应用计算机模拟计算不同心率时心脏功能的指标值
基于双谱特征提取和卷积神经网络的心音分类算法
基于双谱特征提取和卷积神经网络的心音分类算法目录1. 内容概要 (2)1.1 研究背景 (2)1.2 研究目的与意义 (3)1.3 文献综述 (4)2. 心音信号处理基础 (6)2.1 心音信号简介 (9)2.2 心音信号采集与预处理 (10)2.3 心音信号分析方法 (12)3. 双谱特征提取 (12)3.1 双谱定义与性质 (14)3.2 心音信号双谱特征提取方法 (15)3.3 特征提取效果评估 (16)4. 卷积神经网络基础 (18)4.1 卷积神经网络概述 (19)4.2 卷积神经网络结构 (20)4.3 卷积神经网络训练策略 (22)5. 基于双谱特征提取的卷积神经网络心音分类算法 (23)5.1 算法整体架构 (25)5.2 双谱特征输入层 (26)5.3 卷积层与池化层 (28)5.4 全连接层与输出层 (29)5.5 损失函数与优化器选择 (30)6. 实验设计与结果分析 (31)6.1 实验数据集介绍 (33)6.2 实验参数设置 (34)6.3 实验结果展示 (35)6.4 结果分析 (37)7. 结论与展望 (38)7.1 研究成果总结 (40)7.2 研究不足与局限 (41)7.3 未来研究方向展望 (42)1. 内容概要本文档旨在介绍一种采用双谱特征提取与卷积神经网络（CNN）架构相结合的心音分类算法。
核心目标是通过分析心音信号的频域特性来提升心脏疾病的识别准确率。
该算法由三部分组成：首先，通过傅里叶变换计算心音的双谱数据，这些数据包含了声音信号的频率和时间分布特征；其次，利用卷积神经网络对双谱数据进行深度学习，通过一系列卷积操作和池化层来提取局部和全局的特征；通过全连接层对这些特征进行分类，以识别不同类型的异常心音，例如心脏瓣膜病变、心律不齐等。
此算法旨在提供一个高效、准确的心音诊断工具，以协助医学专家诊断心脏疾病，优化个人健康管理和促进早期疾病检测。
1.1 研究背景随着医学科技的进步，心血管疾病的诊断对及时发现病情、制定有效治疗方案和提高患者生活质量具有重要意义。
24小时动态心电图
第 4 节24 小时动态心电图动态心电图（ ambulatory electrocardiograph, AECG）是指长时间连续记录的体表心电图， 1961 年由美国 NormanJ. Holter 发明问世，迄今临床中仍广泛将其称为“ Holter ”。
它能长时程连续、动态记录心电图，更易获得一过性心电变化（心律失常、心肌缺血），有助于明确症状与心电图改变和生活状态的关系，能对心律失常和心肌缺血做出定量分析，明确发生规律，指导治疗、估测预后。
一、动态心电图系统的基本构成动态心电图系统包括记录器、电极、导联线和回放分析系统。
记录器是核心部分，是通过导联线与受检者相连的、随身携带的心电信息采集和存储设备。
随着电子学和计算机技术的进步，记录器的记录介质从盒式磁带发展为电子硬盘、闪存卡和电子优盘。
由于闪光卡存储器的体积小，耗电低，具有记忆功能，克服了断电后数据丢失的缺点，成为目前临床上普遍应用的记录器。
业内人士认为电子优盘存储器是今后发展的方向。
回放分析系统采用性能良好的计算机或心电工作站通过专用的动态心电图分析软件浏览分析所记录的心电图形。
二、动态心电图的导联系统监测导联由单道、 3 导联发展到了 12 导联同步实时监测。
1.双极导联目前在国内普遍应用的是模拟常规导联的双极导联，常用模拟导联的解剖定位见表 7－4－1，最常用的是同步记录 CM1 、CM5 和 MaVF 三个导联。
表 7－ 4－ 1 动态心电图双极导联位置导联正极负极模拟 V1（CM1）右第四肋间胸骨旁 2.5cm 处右锁骨下窝中 1/3 处模拟 V2（CM2）左第四肋间胸骨旁 2.5cm 处右锁骨下窝中 1/3 处模拟 V5（CM5）左第五肋间腋前线左锁骨下窝中 1/3 处模拟 aVF（MaVF ）左腋前线肋缘左锁骨下窝内 1/3 处注：无干电极在右锁骨下窝外1/3 处，或右胸第五肋间腋前线或胸骨下段中部。
2. Mason-Linkar 导联随着记录器存储能力提高，同步记录图临床中应用逐渐增加。
心音特征智能分析在心血管功能评估和疾病诊断中的应用
㊃新概念㊃新疾病㊃新技术㊃心音特征智能分析在心血管功能评估和疾病诊断中的应用陈燕㊀蔡宁100853北京,中国人民解放军总医院第一医学中心麻醉科通信作者:陈燕,电子信箱:yanzicw@DOI:10.3969/j.issn.1007-5410.2024.01.014㊀㊀ʌ摘要ɔ㊀数字化心音与人工智能技术的结合可实现对心音进行精确地连续㊁定量分析和分类识别,使心音特征提取与融合分析在心脏血流动力学监测㊁心力衰竭分型诊断㊁先天性或风湿性心脏病分类㊁冠状动脉疾病检测等领域成为研究热点㊂本文综述心音特征智能分析在心血管功能评估和疾病诊断中的应用㊂ʌ关键词ɔ㊀心音特征;㊀心音分析;㊀人工智能;㊀心血管功能;㊀疾病诊断基金项目:国家自然科学基金(82172185)Application of heart sound features analysis in the evaluation of cardiovascular function anddiagnosis of cardiovascular diseases㊀Chen Yan,Cai NingDepartment of Anesthesiology,The First Medical Center,Chinese PLA General Hospital,Beijing100853,ChinaCorresponding author:Chen Yan,Email:yanzicw@ʌAbstractɔ㊀The combination of digital phonocardiogram and artificial intelligence enables accurate, continuous,and quantitative analysis and classification of the heart sound signals.Extraction and fusionanalysis of the heart sound features has become popular in monitoring of cardiac hemodynamics,typing the diagnosis of heart failure,classification of congenital or valvular heart disease,and detection of coronaryartery disease.In this paper,we will review the application of intelligent analysis of heart sound features in evaluating cardiovascular function and detecting cardiovascular diseases.