Deep-Learning Based ECG-free Heart-Carotid Pulse Transit Time Estimation from Laser Doppler Vibrometry

技术摘要：基于深度学习的激光多普勒测振法（LDV）无心电图（ECG-free）心-颈动脉脉搏传导时间估计

问题陈述
动脉硬化是心血管疾病（CVD）风险的关键生物标志物，通常通过测量脉搏波速度（PWV）进行评估。PWV 通过测量脉搏传导时间（PTT）——即压力波在两个动脉部位之间的时间延迟——来计算。虽然激光多普勒测振法（LDV）提供了一种非侵入性方法，通过测量动脉部位（特别是心脏和颈动脉）的皮肤位移和加速度来估计 PTT，但目前的自动化方法面临着重大障碍。传统上，准确的 PTT 估计需要同时使用心电图（ECG）来识别心跳起始点（R峰）以进行信号分割。然而，集成 ECG 电极会增加测量程序的复杂性、延长设置时间并降低易用性，这使得其不适用于未来的商业化 LDV 设备。现有的无 ECG 替代方案（如模板匹配，TM）依赖于刚性的解析模型和预定义模板，这类方法对信号质量非常敏感，并且由于严格的质量阈值，往往无法处理大量的受试者。

方法论
本研究提出了一种深度神经网络（DNN）方法，直接从 LDV 数据生成“ECG 代理”信号，从而实现无需并行采集 ECG 的全自动 PTT 估计。

• 数据来源： 研究利用了两个数据库。CARDIS 数据库（100 名高血压受试者）提供了用于 DNN 训练、验证和测试的 20 秒记录。INSIDE 数据库（100 名受试者）作为一个完全未见的数据集，用于针对手动参考值基准测试最终的 PTT 估计性能。
• 信号处理与目标生成：
  • 使用具有每手柄六个激光通道的原型机，记录了颈动脉和心脏部位的 LDV 信号（皮肤加速度）。
  • 为了训练 DNN，原始 ECG 信号被转换为目标信号（$E'(n)$）。该过程涉及将 R 峰转换为脉冲序列（使用 Kronecker delta 函数），并将其与高斯滤波器（$\sigma=75$ 个样本）进行卷积。这种转换简化了使用均方误差（MSE）损失的学习任务，同时保留了心脏计时信息。
• DNN 架构： 采用了改进的 Wave-U-Net 架构，其特征是在编码器和解码器模块中各包含四个卷积层，具有批归一化（batch normalization）、ReLU 激活函数，并在瓶颈处使用了一个 Transformer 层以实现上下文感知的自注意力机制。该模型将 4 秒的 LDV 片段映射到相应的 ECG 代理信号。
• PTT 估计工作流：
  1. 分割： DNN 从颈动脉 LDV 信号中预测 ECG 代理信号（$\hat{E}'(n)$）。通过对该代理信号进行峰值检测来识别心跳起始点。
  2. 质量控制： 根据预测峰值的能量计算信噪比（SNR）指标（$\zeta$），以过滤掉低质量通道。只有具有高 $\zeta$ 值的通道才会被用于分割。
  3. 特征点检测： 一旦完成分段，将在生理定义的窗口内识别特征点：颈动脉重搏切迹（DN）以及心脏信号中第二次心音（S2）最小值之前的第一个扰动。
  4. 计算： PTT 计算为这些特征点之间的时间差。最终的 PTT 是所有有效通道组合的中位数，前提是满足最小估计数量（例如 20 秒内至少 50 次）。

核心贡献

• 无 ECG 分割： 主要贡献在于开发了一种能够成功将 LDV 信号映射到 ECG 代理信号的 DNN，从而消除了在临床 LDV 设置中并行采集 ECG 的需求。
• 对信号质量的鲁棒性： 本研究引入了一种基于 DNN 自身输出的新型 SNR 指标来过滤通道，使其比刚性的模板匹配算法能更有效地处理多变的信号质量。
• 基准测试： 本研究在三种方法之间进行了全面的比较：(1) 使用 ECG 的手动参考法，(2) 基于 ECG 的自动化方法，(3) 最先进的模板匹配（TM）方法，以及 (4) 提出的 DNN 方法。

结果

• 心跳检测： DNN 在测试集中正确预测了 68% 的心跳起始，在验证集中预测了 77%。预测峰值与参考峰值之间的平均时间距离约为 4–6 个样本（在 1 kHz 下为 4–6 ms）。
• PTT 相关性： 当应用于未见的 INSIDE 数据库（100 名受试者）时：
  • 基于 DNN 的方法 产生了 64 名受试者 的有效 PTT 估计，其与手动参考值的相关系数为 $\rho = 0.71$ ($p < 0.001$)。
  • 模板匹配（TM）方法 仅产生了 46 名受试者 的有效估计，其相关系数为 $\rho = 0.69$ ($p < 0.001$)。
  • 基于 ECG 的自动化方法（使用真实 ECG 进行分割）在 90 名受试者 中实现了 $\rho = 0.69$。
• 统计显著性： Wilcoxon 符号秩检验表明，DNN、TM 和基于 ECG 的方法所产生的 PTT 值之间没有统计学上的显著差异。然而，DNN 方法表现出了更优越的包容性，与 TM 方法相比，它成功处理了显著比例更多的受试者。

意义与主张
作者声称，基于 DNN 的方法提供了一种可行的“ECG 代理”，能够在无需 ECG 电极的情况下，实现 LDV 信号中稳健、自动的心跳分割。虽然 DNN 方法的相关系数与模板匹配和基于 ECG 的方法相当，但其主要优势在于包容性：在存在多变信号质量的情况下，它比 TM 方法成功生成了更多可靠的 PTT 估计（64 名 vs. 46 名）。研究结论认为，只要对相关的信号类型进行重新训练，该技术展示了在更广泛的生物医学 LDV 应用（如颈动脉-股动脉 PWV 估计或心律失常检测）中的潜力。这项工作强调，这一进步是迈向临床部署用户友好型、非侵入式动脉硬化监测设备的必要步骤。