旋转式左心室辅助装置（LVAD）是治疗终末期心衰的一种有效方法。然而当临床上使用 LVAD 时，患者通常会经历心室塌陷的严重危险，这种现象叫做抽吸，主要是由于为了满足心输出量要求所需的过高 LVAD 转速导致的。某些抽吸检测算法又因传感器位置偏移和使用寿命短等原因无法长期应用于临床。因此，本研究基于 LVAD 的内在血泵参数（泵转速）提出了一种新颖的抽吸检测方法，避免了额外传感器的使用。从泵转速提取三种特征指标后作为四种分类器的输入，采用这些分类器对无抽吸和抽吸状态进行分类。基于人体循环系统和 LVAD 耦合模型的仿真结果表明，该方法可以有效地检测出抽吸现象，具有较高的分类精度、稳定性和鲁棒性。此抽吸检测系统可作为 LVAD 的重要组成部分，检测并避免抽吸现象的发生，同时使 LVAD 保证患者的心输出量要求，并为 LVAD 控制系统的设计和优化提供理论依据和技术支持。
引用本文： 彭静, 王宇. 基于旋转式左心室辅助装置内在参数的无传感器抽吸检测方法研究. 生物医学工程学杂志, 2019, 36(3): 478-485. doi: 10.7507/1001-5515.201803077 复制
引言
心衰是心脏疾病发展的终末阶段，几乎所有的心血管疾病最终都会导致心衰的发生。目前，全球心衰患者人数累计已经超过 2 000 万，且以每年约 200 万人的速度逐年递增[1-2]。终末期心衰患者的药物治疗效果欠佳，而心脏移植由于全球心脏供体数量有限无法成为常规治疗方法，左心室辅助装置（left ventricular assist device，LVAD）则是在这种现状下应运而生[3]。
目前常见的旋转式 LVAD 已经逐渐成为治疗终末期心衰的重要手段，在临床上既可用于临时性心肌恢复的治疗，也是纠正顽固性心衰和心脏移植前的理想治疗手段，同时还可用于永久性的辅助支持[4-5]。然而，长期使用 LVAD 的主要不良影响之一是关于心室抽吸（suction）现象的潜在风险。抽吸是指为了满足患者的心输出量等要求，当 LVAD 的泵转速超过一定数值时，过量的血会从左心室抽出从而导致左心室塌陷的现象。临床上抽吸会导致心肌损伤、心律失常、LVAD 泵体血栓甚至患者死亡等一系列致命性后果[6-7]。抽吸现象在植入 LVAD 的心衰患者中普遍存在。最近的一项研究表明，平均每 19 例植入 LVAD 的心衰患者中有 15 例患者发生过抽吸现象，频率为每 1 000 分钟发生 13 次抽吸事件[8]，这主要是因为植入 LVAD 的心衰患者容易在不经意间因日常活动导致抽吸现象的发生，比如咳嗽、瓦氏呼吸（Vasalva Maneuver）、突然活动以及突然停止运动等[6]。
从理论上讲，通过观测左心室压力信号可以快速且准确地检测出抽吸现象，因为当抽吸现象发生时，左心室压力的瞬时值将会下降到 1 mm Hg 甚至更低[9]。但是这种方法需要植入压力传感器来检测左心室压力信号，而目前的压力传感器却因为在使用过程中可能产生的传感器导管堵塞、传感器漂移以及传感器故障等问题无法长期应用于临床[10-11]。为了弥补以上不足，研究人员提出了一些新的抽吸检测方法[12-16]。虽然这些方法在抽吸检测方面得到了较好的结果，但它们大多基于 LVAD 的泵流量来实现，而泵流量信号的提取需要流量传感器，这种传感器同样由于其诸多缺点在临床上还无法实现[11]。
本文提出了一种新颖的抽吸检测方法，即使用 LVAD 的内在血泵参数（泵转速），避免了额外压力和流量传感器的使用。该方法通过泵转速信号，分别基于时域、频域和时-频域提取了三种特征指标（feature index，FI）。作为比较，该方法也从泵流量信号提取了这三种特征指标，用于证明本文提出的假设，即基于泵转速的无传感器抽吸检测方法比基于泵流量的方法具有更好的抽吸检测效果。泵流量和泵转速信号均可以从一种改进的人体循环系统和 LVAD 耦合仿真模型得到。本文采用四种分类器：分类和回归树（classification and regression tree，CART）、判别分析（discriminant analysis，DA）、神经网络（neural networks，NN）、拉格朗日支持向量机（Lagrangian support vector machine，LSVM），对基于泵转速和泵流量的特征指标进行分类。
1 方法
1.1 人体循环系统和 LVAD 的耦合模型
在本文所采用的人体循环系统和 LVAD 耦合模型中，将旋转式轴流 LVAD 并联至左心室和主动脉两端。算法中所需泵转速和泵流量信号均可由此模型得出。该模型已在之前的研究中被验证，并且用于设计多种基于 LVAD 的控制算法[17]。另外，该模型假设右心房、右心室和肺循环几部分是正常的，因此它们对于 LVAD 的影响可以忽略不计。所以，该模型将人体循环系统分成五部分，并与旋转式 LVAD 的动态模型一起组成人体循环系统和 LVAD 的耦合模型。如图 1 所示为本文所采用模型的相应等效电路表达形式。表 1 列出了模型中的六个状态变量。
图1
人体循环系统和 LVAD 耦合模型的等效电路图
Figure1.
