動脈硬化無創檢測對于預防心血管事件具有重要意義。考慮到心電信號、脈搏波信號之間的耦合及與動脈硬化之間的內在關聯, 心電信號的特征參數包括RR間期、QRS波寬度、T波幅度, 脈搏波信號特征參數包括峰值數、20%主波寬度、主波斜率、脈率及三個波峰的相對高度, 使用主成分分析方法對脈搏波特征數據降維后, 對樣本是否為動脈硬化病例進行評價。將神經網絡和模糊邏輯推理有機結合, 利用40組臨床心電、脈搏波信號, 建立基于自適應神經模糊推理系統(ANFIS)的動脈硬化評價模型。實驗結果表明, 該模型可通過自學習實現動脈硬化的安全、無創檢測。
引用本文： 張麗娜, 周潤景, 武佩, 劉美玲, 張玨. 基于心電、脈搏波信號的動脈硬化無創檢測. 生物醫學工程學雜志, 2016, 33(4): 631-638, 644. doi: 10.7507/1001-5515.20160105 復制
引言
隨著世界人口老齡化進程的加快，及發展中國家居民經濟收入的提高、膳食結構中動物性食物的增加，心血管疾病的發病率逐年攀升。世界衛生組織的研究結果表明，心血管疾病是全球的頭號死因[1]。在我國，人群的心血管疾病患病率、發病率及危險因素水平呈不斷上升的趨勢[2]。每5個成年人中就有1例心血管病患者[3]。心血管疾病一旦急性發作，如心梗、腦梗、腦卒中等，就可能在數分鐘內死亡。動脈硬化是血管阻力、血管彈性和血液黏性等血管功能不利的具體表現，是心血管疾病的重要病理基礎[4]，是心血管的誘因型疾病。同時，大量的科學實驗和臨床病例證明：動脈硬化可以治療，甚至可以早期預防和干預。因此動脈硬化的早期診斷對抑制心血管疾病及預防心血管急性事件的發生具有現實意義。
臨床中采用血管內超聲成像技術診斷動脈硬化，然而，這種介入性操作有一定的危險性，且費用高，因此限制了其廣泛的應用；采用生化分析方法檢測患者血中膽固醇、甘油三脂、β脂蛋白和脂蛋白等指標，當指標異常時，患者極有可能患有動脈硬化，然而上述生化指標水平并不總與動脈硬化的病變過程同行，只能間接診斷；影像檢查，包括X線檢查、多普勒超聲檢查、放射性核素檢查、超聲心動圖檢查等檢測方法可以確診動脈硬化病變，而這些方法只有在病變程度較深時才能確診，不能及時發現早期病變，且部分影像檢查對身體有一定的損傷；醫學中也采用阻抗容積圖檢測冠狀動脈的特征變化，從而輔助診斷動脈硬化，但該方法并不能對病情進行確診。在動脈硬化的早期階段，患者還沒有自覺癥狀[5]，但血壓、血流、血管阻力、血管彈性等一系列反映心血管的參數實際上已經開始發生變化[6-7]，并首先反映在心電(electrocardiogram，ECG)信號、脈搏波的變化中[8]。如果能及時檢測出這些參數的變化并對其特征進行分析，就可能早期診斷血管的動脈硬化病變，為心血管疾病的預防和治療爭取寶貴的時間，從而有效地控制心血管病的發病率和死亡率[9-10]。同時，該方法屬無創檢測，安全、高效，可廣泛應用于社區或家庭健康監測。
1 心電信號、脈搏波信號與動脈硬化
動脈硬化是動脈的一種非炎癥性、退行性和增生性病變，常導致血管壁的彈性退化、內中膜增厚，致使管腔狹窄，血液循環不暢，重要器官因缺血、缺氧出現功能障礙，最終導致機體死亡。因而，實時獲知動脈血管的功能狀況，可以檢測早期的動脈硬化狀況。心電信號、脈搏波信號能反映人體血液循環系統的生理變化，如心電信號可以對心肌梗死、左前支阻塞和左后分支阻塞等進行定位診斷；脈搏波幅值和波形可反映一個心動周期內動脈血管阻力、血管壁彈性等血流參數。因此，基于心電信號、脈搏波信號的動脈硬化檢測具有理論可行性。
1.1 心電信號與脈搏波信號產生機制及其特點
