基于LSTM神经网络的桡动脉脉搏波分析：一种新型心力衰竭分类模型的开发与验证

本研究针对心力衰竭(HF)早期诊断的临床需求，创新性地采用长短期记忆网络(LSTM)分析桡动脉脉搏波信号，实现了健康人群、冠心病(CAD)和HF患者的三分类识别(准确率0.8595±0.0522)。通过SMOTE数据平衡和10折交叉验证，模型AUC达0.93365，SHAP分析揭示tf/6/tmax等时域特征的关键作用，为非侵入性心血管筛查提供了新范式。

　　

心血管疾病已成为全球公共卫生的重大挑战，其中心力衰竭(HF)因其高死亡率和高住院率备受关注。传统诊断依赖昂贵影像学检查，在资源有限地区难以普及。中医桡动脉脉诊蕴含丰富心血管信息，但传统方法依赖医师经验缺乏客观标准。如何将千年脉诊经验转化为量化指标？深度学习能否破解脉搏波中隐藏的疾病密码？这项发表于《BMC Medical Informatics and Decision Making》的研究给出了创新解决方案。

研究团队采用横断面设计，从上海中医药大学附属医院招募462名受试者（健康202人，CAD187人，HF73人）。使用SmartTCM-1采集桡动脉脉搏波（720Hz采样率），通过移动平均法提取t_0.8、t_0.9等创新时域参数，结合17个经典脉搏波特征（如h₁主波振幅、h₅重搏波振幅）。采用SMOTE算法解决数据不平衡问题，系统比较LSTM、CNN、GRU和Bi-LSTM四种深度学习模型，通过10折交叉验证评估性能，并利用SHAP框架解释模型决策机制。

数据特征分析

t-SNE可视化显示SMOTE生成的合成数据完美复现了原始数据的聚类结构，健康、CAD和HF组呈现特征性分布模式。

模型性能比较

LSTM以显著优势胜出：

• •

  测试集准确率85.87%，优于GRU(82.61%)和CNN(81.52%)

• •

  对CAD识别召回率高达94.3%，HF识别精度91.7%

• •

  10折验证显示稳定性能（平均准确率0.8595±0.0522）

关键特征解析

SHAP分析揭示：

1. 1.

   时相比值t_f/6/t_max对健康/CAD分类贡献最大

2. 2.

   潮波时间t₃/t₁是识别HF的最强预测因子

3. 3.

   主波持续时间t_max反映左心室射血功能

临床意义与局限性

该研究首次证明LSTM模型可从桡动脉脉搏波中提取HF特异性时域特征，其性能超越传统机器学习方法。创新性体现在：

1. 1.

   突破传统脉诊主观性局限，建立量化分析标准

2. 2.

   发现t_0.8/t_0.9等新型时相参数与心功能的相关性

3. 3.

   为可穿戴设备开发提供算法基础

研究存在单中心、样本量有限等不足，未来需开展多中心验证并探索轻量化模型部署。这项融合中医脉诊与现代AI的技术，或将成为心血管疾病筛查的重要补充手段，特别适用于基层医疗场景。