Equivalent circuit diagram of the combined human circulatory system and LVAD model
表1
人体循环系统和 LVAD 耦合模型的状态变量
Table1.
State variables in the combined human circulatory system and LVAD model
该组合模型可由式（1）所示的六阶微分方程来表达：
 |
其中：
 |
 |
 |
 |
式（1）中，i（t）是血泵电流，即系统的控制变量。图 1 中 HP 表示当血液流经 LVAD 时，LVAD 入口和出口处的压力差。此压力差是关于血泵转速的函数，而血泵转速可通过血泵电流来控制，具体表达式见式（6）：
 |
其中 γ 和 β 均为常量。所有模型参数和模型的验证步骤均可以从之前的研究中获得[9, 17]。
1.2 LVAD 泵血状态的定义
图 2 所示为通过上述模型所得出的泵流量和泵转速信号，用于定义 LVAD 泵血的两种状态。其中控制变量泵电流呈线性增加趋势。此项研究中关于 LVAD 泵血状态的定义有两种：① 无抽吸。无抽吸对应于 LVAD 的正常工作状态。此时，在每个心动周期中，泵流量显示为近似的正弦周期信号，泵转速显示为叠加振荡信号。② 抽吸。在抽吸状态下，从图 2 中可以观测到泵流量不再是近似的正弦周期信号，其最小值随着泵电流的升高逐渐降低，而泵转速的振幅随着泵电流的升高逐渐增加。
图2
仿真信号
Figure2.
Simulated signals
1.3 特征提取
本文设计的方法通过泵流量和泵转速信号，分别基于时域、频域和时-频域提取了三种特征指标。其中第一种基于时域的特征指标是与信号的平均值、最大值以及最小值相关[6]，如式（7）所示：
 |
其中 PF 代表泵流量，PS 代表泵转速。第二种基于频域的特征指标用于检测次谐波分量频带内信号总能量与谐波分量频带内信号总能量的比值，如式（8）所示：
 |
其中 QP（ω）代表泵流量或泵转速的傅里叶变换。另外在式（8）中，ω1 = ω0 − ωc，ω2 = ω0 + ωc，ωc 表示定义了一个以 ω0 为中心的区间阈值[18]。
第三种基于时-频域的特征指标表示信号瞬时平均频率的标准偏差[18]，如式（9）所示：
 |
其中式（9）中的瞬时频率表示给定时间的总频率。
以上描述的三种特征指标将作为检测抽吸现象的分类器的输入。本文采用四种不同类型的分类器（NN、CART、LSVM、DA）来检测所设计的抽吸检测系统的性能和效果。图 3 所示为该抽吸检测系统的流程图。
图3
所提出的抽吸检测系统流程图
Figure3.
