《Sensors》:HRV-Based Surrogate Classification in Surgical Environments Using Personalised Labelling and Sequence Modelling
编辑推荐:
在手术环境中精确监测压力和工作负荷对于提高表现和患者安全至关重要。生理信号,特别是心率变异性(HRV),为客观和连续的压力评估提供了一种有前景的方法。然而,现有研究通常依赖于群体水平模型、有限的时间分析和可能无法反映现实世界泛化能力的评估策略。本研究提出了一种
在手术环境中精确监测压力和工作负荷对于提高表现和患者安全至关重要。生理信号,特别是心率变异性(HRV),为客观和连续的压力评估提供了一种有前景的方法。然而,现有研究通常依赖于群体水平模型、有限的时间分析和可能无法反映现实世界泛化能力的评估策略。本研究提出了一种端到端流程,用于在手术环境中基于HRV对HRV衍生的替代压力类状态进行分类,结合了个性化特征提取、替代标签生成和基于序列的深度学习。研究人员使用可穿戴传感器在真实的结直肠手术过程中从多位外科医生收集HRV数据,并将其处理为分钟级特征表示。使用受试者特定阈值生成压力标签,以考虑个体生理差异。基于序列的模型,包括卷积神经网络(CNN)和长短期记忆(LSTM)网络,在多个时间窗口长度和验证策略下进行了评估。结果表明,基于均值的正常R-R间期标准差(SDNN)提供了最一致的生理状态分离。表现最佳的模型最常与10-20分钟的时间窗口相关,而CNN和LSTM架构实现了相当的性能。值得注意的是,在该数据集中,留一受试者法(LOSO)验证产生的性能与合并随机分割相当,并且在某些配置下更高,突出了评估策略的影响和个性化标签的潜在好处。总体而言,这项工作表明,个性化的基于HRV的建模和时间序列分析可能为在真实手术环境中识别HRV衍生的压力类生理状态提供一种可行的方法。研究结果还强调了在开发生理机器学习系统时进行严格评估设计的重要性。
在手术环境中精确监测压力与工作负荷对于提升手术表现和患者安全具有重要意义。心率变异性(HRV,指心跳间隔的变化)作为自主神经系统的非侵入性指标,被广泛用于客观压力评估,但现有研究常受限于群体水平模型、缺乏时间动态分析以及不严谨的验证策略(如随机数据分割导致数据泄露)。为克服这些局限,本研究提出了一种端到端处理流程,整合了个性化特征提取、替代标签生成与基于序列的深度学习,旨在对手术环境中的HRV衍生压力类生理状态进行分类。该研究发表在《Sensors》期刊上。
**研究方法与技术关键**
研究人员从英国考文垂与沃里克大学医院NHS信托的7名顾问外科医生处,收集了27次结直肠手术过程中的HRV数据,使用Zephyr BioPatch可穿戴设备进行连续监测,并记录术前基线。数据预处理后,提取分钟级统计特征(均值、中位数、标准差等),并通过每位外科医生的基线SDNN(正常R-R间期标准差)均值设定个性化阈值,生成二元替代压力标签(低HRV为压力,高HRV为非压力)。采用无监督聚类(K-means和高斯混合模型GMM)探索特征空间,并与个性化标签比较一致性。随后,使用滑动窗口构建1、2、5、10、20分钟的时间序列,训练CNN和LSTM深度学习模型,并采用留一受试者法(LOSO)和70/30随机分割两种验证策略评估性能。主要性能指标包括准确率、F1分数、AUC等。
**研究结果**
**3.1 无监督聚类分析**
通过比较聚类结果与替代标签的一致性,发现基于均值的SDNN在28个最优配置中占39.3%,优于其他特征(如标准差、四分位距等),表明均值SDNN最稳定且能有效分离生理状态。K-means聚类比GMM更频繁地出现在最优配置中,提示对于本研究使用的SDNN特征,K-means提供了更稳定的聚类行为。
**3.2 序列构建与深度学习模型性能**
在LOSO验证下,CNN和LSTM模型在所有序列长度上均表现稳定。10分钟窗口的CNN达到最高平均F1分数(0.831±0.144),LSTM的F1分数为0.824±0.164。Friedman检验显示序列长度对模型性能无显著影响。Wilcoxon检验表明,在1、2、5、10分钟序列长度上CNN与LSTM无显著差异,20分钟时虽名义上显著但经Holm校正后不显著。在随机初始化鲁棒性分析中,10分钟CNN和LSTM模型在5个随机种子下表现稳定,LSTM训练时间更短(96.8秒 vs 154.2秒)。在个体外科医生层面,10-20分钟窗口更常出现在最优配置中,而较短序列长度(1-5分钟)在平均性能上略高,但个体差异明显。值得注意的是,LOSO验证的性能在多数配置下高于70/30随机分割,这与传统认知相反,可能源于个性化标签减少了受试者间变异。
**讨论与结论**
讨论部分指出,均值SDNN的稳定性与现有HRV文献一致,K-means在特征空间中的优势归因于其假设的球形簇结构。序列长度影响表明,10-20分钟窗口可能捕捉压力反应的渐进性变化。CNN与LSTM性能相当,提示简单CNN更适合实时监测。LOSO性能高于随机分割的意外结果,可能受个性化标签、小样本量及数据分布差异影响,但需更大数据集验证。局限性包括:替代标签非独立验证的心理压力、样本量小、数据噪声。未来需整合多模态信号、扩大样本并采用更先进模型。
**结论部分翻译**:本研究提出了一种端到端流程,用于在手术环境中基于HRV对HRV衍生的替代压力类生理状态进行分类,整合了个性化特征提取、替代标签生成和基于序列的建模。通过将生理信号处理与机器学习技术相结合,该框架展示了使用可穿戴HRV数据进行个性化机器学习分类HRV衍生替代生理状态的可行性。在本数据集中,发现基于均值的SDNN特别有效于区分生理状态。序列长度分析显示,表现最佳的模型最常与10-20分钟的长时间窗口相关,表明更宽的时间上下文可能改善压力相关生理模式的检测。此外,CNN和LSTM模型表现相当,提示模型架构可能不如特征表示和数据质量关键。一个有趣的观察是,LOSO验证产生的性能与合并随机分割相当,甚至更高。尽管个性化替代标签可能对此有贡献,但相对较小的队列和数据集特性意味着这一解释仍属假设,需在更大独立研究中确认。尽管结果令人鼓舞,但仍存在局限性,包括使用替代标签和数据集较小。未来工作应侧重于整合多模态数据源、扩大数据集并探索更先进的建模方法,以进一步提高鲁棒性和可解释性。总之,本研究作为概念验证,展示了在手术环境中使用个性化机器学习对HRV衍生替代压力类生理状态进行分类的可行性。通过强调个性化建模、扩展时间分析和严格评估,为生理监测和临床表现评估的未来研究奠定了基础。然而,在将该框架用于常规临床部署之前,需使用更大、更多样化的队列以及独立心理压力测量进行进一步验证。