人工智能技術在電生理診斷中的應用現狀

王林峰 劉歡慶 周濤

1湖南中醫藥大學信息科學與工程學院 長沙市 410208

2長沙縣人民醫院（湖南省人民醫院星沙院區） 長沙市 410138

3湖南省人民醫院 長沙市 410005

電生理技術是利用儀器設備產生以電形式為主的能量刺激生物體，并測量、記錄和分析生物體發生的電現象和生物體的電特性的技術［1］，其作為一種輔助診查手段，在神經系統、心血管系統、內分泌系統等疾病的診斷和治療方面提供了重要參考依據。電生理主要分為心臟電生理和神經電生理，檢查的手段主要有腦電圖、肌電圖、經顱多普勒及心電圖四種。人工智能作為計算機科學的一個分支，近些年來發展迅速，并在眾多領域有著廣泛應用，如無人駕駛、智能機器人、同聲傳譯、智能輔助診斷等，為社會發展和人民生活水平的提升做出了重要貢獻。隨著人工智能技術的快速發展，其在臨床疾病智能診斷及預測等方面發揮重要作用。

人工智能技術介紹

人工智能結合了信息學、生物學、邏輯學、控制論、仿生學等眾多學科，以數據為基礎、計算能力為支撐、數學算法為方法，在機器視覺、語音識別、自然語言理解等領域取得了重大成果［2-3］。人工智能從20世紀60年代以來，先后經歷了兩次發展浪潮，理論體系和技術方法不斷完善。現階段，人工智能算法按照任務類型主要分為：分類、回歸、聚類、異常檢測四種。分類任務是指建立函數判斷輸入數據所屬的類別，類別可以是二分類也可以是多分類，該任務最為常見且應用最為廣泛，如人臉識別、語音識別，手寫識別、疾病預測等，分類算法主要有K-鄰近算法、支持向量機、邏輯回歸、貝葉斯網絡、決策樹、隨機森林、神經網絡等。回歸任務被用來預測具體的數值，建立變量間的相關關系，與分類任務的區別在于輸出結果為具體數值而非離散值，在現實生活中的應用有股票預測、商品房價格預測等；回歸算法主要有線性回歸、支持向量機回歸、嶺回歸等。聚類任務是指將數據對象聚成多個類簇，在現實生活中的應用有客戶群體區分等；聚類算法主要有K-均值算法、模糊聚類、層次聚類等。異常檢測任務指對數據中存在的不正常或非典型的分體進行檢測和標志，在現實生活中的應用有設備異常檢測、非法用戶檢測等；算法主要有支持向量機、主元分析等。

人工智能技術在電生理診斷中的應用情況

電生理診斷實際上是圖像信號的分析過程。人工智能技術在醫療領域有著廣泛應用，其在電生理診斷中的應用，不僅有助于提高電生理醫師的診斷效率及準確性，也能為相關疑難、危重疾病預測做出貢獻。本文通過分析中國知網及Pubmed平臺中的相關文獻，就人工智能技術在電生理診斷中的應用情況進行綜述。

一、腦電圖

腦電圖（electroencephalogram，EEG）是通過精密的電子儀器，將腦部隨時間變化的生物電活動加以信號放大而獲得的圖形［4］。腦電圖檢查作為判斷神經活動是否正常的重要手段，不僅在神經系統疾病的診斷方面有廣泛應用，且應用于危重患者腦電監測、圍生期異常的新生兒監測、癲癇手術治療的術前定位、大腦術后監測、睡眠監測等方面。

傳統的腦電圖檢查是通過醫生直接觀察腦電波進行相應的診斷，但是這種方法需要長時間的觀察，消耗了醫生的時間成本，且依賴醫生的臨床經驗，借助人工智能技術能夠快速有效地完成。目前人工智能技術在腦電圖信號分類領域的研究較多，且以神經網絡方法為主。如Acharya等［5］利用13層卷積神經網絡，結合十倍交叉驗證法，對正常人群、癲癇患者發作前及發作時的腦電圖信息進行分類，精準度高達88.67%。Daoud等［6］使用深度卷積神經網絡提取癲癇患者發作前及發作時的腦電圖信號特征，使用雙向長短神經網進行分類，精準度高達99.66%。Nayak等［7］利用三層前饋反向傳播人工神經網絡對癲癇發作的腦電圖信號和非癲癇發作的腦電圖信號進行分類，準確性較高。Stepanov［8］設計了連續小波變換方法獲取EEG信號，并利用神經網絡對輸入信號進行分類，取得了不錯的效果。Huan等［9］設計了一種雙狀態腦機接口，并利用六種不同算法對不同心理表現的受試者腦電信息進行特征提取，利用反向傳播神經網絡對特征進行分類，結果表明，使用最小二乘法與反向神經網絡的分類效果最好，準確率達93.10%。除了神經網絡方法外，也有研究者利用傳統的機器學習方法對腦電圖自動分類，如王燦強［10］通過算法對比研究腦電圖眼睛狀態的分類效果，結果表明在K-臨近、引導聚集、隨機森林和支持向量機四種算法中，K-臨近和隨機森林算法具有更高的預測準確度，其中隨機森林模型的預測準確度達到了93%，而基于K-臨近算法的模型預測精確度達到了97%。