Flowchart of the proposed suction detection system
1.4 数据分析
本文在计算机仿真中分析了九种心衰状况[19]。这些状况代表了不同程度的心衰和患者的活动情况。其中患者的活动情况可由图 1 中的阻值 RS 来描述，RS 越小说明患者的活动情况越剧烈，反之则说明患者的活动情况越轻微。另外，根据患者不同的活动状况，患者的心率也会随之变化。如表 2 所示列出了九种不同程度心衰情况相应的心脏收缩能力值（Emax[9]）、RS 值以及心率（heart rate，HR）的变化。为了测试所提出的算法，本文对上述所有情况进行了仿真和记录。通过对泵流量和泵转速信号的分析，得到包括 333 个基于泵流量的样本和 326 个基于泵转速的样本的数据库，并将基于泵流量和泵转速的样本分别分成两组，代表无抽吸和抽吸状态（如 1.2 节所述）。其中 333 个基于泵流量的样本中包含 192 个无抽吸状态样本和 141 个抽吸状态样本；326 个基于泵转速的样本中包含 188 个无抽吸状态样本和 138 个抽吸状态样本。这些样本作为上述四种分类器的输入，四种分类器均使用随机选择的 50% 数据样本进行训练，之后使用剩余的 50% 样本进行测试。训练和测试的过程与之前的研究相似[15]。由于每次数据样本均为随机选取，因此四种分类器的训练和测试均重复 100 次。另外，基于医学统计的判断标准和本文的具体研究内容，本文将抽吸状态定义为阳性，无抽吸状态定义为阴性。因此，敏感性 = 正确的阳性样本数/研究的阳性样本数，特异性 = 正确的阴性样本数/研究的阴性样本数，准确率 =（正确的阳性样本数 + 正确的阴性样本数）/研究的总样本数。本文中所示的分类结果均是重复 100 次之后的平均值，所有的结果均通过仿真软件 MATLAB（The MathWorks Inc.，Natick，MA，美国）得出，仿真所用台式计算机的配置为 3.4 GHz 英特尔 i7-6700 中央处理器及 16 GB 内存。
表2
不同类型的心衰状况
Table2.
Different heart failure cases
2 结果
图 4 显示了分别从泵流量信号和泵转速信号提取的三种特征指标的实例。无论是基于泵流量还是泵转速信号，这些特征指标从无抽吸状态到抽吸状态的变化均十分明显。首先，从基于泵流量信号所提取的第一种特征指标表明，当不存在抽吸现象时，特征指标的数值在零值附近波动；当抽吸现象发生时，特征指标的数值将急剧增加，之后随着控制变量泵电流的线性增加而略有下降。相对地，在抽吸现象中，基于泵转速信号所提取的第一种特征指标值则在明显下降后略有升高。其次，基于以上两种信号提取的第二种特征指标有着相同的趋势，即在正常状态下特征指标值较大，在接近抽吸现象时指标值下降为零，在抽吸现象发生时指标值又略有上升但明显小于正常状态下的数值。最后，基于以上两种信号提取的第三种特征指标也有着相同的趋势，即在抽吸现象开始时指标数值急剧升高，而后明显降至小于正常状态下的指标数值。另外，如图 5 所示为分别基于泵流量和泵转速信号所提取的特征指标的箱形图，用以更直观地区分无抽吸和抽吸状态。
图4
基于泵流量和泵转速提取的特征指标实例
Figure4.
Examples of FIs extracted from pump flow and pump speed
图5
基于泵流量和泵转速提取的特征指标的箱形图
Figure5.
Box plots of FIs extracted from pump flow and pump speed
表 3 以 CART 算法为例，列出了基于泵流量和泵转速信号的分类测试结果。总体来讲，基于泵流量时，70 例研究的总阳性样本中有 6.33% 被错误地分类为阴性，而 96 例研究的总阴性样本中有 3.23% 被错误地分类为阳性。而基于泵转速信号的分类测试结果显示，69 例研究的总阳性样本中有 5.36% 被错误地分类为阴性，94 例研究的总阴性样本中只有 1.35% 被错误地分类为阳性。表 3 给出了相应的敏感性、特异性、准确率的平均值和它们的标准差。
表3
采用 CART 算法的测试集分类结果
Table3.
Classification results of CART algorithm on the test set
此外，本文也对基于泵流量和泵转速的两种抽吸检测方法进行了更为细致的比较，分别采用了四种模式识别算法（NN、CART、LSVM、DA）。两种抽吸检测方法采用了相同的步骤和流程，评价标准包括敏感性、特异性、准确率以及它们的标准差。如图 6 所示为对两种抽吸检测方法分别运用四种模式识别算法的比较结果。总体而言在两种抽吸检测方法中，基于 NN 的方法均明显优于其他方法。另外，从上述所有图表中不难看出，无论采用何种模式识别算法，本文所提出的基于 LVAD 内在血泵参数（泵转速）的无传感器抽吸检测方法的性能和效果要明显优于基于泵流量的抽吸检测方法。
图6
采用 NN、CART、LSVM、DA 算法的基于泵流量和泵转速的分类结果比较
Figure6.
