陸軍軍醫(yī)大學 生物醫(yī)學工程與影像醫(yī)學系，重慶 400038

引言

近年來，隨著廣大媒體對猝死事件的相繼報道，心源性猝死（Sudden Cardiac Death，SCD）受到的關注度越來越高，已經(jīng)成為研究的熱點。根據(jù)2019年8月國家心血管病中心發(fā)布的《中國心血管病報告2018》顯示，我國每年約有54.4萬人死于SCD，是世界SCD死亡人數(shù)最多的國家[1]。而SCD中約有75%～80%由室顫引起[2]，已經(jīng)嚴重危害公共衛(wèi)生健康，所以及時有效地預防室顫發(fā)生成為降低死亡率的關鍵。我國應急醫(yī)療救護極少在前往室顫現(xiàn)場的途中提供心肺復蘇指令。前期的研究指出從呼叫到救護車到達室顫現(xiàn)場的平均單程間隔為16 min（4～43 min）[3]。此外，交通擁堵、高層建筑、無電梯公寓和可調(diào)度醫(yī)療資源等因素直接決定了從接到急救電話到對患者第一次除顫的時間。而除顫每延遲1 min，成功率將下降7%～10%[4]。因此，除利用公共應急醫(yī)療服務挽救室顫患者生命外，更好的方法則是對室顫發(fā)生進行預測。

已有研究指出，通過心率變異性（Heart Rate Variability，HRV）特征可以預測室顫發(fā)生。2007年，Shen等[5]使用4個HRV特征預測室顫發(fā)生；Ebrahimzadeh等[6]使用23個心電特征提前13 min預測室顫。同時，臨床上已廣泛證實，一些心電圖（Electrocardiogram，ECG）形態(tài)學特征與室顫有關，如QRS時限、QT間期延長、T波倒置等。而目前兩類特征對室顫預測結果的比較未見相關報道，本文旨在比較兩類不同特征對室顫預測能力的差異。

1 資料與方法

1.1 資料來源

ECG數(shù)據(jù)選自麻省理工心電公共數(shù)據(jù)庫[7]（MIT-BIH；http://ecg.mit.edu）與美國心臟學會（American Heart Association，AHA；https://www.heart.org）的付費數(shù)據(jù)庫[8]。對照組來自MIT-BIH的正常竇性心律數(shù)據(jù)庫（NSRDB；n=18）與Fantasia數(shù)據(jù)庫（n=40）；室顫組分別來自MIT-BIH的SCD數(shù)據(jù)庫[9]（SDDB，n=23）、MIT-BIH的克萊登大學室性快速心律失常數(shù)據(jù)庫（CUDB，n=35）與AHA室顫數(shù)據(jù)庫（VFDB，n=20）。所有ECG記錄均采用第二導聯(lián)。

1.2 方法

1.2.1 建立數(shù)據(jù)庫

室顫選入標準：① 首次發(fā)生室顫，若一條記錄中發(fā)生2次或2次以上室顫則只選擇第一次室顫；② 室顫前連續(xù)搏動大于5 min；③ 室顫持續(xù)時間大于10 s。共排除19條心電記錄，其中SDDB中3條記錄沒有發(fā)生室顫，2條記錄無法確定室顫發(fā)生時間；AHA中1條記錄不能確定首次發(fā)生室顫時間；CUDB中有13條記錄沒有發(fā)生室顫。最后，共選擇59條室顫ECG記錄，58條健康ECG記錄。入選ECG記錄的基本描述，見表1。

表1 入選ECG記錄的基本描述

1.2.2 數(shù)據(jù)截取

室顫組：將最后一個可識別的R峰定義為室顫的分界點，記錄為室顫前第1 min。分別從室顫前第1 min與第5 min向前截取1 min的心電數(shù)據(jù)，即0～1 min與5～6 min。對照組：將開始記錄點定義為第1 min，按照室顫組標準截取數(shù)據(jù)。選取第1 min的心電作為訓練集，第5 min數(shù)據(jù)段作為測試集。

1.2.3 預處理與特征計算

首先，使用4階IIR Butterworth帶通濾波器（0.3～100 Hz）去除高頻噪聲和基線偏移[10]，采用50 Hz陷波濾波器消除工頻干擾，將所有信號統(tǒng)一重采樣至1000 Hz。使用Pan-Tompkins算法進行R波識別[11]。使用基于最小均方差陷波濾波器獲得P、Q、S、T波[12]。最后對上述所得波形進行校正。