ʌKey wordsɔ㊀Heart sound features;㊀Heart sound signals analysis;㊀Artificial intelligence; Cardiovascular function;㊀Diagnosis of diseasesFund program:National Natural Science Foundation of China(82172185)㊀㊀心音是人体重要的生理信号,含有能反映心血管功能状态的生理或病理信息,心音的频率与心脏各组织物理性质及心脏血流动力学变化有密切关系㊂近年来,随着可视化㊁数字化心音监测和计算机辅助心音分析技术的发展,可以获得心音定量的特征参数,利用神经网络深度学习提取心音信号中的病理信息,对不同信息特征进行心音分类,可以辅助诊断心血管疾病㊂人工智能(artificial intelligence,AI)技术的应用有助于心音分析的精准化和自动化,使心音信号特征提取与融合分析在心脏血流动力学监测㊁心力衰竭(简称 心衰 )分型诊断㊁先天性或风湿性心脏病分类㊁冠状动脉疾病检测㊁情感识别等领域成为研究热点[1-4]㊂本文就心音监测与分析技术的发展㊁心音特征分析在心血管功能评估和疾病早期诊断中的应用进行综述㊂1㊀心音监测与分析技术的发展基于智能手机的心音监测系统和包含心音心电信号同步监测的产品,如智能数字听诊器系统㊁EKO等已开始应用于临床[5-7]㊂孙柯等[8]设计了基于全可编程片上系统的异构实时心音心电采集系统,实现了可视化心音心电信号实时并行采集㊂Li等[9]采用可穿戴的心音心电同步传感器,通过模数转换器(analog-to-digital converter,ADC)将心音㊁心电变成数字信号并传入微处理器中,同时微处理器将所采集的数据通过低功耗蓝牙模块传输到智能手机,实时绘制心音心电信号的波形并存储信号数据㊂最近Guo等[10]研发了基于新型心音传感器的多通道可穿戴心音监测系统,包含有72路心音图(phonocardiogram,PCG)信号和1路心电图(electrocardiogram,ECG)信号,具有信号质量高㊁敏感性高和使用便携的优点㊂基于AI的远程心电监测已有效应用于老年慢性疾病㊁心血管疾病等患者危急心电事件的预警[11-12],心音传感器轻便㊁小型,采集的数据失真率低㊁稳定性高㊁抗干扰性强,并可无线传输与存储,是心音监测设备不断改进和优化的方向,将为心音心电监测的远程动态实时分析奠定基础㊂国内外学者在心音的降噪㊁分段㊁特征提取和分类等信号处理和分析技术上不断探索,如融合改进最小值控制递归平均和最优修正对数谱幅度估计的降噪方法能动态估计长时间采集的心音中的噪声,降低心音失真的风险;改进维奥拉积分方法提取心音信号包络和基于两次阈值函数选择的心音分段快速算法,提高了心音分段的正确率和精度㊂近年来随着计算机辅助心音分析技术的发展,在机器学习和信号处理算法上取得了快速进步,尤其是深度学习算法的应用,使心音分析能更好地预测心血管疾病[13],如基于单形进化算法优化的BP神经网络模型心音识别率达到95.96%[14],改进的PSO-BP神经网络算法提高了神经网络的收敛速度和精度,分类准确率达到96.67%[15],Deng等[16]采用梅尔频率倒谱系数(Mel-frequency cepstrum coefficient,MFCC)特征结合一阶和二阶差分特征作为卷积神经网络输入,提出新的心音分类方法,分类准确率达到98%㊂AI技术的应用有助于更加精准㊁自动地分析心音,使心音特征分析能用于对心血管功能状态的评估,尤其心音分类可以在心血管疾病的早期诊断中起到重要作用㊂2㊀心音与心血管功能评估1992年Bartels首次提出心音与血压的关系,近年来通过心音信号特征来估算血压取得了很大进展,使基于心音的血压估算成为一种无创㊁连续测量血压的新方法㊂Kapur 等[17]采用Piezo-accelerometer传感器和神经网络算法为危重症儿童提供了准确的血压监测(收缩压范围在58~173 mmHg)㊂Tang等[18]选取健康犬,以肾上腺素诱发心脏血流动力学发生改变,利用心音的幅度㊁能量和时间多个特征,借助反向传播(back propagation,BP)神经网络推算左心室收缩压,在收缩压100~280mmHg范围内,获得较好的估算结果,绝对误差均值为7.3mmHg㊂目前临床上广泛应用的无创血压测量方法是基于脉搏波传导时间(pulse wave transit time, PWTT)的血压计算方法,但Finnegan等[19]指出很多研究者误将脉搏到达时间作为PWTT进行统计,由于前者包括PWTT和射血前期,利用ECG和脉搏波估算的血压值会存在误差,而用心音信号来测量PWTT可以克服这一缺点㊂成谢锋等[20]采集健康志愿者主动脉瓣心音信号,以第一心音(S1)与第二心音(S2)峰值点时间间隔(heart sound time interval,HSTT)㊁S2峭度(K)为主要参数推导出血压计算公式,估算血压与实际测量值相比,收缩压和舒张压的平均误差分别为-0.401mmHg和-0.812mmHg,符合血压检测精确度评估标准㊂鉴于心音能实时反映心血管功能状态,由心音获得心率㊁血压,在无创㊁便携㊁连续监测机体血流动力学状态的方法中有其独特的优势㊂心音还能反映心脏收缩功能和后负荷的变化,用于评估左心室功能㊂Li等[9]采集同步的心音心电信号,计算的电机械激活时间(electromechanical activation time,EMAT)用于评估左心室收缩功能,诊断心衰(左心室射血分数<50%)的准确率高于N末端B型利钠肽原(N-terminal pro-B-type natriuretic peptide,NT-proBNP)㊂心音信号的舒张期与收缩期时限比还可以反映慢性心衰患者治疗后心功能改善情况㊂心衰的早期检测对及早采取治疗措施有重要意义,Gao 等[21]提出基于门控循环单元的心衰筛查模型,通过直接学习心音特征,能自动识别射血分数保留的心衰和射血分数降低的心衰,准确率可达98.82%,为心衰的早期分型诊断提供了新的有效方法㊂Moon等[22]采用经食管听诊器记录手术中患者的心音信号,发现麻黄碱和艾司洛尔主要引起S1明显变化,而苯肾上腺素和尼卡地平主要引起S2明显变化,且S2与外周血管阻力(systemic vascular resistance,SVR)变化密切相关,提示不同血管活性药物引起心血管功能变化时,由于心排血量㊁SVR相对变化的不同,可以引起心音特征变化的差异性,对差异特征进行提取和分析,有可能区分不同的血流动力学状态㊂新近Chen等[23]在失血性休克猪模型上采集心音信号,观察到S1和S2幅值㊁能量的下降与动脉血压下降趋势一致,尤其S2幅值㊁能量的下降与血压降低呈显著正相关,其变化早于心率㊁脉搏压变异度等传统血流动力学指标,因而心音有可能成为失血性休克早期诊断的一个新指标㊂3㊀心音与心血管疾病诊断人工听诊心音诊断是通过分析心音音调和音强,主要依赖医生经验的定性方法,但心音信号转化为可视化图形后,利用计算机辅助分析技术能获得心音定量的特征参数,有助于发现心音与相关疾病的关系,可作为心血管疾病的无创诊断方法㊂用于临床诊断的心音成分主要为S1和S2,心音周期的收缩期(S1到S2间期)和舒张期(S2到S1间期)时长㊁比例与心血管疾病的发生密切相关㊂在健康年轻人中可能出现第三心音(S3),但在40岁以上成人中出现S3通常是异常表现,可能与心房功能障碍㊁心室容量超负荷有关,S3能反映心排血量减少㊁心室射血分数降低㊁左心室肥厚以及进展性心衰中发生的舒张末压升高,对心衰诊断有很高的特异性㊂由于S3强度弱㊁频率低㊁持续时间短,人耳很难听到,但通过电子听诊器收集PCG波形,可以捕捉到S3㊂Cao等[24]利用植入式心音监测设备,识别S3预测心衰的能力明显优于常规听诊,并有客观㊁连续㊁自动和远程监控的优点㊂在正常心脏周期中不会出现第四心音(S4),其出现可能与舒张期心衰有关,通过监测心音信号波形变化能及时发现病理性S4的出现㊂近年来,深度学习在心电领域有了较快的发展和应用[25],AI技术与数字化心音的结合也使心音分类识别的准确性有了很大提高,通过训练传统机器学习分类器实现心音的分类,不同类型先天性心脏病(简称 先心病 )血流异常产生的心脏杂音,风湿性心脏病心脏瓣膜受损后血流紊乱引起的杂音,都能从心音信号特征的异常变化中分辨出来,从而帮助分类识别心脏疾病(图1)㊂Aziz等[26]利用机器学习对三种先心病(房间隔缺损㊁室间隔缺损㊁动脉导管未闭)的分类准确率为95.24%,Ghosh等[27]采用多类复合分类器对主动脉瓣狭窄㊁二尖瓣狭窄和二尖瓣关闭不全分类的敏感度分别为99.44%㊁98.66%和96.22%㊂Dargam 等[28]给予小鼠腺苷+高磷酸饮食,制作主动脉瓣钙化疾病模型,通过对健康小鼠和主动脉瓣钙化小鼠的心音分析,发现用S2识别主动脉瓣钙化有很高的准确性,受试者工作特征(receiver operating