Comparison of classification results based on PF and PS signals with NN, CART, LSVM, and DA algorithms
图 7 所示为采用 NN、LSVM、DA 算法时基于泵流量和泵转速的受试者工作特征（receiver operating characteristic，ROC）曲线比较结果。其中由于 CART 算法的离散性，ROC 曲线不适用于 CART 分类器。本文用曲线下面积（area under curve，AUC），即 ROC 曲线下与坐标轴围成的面积作为评价各种分类器效果的标准。显然 AUC 越大，分类结果越好。从图中可以看出，无论采用何种分类器，基于泵转速的分类结果均优于基于泵流量的分类结果。另外，表 4 也基于泵转速将不同方法的响应时间进行了对比。
表4
基于不同抽吸检测方法重复 100 次运算的响应时间对比
Table4.
Comparison of response time repeating 100 runs based on different suction detection methods
图7
采用 NN、LSVM、DA 算法的基于泵流量和泵转速的 ROC 曲线比较
Figure7.
Comparison of ROC curves based on pump flow and pump speed with NN, LSVM, DA algorithms
3 讨论
心室抽吸现象对于植入 LVAD 的心衰患者以及 LVAD 控制系统的改进和研发而言是重要的制约因素，需要慎重考虑和对待。通常，抽吸现象指的是当 LVAD 的血泵转速超过一定数值时，血泵将会从左心室抽出过量的血，从而导致左心室塌陷。除此之外，这种现象还可能导致血泵故障或心室心律失常等易于损害心肌的后果，在某些更为严重的情况下会导致患者死亡。因此，在临床上需要快速、准确地检测出抽吸现象并通过降低血泵转速等方式将其消除。
心室抽吸的检测一直是 LVAD 相关领域热衷于研究的课题。从理论上讲，检测抽吸现象最好的方法是直接观测和分析心室压力。另外，解决抽吸检测问题也可以分析 LVAD 的泵流量信号，因为这种信号易于测量，之后可基于泵流量信号提取若干相关特征并进行分类。然而，无论分析心室压力或泵流量，都需要用到可植入式压力或流量传感器来连续测量压力或泵流量信号。但是，目前这样的植入式传感器却因为传感器故障和位置漂移、测量噪音等原因无法长期应用于临床，从而大大降低了这种方法总体的可靠性和安全性，也增加了 LVAD 治疗的复杂度和成本。因此，实际应用中摒除对于可植入式传感器的依赖，仅利用实时且可靠的方法有效地检测抽吸现象是十分必要的。
相比之下，此项研究中基于 LVAD 泵转速的方法，摆脱了之前的相关研究中对于额外压力或流量传感器的依赖。仿真结果表明，无论采用何种分类器，本文所提出的无传感器抽吸检测方法的效果均要优于依靠传感器并基于泵流量的抽吸检测方法，具有更高的分类精度和稳定性。另外，基于泵流量和泵转速信号所提取的特征指标，均表明无抽吸和抽吸状态之间有着明显的区别，说明所提取的三种特征指标具有很好的鲁棒性。小部分错误分类样本的出现可能是由于用于特征提取的移动时间窗有时会包含无抽吸和抽吸两种状态的信号，这是将来要解决的问题之一。
在设计抽吸检测算法时，其他更实际的考虑因素包括算法的实时计算和硬件部分。对于植入 LVAD 的心衰患者而言，必须以秒为单位快速准确地检测出抽吸现象，而本文中所采用的三种抽吸特征指标可以以较高的速度（大于 30 Hz）来计算，意味着可以满足 LVAD 的实际需要。虽然表 4 显示 NN 算法的响应时间相对最长，但这是基于重复 100 次运算的响应时间。此外，随着目前越来越先进的批处理器的使用，大多数理论上的特征指标均能够实时提取和计算。因此，本文设计的方法可以作为一种有价值的实时检测抽吸现象的工具。
到目前为止，此项研究的初步结果是基于计算机模拟的。显然，分析结果建立在实验数据或真实临床数据的基础上更有说服力，计算机仿真无法取代体外实验或动物实验的重要性和意义，也不能够重现所有预期的临床效果。例如，本文所采用的左心循环系统和 LVAD 组合模型忽略了右心和肺循环系统，假设了模型中的参数为集总参数并且血流为牛顿液体。计算机仿真和数学模型也无法模拟与心血管系统相关的神经体液反应、组织重塑以及遗传表型的变化。本文的计算机仿真也没有在泵流量和泵转速信号中添加测量噪声，这需要在特征提取之前加入预处理步骤来对泵流量和泵转速信号进行滤波来消除高频噪声，使该算法更符合实际应用。另外，本文的训练和测试样本数量与实际的在体实验数据相比可能偏少，但是也包括了患者在不同活动和生理状态下的样本。因此，尽管本文还存在着一定的不足和局限性，但是通过模型和仿真说明此种方法是可行和有效的，可为今后抽吸检测的改进和设计提供可靠的平台，具有一定的临床应用价值。
