心电形态学特征与心率变异性指标预测室颤能力的比较

陆军军医大学 生物医学工程与影像医学系，重庆 400038

引言

近年来，随着广大媒体对猝死事件的相继报道，心源性猝死（Sudden Cardiac Death，SCD）受到的关注度越来越高，已经成为研究的热点。根据2019年8月国家心血管病中心发布的《中国心血管病报告2018》显示，我国每年约有54.4万人死于SCD，是世界SCD死亡人数最多的国家[1]。而SCD中约有75%～80%由室颤引起[2]，已经严重危害公共卫生健康，所以及时有效地预防室颤发生成为降低死亡率的关键。我国应急医疗救护极少在前往室颤现场的途中提供心肺复苏指令。前期的研究指出从呼叫到救护车到达室颤现场的平均单程间隔为16 min（4～43 min）[3]。此外，交通拥堵、高层建筑、无电梯公寓和可调度医疗资源等因素直接决定了从接到急救电话到对患者第一次除颤的时间。而除颤每延迟1 min，成功率将下降7%～10%[4]。因此，除利用公共应急医疗服务挽救室颤患者生命外，更好的方法则是对室颤发生进行预测。

已有研究指出，通过心率变异性（Heart Rate Variability，HRV）特征可以预测室颤发生。2007年，Shen等[5]使用4个HRV特征预测室颤发生；Ebrahimzadeh等[6]使用23个心电特征提前13 min预测室颤。同时，临床上已广泛证实，一些心电图（Electrocardiogram，ECG）形态学特征与室颤有关，如QRS时限、QT间期延长、T波倒置等。而目前两类特征对室颤预测结果的比较未见相关报道，本文旨在比较两类不同特征对室颤预测能力的差异。

1 资料与方法

1.1 资料来源

ECG数据选自麻省理工心电公共数据库[7]（MIT-BIH；http://ecg.mit.edu）与美国心脏学会（American Heart Association，AHA；https://www.heart.org）的付费数据库[8]。对照组来自MIT-BIH的正常窦性心律数据库（NSRDB；n=18）与Fantasia数据库（n=40）；室颤组分别来自MIT-BIH的SCD数据库[9]（SDDB，n=23）、MIT-BIH的克莱登大学室性快速心律失常数据库（CUDB，n=35）与AHA室颤数据库（VFDB，n=20）。所有ECG记录均采用第二导联。

1.2 方法

1.2.1 建立数据库

室颤选入标准：① 首次发生室颤，若一条记录中发生2次或2次以上室颤则只选择第一次室颤；② 室颤前连续搏动大于5 min；③ 室颤持续时间大于10 s。共排除19条心电记录，其中SDDB中3条记录没有发生室颤，2条记录无法确定室颤发生时间；AHA中1条记录不能确定首次发生室颤时间；CUDB中有13条记录没有发生室颤。最后，共选择59条室颤ECG记录，58条健康ECG记录。入选ECG记录的基本描述，见表1。

表1 入选ECG记录的基本描述

1.2.2 数据截取

室颤组：将最后一个可识别的R峰定义为室颤的分界点，记录为室颤前第1 min。分别从室颤前第1 min与第5 min向前截取1 min的心电数据，即0～1 min与5～6 min。对照组：将开始记录点定义为第1 min，按照室颤组标准截取数据。选取第1 min的心电作为训练集，第5 min数据段作为测试集。

1.2.3 预处理与特征计算

首先，使用4阶IIR Butterworth带通滤波器（0.3～100 Hz）去除高频噪声和基线偏移[10]，采用50 Hz陷波滤波器消除工频干扰，将所有信号统一重采样至1000 Hz。使用Pan-Tompkins算法进行R波识别[11]。使用基于最小均方差陷波滤波器获得P、Q、S、T波[12]。最后对上述所得波形进行校正。

所选形态学特征与HRV特征的计算方法分别采用《2009 AHA/ACC/HRS关于心电图标准化和解释的科学声明建议》[13]与《欧洲心脏病学会和北美起搏和电生理学学会（1996）专家组心率变异性测量、生理解释和临床应用标准》[14]中推荐Houshyarifar等[15]已公开发表文献中的算法。本研究所用特征的定义和计算公式，见表2。为避免特征数量级与单位对预测结果的影响对所有特征归一化处理。

表2 本研究所用特征的定义和计算公式

1.2.4 特征筛选

由于特征不满足正态分布，采用Wilcoxon秩和检验比较两组间特征的差异。采用Pearson相关性分析检验相关性。利用受试者特性曲线下面积（Area Under Receiver Operating Characteristic Curve，AUC）评估各特征的预测能力，并通过Z检验进行比较。P<0.05认为差异具有统计学意义。在预实验中两类特征共计算得到16个，对Wilcoxon秩和检验结果和预测能力分别进行排序后，各选取5个具有代表性和预测性的特征。选取标准如下：① Pearson相关性检验P>0.05；② Wilcoxon秩和检验P<0.05；③ 受试者最大AUC>0.7[16]。

