預測陣發性房顫是否終止可決定是否有必要對房顫進行干預。提出RdR新型散點圖,RdR散點圖橫坐標為RR間期,縱坐標為相鄰RR間期之差,同時包含RR間期及RR間期變化的信息,可捕捉更多心率變異性(HRV)信息。分析50段非終止房顫與立即終止房顫1 min RR間期RdR散點圖,發現非終止房顫RdR散點圖中的點比立即終止房顫更為分散。將RdR散點圖網格化并計算非空網格數目作為特征參數以區分非終止房顫與立即終止房顫。取49個RR間期時,對于20段學習集可準確區分17段,30段測試集可區分20段。取66個RR間期時,對于18段學習集可區分16段,28段測試集可區分20段。結果表明,陣發性房顫在終止前1 min內,RR間期及相鄰RR間期之差變化幅度減小,利用RdR散點圖可預測陣發性房顫是否終止,但預測準確率有待進一步提高。
引用本文： 陸宏偉, 章琛曦, 孫迎, 郝治東, 王春芳, 田佳佳. 基于RdR新型散點圖預測陣發性房顫終止的初步研究. 生物醫學工程學雜志, 2015, 32(4): 763-766. doi: 10.7507/1001-5515.20150139 復制
引言
房顫(atrial fibrillation,AF)發病率居心律失常第三位，隨年齡增長呈遞增趨勢。房顫發作時有效心房收縮喪失，心房內血液淤滯，促進血栓形成，血栓脫落隨血液流向腦部，堵塞腦部血管，引起缺血性中風，危及生命。陣發性房顫可能很快自發終止(數分鐘后)，也可能持續一段時間(數小時)。同時約18%的陣發性房顫4年后發展成永久性房顫[1]。如提前預知房顫將很快終止，則無需干預，可節省不必要的醫療費用，且避免不必要的電復律損傷心臟。如預知房顫將持續，則必須及時干預。考慮到目前對房顫自發終止的機制還未完全闡明，因此，準確預測陣發性房顫是否終止具有重要意義。
心率變異性(heart rate variability,HRV)分析，即對RR間期(心電相鄰R波間隔)的研究，是一種對心血管疾病的早期診斷、病中監護及預后評估等均有重要意義的新的無損傷檢測心臟功能的手段。預測房顫終止這一具有挑戰性的研究于2004年提出后[2]，多數成功的方法都是利用平均模板法，求得多個連續QRST波的平均值作為模板，然后將模板從心電(electrocardiogram,ECG)信號中減去，并從頻域分析剩余的房顫f波信號，如f波功率譜峰值對應的頻率小，則房顫容易終止。由于要求功率譜，算法復雜，計算量大。且由于逐次心跳QRST波形不同，得到的房顫f波信號混有剩余的QRST波噪聲；另外f波幅度小，容易受到噪聲干擾。而R波幅度大，不易受噪聲干擾，RR間期提取方便且精度高，因此利用RR間期預測房顫終止有其優勢。孫榮榮等[3]通過計算RR間期的Lempel-Ziv復雜度，并基于符號動力學將RR間期序列轉換成符號串，對符號串編碼得到符號碼，計算各符號碼的發生概率，取符號碼110的發生概率和符號碼發生概率的香農熵作為RR間期序列的特征參數，最后基于上述三個非線性參數，建立模糊分類器預測房顫是否終止，可正確區分90%的測試集A，然而算法比較復雜。基于此本文提出一種簡單直觀的利用RR間期預測房顫終止的新方法。
1 方法
1.1 數據
數據取自Physionet為Computers in Cardiology期刊在2004年提出的挑戰賽提供的數據[4]。共有80道雙導聯ECG信號，每道信號持續時間1 min，采樣頻率為128 Hz，分辨率為5 μV。ECG信號取自陣發性房顫患者20 h或24 h Holter記錄。80道ECG信號分為1個訓練集和2個測試集(A和B)。訓練集含30道信號，分為3類，分別為非終止房顫(表示信號結束后房顫至少持續1 h)、即將終止房顫(表示信號結束后房顫在1 min后終止)和立即終止房顫(表示信號結束后房顫在1 s內終止)，每類各10道ECG信號。測試集A包含30道信號，其中約一半為非終止房顫信號，一半為立即終止房顫信號。測試集B包含20道信號，10個患者每人提供一段即將終止房顫和立即終止房顫信號。數據庫包括QRS波的注釋，因此可直接得到ECG RR間期。
