CN102670190A - 基于心率变异性非线性特性的充盈性心衰自动诊断方法 - Google Patents

Abstract

本发明提供一种基于心率变异性（heart rate variability，HRV）非线性特性的充盈性心衰（congestive heart failure,CHF）自动诊断方法，步骤包括：1）对于采集到的体表心电图信号，提取其逐拍心跳间期构成心率变异性序列，并对该序列进行三个敏感特征参数（包括线性与非线性）的提取；2）步骤1中得到的三个敏感特征参数，经过预处理后，作为人工神经网络的输入，通过一个确定的人工神经网络模型，获得CHF自动诊断的结果。本方法用体表无创采集的HRV实现了CHF的自动诊断，并对受测试者的状态不做严格地限制（不要求平躺或安静），在日常生活中采集的数据，只要采集时间达到4小时，即可以适用于本方法，经实际数据测试，诊断效果很好。

Description

基于心率变异性非线性特性的充盈性心衰自动诊断方法

技术领域

本发明涉及基于心率变异性（heart rate variability，HRV）非线性特性的充盈性心衰（Congestive Heart Failure,CHF）自动诊断方法.

背景技术

充盈性心衰（Congestive Heart Failure,CHF）几乎是各种心血管疾病的主要并发症和最终归途。目前，对CHF临床诊断主要有两种方法—Framingham及Boston标准。其中Framingham标准主要是依据流行病学调查结果得出的，没有心血管动力学参数的检测，使用该标准有一部分心力衰竭将被漏诊，因此，仅仅运用Framingham标准诊断CHF并不可靠。而Boston标准将病史、体征及胸部X线检查进行综合，以血流动力学检测作为依据，故该标准相对Framingham标准更为可靠。但是Boston标准的实施较为复杂，需要各种测试、检查和医生的经验判断，诊断所需时间也相对较长。作为一种无创检测手段，心率变异性（heart rate variability,HRV）由于能反映心脏动力系统的诸多本质动力学特性，而受到广泛关注。如能建立仅仅基于HRV的CHF诊断方法与模型，必将在临床上为CHF诊断提供更为简便、快捷、准确的诊断途径。

发明内容

本发明的目的是在于提供一种充盈性心衰（Congestive HeartFailure,CHF）的自动诊断方法，仅仅基于日常活动状态（不限定必须平躺或者静坐）下体表无创采集心电图（ECG）信号，经提取逐拍心跳间期（RR间期）构成心率变异性（heart rate variability,HRV）序列，通过对其敏感特征参数（包括线性与非线性）的提取，然后通过确定的人工神经网络模型，实现可靠的CHF的自动诊断。

本发明的目的是这样实现的：

对于体表无创采集到的ECG信号，提取其逐拍RR间期构成HRV序列{RR_i:1≤i≤N}，并对该序列进行三个敏感特征参数的提取，包括：对于原始序列{RR_i}的增量序列{ΔRR_i:1≤i≤N-1}，计算粗粒化尺度4下的样本熵（sample entropy in scale 4,SE4）；对于原始序列{RR_i}的等概率符号化序列{s_i:1≤i≤N}，计算正向、逆向序列中4位符号字的分布差异熵（difference entropy in scale 4,DE4）；对于原始序列{RR_i}计算标准差（standard deviation,SD）。

三个敏感参数从不同的侧面反映了HRV的动力学特性，与心脏的健康状况有着密切的关联，因此将三个敏感参数，经过预处理后，作为人工神经网络的输入，通过一个确定的人工神经网络模型，获得CHF自动诊断的结果。本发明的核心包括敏感特征参数提取和人工神经网络两大部分。

