文摘
心室颤动(VF)的心血管疾病是全球死亡率的主要原因之一,根据世界卫生组织。心率变异性(HRV)是一种生物标记用于检测和预测危及生命的心律失常。提前预测VF的发生是重要的保存患者突然死亡。我们从七HRV提取特征数据长度预测VF之前九个不同预测的发生时间和观察到的预测精度。通过使用只有五个特性,一个人工神经网络分类器训练和验证基于10倍交叉验证。最大的预测精度88.18%和88.64%的观察HRV数据长度为10和20年代,分别在0的预测时间。最糟糕的预测精度是记录在一个HRV数据长度的70年代和80年代的预测时间。我们的研究结果表明,从附近的HRV信号提取的特征VF发病可能产生相对较高的VF预测精度。
1。介绍
心血管疾病(CVD)是死亡的主要原因,在许多发达国家(1),占全球死亡人数估计有31%的据世界卫生组织统计,全球死亡率的主要原因。心血管疾病包括心律不正常,称为室性快速性心律失常(vta),包括心室颤动(VF)和室性心动过速(VT)。VTA是其中一个因素导致快速心率和死亡率没有立即的医疗2]。因此,早期预测VTA拯救患者猝死是很重要的。早期的预防干预措施的发展可以减少迫在眉睫VTA事件的风险。
心率变异性(HRV)指数一直作为非侵入性生物标志物预测等危及生命的vta VF [3]。这些指标提供特性有助于区分心律失常和正常的HRV [4]。HRV表示的时间变异R-peaks连续两个QRS复合物之间。正常QRS波群的最大向上偏转R-peak,连续两次之间的时间R-peaks叫做RR间隔(5]。先前的研究已经分析HRV通过量化其特性使用三种分析方法:时域,频域,庞加莱非线性分析(2,6,7]。
几项研究已经使用上述三种HRV分析方法来分析短期(约5分钟)和ultra-short-term(< 5分钟)HRV数据。短期分析被广泛认为是十分可靠的HRV分析数据(8)和提取特征调查VF的发生。Joo等人应用人工神经网络(ANN)预测vta (VT和VF) 10年代之前发生,使用短期HRV数据(6]。最近,李等人试图预测VT使用HRV特性的出现从短期HRV数据提取2]。虽然短期HRV数据显示有前途的性能预测vta ultra-short-term HRV数据被发现适合个人卫生设备性能和内存容量有限的(9]。因此,最近的研究关注ultra-short-term HRV分析应用程序动态心率在设备(9]。Ebrahimzadeh等人利用时频和庞加莱非线性分析提取从ultra-short-term HRV HRV的特性数据。他们提取特征从不同段的HRV信号连续1分钟ultra-short-term HRV间隔(即。在第一,第二,第三,第四分钟事件之前)。他们使用了多层感知器 - - - - - -最近邻算法分类健康受试者和患者VTA10]。最后,他们比较的精度预测的发生区域采用不同的时间序列预测模型与一个固定数据长度(1分钟)。
尽管一些研究试图使用ultra-short-term HRV数据,最优数据长度和预测时间尚未确定。因此,在这项研究中,多个不同HRV的组合数据长度和预测时间段进行调查来获取最优HRV对我们的数据集数据和预测时间间隔。本研究的目的是探讨最优HRV数据长度和VF预测预估时间,通过比较各种HRV的性能在VF预测数据长度和时间的预测。我们评估九种不同的预测时间(从0到80年代10年代间隔)和七种不同的HRV数据长度(从10每隔10年代到70年代)。所有的组合不同的HRV数据长度和预测时间段评估基于使用ANN算法获得的预测精度。
2。材料和方法
2.1。数据库
我们使用以下数据库从生理网11]:Creighton大学VTA数据库(CUDB) (12),自发VTA数据库(MVTDB) (13阵发性心房纤颤),正常的数据集的预测挑战数据库(PAFDB) [14),麻省理工学院的Technology-Beth以色列医院正常窦性心律数据库(NSRDB) [11]。我们选择从CUDB 29 VF科目,29日从MVTDB VF和30个对照组,30对照组PAFDB和NSRDB(12和18个科目,分别),导致共58 VF主题和60对照组。CUDB采样率250 Hz, MVTDB 1000 Hz, 128 Hz的其他两个数据集。
2.2。预处理
RR间隔收集PhysioBank自动柜员机,web服务包含波形带注释的心脏病专家,在这项研究中使用的数据。图1显示了程序用来组织数据集使用不同的数据长度和预测时间。基于150年代HRV信号VF的发生之前,我们认为九种不同的预测时间范围从0到80年代每隔10年代。每个预测时间包含七种不同的HRV数据长度从10到70每隔10年代,导致63种组合。HRV数据长度代表用于特征提取的时间,灰色线,如图所示1。预测时间VF发病前的时间段(图1)。
2.3。特征提取
表中列出的特性1计算每个HRV数据长度用灰色的部分在图吗1。这些特性包括五HRV特性(两个特征在时域分析和三个特性获得利用庞加莱非线性分析),并提取每个58 VF和60控制数据集。所有HRV特性计算从连续RR间隔。