心電信號表達每個心動周期中由竇房結細胞產生興奮、再逐漸向心房肌細胞和心室肌細胞傳遞過程中人體各個部位相應的、有規律的、各向異性的電變化。使用引導電極采集肢體、軀體表面生物電，就能記錄每一心動周期。典型的心電圖波形自左至右為P波、Q波、R波、S波、T波及U波，分為PR間期、QRS間期、RR間期等。波形的強度、寬度反映心房和心室的電位變換，其中R波、QRS波群、P波、T波是最主要的特征波。惡性心血管事件的發生與心電圖QRS波時限密切相關, QRS波時限在一定程度上可以反映動脈病變，QRS波時限延長是惡性心血管事件的獨立預測因子[11-13]；心率對心血管疾病的發生、發展及預后有著重要的影響，是心血管疾病病死率的獨立預測因子，心率增快是心血管疾病死亡的獨立危險因素[14-16]，使用RR間期可計算心率，檢測心律不齊；同時，T波改變是預示動脈阻塞方向性的特征，T波低平對診斷動脈硬化有重要價值[17-18]。
脈搏波表達由心臟間歇性射血引起的、主動脈內的血液壓力變化，表現為動脈血管壁周期的伸縮振蕩。典型的脈搏波單波信號從起點開始，經歷主波波峰、重搏前波波峰、重搏波波谷、重搏波波峰。動脈硬化從輕度到重度的發展，波形特征量的動態變換表現為主波的絕對高度逐漸減小，重搏前波高度逐漸升高，并自后向前與主波接近呈融合態，重搏前波與重搏波波谷也逐漸融為一體。時域中通過提取脈搏波圖曲線中一些有明確生理意義的點(如主波、重搏前波和重搏波高度等)來作為評價人體心血管系統生理病理狀態的依據。
1.2 基于心電、脈搏波信號的動脈硬化檢測依據
脈搏波診斷由來已久。20世紀70年代以來，隨著生物醫學、計算機科學等學科的快速發展，利用脈搏波中的特征信息完成疾病診斷被越來越多的研究者關注，如胡大一等[19]、張維忠[20]將脈搏波與動脈硬化聯系起來進行分析和研究，王炳和等[21]、王宏宇等[22]也試圖將脈搏波速度作為判定動脈管壁彈性功能的一項指標，并取得了一定的成果。
雖然基于脈搏波的動脈硬化的評價方法已被多數學者肯定[23-28]，但其存在的不足也阻礙著該方法的廣泛應用。當人體出現生理病變或身處環境改變時，脈搏波也會隨之發生變化；相同的病變在不同人身上可能會表現出不同的脈搏波；不同時期的同一患者也會出現不同的脈搏波。脈搏波信號的不確定性對基于脈搏波特征值的疾病診斷提出了挑戰。
心電信號是臨床上診斷心血管疾病的重要方法，但在非發作周期，心電圖獲得疾病信息的概率很低。心電、脈搏信號以驅動-響應的耦合方式存在，長期處于某種平衡狀態。當身體某個環節發生變化時，這種平衡就會被打破，使得兩個振動源出現不同的運動趨勢[29]，這就為利用心電、脈搏波信號診斷血管硬化提供了依據。因此，將心電信號、脈搏波信號聯合作為動脈硬化的診斷依據，將會提高動脈硬化診斷的可信度。
2 心電、脈搏波信號特征提取
2.1 心電、脈搏波信號的采集
心電信號采用標準Ⅰ型導聯方法采集；采用一次性帶有黏性的襯墊，通過咬合按扣與導聯線連接，將低阻抗的凍狀凝膠包在襯墊外，以與皮膚接觸。脈搏波信號采用華科電子生產的HK2000B型壓電傳感器從橈動脈處獲得脈搏波信息，橈動脈行徑較固定，解剖位置淺表，毗鄰組織分明，攜帶豐富的人體病理信息。傳感器獲取的信號經濾波、放大、AD轉換等處理后，通過RS232串口將信號傳遞到上位機。其中心電信號的采樣率為335 Hz，脈搏波信號的采樣率為323 Hz。
本研究中共采集年齡分布在20～30歲之間的年輕人和年齡分布在50～80歲之間的中、老年人共40人的心電、脈搏波信號，數據均在采集對象靜臥狀態下測得，動脈硬化患者的病例由醫院提供，健康樣本來自在校大學生。實驗前受試者在了解實驗目的和實驗過程后，均自愿簽署知情同意書。采集對象基本信息如表 1所示。
表1
受試對象的基本信息
Table1.