4 结论
本文提出了一种利用 LVAD 内在血泵参数——泵转速来检测抽吸现象的有效算法，无需使用额外传感器。基于泵转速所提取的三种特征指标作为分类器的输入，用于执行具体的分类工作。基于四种模式识别分类器，本文提出的算法与其他使用传感器的方法相比，具有更高的分类精度、稳定性以及良好的鲁棒性。该方法的实际临床效果仍然需要利用离体循环系统和大型动物实验来进一步验证。
引言
心衰是心脏疾病发展的终末阶段，几乎所有的心血管疾病最终都会导致心衰的发生。目前，全球心衰患者人数累计已经超过 2 000 万，且以每年约 200 万人的速度逐年递增[1-2]。终末期心衰患者的药物治疗效果欠佳，而心脏移植由于全球心脏供体数量有限无法成为常规治疗方法，左心室辅助装置（left ventricular assist device，LVAD）则是在这种现状下应运而生[3]。
目前常见的旋转式 LVAD 已经逐渐成为治疗终末期心衰的重要手段，在临床上既可用于临时性心肌恢复的治疗，也是纠正顽固性心衰和心脏移植前的理想治疗手段，同时还可用于永久性的辅助支持[4-5]。然而，长期使用 LVAD 的主要不良影响之一是关于心室抽吸（suction）现象的潜在风险。抽吸是指为了满足患者的心输出量等要求，当 LVAD 的泵转速超过一定数值时，过量的血会从左心室抽出从而导致左心室塌陷的现象。临床上抽吸会导致心肌损伤、心律失常、LVAD 泵体血栓甚至患者死亡等一系列致命性后果[6-7]。抽吸现象在植入 LVAD 的心衰患者中普遍存在。最近的一项研究表明，平均每 19 例植入 LVAD 的心衰患者中有 15 例患者发生过抽吸现象，频率为每 1 000 分钟发生 13 次抽吸事件[8]，这主要是因为植入 LVAD 的心衰患者容易在不经意间因日常活动导致抽吸现象的发生，比如咳嗽、瓦氏呼吸（Vasalva Maneuver）、突然活动以及突然停止运动等[6]。
从理论上讲，通过观测左心室压力信号可以快速且准确地检测出抽吸现象，因为当抽吸现象发生时，左心室压力的瞬时值将会下降到 1 mm Hg 甚至更低[9]。但是这种方法需要植入压力传感器来检测左心室压力信号，而目前的压力传感器却因为在使用过程中可能产生的传感器导管堵塞、传感器漂移以及传感器故障等问题无法长期应用于临床[10-11]。为了弥补以上不足，研究人员提出了一些新的抽吸检测方法[12-16]。虽然这些方法在抽吸检测方面得到了较好的结果，但它们大多基于 LVAD 的泵流量来实现，而泵流量信号的提取需要流量传感器，这种传感器同样由于其诸多缺点在临床上还无法实现[11]。
本文提出了一种新颖的抽吸检测方法，即使用 LVAD 的内在血泵参数（泵转速），避免了额外压力和流量传感器的使用。该方法通过泵转速信号，分别基于时域、频域和时-频域提取了三种特征指标（feature index，FI）。作为比较，该方法也从泵流量信号提取了这三种特征指标，用于证明本文提出的假设，即基于泵转速的无传感器抽吸检测方法比基于泵流量的方法具有更好的抽吸检测效果。泵流量和泵转速信号均可以从一种改进的人体循环系统和 LVAD 耦合仿真模型得到。本文采用四种分类器：分类和回归树（classification and regression tree，CART）、判别分析（discriminant analysis，DA）、神经网络（neural networks，NN）、拉格朗日支持向量机（Lagrangian support vector machine，LSVM），对基于泵转速和泵流量的特征指标进行分类。
1 方法
1.1 人体循环系统和 LVAD 的耦合模型
在本文所采用的人体循环系统和 LVAD 耦合模型中，将旋转式轴流 LVAD 并联至左心室和主动脉两端。算法中所需泵转速和泵流量信号均可由此模型得出。该模型已在之前的研究中被验证，并且用于设计多种基于 LVAD 的控制算法[17]。另外，该模型假设右心房、右心室和肺循环几部分是正常的，因此它们对于 LVAD 的影响可以忽略不计。所以，该模型将人体循环系统分成五部分，并与旋转式 LVAD 的动态模型一起组成人体循环系统和 LVAD 的耦合模型。如图 1 所示为本文所采用模型的相应等效电路表达形式。表 1 列出了模型中的六个状态变量。
图1
人体循环系统和 LVAD 耦合模型的等效电路图
Figure1.