进一步，本发明中所述的增量序列{ΔRR_i}粗粒化尺度4下的样本熵SE4计算，包括下列步骤：

对{ΔRR_i}进行尺度4的粗粒化得到序列{y_j}；

对序列{y_j}分别做2维、3维嵌入，得到矢量序列{B⁽²⁾(i)}、{B⁽³⁾(i)}；

分别计算2维嵌入和3维嵌入下，两矢量相同的概率C²(r)、C³(r)；

依据C²(r)、C³(r)计算序列{y_j}的样本熵值，即得原始序列的SE4。

进一步，本发明中所述的原始序列{RR_i}等概率符号化后正向、逆向序列中4位符号字的分布差异熵DE4计算，包括下列步骤：

4.1）对原始序列{RR_i}按升序（或降序）排列得到序列{u_i:1≤i≤N}，并取得序列{u_i}中的3个四等分位点值（即25%、50%、75%分位点）；

4.2）以3个等分位点的取值为阈值对{RR_i}进行符号化，构成符号序列{s_i：1≤i≤N}；

4.3）将符号序列{s_i}分别沿正向、逆向按维数4、延迟1构成符号字序列{Wf_i:1≤i≤N-3}、{Wb_i:1≤i≤N-3}；

4.4）在序列{Wf_i}和{Wb_i}中，统计各4位符号字的概率分布，记为Pf(λ)和Pb(λ)，并计算两者的归一化差异Pd(λ)；

4.5）计算Pd(λ)的信息熵即为差异分布熵DE4。

进一步，本发明中，人工神经网络模型包括：预处理单元和多参数非线性运算单元。

进一步，本发明中，预处理单元对提取的三个敏感参数，按式（1）~（3）进行预处理，

$I_{\mathrm{SE}4}=2\×\frac{\mathrm{SE}4-0.1560}{1.5086}-1---\left(1\right)$

$I_{\mathrm{DE}4}=2\×\frac{\mathrm{DE}4-4.8727}{2.4963}-1---\left(2\right)$

$I_{\mathrm{SD}}=2\×\frac{\mathrm{SD}-20.4672}{132.6912}-1---\left(3\right)$

其结果组合成为输入特征向量I＝(I_SE4,I_DE4,I_SD)。

进一步，本发明中，其中所述的多参数非线性运算单元由一个结构为3-2-1的网络实现O＝f(LW×f(IW×I+B1)+B2)的运算，其输入层到隐层的权值、隐层到输出层的权值、输入层到隐层的偏置矩阵、隐层到输出层偏置矩阵、传递函数分别为：

$\mathrm{IW}=\left\{\begin{array}{ccc}3.4355& -1.9337& 1.4263\\ 3.8751& -2.1488& 1.6391\end{array}\right\},$ LW＝{-1.4421  -7.1046}、 $B1=\left\{\begin{array}{c}2.0371\\ 2.2610\end{array}\right\},$ B2＝0.3722、 $f\left(x\right)=\frac{2}{1+\exp (-2x)}-1$

其输出值则代表诊断结果，小于0代表判定为阴性，大于0代表判定为阳性，等于0则本次判定无效。其输出值则代表诊断结果，小于0代表判定为阴性（健康），大于0代表判定为阳性（疑似CHF），等于0则本次判定无效。

综上所述，本方法中，人工神经网络模型用于实现基于多参数的智能诊断。提取的三个敏感特征参数构成一个三维的特征空间，每一个HRV序列，由其计算得到的三个参数的值决定其在该特征空间中的位置。发明人认为，该特征空间中存在着一个多维曲面，可以将空间分隔成两个部分：疑似CHF和健康。因此利用人工神经网络的非线性拟合能力，拟合出该曲面以实现CHF的智能诊断。

本发明中的三个敏感特征参数提取均不对HRV做平稳性假设，因此，本方法不限定数据采集时受测试者必须处于平躺或静坐状态，只要是日常生活状态（没有剧烈运动）下采集的心电信号，只要长度达到4小时，即可应用本发明的方法。同时，由于本方法中所有的计算过程都只涉及初等数学运算，因此容易实现。

