心音特征智能分析在心血管功能评估和疾病诊断中的应用

陈燕 蔡宁

100853 北京,中国人民解放军总医院第一医学中心麻醉科

心音是人体重要的生理信号,含有能反映心血管功能状态的生理或病理信息,心音的频率与心脏各组织物理性质及心脏血流动力学变化有密切关系。近年来,随着可视化、数字化心音监测和计算机辅助心音分析技术的发展,可以获得心音定量的特征参数,利用神经网络深度学习提取心音信号中的病理信息,对不同信息特征进行心音分类,可以辅助诊断心血管疾病。人工智能(artificial intelligence,AI)技术的应用有助于心音分析的精准化和自动化,使心音信号特征提取与融合分析在心脏血流动力学监测、心力衰竭(简称“心衰”)分型诊断、先天性或风湿性心脏病分类、冠状动脉疾病检测、情感识别等领域成为研究热点[1-4]。本文就心音监测与分析技术的发展、心音特征分析在心血管功能评估和疾病早期诊断中的应用进行综述。

1 心音监测与分析技术的发展

基于智能手机的心音监测系统和包含心音心电信号同步监测的产品,如智能数字听诊器系统、EKO等已开始应用于临床[5-7]。孙柯等[8]设计了基于全可编程片上系统的异构实时心音心电采集系统,实现了可视化心音心电信号实时并行采集。Li等[9]采用可穿戴的心音心电同步传感器,通过模数转换器(analog-to-digital converter,ADC)将心音、心电变成数字信号并传入微处理器中,同时微处理器将所采集的数据通过低功耗蓝牙模块传输到智能手机,实时绘制心音心电信号的波形并存储信号数据。最近Guo等[10]研发了基于新型心音传感器的多通道可穿戴心音监测系统,包含有72路心音图(phonocardiogram,PCG)信号和1路心电图(electrocardiogram,ECG)信号,具有信号质量高、敏感性高和使用便携的优点。基于AI的远程心电监测已有效应用于老年慢性疾病、心血管疾病等患者危急心电事件的预警[11-12],心音传感器轻便、小型,采集的数据失真率低、稳定性高、抗干扰性强,并可无线传输与存储,是心音监测设备不断改进和优化的方向,将为心音心电监测的远程动态实时分析奠定基础。

国内外学者在心音的降噪、分段、特征提取和分类等信号处理和分析技术上不断探索,如融合改进最小值控制递归平均和最优修正对数谱幅度估计的降噪方法能动态估计长时间采集的心音中的噪声,降低心音失真的风险;改进维奥拉积分方法提取心音信号包络和基于两次阈值函数选择的心音分段快速算法,提高了心音分段的正确率和精度。近年来随着计算机辅助心音分析技术的发展,在机器学习和信号处理算法上取得了快速进步,尤其是深度学习算法的应用,使心音分析能更好地预测心血管疾病[13],如基于单形进化算法优化的BP神经网络模型心音识别率达到95.96%[14],改进的PSO-BP神经网络算法提高了神经网络的收敛速度和精度,分类准确率达到96.67%[15],Deng等[16]采用梅尔频率倒谱系数(Mel-frequency cepstrum coefficient,MFCC)特征结合一阶和二阶差分特征作为卷积神经网络输入,提出新的心音分类方法,分类准确率达到98%。AI技术的应用有助于更加精准、自动地分析心音,使心音特征分析能用于对心血管功能状态的评估,尤其心音分类可以在心血管疾病的早期诊断中起到重要作用。

2 心音与心血管功能评估

1992年Bartels首次提出心音与血压的关系,近年来通过心音信号特征来估算血压取得了很大进展,使基于心音的血压估算成为一种无创、连续测量血压的新方法。Kapur等[17]采用Piezo-accelerometer传感器和神经网络算法为危重症儿童提供了准确的血压监测(收缩压范围在58～173 mmHg)。Tang等[18]选取健康犬,以肾上腺素诱发心脏血流动力学发生改变,利用心音的幅度、能量和时间多个特征,借助反向传播(back propagation,BP)神经网络推算左心室收缩压,在收缩压100～280 mmHg范围内,获得较好的估算结果,绝对误差均值为7.3 mmHg。目前临床上广泛应用的无创血压测量方法是基于脉搏波传导时间(pulse wave transit time,PWTT)的血压计算方法,但Finnegan等[19]指出很多研究者误将脉搏到达时间作为PWTT进行统计,由于前者包括PWTT和射血前期,利用ECG和脉搏波估算的血压值会存在误差,而用心音信号来测量PWTT可以克服这一缺点。成谢锋等[20]采集健康志愿者主动脉瓣心音信号,以第一心音(S1)与第二心音(S2)峰值点时间间隔(heart sound time interval,HSTT)、S2峭度(K)为主要参数推导出血压计算公式,估算血压与实际测量值相比,收缩压和舒张压的平均误差分别为-0.401 mmHg和-0.812 mmHg,符合血压检测精确度评估标准。鉴于心音能实时反映心血管功能状态,由心音获得心率、血压,在无创、便携、连续监测机体血流动力学状态的方法中有其独特的优势。

