检索历史 清除

摘要心房颤动简称房颤（Atrial fibrillation，AF）是一种与年龄高度相关的常见心律失常，其患病率随着全球人均寿命的延长而急剧上升，已成为全球公共卫生领域面临的紧迫问题。在中国，由于不良的生活方式和饮食习惯，高血压、糖尿病、肥胖和冠状动脉疾病等与房颤相关的致病因素日益增多，导致房颤患病率亦随之增加。房颤不仅增加了患者中风、心力衰竭等严重健康并发症的风险，也显著增加了医疗成本。<br>　　房颤在未引发并发症前很难被发现，智能检测算法为持续监测房颤提供了一个便捷的途径，这对房颤的早期诊断具有重要意义。然而，现有的房颤自动检测算法存在一定的局限性，如特征冗余度较大，误诊率高，其检测性能和效率存在优化空间。本研究通过深入分析 RR 间期（RR interval，RRI）在房颤发生时的分布规律，发现了房颤与其他心律 RRI的分布特性差异，提出了高效表征房颤关键特征的新策略，并在此基础上发展了基于二维庞加莱散点图（Poincaré plot）的房颤检测方法和基于高维广义庞加莱散点图的端到端房颤检测模型。与其他相关方法比较，所提方法和模型显著改善了房颤检测的特异性，并且提高了检测性能和效率。本文的主要研究内容与贡献总结如下：<br>　　（1）房颤 RR 间期分布特性研究。针对房颤与异位心律（如早搏）较难区分的问题，本研究采用庞加莱散点图技术，研究了房颤与其他心律的 RR 间期分布特性。研究结果显示，ΔRRI 庞加莱散点图中角度的均匀性和径向分量的幅度能够有效反映 RRI序列的不规则性和变异度。通过量化这两个特征，并在模拟数据集上进行应用，本研究实现了对房颤与异位心律的区分，准确率达到94.02%，同时对房颤与窦性心律的鉴别准确率达到了99.09%。本研究确立了庞加莱散点图中角度和径向分量在表征 RRI序列不规则性和变异度方面的关键作用。这一成果不仅为房颤特征的量化提供了新的理论基础，同时也为后续算法的设计提供了科学指导。<br>　　（2）基于二维庞加莱散点图的房颤检测方法研究。本研究分别从ΔRRI 庞加莱散点图角度分量和径向分量的分离和结合策略出发，提出了两种新颖的房颤检测方法。第一种方法采用了特征分离的策略，该方法利用 Rao 检验统计量来捕捉角度均匀性，同时采用类似变异系数的指标来描述变异度，以支持向量机（Support Vector Machine，SVM）作为分类器对房颤和非房颤进行分类。第二种方法采用了特征结合的策略，通过将角度和径向分量表征的特征融合成一个直方图，并从中提取直方图的宽度和高度作为分类特征，进而设定阈值来实现分类。在三个真实世界数据库的测试中，两种方法相比传统算法均展示出了性能的提升。实验结果表明，基于分离特征的方法在麻省理工学院-波士顿医院房颤数据库（MIT-BIH Atrial Fibrillation Database, AFDB）上，使用长度为127个数据点的RRI序列，实现了97.97%的分类准确率。采用特征结合策略的方法，使用一分钟长度的RRI序列，将分类准确率进一步提高到98.34%。这些结果表明了所提方法的有效性。<br>　　（3）房颤检测的端到端模型研究。本研究提出一种基于高维广义庞加莱散点图的端到端房颤检测模型。该模型使用卷积神经网络（convolutional neural network，CNN）中卷积层来生成广义庞加莱散点图，继而利用移位球面投影法（Shifted Spherical Projection，SSP）和索伯列夫检验（Sobolev test）统计量来结合散点图角度和径向分量的特征，以捕获 RRI序列的不规则性和变异度。在 9个真实世界数据集上进行的验证实验表明，该模型具有优异的性能。在使用32个数据点长度的RRI序列进行的实验中，该模型在AFDB上达到了97.45%的准确率。该模型不仅在性能上超越了其他深度学习方法，而且在模型结构的简洁性和可解释性方面都具有优势。特别是在短 RRI序列上的优异性能，使得该模型有望被应用于房颤的实时检测，在房颤筛查与辅助诊断领域具有应用潜力。<br>　　综上所述，本研究从探索房颤 RRI分布的特性入手，逐步深入并优化了基于庞加莱散点图的房颤检测技术。在理论层面，本研究为房颤检测提供了新的特征量化策略和方法。在实践层面，本研究提出的房颤检测方法和端到端模型，提高了房颤检测的特异性、准确性和效率。这些研究成果有望应用于大规模房颤筛查以及辅助医生进行房颤诊断。此外，本研究也为心律失常的智能监测与分析提供了新的技术路径和研究思路。