2.3.1。时域特征
时域特征可表现为(1)均值RR间隔(平均NN (RR))和(2)的平方根均方不同的连续神经网络(RR)间隔(RMSSD),可以定义如下:
2.3.2。庞加莱非线性特性
的特点是分散的点垂直于和沿轴的身份。SD1,代表标准偏差的点垂直于轴的身份,和SD2代表标准偏差点沿轴的身份,都是计算使用方程(3)和(4)。SD1比SD2也计算。
2.4。提出的方法
我们实现了一个完全连接安与三层:一个输入层包含输入功能网络,一个隐藏层捕获数据的非线性,和一个输出层代表了因变量(图2)[15,16]。修正线性单元(17)激活函数被用于输入和隐藏层,和乙状结肠激活函数18)是用于输出层。通过反复试验,6个隐层神经元被选中。所有功能在频域分析和一些特征在时域分析中需要考虑一段时间记录可靠特性(8]。因此,我们认为在本研究中只有5个这样的特性。输入的特征是标准化的,之前他们使用的安。我们使用10倍交叉验证,避免过度拟合的分类。数据集随机分为大约10组:第1组作为测试数据集,剩下的9组作为训练数据集,交叉验证重复10次获得无偏预测精度。因此,最终的预测精度是由估计的平均值和标准偏差 - - - - - -折交叉验证的结果。
3所示。结果
图3介绍了所有的组合数据的预测精度和预测时间。所有数据长度0预测时间相对较高的预测精度,表明提取的特征从附近的VF出现很可能区分VF的控制。此外,最大的预测精度得到了88.18%和88.64%的数据长度的10到20年代,分别预测时间为0,而最低64.36%的预测精度得到的数据长度70年代80年代的预测时间。
图4显示了平均预测精度与标准差的预测时间。意味着最高88.75%的准确性得到使用0预测时间时,这是统计的精度高于其他预测倍(方差分析(方差分析)图基统计测试, , ),而没有发现显著差异之间的平均预测精度预测的其他时间( )。
图5介绍了平均预测精度与标准差的数据长度。方差分析统计图基测试了没有统计学差异平均精度为不同的数据长度。
4所示。讨论
先进的技术使不同健康状况的实时监控病人之间通过交换信息和常见的实践者。这些技术固有的低内存和能力。因此,ultra-short-term HRV的应用不可避免的重要分析HRV电器和设备较低内存和能力(8]。一些研究调查ultra-short-term HRV录音从10到2分钟来确定计算HRV的可靠性参数(8,19]。尽管ultra-short-term HRV并不总是可靠的分析数据,先前的研究已经充分表明,研究人员应该考虑统计方法来弥补造成的相当大的测量误差非常短的HRV段(19]。因此,在这项研究中,我们调查了几个组合的数据长度和预测时间。从七个不同特征提取HRV数据长度,每九个不同预测,预测VF 63例的发生。我们训练了一个安使用这些特性,得到了较高的预测精度使用0的预测时间。然而,80年代的预测时间产生预测精度低,如图4。总体结果强调,从附近的HRV信号提取的特征VF发病有更高的概率预测VF的发生。
我们使用两种分析方法提取五个特性,即时域和庞加莱非线性分析技术。然而,频域特性并不被认为是在这项研究中,作为他们的可靠性取决于长度的HRV信号提取。所有特性的频域分析和两个特性(SDNN和pNN50)在时域分析中需要考虑一段时间记录可靠(8]。因此,我们认为在这项研究中,只有五个特性即意味着NN, RMSSD, SD1 SD2, SD1 / SD2。
本研究的一个限制是,只有几个数据集(119录音在每种情况下)被用来训练我们的安。ANN模型必须使用更多的训练数据集达到临床验证。涉及到更大的数据集应该进行进一步的研究来调查不同的临床应用。最后,这项研究的结果可以用于病人的植入式心脏除颤器实时VF的预测,从而为VF检测提供额外的功能。提前预测的发生VF小时将特别有用;然而,在这项研究中使用的数据集是局限于120年代数据窗口和预测VF 30年代前发生。
5。结论
在这项研究中,我们训练一个ANN预测VF使用从63 HRV段提取的特征变量的组合预测时间和数据长度。随后,我们确定最优数据长度为10和20年代的预测时间0年代,是用来预测VF的发生相对较高预测精度为88.18%和88.64%,分别。本研究可以提高迫在眉睫的VF的预测使用很短的HRV信号。
数据可用性
方法和结果数据用于支持本研究的结果都包含在这篇文章。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究部分由韩国国家研究基金会(NRF)在基本工程研究项目(2016 r1d1a1b0101440)和爱迪生(NRF - 2011 - 0020576)项目和大信息技术研究中心研究所的项目通过信息和通信技术和规划和评估(IITP)由科技部资助的ICT (MSIT),韩国(IITP - 2021 - 2020 - 0 - 01612)。
补充材料
本文的补充材料可以在这里找到:补充表S1和S2表显示摘要的ANN模型根据预测时间的数据长度与0。补充数据显示功能,在这项研究中,使用heat map图的形式。(补充材料)