心房顫動（簡稱：房顫）是臨床上最常見的心律失常，可引起血流動力學改變、心力衰竭、腦卒中等并發癥，嚴重影響著人類的生命健康。作為一種自身促進性疾病，房顫的治療難度會隨著病情惡化逐漸增加，早期預測和干預是遏止病情惡化的關鍵。基于此，本文通過控制乙酰膽堿靜脈注射劑量，改變了 5 只雜交犬的心房易顫性，并嘗試通過分析不同狀態竇性心律下心房心外膜的電活動特性來評估心房易顫性。本文主要從心房激動間期變異性、心房最早激動點轉移、心房激動時延變化、左右心房失步四個方面提出 4 項指標來研究心房的激動規律，并利用二元邏輯回歸分析，將多項指標轉化為房顫誘發成功概率，從而對竇性信號進行分類。分類的敏感性、特異性和準確率分別達到 85.7%、95.8% 和 91.7%。實驗結果表明，本文方法具有評估心房易顫性的能力，對房顫的提前預測和干預具有重要的臨床意義。
引用本文： 何凱悅, 楊翠微. 基于心外膜標測的心房易顫性評估. 生物醫學工程學雜志, 2020, 37(3): 487-495, 501. doi: 10.7507/1001-5515.201910005 復制
引言
心房顫動（atrial fibrillation，AF）（簡稱：房顫）是臨床最常見的心律失常。在一般人群中，房顫患病率為 0.4%～1%，且隨年齡增大而增加[1]。據統計，我國 35 歲以上人群中房顫患病率接近 0.8%，60 歲以上人群中房顫患病率則高達 1.83%[2]。隨著人口老齡化程度加劇，患有高血壓、糖尿病、冠心病等人群的增加，房顫患病率還在不斷升高[3]。房顫引起的血流動力學改變、心力衰竭、腦卒中等，可能會導致患者殘疾、認知功能障礙等，嚴重影響著人類的生命健康[4]，較高的致殘率和致死率還給社會帶來了沉重的經濟負擔[5]。作為一種自身促進性疾病，房顫一般從陣發性房顫發展為持續性房顫，最后演變為永久性房顫，且隨著病情發展，治療難度逐漸增加，治愈率逐漸降低。因此，提前預測并干預房顫的進程具有重要的意義。
理論上，心臟傳導系統是一個漸變系統，它會隨著心房重構逐漸偏離正常狀態，房顫的提前預測是可行的[6]。已有研究發現，首發或陣發性房顫患者的電生理特性與健康人的電生理特性存在差異。Yoshizawa 等[7]對 68 例首發房顫患者和 68 例健康人進行研究，利用 P 波形態預測首發房顫，獲得了 69.1% 的敏感性和 88.2% 的特異性。此外，基于美國國家通用醫學科學院以及國家生物醫學成像和生物工程院共同創建的 PhysioNet 陣發性房顫數據庫，提出了幾種預測算法也顯示出較高的效率。Thong 等[8]基于房性早搏（premature atrial complexes，PACs）的分析方法，對該數據庫上 53 個患者正常竇律信號和房顫發生前竇律信號進行分類，獲得了 89% 的敏感性和 91% 的特異性。Mohebbi 等[9]基于 RR 間期遞歸圖的特征，對相同數據集進行分類，獲得了 97% 的敏感性和 100% 的特異性。基于這些發現，可以推測易發房顫的心房的電生理特性相對正常心房的電生理特性已經發生了變化。
心外膜標測技術是研究房顫的重要工具，主要用于動物實驗研究。相比于臨床研究，房顫動物模型具有可控、個體差異小等優點，可對相應病因的房顫進行系統的研究。自 1992 年，Schuessler 等[10]通過注射乙酰膽堿（acetylcholine，ACh）加程序電刺激成功制備出急性犬房顫模型以來，多項研究均表明 ACh 急性犬房顫模型具有制備簡單、房顫誘發率高、持續時間較長等特點，并且能夠部分模擬臨床房顫的病理特征。2002 年，楊詔旭等[11]也通過靜脈注射 ACh 合并快速心房起搏成功制備出持續時間較長的急性犬房顫模型。據此，本課題組于 2009 年開始利用靜脈注射 ACh 合并快速心房起搏成功制備了多例急性房顫模型犬，并利用自主研發的心電標測系統采集了大量心外膜電信號。本文研究數據便來自房顫誘發前竇性心律下的犬心外膜標測信號。
基于心外膜標測信號的研究方法有很多，如利用等時圖觀察波陣面判斷是否具有多發子波；利用主導頻峰法觀察高頻區尋找異常電活動起源位置[12]；利用信息熵量化心電信號的復雜度[13]；利用圖論方法分析心房各部位電信號的相關性[14]；利用遞歸圖方法研究心臟的混沌特性等[15]。但是，這些分析方法大多都以房顫信號為研究對象，只能預測房顫的終止和評估已發生的房顫，而不能提前預測房顫。
基于心外膜標測技術，一些學者探索了利用竇性心律信號提前預測房顫的新方法。白寶丹[16]基于遞歸復雜網絡分析研究了三只實驗犬不同房顫程度發生前的竇性心律信號，獲得了 99.86% 的預測準確率。Chen 等[17]基于相位差香農熵的分析方法，驗證了心房的同步性和心房的病理結構之間存在著相關性，但未對不同易顫程度下的竇性心律信號做進一步分類。
綜上，從理論和實踐分析來看，房顫的形成是一個漸變過程，在房顫發生前，心房的動力系統就已經改變，對房顫進行提前預測是可行的。為了揭示這種變化，本文希望借助房顫動物模型和心外膜標測技術，基于心房的電活動特性評估心房的易顫性。不同于前人的方法，本文希望從電生理角度提取計算量小的指標，來評價 ACh 犬房顫模型的心房易顫性。一方面，參考電生理意義的分析方法可以增加結果的可解釋性；另一方面，選用計算量小的指標可以加快預測，對房顫的預警和及時干預具有重要的臨床意義。
1 實驗動物及數據采集
本文實驗動物為 5 只成年雜交犬，體重 11～15 kg，由南京大學醫學院附屬鼓樓醫院提供，動物許可證號為：SYXK（蘇）2009-0017。本實驗經過南京大學醫學院附屬鼓樓醫院倫理委員會審查獲得批準，數據采集過程嚴格遵照南京大學醫學院附屬鼓樓醫院實驗動物中心動物實驗保護的規定程序。
