|
能以不确定的状态维持下来，因为此时心室还能继续执行其驱动血液循环的功能。但是，持 续性房颤的风险是很大的，主要包括由血栓引起的中风和心肌梗塞危险。有关研究表明[14]， 140 房颤的自发终止往往是发展到持续性或慢性房颤的先兆。阵发性房颤（Paroxysmal AF, PAF） 的发作，可以持续几秒到几周，其自发转复成窦性节律的有68%小于72 小时[15]，不过时间 越长，与非终止型（持续型）房颤越相似。PAF 的节律通常在终止前的最后几分钟或几秒 种会发生细微的改变，通常可以根据此特点来预测PAF 的终止时机。尽管目前有关PAF 自 发终止的电生理机制还不清楚，但PAF 自发终止预测的研究将有利于对患者病情的轻重程 145 度进行分层，并提高对PAF 自发终止机制的理解和改善治疗。 因此，这里主要用本文的方法对阵发性房颤进行自动终止预测测试，以衡量本文方法的 可靠性和有效性。所使用的数据为Physionet 的房颤自发终止挑战数据库[16]，我们选用其中 从50 个不同患者所采集的1 分钟的两导联(V1 和Ⅱ)记录，采样频率128Hz，包括学习集20 个和测试集A 30 个，前者为N 型和T 型各10 个，后者包括16 个N 型和14 个T 型PAF 事 150 件，N 型指的是记录结束后至少1 个小时内房颤仍在继续，T 型指的是房颤终止的最后一分 钟内所记录的，即记录结束后，房颤就终止了。这里将应用前面的样本熵分析流程计算每个 记录的样本熵，并用于对两种类型事件进行自动分类，以测试其性能。 2.2 结果与讨论 2.2.1 结果 155 为得到最好的分类结果，首先必须获得最优样本熵划分阈值，这里阈值的选择标准是根 据接收者操作特征(Receiver Operating Characteristic，ROC)图得到最高的敏感性(Sensitivity, Se)/准确性(Specificity, Sp)指标对。其中敏感性定义为被正确分类的N 型事件的百分比，也 就是说高于阈值的样本熵值比例；而准确性代表被正确分类的T 型事件的比例，即低于阈 值的样本熵值百分数。根据此规则定义的学习集和测试集的最优阈值分别为：0.0781，0.0775。 160 对学习集N 型和T 型的样本熵计算结果分别为：0.0924±0.0103 和0.0656±0.0108，对测试集 A 所有记录的结果为0.0637±0.0115。通过以上两个阈值，对学习集所获得的敏感性/准确性 指标对分为100%/100%；对测试集A 的结果为93.75%（样本a21 被误分）/85.71（样本a12 和a19 被误分）。图3 显示了两个数据集的样本熵计算及两种类型PAF 的分类结果。其中 图3(a)为学习集计算结果，阈值线上为N 型，下为T 型，并同时画出了均值±标准差分布。 165 图3(b)为测试集A 的分析结果，红色“*”代表N 型，蓝色“.”号代表T 型，用圆圈起来 的三个样本是误分的情形。同时通过t 检验对两组样本值进行统计分析时，显著性差异指标 P 值均小于0.01，说明两种类型PAF 是显著统计可分的。 N T 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 样本熵 学习集 阈值 0.0924±0.0103 0.0656±0.0108 1 5 10 15 20 25 30 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 样本序号 样本熵 测试集A N型 T型 阈值 (a) 学习集 (b) 测试集 170 图3 PAF 分类结果 Fig. 3 Classification of PAF 2.2.2 讨论 1）样本熵确实能够显著刻画房颤的一定特性，并由此可以把样本熵发展成有效追踪房 175 颤组织性水平发展变化的非线性指标。因为房颤发展的各个阶段，心房内的折返小波个数及 有效不应期和电重构程度等都会有显著变化，从而有利于房颤发生发展机制的更好理解。 2）我们也曾经尝试直接计算QRST 波消除后后信号样本熵的方法，但会导致分类结果 的Se 和Sp 指标明显降低，证明残余QRST 波的影响是比较大的，因此我们选择MAV 进行 计算。但这也同时排除了房颤的高次谐波信息，其影响需要以后做更深入的研究。另外， 180 MAV 是根据主谱峰频率进行提取的，而主谱峰频率是心房不应期的直接反映。所以样本熵 和心房不应期的关系需要以后进一步探索，对两个数据集进行样本熵和主谱峰频率的 Pearson 交叉相关系数计算，得到结果分别为0.9849 和0.995，表明至少二者之间存在很强 的正线性关系。 3）本文只对50 个临床样本进行了分析计算，还需用更多样本来测试其鲁棒性和普适性。 185 另外，本文的N 型事件是房颤终止时至少1 小时前记录的，因此还有必要分析样本熵在区 分其它事件，如终止前1 分钟、5 分钟等等的能力，来证明其对房颤动态特征的追踪能力。 4）本文算法对噪声的鲁棒性还需在以后的实验中进行进一步研究。另外，本文做分类 时直接采用样本熵的实际值，是否需要对该值进行归一化也值得探究。因为当对新的样本进 行学习时，其样本值可能与前面的样本有较大的绝对数值差异，只不过这里点我们暂时还没 190 有碰到。 3 总结 本文基于样本熵的基本物理原理，把其引入到AF 信号的分析当中，以对房颤时心房信 号的规整性水平或程度进行准确刻画与描绘。通过样本熵计算前的一系列重要的处理操作和 样本熵算法中参数的仔细比较和选择，本文对样本熵在预测PAF 中的T 型和N 型记录的性 195 能进行了全面的分析，高的Se/Sp 指标对结果表明，基于MAV 的样本熵是一个有效的描绘 房颤时心房内部电生理特征的非线性指标，从而可以为临床提供有益的量化特征指引，对促 进房颤特征机制的理解和改善临床治疗效率具有很好的意义。 学术论文网Tag：代写论文 代写代发论文 代发论文 职称论文发表 |
