《Frontiers in Digital Health》：The autonomic-ventricular coherence index: a novel single-lead ECG method with acquisition-dependent discrimination
编辑推荐：
摘要专业翻译
背景： 自主神经调节与心脏电活动对正常心脏功能均至关重要，然而目前尚无直接方法从标准心电图中捕捉二者之间的相互作用。本文提出自主-心室相干指数（Autonomic-Ventricular Coherence Index，AVCI），一种单导联心电
摘要专业翻译
背景： 自主神经调节与心脏电活动对正常心脏功能均至关重要，然而目前尚无直接方法从标准心电图中捕捉二者之间的相互作用。本文提出自主-心室相干指数（Autonomic-Ventricular Coherence Index，AVCI），一种单导联心电图方法，用于测量RR间期变异性和QRS面积变异性之间的逐搏频谱相干。
方法： AVCI在来自三个PhysioNet数据库的74份记录上进行了开发和评估（MIT-BIH正常窦性心律数据库，n=18；BIDMC充血性心力衰竭数据库，n=15；MIT-BIH心律失常数据库，n=41），另有6份来自MIT-BIH长期心电图数据库的记录用于初步独立验证。相干性在高频段（0.15–0.40 Hz）内进行积分。由于各源数据库在采样率和记录时长上存在差异，AVCI分别在每个数据库的原始采集条件下以及采集标准化后进行了检验，标准化方案包括将所有记录统一为128 Hz和30分钟时长，并在统一采集条件下进一步上采样至360 Hz持续30分钟，同时应用了双层时长分层框架。分析代码可在https://github.com/JayaSreejai/AVCI.git获取。
结果： 在原始条件下，AVCI展现出区分充血性心力衰竭与正常窦性心律的高能力（AUC 0.844）。与SDNN类似，在标准化采集条件下其表现中等（NSR vs. CHF AUC 0.647；NSR vs. 全疾病 AUC 0.619）。在原始条件下，基于平衡数据集训练的机器学习模型表现良好（KNN准确率79.5%，ROC-AUC 85.7；SVM准确率79.0%，ROC-AUC 83.0），而在标准化条件下则产生一般水平的结果。R峰识别在不同QRS窗口间保持一致且准确（F1 0.892）。这些结果表明AVCI的诊断性能依赖于采集参数，尤其是采样率和记录时长。
结论： AVCI是一种实用且可理解的、从单导联心电图测量自主-心室耦合的指标。结合机器学习，它为更稳健和可解释的心血管诊断提供了一条有前景的路径。标准化的采集方案对于可靠的临床应用至关重要。
论文解读
一、研究背景与问题提出
心血管疾病（Cardiovascular Disease，CVD）是影响心脏和血管正常功能的疾病，其早期常见且易被忽视的症状包括胸部不适、心悸、头晕以及手足肿胀。根据世界卫生组织（WHO）的报告，心血管疾病是全球范围内的首要死因，每年导致近1790万人死亡。印度国家疾病负担倡议（由印度医学研究理事会领导）报告称，2016年心血管疾病占印度总死亡人数的28.1%，高于1990年的15.2%，其中缺血性心脏病是该国疾病负担的首要个体原因。
心血管疾病的诊断方法通常通过临床评估、影像学和实验室检查的组合进行，分为有创、微创和无创三类。传统诊断工具侧重于记录心脏的物理结构、节律和机械功能，如心电图（ECG）、超声心动图、负荷试验、心脏CT和心脏MRI。生物标志物因其能提供生理或病理过程的可量化测量而尤为重要。数字生物标志物是从数字化记录的生理或行为数据中获得的量化测量，其中心率变异性（Heart Rate Variability，HRV）是一种广泛使用的无创数字生物标志物，用于监测和预后评估。HRV测量心跳之间的时间关系，反映自主神经系统的活动，SDNN、RMSSD和LF/HF频谱功率等标准指标是交感-迷走平衡的公认标志物。
然而，现有方法存在明确的研究缺口。HRV仅考虑心搏间期的时间变异性，未能捕捉自主神经输入与心室形态逐搏变化之间的耦合交互作用。充血性心力衰竭（CHF）和室性异位搏动等情况已知会通过自主神经重构、交感张力增加和心室激活模式改变等机制中断这种自主-心室耦合。传统的相干分析方法或需要额外的生理信号、多导联记录，或需要精确的ECG特征定义（如可靠的T波检测），这些要求增加了系统复杂性并限制了实际应用。机器学习方法虽然能提升检测性能，但往往复杂、需要大量数据且缺乏生理可解释性。目前尚无方法仅用单导联心电图量化RR间期变异性与QRS面积变异性之间的频谱相干，这正是本研究的核心创新点。
二、研究内容与核心贡献
