基于独立心冲击信号的左心室收缩功能个体化评估方法与相关机理研究

Ballistocardiogram (BCG) signal is a measurement of the recoil forces of the body in reaction to cardiac ejection of blood into the vasculature, which achieved marked application achievements in unobtrusive cardiac function monitoring at home. Current assessment of left ventricular systolic function based on BCG signal was accomplished through the R-J interval from the synchronous ECG signal. Although the performance of this method was verified, the application of BCG signal was limited because of the multi-channel signals synchronous detection method. So we propose a method to assess the subject-specific left ventricular systolic function based on the single BCG signal. Firstly, build the subject-specific whole process mathematical model based on the generation of BCG signal, and illuminate the theory of evaluating the left ventricular systolic function with BCG. Secondly, take advantage of the information abstraction ability for deep neural network to extract the deep bottleneck feature (DBF), and explore the mechanism of characterizing the left ventricular systolic function. Finally, select the ICG signal as a golden standard, fit the curve of DBF parameters with different cardiac states for the specific subject, and then propose the method of subject-specific assessing the left ventricular systolic function. It is hoped that the research could provide the new thought for the clinical diagnosis and disease prediction based on BCG signal.

心冲击(Ballistocardiogram，BCG)信号做为一种非接触式检测人体心脏搏动传导至体表的振动信号，以其无感检测优势，成为日常心脏功能监测的先进技术手段。目前，基于BCG信号的左心室收缩功能分析方法，通常需要同步采集心电信号，共同构成R-J间期等联合特征，虽已验证了其表征性能，但多路信号同步采集的检测方式，极度削弱了BCG信号的无感监护优势。因此，本项目提出构建基于独立BCG信号的左心室收缩功能个体化评估方法。首先，搭建基于BCG信号产生全过程的个体化数学模型，阐明其独立评估左心室收缩功能的原理；其次，利用深度神经网络的底层信息抽取能力，提取BCG信号深瓶颈特征，探索其表征左心室收缩功能的机理；最终，以同步心阻抗图为金标准，拟合特定受试者不同心脏状态的深瓶颈特征曲线，进而构建其评估左心室收缩功能的个体化方法。期望该研究成果能够为BCG信号的临床诊断及相关疾病的预测提供新的思路。

本项目主要以心冲击(Ballistocardiogram, BCG)信号做为研究载体，探讨在日常生活中无感、实时、个体化监测人体心脏功能的方法。BCG信号是一种非接触式检测人体心脏搏动传导至体表的振动信号，以其无感检测优势，成为日常心脏功能监测的先进技术手段。本项目的主要研究内容包括：结合CT影像，搭建基于BCG信号产生全过程的个体化数学模型；利用深度神经网络的底层信息抽取能力，提取BCG信号深瓶颈特征；构建基于BCG信号的心脏功能个体化评估模型；将以上研究方法应用于房颤诊断中，并补充了BCG信号迁移学习算法、小样本BCG数据的深度自编码神经网络搭建，以及BCG信号非线性动力学特征的提取方法等研究，以解决应用过程中带标签数据量有限、检测准确率受限等实际问题。通过以上研究，有效实现了对特定受试者主动脉弓的个体化血流动力学建模，为BCG信号的心血管功能辅助诊断提供了理论依据；提出了基于BCG信号的深瓶颈特征、非线性拓普特征等新的特征参数，为BCG信号的实际应用提供了新的评估指标；设计了新型BCG信号特征融合深度神经网络模型，并与现有方法进行比较，有效提高了应用BCG信号自动诊断房颤的准确率。综上所述，本项目的研究结果实现了BCG信号在心脏疾病辅助诊断上的成功应用，并为其此后的临床实践及相关疾病的预测提供了可行的研究思路及研究方案。