實驗過程中，首先采用戊巴比妥鈉麻醉實驗犬，氣管插管，并用呼吸機控制犬的呼吸，進行心電監護，通過股動脈置管監測動脈血壓，并行靜脈穿刺后接微量泵。接著，將犬正中開胸，懸吊心包并暴露心臟后，在左、右心耳表面分別縫合一塊柔性電極片。兩電極片上各分布了 20 個（左心耳）和 44 個（右心耳）單極電極，共 64 個電極。參考電極埋于主動脈根部。分別在右心耳、上腔靜脈與右房交界處縫置一對刺激電極，每對電極間距離約 0.5 cm，連接程控刺激儀（RM-6240BD，成都儀器廠，中國四川）。此外，還有一路電極縫合于心室的心尖部位用來記錄心室信號。實驗數據采集設備為課題組自主研發的 64/128 通道心電標測系統。
房顫誘導過程中，主要通過控制靜脈注射 ACh 的濃度來調整心房的易顫性，通過發放持續 5 s 的短陣快速（Burst）刺激（頻率為 20 Hz，脈沖寬度為 2 ms）來嘗試誘發房顫。ACh 的濃度是階梯上升的，根據每只犬對 ACh 的耐受程度，每次增加 0.5 μg/（kg·min）。每一濃度下，先持續注射 3 min，以使心臟響應 ACh 濃度的變化；接著采集 3 min 竇性心律下的心房心外膜標測信號，用作下文的分析；最后再給予 Burst 刺激以驗證心房的可誘導性。程控刺激儀輸出的刺激電壓設為起搏閾值的 2 倍，重復刺激 5 次。根據房顫誘發成功次數和持續時間，定義最大 ACh 濃度為：在該濃度下，5 次 Burst 刺激中至少成功誘發出 3 次持續時間大于 3 min 的房顫。當 ACh 濃度達到最大后，停止房顫誘導。
2 方法
2.1 信號預處理
本研究的心外膜標測數據是在擁有眾多醫療設備的復雜電磁場環境下進行采集的，會受到工頻及其諧波干擾。此外由于心房和心室有序收縮，心外膜標測的心房電信號難免被心室電信號干擾，產生心室偽跡。因此，信號預處理包括降噪、去心室偽跡和提取心房激動時刻。
2.1.1 信號降噪處理
針對 50 Hz 工頻干擾和高頻噪聲，本文提出了利用小波包變換和小波變換的降噪方法。具體步驟如下：
（1）本研究使用的心外膜標測信號采樣頻率為 2 000 Hz。利用與理想高通和低通濾波器性能接近的 dmey 小波基構造 50 Hz 陷波器[18]，對原始信號進行 9 層小波包分解，共得到 29 = 512 個頻段，每個頻段帶寬約為 2 Hz（1 000/512 Hz ≈ 2 Hz）。
（2）尋找 50 Hz 頻段所在節點，利用該節點的小波包系數重構出 50 Hz 干擾信號的近似估計，將原始信號減去該近似估計。
（3）對步驟（2）得到的數據，利用與心房除極信號的形態較接近的 sym4 小波基進行 5 層小波分解[19]，對每層小波系數（低頻系數除外）進行硬閾值量化，即小于閾值的小波系數置為 0，大于閾值的小波系數保持不變，再利用閾值處理后的小波系數重構降噪信號。
由于心房信號頻譜主要集中在 1～200 Hz，因此小波降噪時每層采用了不同閾值，如表 1 所示，給出了每層小波系數對應的頻帶范圍和小波閾值經驗值。
表1
小波分層降噪閾值
Table1.
Wavelet decomposition denoising threshold
2.1.2 去除心室偽跡
針對心室偽跡，參考已有的局域濾波算法做出適當調整[20]，具體步驟如下：
（1）提取心室參考信號激動波形的峰值點，記為 Tv。
（2）提取心房參考信號激動波形的峰值點，記為 Ta。
（3）根據Tv和Ta確定心室波區域。
（4）將心室波區域內的電信號幅值設為 0。
2.1.3 激動時刻提取
在竇性心律下，心房各部位激動時刻（除極時刻）比較接近。本文參考文獻[21-22]后，提出了一種結合差分閾值和最大相關系數的激動時刻提取方法。首先，根據最靠近竇房結的通道采集的心外膜電信號，借助差分閾值法確立該路信號的激動時刻，快速鎖定其他通道激動時刻范圍。然后，再根據最大相關系數在激動時刻范圍內尋找每個通道的激動時刻。針對極少數漏檢的激動時刻，采用人工標記加以補充。
2.2 激動時刻分析
激動時刻分析主要從 AA 間期異變次數（the number of changes in AA interval，NCAA）（以符號NCAA表示）、心房最早激動點轉移次數（the number of changes in first activation，NCFA）（以符號NCFA表示）、心房激動時延變化率（the rate of atrial activation delay changes，RAADC）（以符號RAADC 表示）、左右心房失步次數（the number of left and right atrial asynchrony，NLRAA）（以符號NLRAA表示）共 4 個方面研究了心房的激動規律，相應指標的定義描述如下。
2.2.1 AA 間期異變次數
本文利用靠近竇房結采集的心外膜信號提取間期序列［以符號AA（n）表示］，其均值記為AAmean，若|AA（m）? AAmean| > 0.1·AAmean，則認為第m個 AA 間期發生一次異變。如圖 1 所示，連續線段表示 3 min 的 AA 間期序列，星號標注表示 AA 間期異變，圖中共有 11 次 AA 間期異變，則統計 3 min 內 AA 間期異變次數（NCAA），可得NCAA = 11。AA 間期異變次數反映了心房激動節律的規整性，其數值越大，表明心房激動越不規整。
圖1
AA 間期異變
Figure1.
