基于VF 波形多特征参数的除颤成功率预测研究

袁 晶，李金玲，陈国盛，余 明，徐佳盟，陈 锋，张 广*

（1.军事科学院系统工程研究院卫勤保障技术研究所，天津 300161；2.解放军65316 部队卫生连，辽宁瓦房店 116300）

0 引言

心室颤动（ventricular fibrillation，VF）是诱发心脏骤停猝死的重要原因之一，及时发现并进行电击除颤和心肺复苏（cardio pulmonary resuscitation，CPR）可挽救相当比例猝死者的生命[1-3]。相关数据表明，每延迟1 min，猝死患者的生存概率降低7%～10%[4]。在院外心肺复苏急救中，对于短时VF 患者，电击除颤容易使其恢复正常灌注节律；而对于长时VF 患者，电击除颤前先行胸外心脏按压，产生一定的血流灌注，有助于除颤成功率的提高[5-8]。为提高除颤成功率和复苏效率，在心肺复苏前首先需要预测除颤成功率，选择在最易恢复规则灌注节律的时机进行除颤，从而判断先行胸外按压还是先行电击除颤，这对提高患者生存率具有重要意义。但是仅仅凭借医护人员的临床经验，往往很难准确预测除颤成功率，把握最优除颤时机。因此，需要通过对生理信号进行多源分析，挖掘其内含的多种特征信息，从而实现除颤成功率的综合预测。

目前，已有研究机构开展了相关研究。如李景莎等[9-10]利用CPR 期间的冠脉灌注压（coronary perfusion pressure，CPP）和心肌血流2 个生理参数准确预测了除颤成功率，但是有创生理参数的获取需要进行血管插管，院外急救过程中无法应用。Indik 等[11]利用室颤心电波形的幅值频谱和斜率预测第二次或之后电击除颤过程中的除颤成功率，得到了较好的预测结果，AUC 为0.86；Lin 等[12]利用室颤心电波形的时、频域参数预测了首次除颤成功率，AUC 为0.65。但以上2 项研究均未考虑不同室颤时间长度对除颤成功率的影响。

人体心电信号蕴含了大量的生理信息，可以综合地反映心脏各腔室的电活动。本文利用心电信号，从时域、频域、相空间、联合域等多维度提取心电信号特征参数，变换预测时间窗口长度，利用机器学习算法，构建不同室颤时间长度下的除颤成功率预测模型，从而实现除颤成功率的准确预测。

1 数据来源

1.1 动物实验介绍及实验数据采集

本研究中所用数据全部来自于动物实验。选取10 只体质量在25～30 kg 的健康长白猪，在术前称重并记录。将长白猪麻醉后，四肢固定于V 型槽状手术台，建立气管插管机械通气通道、呼气末CO（2endtidal CO2，ETCO）2测量通道、心电图（electrocardiogram，ECG）测量通道、腹主动脉血压测量通道、胸外按压深度测量通道、光电脉搏波测量通道和电极导管诱发室颤通道。其中，ECG 测量通道、腹主动脉血压测量通道、光电脉搏波测量通道和胸外按压深度测量通道连接至RM6240 系列多通道生理信号采集处理系统，用于波形显示及记录。

通过电极导管输出30 V 左右的交流电，持续5 s，以诱发VF。如果不成功，则缓慢加大电压至35 V，直至诱发VF。判断诱发VF 的标准：有创血压监测显示平均动脉压小于20 mmHg（1 mmHg=133.32 Pa）或腹主动脉压出现大幅下降，伴有动脉搏动波消失，且ECG 显示VF 波形、室性逸搏心率或1 条直线。诱导VF 成功后，取出电极导管，控制吸氧体积分数为100%、通气频率为15 次/min、潮气量为15 mL/kg，进行电击除颤，如未成功，进行胸外按压2 min，进行第二次电击除颤。自主循环恢复的标准：动物出现窦性节律，同时平均动脉压大于50 mmHg 或脉压差大于20 mmHg，且持续时间大于5 min。动物室颤模型建立过程如图1 所示，流程时序图如图2 所示。

图1 动物室颤模型建立过程

图2 动物实验流程时序图

1.2 实验数据提取

针对本研究目的，根据RM6240 系列多通道生理信号采集处理系统采集到的ECG 数据、腹主动脉血压数据、胸外按压深度数据，筛选成功诱发VF 至实验动物恢复自主循环或死亡时间段内无按压干扰信号的ECG 波形数据。截取电击除颤前时间长度为4、8、10、12 s 的心电信号数据，并分别对除颤成功数据段和除颤失败数据段在数据末尾添加区分标签。

通过初步筛选，得到不同室颤时间长度的心电信号室颤数据，详见表1。

表1 不同室颤时间长度的心电信号室颤数据 单位：组

得到各数据段后对其进行数据预处理，方便后续提取特征值。先将实验数据通过低通滤波器滤除细小杂波干扰，然后对其进行数据规范化处理，将数据按比例缩放，使数据值映射到[0，1]。

