基于心音幅值-间期序列多模态耦合分析的心脏舒张功能评估方法研究

It is of great significance for the diagnosis of heart failure with preserved ejection fraction to evaluate diastolic function and detect the degree of diastolic dysfunction, but now the existing method can not provide noninvasive, convenient and accurate measurement for diastolic function. Since heart sounds are closely related to cardiac hemodynamics, they could reflect the changes of ventricular relaxation and compliance that are the main influence on ventricular diastole. Therefore, this project propose study on diastolic function evaluation method based on heart sound amplitude-interval sequence multi-modal coupling analysis. Firstly, the relationship between heart sound multi-modal features and diastolic dysfunction classification will be investigated, to find the heart sound indexes which are used to evaluate the diastolic function. Then, the two-dimensional matrix makes up of several one-dimensional sequences such as the heart sound amplitude sequences and interval sequences is input into convolutional neural network, and then the obtained full connection and heart sound multi-modal features are integrated. Finally, machine learning will be used to detect the diastolic disorder to realize the classification of left ventricular diastolic dysfunction as well as the diagnosis of heart failure with preserved ejection fraction. The theoretical research of this project fills the vacancy of study that evaluates diastolic function from the perspective of cardiac inotropic action, and provides new idea and method for the study of the analysis of cardiac mechanical physiological activity as well as its application, which have important theoretical significance and broad application outlooks.

正确评价心脏舒张功能障碍及其严重程度对射血分数保留型心衰的临床诊断和治疗有重大意义，但目前尚缺乏简明和准确的舒张功能无创检测方法，鉴于心音与心脏血流动力关系紧密，能够反映影响心室舒张的主要因素包括心室弛张和顺应性的改变，因此，本项目提出基于心音幅值-间期序列多模态耦合分析的舒张功能评估方法研究，通过探究心音多模态特征与舒张功能障碍分级之间的关系，建立用于评估舒张功能的心音指标；通过将心音幅值序列和间期序列等一维序列组合成二维矩阵，采用卷积神经网络获得全连接，将其与心音多模态特征参数进行信息融合，最后通过机器学习的方法对心脏舒张功能异常进行检测，实现基于计算机辅助诊断的心脏舒张功能障碍分级，并应用于射血分数保留型心衰的鉴别。本项目的理论研究填补了从心脏变力性检测角度评估舒张功能的研究空缺，为心脏机械生理活动分析及其应用的研究提供了新思路和新方法，具有重要的理论意义和广阔的应用前景。

实现心脏舒张功能障碍检测对射血分数保留型心衰的早期诊疗有着重要的临床价值，基于心音与心脏血流动力学的关系，本项目研究了以下内容：1）采集了舒张功能障碍患者的心音和超声心动图数据；2）改进和优化了基于多级奇异值分解与压缩感知的心音信号预处理算法研究；3）基于心音时间序列构造了心音多尺度时间序列和心音特征序列，并对其进行时域、频域和非线性动力学特征提取与分析；4）进行了心音特征序列耦合分析新方法研究，并探究了心音幅值-间期序列变异性与左心室舒张功能异常之间的关系；5）将不同序列中提取的心音多域特征和从心音幅值-间期序列提取的深度特征通过机器学习建模，实现了基于心音的左心室舒张功能障碍分级与评估；6）基于深度学习建立了左心室舒张功能障碍鉴别模型，首先提出了一种基于深度卷积生成对抗网络的数据增强方法，对心音数据进行扩充，再基于卷积神经网络实现舒张功能障碍鉴别与分级，并在此基础上探究初期临床症状不明显的射血分数保留型心衰早期诊断方法。本项目研究发现：1）左心室舒张功能障碍早期，心音多尺度特征变化较常规的心音特征明显；2）心音特征序列的变异性改变能够提示左心室舒张功能障碍发生；3）以心音时间序列、心音多尺度时间序列和心音特征序列提取的多域特征构造的机器学习模型能够实现左心室舒张功能障碍诊断与分级；4）深度学习能改善计算机辅助诊断模型的性能，有望用于初期临床症状不明显的射血分数保留型心衰早期诊断。本项目的理论研究填补了从心脏变力性检测角度评估左心室舒张功能的研究空缺，研究成果将有望应用于左心室舒张功能障碍早期筛查和射血分数保留型心衰早期诊断，以决策临床诊疗，具有重要的理论意义和应用前景。本项目已发表SCI期刊论文8篇，EI期刊论文1篇，CSCD期刊论文1篇；申请中国发明专利1项，培养硕士研究生4名。