基于光電容積脈搏波的心房顫動識別方法

張悅，陳真誠，梁永波，朱健銘

1.桂林電子科技大學電子工程與自動化學院，廣西桂林541004；2.桂林電子科技大學生命與環境科學學院，廣西桂林541004

前言

心房顫動（簡稱房顫）是一種常見的心臟疾病。房顫患者的體征包括脈律不齊、脈搏短絀、第一心音強弱不等、節律絕對不規整等［1］。在傳統的房顫診斷中，醫生通過查看心電圖（Electrocardiography,ECG）判斷房顫的發生，但此診斷方式帶有主觀性，且耗時耗力。Kora 等［2］基于ECG 使用Cuckoo Search 算法來實現自動識別房顫；王凱等［3］基于ECG 的自動心律失常檢測模型能夠有效監測心臟異常房顫信號的ECG 信號特征。對于房顫監測的困難主要在于陣發性房顫，此類房顫的特點是突發突止、持續時間短，24 h 動態心電圖常作為首選的監測方法。李芳等［4］通過分析總結房顫的心電散點圖特征，分析24 h 動態心電圖來診斷房顫。武求花等［5］運用Lorenz-RR散點圖（Lorenz散點圖）與時間-RR 間期散點圖（時間散點圖）及逆向技術相結合的方法，快速識別不同發作時間的PAF，為臨床提供更快更準確的心電診斷技術。

目前國內外對于房顫識別的研究大多基于ECG，但ECG 設備普遍有操作復雜、攜帶困難、價格較高、多通道等局限性。光電容積脈搏波描記法（PPG）是使用激光對待測流體或固體的體積進行檢測與記錄的方法，可以用來監測毛細血管中血液的體積變化［6］。有研究表明，PPG 信號與ECG 信號有很高的相關性［7］。PPG 方法采集信息容易、方便攜帶，相較于ECG 方法，PPG 更加擅長長期監測。本文從脈搏波波形中提取房顫相關特征參數，使用機器學習算法構建心房顫動識別模型，以探尋基于脈搏波識別房顫的有效方法。

1 房顫狀態脈搏波分析

將心房顫動狀態脈搏波與健康狀態脈搏波的波形進行對比分析，可發現二者間有明顯不同。主要區別在于房顫發生時脈搏波的脈沖寬度（Pulse-Width, PW）、峰峰間隔（Peak-to-Peak Interval, PPI）、收縮期面積（Systolic Area,SA）會明顯與相鄰時間下同類特征的平均值有較大差別。其中每次房顫發生時，PPI會出現一次低于、一次高于平均PPI值的情況；PW和SA都會出現一次明顯低于平均值的情況。

通過查閱文獻，本文還選取了增強指數（Augmentation Index,AI）、脈搏波上升導數最大處至重搏波峰值的時間間隔（Half Rise to Dicrotic Notch,HRDN）、拐點面積比（Inflection Point Area, IPA）3 種與房顫疾病相關的特征類型，這3類特征參數能作為受試者是否可能發生房顫的判斷因素。

心房顫動的發生與高血壓高度相關，心臟由于人體長期血壓過高將造成心房電傳導延遲、左心室肥厚、左心房功能異常、左心房擴大等現象［8］。血壓的增高會導致動脈的老化進程加速［9］。動脈老化將引起動脈的僵硬度提升，脈搏波傳導速度會隨著動脈僵硬度的提升而加快，它的加速使得外周動脈到近端大動脈的反射波提前回傳，最終使脈搏波波形變化［10］。AI可以定義為PT2/PT1，其中PT2是收縮壓后期振幅，PT1是收縮壓早期振幅。已有研究表明，脈搏波特征中的增強指數AI就可以反映出動脈僵硬度的變化，且容積脈搏波的AI與主動脈AI相關［11］，故選用此類特征值。

有研究表明，脈壓差的增大，將導致動脈牽拉的加重，血管壁彈性成分容易疲勞和斷裂，這將造成內膜損傷，并很有可能進一步提高動脈僵硬和血管栓塞發生的可能性。內皮功能減退可能導致房顫的發生［12］。因此，將能夠反映脈壓的HDRN 列為房顫的判斷因素之一［13］。

