旋轉式左心室輔助裝置（LVAD）是治療終末期心衰的一種有效方法。然而當臨床上使用 LVAD 時，患者通常會經歷心室塌陷的嚴重危險，這種現象叫做抽吸，主要是由于為了滿足心輸出量要求所需的過高 LVAD 轉速導致的。某些抽吸檢測算法又因傳感器位置偏移和使用壽命短等原因無法長期應用于臨床。因此，本研究基于 LVAD 的內在血泵參數（泵轉速）提出了一種新穎的抽吸檢測方法，避免了額外傳感器的使用。從泵轉速提取三種特征指標后作為四種分類器的輸入，采用這些分類器對無抽吸和抽吸狀態進行分類。基于人體循環系統和 LVAD 耦合模型的仿真結果表明，該方法可以有效地檢測出抽吸現象，具有較高的分類精度、穩定性和魯棒性。此抽吸檢測系統可作為 LVAD 的重要組成部分，檢測并避免抽吸現象的發生，同時使 LVAD 保證患者的心輸出量要求，并為 LVAD 控制系統的設計和優化提供理論依據和技術支持。
引用本文： 彭靜, 王宇. 基于旋轉式左心室輔助裝置內在參數的無傳感器抽吸檢測方法研究. 生物醫學工程學雜志, 2019, 36(3): 478-485. doi: 10.7507/1001-5515.201803077 復制
引言
心衰是心臟疾病發展的終末階段，幾乎所有的心血管疾病最終都會導致心衰的發生。目前，全球心衰患者人數累計已經超過 2 000 萬，且以每年約 200 萬人的速度逐年遞增[1-2]。終末期心衰患者的藥物治療效果欠佳，而心臟移植由于全球心臟供體數量有限無法成為常規治療方法，左心室輔助裝置（left ventricular assist device，LVAD）則是在這種現狀下應運而生[3]。
目前常見的旋轉式 LVAD 已經逐漸成為治療終末期心衰的重要手段，在臨床上既可用于臨時性心肌恢復的治療，也是糾正頑固性心衰和心臟移植前的理想治療手段，同時還可用于永久性的輔助支持[4-5]。然而，長期使用 LVAD 的主要不良影響之一是關于心室抽吸（suction）現象的潛在風險。抽吸是指為了滿足患者的心輸出量等要求，當 LVAD 的泵轉速超過一定數值時，過量的血會從左心室抽出從而導致左心室塌陷的現象。臨床上抽吸會導致心肌損傷、心律失常、LVAD 泵體血栓甚至患者死亡等一系列致命性后果[6-7]。抽吸現象在植入 LVAD 的心衰患者中普遍存在。最近的一項研究表明，平均每 19 例植入 LVAD 的心衰患者中有 15 例患者發生過抽吸現象，頻率為每 1 000 分鐘發生 13 次抽吸事件[8]，這主要是因為植入 LVAD 的心衰患者容易在不經意間因日常活動導致抽吸現象的發生，比如咳嗽、瓦氏呼吸（Vasalva Maneuver）、突然活動以及突然停止運動等[6]。
從理論上講，通過觀測左心室壓力信號可以快速且準確地檢測出抽吸現象，因為當抽吸現象發生時，左心室壓力的瞬時值將會下降到 1 mm Hg 甚至更低[9]。但是這種方法需要植入壓力傳感器來檢測左心室壓力信號，而目前的壓力傳感器卻因為在使用過程中可能產生的傳感器導管堵塞、傳感器漂移以及傳感器故障等問題無法長期應用于臨床[10-11]。為了彌補以上不足，研究人員提出了一些新的抽吸檢測方法[12-16]。雖然這些方法在抽吸檢測方面得到了較好的結果，但它們大多基于 LVAD 的泵流量來實現，而泵流量信號的提取需要流量傳感器，這種傳感器同樣由于其諸多缺點在臨床上還無法實現[11]。
本文提出了一種新穎的抽吸檢測方法，即使用 LVAD 的內在血泵參數（泵轉速），避免了額外壓力和流量傳感器的使用。該方法通過泵轉速信號，分別基于時域、頻域和時-頻域提取了三種特征指標（feature index，FI）。作為比較，該方法也從泵流量信號提取了這三種特征指標，用于證明本文提出的假設，即基于泵轉速的無傳感器抽吸檢測方法比基于泵流量的方法具有更好的抽吸檢測效果。泵流量和泵轉速信號均可以從一種改進的人體循環系統和 LVAD 耦合仿真模型得到。本文采用四種分類器：分類和回歸樹（classification and regression tree，CART）、判別分析（discriminant analysis，DA）、神經網絡（neural networks，NN）、拉格朗日支持向量機（Lagrangian support vector machine，LSVM），對基于泵轉速和泵流量的特征指標進行分類。
1 方法
1.1 人體循環系統和 LVAD 的耦合模型
在本文所采用的人體循環系統和 LVAD 耦合模型中，將旋轉式軸流 LVAD 并聯至左心室和主動脈兩端。算法中所需泵轉速和泵流量信號均可由此模型得出。該模型已在之前的研究中被驗證，并且用于設計多種基于 LVAD 的控制算法[17]。另外，該模型假設右心房、右心室和肺循環幾部分是正常的，因此它們對于 LVAD 的影響可以忽略不計。所以，該模型將人體循環系統分成五部分，并與旋轉式 LVAD 的動態模型一起組成人體循環系統和 LVAD 的耦合模型。如圖 1 所示為本文所采用模型的相應等效電路表達形式。表 1 列出了模型中的六個狀態變量。
圖1
人體循環系統和 LVAD 耦合模型的等效電路圖
Figure1.
