心电动力学信号数据特征提取与模式识别的研究进展

易力 李祥 何俊德 李伟 郑大

心电动力学信号的特征分析及识别算法，是一种基于心电信号转化数据的心电动力学信号诊断方法，可应用于神经网络建模、异质度特征的量化提取和心脏疾病(如急性冠脉综合征)的辅助检测。在心电动力学信号的早期研究中，这种基于心电信号转化数据的心电动力学信号诊断方法展现出重要的临床应用价值。本文综述了国内外有关心电动力学信号的理论研究进展，重点分析了心电动力

学信号的数据特征，以及对应的识别算法在心脏疾病辅助诊断中的应用。

1 心电动力学信号的理论研究进展

1.1 心电动力学信号的研究背景

心电动力学信号是基于心电信号产生的非平稳信号。由于有限的、静态的信号无法有效呈现心电动力学信号的动态信息，因此，为了更好地研究心脏在正常和病理情况下的心电动态信息，研究人员建立了多种心电动态模型[1-3]。1956年，Frank[1]构建了立体心电向量图，将横轴、竖轴和前后轴垂直相交后构成三维立体空间，可阐述心电图的产生原理，在国内外获得广泛认同和采纳。此后，Dower对Frank的立体心向量图进行了简化改良(保留了原有的A、E和I三个电极，在胸骨柄处增加了S电极)，设计出EASI导联系统。新的导联系统可直接记录E-S、A-S和A-I三个双极导联的心电图，并可衍生出常规12导联和其他需要的导联心电图[2]。然而，这些心电动态模型易受个体差异性的干扰，自身参数也难以灵活调整[1-10]，因此制约了其临床应用。为此，Ghadrdoost等[3]在心电向量图的基础上设计出心电CGM图(cardiogoniometry图)，可采集到形状参数、幅值等心电信号特征信息，被用于心脏疾病的检测[4]。

1.2 心电动力学信号的基本原理

图1 健康人(A)和心肌缺血患者(B)的心电动力学图[9]

2 心电动力学信号数据特征的研究现状

2.1 心电动力学信号数据特征及其量化价值的研究

已有研究表明，心电动力学信号的数据特征包括时间离散量化特征、时间异质度、空间离散量化特征、空间异质度及图像特征等[11-13]。这些数据特征对呈现心脏电活动非线性系统的动态量化信息具有重要意义。2016年，文斯民[11]在基于确定学习的心肌缺血早期诊断系统的研究中，提取了心电动力学信号的时间离散度和空间离散度这两种数据特征，并计算它们的离散数值，作为心肌缺血早期诊断的参考信息，同时为心肌缺血所引发心脏疾病的早期筛查提供理论指标。在上述研究基础上，王聪等[12]在心脏电活动系统动态的病理特征量化提取的研究中，进一步用数学函数模拟了心肌缺血患者心电动力学信号数据的时间及空间的离散量化特征，并通过有效的样本数据训练，获得心电动力学信号数据特征的量化区间，从而对心电动力学图像进行量化分析，实现了对心电动力学信号数据的定量描述。2018年，龚莹岚等[13]进行运动员的训练状态研究，采集了运动员在一定运动负荷训练后的多导联心电图ST-T段或T波数据，并构建心电动力学模型，获取运动员的心电动力学数据，并计算心电动力学数据的时间及空间异质度的量化数据，最终得到运动员的运动训练负荷监测指标，用于评估运动员的训练负荷。

2.2 心电动力学信号数据特征的其他相关研究

尽管心电动力学信号的数据特征对有关心脏电活动非线性系统动态的量化价值的研究十分重要，但Wen等[14]研究表明，心电动力学信号的图像特征同样重要。他们对运动员运动过程中的心脏功能进行监测，发现在某些条件下，心电动力学图像的测试准确性高于心电图。Wen等[14]以17名14～28岁的运动员作为试验对象，分别在高强度运动前、运动后2 h和运动后14 h提取试验对象的CDG图像和血检指标数据，结果表明，当以肌酸磷酸激酶-MB同工酶和高敏肌钙蛋白I作为标准时，CDG图像的测试准确率约80%。这为运动员强度训练后的医疗保健提供了新的参考指标。此外，在心脏电活动系统动态的病理特征量化提取的研究中，王聪等发现健康人的心电动力学图像更趋于规则、完整的形态；而有心肌缺血等症状的患者，心电动力学图像则呈现杂乱无序的状态，表现出一定的混沌特性[9-12]。

3 心电动力学信号数据特征的提取与分析

心电动力学信号的数据特征能反映数据背后所隐藏的心脏疾病的病理规律[12-14]，为心脏疾病的早期诊断等临床应用提供有指导性的病理考量参数。下面介绍时间离散量化特征、空间离散量化特征和时间异质度这几种心电动力学信号数据特征的提取与分析。