characteristic,ROC)曲线下面积为0.9593㊂深度学习是通过人工神经网络,模拟人脑工作机器学习的一个分支,深度学习智能算法利用神经网络自动学习提取特征,可以实现对心音的准确分类㊂在儿童左向右分流先心病基于深度学习计算机辅助的心音分析中,残差卷积回归神经网络分类模型较其他模型有更高的准确性,对四类先心病(房间隔缺损㊁室间隔缺损㊁动脉导管未闭和复合病变)识别的准确率为94%~99.4%㊂近年Alkhodari 等[29]对1000例患者的心音分析显示,采用卷积和循环神经网络对四种心脏瓣膜疾病(主动脉瓣狭窄㊁二尖瓣狭窄㊁二尖瓣关闭不全和二尖瓣脱垂)的分类准确率高达99.32%㊂图1㊀机器学习心音特征以分类识别心脏疾病示意图冠状动脉疾病(coronary artery disease,CAD)由于动脉管壁增厚和管腔狭窄使血流受阻,可产生特有的湍流声,湍流血流的声学特征可以被心音监测和识别㊂Larsen 等[30]对191例CAD 患者与955例非CAD 患者的心音进行比较,CAD 患者的S1和S2时频谱呈现明显差异,在S1和S2中期能量下降,舒张期和收缩期均在20~120Hz 频率范围能量增加,尤其是舒张期能量显著增加㊂CAD 患者心音舒张期低频能量增加的特点,提示其中可能含有可用于CAD 风险评估的信息,有待进一步的研究对心音能量谱变化进行分析,将可能用于临床对CAD 的辅助诊断和风险分层㊂4㊀心音与其他疾病检测心音信号中含有呼吸音(也称肺音)成分,利用卷积神经网络模型基于特征融合的方法可以分类识别肺音,由于不同肺疾病的肺音在信号波形㊁声谱图㊁梅尔频谱㊁色谱图上表现出不同特征,对肺音特征的分析可以辅助诊断肺疾病,如慢性阻塞性肺疾病㊁支气管扩张㊁上呼吸道感染㊁肺炎等,基于声谱图的肺音分类准确率最高可达99.1%[31]㊂进展性心衰患者植入左心室辅助装置(left ventricularassist device,LVAD)后,需要监测和评估设备工作情况和心脏功能,与床旁临床评估不同,心音监测可实现动态㊁实时㊁远程监测心脏功能,由于在心前区记录的心音中还包含机械泵工作的声音,可以早期发现机械泵故障㊁右心衰竭等LVAD 相关并发症[32]㊂心音信号还能用于情感识别,Cheng 等[4]对志愿者心音的线性和非线性特征进行提取分析,以心率变异性㊁舒张期和收缩期比值变异性作为情感评估指标,评估Valence(愉快和不愉快程度)㊁Arousal (兴奋和平静程度)以及Valence-Arousal 组合情感状态,心音特征对三种情感状态识别的准确率分别为96.87%,88.54%和81.25%㊂临床上各种身心疾病患者常会出现情绪改变㊁情感障碍,用心音辨识情感,为情感障碍的判断提供了新的客观指标,尤其对抑郁㊁焦虑等疾病患者可以起到辅助诊断或判断疗效的作用㊂5㊀小结随着心音监测和分析技术的快速发展,通过提取心音特征中的病理信息,捕捉异常心音变化,对心音信号进行实时㊁动态㊁定量分析和分类识别,可以用于对心血管功能状态的评估和疾病诊断㊂在连续监测心音时,如果发生急性心血管事件,心音的异常变化也能帮助临床判断心血管结构或功能发生的异常改变,因而心音特征分析在早期或突发心血管事件的预警监测中具有极高的应用价值㊂目前计算机辅助心音检测技术领域仍在不断探索,是未来发展的重点方向,同时临床真实场景下心音信号的无线采集㊁云存储与远程分析等技术也在发展中,借助AI 技术,使心音分类算法得到不断改进,实现对心音更精确的智能化分析,有望在心血管功能评估㊁疾病诊断和疗效判断中发挥更重要的作用㊂利益冲突:无参㊀考㊀文㊀献[1]孙伟,郭兴明,郑伊能.心音特征在慢性心力衰竭分型辅助诊断中的应用研究[J].中国生物医学工程学报,2018,37(5):537-544.DOI:10.3969/j.issn.0258-8021.2018.05.004.㊀Sun W,Guo XM,Zheng YN.Application of heart sound feature in the tying aided diagnosis of chronic heart failure[J].Chinese Journal of Biomedical Engineering,2018,37(5):537-544.DOI:10.3969/j.issn.0258-8021.2018.05.004.[2]谭朝文,王威廉,宗容,等.基于卷积神经网络的先心病心音信号分类算法[J].生物医学工程学杂志,2019,36(5):728-736,744.DOI:10.7507/1001-5515.201806031.㊀Tan ZW,Wang WL,Zong R,et al.Classification of heart sound signals in congenital heart disease based on convolutional neural network[J].Journal of Biomedical Engineering,2019,36(5):728-736,744.DOI:10.7507/1001-5515.201806031.[3]曾文入,王维博,王彬蓉,等.基于小波能量谱的先天或风湿性心脏病异常心音分类算法研究[J].航天医学与医学工程,2020,33(2):159-165.DOI:10.16289/ki.1002-0837.2020.02.010.㊀Zeng WR,Wang WB,Wang BR,et al.Research on abnormal heart sound classification algorithm based on wavelet energy spectrum in congenital or rheumatic heart disease [J].Space Medicine &Medical Engineering,2020,33(2):159-165.DOI:10.16289/ki.1002-0837.2020.02.010.[4]Cheng X,Wang Y,Dai S,et al.Heart sound signals can beused for emotion recognition[J].Sci Rep,2019,9(1):6486.DOI:10.1038/s41598-019-42826-2.[5]Lee SY,Huang PW,Chiou JR,et al.Electrocardiogram andphonocardiogram monitoring system for cardiac auscultation[J].IEEE Trans Biomed Circuits Syst,2019,13(6):1471-1482.DOI:10.1109/TBCAS.2019.2947694.[6]Chowdhury MEH,Khandakar A,Alzoubi K,et al.Real-timesmart-digital stethoscope system for heart diseases monitoring[J].Sensors(Basel),2019,19(12):2781.DOI:10.3390/s1*******.[7]Landgraf C,Goolkasian P and Crouch T. Wireless CardiacSensor ,U.S.Patent Appl.20180256061A1,Sept.13,2018.[8]孙柯,潘家华,姚如苹,等.基于APSoC的异构实时心音心电采集系统[J].云南大学学报(自然科学版),2020,42(6):1072-1079.DOI:10.7540/j.ynu.20190634.㊀Sun K,Pan JH,Yao RP,et al.Heterogeneous real-time heartsound and electrocardiogram acquisition system Based on APSoC[J].Journal of Yunnan University:Natural Sciences Edition,2020,42(6):1072-1079.DOI:10.7540/j.ynu.20190634.