The changes in AA interval
2.2.2 心房最早激動點轉移次數
通常情況下，心肌的電活動都受竇房結節律控制，心房最早激動點一般出現在竇房結附近。疾病狀態下，心臟興奮功能紊亂，最早激動點可能出現在異常興奮源附近。如圖 2 所示，圖中從左至右分別是 3 次連續除極下，心房心外膜的 64 個電極（排布在兩塊電極片上）的等時圖。其中，黃色五角星標注處為左、右心房最早激動點。相對于 1、3 兩次除極，第 2 次除極左、右心房最早激動點發生了轉移（白色箭頭指示了轉移方向），因此左心房最早激動點轉移次數（the number of changes in first activation of left atrium，NCFALA）（以符號NCFALA表示）、右心房最早激動點轉移次數（the number of changes in first activation of right atrium，NCFARA）（以符號NCFARA表示）各自增 1。最終 3 min 內心房最早激動點轉移次數（the number of changes in first activation of atriums，NCFA）（以符號NCFA表示）計算為NCFA = NCFALA + NCFARA。心房最早激動點轉移次數可以反映心房異常興奮的程度，其數值越大，表明心房激動傳播越不規整。
圖2
心房最早激動點轉移示意圖
Figure2.
Diagram of the earliest activation points shifting in the atriums
2.2.3 心房激動時延變化率
正常情況下，心臟電活動傳導有序，心房各部分激動順序較穩定；隨著心房易顫程度增加，心房組織電活動傳導逐步異常，心房各部分激動順序逐漸雜亂。據此，可采用心房激動時延變化率分析心房激動時延的變化，從而反映心房易顫程度。心房激動時延變化率計算步驟如下：
（1）在左、右心房分別選取離竇房結最近的電極作為左、右心房的參照電極，根據相對參照電極的激動時間差，可得時延矩陣D64 × N，其中 64 為電極數，N為 3 min 內心房總的除極次數。
（2）計算 64 個電極的平均時延向量Dmean，則時延變化矩陣VD64 × N可由公式（1）計算得到：
 |
其中，
。
（3）設時延變化閾值Thvd = 0.002·AAmean，若VD（i，m）小于Thvd，則說明電極#i在第m次除極時，延遲變化較小，被量化為 0；反之，延遲變化較大，被量化為 1。統計在第m次除極時，左心房延遲變化覆蓋率（coverage of delay changes in left atrium，CDCLA）（以符號CDCLA表示）和右心房延遲變化覆蓋率（coverage of delay changes in right atrium，CDCRA）（以符號表示CDCRA表示），計算方法如公式（2）和公式（3）所示：
 |
 |
若 CDCLA 或 CDCRA 超過 15%，則認為第 m 次除極時，心房整體激動時延變化較大；心房激動時延變化次數（the number of atrial activation delay changes，NAADC）（以符號 NAADC）增 1。統計 3 min 內的心房激動時延變化次數，相應的心房激動時延變化率（RAADC）可計算為 RAADC = NAADC/N。
如圖 3 所示給出了左右心房連續 6 次除極的時延圖（上排）以及時延變化量化圖（下排），量化圖中延遲變化量超出閾值的用白點表示，未超出閾值的用黑點表示。由圖 3 可以看出，在第 3 和第 4 次除極時，左右心房整體激動時延變化較大（量化圖中白點較多），使得圖 3 所示的 6 次激動過程中心房激動時延變化次數的值增加了 2。統計 3 min 內心房激動時延變化率，可以反映心房激動順序的穩定性。
圖3
心房時延變化閾值量化示意圖
Figure3.
Quantified variation maps of atrial activation delay
2.2.4 左右心房失步次數
正常生理狀態下，心臟的興奮傳導從右心房與上腔靜脈交界處的竇房結開始，先傳導至右心房，再傳導至左心房，左右心房在竇房結節律控制下順序除極，視為同步。疾病狀態下，興奮傳導紊亂，左右心房除極順序不受或不完全受竇房結節律控制，視為失步。
左右心房失步次數的計算方法為：定義左右心房最早激動時刻時間差為左右心房激動時延DLR，將其中位數（3 min 內）記為MDLR。若|DLR（m）? MDLR| > 20 ms，則認為第m次除極時，左右心房出現失步情況，NLRAA加 1。如圖 4 所示給出了 6 次除極過程中心房心外膜的 64 個電極的等時圖。
圖4
左右心房同步-失步-同步示意圖
Figure4.
Diagram of left and right atrial synchronization-dyssynchronization-synchronization
由圖 4 可見，在第 1 和第 2 次除極時，右心房激動早于左心房；而在第 3 和第 4 次除極時，左心房激動出現反常，明顯早于右心房；等到第 5 和第 6 次除極時，左右心房激動時延重新恢復正常。在此過程中，左右心房發生兩次失步，NLRAA增加 2。統計 3 min 內左右心房失步次數，可以反映左右心房除極過程的失步程度。
2.3 統計分析
2.3.1 指標歸納
以上 4 項指標分別從 AA 間期、心房最早激動點轉移、心房激動時延變化和左右心房失步 4 個方面刻畫了心房的激動規律，可歸納如下：
（1）AA 間期異變次數，反映心房激動節律的規整性。
（2）心房最早激動點轉移次數，反映心房異常興奮程度。
（3）心房激動時延變化率，反映心房激動順序穩定性。
（4）左右心房失步次數，反映左右心房失步程度。
2.3.2 二元邏輯回歸分析
邏輯回歸分析是一種廣義的線性回歸分析模型，可用于尋找危險因素、預測和判別，是流行病學和醫學中最常見的分析方法[23]。本文將所有竇性心律信號分為兩類：A 類，5 次誘發均未出現房顫；B 類，5 次誘發中出現過房顫。基于數據分析軟件 SPSS20.0（IBM Inc.，美國），根據以上 4 項指標對房顫誘發成功與否進行二元邏輯回歸分類。
3 結果
3.1 信號預處理的結果
降噪結果如圖 5 所示，左圖為時域效果，左上是原始的心房心外膜標測信號，左中為估計的工頻干擾和高頻噪聲，左下為降噪處理的輸出結果。從時域上看，本文使用的降噪方法能夠保持信號波形形態，減小電位失真，可以彌補有限長單位沖擊響應（finite impulse response，FIR）濾波對高頻信息過度衰減的不足。右圖為借助 Welch 改進的周期圖算法，對降噪前后數據進行功率譜密度（power spectrum density，PSD）分析的頻域效果。
圖5
降噪結果
Figure5.