3.1 时间离散量化特征的提取与分析

3.2 空间离散量化特征的提取与分析

空间离散量化特征主要用于表示心电动力学信号相空间相邻轨迹的平均指数发散率的数值特征。它可用来分析心电动力学信号的混沌运动量化数据的特征，常被用于心肌缺血等心脏疾病的早期筛查。2017年，王聪等[12]按如下步骤对空间离散量化特征进行了提取：

3.3 时间异质度的提取与分析

时间异质度是以傅里叶变换系数为基础，刻画图像数据信息的时间周期性变化。龚莹岚等[13]采用数学函数arg min来刻画运动员心电动力学信号的时间异质度特征，通过计算ST-T环或T环的空间异质度(spatial heterogeneity index，SI)和时间异质度(time heterogeneity index，TI)，得到运动训练负荷监测指标E。E=a×TI-b×SI+c，其中a、b和c为可变系数。根据运动训练负荷监测指标E与血检结果的一致性，确定a、b和c的值，并在此基础上制定或调整相应的运动训练计划[13]。

4 心电动力学信号数据特征的模式识别及其临床应用

关于心电动力学信号数据特征的模式识别，其研究重点在于构建心电动力学信号特征识别模型[15-16]。目前，多数学者侧重于心电动力学信号数据特征的提取与分析方面的研究，关于将识别模型应用于疾病辅助诊断的研究还十分有限。

4.1 模型构建与目标数据识别

4.2 心电动力学信号的图像模型在远程心肌缺血检测中的应用

基于心电动力学信号识别模型的相关研究，雷鹏[19]在远程心肌缺血检测系统的设计与实现的研究中，利用心电动力学信号的图像模型对心肌缺血开展远程检测：首先，采用“客户端-服务器”模式进行数据传输，用户通过客户端上传心电数据到服务器，服务器采用差分阈值法得到心率数据等信息；然后，采用确定学习方法对心电图的ST-T段进行数据计算，获得心电动力学图像数据；最后，根据心电动力学图像的数据特征，由客户端输出心电图、心率信息和心电动力学图，并出具心肌缺血的检测报告。尽管该心肌缺血检测系统在一定程度上解决了心电图早期筛查心脏疾病敏感度过低的问题，但由于该检测系统所提供的心电动力学数据的量化判定信息有限，因此尚不足以用于临床判定心脏疾病的病情。

5 讨论

关于心电动力学信号，现有的研究主要是对心电动力学数据进行特征挖掘和统计分析，涉及的数据特征主要包括时间离散特征、空间离散特征、时间异质度和空间异质度等[14, 17-18]。关于心电动力学信号特征的提取方法，现有研究主要是采用RBF神经网络建模方法，再现心电动力学信号的动态演变规律。在基于心电动力学信号特征的量化识别算法的研究方面，现有文献主要采用动态模式数据库构建和动态模式的残差识别等方法，对心电动力学信号数据进行识别和归类。

尽管心电动力学信号的特征分析及模式识别的临床应用还十分有限，但其仍具有良好的发展前景。心电动力学信号比心电信号的敏感性更高，健康人群和心肌缺血引发心脏疾病(如急性冠脉综合征)患者的心电动力学信号之间存在显著性差异：前者的心电动力学图像趋向于规则完整；后者的心电动力学图像呈现杂乱无序的状态，具有一定的混沌特性。此外，在众多反映心电信号混沌性变化的指标[15-16, 20]中，研究者多采用近似熵来研究心电信号中时间序列的不规则性和复杂性，采用信息熵来衡量心电信号中离散随机事件出现的概率；而心电动力学信号具有和心电信号一样的周期性和随机性，因此也可利用上述混沌指标来表征其数据特征。

然而，关于心电动力学信号的数据特征分析及模式识别的研究，目前仍存在一些挑战：能投入临床应用的神经网络诊断模型还不够成熟；挖掘出的心电动力学信号特征的数据信息还比较有限；基于数据特征深度分析的再识别及再分类的相关研究困难重重。在未来的研究中，若能提高心电动力学信号拟合模型的准确度，并能从心电动力学信号中挖掘出更丰富的数据特征及量化指标(包括信息熵、近似熵等混沌特性指标)，那么将在混沌特征量化参数的层面上推动心脏疾病的早期筛查，对病情风险和药物疗效的跟踪评估也具有一定的临床参考价值。进一步，若能将心电动力学信号数据特征应用于人体重大疾病(如糖尿病、急性冠脉综合征和心肌梗死等)的病情检测和疗效量化评估，则将使之发挥更大的临床应用价值。