心音还能反映心脏收缩功能和后负荷的变化,用于评估左心室功能。Li等[9]采集同步的心音心电信号,计算的电机械激活时间(electromechanical activation time,EMAT)用于评估左心室收缩功能,诊断心衰(左心室射血分数<50%)的准确率高于N末端B型利钠肽原(N-terminal pro-B-type natriuretic peptide,NT-proBNP)。心音信号的舒张期与收缩期时限比还可以反映慢性心衰患者治疗后心功能改善情况。心衰的早期检测对及早采取治疗措施有重要意义,Gao等[21]提出基于门控循环单元的心衰筛查模型,通过直接学习心音特征,能自动识别射血分数保留的心衰和射血分数降低的心衰,准确率可达98.82%,为心衰的早期分型诊断提供了新的有效方法。

Moon等[22]采用经食管听诊器记录手术中患者的心音信号,发现麻黄碱和艾司洛尔主要引起S1明显变化,而苯肾上腺素和尼卡地平主要引起S2明显变化,且S2与外周血管阻力(systemic vascular resistance,SVR)变化密切相关,提示不同血管活性药物引起心血管功能变化时,由于心排血量、SVR相对变化的不同,可以引起心音特征变化的差异性,对差异特征进行提取和分析,有可能区分不同的血流动力学状态。新近Chen等[23]在失血性休克猪模型上采集心音信号,观察到S1和S2幅值、能量的下降与动脉血压下降趋势一致,尤其S2幅值、能量的下降与血压降低呈显著正相关,其变化早于心率、脉搏压变异度等传统血流动力学指标,因而心音有可能成为失血性休克早期诊断的一个新指标。

3 心音与心血管疾病诊断

人工听诊心音诊断是通过分析心音音调和音强,主要依赖医生经验的定性方法,但心音信号转化为可视化图形后,利用计算机辅助分析技术能获得心音定量的特征参数,有助于发现心音与相关疾病的关系,可作为心血管疾病的无创诊断方法。用于临床诊断的心音成分主要为S1和S2,心音周期的收缩期(S1到S2间期)和舒张期(S2到S1间期)时长、比例与心血管疾病的发生密切相关。

在健康年轻人中可能出现第三心音(S3),但在40岁以上成人中出现S3通常是异常表现,可能与心房功能障碍、心室容量超负荷有关,S3能反映心排血量减少、心室射血分数降低、左心室肥厚以及进展性心衰中发生的舒张末压升高,对心衰诊断有很高的特异性。由于S3强度弱、频率低、持续时间短,人耳很难听到,但通过电子听诊器收集PCG波形,可以捕捉到S3。Cao等[24]利用植入式心音监测设备,识别S3预测心衰的能力明显优于常规听诊,并有客观、连续、自动和远程监控的优点。在正常心脏周期中不会出现第四心音(S4),其出现可能与舒张期心衰有关,通过监测心音信号波形变化能及时发现病理性S4的出现。

