动态心电图中的房颤自动检测及风险预测方法研究

作     者：陈昱廷 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：李强

授予年度：2023年

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 08[工学] 10[医学] 

主      题：心房颤动 动态心电图 RR间期 深度学习 

摘      要：心房颤动(简称房颤)是临床中最常见的心血管疾病之一,能够导致心力衰竭、中风等多种并发症,从而增加患者的死亡风险,严重影响人民的生命健康。动态心电图常被用于监测与记录房颤信号,是临床医生检测和诊断房颤的重要依据。但是大量的动态心电图数据将给医生带来沉重的工作负担,降低他们的工作效率。因此,需要房颤自动检测算法辅助临床医生快速准确地识别出房颤信号,以达到高效完成房颤检测的目的。目前的房颤自动检测算法存在数据标签依赖性大、短时程房颤检测精度低以及容易漏检房颤患者等不足。针对这些问题,本文利用动态心电图中的RR间期序列数据,开展了基于深度学习算法的房颤检测研究,提出了性能更好、临床实用性更高的房颤自动检测与房颤风险预测算法。本论文的主要研究内容及工作创新如下:1)基于半监督学习的房颤检测算法:目前的房颤自动检测算法需要大量有标签数据参与模型训练,但有标签数据的获取费时费力。因此,本文提出了一种半监督学习算法Mixed Mean Teacher。该算法分别在临床数据集和公共数据集上完成了性能评估,分别取得了97.9%和96.8%的准确率。通过对比两种有监督训练方法,表明本文的算法仅需要少量的有标签训练数据就能够取得良好的房颤检测性能,从而大大降低临床工作者的数据标注负担,具有很好的临床应用前景。2)基于信号分割的房颤检测算法:基于半监督房颤检测的结果,本文发现基于信号分类的房颤检测算法难以准确识别短时程房颤。因此,本文提出了一种新的基于信号分割的房颤自动检测算法。该算法使用UNet-LSTM作为房颤检测模型,能够实现单个RR间期水平的检测精度。在对19 227例24 h动态心电图数据的测试中,该算法取得了97.4%的灵敏度和99.5%的特异性,对于短时程房颤的识别率也达到了90%以上。最后,本文组织了一项临床观察性实验验证了信号分割算法的临床实用性。3)基于RR间期的房颤风险预测算法:房颤检测算法能够识别出房颤发作期间的患者,但无法有效筛查出房颤暂未发作的潜在患者。因此,本文提出了一种基于RR间期的房颤风险预测算法。该算法使用CNN-LSTM作为房颤风险预测模型,能够实现对潜在患者的房颤风险预测,并在社区场景和医院场景的测试中分别取得了83.4%和78.4%的准确率,达到了和其他房颤预测算法类似的性能。最后通过模型的可解释性分析,找到了和房颤风险相关的RR间期特征,并基于一项临床观察性实验验证了这些特征的有效性。总而言之,本文针对当前房颤自动检测研究中存在的不足,开发了相应的基于RR间期的深度学习算法与解决方案,并在大型临床数据集和常用公共数据集上进行了验证。最终的测试结果表明,本文所提出的房颤自动检测和风险预测算法不仅具有良好的性能和泛化能力,还具有良好的临床实用性。