基于加速度计的心脏监测中二尖瓣事件检测的深度神经网络研究

为解决心脏功能连续监测中人工瓣膜事件检测耗时且不适用于临床的问题，研究人员开展基于心外膜加速度计信号的深度神经网络（DNN）检测二尖瓣关闭（MVC）和开放（MVO）的研究，正确检测率分别为 87.5% 和 89.6%，为自动化心脏监测提供新方法。

　　

心脏是人体最重要的器官之一，其功能的精准监测对于疾病诊断和治疗至关重要。传统的心脏功能监测手段，如心电图（ECG）、脉搏指数连续心输出量（PiCCO）和动脉血压监测等，虽然在临床中广泛应用，但都存在一定的局限性。例如，这些方法无法直接反映心肌运动，且难以实现连续、实时的功能评估。随着技术的发展，小型化加速度计被植入心脏起搏导线，为心脏功能的连续监测提供了新途径。然而，从加速度信号中提取有价值的功能指标，需要准确检测心脏瓣膜事件（如二尖瓣和主动脉瓣的开闭），而传统的人工检测方法耗时、费力，且不适用于连续或家庭监测，因此急需一种 robust 且 accurate 的自动化方法。

在这样的背景下，挪威奥斯陆大学医院（The Intervention Centre, Oslo University Hospital, Rikshospitalet）和奥斯陆大学（University of Oslo）的研究人员开展了相关研究。他们开发并验证了一种基于深度神经网络（Deep Neural Network, DNN）的算法，用于从心外膜加速度计信号中自动检测二尖瓣关闭（Mitral Valve Closure, MVC）和开放（Mitral Valve Opening, MVO）事件，并提取相关功能指标，以评估心脏功能。该研究成果发表在《Scientific Reports》上。

研究人员主要采用了以下关键技术方法：

1. 动物实验与数据采集：使用 46 只动物（19 只犬和 27 只猪），在多种干预措施（如肾上腺素输注、心肌缺血、右心室起搏等）下，同步记录左心室压力（LVP）和加速度信号，部分动物还记录了左心房压力（LAP）和左心室容积。
2. 深度学习模型构建：采用结合循环神经网络（RNN）、卷积神经网络（CNN）和注意力模块的 DNN 模型，利用加速度信号的幅值（ax2+ay2+az2）进行瓣膜事件检测，通过嵌套交叉验证确保模型的泛化能力。
3. 自动标注算法：基于左心室压力曲线，采用 “几何” 方法定义 MVC 和 MVO 的基准时间点，并在部分动物中通过左心室容积和左心房压力进行验证。

研究结果

1. 瓣膜事件检测性能

• 二尖瓣事件：在约 5900 个心跳中，MVO 和 MVC 的正确检测率分别为 89.6% 和 87.5%，平均绝对误差均为 13 ms。不同干预措施下，模型表现出较好的鲁棒性，如在右心室起搏（RVP）中检测率达 100%，但在左束支传导阻滞（LBBB）合并缺血时检测率较低（63% 左右）。
• 主动脉瓣事件：模型对主动脉瓣开放（AVO）和关闭（AVC）的检测误差更小（平均绝对误差分别为 9 ms 和 8 ms），与先前研究结果一致。

2. 左心室压力估计与功能指标提取

• 压力估计：基于检测到的瓣膜事件，通过调整参考压力曲线的相位和幅度，估计左心室压力曲线，与实测值的一致性较好（偏差为 - 16 至 17 mmHg），压力 - 位移环面积的相关性达 0.97。
• 功能指标：
  • 峰值早期收缩速度（Vpeak）：在心肌缺血时显著降低，与左心室搏功（LVSW）呈正相关（r=0.67）。
  • 收缩后位移（Post-Systolic Displacement, PSD）：正常情况下为负值，缺血时出现矛盾运动（正值），与缺血程度密切相关。
  • 压力 - 位移环面积（Pressure-Displacement Loop Area, PDLA）：缺血时显著减小，是敏感的缺血标志物（r=0.84）。
  • 压力 - 位移效率（Efficiency, Eff）：通过 PDLA 与累积位移的比值计算，缺血时效率减半，反映心肌做功能力下降。
  
  

3. 干预措施下的指标变化

不同干预措施引起的心脏功能变化在各指标中得到体现。例如，肾上腺素输注增加心率和收缩力，导致Vpeak和 PDLA 升高；而艾司洛尔（Esmolol）降低心率和收缩力，指标呈相反变化。缺血干预显著降低Vpeak和 PDLA，PSD 转为正值，Eff 下降，与 LVSW 的变化高度相关。

结论与讨论

本研究表明，深度神经网络能够仅通过心外膜加速度计信号，可靠地检测二尖瓣和主动脉瓣事件，自动提取的功能指标（如Vpeak、PSD、PDLA 和 Eff）能有效反映心脏功能的变化。该方法无需额外传感器（如 ECG），简化了监测流程，为连续、自主的心脏功能监测奠定了基础。

研究的创新点在于开发了基于左心室压力的二尖瓣事件自动标注算法，解决了深度学习模型训练所需的大规模标注数据问题，并首次在多种动物模型和干预措施中验证了模型的泛化能力。此外，提出的压力 - 位移效率指标为评估心肌做功提供了新视角。

尽管研究在动物模型中取得了成功，但向临床转化仍面临挑战，如人类患者中同步获取加速度计信号和有创压力数据以训练模型的难度。未来可探索结合影像学方法标注瓣膜事件，或开发不依赖传感器方向的功能指标。总体而言，该研究为心脏监测技术的革新提供了重要方向，有望在心脏手术监护、心力衰竭管理等领域发挥重要作用。