Equivalent circuit diagram of the combined human circulatory system and LVAD model
表1
人體循環系統和 LVAD 耦合模型的狀態變量
Table1.
State variables in the combined human circulatory system and LVAD model
該組合模型可由式（1）所示的六階微分方程來表達：
 |
其中：
 |
 |
 |
 |
式（1）中，i（t）是血泵電流，即系統的控制變量。圖 1 中 HP 表示當血液流經 LVAD 時，LVAD 入口和出口處的壓力差。此壓力差是關于血泵轉速的函數，而血泵轉速可通過血泵電流來控制，具體表達式見式（6）：
 |
其中 γ 和 β 均為常量。所有模型參數和模型的驗證步驟均可以從之前的研究中獲得[9, 17]。
1.2 LVAD 泵血狀態的定義
圖 2 所示為通過上述模型所得出的泵流量和泵轉速信號，用于定義 LVAD 泵血的兩種狀態。其中控制變量泵電流呈線性增加趨勢。此項研究中關于 LVAD 泵血狀態的定義有兩種：① 無抽吸。無抽吸對應于 LVAD 的正常工作狀態。此時，在每個心動周期中，泵流量顯示為近似的正弦周期信號，泵轉速顯示為疊加振蕩信號。② 抽吸。在抽吸狀態下，從圖 2 中可以觀測到泵流量不再是近似的正弦周期信號，其最小值隨著泵電流的升高逐漸降低，而泵轉速的振幅隨著泵電流的升高逐漸增加。
圖2
仿真信號
Figure2.
Simulated signals
1.3 特征提取
本文設計的方法通過泵流量和泵轉速信號，分別基于時域、頻域和時-頻域提取了三種特征指標。其中第一種基于時域的特征指標是與信號的平均值、最大值以及最小值相關[6]，如式（7）所示：
 |
其中 PF 代表泵流量，PS 代表泵轉速。第二種基于頻域的特征指標用于檢測次諧波分量頻帶內信號總能量與諧波分量頻帶內信號總能量的比值，如式（8）所示：
 |
其中 QP（ω）代表泵流量或泵轉速的傅里葉變換。另外在式（8）中，ω1 = ω0 ? ωc，ω2 = ω0 + ωc，ωc 表示定義了一個以 ω0 為中心的區間閾值[18]。
第三種基于時-頻域的特征指標表示信號瞬時平均頻率的標準偏差[18]，如式（9）所示：
 |
其中式（9）中的瞬時頻率表示給定時間的總頻率。
以上描述的三種特征指標將作為檢測抽吸現象的分類器的輸入。本文采用四種不同類型的分類器（NN、CART、LSVM、DA）來檢測所設計的抽吸檢測系統的性能和效果。圖 3 所示為該抽吸檢測系統的流程圖。
圖3
所提出的抽吸檢測系統流程圖
Figure3.