Denoising results
如圖 5 所示，右圖為降噪前后的頻域效果。降噪前信號的功率譜密度（右上）在 50 Hz 及其倍頻處出現峰值，降噪后信號的功率譜密度（右下）在相應頻率處明顯下降。此外，400 Hz 以上功率譜密度也有所下降，說明本文降噪方法對工頻及其諧波干擾以及高頻噪聲具有較好的抑制作用。
去除心室偽跡的結果如圖 6 所示。其中，心房參考信號由靠近竇房結的電極采集得到，心房參考信號的峰值點記為Ta；心室參考信號由靠近心室的電極采集得到，心室參考信號的峰值點記為Tv。由圖 6 可見，心房除極波幅度在心室除極前迅速衰減至零值附近。局域濾波算法的思想就是將心室波區域內的心房信號幅值拉平以去除心室偽跡。在該算法中，心室波區域選擇非常重要，區域過寬會導致心房波削弱，區域過窄則無法完全去除心室偽跡。本文心室波區域經驗值取為 ［Ta + 100 ms，Tv + 80 ms］。根據Ta確定心室波區域起點，可以盡可能多地保留心房除極波；根據Tv確定心室波區域終點，可以盡可能多地去除心室偽跡。
圖6
局域濾波結果
Figure6.
Local filtering results
心房激動時刻提取效果如圖 7 所示，給出了通道 6～11 心房激動時刻和心房除極波的提取結果。其中黑色加號表示提取的心房激動時刻，紅色片段表示心房除極波。以某次除極過程中通道 11（靠近竇房結）提取到的激動時刻作為時間零點，其他通道提取到的激動時刻與該時間零點做差，可計算出電極片上各電極處的激動時延。
圖7
激動時刻提取結果
Figure7.
The results of activation time extraction
如圖 8 所示給出了某次除極時各電極處的時延圖。由圖 8 可見，心房除極時，心房不同部位除極的先后不一，在時延圖上可直觀表現出來。較先除極的部位時延小，顏色偏藍，后除極波的部位時延大，顏色偏紅。
圖8
左右心房等時圖
Figure8.
Isochronic mapping of the left and right atriums
3.2 二元邏輯回歸分類結果
本文研究樣本共包含 42 例房顫誘發成功的竇性心律信號和 48 例房顫誘發不成功的竇性心律信號，每例信號的時長均為 3 min。如圖 9 所示給出了二元邏輯回歸分類的結果。將房顫誘發成功定義為陽性，房顫誘發不成功定義為陰性，綜合四項指標進行分類，得到敏感性、特異性和準確率分別為 85.7%、95.8% 和 91.1%。
圖9
基于激動時刻分析的二元 Logistic 回歸分類示意圖
Figure9.
Schematic results of binary logistic regression classification based on activation time analysis
如表 2 所示給出了基于單項指標和多項指標的分類結果。基于單項指標進行分類具有一定的準確率，其中基于心房激動時延變化率（RAADC）的分類準確率較高，可達 87.8%。由上文可知，心房激動時延變化率反映了心房整體激動順序的穩定性，比其他指標更加注重空間整體性，故能捕捉到更多的電生理變化信息。但其它指標在一定程度上補充了心房激動時延變化率無法記錄的信息：AA 間期異變次數（NCAA）記錄了竇房結興奮性的變化，心房最早激動點轉移次數（NCFA）記錄了異常興奮灶的活躍度，左右心房失步次數（NLRAA）記錄了左右心房的電傳導變化。由于房顫形成原因十分復雜，單項指標可能無法解釋盡然，故綜合以上 4 項指標進行分類，最終將分類準確率進一步提高到 91.1%。
表2
二元邏輯回歸分類結果
Table2.
