舌体高光谱的高血压患者中合并冠心病的筛查方法

赵 静， 马 贝， 刘 明， 刘珍珍， 李 刚， 李 哲， 王益民*

1. 天津中医药大学中药制药工程学院， 天津 300193

2. 中国医学科学院生物医学工程研究所， 天津 300192

3. 天津大学精密测试技术及仪器国家重点实验室， 天津 300072

4. 北京工业大学信息学部， 北京 100124

引 言

高血压(hypertension disease， HD)是目前最常见的慢性疾病之一。 长期高血压疾病的存在， 容易导致心脑血管相关并发症的发生， 其中高血压合并冠心病(hypertension disease complicated with coronary heart disease， HD-CHD)就是一类严重合并症[1]。 治疗不及时， 其致残、 致死率高， 严重影响患者的生活质量。 目前冠状动脉造影是诊断冠心病(coronary heart disease， CHD)的一种常用且有效的方法[2-4]。 但检测费用昂贵， 通常被有症状患者所选择， 而无症状患者通常并不能及时的发现自身的病情， 只有在不良症状后才意识到心脏可能有病， 必须进行相应临床检测。 这在一定的程度上会延误病情， 错过了早期最佳治疗时间。 因此， HD-CHD的早期诊断对于预防不良事件如心衰等的发生显得尤为关键。

目前临床对早期无症状CHD的诊断主要通过血液动力学检查和心电图检测[5-6]。 其中心电图检测， 诊断准确率不高。 血液动力学检查常用的有超声心动图法以及心阻抗血流图法。 超声心动图法分有创和无创两种方法。 其中无创探测方法为胸外探测式超声心动图， 其检测准确率不高， 只有80%左右。 心阻抗血流图法使用单一测量频率， 选取阻抗模量进行阻抗血流描记， 其定量性、 定位性以及重复性还有待提高。

光谱技术以其快速、 便捷、 高效的特点被应用到生物医学领域。 大量实验验证了光作为能量的载体， 经过组织体出射后携带了大量人体的生理和病理信息， 基于此， 结合数据分析算法， 即能对组织体的生理和病理状态做出辨识[7-9]。 高光谱技术能够获得整个被测对象的光谱数据， 与传统单点光谱技术相比， 提供了更丰富的被测对象光谱信息[10]。 故将高光谱用于HD及HD-CHD患者的分类辨识。

在测量点的选取上， 舌与心在生理和病理方面有着密切联系。 《灵枢·脉度》中说： “舌为心之苗”。 心血管功能的改变， 常常能够引起舌象的变化。 Burmeister和Arnold等[11]用实验证明了比起指尖以及手臂等部位， 舌体布满血管并且没有脂肪组织， 舌体微循环信息能够更准确的反映人体的生理和病理状态。

考虑到舌体的特殊位置， 采用测量舌体表面高光谱的方法可以实现舌体光学信息的非接触测量。 因此， 基于舌体高光谱信息， 结合BP神经网络， 建立HD与HD-CHD患者的分类辨识模型， 以期为HD患者中HD-CHD的发生提供一种早期辨识新方法， 从而预防更严重的事件发生。 整体实验流程如图1所示。

图1 实验总体框架

1 实验部分

1.1 数据采集

154例病例均来源于天津市天津中医药大学第二附属医院心血管科门诊患者。 年龄集中于50～70岁， 平均年龄为61.83岁。 所有志愿者均签署知情同意书， 符合赫尔辛基宣言(adhered to the principles of Declaration of Helsinki)。 西医诊断标准参照《1999年WHO/ISH高血压治疗指南》以及国际心脏病学会和协会及世界卫生组织临床命名标准化联合专题组报告《缺血性心脏病的命名及诊断标准》。 经临床医师诊断， 对符合纳入标准的患者进行舌体高光谱数据采集。

1.2 采集系统

高光谱数据采集系统包括光源、 光源支撑架、 高光谱采集模块、 头部支撑架、 计算机、 以及数据传输线。 其中， 光源采用美国产LOWEL Pro光源， 功率为250 W， 色温3 200 K， 波长范围为250～2 500 nm。 高光谱采集模块为美国SOC公司生产的SOC710高光谱成像仪。 光谱范围为377.8～1 049.1 nm， 光谱分辨率为5.6 nm， 波段数128。 高光谱成像仪采集到的舌面高光谱数据通过数据线传输到计算机进行处理与保存。 为了保证不同被测患者舌体位置的一致性， 实验设置了头部支撑架， 用于患者下颌位置的固定。

测量前， 光源预热15 min， 使得光源达到稳定状态。 对被测患者进行伸舌训练。 考虑到伸舌时间对于舌体血液充盈的影响， 控制患者数据采集时间在10 s之内。

1.3 数据处理

为了提高光谱测量信噪比， 消除外界照明以及系统带来的部分误差影响， 对采集到的光谱数据进行归一化处理。 由于归一化方法获得的是全波段测量数据的相对比值， 能够有效去除测量中的系统误差， 提高测量信噪比。 具体计算过程如式(1)所示。

(1)

式(1)中，Iij为第i个患者舌体第j个波长对应位置的光强度信息； max(Ii)为第i个患者所对应的光强度最大值； min(Ii)为第i个患者所对应的光强度最小值。

按照中医学的舌部分区理论， 舌尖与上焦心肺的病变对应， 而中焦脾胃的病变大多在舌中有所体现， 下焦肾的病变常显现在舌根部位， 肝胆的病变则多反映于舌两侧[12]。 基于中医学的舌部分区理论进行舌体区域划分， 并对HD及HD-CHD患者组间各舌体分区感兴趣区域光谱数据进行差异性分析。 首先对各组数据进行正态性检验， 如果符合正态分布， 两组数据间的比较采用独立样本T检验， 如果不符合正态分布， 则采用非参数检验。 设定p<0.05表示两组间具有显著性差异。 选取具有显著性差异的舌体分区光谱数据用于后续辨识模型的建立。 选取神经网络建立两病种的分类辨识模型。