Flowchart of the proposed suction detection system
1.4 數據分析
本文在計算機仿真中分析了九種心衰狀況[19]。這些狀況代表了不同程度的心衰和患者的活動情況。其中患者的活動情況可由圖 1 中的阻值 RS 來描述，RS 越小說明患者的活動情況越劇烈，反之則說明患者的活動情況越輕微。另外，根據患者不同的活動狀況，患者的心率也會隨之變化。如表 2 所示列出了九種不同程度心衰情況相應的心臟收縮能力值（Emax[9]）、RS 值以及心率（heart rate，HR）的變化。為了測試所提出的算法，本文對上述所有情況進行了仿真和記錄。通過對泵流量和泵轉速信號的分析，得到包括 333 個基于泵流量的樣本和 326 個基于泵轉速的樣本的數據庫，并將基于泵流量和泵轉速的樣本分別分成兩組，代表無抽吸和抽吸狀態（如 1.2 節所述）。其中 333 個基于泵流量的樣本中包含 192 個無抽吸狀態樣本和 141 個抽吸狀態樣本；326 個基于泵轉速的樣本中包含 188 個無抽吸狀態樣本和 138 個抽吸狀態樣本。這些樣本作為上述四種分類器的輸入，四種分類器均使用隨機選擇的 50% 數據樣本進行訓練，之后使用剩余的 50% 樣本進行測試。訓練和測試的過程與之前的研究相似[15]。由于每次數據樣本均為隨機選取，因此四種分類器的訓練和測試均重復 100 次。另外，基于醫學統計的判斷標準和本文的具體研究內容，本文將抽吸狀態定義為陽性，無抽吸狀態定義為陰性。因此，敏感性 = 正確的陽性樣本數/研究的陽性樣本數，特異性 = 正確的陰性樣本數/研究的陰性樣本數，準確率 =（正確的陽性樣本數 + 正確的陰性樣本數）/研究的總樣本數。本文中所示的分類結果均是重復 100 次之后的平均值，所有的結果均通過仿真軟件 MATLAB（The MathWorks Inc.，Natick，MA，美國）得出，仿真所用臺式計算機的配置為 3.4 GHz 英特爾 i7-6700 中央處理器及 16 GB 內存。
表2
不同類型的心衰狀況
Table2.
Different heart failure cases
2 結果
圖 4 顯示了分別從泵流量信號和泵轉速信號提取的三種特征指標的實例。無論是基于泵流量還是泵轉速信號，這些特征指標從無抽吸狀態到抽吸狀態的變化均十分明顯。首先，從基于泵流量信號所提取的第一種特征指標表明，當不存在抽吸現象時，特征指標的數值在零值附近波動；當抽吸現象發生時，特征指標的數值將急劇增加，之后隨著控制變量泵電流的線性增加而略有下降。相對地，在抽吸現象中，基于泵轉速信號所提取的第一種特征指標值則在明顯下降后略有升高。其次，基于以上兩種信號提取的第二種特征指標有著相同的趨勢，即在正常狀態下特征指標值較大，在接近抽吸現象時指標值下降為零，在抽吸現象發生時指標值又略有上升但明顯小于正常狀態下的數值。最后，基于以上兩種信號提取的第三種特征指標也有著相同的趨勢，即在抽吸現象開始時指標數值急劇升高，而后明顯降至小于正常狀態下的指標數值。另外，如圖 5 所示為分別基于泵流量和泵轉速信號所提取的特征指標的箱形圖，用以更直觀地區分無抽吸和抽吸狀態。
圖4
基于泵流量和泵轉速提取的特征指標實例
Figure4.
Examples of FIs extracted from pump flow and pump speed
圖5
基于泵流量和泵轉速提取的特征指標的箱形圖
Figure5.
Box plots of FIs extracted from pump flow and pump speed
表 3 以 CART 算法為例，列出了基于泵流量和泵轉速信號的分類測試結果。總體來講，基于泵流量時，70 例研究的總陽性樣本中有 6.33% 被錯誤地分類為陰性，而 96 例研究的總陰性樣本中有 3.23% 被錯誤地分類為陽性。而基于泵轉速信號的分類測試結果顯示，69 例研究的總陽性樣本中有 5.36% 被錯誤地分類為陰性，94 例研究的總陰性樣本中只有 1.35% 被錯誤地分類為陽性。表 3 給出了相應的敏感性、特異性、準確率的平均值和它們的標準差。
表3
采用 CART 算法的測試集分類結果
Table3.
Classification results of CART algorithm on the test set
此外，本文也對基于泵流量和泵轉速的兩種抽吸檢測方法進行了更為細致的比較，分別采用了四種模式識別算法（NN、CART、LSVM、DA）。兩種抽吸檢測方法采用了相同的步驟和流程，評價標準包括敏感性、特異性、準確率以及它們的標準差。如圖 6 所示為對兩種抽吸檢測方法分別運用四種模式識別算法的比較結果。總體而言在兩種抽吸檢測方法中，基于 NN 的方法均明顯優于其他方法。另外，從上述所有圖表中不難看出，無論采用何種模式識別算法，本文所提出的基于 LVAD 內在血泵參數（泵轉速）的無傳感器抽吸檢測方法的性能和效果要明顯優于基于泵流量的抽吸檢測方法。
圖6
采用 NN、CART、LSVM、DA 算法的基于泵流量和泵轉速的分類結果比較
Figure6.