Results of binary logistic classification
4 討論
本文基于心外膜標測信號的心房激動規律研究表明，隨著心房易顫性增加，心房的激動模式會變得更加復雜，整體的同步性也會下降。Chen 等[17]曾在類似的研究中，利用相位差香農熵分析心房的電活動時，同樣發現隨著心房易顫性增強，心房整體的同步性會降低，與本文的研究結果類似。但是在 Chen 等[17]的研究中，不同犬的相位差香農熵范圍不同，未能對竇性心律信號進行分類。本研究中，盡管動物個體數較少，但本課題組通過控制注射 ACh 劑量，得到了 5 只犬在不同濃度藥物水平下的心房電信號，在一定程度上增加了樣本的多樣性。同時，本文基于這些信號進行分類獲得了較高的準確率（91.1%），初步驗證了在不同犬只之間建立同一個心房易顫性評估標準的可行性。此外，白寶丹[16]基于遞歸復雜網絡的研究還發現隨著心房易顫性增強，心房的混沌特性會發生改變，其研究基于多導聯心外膜信號預測房顫，準確率高達 99.86%。本文沿用其多導聯心外膜信號整體性分析方法去評估心房電生理狀態，并嘗試結合電生理知識通過 4 項計算量較小的指標詮釋心房電活動的變化，實現了心臟混沌系統變遷在低維時空的可解釋性。
但是，目前的研究還存在一定的局限性。首先，本文的研究結果是通過動物實驗獲得的，犬房顫模型與臨床房顫之間的相似程度仍未可知。此外，這項研究使用的個體數量還遠遠不夠。因此，本文得出的結論還需要更多的動物實驗和臨床試驗進一步證實。
同時，本文的實驗為心外膜標測，雖然采集的數據直接反映了心房的電活動，但是需要開胸，創傷性大。在驗證房顫提前預測的可行性之后，本課題組后續將通過無創的體表心電數據開展相關研究。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引言
心房顫動（atrial fibrillation，AF）（簡稱：房顫）是臨床最常見的心律失常。在一般人群中，房顫患病率為 0.4%～1%，且隨年齡增大而增加[1]。據統計，我國 35 歲以上人群中房顫患病率接近 0.8%，60 歲以上人群中房顫患病率則高達 1.83%[2]。隨著人口老齡化程度加劇，患有高血壓、糖尿病、冠心病等人群的增加，房顫患病率還在不斷升高[3]。房顫引起的血流動力學改變、心力衰竭、腦卒中等，可能會導致患者殘疾、認知功能障礙等，嚴重影響著人類的生命健康[4]，較高的致殘率和致死率還給社會帶來了沉重的經濟負擔[5]。作為一種自身促進性疾病，房顫一般從陣發性房顫發展為持續性房顫，最后演變為永久性房顫，且隨著病情發展，治療難度逐漸增加，治愈率逐漸降低。因此，提前預測并干預房顫的進程具有重要的意義。
理論上，心臟傳導系統是一個漸變系統，它會隨著心房重構逐漸偏離正常狀態，房顫的提前預測是可行的[6]。已有研究發現，首發或陣發性房顫患者的電生理特性與健康人的電生理特性存在差異。Yoshizawa 等[7]對 68 例首發房顫患者和 68 例健康人進行研究，利用 P 波形態預測首發房顫，獲得了 69.1% 的敏感性和 88.2% 的特異性。此外，基于美國國家通用醫學科學院以及國家生物醫學成像和生物工程院共同創建的 PhysioNet 陣發性房顫數據庫，提出了幾種預測算法也顯示出較高的效率。Thong 等[8]基于房性早搏（premature atrial complexes，PACs）的分析方法，對該數據庫上 53 個患者正常竇律信號和房顫發生前竇律信號進行分類，獲得了 89% 的敏感性和 91% 的特異性。Mohebbi 等[9]基于 RR 間期遞歸圖的特征，對相同數據集進行分類，獲得了 97% 的敏感性和 100% 的特異性。基于這些發現，可以推測易發房顫的心房的電生理特性相對正常心房的電生理特性已經發生了變化。
心外膜標測技術是研究房顫的重要工具，主要用于動物實驗研究。相比于臨床研究，房顫動物模型具有可控、個體差異小等優點，可對相應病因的房顫進行系統的研究。自 1992 年，Schuessler 等[10]通過注射乙酰膽堿（acetylcholine，ACh）加程序電刺激成功制備出急性犬房顫模型以來，多項研究均表明 ACh 急性犬房顫模型具有制備簡單、房顫誘發率高、持續時間較長等特點，并且能夠部分模擬臨床房顫的病理特征。2002 年，楊詔旭等[11]也通過靜脈注射 ACh 合并快速心房起搏成功制備出持續時間較長的急性犬房顫模型。據此，本課題組于 2009 年開始利用靜脈注射 ACh 合并快速心房起搏成功制備了多例急性房顫模型犬，并利用自主研發的心電標測系統采集了大量心外膜電信號。本文研究數據便來自房顫誘發前竇性心律下的犬心外膜標測信號。
基于心外膜標測信號的研究方法有很多，如利用等時圖觀察波陣面判斷是否具有多發子波；利用主導頻峰法觀察高頻區尋找異常電活動起源位置[12]；利用信息熵量化心電信號的復雜度[13]；利用圖論方法分析心房各部位電信號的相關性[14]；利用遞歸圖方法研究心臟的混沌特性等[15]。但是，這些分析方法大多都以房顫信號為研究對象，只能預測房顫的終止和評估已發生的房顫，而不能提前預測房顫。
基于心外膜標測技術，一些學者探索了利用竇性心律信號提前預測房顫的新方法。白寶丹[16]基于遞歸復雜網絡分析研究了三只實驗犬不同房顫程度發生前的竇性心律信號，獲得了 99.86% 的預測準確率。Chen 等[17]基于相位差香農熵的分析方法，驗證了心房的同步性和心房的病理結構之間存在著相關性，但未對不同易顫程度下的竇性心律信號做進一步分類。
綜上，從理論和實踐分析來看，房顫的形成是一個漸變過程，在房顫發生前，心房的動力系統就已經改變，對房顫進行提前預測是可行的。為了揭示這種變化，本文希望借助房顫動物模型和心外膜標測技術，基于心房的電活動特性評估心房的易顫性。不同于前人的方法，本文希望從電生理角度提取計算量小的指標，來評價 ACh 犬房顫模型的心房易顫性。一方面，參考電生理意義的分析方法可以增加結果的可解釋性；另一方面，選用計算量小的指標可以加快預測，對房顫的預警和及時干預具有重要的臨床意義。