2 结果与讨论

2.1 HD与HD-CHD组间不同舌体分区光谱差异性比较

按照病种的不同， 154例样本分为HD患者组和HD-CHD患者组。 其中HD患者组77人， HD-CHD患者组77人。 为了探究所采集HD患者组及HD-CHD患者组样本舌象光谱特征， 对所采集的样本不同舌面区域光谱特征， 以及不同病种同一舌面区域光谱特征分别进行比较。 将舌面分为舌尖、 舌中、 舌左、 舌右以及舌根五部分。 HD和HD-CHD患者组各舌体分区平均归一化光谱比较如图2所示。

由图2可见， HD及HD-CHD不同舌体分区之间光谱差异主要存在于500～600 nm之间， 同组内各舌体分区在500～600 nm之间光谱特征进行比较发现， HD患者组舌左、 舌右以及舌中光谱几乎重合， 无明显差异。 然而， HD-CHD患者组舌左与舌右光谱间无明显差异， 舌中与舌左以及舌右光谱间差异明显。 张剑等研究报道随着心血管类疾病的发展、 病程的增加， 患者舌象舌形随之发生变化[13]。 这种差异与长期心血管类疾病冠心病的存在， 造成机体气血津液不足， 久病致虚从而呈现于舌象相关。 进一步对图2中两病种组光谱特征比较发现， 两病种组各舌体分区在波长509.6和561.2 nm以及540.5和576.7 nm均存在极大和极小值。 这与血红蛋白对光的吸收特征相吻合[14]。 由生物医学光子学理论可知， 人体组织对光的吸收受到血红蛋白含量的影响， 而且在541.0及576.7 nm左右氧合血红蛋白对光的吸收具有明显的峰值， 而在509.0及560.0 nm左右对光的吸收具有明显的谷值。 由此可见， 舌体组织光谱与人体血液成分血红蛋白对光的吸收息息相关。

图2 HD患者组及HD-CHD患者组平均归一化光谱比较

基于上述实验结果与分析， 分别选取极大值位置509.6和561.2 nm以及极小值位置540.5和576.7 nm为特征波长， 利用spss软件对不同病种组舌体同一部位归一化光谱数据进行差异性分析。 因各组数据均符合正态分布， 故选择独立样本T检验进行两组数据间差异性的比较。 统计分析结果分别如图3所示。

由图3可见， HD与HD-CHD组舌体舌尖与舌根均值大小分布具有相同的规律， 均表现为舌根部归一化均值最大， 舌尖部最小。 通过统计学分析， 得到两组509.6 nm处舌尖部位数据比较p值为0.02， 小于0.05， 表明HD与HD-CHD患者间在舌尖部位光谱数据间存在显著性差异。 对509.6， 561.2， 540.5及576.7 nm四特征波长处两组归一化光谱数值进行分析， 统计结果显示HD与HD-CHD患者组间舌中部位p值均小于0.05， 说明两组间在舌中部位光谱数据间存在显著性差异。

图3 HD和HD-CHD舌面各区域光谱差异性分析

2.2 分类模型

基于HD与HD-CHD患者组舌体不同区域光谱特征的差异性， 选取500～600 nm舌尖与舌中光谱数据进行后续HD与HD-CHD患者组分类模型的建立。 将采集的154例样本按照7∶3的比例分为训练集和测试集。 其中54例HD和54例HD-CHD共计108例样本作为训练集建立模型， 剩余23例HD和23例HD-CHD共计46例样本作为测试集来对模型性能进行测试。 将500～600 nm间21个波长位置对应归一化光谱数据作为模型的输入， 分类结果作为输出。 输出0代表HD患者， 输出1代表HD-CHD患者。 建立三层BP神经网络模型。 各层节点数分别为21， 10和1。 传输函数分别为tansig， tansig， 以及trainingda。 用所建模型对测试集46例样本进行预测。 训练集及测试集模型预测结果如图4所示。

图4 模型预测结果

为了对所建模型的预测结果进行评价。 设定预测结果偏差为±0.2为预测准确， 分别对模型预测准确率(accuracy, ACC)、 灵敏度(true positive rate, TPR)、 以及特异性(false positive rate, FPR)进行计算。 设定HD-CHD患者为阳性患者(positive)， HD患者为阴性患者(negative)。 TP代表HD-CHD预测正确样本数， FN代表HD-CHD预测错误样本数， TN代表HD预测正确样本数， FP代表HD预测错误样本数。 ACC=(TP+TN)/(TP+FN+TN+FP)； TPR=TP/(TP+FN)； FPR=TN/(TN+FP)； 最终获得测试集模型预测准确率、 灵敏度、 以及特异性分别为84.78%， 86.95%和82.61%。

3 结 论

基于中医舌诊理论， 提出一种基于舌体高光谱信息进行HD患者中HD-CHD无创、 快速筛查新方法。 实验发现在500～600 nm之间， HD与HD-CHD患者间舌尖与舌中区域光谱数据存在显著性差异。 选取采集样本的舌尖与舌中高光谱数据， 建立了HD及HD-CHD BP神经网络辨识模型。 模型预测准确率、 灵敏度以及特异性分别为84.78%， 86.95%和82.61%。 实验结果表明舌体高光谱信息与HD-CHD的发生具有相关性， 基于舌体高光谱的BP辨识模型能够为HD患者中HD-CHD患者的发现提供一种新途径， 同时也为HD患者HD-CHD疾病的发生提供早期预警。