Comparison of classification results based on PF and PS signals with NN, CART, LSVM, and DA algorithms
圖 7 所示為采用 NN、LSVM、DA 算法時基于泵流量和泵轉速的受試者工作特征（receiver operating characteristic，ROC）曲線比較結果。其中由于 CART 算法的離散性，ROC 曲線不適用于 CART 分類器。本文用曲線下面積（area under curve，AUC），即 ROC 曲線下與坐標軸圍成的面積作為評價各種分類器效果的標準。顯然 AUC 越大，分類結果越好。從圖中可以看出，無論采用何種分類器，基于泵轉速的分類結果均優于基于泵流量的分類結果。另外，表 4 也基于泵轉速將不同方法的響應時間進行了對比。
表4
基于不同抽吸檢測方法重復 100 次運算的響應時間對比
Table4.
Comparison of response time repeating 100 runs based on different suction detection methods
圖7
采用 NN、LSVM、DA 算法的基于泵流量和泵轉速的 ROC 曲線比較
Figure7.
Comparison of ROC curves based on pump flow and pump speed with NN, LSVM, DA algorithms
3 討論
心室抽吸現象對于植入 LVAD 的心衰患者以及 LVAD 控制系統的改進和研發而言是重要的制約因素，需要慎重考慮和對待。通常，抽吸現象指的是當 LVAD 的血泵轉速超過一定數值時，血泵將會從左心室抽出過量的血，從而導致左心室塌陷。除此之外，這種現象還可能導致血泵故障或心室心律失常等易于損害心肌的后果，在某些更為嚴重的情況下會導致患者死亡。因此，在臨床上需要快速、準確地檢測出抽吸現象并通過降低血泵轉速等方式將其消除。
心室抽吸的檢測一直是 LVAD 相關領域熱衷于研究的課題。從理論上講，檢測抽吸現象最好的方法是直接觀測和分析心室壓力。另外，解決抽吸檢測問題也可以分析 LVAD 的泵流量信號，因為這種信號易于測量，之后可基于泵流量信號提取若干相關特征并進行分類。然而，無論分析心室壓力或泵流量，都需要用到可植入式壓力或流量傳感器來連續測量壓力或泵流量信號。但是，目前這樣的植入式傳感器卻因為傳感器故障和位置漂移、測量噪音等原因無法長期應用于臨床，從而大大降低了這種方法總體的可靠性和安全性，也增加了 LVAD 治療的復雜度和成本。因此，實際應用中摒除對于可植入式傳感器的依賴，僅利用實時且可靠的方法有效地檢測抽吸現象是十分必要的。
相比之下，此項研究中基于 LVAD 泵轉速的方法，擺脫了之前的相關研究中對于額外壓力或流量傳感器的依賴。仿真結果表明，無論采用何種分類器，本文所提出的無傳感器抽吸檢測方法的效果均要優于依靠傳感器并基于泵流量的抽吸檢測方法，具有更高的分類精度和穩定性。另外，基于泵流量和泵轉速信號所提取的特征指標，均表明無抽吸和抽吸狀態之間有著明顯的區別，說明所提取的三種特征指標具有很好的魯棒性。小部分錯誤分類樣本的出現可能是由于用于特征提取的移動時間窗有時會包含無抽吸和抽吸兩種狀態的信號，這是將來要解決的問題之一。
在設計抽吸檢測算法時，其他更實際的考慮因素包括算法的實時計算和硬件部分。對于植入 LVAD 的心衰患者而言，必須以秒為單位快速準確地檢測出抽吸現象，而本文中所采用的三種抽吸特征指標可以以較高的速度（大于 30 Hz）來計算，意味著可以滿足 LVAD 的實際需要。雖然表 4 顯示 NN 算法的響應時間相對最長，但這是基于重復 100 次運算的響應時間。此外，隨著目前越來越先進的批處理器的使用，大多數理論上的特征指標均能夠實時提取和計算。因此，本文設計的方法可以作為一種有價值的實時檢測抽吸現象的工具。
到目前為止，此項研究的初步結果是基于計算機模擬的。顯然，分析結果建立在實驗數據或真實臨床數據的基礎上更有說服力，計算機仿真無法取代體外實驗或動物實驗的重要性和意義，也不能夠重現所有預期的臨床效果。例如，本文所采用的左心循環系統和 LVAD 組合模型忽略了右心和肺循環系統，假設了模型中的參數為集總參數并且血流為牛頓液體。計算機仿真和數學模型也無法模擬與心血管系統相關的神經體液反應、組織重塑以及遺傳表型的變化。本文的計算機仿真也沒有在泵流量和泵轉速信號中添加測量噪聲，這需要在特征提取之前加入預處理步驟來對泵流量和泵轉速信號進行濾波來消除高頻噪聲，使該算法更符合實際應用。另外，本文的訓練和測試樣本數量與實際的在體實驗數據相比可能偏少，但是也包括了患者在不同活動和生理狀態下的樣本。因此，盡管本文還存在著一定的不足和局限性，但是通過模型和仿真說明此種方法是可行和有效的，可為今后抽吸檢測的改進和設計提供可靠的平臺，具有一定的臨床應用價值。
