利用循环心率可变性特征和机器学习来估计高血压患者的左心室喷射分数水平:复合多层次透分析

科学领域:

• 心脏病学 心脏病学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 高血压管理需要早期识别左心室射出小部分 (LVEF),以预防心脏问题.
• 目前的LVEF评估方法往往是侵入性的,昂贵的,或缺乏明确的结果.
• 开发非侵入性,具有成本效益的LVEF估计工具对于广泛的临床应用至关重要.

研究的目的:

• 开发一个机器学习框架,从心电图 (ECG) 信号自动估计LVEF.
• 为了评估使用复合多尺度 (CMSE) 来进行LVEF预测的心率变化 (HRV) 特征的有效性.
• 为了比较不同的机器学习模型在估计LVEF时的性能.

主要方法:

• 从200名高血压患者收集了24小时的霍尔特心电图和心声回声图数据.
• 从每小时心电图间隔中提取基于CMSE的HRV特征.
• 采用机器学习模型,包括线性回归 (LR),支持向量机 (SVM) 和随机森林 (RF),用于LVEF估计的特征选择.

主要成果:

• 线性回归 (LR) 模型表现出卓越的性能,在深夜间隔时间 (20:00-21:00) 实现了4.61%的根平均平方误差 (RMSE) 和3.74%的平均绝对误差 (MAE).
• 特定的CMSE参数 (尺度1,5,斜率1-5和区域1-5) 显著提高了回归模型的估计准确性.
• 开发的框架允许从ECG信号进行定量LVEF估计.

结论:

• 从霍尔特心电图中获得的CMSE衍生的昼夜HRV特征为社区环境中的LVEF评估提供了一种非侵入性,具有成本效益和可解释的方法.
• 该研究强调了CMSE在分析自主动态和心脏功能方面的临床潜力.
• 机器学习对CMSE特征的解释为高血压患者的心脏健康监测提供了宝贵的见解.