房顫病人與正常人的外周血管總阻力（Total Peripheral Resistance, TPR）有明顯的區別［14］。有研究發現IPA能夠反映TPR指標。IPA定義為脈搏波中第二個峰與第一個峰的面積之比（SB/SA），與脈搏波反射強度有較強的相關性。動脈系統中，各部分間阻抗不匹配將出現脈搏波反射。已知，有九成左右的TPR 存在于小動脈處，小動脈收縮將使得TPR變化，并造成阻抗不匹配，由此引發的脈搏波反射強度的變化將使IPA 發生變化［15］。本文所提房顫相關的各特征參數示意如圖1所示。

圖1 脈搏波的特征參數Fig.1 Characteristic parameters of pulse wave

2 實驗過程

實驗數據來源于美國麻省理工學院MIMIC公開數據庫中房顫患者（通過ECG 確診）以及健康人的PPG數據。數據經篩選、分段、歸一化等預處理，得到6 857 例10 s 脈搏波數據段，數據樣本中房顫狀態PPG 樣本共2 737 例，非房顫狀態PPG 樣本共4 120例。將樣本數據分成房顫與非房顫兩組并標記標簽，提取PPG 數據中與房顫相關的6 類特征參數，使用BP 神經網絡、隨機森林、支持向量機（SVM）作為分類器對數據進行房顫的識別分類。通過對比分析各個分類器的實驗結果，探尋效果更佳的識別房顫方法。

2.1 數據處理

MIMIC 數據庫中下載的脈搏波數據經預處理后，得到歸一化的PPG數據可視化樣例（每段10 s，采樣頻率為125 Hz）如圖2所示。將房顫狀態的脈搏波數據標記為正類，非房顫狀態的脈搏波數據標記為負類。

提取PPG波形中PW、PPI、SA、AI、HRDN、IPA共6 類特征作為分類器的輸入項進行房顫識別分類實驗。

雖然有一些研究表明MAOIs、TCAs、SSRIs、SNRIs在不同藥物類型方面，以及同一類型不同藥物方面有療效間的差異，但大量的比較研究整體上沒有發現在這些方面上的明顯差異。而基于第二代抗抑郁藥物(SSRIs和SNRIs)具有比第一代抗抑郁藥物(單胺類氧化酶抑制劑和三環類抗抑郁藥物)具有更好的安全性和耐受性，因此使用更為廣泛，常被推薦用于急性期的初始治療。

2.2 模型建立

本文使用BP 神經網絡算法、SVM 算法、隨機森林算法，以PW、PPI等6類特征參數作為輸入，樣本是否發生房顫現象作為輸出，分別構建3 種分類器，并將對分類效果進行評估。

圖2 不同狀態下的脈搏波波形Fig.2 Pulse waveforms in different statuses

BP 神經網絡屬于多層前饋的神經網絡，其含有輸入層、一層及以上的隱含層和輸出層。BP 神經網絡的輸入信號前向傳遞，誤差反向傳播，若輸出層無法得到期望輸出，則轉向反向傳播，通過預測誤差對網絡權值和閾值進行修正，可以使預測輸出向期望輸出持續逼近［16］。隱含層各神經元節點采用Sigmoid 函數作為激勵函數。實驗中，將BP 神經網絡的隱含層設為兩層，第一層含100 個神經元，第二層含50 個神經元；最大迭代次數epochs 設為20 000次時，BP 神經網絡對于房顫脈搏波的識別率達到92.3%。

SVM 是一種常用的機器學習方法，在統計樣本少的情況下，能夠處理二分類的問題。SVM 的原理是找到一個最優分類超平面，其在能夠達到分類要求和精度的基礎上，還能夠最大化分類面異側的空白區域，可以完成線性可分數據的最優分類。

對于本文中關于發生房顫與否的二分類問題，T={(x1,y1), (x2,y2),…,(xn,yn)}是本次實驗所使用的樣本集。xi∈RP,yi∈{ -1, 1},i= 1, 2,…,n；P是各樣本的維數；n是各樣本的個數。超平面方程是：

其中，ω是權向量，b是閾值。經過歸一化，若滿足yi(ω?xi+b) ≥1(i= 1, 2,…,n)，即可得出這個超平面對樣本的分類已經完成［17］。本文選用高斯徑向基作為內核，其計算復雜度低，且參數設置簡單，廣泛運用于各個領域的研究。本實驗中，SVM 對于房顫識別分類的準確率達到89.1%。

