基于CiteSpace的房颤检测算法研究现状与趋势分析

王 锐，李 灿，李红岩，郎许峰，周作建，黄 敏，程 俊

（南京中医药大学人工智能与信息技术学院，江苏南京 210023）

0 引言

房颤是最常见的心律失常类型。随着年龄的增长，房颤发生率会不断增加［1］，其在有危重疾病风险的慢性病老年患者中非常普遍［2］。在世界范围内，房颤的发生率约为0.4%～2%［3-4］，其与冠心病、高血压和心力衰竭等疾病有密切关系。根据房颤发作的持续时间，可将其分为阵发性房颤、持续性房颤和永久性房颤3 种类型［5］。一些阵发性房颤在日常生活中很难被发觉，患者无临床症状或出现临床症状后很快便会消失，因此普通心电图检查无明显异常。对于频繁发作的阵发性房颤可通过24h 动态心电图监测，但监测设备佩戴繁琐，患者依从性较差。因此，研究快速便捷的房颤检测手段具有重要临床价值。

传统房颤检测算法大多基于房颤发生时的信号特征提取实现［6］，但复杂的人工特征定义和繁琐的特征提取过程等限制了其推广和应用。深度学习技术以原始数据作为输入，并自动提取对检测敏感的特征，具有更好的抗干扰能力，可提高房颤检测算法的泛化能力［7］。目前基于深度学习的房颤检测算法主要通过端到端的深度神经网络实现，通过学习大量数据特征，可适用于更多场景。目前，国内外学者对基于深度学习的房颤检测算法进行了大量研究，如Chen 等［8］采用决策级融合方法融合递归复杂网络和卷积神经网络建立房颤检测算法，获得了98.92%的检测准确率；Chen 等［9］利用小波变换和滑动窗口滤波减少心电信号中的噪声，然后使用前馈神经网络检测房颤；Sanjana 等［10］基于深度残差跳跃卷积神经网络进行房颤的自动检测，准确率可达99%；Petmezas 等［11］提出一种利用焦点损失处理不平衡训练数据的新型混合神经模型，通过将卷积神经网络提取的心电图特征输入到长短期记忆模型中进行时间动态记忆，从而更准确地分析房颤心电图类型。然而，深度学习技术仍存在一些局限性，如模型梯度易消失、对网络的要求较高、数据库比较单一等［12］。

早期识别房颤可降低卒中等并发症的发生率，明显改善患者预后，提高其生活质量［13］。因此，本文运用CiteSpace 软件对中国知网中收录的关于房颤检测算法的文献进行系统分析，总结该领域的研究热点和发展趋势，为相关研究者提供参考和指引。

1 资料与方法

选择中国知网数据库，以房颤检测、算法为主题词进行检索，年限设定为2001-2022 年3 月16 日，结果共检索到174 篇相关文献。剔除无关算法以及仅含医学知识、无作者等文献，筛选到符合条件的文献共158篇。

将检索结果以Refwork 格式导出，并保存为txt 格式。使用CiteSpace 软件分析文献中的摘要、关键词、作者、所属单位等信息，基于作者（Author）、机构（Institution）、关键词（Keywords）3 个模块进行分析，并绘制相应的知识图谱和表格。

2 结果分析

2.1 文献发表年份

由图1 可以看出，2001-2007 年期间，关于房颤检测算法的文献年发文量不超过3 篇；而2008-2017 年，年发文量有所上升，但不超过10 篇；2018-2021 年，年发文量大幅上升，均超过20 篇，在2020 年甚至超过了25 篇；2022 年由于统计时长限制，发文量不具备参考价值。