Basic information of examinees
2.2 心電信號的特征提取
心電信號中的QRS波、T波為奇異信號。根據信號奇異點的定位原理，采用小波變換方法檢測QRS波、T波，并提取QRS間期、RR間期、T波幅值數據。QRS波大部分能量集中于0～37 Hz, 中心頻率約為18 Hz，根據心電信號在不同分解尺度下的膜極大值點與心電信號奇異點的對應關系，選擇雙正交樣條小波在尺度s=23上檢測R峰值點[30-31]；Q波、S波為高頻低幅波[32-33]，能量主要集中在s=21、s=22較小尺度上，為了避免基線漂移的影響，選擇在尺度s=21上檢測Q波和S波；T波頻率較低，為0～8 Hz[34]，在小波變換實驗中，T波的能量主要落在s=24、s=25尺度上，但s=25尺度上基線漂移等低頻噪聲較多，所以選擇在s=24尺度下檢測T波。對某樣本數據根據上述原理進行Q波、R波、S波、T波進行檢測，并提取RR間期、QRS波寬度、T波幅度參數，檢測結果如圖 1所示。
圖1
某樣本信號R波、QRS波、T波檢測結果
Figure1.
ECG wave detection result of one sampling signal
為測試檢測算法的適應性，采用國際上廣泛應用的心電數據庫MIT-BIH中編號為100、103、109、202、208、209、212、215心電數據驗證，結果表明QRS波的檢測精度為99.6%，可以有效檢測心電信號的特征點。
2.3 脈搏波信號的特征提取
大量研究發現，隨著動脈硬化程度的增加，脈搏波也會發生相應的變化[35-36]。其中，重搏前波高度的規律性動態變化最能反映出動脈硬化的主要特征。正常人的脈搏波包含三個波峰，主波高而狹窄，主波后重搏前波不明顯，重搏波較明顯；輕度動脈硬化患者的主波后重搏前波逐步抬高，重搏波不明顯；中度動脈硬化患者的主波后重搏前波突出，與主波不同程度地融合；重度動脈硬化患者的主波后重搏前波與主波融合，重搏波與重搏前波混為一體[36]。
根據以上分析，擬從脈搏波中提取如下特征信息：峰值數、20%主波寬度、主波斜率、脈率及三個波峰的相對高度。
波峰數采用差分法提取[37]，首先截取一段包含N點的信號，設i為信號中任意一點，若i點滿足條件：
| $ sign\left( {{d_{i,i - 1}}} \right) > sign\left( {{d_{i,i + 1}}} \right) $ |
其中di, i-1是信號中前后兩點之差，那么i點就是搜索到的峰值點。如果找到的兩個相鄰的點i、j，｜i-j｜＜10，則應舍去幅值較小的那個點。
主波斜率則通過計算主波峰值后的20個點的兩點間斜率的平均值獲得，用于表達主波的波形，計算公式見式(2)。
| $ l = \frac{{\sum\limits_{i = k}^{k + 20} {\left[ {A\left( {i + 1} \right) - A\left( i \right)} \right]} }}{{20}} $ |
其中，k為主波峰值位置，A(i)為i點的幅值。
20%主波寬度理論上是主波幅值為0.8A處的點，但由于采集到的脈搏波信號為離散信號，因此將邊界條件設置為0.8A±5%，將左右兩邊找到的點求平均值后相減即為20%主波寬度。
脈率及三個波峰的相對高度則通過經傅里葉變換得到的頻譜圖找到基頻，對基頻取倒數即為脈率，利用局部搜索極大值法獲得基波、二次諧波、三次諧波的幅值。
2.4 心電、脈搏波信號的特征數據預處理
提取的心電信號的特征參數有：RR間期、QRS波寬度、T波幅度。提取的脈搏波信號的特征參數有：波峰數、主波斜率、20%主波寬度、脈率、二次諧波幅值(A2)/基波幅值(A1)、三次諧波幅值(A3)/基波幅值(A1)。為了避免從同一患者獲得數據對后續算法的影響，本文采用統計分析方法選取各樣本典型單周期信號作為實驗數據。同時，為了避免因原始數據各維的范圍不同而造成后期數據處理的錯誤，在此，首先對數據按公式(3)進行歸一化處理，將每個樣本都映射到[0, 1]區間，其中X為原特征向量，Y為歸一化后的特征向量。
| $ Y = \frac{{X - {Y_{\min }}}}{{{X_{\max }} - {X_{\min }}}} $ |
為了降低后續算法的復雜度，同時又不影響系統的識別精度，對提取的脈搏波特征信號做主成分分析，主成分特征值與方差貢獻率如表 2所示。
表2
脈搏波特征值的主成分特征值及方差貢獻率
Table2.
Principal component characteristic values and contribution rate of variance for characteristic values of pulse wave
選取累計貢獻率大于80%的成分作為主成分，由表 2見前3個成分累計貢獻率約為81.1%，所以將前3個成分選取為主成分。前3個主成分特征向量如表 3所示。
表3
脈搏波特征值的前3個主成分特征向量
Table3.