將Bagging 集成構建于決策樹基學習器上，并在決策樹訓練中加入隨機屬性的選擇，即可構成隨機森林。決策樹模仿樹的結構進行判斷決策，屬于較普遍的機器學習算法。生成一棵決策樹，包括決策樹生成、剪枝、特征選擇三大內容。特征選擇所表達的分裂標準將在很大程度上控制決策樹的泛化誤差，它是非常關鍵的一個部分。Bagging 基于自助采樣法，是一種經典的并行式集成學習方法。Bagging在訓練集合中，將樣本有放回地隨機抽取，每一輪的分訓練集的樣本，都是從訓練集中抽取的N個樣本。一輪訓練集中，某一訓練樣本被抽取0 至N次。結果集的產生需要將每次抽取出的子集作為算法的輸入，產生預測函數，再需要經過T輪循環。最后通過投票，解決預測函數的分類問題［18］。隨機森林算法的主要參數設置中，在考慮模型的準確度與穩定度時，還需兼顧模型效率，我們將樹的個數n_estimators設置為100；葉子節點上應有的最少樣例數min_samples_leaf 設置為4；分裂內部節點需要的最少樣例數min_samples_split 設置為8 時，隨機森林識別房顫的分類準確率達到95.2%。

2.3 模型評估

數據集中有70%的樣本作為訓練集；15%的樣本作為驗證集；15%的樣本作為測試集。訓練集作為構建預測模型的基礎，訓練樣本的數量將影響機器學習算法模型的預測能力。測試集作為檢驗模型性能的分析樣本。

混淆矩陣中，TP（True Positives）是將房顫脈搏波判定為房顫；FP（False Positives）是把非房顫脈搏波判定為房顫；FN（False Negatives）是把房顫脈搏波判定為非房顫；TN（True Negatives）是非房顫脈搏波判定為非房顫。

通過以下公式進行性能度量：

在評價分類算法的指標中，準確率是最常見的衡量指標之一，分類器的準確率越高即表明該分類算法的效果越好。但由于本文的數據源中，房顫數據與非房顫數據的樣本不平衡，還需引入精準率和召回率兩個指標。如上文公式所示，精準率代表所有預測為正類的結果中，真實正類的比例。召回率代表所有真實正類中，預測正確的比例。同樣，精準率和召回率的值越高，越能夠表明該分類算法優質。本文還引入了F-Score 指標，它將精準率和召回率進行加權調和平均，能夠為精準率和召回率提供一個綜合的評判標準［19］。

3 結果分析

基于實驗結果及評價指標可得如表1 所示的結果，隨機森林模型的準確率最高，達到了95.2%，BP神經網絡的準確率為92.3%，SVM 方法的準確率最低只有89.1%。通過對比能夠反映綜合評價指標的F-Score可以看出，隨機森林的F-Score為93.9%，高于另外兩個分類模型。且隨機森林模型的各項指標與其他模型相比，均保持了較高的水平。

表1 各分類器的性能指標Tab.1 Performance indicators of each classifier

在ROC空間中，ROC曲線越凸向左上方，表明該算法所能達到的分類效果越好；ROC 曲線越靠近對角線，則分類器越趨向于隨機分類器。筆者將3種分類器的分類效果進行比較，結果如圖3所示。

Area Under the ROC Curve（AUC）能夠準確反映分類器的性能，AUC 值越大，則此分類器的性能越好。如圖3 所示，灰色虛線代表AUC=0.5，SVM 的分類結果更靠近虛線，其AUC=0.938，隨機森林的ROC曲線最接近左上角即（0,1）點的位置，其AUC值達到了0.986。綜合以上評價分析結果可得，隨機森林模型對于房顫狀態脈搏波的識別分類效果優于SVM和BP神經網絡模型。

圖3 接收者操作特征曲線Fig.3 Receiver operating characteristic curve

4 結論

本次研究結果表明，PPG信號可用于判定房顫的發生，是一種可行的替代ECG 檢測房顫的方法；基于本文選用的6類脈搏波特征參數，使用機器學習算法對脈搏波進行分類，能夠有效區別出脈搏波的房顫狀態與非房顫狀態。本文還通過準確率、精準率、召回率、F-Score、AUC 值等評價指標評估模型效果，結果表明，使用隨機森林分類方法判別房顫發生的效果優于SVM 和BP 神經網絡，其準確率達到了95.2%。

下一步工作中，可基于目前的研究，分析更多的特征點，嘗試繼續提升分類效果。由于本文所使用的臨床數據來源于MIMIC 數據庫，缺乏相關校準記錄等信息，之后可使用精確的傳感器自主獲取數據，以期得到更好的房顫識別分類效果。