附图说明

图1是本发明基于心率变异性非线性特性的充盈性心衰自动诊断方法的原理框图。

图2是从ECG获得HRV序列的示意图。

图3是尺度4粗粒化原理示意图。

图4是4位符号字构成原理示意图。

图5是神经网络模型原理框图。

图6是测试数据一(一个健康人)的HRV。

图7是测试数据二(一个CHF患者)的HRV。

图8是100例训练数据（62例健康人、38例CHF患者）和16例（10例健康人、6例CHF患者）测试数据的仿真结果图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

图1是本发明基于心率变异性（heart rate variability,HRV）非线性特性的充盈性心衰（Congestive Heart Failure,CHF）自动诊断方法的原理框图。

基于HRV非线性特性的CHF自动诊断方法，步骤包括：

1）对于采集到的体表心电图（ECG）信号，提取其逐拍心跳间期（RR间期）构成HRV序列{RR_i:1≤i≤N}，并对该序列进行三个敏感特征参数（包括线性与非线性）的提取；

2）步骤1中得到的三个敏感特征参数，作为人工神经网络的输入，通过一个确定的人工神经网络模型，获得CHF自动诊断的结果。

所述步骤1）中，对序列{RR_i}的三个敏感特征参数的提取，具体包括：粗粒化尺度4下的样本熵（sample entropy in scale 4,SE4）计算；正、逆向序列4位符号字分布差异熵（difference entropy inscale 4,DE4）的计算；序列的标准差（Standard Deviation,SD）的计算。

各敏感特征参数分别计算如下：

1.1）粗粒化尺度4下的样本熵（sample entropy in scale 4,SE4）计算，具体步骤如下：

1.1.1）获得增量序列{ΔRR_i:1≤i≤N-1}，其中

ΔRR_i＝RR_i+1-RR_i    （1）

1.1.2）对上述增量序列进行尺度为4的粗粒化（符号

代表取整）：

$y_j=\frac{1}{4}\underset{i=4(j-1)+1}{\overset{4j}{\mathrm{\Σ}}}\mathrm{\ΔR}{R}_i,$ 其中

获得长度为

的粗粒化序列{y_j:1≤j≤K}

1.1.3）对序列{y_j}做2维嵌入，得到矢量序列：

B⁽²⁾(i)＝(y_i,y_i+1)，1≤i≤K-1    （3）

1.1.4）当两个矢量B⁽²⁾(i)和B⁽²⁾(j)的距离小于一个设定值r时，则认为两矢量是相同的。定义

是与B⁽²⁾(i)相同的矢量个数，则2维嵌入下的矢量相同的概率为：

$C^2\left(r\right)=\frac{1}{K-1}\underset{i=1}{\overset{K-1}{\mathrm{\Σ}}}\frac{n_i^{\left(2\right)}}{K-1}---\left(4\right)$

1.1.5）将嵌入维数增加到3，同法计算

$C^3\left(r\right)=\frac{1}{K-2}\underset{i=1}{\overset{K-2}{\mathrm{\Σ}}}\frac{n_i^{\left(3\right)}}{K-2}---\left(5\right)$

1.1.6）则序列{y_j}的样本熵值，即为SE4：

$\mathrm{SE}4=-\ln \frac{C^3\left(r\right)}{C^2\left(r\right)}---\left(6\right)$

1.2）正、逆向序列4位符号字分布差异熵（difference entropyin scale 4,DE4）的计算，

具体步骤包括：

1.2.1）对原始序列{RR_i}按升序（或降序）排列得到序列{u_i:1≤i≤N}，依次取得序列{u_i}中的3个四等分位点值（即25%、50%、75%分位点），从小到大依次记为t₁，t₂，t₃

1.2.2）依式（7）对原始序列进行符号化，构成符号序列{s_i:1≤i≤N}：

$s_i=\left\{\begin{array}{c}0:R{R}_i\&le;t_1\\ 1:t_1<R{R}_i\&le;t_2\\ 2:t_2<R{R}_i\&le;t_3\\ 3:t_3<R{R}_i\end{array}\right\}$ （1≤i≤ N）    (7)