First three principal components feature vector for characteristic values of pulse wave
前三個主成分則構成了新的變量C1、C2、C3，并對新構建的變量重新按公式(3)進行歸一化處理。
3 基于自適應神經模糊推理系統的動脈硬化無創檢測
3.1 自適應神經模糊推理系統構建
神經網絡具有良好的非線性擬合能力、自學習能力。基于神經網絡的分類器可通過監督學習逐步增強劃分能力，從而達到分類的目標。但神經網絡缺乏透明度, 不能很好地表達人腦的推理過程, 而模糊系統則可彌補神經網絡這一缺點, 有鑒于此, 采用matlab工具箱提供的神經模糊推理系統(Adaptive Network-based Fuzzy Interference System，ANFIS)實現動脈硬化無創檢測[38]。網絡的結構如圖 2所示。
圖2
模糊神經網絡結構圖
Figure2.
Structure figure of fuzzy-neural network
其中，A為輸入層，E為模糊化隱層，B為模糊化輸出層，F為模糊推理層，C為輸出層，G為解模糊化隱層，D為解模糊化輸出層。本研究中，輸入變量分別為RR間期、QRS波寬度、T波幅度、C1、C2、C3共6個輸入變量，每個變量分為3個模糊集合，選擇高斯型函數作為隸屬函數，選用后向傳播(back propagation, BP)網絡調整模糊控制器的設計參數，采用加權平均法(wtaver方法)解模糊。
本研究的樣本數為40例，其中健康樣本30例，動脈硬化樣本10例。為了使系統具有較好的適用度，訓練數據集與測試數據集按以下方式產生：將采樣數據按數據分類結果，每一類型的數據隨機地分為兩部分，其中2/3的數據(健康樣本數20例，動脈硬化樣本數7例)用于網絡的訓練，另外1/3的數據(健康樣本數10例，動脈硬化樣本數3例)用于網絡的測試。訓練數據集和測試數據集的數據采用隨機排序方式排列。
由于網絡規模不大，設置網絡訓練次數設為5 000次，目標誤差設為0.001。
3.2 ANFIS的檢測績效分析
用訓練集數據訓練網絡，網絡的訓練結果如圖 3所示。
圖3
測試數據及ANFIS網絡訓練結果
Figure3.
Test data and training results of ANFIS
圖 4為27個訓練數據對ANFIS網絡訓練前、后的隸屬函數形式，從對比圖可以證明該網絡通過對數據集數據的學習，自適應地修正網絡參數，并建立36=729條模糊規則。
圖4
訓練前、后輸入變量隸屬函數形式
(a)訓練前(以RR間期隸屬度函數為例); (b)訓練后
Figure4. Membership functions of input variables before and after training(a) before training; (b) after training
將測試集數據加載，測試網絡的識別誤差，結果如圖 5所示。
圖5
測試集數據測試結果圖
Figure5.
Test results of test set data
系統測試的13組樣本中，成功檢測出11組，3例不同程度動脈硬化患者全部正確識別。其中結果出現偏差的樣本數據如表 4所示。
表4
未成功檢測出的樣本信息
Table4.
Information of the unsuccessful detected samples
對于3號樣本，雖然與期望結果有偏差，但輸出結果低于0.5，可以認為是正確的識別結果。7號樣本脈搏波的時域圖表現為重搏前波提前，與主波融合，呈寬大的單峰波，因此出現誤診。
4 結論與討論
論文采用心電信號特征變量、脈搏波信號特征變量與動脈硬化建立模型，試驗結果證明了基于心電、脈搏波信號的融合信息來評估動脈硬化的可行性，克服了在非發作周期，心電圖獲得疾病信息的概率很低以及脈搏波嚴重失真后脈搏波信號特征點不明顯的缺點，可提高疾病計算機診斷的可信度；采用神經網絡智能學習算法構建識別系統，實現了利用算法的自學習能力將專家經驗融入機器識別中，使系統評估具有客觀性的同時，可以充分體現人的主觀能動性。