Equivalent circuit diagram of the combined human circulatory system and LVAD model
表1
人体循环系统和 LVAD 耦合模型的状态变量
Table1.
State variables in the combined human circulatory system and LVAD model
该组合模型可由式（1）所示的六阶微分方程来表达：
|
其中：
|
|
|
|
式（1）中，i（t）是血泵电流，即系统的控制变量。图 1 中 HP 表示当血液流经 LVAD 时，LVAD 入口和出口处的压力差。此压力差是关于血泵转速的函数，而血泵转速可通过血泵电流来控制，具体表达式见式（6）：
|
其中 γ 和 β 均为常量。所有模型参数和模型的验证步骤均可以从之前的研究中获得[9, 17]。
1.2 LVAD 泵血状态的定义
图 2 所示为通过上述模型所得出的泵流量和泵转速信号，用于定义 LVAD 泵血的两种状态。其中控制变量泵电流呈线性增加趋势。此项研究中关于 LVAD 泵血状态的定义有两种：① 无抽吸。无抽吸对应于 LVAD 的正常工作状态。此时，在每个心动周期中，泵流量显示为近似的正弦周期信号，泵转速显示为叠加振荡信号。② 抽吸。在抽吸状态下，从图 2 中可以观测到泵流量不再是近似的正弦周期信号，其最小值随着泵电流的升高逐渐降低，而泵转速的振幅随着泵电流的升高逐渐增加。
图2
仿真信号
Figure2.
Simulated signals
1.3 特征提取
本文设计的方法通过泵流量和泵转速信号，分别基于时域、频域和时-频域提取了三种特征指标。其中第一种基于时域的特征指标是与信号的平均值、最大值以及最小值相关[6]，如式（7）所示：
|
其中 PF 代表泵流量，PS 代表泵转速。第二种基于频域的特征指标用于检测次谐波分量频带内信号总能量与谐波分量频带内信号总能量的比值，如式（8）所示：
|
其中 QP（ω）代表泵流量或泵转速的傅里叶变换。另外在式（8）中，ω1 = ω0 − ωc，ω2 = ω0 + ωc，ωc 表示定义了一个以 ω0 为中心的区间阈值[18]。
第三种基于时-频域的特征指标表示信号瞬时平均频率的标准偏差[18]，如式（9）所示：
|
其中式（9）中的瞬时频率表示给定时间的总频率。
以上描述的三种特征指标将作为检测抽吸现象的分类器的输入。本文采用四种不同类型的分类器（NN、CART、LSVM、DA）来检测所设计的抽吸检测系统的性能和效果。图 3 所示为该抽吸检测系统的流程图。
图3
所提出的抽吸检测系统流程图
Figure3.
Flowchart of the proposed suction detection system
1.4 数据分析
本文在计算机仿真中分析了九种心衰状况[19]。这些状况代表了不同程度的心衰和患者的活动情况。其中患者的活动情况可由图 1 中的阻值 RS 来描述，RS 越小说明患者的活动情况越剧烈，反之则说明患者的活动情况越轻微。另外，根据患者不同的活动状况，患者的心率也会随之变化。如表 2 所示列出了九种不同程度心衰情况相应的心脏收缩能力值（Emax[9]）、RS 值以及心率（heart rate，HR）的变化。为了测试所提出的算法，本文对上述所有情况进行了仿真和记录。通过对泵流量和泵转速信号的分析，得到包括 333 个基于泵流量的样本和 326 个基于泵转速的样本的数据库，并将基于泵流量和泵转速的样本分别分成两组，代表无抽吸和抽吸状态（如 1.2 节所述）。其中 333 个基于泵流量的样本中包含 192 个无抽吸状态样本和 141 个抽吸状态样本；326 个基于泵转速的样本中包含 188 个无抽吸状态样本和 138 个抽吸状态样本。这些样本作为上述四种分类器的输入，四种分类器均使用随机选择的 50% 数据样本进行训练，之后使用剩余的 50% 样本进行测试。训练和测试的过程与之前的研究相似[15]。由于每次数据样本均为随机选取，因此四种分类器的训练和测试均重复 100 次。另外，基于医学统计的判断标准和本文的具体研究内容，本文将抽吸状态定义为阳性，无抽吸状态定义为阴性。因此，敏感性 = 正确的阳性样本数/研究的阳性样本数，特异性 = 正确的阴性样本数/研究的阴性样本数，准确率 =（正确的阳性样本数 + 正确的阴性样本数）/研究的总样本数。本文中所示的分类结果均是重复 100 次之后的平均值，所有的结果均通过仿真软件 MATLAB（The MathWorks Inc.，Natick，MA，美国）得出，仿真所用台式计算机的配置为 3.4 GHz 英特尔 i7-6700 中央处理器及 16 GB 内存。
表2
不同类型的心衰状况
Table2.
