uCare RG10型情景動態監測儀在心血管病早期預警的研究

張聞多，吳健康，冀連營

(1國家衛計委北京醫院 心臟內科，北京100730;2中國科學院研究生院，北京100730)

0 前言

根據我國心血管病2008－2009年度報告，估計我國心腦血管病現患人數至少2.3億，現患心肌梗死至少200萬人，心腦血管病嚴重威脅著我國人民的生命、生活質量和國民經濟。美國心血管學會(AHA)主席Binkley教授認為，心腦血管病的診斷和治療必須借助于日常生活中的生理信號的連續檢測。他認為，現有醫院的儀器設備有三大致命缺點:一是采集不到一些低概率事件;二是不能測量心血管系統在日常生活中包括活動、工作、休息和睡眠時的生理反應;三是不能捕捉到生理信號的生理節奏的變化，而這些信號、特征和變化恰恰反映了病情的發展。

我們自2004年開始，提出了“有情景動態診療”(Context－aware diagnosis and management of cardiovascular diseases)的概念。認為心血管系統是一種由自主神經調控的復雜的動態系統，使用動態系統分析方法來評估其功能，是實現心血管早期診斷的有效方法。它可能實現我們“治未病”的夢想。但是，存在以下尚未解決的問題:心血管系統是復雜的動態系統，在醫院中測量器質性病變的傳統方法局限性很大。可能由于缺乏設備，現有研究和實驗往往在控制的實驗環境中，或假設滿足靜止或小運動量情景。這樣導致了兩個問題，一是實際情況與假設不符，二是離開了日常生活環境，達不到監測的目標，存在Binkley教授指出的三個局限性。我們提出，對心血管系統的監測和測量必須在日常生活、工作和運動中連續24小時進行，以測量心血管系統對日常生活中各種活動的生理反應，以及生理周期。這就要求同時測量心電圖、血壓、呼吸，以及相應的活動和環境等情景信息。

1 研究方法

1.1 研究對象

于2012年25－35歲成年人，經北京醫院健康查體排除慢性肺部及心腦血管疾病，其中男性五名，女性五名。

1.2 人體傳感網絡技術儀器

圖1 有情景動態監測儀和服務系統方框圖

uCare RG10型心電和運動監測儀和系統(圖1)。整個系統由三大部分組成:由患者佩戴的傳感器單元;由患者攜帶的計算設備，如智能手機;以及中心服務器。傳感器單元和計算設備組成用戶所需的監測儀。

傳感器單元的尺寸為56×32×16mm，重量為25g。兩個心電圖電極用導電布，消除了貼片會引起的皮膚過敏。手機與傳感器單元間經藍牙連接。數據處理和用戶交互在手機上完成。手機界面中有運動分析結果，心電圖、和報警信息發送的設置。手機向中心服務器定時發送佩戴者位置、心電和運動信息。發現異常時所有相關數據存入手機數據庫，并發往中心服務器。分別為佩戴者在地圖上的位置、心率和運動曲線、心電圖波形、運動和心電狀態。在地圖上，可以點擊何佩戴者圖標，穿戴式傳感器單元為低功耗微型傳感器嵌入式系統。它有兩類微型傳感器組成:(1)生理信號傳感器(心電圖、呼吸、血壓、體溫等);(2)情景傳感器(測運動的加速度計，測環境的溫度、噪聲傳感器，測心理的皮膚傳導計等)。傳感器單元將采集的生理信號和運動等情景信號通過藍才發給智能手機。機完成所有信弓處理:心電信號處理和異常檢測，運動信號處理、運動分類和強度估計，心電和運動交叉分析等。。

1.3 應用uCare RGl0型心電和運動監測儀和系統對小區的10名健康者者的監測。這些健康者在某一小區內活動，他們都會出現在服務器的小地圖上，用一個具有標識號的圖標表示。每人佩戴有一個傳感器單元帶一個GPS的智能手機。傳感器單元上有單導聯心電圖和運動傳感器。使用運動傳感器數據，可以分類山躺、坐、站、是、跑、摔、坐起、站起、坐下、躺下等運動類型，以及運動強度和步頻。

