T波交替的时域检测及心脏猝死危险分层预测研究

基于新构造的双隐层小波网络，并结合位置域与幅值和斜率判据来准确检测T波。对T波序列中相邻个体的时域变异特征参数进行量化分析，研究T波时域特征变异规律与T波交替阳性判据的关系，提出基于时域参数的T波交替阳性判据，定量检测T波交替。在此基础上，建立T波交替特征参数和心脏猝死事件跟踪数据库，结合T波交替谱分析方法，研究T波交替时域参数变化与心脏猝死危险性的规律，提出T波交替时域特征参数对心脏猝死危险分层的预测方案，为心脏猝死的无创预测提供时域分析的新途径和研究思路。

心脏猝死（Sudden Cardiac Death，SCD）是心血管疾病致死的主要原因。T波交替被看作是预测恶性心律失常和心脏猝死危险性的一个无创临床指标。本课题以morlet小波为小波元激励函数构建一种新的小波神经网络，具备从样本心电信号向期望心电信号非线性映射的能力，可对临床信号进行快速高效滤波。设计了二级心率调控方案，相对目前主流的一级心率调控方案，本方案获得的数据中TWA现象更为稳定和明显，提高临床数据采集的准确性和可靠性。通过对T波形态统计分析，归纳了四类典型T波：正向T波、倒向T波，抬升T波及双向T波，研究小波分析技术与T波幅值、斜率参数相结合来识别和检测T波的策略，提出一种基于小波－幅值－频率的T波准确检测算法，量化分析了T波序列中相邻个体的时域变异特征参数。深入研究了时域TWA检测的主流算法: 渐量修正平均法（MMA），针对MMA对T波对齐敏感这一缺陷，提出了基于T波时域参数的新的T波交替时域阳性判据，与MMA算法对临床数据检测的结果对比，两者测量结果的相关度达0.95，小样本试验结果显示其敏感性和特异性分别为70.3％和87.2％。累积了临床采集的300余名患者的1000多条记录，建立了T波交替特征参数和心脏猝死事件跟踪数据库，可作为广大心脏猝死事件研究和分析人员的临床数据源。统计分析并研究了T波交替时域参数变化与心脏猝死危险性的规律，初步建立多级的心脏猝死危险分层预测模型，提出了初步的基于此模型提出了五级预测法，将心脏猝死发生的危险级别划分为五层：超危级 )：必须马上住院治疗；高危级 )：必须使用ICD，并严格遵从医嘱；危险级 )：必须按时来医院检查；预危级 )：生活和工作中要遵循医生说明的注意事项；正常级( )。 为SCD预测系数。基于SCD预测小样本统计，本算法的敏感性和特异性分别达到70.3％和87.2％，优于采用左室射血分数预测SCD。虽然限于样本规模和临床时间较短，本预测模型稳定性还需要更多的临床实践检验和观察，甚至进一步修正，但其成效令人鼓舞，为心脏猝死的无创预测提供时域分析的提出了新途径。