基于符号动力学与香农熵的房颤自动在线检测

背景心房颤动（Atrial Fibrillation, AF）是全球范围内最常见且最具致残性的心律失常类型，对发病率和死亡率具有重大影响。因此，及时识别AF对于预防急性及慢性心律紊乱至关重要。目的本研究旨在开发一种用于实时、自动检测心电图（ECG）中AF发作的方法。该方法基于RR间期，融合了非线性/线性整数滤波、符号动力学分析以及香农熵（Shannon entropy）的计算，并通过新型递归算法实现该方法的在线实时分析处理。结果选取了四个公开可获取的临床数据集进行研究：长期心房颤动数据库（Long-Term AF）、MIT-BIH心房颤动数据库（MIT-BIH AF）、MIT-BIH心律失常数据库（MIT-BIH Arrhythmia）以及MIT-BIH正常窦性心律数据库（MIT-BIH Normal Sinus Rhythm Database）。其中，第一个数据库用作训练集；根据受试者工作特征曲线（ROC曲线）分析，该方法在判别阈值为0.353时达到最优性能，此时灵敏度（Se）、特异性（Sp）、阳性预测值（PPV）和总体准确率（ACC）分别为96.72%、95.07%、96.61%和96.05%。其余三个数据库作为测试集使用。在采用该阈值（即0.353）的情况下，第二组数据的性能指标分别为96.89%、98.25%、97.62%和97.67%；第三组数据的对应值为97.33%、90.78%、55.29%和91.46%；第四组数据的特异性达到98.28%。同时，将本方法与现有其他技术进行了对比分析。结论总体而言，相较于现有各类方法，实验结果表明，所提出的新型检测方法在多个评估场景下均优于传统技术，表现出更优的性能。研究结果提示，该方法具有良好的临床应用前景，未来有望为临床医生提供实用的AF实时监测工具。