机器学习助力冠心病早期检测：整合 ABP 与 PPG 信号的创新突破

研究人员利用 ABP 和 PPG 信号开展冠心病早期检测研究，神经网络分类器准确率达 90.2%，意义重大。

　　《机器学习助力冠心病早期检测：整合 ABP 与 PPG 信号的创新突破》

在当今社会，心血管疾病如同潜伏在暗处的 “杀手”，时刻威胁着人们的健康。其中，冠心病（Coronary Artery Disease，CAD）更是 “罪魁祸首” 之一，每年都有超百万人因它失去生命。冠心病是由于冠状动脉内壁出现斑块沉积，导致血管堵塞，无法正常为心脏供应富含氧气的血液。这一疾病十分 “狡猾”，它在人体内悄无声息地发展，等出现心绞痛、呼吸急促等症状时，往往已到了严重阶段。

目前，冠心病的诊断方法存在诸多弊端。冠状动脉造影虽是诊断的 “金标准”，但它属于有创操作，不仅价格昂贵，还需要专业的心内科医生来实施。心电图（ECG）检测在疾病早期可能无法发现异常，跑步机测试（TMT）对于单支动脉堵塞的检测敏感度仅为 25 - 71%，这些都给冠心病的早期诊断带来了极大的困难。因此，寻找一种便捷、低成本、无创且适合家庭使用的冠心病早期检测方法迫在眉睫。

在这样的背景下，来自印度国家技术学院杜尔加布尔电气工程系以及贾朗达尔的 B R Ambedkar 国家技术学院仪器与控制工程系的研究人员展开了一项极具意义的研究。他们的研究成果发表在《Scientific Reports》上，为冠心病的早期检测带来了新的希望。

研究人员开展的这项研究主要聚焦于利用桡动脉血压（ABP）和光电容积脉搏波（PPG）信号，通过机器学习分析实现冠心病的早期检测。为了完成这项研究，他们采取了一系列关键技术方法：

1. 数据收集：从 MIMIC - II 波形数据库中收集了 73 名冠心病患者和 64 名非冠心病（未患任何心脏疾病）受试者的 ABP 和 PPG 数据，这些数据的采样率为 125Hz。
2. 信号预处理：由于原始数据中存在噪声和运动伪影，研究人员分别使用带宽为 2.5 - 16Hz 和 1.5 - 16Hz 的带通滤波器对 PPG 和 ABP 信号进行预处理，去除了不必要的干扰，提高了信号质量。
3. 特征提取：从 ABP 和 PPG 信号中各提取了 19 个特征，包括脉搏持续时间的平均值、上升斜率的平均值、低频与高频的比率等。这些特征能够反映心脏的生理状态，对冠心病的诊断具有重要意义。
4. 模型构建与验证：运用支持向量机（SVM）、K 近邻（KNN）和神经网络（NN）等先进的分类器进行冠心病和非冠心病的分类。采用十折交叉验证技术对模型进行验证，并将 70% 的数据用于训练，15% 用于验证，15% 用于测试。

研究结果如下：

1. 分类器性能比较：研究人员对比了不同分类器在基于 PPG、ABP 信号以及融合模型下的性能。结果显示，在单一信号模型中，基于 ABP 的模型表现优于基于 PPG 的模型。而融合了 ABP 和 PPG 信号特征的模型在整体性能上有显著提升。其中，神经网络分类器表现最为出色，其利用融合数据集的特征，在准确率、敏感度和特异性方面都超越了其他模型，达到了 90.2% 的分类准确率，敏感度为 78.0%，特异性为 90.9%，阳性预测值为 89.5%。
2. 模型评估指标分析：通过计算准确率（Accuracy）、敏感度（Sensitivity）、特异性（Specificity）和阳性预测值（Positive Predictive Value，PPV）等指标，对模型进行了全面评估。同时，绘制了受试者工作特征曲线（Receiver Operating Characteristic，ROC）和混淆矩阵。ROC 曲线下面积越大，表明模型性能越好，融合模型在这方面表现突出，证明其能够有效地区分冠心病和非冠心病患者。混淆矩阵则直观地展示了模型预测的正确和错误情况，进一步验证了融合模型的可靠性。

研究结论和讨论部分表明，该研究具有重要意义。通过结合 ABP 和 PPG 信号，利用机器学习算法进行分析，研究人员成功开发出一种非侵入性且高效的冠心病早期检测方法。神经网络分类器在融合数据集上的出色表现，为冠心病的早期诊断提供了有力的工具。这一研究成果不仅提高了冠心病早期检测的准确性和可靠性，还具有广泛的临床应用前景。它可以使患者在疾病早期就得到诊断和治疗，通过生活方式的改变、药物治疗等措施，有效预防疾病的进一步发展，降低心脏病发作的风险，对改善患者的健康状况和提高生活质量具有重要意义。同时，该研究也为心血管疾病的早期检测提供了新的思路和方法，有望推动相关领域的进一步研究和发展。