[9]Li XC,Liu XH,Liu LB,et al.Evaluation of left ventricularsystolic function using synchronized analysis of heart sounds andthe electrocardiogram[J].Heart Rhythm,2020,17(5Pt B):876-880.DOI:10.1016/j.hrthm.2020.01.025. [10]Guo B,Tang H,Xia S,et al.Development of a muti-channelwearable heart sound visualization system[J].J Pers Med,2022,12(12):2011.DOI:10.3390/jpm12122011. [11]欧阳微娜,王春梅,叶冰,等.基于5G+AI的远程动态实时心电监护技术在老年慢性疾病中的应用研究[J].中国心血管杂志,2022,27(5):455-458.DOI:10.3969/j.issn.1007-5410.2022.05.011.㊀Ouyang WN,Wang CM,Ye B,et al.Application of remotedynamic real-time ECG monitoring technology based on5G+AIin the elderly with chronic diseases[J].Chin J Cardiovasc Med,2022,27(5):455-458.DOI:10.3969/j.issn.1007-5410.2022.05.011.[12]吕煜焱,丁思霄,赵逸凡,等.人工智能化的远程心电监测在心血管疾病中的应用[J].中国心血管杂志,2020,25(3):270-273.DOI:10.3969/j.issn.1007-5410.2020.03.014.㊀Lyu YY,Ding SX,Zhao YF,et al.Application of remote ECGmonitoring with artificial intelligence in cardiovascular diseases[J].Chin J Cardiovasc Med,2020,25(3):270-273.DOI:10.3969/j.issn.1007-5410.2020.03.014.[13]Li S,Li F,Tang S,et al.A review of computer-aided heartsound detection techniques[J].Biomed Res Int,2020:5846191.DOI:10.1155/2020/5846191.[14]袁倩影,全海燕.基于新进化优化BP学习算法的心音识别方法[J].吉林大学学报(理学版),2020,58(5):1195-1201.DOI:10.13413/ki.jdxblxb.2019389.㊀Yuan QY,Quan HY.Heart sound recognition method based onnew evolutionary optimization BP learning algorithm[J].Journalof Jilin University(Science Edition),2020,58(5):1195-1201.DOI:10.13413/ki.jdxblxb.2019389. [15]周克良,刘亚亚.改进的PSO-BP神经网络算法在心音分类中的应用[J].制造业自动化,2020,42(10):17-25.DOI:1009-0134(2020)10-0017-05.㊀Zhou KL,Liu YY.Application of improved PSO-BP neuralnetwork algorithm in heart sound classification[J].Manufacturing Automation,2020,42(10):17-25.DOI:1009-0134(2020)10-0017-05.[16]Deng M,Meng T,Cao J,et al.Heart sound classification basedon improved MFCC features and convolutional recurrent neuralnetwork[J].Neural Netw,2020,130:22-32.DOI:10.1016/j.neunet.2020.06.015.[17]Kapur G,Chen L,Xu Y,et al.Noninvasive determination ofblood pressure by heart sound analysis compared with intra-arterial monitoring in critically ill children-a pilot study of a novelapproach[J].Pediatr Crit Care Med,2019,20(9):809-816.DOI:10.1097/PCC.0000000000001997.[18]Tang H,Zhang J,Chen H,et al.A non-invasive approach toinvestigation of ventricular blood pressure using cardiac soundfeatures[J].Physiol Meas,2017,38(2):289-309.DOI:10.1088/1361-6579/aa552a.[19]Finnegan E,Davidson S,Harford M,et al.Pulse arrival time asa surrogate of blood pressure[J].Sci Rep,2021,11(1):22767.DOI:10.1038/s41598-021-01358-4.[20]成谢锋,戴世诚,赵鹏军.基于心音信号的一种血压评估方法[J].物理学报,2020,69(14):148701-1-10.DOI:10.7498/aps.69.20200254.㊀Cheng XF,Dai SC,Zhao PJ.A blood pressure evaluationmethod based on heart sound signal[J].Acta Phys.Sin,2020,69(14):148701-1-10.DOI:10.7498/aps.69.20200254. [21]Gao S,Zheng Y,Guo X.Gated recurrent unit-based heart soundanalysis for heart failure screening[J].Biomed Eng Online,2020,19(1):3.DOI:10.1186/s12938-020-0747-x. [22]Moon YJ,Kim SH,Park YS,et al.Quantitative analysis of anintraoperative digitalized esophageal heart sound signal tospeculate on perturbed cardiovascular function[J].J Clin Med,2019,8(5):715.DOI:10.3390/jcm8050715. [23]Chen Y,Hou A,Wu X,et al.Assessing hemorrhagic shockseverity using the second heart sound determined fromphonocardiogram:A novel approach[J].Micromachines(Basel),2022,13(7):1027.DOI:10.3390/mi13071027.