心电图项目

预防心脏性猝死预警机制

---

一、引言

心肌梗死急性期的自主神经失衡与其预后密切相关[9]，因而在猝死的研究中很重视自主神经的作用。研究中发现诸如心率变异性[10]、心率减(加)速力[11]、窦性心律震荡[12]、T波电交替[13]等因素均能检测自主神经功能。

二、特征分析

心率变异性(heart rate variability, HRV)是指连续心跳间RR间期的微小涨落[10]。HRV反映了心脏交感神经和迷走神经活动的紧张性与均衡性，是一种能够检测自主神经性活动的非侵入性指标。

DC(心率减速力)指标、AC(心率加速力)指标和自主神经密切相关。交感神经兴奋性增加、心率变快，AC增加；迷走神经兴奋性增加，心率变慢，DC增加。DC和AC的检测能定量地评估受检者迷走神经张力的高低，是预警猝死高危患者的一种新的无创心电技术[11]。

窦性心律震荡(heart rate tuburlence, HRT)是指一次伴有代偿间期的室性期前收缩后出现的窦性心律先加速后减速的现象[15, 16]。窦性心律震荡主要反映了迷走神经(与交感神经之间平衡)的反射功能，迷走神经活性的增加对心脏具有保护的作用，而交感神经活性增强会促使心律失常的发生[15, 16]。

三、R波波峰的定位与RR间期的提取

心率变异性分析和心率减（加）速力分析是两种基于DCG心电信号的有效预警心律失常的方法，而两种分析都依赖于准确的R波检测。

1.第一个R波波峰的确定

定位第一个R波波峰是定位全部R波前需要解决的首要问题。只有确定了第一个R波波峰的位置才能获得R波形态特征的阈值，进而迭代地把R波检测进行下去。

2.相对高度

定位第一个R波波峰是定位全部R波前需要解决的首要问题。只有确定了第一个R波波峰的位置才能获得R波形态特征的阈值，进而迭代地把R波检测进行下去。

3.R波检测流程

算法的流程大致可分为三部分：
第一部分为双向斜率和相对高度的计算；
第二部分为第一个R波波峰的定位；
第三部分为迭代地依次定位R波。

四、心电分析的特征提取

针对心率变异性分析、心率减（加）速力分析以及窦性心律震荡分析中的一些特征进行了提取，提取了MEAN、SDNN、SDANN、ASDNN、Ti、VLF、LF、HF、TP、LF_HF、DC、AC、TO和TS共14项特征，为之后用于筛选出高危患者的模式分类提供了充足的备选特征。

五、心电样本的模式分类

1.分类前的特征选择

经过对特征的初步筛选，最终用于分类的8个指标为MEAN（RR间期均值）、SDNN（RR间期总体标准差）、SDANN（RR间期均值标准差）、ASDNN（RR间期标准差均值）、Ti（HRV三角指数）、DC（心率减速力）、AC（心率加速力）以及MHR

2.分类器原理

朴素贝叶斯是一种非常流行的产生式分类方法，它巧妙利用了概率统计知识中的贝叶斯理论来解决模式识别中的分类问题。在许多问题中，朴素贝叶斯(Naive Bayes，NB)分类算法的分类效果甚至可以与决策树和神经网络等分类算法相媲美，该算法能够运用于针对大型数据库的海量数据处理的分类问题中，而且具有方法简单、分类准确率高、速度快等特点。

支持向量机(SVM)是建立在统计学习理论的基础之上的一种较新的判别式分类方法，有相对较好的泛化能力，是目前最热门的分类方法之一。SVM能够较好地解决样本数量较少、非线性、维数较高以及局部极小点等实际问题，并非常成功地应用于模式分类、函数逼近和时间序列预测等方面。

3.实验结果及分析

为克服训练样本数量较小的缺点，这里采用了留一法（leave-one-out）对分类效果进行训练和评估。由于所有样本均为心肌梗死患者，因此将这些患者的回访记录（死亡或存活）作为本次实验的参考答案。为科学准确地评价猝死预警系统的分类性能，采用精确性（AR）、敏感性(TPR)、特殊性(SPE)这3项指标来进行评价，AR、TPR、SPE这三个评价指标的值越高，说明该分类系统的分类效果越好。当AR、TPR、SPE都接近100%时，说明这个分类系统接近完美。