Fig.1 Distribution of annual published literature number图1 年度发表文献数量分布

2.2 发文作者分布

发文量排名前10位的作者及其单位信息见表1。

Table 1 Top 10 authors and their organizations表1 发文量前10位的作者及其单位信息

以“author”为节点，设置单个时间区间长度为1，展示发文量不少于2 篇的作者分布情况，结果见图2，共出现202 个节点，83 条线，网络密度为0.004 1。作者之间的连接可以反映出该领域中某个学者或团队作出的贡献以及各个作者之间的合作强度。可以发现，作者之间的合作较为松散，最大的合作团队由刘明、韩小岑、孟宪辉等人组成，其次刘广雄团队和以孙亚楠、张瑞、韦杰英、王迪为主的团队也具有一定规模，其余为规模较小的团队和无合作的个人。这些团队均相对独立，团队间未能展现合作关系。

2.3 发文机构分析

Fig.2 Author distribution visualization map图2 作者分布可视化图谱

以“institution”为节点，单一时间间隔设为1年，发文机构分布如图3 所示，共出现70 个节点，10 条边，网络整体密度为0.004 1。在数据处理时，将河北大学电子信息工程学院和河北省数字医疗工程重点实验室统一为河北大学；西北大学医学大数据研究中心统一为西北大学；复旦大学数字医学研究中心上海市医学图像处理与计算机辅助手术重点实验室和复旦大学电子工程系统一为复旦大学；河南科技大学机电工程学院和河南科技大学医学技术与工程学院统一为河南科技大学；东南大学仪器科学与工程学院生物电子学国家重点实验室中心统一为东南大学；中国矿业大学人工智能研究院智慧医疗研究中心与中国矿业大学信息与控制工程学院统一为中国矿业大学；桂林电子科技大学电子工程与自动化学院和桂林电子科技大学生命与环境科学学院统一为桂林电子科技大学；电子科技大学生命科学与技术学院和电子科技大学电子工程学院统一为电子科技大学；浙江中医药大学信息技术学院与浙江中医药大学基础医学院统一为浙江中医药大学；浙江大学生命科学学院和浙江大学生物医学工程与仪器学院统一为浙江大学。经统计，发文量排前3 位的单位依次为电子科技大学（21 篇）、河北大学（16 篇）和复旦大学（10 篇）。电子科技大学与四川省人民医院合作发表了多篇文献；河北大学较为独立；复旦大学与上海理工大学医疗器械与食品学院、上海微创电生理医疗科技股份有限公司开展了合作研究。总体而言，研究机构以高校为主，机构间的合作较为松散，多为独立发表。

Fig.3 Distribution of issuing agencies图3 发文机构分布

2.4 关键词共现分析

以“keywords”为节点，单一时间间隔设为1 年，阈值设置为TOP=50，得到关键词共现分析结果如图4 所示。图中展示了频次不少于2 的关键词，节点为344 个，连线为423个，密度为0.007 2。可以看出词频较大的房颤、心电图、心电信号、房颤检测等与卷积神经网络、深度学习、机器学习、支持向量机等密切相关。

Fig.4 Keyword co-occurrence analysis图4 关键词共现分析

出现频次较高的关键词如表2 所示。排名首位的为房颤，其频次远高于其他关键词，其余依次为心电图、心电信号、卷积神经网络、心率失常等。

Table 2 Keyword frequency表2 关键词频次

2.5 关键词聚类分析

网络模块化值（值越大表示聚类效果越好）以及剪影值（剪影值越接近1 说明同质性越高）是评估网络整体结构的重要指标。聚类模块值=0.724 4（>0.3），说明聚类有效；聚类平均轮廓值=0.880 3（>0.7），说明该聚类成员间同质性非常高［13］。本文聚类采用tf*idf 聚类方法，共提取到31 个类，排名前16 位的分别为：超限学习机（#0）、r 波定位（#1）、希式束（#2）、模式识别（#3）、qrs 波检测（#4）、心室纤颤（#5）、p 波（#6）、盲源提取（#7）、检测（#8）、独立成分分析（#9）、机器学习（#10）、预处理（#11）、混沌（#12）、信息熵（#13）、波动图（#14）、统计性能（#15），结果见图5。每种聚类包含4～5 个关键词，表3 展示了聚类的规模、轮廓值以及所包含的关键词。

