基于VF 波形多特征參數的除顫成功率預測研究

袁 晶，李金玲，陳國盛，余 明，徐佳盟，陳 鋒，張 廣*

（1.軍事科學院系統工程研究院衛勤保障技術研究所，天津 300161；2.解放軍65316 部隊衛生連，遼寧瓦房店 116300）

0 引言

心室顫動（ventricular fibrillation，VF）是誘發心臟驟停猝死的重要原因之一，及時發現并進行電擊除顫和心肺復蘇（cardio pulmonary resuscitation，CPR）可挽救相當比例猝死者的生命[1-3]。相關數據表明，每延遲1 min，猝死患者的生存概率降低7%～10%[4]。在院外心肺復蘇急救中，對于短時VF 患者，電擊除顫容易使其恢復正常灌注節律；而對于長時VF 患者，電擊除顫前先行胸外心臟按壓，產生一定的血流灌注，有助于除顫成功率的提高[5-8]。為提高除顫成功率和復蘇效率，在心肺復蘇前首先需要預測除顫成功率，選擇在最易恢復規則灌注節律的時機進行除顫，從而判斷先行胸外按壓還是先行電擊除顫，這對提高患者生存率具有重要意義。但是僅僅憑借醫護人員的臨床經驗，往往很難準確預測除顫成功率，把握最優除顫時機。因此，需要通過對生理信號進行多源分析，挖掘其內含的多種特征信息，從而實現除顫成功率的綜合預測。

目前，已有研究機構開展了相關研究。如李景莎等[9-10]利用CPR 期間的冠脈灌注壓（coronary perfusion pressure，CPP）和心肌血流2 個生理參數準確預測了除顫成功率，但是有創生理參數的獲取需要進行血管插管，院外急救過程中無法應用。Indik 等[11]利用室顫心電波形的幅值頻譜和斜率預測第二次或之后電擊除顫過程中的除顫成功率，得到了較好的預測結果，AUC 為0.86；Lin 等[12]利用室顫心電波形的時、頻域參數預測了首次除顫成功率，AUC 為0.65。但以上2 項研究均未考慮不同室顫時間長度對除顫成功率的影響。

人體心電信號蘊含了大量的生理信息，可以綜合地反映心臟各腔室的電活動。本文利用心電信號，從時域、頻域、相空間、聯合域等多維度提取心電信號特征參數，變換預測時間窗口長度，利用機器學習算法，構建不同室顫時間長度下的除顫成功率預測模型，從而實現除顫成功率的準確預測。

1 數據來源

1.1 動物實驗介紹及實驗數據采集

本研究中所用數據全部來自于動物實驗。選取10 只體質量在25～30 kg 的健康長白豬，在術前稱重并記錄。將長白豬麻醉后，四肢固定于V 型槽狀手術臺，建立氣管插管機械通氣通道、呼氣末CO（2endtidal CO2，ETCO）2測量通道、心電圖（electrocardiogram，ECG）測量通道、腹主動脈血壓測量通道、胸外按壓深度測量通道、光電脈搏波測量通道和電極導管誘發室顫通道。其中，ECG 測量通道、腹主動脈血壓測量通道、光電脈搏波測量通道和胸外按壓深度測量通道連接至RM6240 系列多通道生理信號采集處理系統，用于波形顯示及記錄。

通過電極導管輸出30 V 左右的交流電，持續5 s，以誘發VF。如果不成功，則緩慢加大電壓至35 V，直至誘發VF。判斷誘發VF 的標準：有創血壓監測顯示平均動脈壓小于20 mmHg（1 mmHg=133.32 Pa）或腹主動脈壓出現大幅下降，伴有動脈搏動波消失，且ECG 顯示VF 波形、室性逸搏心率或1 條直線。誘導VF 成功后，取出電極導管，控制吸氧體積分數為100%、通氣頻率為15 次/min、潮氣量為15 mL/kg，進行電擊除顫，如未成功，進行胸外按壓2 min，進行第二次電擊除顫。自主循環恢復的標準：動物出現竇性節律，同時平均動脈壓大于50 mmHg 或脈壓差大于20 mmHg，且持續時間大于5 min。動物室顫模型建立過程如圖1 所示，流程時序圖如圖2 所示。

圖1 動物室顫模型建立過程

圖2 動物實驗流程時序圖

1.2 實驗數據提取

針對本研究目的，根據RM6240 系列多通道生理信號采集處理系統采集到的ECG 數據、腹主動脈血壓數據、胸外按壓深度數據，篩選成功誘發VF 至實驗動物恢復自主循環或死亡時間段內無按壓干擾信號的ECG 波形數據。截取電擊除顫前時間長度為4、8、10、12 s 的心電信號數據，并分別對除顫成功數據段和除顫失敗數據段在數據末尾添加區分標簽。

通過初步篩選，得到不同室顫時間長度的心電信號室顫數據，詳見表1。

表1 不同室顫時間長度的心電信號室顫數據 單位：組

得到各數據段后對其進行數據預處理，方便后續提取特征值。先將實驗數據通過低通濾波器濾除細小雜波干擾，然后對其進行數據規范化處理，將數據按比例縮放，使數據值映射到[0，1]。