近年来,深度学习在心电领域有了较快的发展和应用[25],AI技术与数字化心音的结合也使心音分类识别的准确性有了很大提高,通过训练传统机器学习分类器实现心音的分类,不同类型先天性心脏病(简称“先心病”)血流异常产生的心脏杂音,风湿性心脏病心脏瓣膜受损后血流紊乱引起的杂音,都能从心音信号特征的异常变化中分辨出来,从而帮助分类识别心脏疾病(图1)。Aziz等[26]利用机器学习对三种先心病(房间隔缺损、室间隔缺损、动脉导管未闭)的分类准确率为95.24%,Ghosh等[27]采用多类复合分类器对主动脉瓣狭窄、二尖瓣狭窄和二尖瓣关闭不全分类的敏感度分别为99.44%、98.66%和96.22%。Dargam等[28]给予小鼠腺苷+高磷酸饮食,制作主动脉瓣钙化疾病模型,通过对健康小鼠和主动脉瓣钙化小鼠的心音分析,发现用S2识别主动脉瓣钙化有很高的准确性,受试者工作特征(receiver operating characteristic,ROC)曲线下面积为0.9593。深度学习是通过人工神经网络,模拟人脑工作机器学习的一个分支,深度学习智能算法利用神经网络自动学习提取特征,可以实现对心音的准确分类。在儿童左向右分流先心病基于深度学习计算机辅助的心音分析中,残差卷积回归神经网络分类模型较其他模型有更高的准确性,对四类先心病(房间隔缺损、室间隔缺损、动脉导管未闭和复合病变)识别的准确率为94%～99.4%。近年Alkhodari等[29]对1 000例患者的心音分析显示,采用卷积和循环神经网络对四种心脏瓣膜疾病(主动脉瓣狭窄、二尖瓣狭窄、二尖瓣关闭不全和二尖瓣脱垂)的分类准确率高达99.32%。

图1 机器学习心音特征以分类识别心脏疾病示意图

冠状动脉疾病(coronary artery disease,CAD)由于动脉管壁增厚和管腔狭窄使血流受阻,可产生特有的湍流声,湍流血流的声学特征可以被心音监测和识别。Larsen等[30]对191例CAD患者与955例非CAD患者的心音进行比较,CAD患者的S1和S2时频谱呈现明显差异,在S1和S2中期能量下降,舒张期和收缩期均在20～120 Hz频率范围能量增加,尤其是舒张期能量显著增加。CAD患者心音舒张期低频能量增加的特点,提示其中可能含有可用于CAD风险评估的信息,有待进一步的研究对心音能量谱变化进行分析,将可能用于临床对CAD的辅助诊断和风险分层。

4 心音与其他疾病检测

心音信号中含有呼吸音(也称肺音)成分,利用卷积神经网络模型基于特征融合的方法可以分类识别肺音,由于不同肺疾病的肺音在信号波形、声谱图、梅尔频谱、色谱图上表现出不同特征,对肺音特征的分析可以辅助诊断肺疾病,如慢性阻塞性肺疾病、支气管扩张、上呼吸道感染、肺炎等,基于声谱图的肺音分类准确率最高可达99.1%[31]。

进展性心衰患者植入左心室辅助装置(left ventricular assist device,LVAD)后,需要监测和评估设备工作情况和心脏功能,与床旁临床评估不同,心音监测可实现动态、实时、远程监测心脏功能,由于在心前区记录的心音中还包含机械泵工作的声音,可以早期发现机械泵故障、右心衰竭等LVAD相关并发症[32]。

心音信号还能用于情感识别,Cheng等[4]对志愿者心音的线性和非线性特征进行提取分析,以心率变异性、舒张期和收缩期比值变异性作为情感评估指标,评估Valence(愉快和不愉快程度)、Arousal(兴奋和平静程度)以及Valence-Arousal组合情感状态,心音特征对三种情感状态识别的准确率分别为96.87%,88.54%和81.25%。临床上各种身心疾病患者常会出现情绪改变、情感障碍,用心音辨识情感,为情感障碍的判断提供了新的客观指标,尤其对抑郁、焦虑等疾病患者可以起到辅助诊断或判断疗效的作用。

5 小结

随着心音监测和分析技术的快速发展,通过提取心音特征中的病理信息,捕捉异常心音变化,对心音信号进行实时、动态、定量分析和分类识别,可以用于对心血管功能状态的评估和疾病诊断。在连续监测心音时,如果发生急性心血管事件,心音的异常变化也能帮助临床判断心血管结构或功能发生的异常改变,因而心音特征分析在早期或突发心血管事件的预警监测中具有极高的应用价值。目前计算机辅助心音检测技术领域仍在不断探索,是未来发展的重点方向,同时临床真实场景下心音信号的无线采集、云存储与远程分析等技术也在发展中,借助AI技术,使心音分类算法得到不断改进,实现对心音更精确的智能化分析,有望在心血管功能评估、疾病诊断和疗效判断中发挥更重要的作用。

利益冲突：无