4 結論
本文提出了一種利用 LVAD 內在血泵參數——泵轉速來檢測抽吸現象的有效算法，無需使用額外傳感器。基于泵轉速所提取的三種特征指標作為分類器的輸入，用于執行具體的分類工作。基于四種模式識別分類器，本文提出的算法與其他使用傳感器的方法相比，具有更高的分類精度、穩定性以及良好的魯棒性。該方法的實際臨床效果仍然需要利用離體循環系統和大型動物實驗來進一步驗證。
引言
心衰是心臟疾病發展的終末階段，幾乎所有的心血管疾病最終都會導致心衰的發生。目前，全球心衰患者人數累計已經超過 2 000 萬，且以每年約 200 萬人的速度逐年遞增[1-2]。終末期心衰患者的藥物治療效果欠佳，而心臟移植由于全球心臟供體數量有限無法成為常規治療方法，左心室輔助裝置（left ventricular assist device，LVAD）則是在這種現狀下應運而生[3]。
目前常見的旋轉式 LVAD 已經逐漸成為治療終末期心衰的重要手段，在臨床上既可用于臨時性心肌恢復的治療，也是糾正頑固性心衰和心臟移植前的理想治療手段，同時還可用于永久性的輔助支持[4-5]。然而，長期使用 LVAD 的主要不良影響之一是關于心室抽吸（suction）現象的潛在風險。抽吸是指為了滿足患者的心輸出量等要求，當 LVAD 的泵轉速超過一定數值時，過量的血會從左心室抽出從而導致左心室塌陷的現象。臨床上抽吸會導致心肌損傷、心律失常、LVAD 泵體血栓甚至患者死亡等一系列致命性后果[6-7]。抽吸現象在植入 LVAD 的心衰患者中普遍存在。最近的一項研究表明，平均每 19 例植入 LVAD 的心衰患者中有 15 例患者發生過抽吸現象，頻率為每 1 000 分鐘發生 13 次抽吸事件[8]，這主要是因為植入 LVAD 的心衰患者容易在不經意間因日常活動導致抽吸現象的發生，比如咳嗽、瓦氏呼吸（Vasalva Maneuver）、突然活動以及突然停止運動等[6]。
從理論上講，通過觀測左心室壓力信號可以快速且準確地檢測出抽吸現象，因為當抽吸現象發生時，左心室壓力的瞬時值將會下降到 1 mm Hg 甚至更低[9]。但是這種方法需要植入壓力傳感器來檢測左心室壓力信號，而目前的壓力傳感器卻因為在使用過程中可能產生的傳感器導管堵塞、傳感器漂移以及傳感器故障等問題無法長期應用于臨床[10-11]。為了彌補以上不足，研究人員提出了一些新的抽吸檢測方法[12-16]。雖然這些方法在抽吸檢測方面得到了較好的結果，但它們大多基于 LVAD 的泵流量來實現，而泵流量信號的提取需要流量傳感器，這種傳感器同樣由于其諸多缺點在臨床上還無法實現[11]。
本文提出了一種新穎的抽吸檢測方法，即使用 LVAD 的內在血泵參數（泵轉速），避免了額外壓力和流量傳感器的使用。該方法通過泵轉速信號，分別基于時域、頻域和時-頻域提取了三種特征指標（feature index，FI）。作為比較，該方法也從泵流量信號提取了這三種特征指標，用于證明本文提出的假設，即基于泵轉速的無傳感器抽吸檢測方法比基于泵流量的方法具有更好的抽吸檢測效果。泵流量和泵轉速信號均可以從一種改進的人體循環系統和 LVAD 耦合仿真模型得到。本文采用四種分類器：分類和回歸樹（classification and regression tree，CART）、判別分析（discriminant analysis，DA）、神經網絡（neural networks，NN）、拉格朗日支持向量機（Lagrangian support vector machine，LSVM），對基于泵轉速和泵流量的特征指標進行分類。
1 方法
1.1 人體循環系統和 LVAD 的耦合模型
在本文所采用的人體循環系統和 LVAD 耦合模型中，將旋轉式軸流 LVAD 并聯至左心室和主動脈兩端。算法中所需泵轉速和泵流量信號均可由此模型得出。該模型已在之前的研究中被驗證，并且用于設計多種基于 LVAD 的控制算法[17]。另外，該模型假設右心房、右心室和肺循環幾部分是正常的，因此它們對于 LVAD 的影響可以忽略不計。所以，該模型將人體循環系統分成五部分，并與旋轉式 LVAD 的動態模型一起組成人體循環系統和 LVAD 的耦合模型。如圖 1 所示為本文所采用模型的相應等效電路表達形式。表 1 列出了模型中的六個狀態變量。
圖1
人體循環系統和 LVAD 耦合模型的等效電路圖
Figure1.