該方法與血管內超聲成像技術相比，具有安全、無創的特點；與血液生化分析方法相比，由于直接獲取了血管參數，具有較高的可信度；與基于心電圖檢測、CT掃描檢查、核磁共振、超聲心動圖等無創檢測方法相比，可以及時發現早期病變，且對病患不產生檢測負效應；對臨床數據的實測也表明該方法具有較高的檢測精度，可對病情確診。
此外，該方法也建立了心電信號、脈搏波信號與動脈硬化之間的數學模型，在對動脈硬化無創檢測的同時，為分析和預測動脈硬化疾病的發生發展機制及其動態變化規律提供了新的依據。隨著便攜式、家庭用醫療設備的發展，以及未來醫療服務體系的網絡化，該無創檢測方法將進一步提升其預防動脈硬化事件的積極作用。
盡管所建立的動脈硬化無創檢測模型具有較好的測試精度，然而該系統還存在不足，有待進一步的改善：
(1)?本研究采用的樣本數據年齡段的分布有待進一步豐富，心血管疾病的樣本數據需增加，以驗證系統的識別效果。
(2)?系統采用的心電信號、脈搏波信號的特征數據可進一步拓寬，如采集QT間期、ST間期、舒張壓、收縮壓等。
引言
隨著世界人口老齡化進程的加快，及發展中國家居民經濟收入的提高、膳食結構中動物性食物的增加，心血管疾病的發病率逐年攀升。世界衛生組織的研究結果表明，心血管疾病是全球的頭號死因[1]。在我國，人群的心血管疾病患病率、發病率及危險因素水平呈不斷上升的趨勢[2]。每5個成年人中就有1例心血管病患者[3]。心血管疾病一旦急性發作，如心梗、腦梗、腦卒中等，就可能在數分鐘內死亡。動脈硬化是血管阻力、血管彈性和血液黏性等血管功能不利的具體表現，是心血管疾病的重要病理基礎[4]，是心血管的誘因型疾病。同時，大量的科學實驗和臨床病例證明：動脈硬化可以治療，甚至可以早期預防和干預。因此動脈硬化的早期診斷對抑制心血管疾病及預防心血管急性事件的發生具有現實意義。
臨床中采用血管內超聲成像技術診斷動脈硬化，然而，這種介入性操作有一定的危險性，且費用高，因此限制了其廣泛的應用；采用生化分析方法檢測患者血中膽固醇、甘油三脂、β脂蛋白和脂蛋白等指標，當指標異常時，患者極有可能患有動脈硬化，然而上述生化指標水平并不總與動脈硬化的病變過程同行，只能間接診斷；影像檢查，包括X線檢查、多普勒超聲檢查、放射性核素檢查、超聲心動圖檢查等檢測方法可以確診動脈硬化病變，而這些方法只有在病變程度較深時才能確診，不能及時發現早期病變，且部分影像檢查對身體有一定的損傷；醫學中也采用阻抗容積圖檢測冠狀動脈的特征變化，從而輔助診斷動脈硬化，但該方法并不能對病情進行確診。在動脈硬化的早期階段，患者還沒有自覺癥狀[5]，但血壓、血流、血管阻力、血管彈性等一系列反映心血管的參數實際上已經開始發生變化[6-7]，并首先反映在心電(electrocardiogram，ECG)信號、脈搏波的變化中[8]。如果能及時檢測出這些參數的變化并對其特征進行分析，就可能早期診斷血管的動脈硬化病變，為心血管疾病的預防和治療爭取寶貴的時間，從而有效地控制心血管病的發病率和死亡率[9-10]。同時，該方法屬無創檢測，安全、高效，可廣泛應用于社區或家庭健康監測。
1 心電信號、脈搏波信號與動脈硬化
動脈硬化是動脈的一種非炎癥性、退行性和增生性病變，常導致血管壁的彈性退化、內中膜增厚，致使管腔狹窄，血液循環不暢，重要器官因缺血、缺氧出現功能障礙，最終導致機體死亡。因而，實時獲知動脈血管的功能狀況，可以檢測早期的動脈硬化狀況。心電信號、脈搏波信號能反映人體血液循環系統的生理變化，如心電信號可以對心肌梗死、左前支阻塞和左后分支阻塞等進行定位診斷；脈搏波幅值和波形可反映一個心動周期內動脈血管阻力、血管壁彈性等血流參數。因此，基于心電信號、脈搏波信號的動脈硬化檢測具有理論可行性。
1.1 心電信號與脈搏波信號產生機制及其特點
心電信號表達每個心動周期中由竇房結細胞產生興奮、再逐漸向心房肌細胞和心室肌細胞傳遞過程中人體各個部位相應的、有規律的、各向異性的電變化。使用引導電極采集肢體、軀體表面生物電，就能記錄每一心動周期。典型的心電圖波形自左至右為P波、Q波、R波、S波、T波及U波，分為PR間期、QRS間期、RR間期等。波形的強度、寬度反映心房和心室的電位變換，其中R波、QRS波群、P波、T波是最主要的特征波。惡性心血管事件的發生與心電圖QRS波時限密切相關, QRS波時限在一定程度上可以反映動脈病變，QRS波時限延長是惡性心血管事件的獨立預測因子[11-13]；心率對心血管疾病的發生、發展及預后有著重要的影響，是心血管疾病病死率的獨立預測因子，心率增快是心血管疾病死亡的獨立危險因素[14-16]，使用RR間期可計算心率，檢測心律不齊；同時，T波改變是預示動脈阻塞方向性的特征，T波低平對診斷動脈硬化有重要價值[17-18]。
