HRVConformer：基于心率信号的新生儿缺氧缺血性脑病分类

# 基于心率信号的新生儿缺氧缺血性脑病分类  
本研究得到爱尔兰研究署（Taighde Éireann – Research Ireland, 19/FFP/6782）的支持。同时得到Wellcome Trust战略转化奖和创新奖（098983 & 209325）的资助。来源：https://arxiv.org/html/2605.26190  
Shuwen Yu  
通讯作者：[email protected]  
科克大学电气与电子工程系，工程与建筑学院，爱尔兰科克  
INFANT研究中心，科克大学，爱尔兰科克  
William P Marnane  
科克大学电气与电子工程系，工程与建筑学院，爱尔兰科克  
INFANT研究中心，科克大学，爱尔兰科克  
Geraldine B. Boylan  
INFANT研究中心，科克大学，爱尔兰科克  
儿科与儿童健康系，科克大学，爱尔兰科克  
Gordon Lightbody  
科克大学电气与电子工程系，工程与建筑学院，爱尔兰科克  
INFANT研究中心，科克大学，爱尔兰科克  

###### 摘要  
本文提出了HRVConformer，一种用于利用瞬时心率信号对缺氧缺血性脑病（HIE）进行分类的新型深度学习架构。与传统依赖手工特征的方法不同，HRVConformer以端到端方式直接处理原始HR信号，通过混合卷积-Transformer框架同时捕捉局部和长程依赖关系。通过整合用于局部特征提取的卷积层和用于全局上下文建模的基于Transformer的注意力机制，该架构有效增强了信号表示和分类性能。该模型采用监督学习训练，使用了包含1573个1小时时段的大型HR数据集，其中包括259个专家标注的1小时时段和大量弱标注数据。一个314小时的验证集提供了稳健的性能估计，而一个独立的215小时专家标注数据集被保留用于最终测试。HR信号通过改进的Pan-Tompkins算法从心电图（ECG）记录中提取，该算法显著提高了信号质量和数据可用性。实验结果表明，HRVConformer在测试集上实现了83.23%的AUC和74.56%的准确率。这些结果超过了Transformer、ResNet50和全卷积网络基线，凸显了整合卷积和Transformer组件用于基于HR的HIE分类的优势。所提方法为利用HR信号进行更准确、更自动化的HIE评估迈出了有希望的一步。代码可在以下地址获取：https://github.com/syu-kylin/HRVConformer。  

*关键词*缺氧缺血性脑病·心率·Pan-Tompkins·卷积神经网络·Transformer  

## 1 引言  
缺氧缺血性脑病（HIE）是一种由新生儿脑部供氧和血流不足引起的严重疾病[1, 2]。它带来了显著的发病负担和高死亡率[3, 4]，凸显了早期准确诊断的关键需求。治疗性低温（TH）已成为中重度HIE的标准治疗方式，可将婴儿体温降至32–34°C并持续72小时[5]。为取得疗效，该治疗应在出生后6小时内启动[6, 7]。EEG是评估HIE脑损伤的金标准[8]，然而，并非所有临床环境都能轻易获得EEG。心率变异性（HRV）是衡量心跳间时间变化的指标，已成为评估HIE严重程度和预后的一种有前景的生物标志物[9, 10, 11, 12, 13]。与EEG相比，心率变异性更容易获取且可即时获得，非常适合在此狭窄时间窗口内快速做出决策。近期研究表明，将心率变异性分析整合到临床实践中，有助于制定更个性化的治疗方案，最终为缺氧缺血性脑病婴儿带来更好的长期发育结局[8, 9, 14]。  

心率是一种反映自主神经系统功能的无创测量指标。它源自连续心跳之间的间隔，即R-R间期，可从心电图信号中提取。Pan-Tompkins算法是一种广泛用于检测这些间期的方法，因其即使在噪声信号中也能高效准确地识别QRS复合波[15]。该算法历经多次改进以增强其鲁棒性和性能。Pan-Tompkins++[16]引入了移动平均滤波器和多组阈值，以减少假阳性和假阴性。已在多个数据集上测试，显示假阳性减少2.8%，假阴性减少1.8%。一些改进侧重于加速算法，要么通过量化滤波信号[17]，要么通过去除背景噪声[18]。Hamilton & Tompkins算法[17]也利用均值或中位数估计器替代决策规则。Pan-Tompkins算法已与其他峰值检测方法（如Hilbert双包络法HDEM）进行了比较，结果显示HDEM比Pan-Tompkins算法具有更高的灵敏度[19]。尽管也提出了其他峰值检测方法，如基于小波的方法[20, 21, 22, 23]和相量变换方法[24]，但Pan-Tompkins算法因其简单高效仍是最流行的方法。  

HRV受到自主神经系统中交感神经和副交感神经分支的共同影响，使其成为神经和生理应激的敏感指标。从ECG信号中提取后，HRV通常可在三个域中分析：时域、频域和复杂度域。时域特征包括平均NN间期（mean NN）、NN间期标准差（SDNN）和连续差值的均方根（RMSSD）等指标。这些简单指标可提供对整体HRV的一些见解。频域中的频谱分析将HRV分解为不同频带，如低频（LF）、高频（HF）和极低频（VLF）分量。LF/HF比值常用于评估交感神经与副交感神经活动之间的平衡。一些测量方法如去趋势波动分析（DFA）和Poincaré图提供了关于HRV复杂性和分形特性的信息，这些特性与自主神经系统的完整性相关[11, 25, 26]。  