Equivalent circuit diagram of the combined human circulatory system and LVAD model
表1
人體循環系統和 LVAD 耦合模型的狀態變量
Table1.
State variables in the combined human circulatory system and LVAD model
該組合模型可由式（1）所示的六階微分方程來表達：
|
其中：
|
|
|
|
式（1）中，i（t）是血泵電流，即系統的控制變量。圖 1 中 HP 表示當血液流經 LVAD 時，LVAD 入口和出口處的壓力差。此壓力差是關于血泵轉速的函數，而血泵轉速可通過血泵電流來控制，具體表達式見式（6）：
|
其中 γ 和 β 均為常量。所有模型參數和模型的驗證步驟均可以從之前的研究中獲得[9, 17]。
1.2 LVAD 泵血狀態的定義
圖 2 所示為通過上述模型所得出的泵流量和泵轉速信號，用于定義 LVAD 泵血的兩種狀態。其中控制變量泵電流呈線性增加趨勢。此項研究中關于 LVAD 泵血狀態的定義有兩種：① 無抽吸。無抽吸對應于 LVAD 的正常工作狀態。此時，在每個心動周期中，泵流量顯示為近似的正弦周期信號，泵轉速顯示為疊加振蕩信號。② 抽吸。在抽吸狀態下，從圖 2 中可以觀測到泵流量不再是近似的正弦周期信號，其最小值隨著泵電流的升高逐漸降低，而泵轉速的振幅隨著泵電流的升高逐漸增加。
圖2
仿真信號
Figure2.
Simulated signals
1.3 特征提取
本文設計的方法通過泵流量和泵轉速信號，分別基于時域、頻域和時-頻域提取了三種特征指標。其中第一種基于時域的特征指標是與信號的平均值、最大值以及最小值相關[6]，如式（7）所示：
|
其中 PF 代表泵流量，PS 代表泵轉速。第二種基于頻域的特征指標用于檢測次諧波分量頻帶內信號總能量與諧波分量頻帶內信號總能量的比值，如式（8）所示：
|
其中 QP（ω）代表泵流量或泵轉速的傅里葉變換。另外在式（8）中，ω1 = ω0 ? ωc，ω2 = ω0 + ωc，ωc 表示定義了一個以 ω0 為中心的區間閾值[18]。
第三種基于時-頻域的特征指標表示信號瞬時平均頻率的標準偏差[18]，如式（9）所示：
|
其中式（9）中的瞬時頻率表示給定時間的總頻率。
以上描述的三種特征指標將作為檢測抽吸現象的分類器的輸入。本文采用四種不同類型的分類器（NN、CART、LSVM、DA）來檢測所設計的抽吸檢測系統的性能和效果。圖 3 所示為該抽吸檢測系統的流程圖。
圖3
所提出的抽吸檢測系統流程圖
Figure3.
Flowchart of the proposed suction detection system
1.4 數據分析
本文在計算機仿真中分析了九種心衰狀況[19]。這些狀況代表了不同程度的心衰和患者的活動情況。其中患者的活動情況可由圖 1 中的阻值 RS 來描述，RS 越小說明患者的活動情況越劇烈，反之則說明患者的活動情況越輕微。另外，根據患者不同的活動狀況，患者的心率也會隨之變化。如表 2 所示列出了九種不同程度心衰情況相應的心臟收縮能力值（Emax[9]）、RS 值以及心率（heart rate，HR）的變化。為了測試所提出的算法，本文對上述所有情況進行了仿真和記錄。通過對泵流量和泵轉速信號的分析，得到包括 333 個基于泵流量的樣本和 326 個基于泵轉速的樣本的數據庫，并將基于泵流量和泵轉速的樣本分別分成兩組，代表無抽吸和抽吸狀態（如 1.2 節所述）。其中 333 個基于泵流量的樣本中包含 192 個無抽吸狀態樣本和 141 個抽吸狀態樣本；326 個基于泵轉速的樣本中包含 188 個無抽吸狀態樣本和 138 個抽吸狀態樣本。這些樣本作為上述四種分類器的輸入，四種分類器均使用隨機選擇的 50% 數據樣本進行訓練，之后使用剩余的 50% 樣本進行測試。訓練和測試的過程與之前的研究相似[15]。由于每次數據樣本均為隨機選取，因此四種分類器的訓練和測試均重復 100 次。另外，基于醫學統計的判斷標準和本文的具體研究內容，本文將抽吸狀態定義為陽性，無抽吸狀態定義為陰性。因此，敏感性 = 正確的陽性樣本數/研究的陽性樣本數，特異性 = 正確的陰性樣本數/研究的陰性樣本數，準確率 =（正確的陽性樣本數 + 正確的陰性樣本數）/研究的總樣本數。本文中所示的分類結果均是重復 100 次之后的平均值，所有的結果均通過仿真軟件 MATLAB（The MathWorks Inc.，Natick，MA，美國）得出，仿真所用臺式計算機的配置為 3.4 GHz 英特爾 i7-6700 中央處理器及 16 GB 內存。
表2
不同類型的心衰狀況
Table2.