Different heart failure cases
2 结果
图 4 显示了分别从泵流量信号和泵转速信号提取的三种特征指标的实例。无论是基于泵流量还是泵转速信号，这些特征指标从无抽吸状态到抽吸状态的变化均十分明显。首先，从基于泵流量信号所提取的第一种特征指标表明，当不存在抽吸现象时，特征指标的数值在零值附近波动；当抽吸现象发生时，特征指标的数值将急剧增加，之后随着控制变量泵电流的线性增加而略有下降。相对地，在抽吸现象中，基于泵转速信号所提取的第一种特征指标值则在明显下降后略有升高。其次，基于以上两种信号提取的第二种特征指标有着相同的趋势，即在正常状态下特征指标值较大，在接近抽吸现象时指标值下降为零，在抽吸现象发生时指标值又略有上升但明显小于正常状态下的数值。最后，基于以上两种信号提取的第三种特征指标也有着相同的趋势，即在抽吸现象开始时指标数值急剧升高，而后明显降至小于正常状态下的指标数值。另外，如图 5 所示为分别基于泵流量和泵转速信号所提取的特征指标的箱形图，用以更直观地区分无抽吸和抽吸状态。
图4
基于泵流量和泵转速提取的特征指标实例
Figure4.
Examples of FIs extracted from pump flow and pump speed
图5
基于泵流量和泵转速提取的特征指标的箱形图
Figure5.
Box plots of FIs extracted from pump flow and pump speed
表 3 以 CART 算法为例，列出了基于泵流量和泵转速信号的分类测试结果。总体来讲，基于泵流量时，70 例研究的总阳性样本中有 6.33% 被错误地分类为阴性，而 96 例研究的总阴性样本中有 3.23% 被错误地分类为阳性。而基于泵转速信号的分类测试结果显示，69 例研究的总阳性样本中有 5.36% 被错误地分类为阴性，94 例研究的总阴性样本中只有 1.35% 被错误地分类为阳性。表 3 给出了相应的敏感性、特异性、准确率的平均值和它们的标准差。
表3
采用 CART 算法的测试集分类结果
Table3.
Classification results of CART algorithm on the test set
此外，本文也对基于泵流量和泵转速的两种抽吸检测方法进行了更为细致的比较，分别采用了四种模式识别算法（NN、CART、LSVM、DA）。两种抽吸检测方法采用了相同的步骤和流程，评价标准包括敏感性、特异性、准确率以及它们的标准差。如图 6 所示为对两种抽吸检测方法分别运用四种模式识别算法的比较结果。总体而言在两种抽吸检测方法中，基于 NN 的方法均明显优于其他方法。另外，从上述所有图表中不难看出，无论采用何种模式识别算法，本文所提出的基于 LVAD 内在血泵参数（泵转速）的无传感器抽吸检测方法的性能和效果要明显优于基于泵流量的抽吸检测方法。
图6
采用 NN、CART、LSVM、DA 算法的基于泵流量和泵转速的分类结果比较
Figure6.
Comparison of classification results based on PF and PS signals with NN, CART, LSVM, and DA algorithms
图 7 所示为采用 NN、LSVM、DA 算法时基于泵流量和泵转速的受试者工作特征（receiver operating characteristic，ROC）曲线比较结果。其中由于 CART 算法的离散性，ROC 曲线不适用于 CART 分类器。本文用曲线下面积（area under curve，AUC），即 ROC 曲线下与坐标轴围成的面积作为评价各种分类器效果的标准。显然 AUC 越大，分类结果越好。从图中可以看出，无论采用何种分类器，基于泵转速的分类结果均优于基于泵流量的分类结果。另外，表 4 也基于泵转速将不同方法的响应时间进行了对比。
表4
基于不同抽吸检测方法重复 100 次运算的响应时间对比
Table4.
Comparison of response time repeating 100 runs based on different suction detection methods
图7
采用 NN、LSVM、DA 算法的基于泵流量和泵转速的 ROC 曲线比较
Figure7.