所選形態(tài)學特征與HRV特征的計算方法分別采用《2009 AHA/ACC/HRS關于心電圖標準化和解釋的科學聲明建議》[13]與《歐洲心臟病學會和北美起搏和電生理學學會（1996）專家組心率變異性測量、生理解釋和臨床應用標準》[14]中推薦Houshyarifar等[15]已公開發(fā)表文獻中的算法。本研究所用特征的定義和計算公式，見表2。為避免特征數(shù)量級與單位對預測結果的影響對所有特征歸一化處理。

表2 本研究所用特征的定義和計算公式

1.2.4 特征篩選

由于特征不滿足正態(tài)分布，采用Wilcoxon秩和檢驗比較兩組間特征的差異。采用Pearson相關性分析檢驗相關性。利用受試者特性曲線下面積（Area Under Receiver Operating Characteristic Curve，AUC）評估各特征的預測能力，并通過Z檢驗進行比較。P<0.05認為差異具有統(tǒng)計學意義。在預實驗中兩類特征共計算得到16個，對Wilcoxon秩和檢驗結果和預測能力分別進行排序后，各選取5個具有代表性和預測性的特征。選取標準如下：① Pearson相關性檢驗P>0.05；② Wilcoxon秩和檢驗P<0.05；③ 受試者最大AUC>0.7[16]。

1.2.5 預測模型與評價指標

使用邏輯回歸（Logistic Regression，LR）、反向傳播神經(jīng)網(wǎng)絡（Back Propagation Neural Network，BPNN）、支持向量機（Support Vector Machine，SVM）三個不同預測方法結合兩類特征對室顫進行預測。

（2）SVM模型。本研究中模型選擇徑向基函數(shù)為核函數(shù)[18]，懲罰因子C=1和比例因子σ=0.03。較小的懲罰因子和比例因子，使支持向量機的風險函數(shù)對較大的訓練數(shù)據(jù)有解。

（3）BPNN模型。該BPNN由三層網(wǎng)絡構成，包括輸入層、隱含層和輸出層[19]。輸入層的節(jié)點數(shù)量與特征的數(shù)量相同，輸出層由兩個節(jié)點組成。輸入和輸出節(jié)點都使用線性傳遞函數(shù)，隱含層使用Sigmoid函數(shù)。

（4）評價指標。采用準確度（Accuracy，Acc）、靈敏度（Sensitivity，Sen）、特異度（Specificity，Spe）和AUC值評估預測結果。TP為真陽性，TN為真陰性，F(xiàn)N為假陰性，F(xiàn)P為假陽性。使用SPSS 20.0軟件的χ2檢驗比較不同特征預測結果Acc、Sen和Spe的差異，采用Z檢驗比較AUC的差異。Acc、Sen和Spe計算公式如下。

2 結果

2.1 特征的統(tǒng)計學結果

圖1與圖2分別為形態(tài)學特征與HRV特征在對照組與室顫組第1 min的統(tǒng)計差異。形態(tài)學特征中，兩組間5個形態(tài)學特征在統(tǒng)計學上均有顯著差異（P<0.0 5），其中QT離散度（對照組=185.086±142.030，室顫組=547.525±456.356）、R波時限（對照組=62.792±14.463，室顫組=120.397±43.735）和T波倒置（對照組=3.724±13.743，室顫組=22.152±23.906）有極顯著性差異（P<0.01）；P波幅度（對照組=0.090±0.068，室顫組=0.163±0.166）與RS段降肢均方差（對照組=3.345±8.051，室顫組=9.211±11.335）有顯著性差異（P<0.05）。室顫組的形態(tài)學特征離散度較高，標準差均大于對照組。此外，兩組間差異最大的特征為T波倒置，室顫組發(fā)生T波倒置個數(shù)（22.152±23.906）約為正常組（3.724±13.743）的6倍。

圖1 形態(tài)學特征的組間差異

HRV特征中，相鄰RR間期差值均方根（對照組=59.086±45.457，室顫組=180.282±405.526）、RR間期極差（對照組=344.189±256.655，室顫組=677.813±1586.226）與AE（對照組=0.223±0.119，室顫組=0.346±0.192）在統(tǒng)計學上有差異（P<0.05），且離散度較高。SvdE（對照組=2.021±0.157，室顫組=2.124±0.204）與分型維度（對照組=1.380±0.116，室顫組=1.400±0.157）沒有統(tǒng)計學差異。其中，相鄰RR間期差值均方根在兩組間差異最顯著，室顫組（180.282±405.526）約為對照組（59.086±45.457）的3倍。