2 除颤成功率多维预测算法

2.1 特征值提取

本研究分别从时域、频域、相空间、联合域4 个不同维度对室颤心电信号进行特征提取与分析，具体提取过程简述如下：

（1）时域参数。

幅值峰峰值：幅值为VF 信号最大值与最小值之差，计算式为

式中，VFpk-pk表示幅值峰峰值；VFmax表示幅值的最大值；VFmin表示幅值的最小值。

幅值衍生变量包括最大值、最小值、平均值、极差、方差、标准差和四分位数。

幅值均方根（root mean square，RMS）：N 个VF 幅值的平方和除以N 后开平方的数值，计算公式为

式中，VFrms表示幅值的均方根；VFi表示室颤心电波形中的每一个幅值。

（2）频域参数。

峰值频率：作为描述室颤心电波形频谱特性的重要参数，其定义为室颤心电波形功率谱最高能量所对应的频率。

中值频率：中值频率是表征室颤心电信号功率谱能量的中间频率值，具体为各个时间段功率的平均值，计算公式为

式中，Fmedian表示中值频率；P（Fi）表示频率Fi的功率谱能量。

平均功率：功率谱中总功率与总时间之比即为平均功率，其中总时间由数据窗口长度决定。

幅度频率功率谱面积（amplitude spectrum area，AMSA）将时域内的室颤心电波形利用快速傅里叶变换方法进行频域变换，得到室颤心电波形的幅度频率功率谱。根据室颤心电波形幅度频率功率谱包含面积计算出相应AMSA，计算公式为

式中，Ai为4～48 Hz 频率范围内第i 个频率Fi对应的幅值。4～48 Hz 的带通滤波可以有效滤除低频按压干扰和高频环境噪声。

（3）相空间参数。

角速度：角速度求解技术基于相空间重建算法。VF 波形随时间变化的幅值为C1，同样的VF 波形延迟N 个采样点形成C2，其中C1 作为X 轴坐标值，C2 作为Y 轴坐标值，形成相空间图，最后得到一个近似圆形的二维平面或饼状三维空间轨道。沿着轨迹绕中心运动会发现随着时间延长，旋转速度（angular velocity，AV）逐渐减慢[13]。其中，独立2 点Ai和Ai+1之间的角度可用以下公式计算：

式中，Yi为Ai点的幅值；k 为延迟点个数。

（4）联合域参数。

对上述时域、频域、相空间参数联合使用，构成的特征值集合为联合域参数。

2.2 基于机器学习的除颤成功率预测模型

本研究中用到的机器学习算法主要为逻辑回归算法和支持向量机算法。

（1）支持向量机算法原理。

以线性可分的二分类问题为例，支持向量机分类算法的主要思想为构建一个最优超平面，使得位于超平面一侧的点属于同一类[14]。假设数据集共有m 个样本点，超平面为ωx+b=0，支持向量分布在ωx+b=±1 上，确定最优超平面的过程可以转换为求解不等式约束优化问题：

式中，yi表示第i 个样本的结果标签，xi表示第i 个样本的特征。

为求解方便，将问题转换为拉格朗日乘子对偶问题，设置拉格朗日乘子αi＞0，得到原始问题的拉格朗日函数：

对于线性不可分问题，可以将原始空间x 映射到线性可分的高维空间Ø（x），并通过函数K（xi，x）j=Ø（x）iTØ（x）j在低维空间计算高维空间的点积结果，该函数即核函数。此时的分隔超平面变为

分类决策函数可写为

（2）逻辑回归算法原理。

逻辑回归算法是一种临床上广泛应用的二分类算法，具有运算速度快、易于理解且能直接反映出各个特征的权重等优点，其主要思想是根据现有数据对分类边界线建立回归公式，以此进行分类[15]。给定输入x，x∈Rnx，利用sigmoid 函数σ（z）=1（/1+e-）z将x的线性组合映射到（0，1）内，得到，如果＞0.5，则数据被分入1 类，否则被归入0 类。分类后构建代价函数J（ω），利用梯度下降算法调整模型的参数，使代价函数不断减小，直至满足预设精度要求，模型参数按照下述公式进行更新：

式中，α 为学习率，即梯度下降的步长。

本研究中，利用Python 中的机器学习工具包Scikit-learn（V0.21.3）构建模型。在模型训练过程中，利用网格搜索方法为逻辑回归模型和支持向量机模型选择合适的参数，最终确定逻辑回归模型为LogisticRegression（C=0.26，intercept_scaling=5，max_iter=100，solver='saga'），支持向量机模型为SVC（C=0.034，cache_size=200，coef0=4，kernel='linear'）。