脈搏波表達由心臟間歇性射血引起的、主動脈內的血液壓力變化，表現為動脈血管壁周期的伸縮振蕩。典型的脈搏波單波信號從起點開始，經歷主波波峰、重搏前波波峰、重搏波波谷、重搏波波峰。動脈硬化從輕度到重度的發展，波形特征量的動態變換表現為主波的絕對高度逐漸減小，重搏前波高度逐漸升高，并自后向前與主波接近呈融合態，重搏前波與重搏波波谷也逐漸融為一體。時域中通過提取脈搏波圖曲線中一些有明確生理意義的點(如主波、重搏前波和重搏波高度等)來作為評價人體心血管系統生理病理狀態的依據。
1.2 基于心電、脈搏波信號的動脈硬化檢測依據
脈搏波診斷由來已久。20世紀70年代以來，隨著生物醫學、計算機科學等學科的快速發展，利用脈搏波中的特征信息完成疾病診斷被越來越多的研究者關注，如胡大一等[19]、張維忠[20]將脈搏波與動脈硬化聯系起來進行分析和研究，王炳和等[21]、王宏宇等[22]也試圖將脈搏波速度作為判定動脈管壁彈性功能的一項指標，并取得了一定的成果。
雖然基于脈搏波的動脈硬化的評價方法已被多數學者肯定[23-28]，但其存在的不足也阻礙著該方法的廣泛應用。當人體出現生理病變或身處環境改變時，脈搏波也會隨之發生變化；相同的病變在不同人身上可能會表現出不同的脈搏波；不同時期的同一患者也會出現不同的脈搏波。脈搏波信號的不確定性對基于脈搏波特征值的疾病診斷提出了挑戰。
心電信號是臨床上診斷心血管疾病的重要方法，但在非發作周期，心電圖獲得疾病信息的概率很低。心電、脈搏信號以驅動-響應的耦合方式存在，長期處于某種平衡狀態。當身體某個環節發生變化時，這種平衡就會被打破，使得兩個振動源出現不同的運動趨勢[29]，這就為利用心電、脈搏波信號診斷血管硬化提供了依據。因此，將心電信號、脈搏波信號聯合作為動脈硬化的診斷依據，將會提高動脈硬化診斷的可信度。
2 心電、脈搏波信號特征提取
2.1 心電、脈搏波信號的采集
心電信號采用標準Ⅰ型導聯方法采集；采用一次性帶有黏性的襯墊，通過咬合按扣與導聯線連接，將低阻抗的凍狀凝膠包在襯墊外，以與皮膚接觸。脈搏波信號采用華科電子生產的HK2000B型壓電傳感器從橈動脈處獲得脈搏波信息，橈動脈行徑較固定，解剖位置淺表，毗鄰組織分明，攜帶豐富的人體病理信息。傳感器獲取的信號經濾波、放大、AD轉換等處理后，通過RS232串口將信號傳遞到上位機。其中心電信號的采樣率為335 Hz，脈搏波信號的采樣率為323 Hz。
本研究中共采集年齡分布在20～30歲之間的年輕人和年齡分布在50～80歲之間的中、老年人共40人的心電、脈搏波信號，數據均在采集對象靜臥狀態下測得，動脈硬化患者的病例由醫院提供，健康樣本來自在校大學生。實驗前受試者在了解實驗目的和實驗過程后，均自愿簽署知情同意書。采集對象基本信息如表 1所示。
表1
受試對象的基本信息
Table1.
Basic information of examinees
2.2 心電信號的特征提取
心電信號中的QRS波、T波為奇異信號。根據信號奇異點的定位原理，采用小波變換方法檢測QRS波、T波，并提取QRS間期、RR間期、T波幅值數據。QRS波大部分能量集中于0～37 Hz, 中心頻率約為18 Hz，根據心電信號在不同分解尺度下的膜極大值點與心電信號奇異點的對應關系，選擇雙正交樣條小波在尺度s=23上檢測R峰值點[30-31]；Q波、S波為高頻低幅波[32-33]，能量主要集中在s=21、s=22較小尺度上，為了避免基線漂移的影響，選擇在尺度s=21上檢測Q波和S波；T波頻率較低，為0～8 Hz[34]，在小波變換實驗中，T波的能量主要落在s=24、s=25尺度上，但s=25尺度上基線漂移等低頻噪聲較多，所以選擇在s=24尺度下檢測T波。對某樣本數據根據上述原理進行Q波、R波、S波、T波進行檢測，并提取RR間期、QRS波寬度、T波幅度參數，檢測結果如圖 1所示。
圖1
某樣本信號R波、QRS波、T波檢測結果
Figure1.