2 除顫成功率多維預測算法

2.1 特征值提取

本研究分別從時域、頻域、相空間、聯合域4 個不同維度對室顫心電信號進行特征提取與分析，具體提取過程簡述如下：

（1）時域參數。

幅值峰峰值：幅值為VF 信號最大值與最小值之差，計算式為

式中，VFpk-pk表示幅值峰峰值；VFmax表示幅值的最大值；VFmin表示幅值的最小值。

幅值衍生變量包括最大值、最小值、平均值、極差、方差、標準差和四分位數。

幅值均方根（root mean square，RMS）：N 個VF 幅值的平方和除以N 后開平方的數值，計算公式為

式中，VFrms表示幅值的均方根；VFi表示室顫心電波形中的每一個幅值。

（2）頻域參數。

峰值頻率：作為描述室顫心電波形頻譜特性的重要參數，其定義為室顫心電波形功率譜最高能量所對應的頻率。

中值頻率：中值頻率是表征室顫心電信號功率譜能量的中間頻率值，具體為各個時間段功率的平均值，計算公式為

式中，Fmedian表示中值頻率；P（Fi）表示頻率Fi的功率譜能量。

平均功率：功率譜中總功率與總時間之比即為平均功率，其中總時間由數據窗口長度決定。

幅度頻率功率譜面積（amplitude spectrum area，AMSA）將時域內的室顫心電波形利用快速傅里葉變換方法進行頻域變換，得到室顫心電波形的幅度頻率功率譜。根據室顫心電波形幅度頻率功率譜包含面積計算出相應AMSA，計算公式為

式中，Ai為4～48 Hz 頻率范圍內第i 個頻率Fi對應的幅值。4～48 Hz 的帶通濾波可以有效濾除低頻按壓干擾和高頻環境噪聲。

（3）相空間參數。

角速度：角速度求解技術基于相空間重建算法。VF 波形隨時間變化的幅值為C1，同樣的VF 波形延遲N 個采樣點形成C2，其中C1 作為X 軸坐標值，C2 作為Y 軸坐標值，形成相空間圖，最后得到一個近似圓形的二維平面或餅狀三維空間軌道。沿著軌跡繞中心運動會發現隨著時間延長，旋轉速度（angular velocity，AV）逐漸減慢[13]。其中，獨立2 點Ai和Ai+1之間的角度可用以下公式計算：

式中，Yi為Ai點的幅值；k 為延遲點個數。

（4）聯合域參數。

對上述時域、頻域、相空間參數聯合使用，構成的特征值集合為聯合域參數。

2.2 基于機器學習的除顫成功率預測模型

本研究中用到的機器學習算法主要為邏輯回歸算法和支持向量機算法。

（1）支持向量機算法原理。

以線性可分的二分類問題為例，支持向量機分類算法的主要思想為構建一個最優超平面，使得位于超平面一側的點屬于同一類[14]。假設數據集共有m 個樣本點，超平面為ωx+b=0，支持向量分布在ωx+b=±1 上，確定最優超平面的過程可以轉換為求解不等式約束優化問題：

式中，yi表示第i 個樣本的結果標簽，xi表示第i 個樣本的特征。

為求解方便，將問題轉換為拉格朗日乘子對偶問題，設置拉格朗日乘子αi＞0，得到原始問題的拉格朗日函數：

對于線性不可分問題，可以將原始空間x 映射到線性可分的高維空間?（x），并通過函數K（xi，x）j=?（x）iT?（x）j在低維空間計算高維空間的點積結果，該函數即核函數。此時的分隔超平面變為

分類決策函數可寫為

（2）邏輯回歸算法原理。

邏輯回歸算法是一種臨床上廣泛應用的二分類算法，具有運算速度快、易于理解且能直接反映出各個特征的權重等優點，其主要思想是根據現有數據對分類邊界線建立回歸公式，以此進行分類[15]。給定輸入x，x∈Rnx，利用sigmoid 函數σ（z）=1（/1+e-）z將x的線性組合映射到（0，1）內，得到，如果＞0.5，則數據被分入1 類，否則被歸入0 類。分類后構建代價函數J（ω），利用梯度下降算法調整模型的參數，使代價函數不斷減小，直至滿足預設精度要求，模型參數按照下述公式進行更新：

式中，α 為學習率，即梯度下降的步長。

本研究中，利用Python 中的機器學習工具包Scikit-learn（V0.21.3）構建模型。在模型訓練過程中，利用網格搜索方法為邏輯回歸模型和支持向量機模型選擇合適的參數，最終確定邏輯回歸模型為LogisticRegression（C=0.26，intercept_scaling=5，max_iter=100，solver='saga'），支持向量機模型為SVC（C=0.034，cache_size=200，coef0=4，kernel='linear'）。