Fig.5 Co-occurrence clustering map of keywords图5 关键词共现聚类图谱

3 讨论

我国关于房颤检测算法的文献量总体呈上升趋势，但关注度仍有待提高，发文总量仍处于较低水平。目前发文量最多的为河北大学的刘明团队，其研究方向为基于黎曼流形稀疏编码的阵发性房颤检测算法［14］，该算法采用协方差矩阵计算RR 间期的变化，使数据处于黎曼流形空间中，计算心率变异信号，在可穿戴智能检测设备中具有广阔的应用前景；其次是上海理工大学医疗器械与食品安全学院的陆宏伟团队，其利用时域、频域和非线性分析技术识别基于体表的心电图，提取RR 间期的房颤特征［15］；然后是西北大学医疗大数据研究中心的孙亚楠团队，其采用心电信号去噪、心电信号的R 峰检测和心电特征提取技术检测阵发性房颤［16］；接着是复旦大学的杨翠微团队，其采用功率谱分析、近似熵和样本熵分析、递归分析以及时间序列符号化4 种方法进行阵发性房颤检测［17］；最后是电子科技大学的刘广雄团队，其采用主成分分析法提取房颤信号中的特征，然后使用分类器进行分类［18］。目前对房颤检测算法的研究主要集中在科研院所的重点实验室，可能是受地域限制，机构间的合作较为分散。

从关键词频次中可以看出，使用卷积神经网络等深度学习方法进行房颤检测的研究较多，相应的心电信号处理方法包括小波变换、R 波检测、独立成分分析、QRS 波检测、盲源提取等。关于房颤检测算法的聚类标签包括超限学习机、R 波定位、希氏束、模式识别、QRS 波检测、心室纤颤、盲源提取、检测、经验模式分解、机器学习、预处理、混沌、波动图、性能统计。心电信号的预处理方法较多，如可利用灰度直方图进行房颤检测，其中一个重要步骤就是心电信号分解［19］；改进切片频率的小波变换处理低频信号具有较好效果［20］，但对高频信号的处理差强人意；离散小波分解可对频率信号进行分层处理，因而对多种信号有较好的处理效果［21］；利用统计模型与信息熵相结合的方式可分析RR 间期波形的分布规律，以提供多维时间序列的关联信息，但该方法更适合长时序列，应用于短时序列有一定的局限性［22］。心电信号特征提取常用方法包括黎曼流形、支持向量机、深度学习等。黎曼流形可定位异常波形的位置以完成特征提取，在数据量有限的情况下表现依旧较好，然而该方法具有一定的挑战性［23］；支持向量机可实现基于多个特征的自动诊断，但该方法依赖于QRS 波的检测［21］；深度学习法可直接提取特征，且具有一定的泛化能力［24］，但当数据量和种类有限时，其分类效果不如支持向量机。因此，需要依据实际情况选择合适的心电信号特征提取方法。

4 结语

房颤的智能化检测对于预防严重心血管疾病的发生具有重要意义。本文通过对房颤检测算法的相关文献进行分析发现，近年来基于深度学习技术的房颤检测研究热度不断上升，提取房颤信号特征的方法逐渐增多，分类模型也逐渐得到优化，准确度和精度不断提高。然而，不同研究机构之间的合作与交流有限，今后需加强交流与合作，互相取长补短，探索出准确率更高的房颤检测算法。例如可通过R 波、QRS 波、P 波、心室率等指标检测出房颤的具体类型，然后利用模式识别、盲源提取、独立成分分析、信息熵等方法分析和提取心电信号，采用机器学习模型进行分类，采用深度学习模型简化特征提取步骤，以获得更好的泛化能力。此外，本研究还存在一定局限性，如仅选取了中国知网数据库作为研究对象，没有纳入外文数据库，缺少国内外研究的横纵对比等，今后将扩大研究范围，以获取最前沿的研究趋势。

Table 3 Size，silhouette coefficient and keywords included in the cluster表3 聚类规模、轮廓值以及包含的关键词