圖2 HRV特征的組間差異

2.2 單個特征預測能力比較

圖3與圖4分別為本研究所有使用的形態(tài)學特征與HRV特征在兩個時間點的AUC值。在第1 min時，除P波幅度與相鄰RR間期差值均方根兩個特征外，其余所有特征都表現(xiàn)出高預測能力（AUC>0.7）。其中，形態(tài)學特征中QT離散度、R波時限和T波倒置的AUC值均大于0.8，RS段降肢均方差也有較高的預測能力。HRV特征中，只有SvdE的AUC值大于0.8。計算得到形態(tài)學單個特征的AUC平均值（0.818±0.100）大于HRV特征的AUC平均值（0.756±0.080），但差異無統(tǒng)計學意義（P=0.359）。

圖3 兩類特征在室顫前第1 min的AUC值

圖4 兩類特征在室顫前第5 min的AUC值

在第5 min時，除了P波幅度與相鄰RR間期差值均方根兩個特征外，分型維度的AUC也下降到0.563，其余特征AUC仍大于0.7。形態(tài)學單個特征的AUC平均值（0.820±0.099）大于HRV特征的AUC平均值（0.718±0.107），但差異無統(tǒng)計學意義（P=0.198）。

此外，R波時限在兩個時間點上的AUC分別為0.952和0.940，在所有形態(tài)學特征中最高。SvdE是HRV特征中AUC最高的，分別為0.907和0.879。除P波幅度和QT間期離散度兩個特征外，其余所有特征在第5 min的AUC值均低于第1 min，均有下降趨勢。

2.3 多特征組合預測能力比較

表3為分別使用形態(tài)學與HRV特征在三種不同預測模型情況下的預測結果。可以觀察到，在使用相同特征、不同算法的預測結果中，使用形態(tài)學特征的LR算法（LR-Mor）預測結果最佳，Acc和Sen分別為96.5%和94.6%。使用形態(tài)學特征的SVM算法（SVM-Mor）和BPNN算法（BP-Mor）的Spe結果優(yōu)于LR-Mor算法，均達到100%。

表3 使用兩種特征對室顫的預測結果

在使用相同算法、不同特征時，使用形態(tài)學特征預測的Acc和Sen均優(yōu)于使用HRV特征的預測結果，且均有統(tǒng)計學差異（P<0.05）。使用形態(tài)學特征的預測結果為Acc=93.5%，Sen=87.4%，Spe=99.4%；使用HRV特征的預測結果為Acc=81.4%，Sen=72.4%，Spe=90.2%，組間對比P值分別為0.012、0.009和0.108。其中，使用SVM算法在兩種特征的預測結果差異最大（P<0.01）。在使用HRV特征時，BPNN-HRV的預測結果最佳（Acc=84.2%，Sen=76.8%，Spe=91.4%）。

3 討論

本研究利用公共數(shù)據(jù)庫計算室顫發(fā)生前心電數(shù)據(jù)的兩類不同特征，比較兩類特征對室顫的預測能力。結果顯示單個形態(tài)學特征的平均預測能力高于單個HRV特征，但沒有統(tǒng)計學差異。將同類特征組合后，使用相同預測算法預測室顫的結果時，形態(tài)學特征的優(yōu)于HRV特征，表明在特征組合后形態(tài)學對室顫的預測能力優(yōu)于HRV特征。