1.2.5 预测模型与评价指标

使用逻辑回归（Logistic Regression，LR）、反向传播神经网络（Back Propagation Neural Network，BPNN）、支持向量机（Support Vector Machine，SVM）三个不同预测方法结合两类特征对室颤进行预测。

（2）SVM模型。本研究中模型选择径向基函数为核函数[18]，惩罚因子C=1和比例因子σ=0.03。较小的惩罚因子和比例因子，使支持向量机的风险函数对较大的训练数据有解。

（3）BPNN模型。该BPNN由三层网络构成，包括输入层、隐含层和输出层[19]。输入层的节点数量与特征的数量相同，输出层由两个节点组成。输入和输出节点都使用线性传递函数，隐含层使用Sigmoid函数。

（4）评价指标。采用准确度（Accuracy，Acc）、灵敏度（Sensitivity，Sen）、特异度（Specificity，Spe）和AUC值评估预测结果。TP为真阳性，TN为真阴性，FN为假阴性，FP为假阳性。使用SPSS 20.0软件的χ2检验比较不同特征预测结果Acc、Sen和Spe的差异，采用Z检验比较AUC的差异。Acc、Sen和Spe计算公式如下。

2 结果

2.1 特征的统计学结果

图1与图2分别为形态学特征与HRV特征在对照组与室颤组第1 min的统计差异。形态学特征中，两组间5个形态学特征在统计学上均有显著差异（P<0.0 5），其中QT离散度（对照组=185.086±142.030，室颤组=547.525±456.356）、R波时限（对照组=62.792±14.463，室颤组=120.397±43.735）和T波倒置（对照组=3.724±13.743，室颤组=22.152±23.906）有极显著性差异（P<0.01）；P波幅度（对照组=0.090±0.068，室颤组=0.163±0.166）与RS段降肢均方差（对照组=3.345±8.051，室颤组=9.211±11.335）有显著性差异（P<0.05）。室颤组的形态学特征离散度较高，标准差均大于对照组。此外，两组间差异最大的特征为T波倒置，室颤组发生T波倒置个数（22.152±23.906）约为正常组（3.724±13.743）的6倍。

图1 形态学特征的组间差异

HRV特征中，相邻RR间期差值均方根（对照组=59.086±45.457，室颤组=180.282±405.526）、RR间期极差（对照组=344.189±256.655，室颤组=677.813±1586.226）与AE（对照组=0.223±0.119，室颤组=0.346±0.192）在统计学上有差异（P<0.05），且离散度较高。SvdE（对照组=2.021±0.157，室颤组=2.124±0.204）与分型维度（对照组=1.380±0.116，室颤组=1.400±0.157）没有统计学差异。其中，相邻RR间期差值均方根在两组间差异最显著，室颤组（180.282±405.526）约为对照组（59.086±45.457）的3倍。

图2 HRV特征的组间差异

2.2 单个特征预测能力比较

图3与图4分别为本研究所有使用的形态学特征与HRV特征在两个时间点的AUC值。在第1 min时，除P波幅度与相邻RR间期差值均方根两个特征外，其余所有特征都表现出高预测能力（AUC>0.7）。其中，形态学特征中QT离散度、R波时限和T波倒置的AUC值均大于0.8，RS段降肢均方差也有较高的预测能力。HRV特征中，只有SvdE的AUC值大于0.8。计算得到形态学单个特征的AUC平均值（0.818±0.100）大于HRV特征的AUC平均值（0.756±0.080），但差异无统计学意义（P=0.359）。

图3 两类特征在室颤前第1 min的AUC值

图4 两类特征在室颤前第5 min的AUC值

在第5 min时，除了P波幅度与相邻RR间期差值均方根两个特征外，分型维度的AUC也下降到0.563，其余特征AUC仍大于0.7。形态学单个特征的AUC平均值（0.820±0.099）大于HRV特征的AUC平均值（0.718±0.107），但差异无统计学意义（P=0.198）。

此外，R波时限在两个时间点上的AUC分别为0.952和0.940，在所有形态学特征中最高。SvdE是HRV特征中AUC最高的，分别为0.907和0.879。除P波幅度和QT间期离散度两个特征外，其余所有特征在第5 min的AUC值均低于第1 min，均有下降趋势。

2.3 多特征组合预测能力比较

表3为分别使用形态学与HRV特征在三种不同预测模型情况下的预测结果。可以观察到，在使用相同特征、不同算法的预测结果中，使用形态学特征的LR算法（LR-Mor）预测结果最佳，Acc和Sen分别为96.5%和94.6%。使用形态学特征的SVM算法（SVM-Mor）和BPNN算法（BP-Mor）的Spe结果优于LR-Mor算法，均达到100%。

表3 使用两种特征对室颤的预测结果

在使用相同算法、不同特征时，使用形态学特征预测的Acc和Sen均优于使用HRV特征的预测结果，且均有统计学差异（P<0.05）。使用形态学特征的预测结果为Acc=93.5%，Sen=87.4%，Spe=99.4%；使用HRV特征的预测结果为Acc=81.4%，Sen=72.4%，Spe=90.2%，组间对比P值分别为0.012、0.009和0.108。其中，使用SVM算法在两种特征的预测结果差异最大（P<0.01）。在使用HRV特征时，BPNN-HRV的预测结果最佳（Acc=84.2%，Sen=76.8%，Spe=91.4%）。