2 研究結果

2.1 心電圖自動分類

心電圖自動分析方法包括了心電圖中的噪聲去除，QRS波定位，R－R間期和心率計算和室性早搏的自動檢測。

由于動態心電圖伴隨著被測者的日常活動，而日?；顒釉谝欢ǔ潭壬蠒o心電圖帶來干擾，為了準確分析被測者心電圖，在自動檢測心電圖之前，對被測者的心電圖信號進行了噪聲去除處理。噪聲去除處理采用了心電圖自動處理領域廣泛使用的離散小波變換方法。離散小波變換將不需要的基線漂移和高頻率噪聲移除后，可以使得心電信號的分析更為準確可靠。

考慮到心電信號的多樣性和動態變化性，本QRS波定位方法采用了自適應門限檢測方法，把長時間記錄的被測者心電圖數據分成小的時間段依次處理。該方法不依賴于被測者自身的心電圖特征而能夠準確定位其QRS波位置。同時，對噪聲去除后的心電圖信號做了進一步處理，以抑制心電圖波中幅值較大的P波和T波，并凸顯QRS波中的R波，進一步提高檢測的正確率。自適應門限的門限定義如(1)式所示。

其中，PS為QRS波的R波峰值更新量，PN為其他雜波峰值更新量;TP_PN，TP_PS，FP_PN，FP_PN和λ均為常數;RPeakValue為當前檢測得到的R波峰值，noisePeakValue為當前檢測得到的雜波峰值;Th為判決門限值，若有新的R波峰值高于該值，則認為該峰值為當前檢測心電圖段的R波。

在檢測得到R波位置之后，就可以根據相鄰兩個R波之間的時間間隔計算RR間期。得到RR間期之后，就可以按照醫學上計算心率的方法得到被測者的心率，如式(2)所示，其中HR為被測者心率，單位為“次/分鐘”，RRInterval為相鄰兩個R波之間的時間間隔，單位為“秒”。

同時提出了室性早搏自動檢測方法。室性早搏作為心臟功能異常的一種表現，具有鮮明的特征，例如QRS寬度增大，R波幅值增高，RR間期縮短等。提出的室性早搏自動檢測方法同時采用了模板匹配和特征融合的方法，該方法經試驗證明具有很高的正確率和實用價值。

首先，考慮到室性早搏形狀上的相似性，方法提取了4個模板，分別對應一個正常的R波正向的心電波形，一個正常的R波倒立的心電波形，一個R波正向的室性早搏波形，一個R波倒立的室性早搏波形。待檢測的波形與4個模板中的某一個的距離越近，表明該波形與該模板的相似度越高，其中距離的定義式如式(3)所示。

其中sig表示一個周期的心電波形，tem表示模板波形，N為心電波形周期的時間長度。為了確保距離計算的準確度，預先已經將待檢測的心電波形與模板的中心，即R波位置對齊，并做歸一化處理。

考慮到室性早搏的特征，室性早搏檢測方法定義了三個比值量，分別為QRS寬度比，R波幅值比和RR間期比，如式(4)－(6)所示。其中QRS寬度比定義為0.1秒與當前檢測的QRS寬度比，這是因為正常的QRS寬度絕大多數在0.1秒以內，R波幅值比定義為當前R波幅值與上一個波形的R波幅值比，RR間期比為當前RR間期與上一個RR間期之比。

考慮到室性早搏的特征，可以得到，如果出現室性早搏，式(4)－(6)的值均會小于1，而如果是正常波形的話，這個值會大于1。由此這里的室性早搏檢測方法定義了最終判別的距離，考慮到室性早搏的特征信息，將式(4)－(6)作為計算當前周期的心電波形到室性早搏模板距離的乘性因子。這樣，一旦被測者出現室性早搏，其到室性早搏模板的距離進一步減小，而如果是正常波形，則到室性模板的距離被拉大，從而增加了判決距離，提供了穩定性。最終判決的式如式(7)－(9)，其中式(7)定義了到正常模板的距離計算方法，式(8)定義了到室性早搏模板距離的計算方法，C為一個常數，式(9)則是判斷當前檢測的波形是否是室性早搏的依據式，如果式(8)計算的結果小于式(7)計算的結果，則表明當前波形與室性早搏的相似度高于與正常波形的相似度，因此該波形被判斷為室性早搏，否則認為是正常波形。