研究人员提出了自主-心室相干指数（AVCI），一种新颖的单导联心电图方法，基于频谱相干来量化自主神经调节与心室电活动之间的耦合关系。AVCI将RR间期变异性与QRS面积（形态学）变异性之间的计算相干性作为量化指标。该研究的主要贡献包括：首次引入AVCI这一单导联心电图方法，通过频域相干联合表征自主（RR间期）和心室（QRS形态）动力学；提出一种无需显式分离Q、S、T波成分且不丢失相干信息的特征提取方法；在原始记录环境和采集标准化环境中系统评估了AVCI区分心脏病理与正常窦性心律的能力；与传统的HRV测量进行了比较，表征了两者在不同条件下表现的差异；并在多个监督机器学习分类器上验证了AVCI特征。
三、关键技术方法
研究人员使用来自四个PhysioNet数据库共88份记录开展研究。三个数据集共81份记录用于方法开发：MIT-BIH正常窦性心律数据库（NSR，18份记录，约24小时，128 Hz采样率）作为健康对照组；BIDMC充血性心力衰竭数据库（CHFDB，15份记录，约20小时，250 Hz采样率）作为疾病组；MIT-BIH心律失常数据库（48份记录，30分钟，360 Hz采样率）包含各类心律失常患者。第四个数据集MIT-BIH长期心电图数据库（LTDB，7份记录，14–24小时，128 Hz采样率）用于初步独立验证。
主要技术方法包括：对原始ECG信号应用三阶Butterworth带通滤波器（0.5–40 Hz）以去除噪声，采用零相位滤波避免相位失真；R峰检测采用基于中位数和MAD（Median Absolute Deviation，中位数绝对偏差）的自适应阈值方法，最小峰间距设为250 ms不应期；QRS面积通过以每个R峰为中心对称的120 ms窗口内滤波后ECG绝对值信号的梯形积分计算；RR间期由连续R峰的时间差计算并转换为毫秒，排除400–1500 ms范围外的异常值；构建自主变异性信号V(t)（RR间期绝对逐搏变化）和心室电形态变异性信号C(t)（QRS面积绝对逐搏变化），两者经Z-score标准化后以1 Hz均匀时间网格线性插值重采样；采用Welch方法估计频谱相干，相干值在0.15–0.40 Hz高频段内积分得到AVCI值。由于源数据库在采样频率、时长和采集条件上存在差异，研究在原始条件、360 Hz/30分钟上采样条件、128 Hz/30分钟标准化条件以及时长分层两层分析框架下分别进行了评估。
四、研究结果
4.1 原始条件下的判别能力： 在原始记录条件下，AVCI展现出区分充血性心力衰竭与正常窦性心律的高判别能力（AUC 0.844），表明在原生采集环境中AVCI能有效识别心脏病理状态。
4.2 标准化条件下的表现： 在采集标准化条件下（统一为128 Hz和30分钟），AVCI的表现中等（NSR vs. CHF AUC 0.647；NSR vs. 全疾病 AUC 0.619），与SDNN的表现类似。这表明AVCI的诊断性能对采集参数具有依赖性。
4.3 机器学习分类性能： 在原始条件下，基于平衡数据集训练的机器学习模型表现良好，KNN分类器准确率79.5%、ROC-AUC 85.7，SVM分类器准确率79.0%、ROC-AUC 83.0。而在标准化条件下，机器学习模型仅产生一般水平的结果，进一步证实了采集条件对诊断性能的关键影响。
4.4 R峰检测验证： R峰识别使用来自MIT-BIH NSR和心律失常数据库（66份记录）的专家验证注释进行了验证，在±50 ms匹配容差下获得F1分数0.892、灵敏度0.973、阳性预测值（PPV）0.836。两段噪声极大的心律失常记录（107和217）解释了大部分跨记录变异性，移除后F1分数提升至0.910。
4.5 QRS窗口敏感性： 研究人员在原始和标准化条件下分别使用80、120、150和180 ms的QRS面积窗口计算AVCI，以评估对固定120 ms窗口的敏感性。
4.6 时长分层分析： 由于记录信号中观测时长不同，研究进行了时长分层两层分析：第一层（长时长，约19小时，NSR vs. CHF）和第二层（短时长，30分钟，NSR vs. MIT-BIH心律失常）。
五、讨论与结论
讨论部分指出，AVCI在原始条件下表现出色，但在采集标准化后与传统的HRV指标（如SDNN）表现相当，这表明AVCI的判别优势与采集参数密切相关，特别是采样率和记录时长。相干分析揭示了传统单信号HRV分析无法检测的生理连接信息。与需要多导联记录、额外生理信号或精确ECG特征定义的其他相干方法相比，AVCI仅需单导联即可实现自主-心室耦合的量化，具有更高的实用性和可解释性。
研究结论指出，AVCI是一种实用且可理解的、从单导联心电图测量自主-心室耦合的指标。结合机器学习，它为更稳健和可解释的心血管诊断提供了一条有前景的路径。标准化采集方案对于可靠的临床应用至关重要。该研究为未来开发可及的单导联心脏筛查工具提供了概念验证基础。
