季伟敏 唐士敏 何俊德 王学斌△ 祁章璇 尹 微△ 葛以山 罗显元△*

（1 南京医科大学附属苏州科技城医院心血管内科，江苏 苏州 215153；2 上海图灵医疗科技有限公司研发部，上海 200241；3 上海理工大学 医疗器械与食品学院医学影像处理实验室，上海 200093）

急性心肌梗死（acute myocardial infarction，AMI）是冠状动脉急性或持续性缺血缺氧引起的心肌坏死。心电图作为心脏疾病的常规检查，在诊断中有着重要的作用。由于对心电信号的获取、处理和阅读与医师的个人能力高度相关，在临床上有较大的局限性。当前对于心肌梗死患者的智能诊断的研究，主要是时频分析法[1]和神经网络法及主成分分析法（Principal Component Analysis，PCA），后者是在提取患者的心电数据参数PCA降维后利用神经网络进行分类，对于识别缺血心拍具有较高的敏感度和特异性[2]。Dasa等[3]利用神经网络、Cleveland数据库、概率模型等多种算法相结合进行心脏疾病的自动诊断，最终的准确率达到89.01%。但心电采集方法较为复杂，且心肌梗死患者在未发病或前期症状较轻时难以诊断[4-5]，因此该方面的研究进展较为缓慢。基于此，易力等[6]研究指出了心电动力学信号的数据特征分析及模式识别用于心肌缺血检测的方法。但其研究还处于初期探索，不能有效运用于临床筛查。因此，本文研究以确定学习理论为基础取得心电动力学数据，基于混沌学理论计算李雅普诺夫指数特征值，挖掘出更加敏感的量化指标以检测急性心肌梗死，以提供一种新的辅助方法。

1 资料与方法

1.1 一般资料 选取2017年12月至2019年3月南京医科大学附属苏州科技城医院心血管内科确诊的急性心肌梗死患者30例为样本研究对象，另选取同时期来院做健康体检的健康人30例为对照。其中，急性心肌梗死患者中男性20例，女性10例；年龄27～75岁，平均年龄（51±24）岁；健康人中男21例，女9例，年龄23～73岁，平均年龄（48±25）岁。一般资料两组患者差异不大（P＞0.05）。

1.2 采集心电数据 以南京医科大学附属苏州科技城医院的心电检测设备开展相关数据的收集。设备为：飞利浦12通道心电图机（Philips PageWriter TC10，共模抑制比≥89 dB，采样率每导联8 000点/秒）采集参与试验的健康人和急性心肌梗死患者的心电图数据，采集时间为12 s，采样速率是1 kHz（A/D）。按照研究要求，先对收集的心电信号进行标记，然后进行滤波、降噪等技术预处理，从而得到符合动力学计算输入要求的心电数据，为计算分析提供基础。

1.3 心电动力学李雅普诺夫指数特征值的计算 ①提取心电动力学数据：本项目的研究选择刻画心脏复极过程电活动的ST-T段数据作为对象进行截取，并进行数据转化得到心电向量数据ST-T环，再进行确定学习理论的计算提取心电动力学数据[7-8]。②计算心电动力学李雅普诺夫指数特征值。李雅普诺夫指数是一种观测变量数据之间的差异程度的特性指标[9]，可用以呈现心电动力学数据的空间差异的变化趋势。计算步骤：首先，对每一维度的心电动力学数据按时间顺序求得各数据点一类指数变化率然后对所有数据点的指数变化率采整合成一个量化指标的表征：取出当前第k步的非负增长系数集记为把jD；然后计算当前系数记为；最后进行所有步骤的平均运算作为离散度的平均运算，记为这一维度的李雅普诺夫指数特征值，用于表示空间离散度系数，t=1，2，…T；综合三个维度的空间离散度特征进行运算，得到最终的李雅普诺夫指数特征值。

1.4 统计学方法 本次研究使用SPSS21.0软件对相关数据进行分析，相关的计量数据采用（）的形式表示，分析方法采用独立样本的t检验，当P＜0.05时表示数据差异有显著性。

2 结果

对健康人和AMI患者的李雅普诺夫特征值进行独立样本t检验后，两组李雅普诺夫特征值的X维度分量、Z维度分量及总值差异有显著性，P＜0.05。见表1。

表1 健康人和急性心肌梗死患者李雅普诺夫特征值统计学分析结果

3 讨 论

本文根据确定学习理论取得心电信号动力学数据，利用混沌学理论[10]算法获取数据的混沌特征值作为量化指标，即基于心电动力学李雅普诺夫指数的急性心肌梗死辅助筛查的研究方法。通过对30例健康人和30例急性心肌梗死患者两种不同群体的统计学分析，显示两组李雅普诺夫特征值的X维度分量、Z维度分量及总值差异有显著性（P＜0.05），结果表明心电动力学李雅普诺夫指数特征值对心电信号中蕴含的心脏疾病特征具有敏感的表征能力。同时在不同分量上也表现出较大的差异性，说明在临床上有潜在的应用价值。无论是常规和动态心电图在针对不同类型心血管疾病时都会存在误诊漏诊现象，或者无法判断的情况[11-12]，而同源于心电信号的心电动力学李雅普诺夫指数特征值作为一种新的观察视角可给予有效的补充。由于研究时间和资源限制，在取样的人群、性别及数量方面不够丰富。随着计算机应用和大数据工具的普及，如能采集更丰富的数据进行更多研究，必将推动心脏疾病的临床辅助筛查进程。