1.2 RdR散點圖
Poincare散點圖是描述HRV的重要指標[5]，常用連續RR間期在直角坐標上作散點圖，反映相鄰RR間期的變化，能顯示RR間期的整體特征。不同的散點區域，反映了心臟不同的病理狀態或心率變異信息[6-9]。Poincare散點圖簡單，圖形能較好反映不同的心律失常模式，是一種較好的HRV分析方法。但它不能很好地反映HRV隨時間變化的趨勢，對RR間期的變化信息不能完全反映，且對某些疾病的HRV性質反映不明顯。
于是有學者提出一階差分散點圖法[10-12]，即以相鄰RR間期的差值(Rn+2-Rn+1,Rn+1-Rn) 作圖。一階差分散點圖突出了相鄰RR間期的變化，然而完全丟失了RR間期的絕對值信息。能否將Poincare散點圖與一階差分散點圖的特點有效結合起來，以同時反映RR間期及其變化？這就是本文提出的RdR散點圖。
令ΔRRn=RRN-RRn-1，RRn為第n個RR間期。以RRn為橫坐標、RRn為縱坐標依次繪點，即得到RdR散點圖。RdR散點圖橫坐標描述RR間期信息，縱坐標反映相鄰2個RR間期的變化。RdR散點圖結合了Poincare散點圖與一階差分散點圖的優點，可同時反映RR間期(心率)與RR間期變化(心率變化)的信息。
1.3 算法
圖 1(a)為非終止房顫的RdR散點圖，圖 1(b)為立即終止房顫的RdR散點圖。可見，非終止房顫RdR散點圖中的點比立即終止房顫更為分散，表明非終止房顫心率與心率變化的不規則性更大。考查所有非終止與立即終止房顫心電記錄的RdR散點圖，都與圖 1類似。由此推測，也許可以利用RdR散點圖中點的不同分散程度，提取相關信息并預測陣發性房顫是否終止。
圖1
RdR散點圖
(a) 非終止房顫；(b) 立即終止房顫
Figure1. RdR scatter plot(a) non-terminating AF; (b) immediately terminating AF
將RdR散點圖按一定寬度劃分網格，然后統計所有非空(至少包含一個點)網格的個數，以此作為特征參數并預測陣發性房顫是否終止。當非空網格數大于某個閾值，則認為是非終止房顫，否則為立即終止房顫。
2 結果與討論
學習集與測試集A共有50段非終止房顫與立即終止房顫記錄，RR間期數目從49~183不等。為便于比較，只取最后49個RR間期(考慮到立即終止房顫記錄結束后房顫立即恢復為正常竇性心律，因此最后49個RR間期比最前49個RR間期應包含更多區分非終止房顫與立即終止房顫的信息)。RdR散點圖橫軸范圍為200~2 000 ms，縱軸范圍為-1 500~1 500 ms。將RdR散點圖按不同寬度劃分網格，計算所有非空網格數。對學習集各10段非終止房顫與立即終止房顫，選取合適的閾值，特征參數大于等于閾值則判斷為非終止房顫，小于閾值則為立即終止房顫，使辨別非終止與立即終止房顫的準確率最高。然后用該閾值區分測試集A中的30段記錄。由于已公布挑戰賽結果，因此對比結果可得辨別測試集A中非終止房顫與立即終止房顫的準確率。
表 1為每段記錄取最后49個RR間期，不同寬度劃分網格時，學習集與測試集A檢測非終止與立即終止房顫的準確率。數據中分母表示總的記錄數，分子表示準確辨別的記錄數。網格寬度為25 ms時，檢測準確率最高，學習集準確率為85%，測試集A準確率為67%。但總的準確率偏低，尤其是測試集。
表1
取49個RR間期，學習集與測試集A檢測非終止與立即終止房顫的準確率
Table1.