[24]Cao M,Gardner RS,Hariharan R,et al.Ambulatory monitoringof heart sounds via an implanted device is superior to auscultationfor prediction of heart failure events[J].J Card Fail,2020,26(2):151-159.DOI:10.1016/j.cardfail.2019.10.006. [25]吕婷婷,丁子建,袁亦方,等.深度学习在心电图自动诊断和预测心血管疾病中的应用[J].中国心血管杂志,2021,26(3):290-293.DOI:10.3969/j.issn.1007-5410.2021.03.018.㊀Lyu TT,Ding ZJ,Yuan YF,et al.Value of deep learning inautomatic diagnosis and prediction of cardiovascular diseases byelectrocardiogram[J].Chin J Cardiovasc Med,2021,26(3):290-293.DOI:10.3969/j.issn.1007-5410.2021.03.018. [26]Aziz S,Khan MU,Alhaisoni M,et al.Phonocardiogram signalprocessing for automatic diagnosis of congenital heart disordersthrough fusion of temporal and cepstral features[J].Sensors(Basel),2020,20(13):3790.DOI:10.3390/s2*******.[27]Ghosh SK,Ponnalagu RN,Tripathy RK,et al.Automateddetection of heart valve diseases using chirplet transform andmulticlass composite classifier with PCG signals[J].Comput BiolMed,2020,118:103632.DOI:10.1016/pbiomed.2020.103632.[28]Dargam V,Ng HH,Nasim S,et al.S2heart sound detectsaortic valve calcification independent of hemodynamic changes inmice[J].Front Cardiovasc Med,2022,9:809301.DOI:10.3389/fcvm.2022.809301.[29]Alkhodari M,Fraiwan L.Convolutional and recurrent neuralnetworks for the detection of valvular heart diseases inphonocardiogram recordings[J].Comput Methods ProgramsBiomed,2021,200:105940.DOI:10.1016/j.cmpb.2021.105940.[30]Larsen BS,Winther S,Nissen L,et al.Spectral analysis of heartsounds associated with coronary artery disease[J].PhysiolMeas,2021,42(10):105013.DOI:10.1088/1361-6579/ac2fb7.[31]Tariq Z,Shah SK,Lee Y.Feature-based fusion using CNN forlung and heart sound classification[J].Sensors(Basel),2022,22(4):1521.DOI:10.3390/s2*******.[32]Chen XJ,Laporte ET,Olsen C,et al.Heart sound analysis inindividuals supported with left ventricular assist devices[J].IEEE Trans Biomed Eng,2021,68(10):3009-3018.DOI:10.1109/TBME.2021.3060718.(收稿日期:2023-04-15)(本文编辑:谭潇)。
机能学虚拟实验报告(3篇)
第1篇一、实验目的1. 了解机能学实验的基本原理和方法。
2. 掌握计算机虚拟仿真技术在机能学实验中的应用。
3. 通过虚拟实验，加深对机能学知识的理解和掌握。
二、实验原理机能学实验是医学实验的重要组成部分，主要研究生物体的生命活动规律及其影响因素。
传统的机能学实验需要使用实验动物，操作复杂，成本高，且存在一定的伦理问题。
随着计算机虚拟仿真技术的发展，虚拟实验逐渐成为机能学实验的重要补充。
虚拟实验利用计算机技术，模拟真实实验环境，实现实验操作、数据采集、结果分析等功能。
通过虚拟实验，可以降低实验成本，减少实验动物的使用，提高实验效率。
三、实验内容本次实验采用虚拟仿真实验系统，主要包括以下内容：1. 实验动物模型：模拟真实动物模型，包括心脏、肺、肝、肾等器官。
2. 实验操作：模拟真实实验操作，如手术、给药、监测生理指标等。
3. 数据采集：模拟真实实验数据采集，如血压、心率、呼吸频率等。
4. 结果分析：模拟真实实验结果分析，如生理指标变化趋势、药物作用等。
四、实验步骤1. 启动虚拟仿真实验系统，选择实验动物模型。
2. 进行手术操作，模拟真实实验操作过程。
3. 给药，模拟真实实验给药过程。
4. 监测生理指标，模拟真实实验数据采集过程。
5. 分析实验结果，观察生理指标变化趋势。
五、实验结果与分析1. 实验结果通过虚拟实验，观察到实验动物在不同给药条件下，生理指标的变化情况。
例如，给予心脏药物后，心率、血压等指标发生明显变化。
2. 结果分析（1）心脏药物对心率的影响：给予心脏药物后，心率出现明显变化，说明该药物具有调节心率的作用。
（2）心脏药物对血压的影响：给予心脏药物后，血压出现明显变化，说明该药物具有调节血压的作用。
（3）药物作用机理分析：通过对实验结果的分析，推测该药物可能通过调节心脏自主神经系统的活性，影响心率、血压等生理指标。
六、实验结论1. 虚拟仿真实验系统可以有效地模拟真实实验环境，实现实验操作、数据采集、结果分析等功能。
心衰虚拟仿真实验报告
心衰虚拟仿真实验报告心衰，是指各种原因引起的心脏射血功能不全，临床上以心力衰竭为主要特征。
其主要特征是活动后心脏增大，负荷加重，心功能不全，慢性心衰，常合并其他心脏疾病。
由于心衰病因复杂且易与多种疾病相互影响引起临床症状和体征，严重影响患者生活质量和生命质量，已成为目前医学上面临的主要问题，严重威胁着患者和家庭幸福。
研究显示，心衰可发生在任何年龄阶段、任何种族及任何地区。
心衰是心血管病最严重、致残率和死亡率最高的疾病之一。
心衰临床表现复杂多变且难以治愈，心衰预后与其心功能密切相关。
心衰病因多样，常见危险因素包括高血压、高血糖、糖尿病、吸烟、肥胖、高脂血症、高尿酸血症、肥胖等。
目前心衰病因诊断主要基于实验室检查，主要包括血常规、生化、超声心动图、心肌酶谱等检查。
因此，在临床上除采用常规检查外，心衰病人还需采用心电图检查来早期发现患者患心衰后引起心动过缓和心力衰竭表现的各种病因：包括慢性心衰、心脏疾病家族史和严重的心律失常、心衰并发症等；并采用综合治疗方法控制心衰进展：包括心室重构和心排血量增加疗法对心衰患者起到稳定病情和减少并发症的作用（如使用血管紧张素转换酶抑制剂）以及改善心功能治疗。