ECG wave detection result of one sampling signal
為測試檢測算法的適應性，采用國際上廣泛應用的心電數據庫MIT-BIH中編號為100、103、109、202、208、209、212、215心電數據驗證，結果表明QRS波的檢測精度為99.6%，可以有效檢測心電信號的特征點。
2.3 脈搏波信號的特征提取
大量研究發現，隨著動脈硬化程度的增加，脈搏波也會發生相應的變化[35-36]。其中，重搏前波高度的規律性動態變化最能反映出動脈硬化的主要特征。正常人的脈搏波包含三個波峰，主波高而狹窄，主波后重搏前波不明顯，重搏波較明顯；輕度動脈硬化患者的主波后重搏前波逐步抬高，重搏波不明顯；中度動脈硬化患者的主波后重搏前波突出，與主波不同程度地融合；重度動脈硬化患者的主波后重搏前波與主波融合，重搏波與重搏前波混為一體[36]。
根據以上分析，擬從脈搏波中提取如下特征信息：峰值數、20%主波寬度、主波斜率、脈率及三個波峰的相對高度。
波峰數采用差分法提取[37]，首先截取一段包含N點的信號，設i為信號中任意一點，若i點滿足條件：
| $ sign\left( {{d_{i,i - 1}}} \right) > sign\left( {{d_{i,i + 1}}} \right) $ |
其中di, i-1是信號中前后兩點之差，那么i點就是搜索到的峰值點。如果找到的兩個相鄰的點i、j，｜i-j｜＜10，則應舍去幅值較小的那個點。
主波斜率則通過計算主波峰值后的20個點的兩點間斜率的平均值獲得，用于表達主波的波形，計算公式見式(2)。
| $ l = \frac{{\sum\limits_{i = k}^{k + 20} {\left[ {A\left( {i + 1} \right) - A\left( i \right)} \right]} }}{{20}} $ |
其中，k為主波峰值位置，A(i)為i點的幅值。
20%主波寬度理論上是主波幅值為0.8A處的點，但由于采集到的脈搏波信號為離散信號，因此將邊界條件設置為0.8A±5%，將左右兩邊找到的點求平均值后相減即為20%主波寬度。
脈率及三個波峰的相對高度則通過經傅里葉變換得到的頻譜圖找到基頻，對基頻取倒數即為脈率，利用局部搜索極大值法獲得基波、二次諧波、三次諧波的幅值。
2.4 心電、脈搏波信號的特征數據預處理
提取的心電信號的特征參數有：RR間期、QRS波寬度、T波幅度。提取的脈搏波信號的特征參數有：波峰數、主波斜率、20%主波寬度、脈率、二次諧波幅值(A2)/基波幅值(A1)、三次諧波幅值(A3)/基波幅值(A1)。為了避免從同一患者獲得數據對后續算法的影響，本文采用統計分析方法選取各樣本典型單周期信號作為實驗數據。同時，為了避免因原始數據各維的范圍不同而造成后期數據處理的錯誤，在此，首先對數據按公式(3)進行歸一化處理，將每個樣本都映射到[0, 1]區間，其中X為原特征向量，Y為歸一化后的特征向量。
| $ Y = \frac{{X - {Y_{\min }}}}{{{X_{\max }} - {X_{\min }}}} $ |
為了降低后續算法的復雜度，同時又不影響系統的識別精度，對提取的脈搏波特征信號做主成分分析，主成分特征值與方差貢獻率如表 2所示。
表2
脈搏波特征值的主成分特征值及方差貢獻率
Table2.
Principal component characteristic values and contribution rate of variance for characteristic values of pulse wave
選取累計貢獻率大于80%的成分作為主成分，由表 2見前3個成分累計貢獻率約為81.1%，所以將前3個成分選取為主成分。前3個主成分特征向量如表 3所示。
表3
脈搏波特征值的前3個主成分特征向量
Table3.
First three principal components feature vector for characteristic values of pulse wave
前三個主成分則構成了新的變量C1、C2、C3，并對新構建的變量重新按公式(3)進行歸一化處理。
3 基于自適應神經模糊推理系統的動脈硬化無創檢測
3.1 自適應神經模糊推理系統構建
神經網絡具有良好的非線性擬合能力、自學習能力。基于神經網絡的分類器可通過監督學習逐步增強劃分能力，從而達到分類的目標。但神經網絡缺乏透明度, 不能很好地表達人腦的推理過程, 而模糊系統則可彌補神經網絡這一缺點, 有鑒于此, 采用matlab工具箱提供的神經模糊推理系統(Adaptive Network-based Fuzzy Interference System，ANFIS)實現動脈硬化無創檢測[38]。網絡的結構如圖 2所示。
圖2
模糊神經網絡結構圖
Figure2.