HRV分析在临床和非临床领域均有广泛应用：心血管疾病诊断，如心律失常[27]、高血压[28, 29]和脑损伤[30, 31]；以及一些非临床应用，如压力检测[32]和睡眠呼吸暂停检测[33]。研究表明，与健康对照组相比，HIE新生儿的HRV显著降低。HRV抑制程度与通过EEG和MRI评估的脑损伤严重程度相关。例如，中重度HIE新生儿的HRV指标（如SDNN、RMSSD和HF功率）低于轻度或无损伤新生儿[26, 34]。LF/HF比值（交感神经优势指标）在重度HIE婴儿中较低，表明应激增加和副交感神经活动受损[35, 10]。结合HRV特征和临床参数，采用逻辑回归分析预测新生儿HIE的EEG分级，在训练集上实现了0.895的AUC[25]，这证实了HRV与HIE分级之间存在强相关性。  

尽管一些临床和统计学研究已发现HRV与HIE之间的这种关联，但仍缺乏标准化的深度学习方法对此进行验证。深度学习模型在信号处理方面显示出巨大潜力，为各类信号的分类、检测和增强提供了先进能力。这些模型擅长从原始数据中自动提取和学习特征，在处理复杂和非平稳信号时尤其有利。例如，[36]提出了RRWaveNet，一种多尺度卷积和残差卷积神经网络（CNN），使用原始光电容积脉搏波信号作为输入提取呼吸频率。[37]和[38]分别将远程光电容积脉搏波和心音图信号转换为二维时空和时频特征图像，使用深度CNN进行心率提取和心脏瓣膜病检测。结合CNN和双向长短期记忆网络，[39]提出了一种CNN-BLSTM模型，利用ECG信号检测异常心跳，其性能优于ResNet-50[40]和AlexNet[41]。  

Transformer架构在自然语言处理和视觉领域的成功（以Vision Transformer为例[42]）激发了其在其他领域的应用。例如，多通道Transformer网络已应用于医学时间序列数据[43, 44]。为同时捕捉局部和长程特征，结合CNN和Transformer的混合架构已用于视觉任务[45]、语音信号[46]、基于EEG的脑机接口[47]和脑损伤检测[48]。卷积增强Transformer——Conformer网络，最初在[49]中提出，它将卷积模块整合到Transformer块中，形成新的Conformer块，在语音识别中达到了最先进的准确率。一些改进通过添加额外的编码器-解码器模块或采用有限上下文注意力来提升其效率[50, 51]。然而，该架构在生物医学信号处理中的性能尚未得到证明。  

本文受Vision Transformer和Conformer架构的启发，提出了HRVConformer用于HIE分类。大量弱标注HR数据与专家标注的强标注数据混合使用，用于HRVConformer的弱监督训练。据作者所知，这是首次利用深度学习方法直接从瞬时心率信号对HIE进行分类的研究。本文提出了一种增强版Pan-Tompkins算法，以改善从新生儿噪声ECG信号中提取心率信号的质量和数量。本文结构如下：第2部分描述了数据集、预处理和后处理流程，以及增强的Pan-Tompkins算法。此外，还给出了HRVConformer架构的概述。第3部分详细介绍了实验和结果，包括对改进Pan-Tompkins算法的评估、HRVConformer的基线比较以及消融研究。随后是对模型性能、注意力可视化和局限性的讨论。  

## 2 方法  

### 2.1 数据集  
本研究是对2011年1月至2017年2月期间招募的新生儿数据的二次分析，这些数据来自两项在八个欧洲三级新生儿重症监护室进行的多中心队列研究。原始研究称为ANSeR1和ANSeR2，纳入妊娠周数≥36+0周且因临床原因需接受EEG监测的婴儿。主要研究结果已发表，详细研究方案可在ClinicalTrials.gov（https://clinicaltrials.gov/）获取（标识符：NCT02160171 [52]，NCT02431780 [53]）。在入组的472名新生儿中，284名婴儿被诊断为缺氧缺血性脑病（HIE）。在这284名HIE新生儿中，35名被排除，原因包括合并诊断或EEG未在出生后48小时内开始；其中68名被保留用于未来验证。最终剩下181名婴儿进行分析，ANSeR1数据集中有来自6个中心的91份记录，ANSeR2数据集中有来自8个中心的90份记录。所有新生儿均使用日本光电子Neurofax EEG-1200（东京，日本）或NicoletOne ICU监护仪和Xltek（Natus，Middleton，WI，美国）进行连续EEG监测，采样频率为256 Hz或250 Hz。由于记录中心、设备和协议的差异，ANSeR1中仅有58名新生儿、ANSeR2中仅有75名新生儿的ECG通道可用。在出生后第6、12、24、36和48小时，若有可用数据，则提取1小时时段。神经生理学家根据多导EEG信号对每个时段的HIE分级进行标注。根据[54]中的分级方案，HIE严重程度分为五个等级：正常、轻度异常……（原文未完整展示，此处按已知信息处理为“正常、轻度异常、中度异常、重度异常”等，但原文只写到“normal, mild abnorm”，可能后面是“normal, mild abnormal, moderate, severe”等，按常规保留）