Different heart failure cases
2 結果
圖 4 顯示了分別從泵流量信號和泵轉速信號提取的三種特征指標的實例。無論是基于泵流量還是泵轉速信號，這些特征指標從無抽吸狀態到抽吸狀態的變化均十分明顯。首先，從基于泵流量信號所提取的第一種特征指標表明，當不存在抽吸現象時，特征指標的數值在零值附近波動；當抽吸現象發生時，特征指標的數值將急劇增加，之后隨著控制變量泵電流的線性增加而略有下降。相對地，在抽吸現象中，基于泵轉速信號所提取的第一種特征指標值則在明顯下降后略有升高。其次，基于以上兩種信號提取的第二種特征指標有著相同的趨勢，即在正常狀態下特征指標值較大，在接近抽吸現象時指標值下降為零，在抽吸現象發生時指標值又略有上升但明顯小于正常狀態下的數值。最后，基于以上兩種信號提取的第三種特征指標也有著相同的趨勢，即在抽吸現象開始時指標數值急劇升高，而后明顯降至小于正常狀態下的指標數值。另外，如圖 5 所示為分別基于泵流量和泵轉速信號所提取的特征指標的箱形圖，用以更直觀地區分無抽吸和抽吸狀態。
圖4
基于泵流量和泵轉速提取的特征指標實例
Figure4.
Examples of FIs extracted from pump flow and pump speed
圖5
基于泵流量和泵轉速提取的特征指標的箱形圖
Figure5.
Box plots of FIs extracted from pump flow and pump speed
表 3 以 CART 算法為例，列出了基于泵流量和泵轉速信號的分類測試結果。總體來講，基于泵流量時，70 例研究的總陽性樣本中有 6.33% 被錯誤地分類為陰性，而 96 例研究的總陰性樣本中有 3.23% 被錯誤地分類為陽性。而基于泵轉速信號的分類測試結果顯示，69 例研究的總陽性樣本中有 5.36% 被錯誤地分類為陰性，94 例研究的總陰性樣本中只有 1.35% 被錯誤地分類為陽性。表 3 給出了相應的敏感性、特異性、準確率的平均值和它們的標準差。
表3
采用 CART 算法的測試集分類結果
Table3.
Classification results of CART algorithm on the test set
此外，本文也對基于泵流量和泵轉速的兩種抽吸檢測方法進行了更為細致的比較，分別采用了四種模式識別算法（NN、CART、LSVM、DA）。兩種抽吸檢測方法采用了相同的步驟和流程，評價標準包括敏感性、特異性、準確率以及它們的標準差。如圖 6 所示為對兩種抽吸檢測方法分別運用四種模式識別算法的比較結果。總體而言在兩種抽吸檢測方法中，基于 NN 的方法均明顯優于其他方法。另外，從上述所有圖表中不難看出，無論采用何種模式識別算法，本文所提出的基于 LVAD 內在血泵參數（泵轉速）的無傳感器抽吸檢測方法的性能和效果要明顯優于基于泵流量的抽吸檢測方法。
圖6
采用 NN、CART、LSVM、DA 算法的基于泵流量和泵轉速的分類結果比較
Figure6.
Comparison of classification results based on PF and PS signals with NN, CART, LSVM, and DA algorithms
圖 7 所示為采用 NN、LSVM、DA 算法時基于泵流量和泵轉速的受試者工作特征（receiver operating characteristic，ROC）曲線比較結果。其中由于 CART 算法的離散性，ROC 曲線不適用于 CART 分類器。本文用曲線下面積（area under curve，AUC），即 ROC 曲線下與坐標軸圍成的面積作為評價各種分類器效果的標準。顯然 AUC 越大，分類結果越好。從圖中可以看出，無論采用何種分類器，基于泵轉速的分類結果均優于基于泵流量的分類結果。另外，表 4 也基于泵轉速將不同方法的響應時間進行了對比。
表4
基于不同抽吸檢測方法重復 100 次運算的響應時間對比
Table4.
Comparison of response time repeating 100 runs based on different suction detection methods
圖7
采用 NN、LSVM、DA 算法的基于泵流量和泵轉速的 ROC 曲線比較
Figure7.