Comparison of ROC curves based on pump flow and pump speed with NN, LSVM, DA algorithms
3 讨论
心室抽吸现象对于植入 LVAD 的心衰患者以及 LVAD 控制系统的改进和研发而言是重要的制约因素，需要慎重考虑和对待。通常，抽吸现象指的是当 LVAD 的血泵转速超过一定数值时，血泵将会从左心室抽出过量的血，从而导致左心室塌陷。除此之外，这种现象还可能导致血泵故障或心室心律失常等易于损害心肌的后果，在某些更为严重的情况下会导致患者死亡。因此，在临床上需要快速、准确地检测出抽吸现象并通过降低血泵转速等方式将其消除。
心室抽吸的检测一直是 LVAD 相关领域热衷于研究的课题。从理论上讲，检测抽吸现象最好的方法是直接观测和分析心室压力。另外，解决抽吸检测问题也可以分析 LVAD 的泵流量信号，因为这种信号易于测量，之后可基于泵流量信号提取若干相关特征并进行分类。然而，无论分析心室压力或泵流量，都需要用到可植入式压力或流量传感器来连续测量压力或泵流量信号。但是，目前这样的植入式传感器却因为传感器故障和位置漂移、测量噪音等原因无法长期应用于临床，从而大大降低了这种方法总体的可靠性和安全性，也增加了 LVAD 治疗的复杂度和成本。因此，实际应用中摒除对于可植入式传感器的依赖，仅利用实时且可靠的方法有效地检测抽吸现象是十分必要的。
相比之下，此项研究中基于 LVAD 泵转速的方法，摆脱了之前的相关研究中对于额外压力或流量传感器的依赖。仿真结果表明，无论采用何种分类器，本文所提出的无传感器抽吸检测方法的效果均要优于依靠传感器并基于泵流量的抽吸检测方法，具有更高的分类精度和稳定性。另外，基于泵流量和泵转速信号所提取的特征指标，均表明无抽吸和抽吸状态之间有着明显的区别，说明所提取的三种特征指标具有很好的鲁棒性。小部分错误分类样本的出现可能是由于用于特征提取的移动时间窗有时会包含无抽吸和抽吸两种状态的信号，这是将来要解决的问题之一。
在设计抽吸检测算法时，其他更实际的考虑因素包括算法的实时计算和硬件部分。对于植入 LVAD 的心衰患者而言，必须以秒为单位快速准确地检测出抽吸现象，而本文中所采用的三种抽吸特征指标可以以较高的速度（大于 30 Hz）来计算，意味着可以满足 LVAD 的实际需要。虽然表 4 显示 NN 算法的响应时间相对最长，但这是基于重复 100 次运算的响应时间。此外，随着目前越来越先进的批处理器的使用，大多数理论上的特征指标均能够实时提取和计算。因此，本文设计的方法可以作为一种有价值的实时检测抽吸现象的工具。
到目前为止，此项研究的初步结果是基于计算机模拟的。显然，分析结果建立在实验数据或真实临床数据的基础上更有说服力，计算机仿真无法取代体外实验或动物实验的重要性和意义，也不能够重现所有预期的临床效果。例如，本文所采用的左心循环系统和 LVAD 组合模型忽略了右心和肺循环系统，假设了模型中的参数为集总参数并且血流为牛顿液体。计算机仿真和数学模型也无法模拟与心血管系统相关的神经体液反应、组织重塑以及遗传表型的变化。本文的计算机仿真也没有在泵流量和泵转速信号中添加测量噪声，这需要在特征提取之前加入预处理步骤来对泵流量和泵转速信号进行滤波来消除高频噪声，使该算法更符合实际应用。另外，本文的训练和测试样本数量与实际的在体实验数据相比可能偏少，但是也包括了患者在不同活动和生理状态下的样本。因此，尽管本文还存在着一定的不足和局限性，但是通过模型和仿真说明此种方法是可行和有效的，可为今后抽吸检测的改进和设计提供可靠的平台，具有一定的临床应用价值。
4 结论
本文提出了一种利用 LVAD 内在血泵参数——泵转速来检测抽吸现象的有效算法，无需使用额外传感器。基于泵转速所提取的三种特征指标作为分类器的输入，用于执行具体的分类工作。基于四种模式识别分类器，本文提出的算法与其他使用传感器的方法相比，具有更高的分类精度、稳定性以及良好的鲁棒性。该方法的实际临床效果仍然需要利用离体循环系统和大型动物实验来进一步验证。