2.2 運動分類

在動態心血管疾病監測領域，被測者的心電圖的形態、心跳節律均與被測者自身的活動具有高度相關性。典型的例子是當被測者的活動強度增大時，心跳節律會加快。為此，提出了在記錄被測者的心電圖的同時，采集被測者的活動數據，以在分析被測者的心血管疾病時提供診斷的活動情景信息。這里的活動分類方法分為四個步驟，即數據采集，數據預處理，特征提取和決策分類，如圖1所示。運動分類和強度模塊302自數據獲取、存儲和傳輸單元200獲得活動數據后，對數據做初步的濾波預處理，提取不同活動類型對應的特征數據，最后依據這些特征數據做出分類決策，判斷被測者當前的活動類型。以下以示范例之一“放置在胸前的三軸加速計”所采用分類方法為例，對運動分類方法進行具體描述。

圖2

數據分析方法和軟件單元讀取到活動數據后，需要對數據做濾波預處理，以便更好地提取活動特征和做出分類決策。由于加速計同時感應重力加速度和被測者活動加速度，因此需要將二者分離。這里采用了一個100階，截止頻率為0.5Hz的FIR低通濾波器將重力加速度和被測者活動加速度分離，如式(10)所示。其中k代表軸的編號，取值為1－3，分別代表x，y和z軸。ar，k為第k軸的原始數據，ag，k為第k軸的重力加速度，am，k為被測者活動加速度，b為濾波器系數，N為濾波器階數，即100。活動分類方法提出了三種特征分別描述被測者活動強度，身體姿態和過渡活動。這些特征為信號幅度面積，加速度計軸與重力方向的夾角和累積變化量，其中信號幅度面積用于描述被測者活動強度，該值越大，表明被測者活動強度越大;加速度計軸與重力方向夾角表明被測者軀干與地平面的夾角，依據該特征能夠判別被測者是處在躺、坐或立的哪一種姿態;累積變化量是我們提出來的一種用于描述被測者姿態變化時的獨創性特征，能夠依據該特征判別當前被測者的姿態轉變類型。特征的定義如式(11)－(13)所示，其中SMA為信號幅度面積，θk為第k軸與重力方向的夾角，AVk為第k軸的累積變化量。所有特征都是在窗口時間N內提取得到，N大小為1s。

本活動分類方法的另一個特點是在進行分類判決時是考慮到了人體運動生理學限制，即在有限的時間內，某些活動狀態不能轉變為另外的一些活動狀態。由此，在對人體9種最為常見的活動(躺，起身，坐，躺下，起立，站，坐下，走，跑)進行分類時，采用了如圖6的狀態轉變拓撲結構，該拓撲結構表明了依據運動生理學限制，在1秒的窗口時間內的狀態轉變方式。依據該拓撲結構，本活動分類方法提出了采用醫學上廣泛使用的概率決策模型來進行分類決策。

首先，依據活動狀態轉變拓撲結構，提出了采用狀態轉移概率描述狀態相互轉變的可能性。同時由狀態轉變拓撲結構，決定當前狀態的因素有2個，分別是當前的特征和之前的活動類型。而影響當前活動狀態的之前的活動類型則主要是由時間上鄰近的活動狀態，即時間鄰近的動態狀態(走，跑)，靜態姿勢(躺，坐，站)和過渡活動狀態(起身，躺下，起立，坐下)。由此，得出當前狀態的計算概率方法，如式(14)所示。

其中，Sc為當前活動狀態，為鄰近的動態狀態，為鄰近的靜態姿勢，為鄰近的過渡活動狀態，OO為當前時間窗口內提取的特征。依據式(14)，在進行分類判決時，選擇所有9個狀態中概率值最大的活動類型作為當前狀態，如式(15)所示。依據式(15)，就可以判決出被測者當前處理的時間窗口內的活動狀態。

2.3 運動情景下的心率變異性

心率變異性(Heart Rate Variation，HRV)是一種生理現象，指心跳的時間間隔隨時間的變化，用于評估自主神經系統的功能，并進一步評估心源性致死因素。心率變異性降低對心梗、高血壓、心律失常、糖尿病都有指示作用。我們的動態心率變異性分析的第一步是使用運動信息分割心率時間序列，如圖2所示。