有研究表明，室顫前人體會出現(xiàn)一系列不同的癥狀，如心慌、乏力、煩躁不安、胸悶等，而這些癥狀的出現(xiàn)從心臟的電活動中可以直接、迅速地觀察到[18]。另報道指出，在院前急救中多數(shù)室顫患者存在急性冠脈綜合征和急性心肌梗死[3]。本研究所選取的形態(tài)學特征與室顫的相關性均已得到臨床證實。一項長期心臟病的隊列研究顯示，在30年隨訪結果中伴有R波時限延長的人群發(fā)生SCD的概率是沒有該癥狀人群的2.9倍[20]。QT間期可直接反應心室活動。國內(nèi)外均有研究證實長QT是健康人發(fā)生猝死的危險因素，QTc間期大于530 ms發(fā)生SCD的風險增加[21-22]。在臨床上，T波倒置是心臟缺血的重要表現(xiàn)之一，T波倒置同時也是致死性和非致死性心臟病最常見的ECG異常。由于充血性心力衰竭，T波倒置的受試者住院的風險增加，伴有T波倒置的患者的突發(fā)心臟病和SCD風險是沒有T波倒置患者的2倍[23]。P波幅度增大可能引起交感神經(jīng)過度興奮，從而導致心率加快，增加發(fā)生室速或室顫的風險[24]。RS段降肢均方差可以側面反映心電信號出現(xiàn)Lambda波（λ波）[25]，該波型與原發(fā)性SCD有關已經(jīng)得到臨床證實。上述形態(tài)學特征均不會是突然出現(xiàn)的，而是心臟在早期已經(jīng)產(chǎn)生一定程度的病理性或器質性變化，心電的形態(tài)學特征會隨著上述變化的出現(xiàn)發(fā)生改變，因此心電的形態(tài)學特征對室顫的預測能力較強。

HRV幾乎完全取決于自主神經(jīng)對竇房結的影響，主要反映副交感神經(jīng)的興奮情況，副交感神經(jīng)越興奮，心臟越穩(wěn)定，并不是心臟情況的直接反映[26]。并且交感神經(jīng)的興奮性或其他因素（如藥物），也會影響HRV的變化，因此不能將HRV的變化與心臟的情況混為一談。相較于長程的HRV分析，短程的HRV分析對于心肌梗死早期患者的心律失常事件沒有預測價值[22]。在之前所有使用HRV分析預測室顫的研究中均使用最短1 min的HRV信號[6,9,15]，本研究為與上述研究保持一致，也使用1 min的ECG與HRV信號。但當使用形態(tài)學特征預測室顫時可以極大地縮短所需信號長度，這也間接的提前了可預測室顫的時間。結合本研究圖3與圖4的結果，室顫發(fā)生前1 min與間隔室顫發(fā)生前5 min的形態(tài)學的平均變化程度為0.002±0.0269，而HRV的變化程度為0.038±0.067，表明隨著時間的提前HRV特征的變化程度比形態(tài)學特征迅速，越接近室顫發(fā)生HRV的變化越明顯，但與之相反的同樣也導致隨著時間的提前HRV特征與正常人群的差異越小，所以導致其預測能力下降。因此，在本研究表3的結果中顯示，在同樣使用第5 min特征預測室顫時，HRV特征的預測結果沒有使用形態(tài)學特征預測結果好的重要原因之一。

為避免預測方法上帶來預測結果的差異，本研究使用三種預測算法比較兩類特征的預測能力。可以觀察到，三種預測算法的結論相同，形態(tài)學特征的預測結果優(yōu)于HRV特征的預測結果，尤其是SVM算法Acc、Sen和Spe的結果在統(tǒng)計學上均有顯著性差異。本研究的樣本數(shù)量總體上為小樣本預測，且SVM算法的優(yōu)勢在于小樣本預測，可以間接說明預測結果的準確性。另外，結果表明LR預測算法對形態(tài)學特征更加敏感，利用其計算簡便的特點也可以縮短預測時間，將室顫的預警時間提前。

形態(tài)學特征預測室顫的優(yōu)勢還在于：① 在HRV特征計算過程中，當出現(xiàn)早搏等異常波動時HRV需要人為插值計算，而形態(tài)學特征不需要；② HRV特征的計算必須首先采集完整時長的心電信號后才能得到，而形態(tài)學特征可以在心電采集的同時計算結果，做到邊采集邊預測；③ 除HRV的時域特征外，其余特征計算復雜，形態(tài)學特征計算簡便；④ 用于預測室顫的形態(tài)學特征均有臨床意義，得到的預測結果對醫(yī)生診斷病情有益，而部分HRV特征沒有明確的臨床意義，如各類熵與分型維度。上述優(yōu)勢也為今后除顫器或其他醫(yī)療設備使用形態(tài)學特征更準確、更簡便的預測室顫提供了基礎。

4 結論

心電的形態(tài)學特征與HRV特征作為預測室顫的重要方法，越來越受到關注，并且在前期的研究中已經(jīng)驗證了這些指標的預測能力。本研究結果表明形態(tài)學特征的預測能力強于HRV特征，且任何單個特征的預測能力有限，聯(lián)合多個形態(tài)學特征可以更準確地預測室顫的發(fā)生。