Comparison of ROC curves based on pump flow and pump speed with NN, LSVM, DA algorithms
3 討論
心室抽吸現象對于植入 LVAD 的心衰患者以及 LVAD 控制系統的改進和研發而言是重要的制約因素，需要慎重考慮和對待。通常，抽吸現象指的是當 LVAD 的血泵轉速超過一定數值時，血泵將會從左心室抽出過量的血，從而導致左心室塌陷。除此之外，這種現象還可能導致血泵故障或心室心律失常等易于損害心肌的后果，在某些更為嚴重的情況下會導致患者死亡。因此，在臨床上需要快速、準確地檢測出抽吸現象并通過降低血泵轉速等方式將其消除。
心室抽吸的檢測一直是 LVAD 相關領域熱衷于研究的課題。從理論上講，檢測抽吸現象最好的方法是直接觀測和分析心室壓力。另外，解決抽吸檢測問題也可以分析 LVAD 的泵流量信號，因為這種信號易于測量，之后可基于泵流量信號提取若干相關特征并進行分類。然而，無論分析心室壓力或泵流量，都需要用到可植入式壓力或流量傳感器來連續測量壓力或泵流量信號。但是，目前這樣的植入式傳感器卻因為傳感器故障和位置漂移、測量噪音等原因無法長期應用于臨床，從而大大降低了這種方法總體的可靠性和安全性，也增加了 LVAD 治療的復雜度和成本。因此，實際應用中摒除對于可植入式傳感器的依賴，僅利用實時且可靠的方法有效地檢測抽吸現象是十分必要的。
相比之下，此項研究中基于 LVAD 泵轉速的方法，擺脫了之前的相關研究中對于額外壓力或流量傳感器的依賴。仿真結果表明，無論采用何種分類器，本文所提出的無傳感器抽吸檢測方法的效果均要優于依靠傳感器并基于泵流量的抽吸檢測方法，具有更高的分類精度和穩定性。另外，基于泵流量和泵轉速信號所提取的特征指標，均表明無抽吸和抽吸狀態之間有著明顯的區別，說明所提取的三種特征指標具有很好的魯棒性。小部分錯誤分類樣本的出現可能是由于用于特征提取的移動時間窗有時會包含無抽吸和抽吸兩種狀態的信號，這是將來要解決的問題之一。
在設計抽吸檢測算法時，其他更實際的考慮因素包括算法的實時計算和硬件部分。對于植入 LVAD 的心衰患者而言，必須以秒為單位快速準確地檢測出抽吸現象，而本文中所采用的三種抽吸特征指標可以以較高的速度（大于 30 Hz）來計算，意味著可以滿足 LVAD 的實際需要。雖然表 4 顯示 NN 算法的響應時間相對最長，但這是基于重復 100 次運算的響應時間。此外，隨著目前越來越先進的批處理器的使用，大多數理論上的特征指標均能夠實時提取和計算。因此，本文設計的方法可以作為一種有價值的實時檢測抽吸現象的工具。
到目前為止，此項研究的初步結果是基于計算機模擬的。顯然，分析結果建立在實驗數據或真實臨床數據的基礎上更有說服力，計算機仿真無法取代體外實驗或動物實驗的重要性和意義，也不能夠重現所有預期的臨床效果。例如，本文所采用的左心循環系統和 LVAD 組合模型忽略了右心和肺循環系統，假設了模型中的參數為集總參數并且血流為牛頓液體。計算機仿真和數學模型也無法模擬與心血管系統相關的神經體液反應、組織重塑以及遺傳表型的變化。本文的計算機仿真也沒有在泵流量和泵轉速信號中添加測量噪聲，這需要在特征提取之前加入預處理步驟來對泵流量和泵轉速信號進行濾波來消除高頻噪聲，使該算法更符合實際應用。另外，本文的訓練和測試樣本數量與實際的在體實驗數據相比可能偏少，但是也包括了患者在不同活動和生理狀態下的樣本。因此，盡管本文還存在著一定的不足和局限性，但是通過模型和仿真說明此種方法是可行和有效的，可為今后抽吸檢測的改進和設計提供可靠的平臺，具有一定的臨床應用價值。
4 結論
本文提出了一種利用 LVAD 內在血泵參數——泵轉速來檢測抽吸現象的有效算法，無需使用額外傳感器。基于泵轉速所提取的三種特征指標作為分類器的輸入，用于執行具體的分類工作。基于四種模式識別分類器，本文提出的算法與其他使用傳感器的方法相比，具有更高的分類精度、穩定性以及良好的魯棒性。該方法的實際臨床效果仍然需要利用離體循環系統和大型動物實驗來進一步驗證。