1.2.3）将符号序列{s_i}分别沿正向、逆向按维数4、延迟1构成符号字序列{Wf_i:1≤i≤N-3}、{Wb_i:1≤i≤N-3}，其中

Wf_i＝[s_i,s_i+1,s_i+2 s_i+3]，（1≤i≤N-3）  (8)

Wb_i＝[s_i+3,s_i+2,s_i+1,s_i]，（1≤i≤N-3）  (9)

1.2.4）在序列{Wf_i}和{Wb_i}中，统计各4位符号字的概率分布，记为Pf(λ)和Pb(λ)，其中λ代表不同的符号字，如将符号字换算成以10进制表示，则λ∈[1,4^m]；

1.2.5）按式（10）计算正、逆向符号字分布的归一化差异：

$\mathrm{Pd}\left(\mathrm{\&lambda;}\right)=\frac{|\mathrm{Pf}\left(\mathrm{\&lambda;}\right)-\mathrm{Pb}\left(\mathrm{\&lambda;}\right)|}{\underset{\mathrm{\&theta;}=1}{\overset{4^m}{\mathrm{\&Sigma;}}}|\mathrm{Pf}\left(\mathrm{\&theta;}\right)-\mathrm{Pb}\left(\mathrm{\&theta;}\right)|}---\left(10\right)$

1.2.6）按式（11）计算Pd(λ)的信息熵即为DE4

$\mathrm{DE}4=-\underset{\mathrm{Pd}\left(\mathrm{\&lambda;}\right)\&NotEqual;0}{\mathrm{\&Sigma;}}\mathrm{Pd}\left(\mathrm{\&lambda;}\right)*{\log }_2\mathrm{Pd}\left(\mathrm{\&lambda;}\right)---\left(11\right)$

1.3）序列的标准差（Standard Deviation,SD）的计算：

$\mathrm{SD}={\left(\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(R{R}_i-\mathrm{\&mu;})}^2\right))}^{1/2}---\left(12\right)$

其中 $\mathrm{\&mu;}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}R{R}_i$

所述步骤2）中，将步骤1中计算得到的三个敏感参数（两个非线性参数和一个线性参数），经预处理后，输入我们确定的神经网络模型，模型的输出代表CHF自动诊断的结果，具体步骤如下：

2.1.）对步骤1中得到的三个敏感参数分别按式（13）~（15）预处理：

$I_{\mathrm{SE}4}=2\&times;\frac{\mathrm{SE}4-0.1560}{1.5086}-1---\left(13\right)$

$I_{\mathrm{DE}4}=2\&times;\frac{\mathrm{DE}4-4.8727}{2.4963}-1---\left(14\right)$

$I_{\mathrm{SD}}=2\&times;\frac{\mathrm{SD}-20.4672}{132.6912}-1---\left(15\right)$

其结果组合成为输入特征向量I＝(I_SE4,I_DE4,I_SD)

2.2）将向量I输入图5所示的神经网络模型，即按式（16）计算：

O＝f(LW×f(IW×I+B1)+B2)  （16）

其中，IW为模型输入层和隐层之间连接权值矩阵，为如下2*3的矩阵：

$\mathrm{IW}=\left\{\begin{array}{ccc}3.4355& -1.9337& 1.4263\\ 3.8751& -2.1488& 1.6391\end{array}\right\}---\left(17\right)$

LW为模型隐层和输出层之间连接权值矩阵，为如下1*2的矩阵：

LW＝{-1.4421  -7.1046}    （18）

B1是隐层节点偏置，为如下2*1的向量：

$B1=\left\{\begin{array}{c}2.0371\\ 2.2610\end{array}\right\}---\left(19\right)$

B2是输出层节点偏置，为如下1*1的向量：

B2＝0.3722                （20）

而f(x)为非线性激活函数，其公式为：

$f\left(x\right)=\frac{2}{1+\exp (-2x)}-1---\left(21\right)$

f(x)限定函数输出值在-1~+1之间。若公式（16）计算后的输出值O取值在小于0，就可判定该输入样本为阴性（健康）；若输出值O取值在大于0，就可判定该输入样本为阳性（疑似CHF）；若输出值O取值等于0，则此次判定失效。

