力系統所有可能狀態的空間，系統每個可能的狀態都對應于相空間的點。心臟電活動的速率和節律所形成的不是空間系統，而是一個時間序列，屬于動力系統。自從用心電圖紙上的數值表達心電活動的速率、節律以來，隨著心電記錄卷紙從心電圖機中不斷被釋放出，使人感到心電似乎是一種流動的“視覺有形之物”，而忽視了其本質是時間序列中的“節奏”，屬于動力系統。相空間是表達時間序列的“虛擬空間”，心電散點圖就是將心臟電活動的時間序列表達在相空間中的方法。

相空間被定義為具有高維度。我們知道，描述一個動力系統的維度越高，信息損失就越少，同時意味著所需處理的信息量越大，所要求的信息處理能力也越強。因此，在實際應用中，我們總是在掌握信息量與處理信息能力之間找尋最佳平衡點，目前臨床應用的心電散點圖只是相空間的二維圖形，包括經典的RR間期散點圖(Lorenz散點圖)和RR間期差值散點圖(可以理解為另一維度的Lorenz散點圖)。二者均由連續的RR間期迭代追蹤作圖而成，圖的橫、縱坐標都是RR間期。除此以外，臨床常用的還有時間RR間期散點圖。單純的時間RR間期散點圖不屬于相空間圖，而是一種線圖。圖的橫坐標是記錄的時間過程，縱坐標是對應的實時RR間期。但現有的時間RR間期散點圖被制作成橫坐標能夠“自由伸縮”的圖形，當圖形被“壓縮”時有利于觀察整體，當圖形被“拉伸”或“稀釋”時有利于觀察局部細節。同時，利用逆向技術可在時間RR間期散點圖與RR間期散點圖之間自由切換，便于了解不同時段所包含的不同心律及心律失常。

上述三種作圖方法各具優勢：RR間期散點圖側重于表現RR間期之間的關系，在臨床應用較多、認識較深，是最常用的方法；RR間期差值散點圖主要表現相鄰RR間期差值的變化，目前觀察總結得較少，但在室上性心律失常與室性心律失常，以及二聯律、三聯律的區分方面顯示出優勢；時間RR間期散點圖可實現時間與相空間散點圖的聯動，并通過對橫坐標的“伸縮”，幫助我們獲得心率的分層(不同長度的RR間期)信息，從而更快地識別不同性質的心律和心律失常。

心電散點圖這種相空間圖是采用大數據連續RR間期迭代追蹤而成的，不僅能很好地表現心電系統的混沌特征，而且能清晰地揭示出傳統的動態心電圖分析方法無法揭示的某些隱含的規律。例如：心電散點圖明確顯示，心率變異性(HRV)正常的竇性心律，毫無例外地出現心率加快時相鄰RR間期的瞬間變化減小、心率變慢時相鄰RR間期的瞬間變化增大的現象；在房顫時能觀察到房室結功能不應期及其變化；能發現絕大多數動態心電圖無法診斷的并行心律；能一目了然地識別伴有隱匿傳導的自律性增高性房早，并區分多源性房性早搏與心房顫動；能準確鑒別大多數房顫時寬QRS波的性質；能更好地表現起搏心電圖的不同特征。心電散點圖在HRV分析方面也頗有獨特之處，與時域、頻域HRV分析方法相比，心電散點圖可以顯示和記錄偽差RR間期失真對分析結果所產生的影響，提高HRV分析的準確性。

2 奇怪吸引子

吸引子(attractor)在數學中是描述動力系統行為模式的相空間幾何構形，是動力系統活動的相空間軌跡圖。吸引子刻畫系統的整體特性，反映系統演化過程的終極狀態，具有終極、穩定和吸引的特性，因此系統的吸引子具有不可分割性；反之，不同的動力系統不能相互融合成同一個吸引子。在吸引子中，越靠近吸引源的內部，吸引力越強；越遠離吸引源的外緣，吸引力越弱，像水滴凝聚或磁鐵吸引鐵砂，核心飽滿充實，邊緣光滑而虛疏。周期系統運行節律的吸引子相空間的維數為整數，稱為“平庸吸引子”(periodic vibration)，其內部結構相對簡單，邊緣相對規則；而非線性系統運行節律的吸引子具有分數維，稱“奇怪吸引子”(strange attractor)，其相空間結構復雜，輪廓不規則，反映系統中存在混沌運動。由于動力系統有各自的行為模式，因此吸引子的性態(外部輪廓與內部結構)也各不相同。心電RR間期序列屬于非線性動力系統，其幾何構形為奇怪吸引子[1]。