1 實驗動物及數據采集
本文實驗動物為 5 只成年雜交犬，體重 11～15 kg，由南京大學醫學院附屬鼓樓醫院提供，動物許可證號為：SYXK（蘇）2009-0017。本實驗經過南京大學醫學院附屬鼓樓醫院倫理委員會審查獲得批準，數據采集過程嚴格遵照南京大學醫學院附屬鼓樓醫院實驗動物中心動物實驗保護的規定程序。
實驗過程中，首先采用戊巴比妥鈉麻醉實驗犬，氣管插管，并用呼吸機控制犬的呼吸，進行心電監護，通過股動脈置管監測動脈血壓，并行靜脈穿刺后接微量泵。接著，將犬正中開胸，懸吊心包并暴露心臟后，在左、右心耳表面分別縫合一塊柔性電極片。兩電極片上各分布了 20 個（左心耳）和 44 個（右心耳）單極電極，共 64 個電極。參考電極埋于主動脈根部。分別在右心耳、上腔靜脈與右房交界處縫置一對刺激電極，每對電極間距離約 0.5 cm，連接程控刺激儀（RM-6240BD，成都儀器廠，中國四川）。此外，還有一路電極縫合于心室的心尖部位用來記錄心室信號。實驗數據采集設備為課題組自主研發的 64/128 通道心電標測系統。
房顫誘導過程中，主要通過控制靜脈注射 ACh 的濃度來調整心房的易顫性，通過發放持續 5 s 的短陣快速（Burst）刺激（頻率為 20 Hz，脈沖寬度為 2 ms）來嘗試誘發房顫。ACh 的濃度是階梯上升的，根據每只犬對 ACh 的耐受程度，每次增加 0.5 μg/（kg·min）。每一濃度下，先持續注射 3 min，以使心臟響應 ACh 濃度的變化；接著采集 3 min 竇性心律下的心房心外膜標測信號，用作下文的分析；最后再給予 Burst 刺激以驗證心房的可誘導性。程控刺激儀輸出的刺激電壓設為起搏閾值的 2 倍，重復刺激 5 次。根據房顫誘發成功次數和持續時間，定義最大 ACh 濃度為：在該濃度下，5 次 Burst 刺激中至少成功誘發出 3 次持續時間大于 3 min 的房顫。當 ACh 濃度達到最大后，停止房顫誘導。
2 方法
2.1 信號預處理
本研究的心外膜標測數據是在擁有眾多醫療設備的復雜電磁場環境下進行采集的，會受到工頻及其諧波干擾。此外由于心房和心室有序收縮，心外膜標測的心房電信號難免被心室電信號干擾，產生心室偽跡。因此，信號預處理包括降噪、去心室偽跡和提取心房激動時刻。
2.1.1 信號降噪處理
針對 50 Hz 工頻干擾和高頻噪聲，本文提出了利用小波包變換和小波變換的降噪方法。具體步驟如下：
（1）本研究使用的心外膜標測信號采樣頻率為 2 000 Hz。利用與理想高通和低通濾波器性能接近的 dmey 小波基構造 50 Hz 陷波器[18]，對原始信號進行 9 層小波包分解，共得到 29 = 512 個頻段，每個頻段帶寬約為 2 Hz（1 000/512 Hz ≈ 2 Hz）。
（2）尋找 50 Hz 頻段所在節點，利用該節點的小波包系數重構出 50 Hz 干擾信號的近似估計，將原始信號減去該近似估計。
（3）對步驟（2）得到的數據，利用與心房除極信號的形態較接近的 sym4 小波基進行 5 層小波分解[19]，對每層小波系數（低頻系數除外）進行硬閾值量化，即小于閾值的小波系數置為 0，大于閾值的小波系數保持不變，再利用閾值處理后的小波系數重構降噪信號。
由于心房信號頻譜主要集中在 1～200 Hz，因此小波降噪時每層采用了不同閾值，如表 1 所示，給出了每層小波系數對應的頻帶范圍和小波閾值經驗值。
表1
小波分層降噪閾值
Table1.
Wavelet decomposition denoising threshold
2.1.2 去除心室偽跡
針對心室偽跡，參考已有的局域濾波算法做出適當調整[20]，具體步驟如下：
（1）提取心室參考信號激動波形的峰值點，記為 Tv。
（2）提取心房參考信號激動波形的峰值點，記為 Ta。
（3）根據Tv和Ta確定心室波區域。
（4）將心室波區域內的電信號幅值設為 0。
2.1.3 激動時刻提取
在竇性心律下，心房各部位激動時刻（除極時刻）比較接近。本文參考文獻[21-22]后，提出了一種結合差分閾值和最大相關系數的激動時刻提取方法。首先，根據最靠近竇房結的通道采集的心外膜電信號，借助差分閾值法確立該路信號的激動時刻，快速鎖定其他通道激動時刻范圍。然后，再根據最大相關系數在激動時刻范圍內尋找每個通道的激動時刻。針對極少數漏檢的激動時刻，采用人工標記加以補充。
2.2 激動時刻分析
激動時刻分析主要從 AA 間期異變次數（the number of changes in AA interval，NCAA）（以符號NCAA表示）、心房最早激動點轉移次數（the number of changes in first activation，NCFA）（以符號NCFA表示）、心房激動時延變化率（the rate of atrial activation delay changes，RAADC）（以符號RAADC 表示）、左右心房失步次數（the number of left and right atrial asynchrony，NLRAA）（以符號NLRAA表示）共 4 個方面研究了心房的激動規律，相應指標的定義描述如下。
2.2.1 AA 間期異變次數
本文利用靠近竇房結采集的心外膜信號提取間期序列［以符號AA（n）表示］，其均值記為AAmean，若|AA（m）? AAmean| > 0.1·AAmean，則認為第m個 AA 間期發生一次異變。如圖 1 所示，連續線段表示 3 min 的 AA 間期序列，星號標注表示 AA 間期異變，圖中共有 11 次 AA 間期異變，則統計 3 min 內 AA 間期異變次數（NCAA），可得NCAA = 11。AA 間期異變次數反映了心房激動節律的規整性，其數值越大，表明心房激動越不規整。
圖1
AA 間期異變
Figure1.