下面以本方法在对实际采集的HRV进行CHF诊断时的应用，结合附图对本发明作进一步说明。

参考图6，是从一个健康老年人（年龄：66岁）采集得到的HRV。利用我们的方法，计算获得其三个敏感特征参数分别为：SE4=0.81；DE4=6.35；SD=41.12。其网络输出结果为：O＝-0.89。

参考图7，是从一个CHF患者（年龄：72岁，心功能分级：I级）采集得到的HRV。利用我们的方法，计算获得其三个敏感特征参数分别为：SE4=0.27；DE4=7.16；SD=74.49。其网络输出结果为：O＝1。

表1列出了训练库以外的16例（10例健康人、6例CHF患者）测试数据的诊断结果。附图8则为所有100例训练数据和16例测试数据的仿真图。

表1

测试证明，本方法对于训练库外的实际采集的数据，仅有一例诊断错误，诊断正确率达94%。实际上，如果扩充临床数据库资源，我们的方法还会进一步提高诊断正确率和可靠性。

本发明中，参数提取包括两个非线性参数（SE4和DE4）和一个线性参数（SD）。心脏动力系统是典型的多输入、多级延迟的非线性系统，因此，反映心脏控制系统动力学特性的HRV也具有复杂的非线性与多尺度特性。在以往研究中发现，HRV增量序列在粗粒化尺度4下的样本熵SE4，以及HRV的等概率符号化序列正向、逆向4位符号字的分布差异熵DE4，对于健康人和CHF患者有着较其他参数更为突出的区分能力，因此，本发明中，将这两个非线性参数结合，能获得更加可靠的CHF诊断判据。同时，HRV的常用线性指标标准差SD，尽管对CHF诊断没有直接的线性区分能力，但由于一直是临床上常用的对于总变异性的一个评估参考，因而作为对HRV的线性特性的补充，也被纳入到本诊断输入系统。

本方法中，人工神经网络模型用于实现基于多参数的智能诊断。提取的三个敏感特征参数构成一个三维的特征空间，每一个HRV序列，由其计算得到的三个参数的值决定其在该特征空间中的位置。发明人认为，该特征空间中存在着一个多维曲面，可以将空间分隔成两个部分：疑似CHF和健康。因此利用人工神经网络的非线性拟合能力，拟合出该曲面以实现CHF的智能诊断。

由于本方法涉及的三个敏感特征参数的计算，均不需要平稳性假设前提，因此，对于采集的数据，不需要对测试者严格限定状态（例如限定平躺或者静坐），只要是日常生活状态（无剧烈运动）下的4小时的体表心电数据，都可以应用本方法实现CHF的自动诊断。同时，由于本方法中所有的计算过程都只涉及初等数学运算，因此容易实现。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.一种基于心率变异性非线性特性的充盈性心衰自动诊断方法，其特征是，包括下列步骤：

1)对于采集到的体表心电图，提取其逐拍心跳间期构成代表心率变异性的序列{RR_i:1≤i≤N}，并对该序列进行三个敏感特征参数的提取；

2)对步骤1)中得到的三个敏感特征参数，输入设定的人工神经网络模型，获得充盈性心衰诊断的结果。

2.根据权利要求1所述的基于心率变异性非线性特性的充盈性心衰自动诊断方法，其特征是，所述步骤1)中，三个敏感特征参数的提取，包括：

对于原始序列{RR_i:1≤i≤N}的增量序列{ΔRR_i:1≤i≤N-1}，计算粗粒化尺度4下的样本熵SE4；

对于原始序列{RR_i:1≤i≤N}的等概率符号化序列{s_i:1≤i≤N}，计算正向、逆向序列中4位符号字的分布差异熵DE4；

对于原始序列{RR_i}计算标准差SD。

3.根据权利要求2所述的基于心率变异性非线性特性的充盈性心衰自动诊断方法，其特征是，其中所述的增量序列{ΔRR_i}粗粒化尺度4下的样本熵SE4计算包括下列步骤：