2.3 模型评价

为提高模型预测性能，用5 折交叉验证方式进行模型的训练与验证。对于每种时间长度的数据，将所有可用数据均分为5 等份，每次用其中的4 份进行模型训练，剩余的1 份用来验证模型的性能，使每一份都用于1 次模型性能验证。最终将5 折交叉验证得到的模型性能指标进行平均计算，从而作为模型最终的性能评价指标。

本研究中用到的模型评价指标为准确率（accuracy，ACC）与AUC，其中ACC 计算公式为

式中，TP 为正例预测正确的个数；FP 为负例预测错误的个数；TN 为负例预测正确的个数；FN 为正例预测错误的个数。

2.4 除颤结果预测流程

除颤结果预测的整体流程如图3 所示。首先，构建动物室颤模型，提取不同时间长度的室颤时心电信号。然后，对室颤心电信号进行滤波、归一化等处理后提取用来构建预测模型的特征参数，构建特征值矩阵。最后，利用5 折交叉验证方法构建除颤结果预测的机器学习模型，并进行预测性能评价。

图3 室颤成功率预测算法流程图

3 结果

分别用逻辑回归和支持向量机2 种算法对数据段室颤时间长度为4、8、10、12 s 的室颤心电信号进行除颤成功率预测。逻辑回归模型预测结果的ACC及AUC 详见表2。从表2 可以看出，随着室颤时间长度的增加，单一特征值建模时除个别特征参数外，ACC 和AUC 都有所增加，且性能稳定性也得到了提高。逻辑回归算法建立的除颤结果预测模型最高ACC 为0.875，出现在室颤时间长度为4、10、12 s 且使用联合域参数构建模型时。对AUC 进行比较，最优的预测结果为数据长度为12 s（使用联合域参数所构建的预测模型），AUC 达0.938。

利用支持向量机算法构建的除颤结果预测模型的ACC 及AUC 详见表3。从表3 可以更明显地看出，各特征值构建的预测模型的ACC 和AUC 均随着数据长度的增加呈整体增加的趋势，最优的预测ACC及AUC 均出现在用特征值集合所构建的预测模型，最优预测ACC 为0.900，最优预测AUC 为0.949。

表2 逻辑回归模型预测除颤结果性能

为进一步比较2 种机器学习算法构建的除颤结果预测模型的性能，分别对室颤时间长度为4、8、10、12 s 时2 种模型预测结果的AUC 进行比较，结果如图4 所示。从图4 可以看出，整体上，支持向量机模型的性能优于逻辑回归模型，但相差不大；用联合域参数构建的模型性能均优于用单个特征值所构建的模型。

4 讨论

既往对除颤结果预测的研究主要集中于使用VF 振幅、频率、持续时间等单一特征参数，预测模型也是使用常规的线性模型或其他回归模型。本研究分别从单特征参数和特征集合2 个方面，利用逻辑回归和支持向量机2 种机器学习算法构建除颤结果预测模型，模型预测ACC 最高为0.900、AUC 最大值为0.949。

表3 支持向量机模型预测除颤结果性能

图4 不同室颤时间长度下各模型预测结果的AUC 比较

通过对2 种机器学习算法构建的除颤结果预测模型进行比较可知，随着建模所用数据长度的增加，2 种模型的预测性能整体上呈现逐渐增强的趋势。用联合域特征值构建的模型性能比单一特征值构建的模型性能要好，说明较长的数据段和特征参数的集合包含更多的有用信息，能够更好地对除颤的结果进行预测。

此外，通过对比2 种算法构建的预测模型的AUC 可以明显看出，支持向量机方法构建的预测模型性能优于基于逻辑回归算法构建的预测模型，说明支持向量机算法在处理高维空间非线性问题时性能更优。综上所述，基于支持向量机构建的除颤结果预测模型能够满足目前对预测精度的要求。

本研究还存在以下不足之处：首先，本研究分析的数据是由动物实验所得，数据量较少，下一步将继续建立动物实验模型，增加数据量，使论证结果更具可靠性；其次，需要将除颤成功率预测算法应用到临床实践中，通过建立多中心心肺复苏临床数据库，应用临床数据对算法预测ACC 进行分析改进，从而加快算法在临床实践中的移植进度。

5 结论

本研究通过建立动物室颤模型，分别提取不同时间长度的室颤心电数据，根据电击除颤的成功与否对心电数据进行分组，从时域、频域、相空间、联合域维度对提取的心电信号进行分析，并提取相关特征参数。利用逻辑回归算法和支持向量机算法构建除颤成功率的预测模型，通过比较使用单一类型特征参数与联合使用时域、频域和相空间参数的建模结果可知，综合利用各维度特征参数，选取12 s 的数据段，能够较好地对除颤的成功率进行预测，预测ACC 可达0.900。本研究能够辅助在院外急救中选择合适的电击除颤时机，从而提高救治成功率。