Accuracy of differentiating non-terminating and immediately terminating AF of learning set and test set using 49 RR intervals
增加RR間期數，能否提高檢測的準確率？舍棄4段RR間期數最少的記錄，包括n03(49個RR間期)、t03(56個RR間期)、a05(62個RR間期)、a12(61個RR間期)后，學習集有18段記錄，測試集A有28段記錄，最短RR間期數為66。由于學習集記錄少，無法舍棄更多RR間期數少的記錄以進一步提高最短RR間期數。表 2為每段記錄取最后66個RR間期，不同寬度劃分網格時，學習集與測試集A檢測非終止與立即終止房顫的準確率。與表 1比，大多數檢測準確率有所提高。網格寬度為27 ms時，檢測準確率最高，學習集準確率為89%，測試集A準確率為71%。可見，RR間期數由49增加到66后，檢測準確率略有提高。
表2
取66個RR間期，學習集與測試集A檢測非終止與立即終止房顫的準確率
Table2.
Accuracy of differentiating non-terminating and immediately terminating AF of learning set and test set using 66 RR intervals
嘗試用該方法區分即將終止房顫與立即終止房顫，但準確率很低，因此本方法不能區分即將終止房顫與立即終止房顫。其原因是兩者都屬于終止房顫，心率與心率變化無明顯差異，RdR散點圖上點的分布無明顯差異。
房顫的特征之一是RR間期的不規則性，這種不規則性表現為RR間期及相鄰RR間期差的變化。傳統的房顫檢測算法通常只考慮RR間期或RR間期的變化，因此可能丟失重要信息，通過RdR散點圖可將RR間期及其變化很好地在圖上表現出來。提出的RdR散點圖方法簡單，只需提取一個參數，但預測房顫終止的準確率不高(學習集準確率為89%，測試集A準確率為71%)。由于樣本數少(學習集、測試集A共50段記錄)，每段記錄RR間期數少，因此最多只取66個RR間期。每段記錄取66個RR間期與取49個RR間期比，預測準確率略有提高。如取更多RR間期，如100個或150個，預測房顫終止的準確率有望進一步提高。另外，本研究只提取了一個特征參數——非空網格數目，如能從RdR散點圖提取更多特征參數，也有可能提高預測房顫終止的準確率。
3 結論
提出了RdR散點圖新方法并預測陣發性房顫是否終止。結果表明，陣發性房顫在終止前1 min內，RR間期及相鄰RR間期之差變化幅度減小，在RdR散點圖上點的分布范圍減小，利用RdR散點圖可預測陣發性房顫是否終止，但預測準確率有待進一步提高。本文研究樣本數較少，要進一步驗證算法的有效性與檢測準確性，還應基于更多的樣本數。
引言
房顫(atrial fibrillation,AF)發病率居心律失常第三位，隨年齡增長呈遞增趨勢。房顫發作時有效心房收縮喪失，心房內血液淤滯，促進血栓形成，血栓脫落隨血液流向腦部，堵塞腦部血管，引起缺血性中風，危及生命。陣發性房顫可能很快自發終止(數分鐘后)，也可能持續一段時間(數小時)。同時約18%的陣發性房顫4年后發展成永久性房顫[1]。如提前預知房顫將很快終止，則無需干預，可節省不必要的醫療費用，且避免不必要的電復律損傷心臟。如預知房顫將持續，則必須及時干預。考慮到目前對房顫自發終止的機制還未完全闡明，因此，準確預測陣發性房顫是否終止具有重要意義。