3 讨论

本研究利用公共数据库计算室颤发生前心电数据的两类不同特征，比较两类特征对室颤的预测能力。结果显示单个形态学特征的平均预测能力高于单个HRV特征，但没有统计学差异。将同类特征组合后，使用相同预测算法预测室颤的结果时，形态学特征的优于HRV特征，表明在特征组合后形态学对室颤的预测能力优于HRV特征。

有研究表明，室颤前人体会出现一系列不同的症状，如心慌、乏力、烦躁不安、胸闷等，而这些症状的出现从心脏的电活动中可以直接、迅速地观察到[18]。另报道指出，在院前急救中多数室颤患者存在急性冠脉综合征和急性心肌梗死[3]。本研究所选取的形态学特征与室颤的相关性均已得到临床证实。一项长期心脏病的队列研究显示，在30年随访结果中伴有R波时限延长的人群发生SCD的概率是没有该症状人群的2.9倍[20]。QT间期可直接反应心室活动。国内外均有研究证实长QT是健康人发生猝死的危险因素，QTc间期大于530 ms发生SCD的风险增加[21-22]。在临床上，T波倒置是心脏缺血的重要表现之一，T波倒置同时也是致死性和非致死性心脏病最常见的ECG异常。由于充血性心力衰竭，T波倒置的受试者住院的风险增加，伴有T波倒置的患者的突发心脏病和SCD风险是没有T波倒置患者的2倍[23]。P波幅度增大可能引起交感神经过度兴奋，从而导致心率加快，增加发生室速或室颤的风险[24]。RS段降肢均方差可以侧面反映心电信号出现Lambda波（λ波）[25]，该波型与原发性SCD有关已经得到临床证实。上述形态学特征均不会是突然出现的，而是心脏在早期已经产生一定程度的病理性或器质性变化，心电的形态学特征会随着上述变化的出现发生改变，因此心电的形态学特征对室颤的预测能力较强。

HRV几乎完全取决于自主神经对窦房结的影响，主要反映副交感神经的兴奋情况，副交感神经越兴奋，心脏越稳定，并不是心脏情况的直接反映[26]。并且交感神经的兴奋性或其他因素（如药物），也会影响HRV的变化，因此不能将HRV的变化与心脏的情况混为一谈。相较于长程的HRV分析，短程的HRV分析对于心肌梗死早期患者的心律失常事件没有预测价值[22]。在之前所有使用HRV分析预测室颤的研究中均使用最短1 min的HRV信号[6,9,15]，本研究为与上述研究保持一致，也使用1 min的ECG与HRV信号。但当使用形态学特征预测室颤时可以极大地缩短所需信号长度，这也间接的提前了可预测室颤的时间。结合本研究图3与图4的结果，室颤发生前1 min与间隔室颤发生前5 min的形态学的平均变化程度为0.002±0.0269，而HRV的变化程度为0.038±0.067，表明随着时间的提前HRV特征的变化程度比形态学特征迅速，越接近室颤发生HRV的变化越明显，但与之相反的同样也导致随着时间的提前HRV特征与正常人群的差异越小，所以导致其预测能力下降。因此，在本研究表3的结果中显示，在同样使用第5 min特征预测室颤时，HRV特征的预测结果没有使用形态学特征预测结果好的重要原因之一。

为避免预测方法上带来预测结果的差异，本研究使用三种预测算法比较两类特征的预测能力。可以观察到，三种预测算法的结论相同，形态学特征的预测结果优于HRV特征的预测结果，尤其是SVM算法Acc、Sen和Spe的结果在统计学上均有显著性差异。本研究的样本数量总体上为小样本预测，且SVM算法的优势在于小样本预测，可以间接说明预测结果的准确性。另外，结果表明LR预测算法对形态学特征更加敏感，利用其计算简便的特点也可以缩短预测时间，将室颤的预警时间提前。

形态学特征预测室颤的优势还在于：① 在HRV特征计算过程中，当出现早搏等异常波动时HRV需要人为插值计算，而形态学特征不需要；② HRV特征的计算必须首先采集完整时长的心电信号后才能得到，而形态学特征可以在心电采集的同时计算结果，做到边采集边预测；③ 除HRV的时域特征外，其余特征计算复杂，形态学特征计算简便；④ 用于预测室颤的形态学特征均有临床意义，得到的预测结果对医生诊断病情有益，而部分HRV特征没有明确的临床意义，如各类熵与分型维度。上述优势也为今后除颤器或其他医疗设备使用形态学特征更准确、更简便的预测室颤提供了基础。

4 结论

心电的形态学特征与HRV特征作为预测室颤的重要方法，越来越受到关注，并且在前期的研究中已经验证了这些指标的预测能力。本研究结果表明形态学特征的预测能力强于HRV特征，且任何单个特征的预测能力有限，联合多个形态学特征可以更准确地预测室颤的发生。