圖3 使用運動信息(下圖)分割由心電圖產生的心率時間序列(上圖)

圖4 去除心率時間序列中的突發干擾，得到下圖中的心率時間序列，由此計算各種運動狀態下的心率變異度

2.4 運動中的心臟動態變化評估和ST段特征度量

在動態運動情況下，引起心血管系統增加對肌肉組織的供血和供氧，從而引起心臟的動態變化，反應為心率增加，ECG波形形態變化。運動中心臟動態變化分析是指根據運動類型和運動強度不同，評估ECG波形和心率的變化情況。這主要通過定義各種量化評估指標以及參考值來完成，這些指標主要包括基于運動強度的心率、ST段波形、QT長度、QRS寬度度量。這些指標反映了運動中心血管系統狀態，對優化運動鍛煉和訓練效果、檢測心律失常、預防運動猝死有重要意義。

圖5 十個人在不同運動狀態下的心率變異性。藍色為休息時的心率。紅色實線是未經處理的運動情形下的心率變異性，紅色虛線是處理后的運動情形下的心率變異性。同時顯現出運動強度大，心率變異性小的規律

我們提出了三種ST段特征度量，來表征心血管系統的動態特性，和檢測可能疾病。其方法和實驗結果如圖6。

圖6 ST段特征提取的第一步:ECG波形處理，檢測ST段，形成ST段時間序列(上圖)。第二步，將ST段時間序列分解為Trend、Fluctuation、和Outlier三個分量，如圖中第二、三、四個圖

三個特征度量分別為:

* The amplitude of trend is used to measure Con-tinuous Level Deviation(CLD):

AMCLD=max(trend)–Min(Trend)

*The Sparse Abrupt Event(SAE)is measured by number of outliers within a certain time period.

NUMSAE=Number of Outrlier

*The Random Detrended Fluctuation(RDF)of the ST time series is measured by the standard deviation of the fluctuation component:

其實驗結果如圖7所示。

圖7 CLD度量統計。圖中三個分別為MIT病人數據庫中的22個數據、我們實驗中10個健康人休息時和運動時的ST段水平偏移量。其中方框中的橫線是均值，方框中有50%的分布，所有分布均在上下兩個橫線中?？梢姡\動對健康人的ST段偏移影響不大

圖8 ST方差與運動的關系。左圖中，ST方差隨運動強度的增加而增加，經心率修正后仍然如此。右圖中，美國麻省理工(MIT)數據庫中的病人數據是在輕度運動情形下，最右邊的是大運動量情況。因此，ST方差隨運動量的增加而增加

3 討論

血壓變異性(BPV)是指一定時間內血壓波動的程度，是體內神經內分泌動態調節綜合平衡的結果。血壓變異性是人類血壓的最基本的生理特征之一。2010年3月，有研究結果顯示，即使平均血壓正常，但偶爾有血壓升高的情況，也可能是導致腦卒中的一個危險因素，其危險性甚至比那些平均血壓很高，但血壓水平一直處于平穩狀態的情況還要嚴重。即血壓變異性越大，對重要器官，如心臟、腎臟和腦的影響就越大。有研究者認為，血壓與被測者的狀態緊密相關，必須考慮被測者的運動、心情等狀態，也必須考慮被測者的生理周期:凌晨和中午的血壓及其變異性是不一樣的。其次，目前的充氣式血壓測量不適合連續血壓測量，即使測量單次血壓，也必須作5次以上的測量，再求平均。荷蘭醫學科學中心的研究認為，脈壓已被認為是腦卒中和冠心病的指標，其意義是反應血管硬度。血壓變異性對腦卒中的預測指標還需進一步研究。

心率變異性也是腦卒中和冠心病等高致死率心腦血管病的早期預警指標。相當多的研究表明，心率變異性與冠心病等有緊密聯系。在對163個對象進行的試驗中發現，低水平HRV與所有冠狀動脈硬化癥高度相關。也觀測到了冠心病患者的HRV時域指標和運動后的心率恢復能力的降低。Leschka等使用64－MDCT血管造影對114個動脈血管狹窄病人進行檢查，發現其檢查結果與HRV的非常一致。然而，心率變異性反映了中央自主神經系統的調控能力，在很大程度上受運動和人的心理狀態影響。以往的心率變異性分析都沒有考慮到這些影響，導致心率變異性穩定性不好，至今未獲實際應用。加拿大渥太華大學的Seely教授開創了“連續個性化多器官特征變異性分析”(CIMVATM)。它連續測量心電、呼吸等信號，轉換成標準的個性化的多器官特征變異性參數，在ICU提前24小時預測感染，降低了死亡率。