一、实验目的通过在 SimpleCare平台模拟心衰常见症状和体征，学习心衰的基础知识和临床诊断技术。
了解心衰与心功能相关原理及临床应用。
明确心衰治疗方案。
进一步提高对心衰及相关并发症早期诊断、治疗、管理意识。
加强对心衰治疗方法及应用研究。
使学生掌握心衰相关知识及临床实践技能。
加强对学生临床思维能力的培养、提高学生应对突发事件及处理突发事件的能力。
实验主要目的：应用 SimpleCare平台模拟实验室中进行的实验项目：心衰患者心肌重构及心脏瓣膜重塑模型。
通过实验帮助学生了解心衰的病因；掌握正确处理患者病情变化并改善心功能表现的方法。
二、实验设备心脏机械辅助装置是以心脏为动力，通过机械泵输送血液，并在心脏运动过程中自动调节心脏的收缩与舒张功能。
疾病诊断中的计算机辅助诊断技术
疾病诊断中的计算机辅助诊断技术计算机辅助诊断技术是指在临床疾病诊断中使用计算机技术，通过对患者的医学影像、生理数据和病史资料等进行分析和处理，辅助医生进行精确的诊断，提高诊断的准确性和效率。
在现代医疗技术中，计算机辅助诊断技术已经逐渐成为一项重要的辅助工具，为临床诊断提供了更加准确和可靠的技术支持。
一、医学影像诊断医学影像诊断是指通过医学影像技术对人体内部的结构和病变进行分析和诊断的过程。
计算机辅助诊断技术在医学影像诊断中扮演者重要的角色。
目前，医学影像中的计算机辅助诊断技术主要包括以下几个方面：（一）计算机断层扫描(CT)诊断技术：CT技术是通过对人体各个不同方向进行X光成像，然后通过计算机对影像进行重建和处理，得到各个不同面位的人体器官的信息。
在CT数据的处理和分析过程中，计算机能够进行模拟手动旋转、平移和放大影像等操作，从而使医生能够更准确、更全面地了解病变的情况。
（二）磁共振成像(MRI)诊断技术：MRI技术是利用人体内水、脂肪等组织中的质子信号在强磁场作用下的共振现象进行成像。
MRI技术利用计算机对人体内部进行数字化处理和分析，提供了比CT技术更丰富和详细的人体结构图像。
在MRI数据的处理和分析过程中，计算机可以进行图像增强、噪声滤波等处理，帮助医生更好地分析和诊断病变。
（三）超声诊断技术：超声技术是通过对人体内部进行声波成像来获取人体器官和组织的结构和病变的技术。
计算机辅助技术可以对声波数据进行数字化处理和分析，提供更加准确和可靠的诊断结果。
在超声数据的处理和分析过程中，计算机可以对影像进行3D重建和模拟，帮助医生更好地观察病变的位置和形态。
二、生理数据分析生理数据分析是指通过对人体各种生理指标(如血压、心率、血糖等)进行采集和分析，帮助医生进行疾病的诊断和治疗。
计算机辅助诊断技术在生理数据分析中的应用主要包括以下几个方面：（一）心电图(EEG)分析技术：心电图是记录心脏电活动的一种方法，利用计算机可以对心电图数据进行处理和分析，帮助医生更加准确地诊断心脏疾病和各种心律失常。
215501235_应用连续动态左心功能指标的变化辅助ＣＰＥＴ评价个体化精准运动整体方案管控慢病疗效
应用连续动态左心功能指标的变化辅助ＣＰＥＴ评价个体化精准运动整体方案管控慢病疗效的临床研究Ｉ———组群间分析 张艳芳１，２，孙兴国１，２△，王继楠１，３，台文琦２，周晴晴１，宋 雅２，陈嘉豪１，２，黄 疆１，２，颉 奔１，２，徐 凡２，石 超２，刘 方２，张 也２，李 浩２，谢友红１△（１．重庆医科大学附属康复医院，重庆４０００５０；２．国家心血管病中心，中国医学科学院阜外医院，北京协和医学院心血管疾病国家重点实验室，心血管疾病国家临床医学研究中心，北京１０００３７；３．北京大学第三医院，北京１００１９１）【摘要】 目的：探讨研究连续动态左心功能指标变化评价个体化精准运动整体方案强化管控３个月后的长期慢病患者心血管功能的改善情况。
方法：选取２０１８年至２０２１年由我们团队强化管控的长期心脑血管代谢慢病为主的患者２１例，签署知情同意书后完成症状限制性极限心肺运动试验（ＣＰＥＴ）和无创左右心功能同步检测仪（Ｎ ＩＳＣＦＤ）连续记录５０ｓ心电图、桡动脉脉搏波、颈静脉脉搏波和心音图数据，根据ＣＰＥＴ及连续功能学监测下滴定结果制定以个体化适度运动强度为核心的整体方案进行３个月强化管控后再重复Ｎ ＩＳＶＣＤ数据收集。
所有Ｎ ＩＳＣＦＤ的５０ｓ数据按阜外医院优化报告模式进行分析计算５２项左心功能学指标；强化管控前后的数据比较采用配对ｔ检验统计学分析组群变化情况。
结果：２１例长期慢病患者（１６男５女），年龄为（５４．０５±１２．７７，２９～７５）岁，ＢＭＩ为（２５．５３±４．０４，１６．６２～３１．７）ｋｇ／ｍ２。
与强化管控前基础值比较，患者３个月强化管控后①一般指标：体重、ＢＭＩ、收缩压和舒张压均显著降低（Ｐ＜０．０１）；②ＣＰＥＴ核心指标ＰｅａｋＶＯ２从（６４．９３±２４．２２，２６．９６～１０３．４８）％Ｐｒｅｄ提高为（８５．２２±３０．３１，４３．９５～１４０．４８）％Ｐｒｅｄ（Ｐ＜０．０１），显著平均提升（３５．０９±２７．８７，０．１２～１２９．３５）％；其他ＡＴ、ＰｅａｋＶＯ２／ＨＲ、ＰｅａｋＷｏｒｋＲａｔｅ、ＯＵＥＰ、ＦＶＣ、ＦＥＶ１、ＦＥＶ３／ＦＶＣ％和ＭＶＶ也均较管控前显著升高（Ｐ＜０．０１）；而Ｌｏｗ ｅｓｔＶＥ／ＶＣＯ２和ＶＥ／ＶＣＯ２Ｓｌｏｐｅ则显著降低（Ｐ＜０．０１）；③左右心功能核心指标：射血分数（ＥＦ）从（０．６０±０．１２，０．４０～０．８８）％显著提高为（０．６６±０．０９，０．５３～０．８７）％（Ｐ＜０．０１），平均提升（１２．３９±１４．９０， １２．３２～４１．１１）％；总阻力（ＴＰＲ）从（１５７９．５２±４２５．４５，７７９．４６～２４０９．６１）Ｇ／（ｃｍ４·ｓ）显著降低为（１３４０．４４±２６１．４９，７５６．０５～１８２７．０１）Ｇ／（ｃｍ４·ｓ）（Ｐ＜０．０１），平均降低（１２．００±１７．２７， ３７．７９～２８．６１）％；其他左心搏指数（ＬＳＩ），心脏总功率（ＣＴＰ），射流压力（ＥＰ），左室舒张末期血量（ＬＶＥＤＶ）等指标也均显著改善（Ｐ＜０．０５）。
linkboy智能病床仿真
linkboy智能病床仿真Linkboy智能病床仿真是一种用于模拟和测试医疗设备的虚拟仿真系统。
它通过计算机技术和虚拟现实技术，模拟出真实的医疗环境，并提供可视化的界面和操作方式，使用户可以在虚拟环境中进行各种测试和操作。
1. 简介Linkboy智能病床仿真系统是一种基于计算机技术和虚拟现实技术的医疗设备仿真系统。
它可以模拟出真实的医疗环境，包括病房、手术室等场景，并提供可视化的界面和操作方式，使用户可以在虚拟环境中进行各种测试和操作。
2. 功能Linkboy智能病床仿真系统具有以下主要功能：- 模拟病人：系统可以生成不同类型的虚拟病人，并模拟其生理参数、心率、血压等指标。
用户可以通过监测这些指标来评估设备的性能。
- 模拟设备：系统可以模拟各种医疗设备，包括监护仪、输液泵、呼吸机等。
用户可以对这些设备进行配置和控制，并观察其工作状态。
- 模拟环境：系统可以模拟真实的医疗环境，包括病房、手术室等场景。
用户可以在这些场景中进行各种测试和操作，以评估设备的适用性和性能。
- 数据记录和分析：系统可以记录用户的操作和测试数据，并提供数据分析功能。
用户可以通过分析这些数据来评估设备的性能和改进方向。
3. 应用领域Linkboy智能病床仿真系统可以应用于以下领域：- 医疗设备开发：医疗设备制造商可以使用该系统来测试新开发的设备，评估其性能和可靠性，并进行改进。
- 医学教育：医学院校可以使用该系统来培训学生，让他们在虚拟环境中进行各种操作和实验，提高其实践能力。
- 医院管理：医院管理者可以使用该系统来评估不同设备的适用性和性能，并做出相应的采购决策。
4. 优势Linkboy智能病床仿真系统具有以下优势：- 安全性：使用虚拟环境进行测试和操作，不会对真实患者造成任何伤害。
- 成本效益：与真实设备相比，该系统的成本较低，并且可以节省大量的时间和人力资源。