心率變異性(heart rate variability,HRV)分析，即對RR間期(心電相鄰R波間隔)的研究，是一種對心血管疾病的早期診斷、病中監護及預后評估等均有重要意義的新的無損傷檢測心臟功能的手段。預測房顫終止這一具有挑戰性的研究于2004年提出后[2]，多數成功的方法都是利用平均模板法，求得多個連續QRST波的平均值作為模板，然后將模板從心電(electrocardiogram,ECG)信號中減去，并從頻域分析剩余的房顫f波信號，如f波功率譜峰值對應的頻率小，則房顫容易終止。由于要求功率譜，算法復雜，計算量大。且由于逐次心跳QRST波形不同，得到的房顫f波信號混有剩余的QRST波噪聲；另外f波幅度小，容易受到噪聲干擾。而R波幅度大，不易受噪聲干擾，RR間期提取方便且精度高，因此利用RR間期預測房顫終止有其優勢。孫榮榮等[3]通過計算RR間期的Lempel-Ziv復雜度，并基于符號動力學將RR間期序列轉換成符號串，對符號串編碼得到符號碼，計算各符號碼的發生概率，取符號碼110的發生概率和符號碼發生概率的香農熵作為RR間期序列的特征參數，最后基于上述三個非線性參數，建立模糊分類器預測房顫是否終止，可正確區分90%的測試集A，然而算法比較復雜。基于此本文提出一種簡單直觀的利用RR間期預測房顫終止的新方法。
1 方法
1.1 數據
數據取自Physionet為Computers in Cardiology期刊在2004年提出的挑戰賽提供的數據[4]。共有80道雙導聯ECG信號，每道信號持續時間1 min，采樣頻率為128 Hz，分辨率為5 μV。ECG信號取自陣發性房顫患者20 h或24 h Holter記錄。80道ECG信號分為1個訓練集和2個測試集(A和B)。訓練集含30道信號，分為3類，分別為非終止房顫(表示信號結束后房顫至少持續1 h)、即將終止房顫(表示信號結束后房顫在1 min后終止)和立即終止房顫(表示信號結束后房顫在1 s內終止)，每類各10道ECG信號。測試集A包含30道信號，其中約一半為非終止房顫信號，一半為立即終止房顫信號。測試集B包含20道信號，10個患者每人提供一段即將終止房顫和立即終止房顫信號。數據庫包括QRS波的注釋，因此可直接得到ECG RR間期。
1.2 RdR散點圖
Poincare散點圖是描述HRV的重要指標[5]，常用連續RR間期在直角坐標上作散點圖，反映相鄰RR間期的變化，能顯示RR間期的整體特征。不同的散點區域，反映了心臟不同的病理狀態或心率變異信息[6-9]。Poincare散點圖簡單，圖形能較好反映不同的心律失常模式，是一種較好的HRV分析方法。但它不能很好地反映HRV隨時間變化的趨勢，對RR間期的變化信息不能完全反映，且對某些疾病的HRV性質反映不明顯。
于是有學者提出一階差分散點圖法[10-12]，即以相鄰RR間期的差值(Rn+2-Rn+1,Rn+1-Rn) 作圖。一階差分散點圖突出了相鄰RR間期的變化，然而完全丟失了RR間期的絕對值信息。能否將Poincare散點圖與一階差分散點圖的特點有效結合起來，以同時反映RR間期及其變化？這就是本文提出的RdR散點圖。
令ΔRRn=RRN-RRn-1，RRn為第n個RR間期。以RRn為橫坐標、RRn為縱坐標依次繪點，即得到RdR散點圖。RdR散點圖橫坐標描述RR間期信息，縱坐標反映相鄰2個RR間期的變化。RdR散點圖結合了Poincare散點圖與一階差分散點圖的優點，可同時反映RR間期(心率)與RR間期變化(心率變化)的信息。
1.3 算法
圖 1(a)為非終止房顫的RdR散點圖，圖 1(b)為立即終止房顫的RdR散點圖。可見，非終止房顫RdR散點圖中的點比立即終止房顫更為分散，表明非終止房顫心率與心率變化的不規則性更大。考查所有非終止與立即終止房顫心電記錄的RdR散點圖，都與圖 1類似。由此推測，也許可以利用RdR散點圖中點的不同分散程度，提取相關信息并預測陣發性房顫是否終止。
圖1
RdR散點圖
(a) 非終止房顫；(b) 立即終止房顫
Figure1. RdR scatter plot(a) non-terminating AF; (b) immediately terminating AF
將RdR散點圖按一定寬度劃分網格，然后統計所有非空(至少包含一個點)網格的個數，以此作為特征參數并預測陣發性房顫是否終止。當非空網格數大于某個閾值，則認為是非終止房顫，否則為立即終止房顫。
2 結果與討論
