齐齐哈尔工程学院健康与护理系护理学专业
摘要:
心脏性猝死(SuddenCardiacDeath,SCD)是指急性症状发作后1小时内发生的以意识突然丧失为特征的由心脏原因引起的自然死亡。平时看似健康的人也可能没有任何征兆地因为恶性心律失常而心脏性猝死,心脏性猝死也被称为心脏骤停。每年全球有约300万人因为心脏性猝死而失去生命,其中我国在全球各国之中死亡人数最多,每年高达54.5万人。当病人发生心脏骤停的情况,其存活率每分钟会下降10%,只有专业的人员立即进行心肺复苏术才有可能抢救成功。由于心脏骤停的突发性、随机性,使绝大多数病人很难及时得到专业的心肺复苏术的救治。因此心脏骤停的预测有着很重要的意义。
关键字:心脏骤停,参数化Adaboost,双树复小波变换,预警因子
一、前言
猝死(SuddenDeath,SD),是指平时健康或貌似健康的人在没有征兆情况下,突发、意外、快速的失去生命体征。目前全世界15%~32%的人死亡属于猝死。现在国际上通常将从急性病病发到失去生命体征在一小时时间内的死亡情况归为猝死。据调查显示,75%以上的猝死病例是由于各种各样的心脏原因引起,属于心脏性猝死(SuddenCardiacDeath,SCD)。心脏性猝死发生的原因有很多,其中直接原因是心脏骤停(SuddenCardiacArrest),所以心脏性猝死也被称为心脏骤停。当心脏骤停发生后,人体的脑组织会在3~5分钟内发生不可逆转的伤害,之后会造成生命体征消失,最终过渡到生物学死亡。
二、心脏骤停预测意义
心脏骤停是人类生命安全问题的一个重大公敌。当有病人发生心脏骤停的情况,应立即对病人进行心肺复苏术,而心肺复苏术一般只有接受过专业训练的医护人员实施抢救成功率才高。但由于心脏骤停发生的随机性,导致发生地点绝大多数都在院外,这就很难及时得到专业的心肺复苏术的救治,据统计在院外心脏骤停发生后的致死率高达99%。因此心脏骤停的预测,对于及时接受专业医护人员的抢救、降低死亡率有着很重要的意义。
三、心电图
心电图是对人类心跳时产生的随时间变化的生物电位的记录。作为人类心血管方面的重要指证,其蕴含了大量关于人类心脏疾病的特征,因而对心脏疾病进行预测和诊断最好的方法就是对心电信号进行分析处理。但是,直到上世纪60年代我国科研人员才开始对心电信号进行分析处理研究,跟美国、日本等发达国家相比起步晚。在1999年,美国就创办了MIT-BIH心电数据库,供全球的研究人员免费使用。MIT-BIH心电数据库包含了各种特定类型的心电记录,目前也是在国际上应用最多的数据库。
四、心脏骤停预测方法研究现状
心脏骤停是指心脏突发性的射血功能障碍-停止射血。发生心脏骤停后,由于供血不足会导致人体很多重要器官(尤其是大脑)缺氧而产生不可逆的损害,最终导致生物学死亡。《2005年美国心脏学会心肺复苏和心血管急救指南》指出缺氧、肺栓塞、低血糖、气胸、哮喘、电解质异常都是引起心脏骤停的原因。心脏骤停在心电图上有三种形式,分别为心室颤动、心室停搏、心电-机械分离,其中心室颤动最为常见,占总数的80%,如图。由于心脏骤停的发生事前并没有征兆,所以在临床上对心脏骤停发生的预测是一项巨大的挑战。近两年随着神经网络、深度学习等人工智能技术的火热,使很多研究人员将人工智能技术应用于医疗领域,如斯坦福大学的研究者根据深度学习算法开发出一个诊断皮肤癌的模型,并称诊断结果达专家水平;IBM一研究团队基于医学影像(CT、X光)使用机器学习算法开发出一套诊断系统,可对癌症、大脑和心脏相关疾病进行诊断和预测。正是由于计算机辅助智能诊断技术在医疗领域的迅速发展,促进了心脏骤停预测方法的相关研究。2006年,UsmanRashed等人设计了一种算法,通过对心电图进行频谱分析来预测心脏骤停的发生。研究人员用快速傅里叶变换对心脏骤停患者和健康人群的心电图进行频谱变换,着重对QRS波群进行分析在频域上,对QRS波群分解为不同的频段,通过分析两种人群在不同频段的标准差、平均数、中位数等参数的差异,来预测心脏骤停的发生。该方法将QRS波群分为多个频段,运算量大,耗时长,而且每次使用该方法进行预测,都要重复一整套分析步骤,利用率非常低。同时心电信号属于多组分非平稳信号,傅里叶变换并不十分适合,所以其预测准确率不高。2012年,GhanemRN等人通过对正常人和有心脏骤停症状病人的心电信号的T波波幅交替进行分析来预测心脏骤停。由于T波电交替是公认的预测心脏骤停的重要指标,所以其预测准确率比UsmanRashed等人的准确率要高。但GhanemRN提出的预测方法同样有着运算量大、利用率低的缺点。随着人工智能算法的火热,一些研究人员也将人工智能算法应用于医疗领域,并取得了很多研究成果。2013年,MurukesanLoganathan等人对正常人和有心脏骤停症状病人的心电信号进行离散小波变换,并计算分析变换后的两类人的心率变异(HRV)。研究人员将得到的心率变异性作为特征参数输入到支持向量机分类器(SVM),训练并调整参数,最终得到基于SVM的心脏骤停预测模型。该方法充分利用人工智能算法的优点,当模型训练完成之后,进行下次心脏骤停预测,不需再进行整套的分析步骤,只需将心率变异性特征参数提取出来,输入到已经训练好的模型中进行预测。该方法效率高,并且在训练样本量大的情况下,其预测准确率很高。同时小波变换可以很好地适应心电信号非平稳、多组分的特征,可以提高预测的准确率。