The changes in AA interval
2.2.2 心房最早激動點轉移次數
通常情況下，心肌的電活動都受竇房結節律控制，心房最早激動點一般出現在竇房結附近。疾病狀態下，心臟興奮功能紊亂，最早激動點可能出現在異常興奮源附近。如圖 2 所示，圖中從左至右分別是 3 次連續除極下，心房心外膜的 64 個電極（排布在兩塊電極片上）的等時圖。其中，黃色五角星標注處為左、右心房最早激動點。相對于 1、3 兩次除極，第 2 次除極左、右心房最早激動點發生了轉移（白色箭頭指示了轉移方向），因此左心房最早激動點轉移次數（the number of changes in first activation of left atrium，NCFALA）（以符號NCFALA表示）、右心房最早激動點轉移次數（the number of changes in first activation of right atrium，NCFARA）（以符號NCFARA表示）各自增 1。最終 3 min 內心房最早激動點轉移次數（the number of changes in first activation of atriums，NCFA）（以符號NCFA表示）計算為NCFA = NCFALA + NCFARA。心房最早激動點轉移次數可以反映心房異常興奮的程度，其數值越大，表明心房激動傳播越不規整。
圖2
心房最早激動點轉移示意圖
Figure2.
Diagram of the earliest activation points shifting in the atriums
2.2.3 心房激動時延變化率
正常情況下，心臟電活動傳導有序，心房各部分激動順序較穩定；隨著心房易顫程度增加，心房組織電活動傳導逐步異常，心房各部分激動順序逐漸雜亂。據此，可采用心房激動時延變化率分析心房激動時延的變化，從而反映心房易顫程度。心房激動時延變化率計算步驟如下：
（1）在左、右心房分別選取離竇房結最近的電極作為左、右心房的參照電極，根據相對參照電極的激動時間差，可得時延矩陣D64 × N，其中 64 為電極數，N為 3 min 內心房總的除極次數。
（2）計算 64 個電極的平均時延向量Dmean，則時延變化矩陣VD64 × N可由公式（1）計算得到：
|
其中，。
（3）設時延變化閾值Thvd = 0.002·AAmean，若VD（i，m）小于Thvd，則說明電極#i在第m次除極時，延遲變化較小，被量化為 0；反之，延遲變化較大，被量化為 1。統計在第m次除極時，左心房延遲變化覆蓋率（coverage of delay changes in left atrium，CDCLA）（以符號CDCLA表示）和右心房延遲變化覆蓋率（coverage of delay changes in right atrium，CDCRA）（以符號表示CDCRA表示），計算方法如公式（2）和公式（3）所示：
|
|
若 CDCLA 或 CDCRA 超過 15%，則認為第 m 次除極時，心房整體激動時延變化較大；心房激動時延變化次數（the number of atrial activation delay changes，NAADC）（以符號 NAADC）增 1。統計 3 min 內的心房激動時延變化次數，相應的心房激動時延變化率（RAADC）可計算為 RAADC = NAADC/N。
如圖 3 所示給出了左右心房連續 6 次除極的時延圖（上排）以及時延變化量化圖（下排），量化圖中延遲變化量超出閾值的用白點表示，未超出閾值的用黑點表示。由圖 3 可以看出，在第 3 和第 4 次除極時，左右心房整體激動時延變化較大（量化圖中白點較多），使得圖 3 所示的 6 次激動過程中心房激動時延變化次數的值增加了 2。統計 3 min 內心房激動時延變化率，可以反映心房激動順序的穩定性。
圖3
心房時延變化閾值量化示意圖
Figure3.
Quantified variation maps of atrial activation delay
2.2.4 左右心房失步次數
正常生理狀態下，心臟的興奮傳導從右心房與上腔靜脈交界處的竇房結開始，先傳導至右心房，再傳導至左心房，左右心房在竇房結節律控制下順序除極，視為同步。疾病狀態下，興奮傳導紊亂，左右心房除極順序不受或不完全受竇房結節律控制，視為失步。
左右心房失步次數的計算方法為：定義左右心房最早激動時刻時間差為左右心房激動時延DLR，將其中位數（3 min 內）記為MDLR。若|DLR（m）? MDLR| > 20 ms，則認為第m次除極時，左右心房出現失步情況，NLRAA加 1。如圖 4 所示給出了 6 次除極過程中心房心外膜的 64 個電極的等時圖。
圖4
左右心房同步-失步-同步示意圖
Figure4.
Diagram of left and right atrial synchronization-dyssynchronization-synchronization
由圖 4 可見，在第 1 和第 2 次除極時，右心房激動早于左心房；而在第 3 和第 4 次除極時，左心房激動出現反常，明顯早于右心房；等到第 5 和第 6 次除極時，左右心房激動時延重新恢復正常。在此過程中，左右心房發生兩次失步，NLRAA增加 2。統計 3 min 內左右心房失步次數，可以反映左右心房除極過程的失步程度。
2.3 統計分析
2.3.1 指標歸納
以上 4 項指標分別從 AA 間期、心房最早激動點轉移、心房激動時延變化和左右心房失步 4 個方面刻畫了心房的激動規律，可歸納如下：
（1）AA 間期異變次數，反映心房激動節律的規整性。
（2）心房最早激動點轉移次數，反映心房異常興奮程度。
（3）心房激動時延變化率，反映心房激動順序穩定性。
（4）左右心房失步次數，反映左右心房失步程度。
2.3.2 二元邏輯回歸分析
邏輯回歸分析是一種廣義的線性回歸分析模型，可用于尋找危險因素、預測和判別，是流行病學和醫學中最常見的分析方法[23]。本文將所有竇性心律信號分為兩類：A 類，5 次誘發均未出現房顫；B 類，5 次誘發中出現過房顫。基于數據分析軟件 SPSS20.0（IBM Inc.，美國），根據以上 4 項指標對房顫誘發成功與否進行二元邏輯回歸分類。
3 結果
3.1 信號預處理的結果
降噪結果如圖 5 所示，左圖為時域效果，左上是原始的心房心外膜標測信號，左中為估計的工頻干擾和高頻噪聲，左下為降噪處理的輸出結果。從時域上看，本文使用的降噪方法能夠保持信號波形形態，減小電位失真，可以彌補有限長單位沖擊響應（finite impulse response，FIR）濾波對高頻信息過度衰減的不足。右圖為借助 Welch 改進的周期圖算法，對降噪前后數據進行功率譜密度（power spectrum density，PSD）分析的頻域效果。
圖5
降噪結果
Figure5.