- 可重复性：可以对同一场景进行多次测试，以验证设备的稳定性和可靠性。
人工智能在心肺复苏中的应用
人工智能在心肺复苏中的应用我国每年因心脏骤停而死亡的人数达50万以上，位居全球之首。
而院前心脏骤停猝死率较高的原因之一是难以对心脏骤停患者进行及时抢救。
心脏骤停的及时识别、启动胸外按压以及电除颤是心肺复苏（CPR）的关键。
随着人工智能技术的日益发展，CPR领域也涌现出越来越多的智能化工具及辅助机器，指导CPR的实施，提升复苏质量，改善患者预后。
人工智能是计算机学科的一个分支，是研发模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术学科。
机器学习是人工智能领域的一个重要组成部分，采用计算机算法对庞大数据库中的特征值进行分析，并不断优化算法，从而实现对某些临床结局的预测。
随着计算机技术的不断发展，越来越多的算法不断涌现，如近邻法、Logistic回归、Apriori、XG-Boosting、支持向量机、随机森林以及决策树等。
深度学习是近几年不断发展的一项能够模拟人脑进行分析的人工智能神经网络算法[2]。
目前，一些人工智能技术及算法已被Google、NetFlix 以及亚马逊等科技公司开发，用于改善和提升人类的行为。
在移动医疗领域，包括远程感应、可穿戴设备等在内的多种人工智能技术参与医疗决策中。
同时，越来越多的研究者开始应用计算机算法模型，对涉及多个变量的、复杂的、非线性数据进行统计学分析以建立预测模型，并应用其在不同临床场景中进行患者结局的预测。
本文针对人工智能在心脏骤停风险预测、快速识别、应急反应以及预后预测中的应用进行阐述，以期为临床提供参考。
1心脏骤停风险预测研究证实，对电子病历数据库中的数据进行算法分析后，可应用机器学习结果对院前、院内及普遍人群的心脏骤停风险进行预测。
采用MIMIC（Medical Information Mart for Inten-sive Care）-Ⅲ数据库，借助传统的支持向量机、决策树、Logistic 回归以及集合算法等，对脓毒症患者的人口学特征、格拉斯哥昏迷评分（GCS）、急性生理与慢性健康（APACHE）-Ⅱ评分系统、MEWS（modified early warning score）评分、生命体征以及相关实验室检查等多个数据变量进行算法分析，预测脓毒症患者心脏骤停的发生风险，较单独使用APACHE-Ⅱ评分系统或MEWS评分更具优势，并能够应用患者的生命体征、实验室检查结果等进行实时动态的病情评估。
心脏灌流实验报告
一、实验目的1. 学习离体心脏灌流技术的基本原理和方法。
2. 观察不同灌流液成分对离体心脏活动的影响。
3. 分析Na+、K+、Ca2+等离子及肾上腺素、乙酰胆碱等药物对心脏功能的作用。
二、实验原理离体心脏灌流实验是通过将离体心脏置于特定的灌流液中，模拟心脏在体内的生理环境，研究心脏生理功能的一种实验方法。
在实验过程中，通过改变灌流液的成分，可以观察心脏的收缩、舒张、心率、传导性等生理指标的变化，从而了解不同因素对心脏功能的影响。
三、实验材料与仪器1. 实验材料：青蛙、常用手术器械、蛙板、蛙心夹、计算机采集系统、张力传感器、支架、双凹夹、双针形露丝刺激电极、滴管、培养皿、棉线、任氏液、0.65%NaCl、2%CaCl2、1%KCl、1:10000肾上腺素、1:10000乙酰胆碱、3%乳酸。
2. 实验仪器：手术显微镜、手术刀、镊子、剪刀、缝针、线、电子天平、量筒、移液器、秒表、温度计等。
四、实验方法与步骤1. 蛙心制备：- 取青蛙一只，用手术刀在颈部背侧切开皮肤，暴露心脏。
- 用镊子轻轻夹住心脏周围的组织，使其脱离周围组织。
- 将心脏置于蛙板上，用手术刀将心脏周围的血管和神经分离。
- 将心脏固定在蛙心夹上，连接张力传感器。
2. 灌流液准备：- 将任氏液、0.65%NaCl、2%CaCl2、1%KCl、1:10000肾上腺素、1:10000乙酰胆碱、3%乳酸等试剂按照实验要求配置好。
3. 实验操作：- 将蛙心置于任氏液中，调节温度至37℃。
- 用移液器将配置好的灌流液滴入蛙心，记录心脏的收缩、舒张、心率等生理指标。
- 依次更换灌流液，观察不同灌流液成分对心脏功能的影响。
- 记录实验数据，并进行统计分析。
4. 结果分析：- 分析不同灌流液成分对心脏收缩、舒张、心率等生理指标的影响。
- 分析Na+、K+、Ca2+等离子及肾上腺素、乙酰胆碱等药物对心脏功能的作用。
五、实验结果与分析1. 正常灌流液对心脏功能的影响：- 心脏在正常灌流液中呈现规律性的收缩和舒张，心率稳定。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中国组织工程研究与临床康复务１１卷舅 ２００７一Ｏ２—０４出版 ＪｏｕｒｎａｌｏｆＣｌｉｎｉｃａｌＲｅｈａｂｉｌｉｔａｔｉｖｅＴｉｓｓｕｅＥｎｇｉｎｅｅ＃ｎｇＲｅｓｅａｒｃｈ Ｆｅｂｒｕａｒｙ４，２００７ Ｖｏ１．１１，Ｎｏ．５
基础医学 应用计算机模拟计算不同心率时心脏功能的指标值
申建民，杨长军，申建军（邯郸市铁路医院内科，河北省邯郸市０５６００１） Ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｃａｒｄｉａｃ ｆｕｎｃｔｉｏｎ ｖａｌｕｅｓ ａｔ ｄｉｆｅｒｅｎｔ ｈｅａｒｔ ｒａｔｅｓ 、 ｔｈ ｃｏｍｐｕｔｅｒ ｓｉｍｕｌａｔｉｏｎ Ｓｈｅｎ Ｊｉａｎ－ｒａｉｎ， Ｙａｎｇ Ｃｈａｎｇ￣ｕｎ， Ｓｈｅｎ Ｊｉａｎ－ｊａｎ（Ｄｅｐａｄｍｅｎｔ ｏｆ Ｉｎｔｅｒｎａｌ Ｍｅｄｉｃｉｎｅ，Ｈａｎｄａｎ Ｒａｉｌｗａｙ Ｈｏｓｐｉｔａｌ，Ｈａｎｄａｎ ０５６００１， Ｈｅｂｅｉ Ｐｒｏｖｉｎｃｅ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ： Ｃｏｍｐｕｔｅｒ ｓｉｍｕｌａｔｉｏｎ ｃａｒｄｉａｃ ｆｕｎｃｔｉｏｎ ｖａｌｕｅｓ ｗｅｒｅ ｃａｌｃｕｌａｔｅｄ ａｔ ｄｉｆｅｒｅｎｔ ｈｅａｄ ｒａｔｅ Ｉｅｖｅ１． ｉｎｃｌｕｄｉｎｇ Ｉｅｆｔ ｖｅｎｔｒｉｃｕｌａｒ ｅｊｅｃｔｉｏｎ ｆｒａｃｔｉｏｎｓ（ＬＶＥＦ），ｓｔｒｏｋｅ ｖｏｌｕｍｅ（ｓｖ），ｃａ￣ｉａｃ ｏｕｔｐｕｔ（ＣＯ） ａｎｄ ＳＯ ｏｎ，ｗｈｉｃｈ ｗａｓ ａｉｍｅｄ ｔｏ ｏｂｓｅｒｖｅ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｈｅａｄ ｒａｔｅ ｏｎ ｃａｒｄｉａｃ ｆｕｎｃｔｉｏｎ．Ｉｔ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ＬＶＥＦ ＳＶ
ａｎｄ ＣＯ ｗｅｒｅ ｒｅｌｉａｂｌｅ ａｔ ａ Ｉｏｗ ｈｅａｄ ｒａｔｅ ｗｉｔｈ Ｉｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅ１．ｂｕｔ ｕｎｒｅｌｉａｂｌｅ ａｔ ａ ｈｉｇｈ ｈｅａｄ ｒａｔｅ．ＣＯ ｍａｃｈｅｄ ｉｔｓ ｍａｘｉｍｕｍ ｖａｌｕｅ ｗｈｅｎ ｈｅａｄ ｒａｔｅ ｗａｓ １ ００ ｔｉｍｅｓ ｐｅｒ ｍｉｎｕｔｅ．Ｈｅａｒｔ ｆｕｎｃｔｉｏｎ ｖａｌｕｅｓ ｖａｒｉｅｄ ｗｉｔｈ ｈｅａｄ ｒａｔｅ．Ｔｈｅ ｅｆ『ｅｄ ｏｆ ｈｅａｄ ｒａｔｅ ｓｈｏｕｌｄ ｂｅ ｐａｉｄ ｍｕｃｈ ａｔｔｅｎｔｉｏｎ ｔｏ ｗｈｅｎ ｈｅａｒｔ ｆｕｎｃｔｉｏｎ ｒｅｐｏｒｔ ｗａｓ ｒｅａｄ．
Ｓｈｅｎ ＪＭ，Ｙａｎｇ ＣＪ，Ｓｈｅｎ ＪＪ．Ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｃａｒｄｉａｃ ｆｕｎｃｔｉｏｎ ｖａｌｕｅｓ ａｔ ｄｉｆｅｒｅｎｔ ｈｅａｄ ｒａｔｅｓ ｗｉｔｈ ｃｏｍｐｕｔｅｒ ｓｉｍｕｌａｔｉｏｎ，Ｚｈｏｎｇｇｕｏ Ｚｈｕｚｈｉ Ｇｏｎｇｃｈｅｎｇ Ｙａｎｊｉｕ ｙｕ Ｌｉｎｃｈｕａｎｇ Ｋａｎｇｆｕ ２００７；１ １（５）：９３０－９３１（Ｃｈｉｎａ） ［ｗｗｗ．ｚｇｌｃｋｆ ｃｏｍｌｚｇｌｃｋｆｌｅｊｏｕｍａｌｌｕｐｆｉｌｅｓ／０７－５／５ｋ－９３０（ｐｓ）．ｐｄｑ