吸引子的幾何圖形是通過對動力系統中的序列變量進行大量迭代計算而得到的。混沌系統的吸引子是相空間的高維幾何構形。天才的法國數學家Jules Henri Poincaré提出將相空間中“立體”的吸引子“剖切”成不同的二維橫斷面(現稱“Poincaré截面”)來加以研究。時至今日，“Poincaré截面”仍然是研究吸引子相空間結構的經典方法。20世紀60年代，計算機技術問世，被稱為“混沌理論之父”的美國動力氣象學家Edward Norton Lorenz用計算機編程，繪制了氣象動力系統的吸引子幾何圖形，即形似一只蝴蝶的“Lorenz混沌吸引子”，并由此揭示了系統的混沌特征。目前，心電散點圖采用迭代算法制作的Lorenz吸引子的Poincaré截面，可以視為心電吸引子的Poincaré截面圖。

心電吸引子分為兩大類——“穩態吸引子”和“非穩態吸引子”。穩態吸引子是同一起源心律的動力系統，最常見的是連續竇性心律；其次是各種連續異位心律，如房/室性心動過速或逸搏心律。當這些系統處于穩態時，RR序列總是在自身頻率范圍內隨時間產生微小的變化，其吸引子圖形分布于二維相空間圖的45°線上。穩態吸引子的頻率范圍和形態是區分不同系統的標志。非穩態吸引子是心搏從一個起源點變化為另一個起源點時產生的吸引子，是一個系統向另一系統過渡的吸引子，由不同系統的RR間期耦合而成。竇性心律伴各種異位心律或阻滯等都可產生非穩態吸引子。不同的系統有各自的頻率范圍，當這兩個系統發生交替時，就會產生與兩者頻率相關的耦合吸引子，如竇律與早搏、逸搏耦合而成的非穩態吸引子分別分布在圖形的近端和遠端。由于不同的系統隨時間變化呈現不同的發展趨勢，因此非穩態吸引子不僅可以脫離45°線，還能以不同形態分布于相空間的不同位置，如由竇律間期與房早聯律間期形成的吸引子，其發展趨勢多是在相空間中形成一個與坐標軸成一定夾角θ(0>tanθ<1)的圖形；由竇律間期與室性早搏聯律間期形成的吸引子，其發展趨勢多是在相空間中形成與X軸平行的圖形。由此可見，從吸引子的角度來分析心電大數據可化繁為簡，化難為易。

3 智能化診斷模型

人工智能(artificial intelligence，AI)是近年來人們熱議的話題之一。它在醫學領域最杰出的應用是圖像識別和深度學習，而這兩項重要應用都建立在醫學影像大數據挖掘的基礎上。人工智能正是在大數據、互聯網和云計算等方法的催化作用下，一步步向我們走來。心電散點圖是將大數據心電圖轉化為“圖像”，這對擅長圖像識別的人工智能技術而言更容易識別和分析。

目前，心電散點圖作為心電大數據分析的實用方法，其在心電自動分析方面的優勢已越來越被人們所認識并被日益廣泛地應用于臨床。然而，它的應用絕不僅局限于臨床診斷范疇(如更多類型心律失診斷模型的建立、復雜心律失常的診斷、非生物心臟起搏圖形的解析，以及對未知心電現象和心律失常的認識)，還包括應用幾何數學原理，深入探究心臟節律規律的產生機制(如“幾何畫板”的應用)。目前，幾何畫板[2]主要用于制作心律失常的心電散點圖模型。模型數據來源于對心電圖的人工診斷經驗，將已知的某種心律失常的RR間期特征值代入幾何畫板的公式中。如多數室性早搏的RR間期序列特征是聯律間期相對固定，聯律間期與代償間期之和是竇律間期的兩倍。例如：要制作室性早搏的心電散點圖模型，只需要分別測量一次室性早搏之前竇律RR間期、聯律間期、代償間期、代償間期后的竇律間期值，并代入幾何畫板的公式中，再輸入“聯律間期相對固定”“聯律間期加代償間期是竇律間期的倍數”“倍數值是2”這些特征和特征值，就可自動繪制出與真實室性早搏極其相近的散點圖。而室性并行心律的RR間期序列特征是聯律間期不固定，其余特征與室性早搏完全一致，則只需代入這個不同特征，就可基于室性早搏模型制作出四分布“倒Y字形”的并行心律心電散點圖模型。但存在問題是，首先需要對每一種心律失常RR間期序列的特征與特征值進行定義，而這正是過去心電波形圖診斷中缺少的觀察視角。對于大部分心律失常，都無法僅根據心電波形圖上RR間期的變化做出診斷，單純依靠心電波形圖也難以推導出大部分心律失常的RR間期序列，因此限制了幾何畫板的應用。與此相比，逆向技術的應用更快地拓展了心電散點圖的診斷視野，通過心電散點圖與心電波形圖的實時對照，許多原來不甚清楚的心律失常RR間期序列及其心電生理指標，如心房顫動及房室結功能不應期的變化[3]、并行心律[4]、心房撲動、逸搏及逸搏心律、竇性心律去未知的變化模式[5]等都一一展現出來。因此，利用逆向技術及多中心大數據的對照研究，掌握更多心電散點圖診斷模型，是實現心電智能化自動診斷的基礎。