我們的研究首次通過人體傳感網絡技術儀器創建了心電圖自動分類數據模型和通過人體傳感網絡技術提取活動特征和做出運動分類的數據模型。該數據模型具有操作簡單，設備輕便，易于操作，并且通過該數據模型首次引入了不同運動類型，以及運動強度和步頻。避免了與實際情況與假設不符和離開了日常生活環境的缺陷，即動態真實的測量了健康人不同運動下下的心率變異性顯現出運動強度大，心率變異性小的規律;測量健康人休息時和運動時的ST段水平偏移量，ST方差與運動的關系，ST方差隨運動強度的增加而增加，經心率修正后仍然如此;心肌缺血病人ST段水平偏移量高于健康人，而運動對健康人的ST段偏移影響不大。

我們提出的測量有如下特點:(1)基于情景，特別是運動情景的度量。使用先進的運動分類和估計方法，一方面，保證在穩定的運動狀態下分析相應的度量，另一方面，使用不同的運動類型和強度下的度量，推導出這些度量的動態特性，增加了一類特征度量。(2)把生理周期作為一個新的維度，豐富了這些特征度量的內涵。(3)綜合所有特征，組成“心血管系統綜合動態性能指標”(Cardiovascular System Indices CSI)。

5 總結

我們提出了“有情景動態診療”的概念，進行了相應的研究工作，心血管系統是復雜的動態系統，必須通過有情景動態監測和基于動態系統理論的有情景數據融合方法來評估其系統功能，才能達到對心血管病的早期診斷和預警。

［1］Philip F.Binkley，et al.The Next Era of Examination and Management of the Patient with Cardiovascular Disease，IEEE Engineering In Medicine and Biology Magazine，2003，6:23－24

［2］J.K.Wu，et al.Ambulatory Examination and Management of CVD Patients，the 2007 IEEE Biomedical Circuits and Systems Conference，Montreal，Canada.2007，11;27－30

［3］吳健康等。心血管病動態監測和評估系統。中國衛生信息管理雜志。2011，08(5):43－47.

［4］Aiguang Li，et al.Real－Time Physical Activity Classification Using Single Accelerometer.Asia－Pacific Signal and Information Processing Association Annual Summit and Conference 2010.Biopolis，Singapore.2010，12:14－17，.

［5］Ji Lianying，et al.Activity－Aware HRV analysis.2011 IEEE International Conference on Systems，Man，and Cybernetics。2011

［6］Shaofeng Wang，et al.Body Sensor Networks for Ubiquitous Healthcare.Journal of Control Theory and Application.2011，9(1):3–9.

［7］Rothwell PM et al.Prognostic significance of visit－tovisit variability，maximum systolic blood pressure，and episodic hypertension.Lancet 2010，375:895–905.

［8］Joep Lagro.Prognostic significance of blood－pressure variability:Lancet 2010，376:413－414

［9］Alexandre Benjo，et al.Pulse Pressure Is an Age－Independent Predictor of Stroke Development After Cardiac Surgery，Hypertension.2007，50:630－635

［10］Helen M.Colhoun，et al.The Association of Heart－Rate Variability with Cardiovascular Risk Factors and Coronary Artery Calcification，Diabetes Care.June 2001，24(6):1108－1114.

［11］Y.Turker，et al.Heart rate variability and heart rate recovery in patients with coronary artery ectasia，Coronary Artery Disease:January 2010，21(1):8－12.

［12］S.Leschka，et al.Effect of Decrease in Heart Rate Variability on the Diagnostic Accuracy of 64－MDCT Coronary Angiography，American Journal of Roentgenology 2008，190:1583－1590.

［13］Andrew JE Seely，et al.Complex systems and the technology of variability analysis，Critical Care 2004，8:R367－R384.