二、肌電圖

肌電圖（electromyogram，EMG）是指用肌電儀或多導生理儀記錄下來的肌肉生物電圖形，用于評估肌肉活動。肌電圖檢查能夠有效確定周圍神經、神經元、神經肌肉接頭及肌肉本身的功能狀態，臨床中多用于糖尿病患者的周圍神經病變檢查、運動型神經損傷檢查、肌肉萎縮檢查等。

利用人工智能技術，不僅可以輔助肌電圖信號的智能診斷，并可以輔助評估肌肉力量和疲勞度、關節力度、面部表情等方面。周輝等［11］早在2002年便研制出診斷腰腿痛的人工智能專家系統，該系統采用國內多家醫院肌電圖專家的臨床經驗為知識基礎，以人工智能技術中的啟發式推理為方法，試驗證明該系統對腰腿痛的診斷結果較為合理準確。烏薩馬［12］針對現有的從肌電信號中提取肌肉活動特性以及計算肌力模型方法的復雜性問題，研究并提出了兩種新的肌力評估模型，從而簡化了評估肌力的方法，第一種模型采用神經網絡理論，第二種模型則以模糊邏輯為基礎。通過試驗對比了兩種模型的計算速度和穩定性，結果表明，模糊邏輯模型比神經網絡模型更快、更穩定，但是結構比神經網絡模型更復雜。Kim等［13］提出了一種利用EMG和人工神經網絡模型估算人體多關節僵硬度的新方法，研究者開發的人工網絡模型將EMG數據和關節運動數據與關節僵硬度相關聯起來，能可靠地估計多關節僵硬度，而無需復雜的計算或專用設備。該方法通過試驗和模擬結果證實了其可行性，為理解潛在的人體運動控制并開發靈巧機器人操縱的控制方法提供了理論和技術基礎。Latha等［14］開發的面部肌電圖模型可以與任何服務機器人連接，可以輕松識別人的六種情緒，即憤怒、厭惡、恐懼、快樂、中立和悲傷，從而可以更快地進行人機交互。研究者從20名受試者中獲取面部肌電圖信號，使用深度學習技術-卷積神經網絡模型應用于特征提取信號，獲得的最高分類精度為99.79%。

三、經顱多普勒

經顱多普勒（transcranial doppler，TCD）是用超聲多普勒效應來檢測顱內腦底主要動脈的血流動力學及血流生理參數的一項無創性的腦血管疾病檢查方法，臨床上多用于腦出血及腦梗死患者的康復檢查及術中檢查患者的腦血流情況。

目前國外用于TCD 數據分類研究的方法主要有支持向量機［15］和人工神經網絡［16-20］等。在國內，部分研究者在以上算法的基礎上進行了改進，如耿銀鳳等［21］應用蝙蝠算法（BA）優化極限學習機（ELM,一種單隱層前饋神經網絡）模型進行腦卒中分類預測，研究者利用 BA對ELM參數中的輸入權值矩陣和隱含層閾值矩陣進行了優化，并用 BA-ELM 模型對實驗所用的 TCD數據集進行分類。實驗結果表明BA-ELM 模型的分類準確率比單純的ELM提高了22.77%，能有效進行腦卒中預測。王志遠等［22］提出了一種新的模糊支持向量機分類算法，該算法首先對樣本做預處理，為了解決醫療數據的不平衡性，引入了基于不同懲罰因子的方法，該算法以正負樣本數目的比值作為平衡因子，用以調節數據集的平衡度，結果表明研究者提出的模糊支持向量機分類算法能夠有效識別TCD醫療數據。

四、心電圖

心電圖（electrocardiogram，ECG）是利用心電圖機從體表記錄心臟每一心動周期所產生的電活動變化圖形的技術，其主要用于檢查和診斷心臟功能狀態，心電圖檢查是臨床最為常用的檢查方法之一。早在20世紀90年代，就有很多研究者將人工智能技術應用于心電圖智能診斷及信號分類和處理［23-26］。心電圖信號的自動分類識別一直是心電信號自動診斷系統中的研究熱點與難點，相關的研究也較多，從研究角度劃分主要分為兩種類型，一種是多種心電圖信號的分類研究，分類方法主要為人工神經網絡，如前饋神經網絡、反向神經網絡、卷積神經網絡、徑向基神經網絡等［27-30］；另外一種是特定心臟疾病的智能診斷與預測研究。如王永祥［31］利用小波變換提取心電圖信號，再使用機器學習中的神經網絡、支持向量機和Adaboost算法進行分類，對Adaboost算法進行了優化，建立了心臟驟停預測模型，并驗證了模型的有效性。唐小梅［32］及張春云［33］使用支持向量機對室顫心電圖信號進行二分類研究，為室顫的預測提供了研究基礎。

總 結

通過分析以上研究發現，人工智能技術應用在電生理診斷中主要是以人工神經網絡技術為主，如卷積神經網絡、反向神經網絡、前饋神經網絡等。人工神經網絡在圖像處理和識別領域發揮著重要作用。借助人工智能技術輔助電生理診斷，一方面需要計算機專業研究人員加強對人工神經網絡技術的理論研究，解決神經網絡內部黑盒的弊端，另一方面需要臨床醫生加強對人工智能學科的認識及對專業知識的學習，不斷思考臨床中的其他疾病，尤其是危急危重以及難以發現的疾病能否借助人工智能技術進行預測，如是否可以通過患者腦電圖信號預測在一定時間段內發生蛛網膜下腔出血的概率及危險等級等。只有不斷思考，才能更好地利用人工智能技術服務于臨床診斷中，提升醫療服務水平。