人工智能促使我們的工作模式發生翻天覆地的變化，其與心電技術的結合給心電診斷帶來了嶄新的視角，并不斷取得顛覆性和突破性的進展。然而，我們必須指出，生命狀態是一個動態的非線性過程，一切都是不可逆和不可能完全重復的，人工智能很難完全脫離人的思維而獨立存在。因此，我們要清醒地認識到人工智能不可能完全替代人，要在充分發揮人的聰明才智及主觀能動性的前提下，真正運用好人工智能技術。

4 匹配可穿戴心電設備

可穿戴醫療設備也是近年來日益受到關注的新技術。這類設備的應用使原本須在醫院進行的很多檢查項目(如血壓、血氧和血糖監測)可以在社區衛生服務中心或患者家中進行。而心電圖檢查由于須由專業人員診斷而無法在百姓家中完成，可穿戴心電設備的使用受到限制。目前，心電記錄雖然可在患者家中完成，但將心電信息遠程傳輸至專業的診斷中心來判讀結果是必需的。如果未來這種遠程心電診斷模式成為常態，勢必對海量心電信息的處理和診斷速度提出更高要求。傳統的醫療模式下，是以醫院為中心，按照醫院的接診能力接診患者；而未來的醫療模式將以患者為中心，患者在家庭中記錄的長時程心電信息可以隨時傳至醫療機構，并要求實時診斷。因而，擅長處理大數據心電信息的心電散點圖將會大有用武之地：一方面，掌握散點圖分析技術的醫師能更快地分析心電數據；另一方面，心電散點圖更為可視化和直觀，它能將只有專業醫生才能看懂的心電波形圖轉化成簡明的幾何圖形，使患者也能讀懂心電診斷結果。因此，心電散點圖可謂是可穿戴心電設備最匹配的軟件“搭檔”。

可穿戴設備以前所未有的方式擴大了心電信息采集以及數據利用廣度和深度，與此同時也帶來了巨大的安全隱患。可穿戴設備采集的個人數據通常涉及私人信息，如使用者的位置、家庭住址、工作單位、健康狀況等，設備通過互聯網將其傳給云端或本地數據服務器進行存儲，不同身份的用戶通過不同權限訪問服務器中的數據。如不進行妥善的信息安全管理，用戶隱私信息很可能遭到泄露[6]。區塊鏈是分布式數據存儲、點對點傳輸、共識機制、加密算法等計算機技術的新型應用模式。近年來，區塊鏈技術被認為適用于解決醫療大數據在數據收集和交換方面出現的安全問題。如果說互聯網信息技術負責數據的傳輸，那么區塊鏈是確保信息安全的技術。有學者認為，醫療健康領域將是繼金融領域后區塊鏈技術最重要的服務方向之一[7]。

5 結語

心電散點圖的開拓性研究和臨床應用打開了心電大數據分析的新視野，它利用相空間中吸引子幾何構形截面這種表達方法使心律失常的表現“圖像化”和直觀化，將動態心電圖的臨床診斷化繁為簡、化難為易。心電散點圖與人工智能技術相結合，可制作心電智能化診斷模型，實現心電自動化智能化診斷。心電散點圖軟件與可穿戴心電設備及區塊鏈技術相結合，可快速處理海量心電數據和出具準確診斷結果，同時保障患者/用戶的網絡信息安全，使遠程心電監護如虎添翼。隨著心電散點圖技術的發展和臨床應用的進一步深化，隨著其他相關技術應用的加持和保障，相信未來散點圖技術的發展更加值得期待！

[1] 李方潔, 向晉濤. 心電散點圖[M]. 北京：人民衛生出版社, 2014：38-47.

[2] 向晉濤, 景永明. 臨床心電散點圖學[M]. 武漢：湖北科學技術出版社, 2016：7-10.

[3] 李方潔，向晉濤. 心電散點圖呈現的房室結功能不應期及對寬QRS波的鑒別[J]. 中國心臟起搏與心電生理雜志, 2011, 25(1)：16-19.

[4] 景永明, 黃焰. 并行心律的心電散點圖特征[J]. 實用心電學雜志, 2015, 24(3)：158-160.

[5] 許以德, 許智永. 心電散點圖在竇性心律失常二聯律鑒別診斷中的應用[J]. 實用心電學雜志, 2017, 26(3)：175-178, 225.

[6] 任曉霞, 盧燁. 可穿戴醫療設備的安全性研究以及策略分析[J]. 中國數字醫學, 2017, 12(5)：100-102.