摘要：采用计算机模拟计算不同心率时心脏功能的指标值，包括左室 射血分数、每搏量、心输出量等，以观察心率对心脏功能的影响。结果 表明，用线性回归模型计算的左室射血分数、每搏量、心输出量在较低 心率时模拟数值较为可信，在较高心率时每搏量模拟数值不可靠。在 心率１００次，ｍｉｎ时，模拟心输出量达到最大值。可见心脏功能指标与 心率高度相关，分析心脏功能时应重视心率的影响。 关键词：心脏功能；运动；计算机模拟
申建民，杨长军，申建军．应用计算机模拟计算不同心率时心脏功能的指标值【Ｊ］．中 国组织工程研究与临床康复，２００７，１１ｆ５）：９３０・９３１ ［ｗｗｗ．ｚｇ￣ｋｆ．ｃｏｍＰｚｇｌｃｋｆ／ｅｊｏｕｍａｌ／ｕ嘶ｌｅｓ／Ｏ７－－５／５ｋ－９３０（ｐｓ）．ｐｄｑ
０引言 人体心脏功能的运动后变化的定性规律已为ｌ临床 医师所熟知，但是其定量变化规律ｒ４４因受到医疗设备 及患者疾病状态的限制而不易被认识。大多数医院缺 乏测量动态心脏功能的设备，而运动试验的主要检测 手段是心电图、血压等指标，难以获得心输出量等心功 能指标。作者分析了以往检测心脏功能的手段和经验 公式，利用计算机模拟计算出人体在不同心率状态下 的心功能指标，以加深医师对运动后心脏功能变化的 理解，更好地解释心脏功能报告的数值，对患者采取恰 当的－临床千预措施。 １ 方法 以往测量心功能的方法有：收缩时间间期、心尖搏 动法舒张时间间期、阻抗法测泵血功能、导纳法测泵血 功能、胸前小电极阻抗微分法测量心功能。近年来主要 用心脏彩色超声及核素心肌显像测量心脏功能。近年 来的检测手段的进步不但能测量心脏功能，更能提供
９３０
二维、三维乃至四维的结构信息，但是设备非常昂贵。 本文总结了以往测量心功能的经验公式，这些心功能 的研究手段中以收缩时间问期最为成熟，国内外有众 多学者提出了收缩时间间期相关指标的回归方程式【”， 见表１。
ｌ目＿＿＿＿口 ■■■Ｈ■日■圈■目Ｈ■日■Ｈ●口 ■■■口■＿＿＿＿一■■‘＿盟 … －■ 项目 心 是 ；ｊ《 二 左室射血时间 排血前时间
Ｗｅｉｓｓｌｅｒ等 女 ５４９－２．０ｘＪ 率 ４１８．‘ ．６ｘ，Ｌ，率 ‘ ３３－０．４ｘ心率 男５４昏２．１ ｘＪ 率４１３・‘ ．７×心率 ‘ ３１ｍ４ｘ心率 Ｆａｂｉａｎ等 ５０２．１．５９ｘ心率３８ ‘ －４ｘ心率 ‘ ２６－Ｏ．３４ｘ心率 Ｌｉｎｄ口ｕ随等５０２．１．８５ｘ心室３８孓‘ Ｉ４２ｘ心率 ‘ １７－０Ａ４ｘ心率 稻板畅等 ５２７．２．０ｘ心率 ３８４－‘ ．４ｘ，Ｌ，率 ‘ ２２－０．３ｘ心率 泽山俊民等 ４９０Ｊ５．１＿７ｘ心率 ３５２＿‘ ．０９ｘ，Ｌ＇蜜‘ ３７．８－Ｏ．６ｘ，ｂ窒 林传骧等 ４７８．１．４１ｘ心率３６９．‘ ．１３ｘ心率 ‘ ２１－０．４５ｘ心率
排血前时间／左室射血时间是评价左心室功能可 靠、敏感的指标，上海仁济医院的正常参考值为 ０．３００＿＋０．０５５；Ｗｅｉｓｓｌｅｒ等报道为０．３４５＿＋０．０４５，若大 于０．４０则为异常【 。左室射血分数与排血前时间／左 室射血时间之间的回归方程为：左室射血分数＝ １．１２５—１．２５（排血前时间／左室射血时间），厂＝一０．９０［引。 排血前时间／左室射血时间也称血流动力学比率，心 率＜１１Ｏ次，ｍｉｎ对之影响不大，健康人此值保持稳定。 排血前时间／左室射血时间和心搏出量呈负相关。在 排血前时间／左室射血时间＞０．５ ｈ，９５％的病例的左 室射血分数＜４０％。排血前时间，左室射血时间的绝 对值在左心室严重障碍、心率增快时误差增大。左室射 血时间与每搏量之间的回归方程 】：左室射血时间＝ １０６＋２ｘ每搏量，厂＝０．９４。 ２结果 将以上公式输入Ｍｉｃｒｏｓｏｆｔ ＥＸＣＥＬ２０００软件中 模拟计算出心率５０～２００次／ｍｉｎ健康人的心脏功能指 标，得到左室射血分数、每搏量、心输出量等模拟数值， 见表２。表２中心电图Ｑ波到第二心音的时间、左室射 血时间、排血前时间指标用稻板畅等提出的回归方程 计算【”，ＱＴｍ代表ＱＴ正常均值，ＱＴｍ＝４００ｘｘ／ＲＲ一， 心输出量（ｍＬ）＝每搏量×心率。表２中还给出了ＱＴｍ 与心电图Ｑ波到第二心音的时间的差值，正常情况下 两者非常接近，不超过４０ ｍｓ［引。 ３讨论 不同心率时心脏功能数值不同，但对同一人体、
Ｐ、Ｏ，Ｂｏｘ １２００，Ｓｈｅｎｙａｎｇ １１０００４ ｋｆ２３３８５０８３＠ｓｉｎａ．ｃｏｍ ｗ．ｚｇｌｃｋｆ．ｃｏｍ
维普资讯 http://www.cqvip.com ｋｆｃ２３ ３８５ ０懈８３＠。
ｓｉｎａ．ｃｏｍ 申建民，量望旦 竺 堡型 竺至 坚 壁 堂塑塑 堕 ¨ ｚ批 ∞ｍ 甲建民，等应用计算 ｌ模拟计算个ｌ 竺 垦 里
■嗣■ ■—日●曩瞿—Ｈ■酬Ⅱ—圈＿蝴—四酗啊即啊啊・翻－。瞳’—一 ￣樨：／ｍｉ 孺 ＱＴｍ（ｍｓ） 每矧ｍ
０毽 ８ ４３８ １１ ，１ ０４．０ ２ｓｚｓ００３００ ０４ ５５ ４
ｌ６７１ 袈 ．１９５ ００ 粼８１ ２３ ４２２．６０．６０’搦 ． ２６７７２５５１５０８．０枷４．５６３８０６６ ００８ ７６．０ ７５８ ∞４ ６５ ３ ７ｏ ３ ７５ ３ ８ｏ ２ ８５ ９０ ３ ９５ ： ００ ： Ｏ５ ： １０ ： １５ ： ２０ ： ２５ ： ３０ ： ３５ ： ４０ ： ４５ ： ５０ ： ５５ ： ６０ ： ６５ ７０ ７５ ８０ 。 ８５ 。 ９０ ‘ ９５ ‘ １００ ‘
ＱＳ２：心电图Ｑ波到第二心音的时阃；Ｐ／Ｌ：排血前时阃／左室射血时１日 短时间内其心脏功能状态本质上是惟一的，这些数值 变异容易给临床医生造成假象，误导对心脏功能的判 断。计算机模拟结果显示：心率增快时，左室射血分数 下降；每搏量“直线下降”是因为原回归模型的局限性 所致，不论健康人还是患者，即使心率２００次，ｍｉｎ 每搏量也不可能为零，所以作者认为每搏量与左室 射血时间之间的回归方程式仅仅适用于较低心率时 （心率≤１００次／ｍｉｎ）。心输出量与心率之间的抛物线 关系是符合心脏生理常识的。该模拟结果提示：在心 率１００次／ｍｉｎ时，心输出量达到最大值，当心率＞ １００次，ｍｉｎ时，心率再增加，心输出量不再增加（这与 正常窦性心律时心率范围最高值１００次，ｍｉｎ是巧 合）。健康人的心脏功能储备在运动后表现为心输出 量增加，故这一模拟结果与运动后心率及心输出量增 加的现象大致吻合。在许多心脏病研究著作中提到运 动锻炼时的心率参考标准是超过１２Ｏ次，ｍｉｎ，持续时 间超过半小时方能得到锻炼效果。有关“正常人运动 后△左室射血分数≥５％”【６ｌ的说法在本模拟中仅在 沈阳１２００邮政信箱１１０００４ ｋｆ２３３８５０８３＠ｓｉｎａ．ｃｏｍ ｗｗｗｚｇｌｃｋｆ．ｃｏｍ 较低心率时得到证实，而在较高心率时未能得到证 实．可能是由于回归模型的局限性所致。考虑到回归 模型的局限性，该模拟结果仅供临床医生参考。本模 拟结果提醒临床医生在阅读心功能报告时，要注意左 室射血分数是在何种心率下测量的，否则报告中的数 值可能不是真正的“静息状态下”的心脏功能值，而是 某种应激状态下的测值。在心力衰竭时，交感神经系 统活性的增强是基本的病理生理过程。Ｉ临床医生看待 左室射血分数要象判断心电图ＱＴ间期那样，做出心 率校正。 ４参考文献 １ 王卓琳，刘贞铮，李英杰，等无创性心脏功能检查【Ｍ】．哈尔滨：黑龙江科学技 术出版社，１９８４ ２ 顾康菊，邓开伯．临床心功能学【Ｍ】合肥：安徽科学技术出版社，１９９２ ３ 陈国伟，郑宗锷．现代心脏内科学【Ｍ】．长沙：湖南科学技术出版社，１９９６ ４ Ｃｏｎｓｔａｎｔ Ｊ． Ｂｅｄｓｉｄｅ Ｃａｒｄｉｏｌｏｇｙ．２ｎｄ ｅｄ， Ｂｏｓｔｏｎ：Ｌｉｔｔｌｅ， Ｂｒｏｗｎ ａｎｄ Ｃｏｍｐａｎｙ（Ｉｎｃ．），１９７６ ５ 今井三喜，坂本二哉．循环及呼吸功能测定正常值及预测式【Ｍ】．合肥：安徽科 学技术出版社，１９８９ ６ 叶任高，陆在英．内科学【Ｍ】．５版．北京：人民卫生出版社，２００１ 收稿日期：２００６－０９．２７（０６－５０－９－７１３６／Ｙ）