Structure figure of fuzzy-neural network
其中，A為輸入層，E為模糊化隱層，B為模糊化輸出層，F為模糊推理層，C為輸出層，G為解模糊化隱層，D為解模糊化輸出層。本研究中，輸入變量分別為RR間期、QRS波寬度、T波幅度、C1、C2、C3共6個輸入變量，每個變量分為3個模糊集合，選擇高斯型函數作為隸屬函數，選用后向傳播(back propagation, BP)網絡調整模糊控制器的設計參數，采用加權平均法(wtaver方法)解模糊。
本研究的樣本數為40例，其中健康樣本30例，動脈硬化樣本10例。為了使系統具有較好的適用度，訓練數據集與測試數據集按以下方式產生：將采樣數據按數據分類結果，每一類型的數據隨機地分為兩部分，其中2/3的數據(健康樣本數20例，動脈硬化樣本數7例)用于網絡的訓練，另外1/3的數據(健康樣本數10例，動脈硬化樣本數3例)用于網絡的測試。訓練數據集和測試數據集的數據采用隨機排序方式排列。
由于網絡規模不大，設置網絡訓練次數設為5 000次，目標誤差設為0.001。
3.2 ANFIS的檢測績效分析
用訓練集數據訓練網絡，網絡的訓練結果如圖 3所示。
圖3
測試數據及ANFIS網絡訓練結果
Figure3.
Test data and training results of ANFIS
圖 4為27個訓練數據對ANFIS網絡訓練前、后的隸屬函數形式，從對比圖可以證明該網絡通過對數據集數據的學習，自適應地修正網絡參數，并建立36=729條模糊規則。
圖4
訓練前、后輸入變量隸屬函數形式
(a)訓練前(以RR間期隸屬度函數為例); (b)訓練后
Figure4. Membership functions of input variables before and after training(a) before training; (b) after training
將測試集數據加載，測試網絡的識別誤差，結果如圖 5所示。
圖5
測試集數據測試結果圖
Figure5.
Test results of test set data
系統測試的13組樣本中，成功檢測出11組，3例不同程度動脈硬化患者全部正確識別。其中結果出現偏差的樣本數據如表 4所示。
表4
未成功檢測出的樣本信息
Table4.
Information of the unsuccessful detected samples
對于3號樣本，雖然與期望結果有偏差，但輸出結果低于0.5，可以認為是正確的識別結果。7號樣本脈搏波的時域圖表現為重搏前波提前，與主波融合，呈寬大的單峰波，因此出現誤診。
4 結論與討論
論文采用心電信號特征變量、脈搏波信號特征變量與動脈硬化建立模型，試驗結果證明了基于心電、脈搏波信號的融合信息來評估動脈硬化的可行性，克服了在非發作周期，心電圖獲得疾病信息的概率很低以及脈搏波嚴重失真后脈搏波信號特征點不明顯的缺點，可提高疾病計算機診斷的可信度；采用神經網絡智能學習算法構建識別系統，實現了利用算法的自學習能力將專家經驗融入機器識別中，使系統評估具有客觀性的同時，可以充分體現人的主觀能動性。
該方法與血管內超聲成像技術相比，具有安全、無創的特點；與血液生化分析方法相比，由于直接獲取了血管參數，具有較高的可信度；與基于心電圖檢測、CT掃描檢查、核磁共振、超聲心動圖等無創檢測方法相比，可以及時發現早期病變，且對病患不產生檢測負效應；對臨床數據的實測也表明該方法具有較高的檢測精度，可對病情確診。
此外，該方法也建立了心電信號、脈搏波信號與動脈硬化之間的數學模型，在對動脈硬化無創檢測的同時，為分析和預測動脈硬化疾病的發生發展機制及其動態變化規律提供了新的依據。隨著便攜式、家庭用醫療設備的發展，以及未來醫療服務體系的網絡化，該無創檢測方法將進一步提升其預防動脈硬化事件的積極作用。
盡管所建立的動脈硬化無創檢測模型具有較好的測試精度，然而該系統還存在不足，有待進一步的改善：
(1)?本研究采用的樣本數據年齡段的分布有待進一步豐富，心血管疾病的樣本數據需增加，以驗證系統的識別效果。
(2)?系統采用的心電信號、脈搏波信號的特征數據可進一步拓寬，如采集QT間期、ST間期、舒張壓、收縮壓等。