Denoising results
如圖 5 所示，右圖為降噪前后的頻域效果。降噪前信號的功率譜密度（右上）在 50 Hz 及其倍頻處出現峰值，降噪后信號的功率譜密度（右下）在相應頻率處明顯下降。此外，400 Hz 以上功率譜密度也有所下降，說明本文降噪方法對工頻及其諧波干擾以及高頻噪聲具有較好的抑制作用。
去除心室偽跡的結果如圖 6 所示。其中，心房參考信號由靠近竇房結的電極采集得到，心房參考信號的峰值點記為Ta；心室參考信號由靠近心室的電極采集得到，心室參考信號的峰值點記為Tv。由圖 6 可見，心房除極波幅度在心室除極前迅速衰減至零值附近。局域濾波算法的思想就是將心室波區域內的心房信號幅值拉平以去除心室偽跡。在該算法中，心室波區域選擇非常重要，區域過寬會導致心房波削弱，區域過窄則無法完全去除心室偽跡。本文心室波區域經驗值取為 ［Ta + 100 ms，Tv + 80 ms］。根據Ta確定心室波區域起點，可以盡可能多地保留心房除極波；根據Tv確定心室波區域終點，可以盡可能多地去除心室偽跡。
圖6
局域濾波結果
Figure6.
Local filtering results
心房激動時刻提取效果如圖 7 所示，給出了通道 6～11 心房激動時刻和心房除極波的提取結果。其中黑色加號表示提取的心房激動時刻，紅色片段表示心房除極波。以某次除極過程中通道 11（靠近竇房結）提取到的激動時刻作為時間零點，其他通道提取到的激動時刻與該時間零點做差，可計算出電極片上各電極處的激動時延。
圖7
激動時刻提取結果
Figure7.
The results of activation time extraction
如圖 8 所示給出了某次除極時各電極處的時延圖。由圖 8 可見，心房除極時，心房不同部位除極的先后不一，在時延圖上可直觀表現出來。較先除極的部位時延小，顏色偏藍，后除極波的部位時延大，顏色偏紅。
圖8
左右心房等時圖
Figure8.
Isochronic mapping of the left and right atriums
3.2 二元邏輯回歸分類結果
本文研究樣本共包含 42 例房顫誘發成功的竇性心律信號和 48 例房顫誘發不成功的竇性心律信號，每例信號的時長均為 3 min。如圖 9 所示給出了二元邏輯回歸分類的結果。將房顫誘發成功定義為陽性，房顫誘發不成功定義為陰性，綜合四項指標進行分類，得到敏感性、特異性和準確率分別為 85.7%、95.8% 和 91.1%。
圖9
基于激動時刻分析的二元 Logistic 回歸分類示意圖
Figure9.
Schematic results of binary logistic regression classification based on activation time analysis
如表 2 所示給出了基于單項指標和多項指標的分類結果。基于單項指標進行分類具有一定的準確率，其中基于心房激動時延變化率（RAADC）的分類準確率較高，可達 87.8%。由上文可知，心房激動時延變化率反映了心房整體激動順序的穩定性，比其他指標更加注重空間整體性，故能捕捉到更多的電生理變化信息。但其它指標在一定程度上補充了心房激動時延變化率無法記錄的信息：AA 間期異變次數（NCAA）記錄了竇房結興奮性的變化，心房最早激動點轉移次數（NCFA）記錄了異常興奮灶的活躍度，左右心房失步次數（NLRAA）記錄了左右心房的電傳導變化。由于房顫形成原因十分復雜，單項指標可能無法解釋盡然，故綜合以上 4 項指標進行分類，最終將分類準確率進一步提高到 91.1%。
表2
二元邏輯回歸分類結果
Table2.
Results of binary logistic classification
4 討論
本文基于心外膜標測信號的心房激動規律研究表明，隨著心房易顫性增加，心房的激動模式會變得更加復雜，整體的同步性也會下降。Chen 等[17]曾在類似的研究中，利用相位差香農熵分析心房的電活動時，同樣發現隨著心房易顫性增強，心房整體的同步性會降低，與本文的研究結果類似。但是在 Chen 等[17]的研究中，不同犬的相位差香農熵范圍不同，未能對竇性心律信號進行分類。本研究中，盡管動物個體數較少，但本課題組通過控制注射 ACh 劑量，得到了 5 只犬在不同濃度藥物水平下的心房電信號，在一定程度上增加了樣本的多樣性。同時，本文基于這些信號進行分類獲得了較高的準確率（91.1%），初步驗證了在不同犬只之間建立同一個心房易顫性評估標準的可行性。此外，白寶丹[16]基于遞歸復雜網絡的研究還發現隨著心房易顫性增強，心房的混沌特性會發生改變，其研究基于多導聯心外膜信號預測房顫，準確率高達 99.86%。本文沿用其多導聯心外膜信號整體性分析方法去評估心房電生理狀態，并嘗試結合電生理知識通過 4 項計算量較小的指標詮釋心房電活動的變化，實現了心臟混沌系統變遷在低維時空的可解釋性。
但是，目前的研究還存在一定的局限性。首先，本文的研究結果是通過動物實驗獲得的，犬房顫模型與臨床房顫之間的相似程度仍未可知。此外，這項研究使用的個體數量還遠遠不夠。因此，本文得出的結論還需要更多的動物實驗和臨床試驗進一步證實。
同時，本文的實驗為心外膜標測，雖然采集的數據直接反映了心房的電活動，但是需要開胸，創傷性大。在驗證房顫提前預測的可行性之后，本課題組后續將通過無創的體表心電數據開展相關研究。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