學習集與測試集A共有50段非終止房顫與立即終止房顫記錄，RR間期數目從49~183不等。為便于比較，只取最后49個RR間期(考慮到立即終止房顫記錄結束后房顫立即恢復為正常竇性心律，因此最后49個RR間期比最前49個RR間期應包含更多區分非終止房顫與立即終止房顫的信息)。RdR散點圖橫軸范圍為200~2 000 ms，縱軸范圍為-1 500~1 500 ms。將RdR散點圖按不同寬度劃分網格，計算所有非空網格數。對學習集各10段非終止房顫與立即終止房顫，選取合適的閾值，特征參數大于等于閾值則判斷為非終止房顫，小于閾值則為立即終止房顫，使辨別非終止與立即終止房顫的準確率最高。然后用該閾值區分測試集A中的30段記錄。由于已公布挑戰賽結果，因此對比結果可得辨別測試集A中非終止房顫與立即終止房顫的準確率。
表 1為每段記錄取最后49個RR間期，不同寬度劃分網格時，學習集與測試集A檢測非終止與立即終止房顫的準確率。數據中分母表示總的記錄數，分子表示準確辨別的記錄數。網格寬度為25 ms時，檢測準確率最高，學習集準確率為85%，測試集A準確率為67%。但總的準確率偏低，尤其是測試集。
表1
取49個RR間期，學習集與測試集A檢測非終止與立即終止房顫的準確率
Table1.
Accuracy of differentiating non-terminating and immediately terminating AF of learning set and test set using 49 RR intervals
增加RR間期數，能否提高檢測的準確率？舍棄4段RR間期數最少的記錄，包括n03(49個RR間期)、t03(56個RR間期)、a05(62個RR間期)、a12(61個RR間期)后，學習集有18段記錄，測試集A有28段記錄，最短RR間期數為66。由于學習集記錄少，無法舍棄更多RR間期數少的記錄以進一步提高最短RR間期數。表 2為每段記錄取最后66個RR間期，不同寬度劃分網格時，學習集與測試集A檢測非終止與立即終止房顫的準確率。與表 1比，大多數檢測準確率有所提高。網格寬度為27 ms時，檢測準確率最高，學習集準確率為89%，測試集A準確率為71%。可見，RR間期數由49增加到66后，檢測準確率略有提高。
表2
取66個RR間期，學習集與測試集A檢測非終止與立即終止房顫的準確率
Table2.
Accuracy of differentiating non-terminating and immediately terminating AF of learning set and test set using 66 RR intervals
嘗試用該方法區分即將終止房顫與立即終止房顫，但準確率很低，因此本方法不能區分即將終止房顫與立即終止房顫。其原因是兩者都屬于終止房顫，心率與心率變化無明顯差異，RdR散點圖上點的分布無明顯差異。
房顫的特征之一是RR間期的不規則性，這種不規則性表現為RR間期及相鄰RR間期差的變化。傳統的房顫檢測算法通常只考慮RR間期或RR間期的變化，因此可能丟失重要信息，通過RdR散點圖可將RR間期及其變化很好地在圖上表現出來。提出的RdR散點圖方法簡單，只需提取一個參數，但預測房顫終止的準確率不高(學習集準確率為89%，測試集A準確率為71%)。由于樣本數少(學習集、測試集A共50段記錄)，每段記錄RR間期數少，因此最多只取66個RR間期。每段記錄取66個RR間期與取49個RR間期比，預測準確率略有提高。如取更多RR間期，如100個或150個，預測房顫終止的準確率有望進一步提高。另外，本研究只提取了一個特征參數——非空網格數目，如能從RdR散點圖提取更多特征參數，也有可能提高預測房顫終止的準確率。
3 結論
提出了RdR散點圖新方法并預測陣發性房顫是否終止。結果表明，陣發性房顫在終止前1 min內，RR間期及相鄰RR間期之差變化幅度減小，在RdR散點圖上點的分布范圍減小，利用RdR散點圖可預測陣發性房顫是否終止，但預測準確率有待進一步提高。本文研究樣本數較少，要進一步驗證算法的有效性與檢測準確性，還應基于更多的樣本數。