2.3 模型評價

為提高模型預測性能，用5 折交叉驗證方式進行模型的訓練與驗證。對于每種時間長度的數據，將所有可用數據均分為5 等份，每次用其中的4 份進行模型訓練，剩余的1 份用來驗證模型的性能，使每一份都用于1 次模型性能驗證。最終將5 折交叉驗證得到的模型性能指標進行平均計算，從而作為模型最終的性能評價指標。

本研究中用到的模型評價指標為準確率（accuracy，ACC）與AUC，其中ACC 計算公式為

式中，TP 為正例預測正確的個數；FP 為負例預測錯誤的個數；TN 為負例預測正確的個數；FN 為正例預測錯誤的個數。

2.4 除顫結果預測流程

除顫結果預測的整體流程如圖3 所示。首先，構建動物室顫模型，提取不同時間長度的室顫時心電信號。然后，對室顫心電信號進行濾波、歸一化等處理后提取用來構建預測模型的特征參數，構建特征值矩陣。最后，利用5 折交叉驗證方法構建除顫結果預測的機器學習模型，并進行預測性能評價。

圖3 室顫成功率預測算法流程圖

3 結果

分別用邏輯回歸和支持向量機2 種算法對數據段室顫時間長度為4、8、10、12 s 的室顫心電信號進行除顫成功率預測。邏輯回歸模型預測結果的ACC及AUC 詳見表2。從表2 可以看出，隨著室顫時間長度的增加，單一特征值建模時除個別特征參數外，ACC 和AUC 都有所增加，且性能穩定性也得到了提高。邏輯回歸算法建立的除顫結果預測模型最高ACC 為0.875，出現在室顫時間長度為4、10、12 s 且使用聯合域參數構建模型時。對AUC 進行比較，最優的預測結果為數據長度為12 s（使用聯合域參數所構建的預測模型），AUC 達0.938。

利用支持向量機算法構建的除顫結果預測模型的ACC 及AUC 詳見表3。從表3 可以更明顯地看出，各特征值構建的預測模型的ACC 和AUC 均隨著數據長度的增加呈整體增加的趨勢，最優的預測ACC及AUC 均出現在用特征值集合所構建的預測模型，最優預測ACC 為0.900，最優預測AUC 為0.949。

表2 邏輯回歸模型預測除顫結果性能

為進一步比較2 種機器學習算法構建的除顫結果預測模型的性能，分別對室顫時間長度為4、8、10、12 s 時2 種模型預測結果的AUC 進行比較，結果如圖4 所示。從圖4 可以看出，整體上，支持向量機模型的性能優于邏輯回歸模型，但相差不大；用聯合域參數構建的模型性能均優于用單個特征值所構建的模型。

4 討論

既往對除顫結果預測的研究主要集中于使用VF 振幅、頻率、持續時間等單一特征參數，預測模型也是使用常規的線性模型或其他回歸模型。本研究分別從單特征參數和特征集合2 個方面，利用邏輯回歸和支持向量機2 種機器學習算法構建除顫結果預測模型，模型預測ACC 最高為0.900、AUC 最大值為0.949。

表3 支持向量機模型預測除顫結果性能

圖4 不同室顫時間長度下各模型預測結果的AUC 比較

通過對2 種機器學習算法構建的除顫結果預測模型進行比較可知，隨著建模所用數據長度的增加，2 種模型的預測性能整體上呈現逐漸增強的趨勢。用聯合域特征值構建的模型性能比單一特征值構建的模型性能要好，說明較長的數據段和特征參數的集合包含更多的有用信息，能夠更好地對除顫的結果進行預測。

此外，通過對比2 種算法構建的預測模型的AUC 可以明顯看出，支持向量機方法構建的預測模型性能優于基于邏輯回歸算法構建的預測模型，說明支持向量機算法在處理高維空間非線性問題時性能更優。綜上所述，基于支持向量機構建的除顫結果預測模型能夠滿足目前對預測精度的要求。

本研究還存在以下不足之處：首先，本研究分析的數據是由動物實驗所得，數據量較少，下一步將繼續建立動物實驗模型，增加數據量，使論證結果更具可靠性；其次，需要將除顫成功率預測算法應用到臨床實踐中，通過建立多中心心肺復蘇臨床數據庫，應用臨床數據對算法預測ACC 進行分析改進，從而加快算法在臨床實踐中的移植進度。

5 結論

本研究通過建立動物室顫模型，分別提取不同時間長度的室顫心電數據，根據電擊除顫的成功與否對心電數據進行分組，從時域、頻域、相空間、聯合域維度對提取的心電信號進行分析，并提取相關特征參數。利用邏輯回歸算法和支持向量機算法構建除顫成功率的預測模型，通過比較使用單一類型特征參數與聯合使用時域、頻域和相空間參數的建模結果可知，綜合利用各維度特征參數，選取12 s 的數據段，能夠較好地對除顫的成功率進行預測，預測ACC 可達0.900。本研究能夠輔助在院外急救中選擇合適的電擊除顫時機，從而提高救治成功率。