3.1）对{ΔRR_i}进行尺度4的粗粒化得到序列{y_j}；

3.2）对序列{y_j}分别做2维、3维嵌入，得到矢量序列{B⁽²⁾(i)}、{B⁽³⁾(i)}；

3.3）分别计算2维嵌入和3维嵌入下，两矢量相同的概率C²(r)、C³(r)；

3.4）依据C²(r)、C³(r)计算序列{y_j}的样本熵值，即得原始序列的SE4。

4.根据权利要求2所述的基于心率变异性非线性特性的充盈性心衰自动诊断方法，其特征是，其中所述的原始序列{RR_i}等概率符号化后正向、逆向序列中4位符号字的分布差异熵DE4计算包括下列步骤：

4.1）对原始序列{RR_i}按升序/降序排列得到序列{u_i:1≤i≤N}，并取得序列{u_i}中的3个四等分位点值；

4.2）以3个等分位点的取值为阈值对{RR_i}进行符号化，构成符号序列{s_i：1≤i≤N}；

4.3）将符号序列{s_i}分别沿正向、逆向按维数4、延迟1构成符号字序列{Wf_i:1≤i≤N-3}、{Wb_i:1≤i≤N-3}；

4.4）在序列{Wf_i}和{Wb_i}中，统计各4位符号字的概率分布，记为Pf(λ)和Pb(λ)，并计算两者的归一化差异Pd(λ)；

4.5）计算Pd(λ)的信息熵即为差异分布熵DE4。

5.根据权利要求1所述的基于心率变异性非线性特性的充盈性心衰自动诊断方法，其特征是所述步骤2)中，人工神经网络模型包括：预处理单元和多参数非线性运算单元。

6.根据权利要求5所述的基于心率变异性非线性特性的充盈性心衰自动诊断方法，其特征是，其中所述的预处理单元对步骤1)提取的三个敏感参数：粗粒化尺度4下的样本熵、正向、逆向序列中4位符号字的分布差异熵以及标准差，分别按下式进行预处理：

$I_{\mathrm{SE}4}=2\&times;\frac{\mathrm{SE}4-0.1560}{1.5086}-1---\left(1\right)$

$I_{\mathrm{DE}4}=2\&times;\frac{\mathrm{DE}4-4.8727}{2.4963}-1---\left(2\right)$

$I_{\mathrm{SD}}=2\&times;\frac{\mathrm{SD}-20.4672}{132.6912}-1---\left(3\right)$

其结果组合成为输入特征向量I＝(I_SE4,I_DE4,I_SD)。

7.根据权利要求5所述的基于心率变异性非线性特性的充盈性心衰自动诊断方法，其特征是，其中所述的多参数非线性运算单元由一个结构为3-2-1的网络实现O＝f(LW×f(IW×I+B1)+B2)的运算，其输入层到隐层的权值、隐层到输出层的权值、输入层到隐层的偏置矩阵、隐层到输出层偏置矩阵、传递函数分别为：

$\mathrm{IW}=\left\{\begin{array}{ccc}3.4355& -1.9337& 1.4263\\ 3.8751& -2.1488& 1.6391\end{array}\right\},$ LW＝{-1.4421  -7.1046}、 $B1=\left\{\begin{array}{c}2.0371\\ 2.2610\end{array}\right\},$ B2＝0.3722、 $f\left(x\right)=\frac{2}{1+\exp (-2x)}-1,$

其输出值则代表诊断结果，小于0代表判定为阴性，大于0代表判定为阳性，等于0则本次判定无效。

Images