早产儿败血症发病预测模型研究

陈 霆，刘志伟，王 翼，潘钢

1 上海交通大学生物医学工程学院生物医学仪器研究所，上海市，200030

2 上海交通大学Med-X研究院，上海市，200030

早产儿败血症发病预测模型研究

【作者】陈 霆1,2，刘志伟3，王 翼3，潘钢1,2

1 上海交通大学生物医学工程学院生物医学仪器研究所，上海市，200030

2 上海交通大学Med-X研究院，上海市，200030

3 上海交通大学医学院附属国际和平妇幼保健院新生儿科，上海市，200030

该文主要致力于新生儿败血症预测性监护系统的研究，主要建立了新生儿重症监护室临床心电信息采集平台，设计了基于

新生儿败血症；预测性监护系统；心电特征提取；心率变异性分析

早产及其相关的临床问题是造成新生儿死亡和远期不良后果的重要原因，是全球围产医学以及新生儿医学关注的热点。约25%的极低出生体重儿会发生新生儿败血症，其死亡率高达近20%，并且极有可能对患儿造成永久的神经损伤[1]。因此，研究如何对新生儿败血症进行早期诊断并尽早进行介入治疗有着重要的临床意义。国外有研究表明，在败血症发病之前，患儿会发生心率变异性下降以及瞬时心跳减速[2]。如果对可能发生败血症的患儿进行连续的心电监护，就可以通过海量的数据来预测患儿是否具有发生败血症的风险。

1 心电采集对象选择

为了能更有效地说明心电数据与新生儿败血症的相关性，需要对心电采集对象进行选择。具体心电采集对象选取标准如下：

(1) 纳入标准 在国际和平妇幼保健院出生的早产儿，胎龄＜34 周，或出生体重＜1 500 g。

(2) 排除标准 产前检查提示存在器质性心脏疾病；存在明显先天性畸形；生后5 min新生儿阿氏评分（Apgar）＜7分；家属放弃治疗。

基于上述心电采集对象选取标准，本课题在国际和平妇幼保健院新生儿科NICU中选择了8名早产儿作为研究对象，所选择早产儿的临床信息统计如表1所示。

表1 心电采集对象临床信息统计Tab.1 Clinical information of the patients in research

2 NICU临床心电监护数据采集

本文采用NICU中配备的飞利浦IntelliVue系列临床监护仪中的心电采集模块、心电信号模拟输出接口以及研华科技USB-4704便携式数据采集模块，设计心电采集平台硬件系统。该心电采集平台的具体系统框图如图1所示。

图1 NICU心电采集平台硬件系统框图Fig.1 Hardware system of ECG acquisition platform in NICU

飞利浦临床监护仪的心电测量模块通过ECG导联测得患儿的心电数据，然后对心电数据进行一定的处理并输出心电模拟信号。ECG模拟信号通过传输线被传输至研华USB-4704 A/D采集装置进行模拟量与数字量的转换。由于该A/D采集模块最多可支持8个通道进行同时采集，因此可同时采集8名患儿的心电数据，并通过USB数据线将数字信号传输至临床数据采集电脑进行数据存储。临床数据采集电脑也可通过USB数据线对A/D采集模块进行设置和控制。

3 心电信号处理系统

3.1心电信号预处理

从数据采集模块采集到的数据，经过频域分析后发现，原始信号在50 Hz左右的谐波异常高大，因此考虑该噪声可能是50 Hz的工频干扰。为了去除干扰，保留有用信息，设计了50 Hz陷波器去除此干扰。

1)将样本数据集M={m1,m2,…,ml}中的样本点存入邻距离矩阵Ndm=Nn×Nn中，其中Nn为数据集合M的数据总数，矩阵的每一行表示数据集M中的数据m1与其他数据间的距离.之后对粒度变量Gv初始化．

3.2 心电信号R波提取

QRS波群是整个心电信号中最显著的波型，为计算机自动检测提取R波提供了可能。近三十多年来，心电信号QRS波群的自动检测一直是研究的热点之一，现已经发展出了斜率阈值法、模板匹配法、小波变换法、神经网络法以及数学形态法等主要的检测算法[3]。

对于本文而言，心电信号R波提取算法需要用于预测性监护系统中，其实时性要求比较高，因此要求该算法计算量较小。同时，所采集到的心电信号经过飞利浦临床监护仪内置算法的处理后，其所包含的噪声和干扰也较小。所以，本文主要采用斜率阈值法进行新生儿心电信号R波检测。在斜率阈值算法中，阈值并不是一成不变的，它会随着信号幅值的改变，自动计算合适的阈值大小，以适应基线漂移等干扰噪声对正常心电信号造成的影响，避免R波误检和漏检的发生[4]。具体算法流程图如图2所示。

图2 心电特征提取算法流程图Fig.2 Signal processing fowchart for ECG

如图3所示为心电信号经过斜率阈值法提取R波后所获得的成果。从图3可以看出，心电信号中的各个R波均被该算法检测出来，达到了预期的效果。根据获得的R波位置信息，就可以分析心电信号的RR间期，以反映被检测者的心率变异情况，如图4所示。

图3 心电R波提取成果Fig.3 Result of ECG signal processing

图4 RR间期图Fig.4 RR intervals

4 新生儿败血症发病预测模型研究

研究对象临床结果统计如表2所示。

4.1 心率变异性分析

图5为部分NICU中采集到的心率变异数据，每段数据时长为30 min。其中，图5(a)为未发生感染早产儿的心率变异情况，图5(b)与图5(c)分别为新生儿败血症患儿发病前2周和2 h的心率变异曲线。

从图5可以明显看出，NICU中未发生感染早产儿的心率变异性与败血症患儿的心率变异性有着较大差别，并且败血症发病患儿发病前不同时期的心率变异性也有很大的不同。本文使用全部正常心跳间距之标准差（Standard Deviation of Normal to Normal，SDNN）来具体量化心率变异性，反映心率变异的剧烈程度。针对上述数据，计算得出未发生感染早产儿的RR间期SDNN值为：SDNNA= 26.58 ms，提示心率变异性较大。计算败血症病发患儿的RR间期SDNN值为：SDNNB= 12.58 ms，SDNNC= 3.33 ms，与未发生感染早产儿的心率数据相比较，得出在败血症发病前的早期，患儿的心率变异性会发生一定程度上的降低，并且随着感染病情的进展，患儿的心率变异性会不断的降低。

综上所述，当新生儿发生感染，并向败血症发展的过程中，患儿的心率变异性会有明显的下降，并且呈一个长期的下降趋势，具体表现为其SDNN值的降低。因此，在心电监护过程中，如果通过计算发现被监护对象RR间期SDNN值长期呈下降的趋势，则可提示医生该被监护对象具有发生新生儿败血症的风险。

4.2 心率减速分析

在一名败血症发病患儿的心电监护过程中发现，在感染发病时，其除了总体心电变异性有所降低外，还伴有明显的且频繁的大规模心率减速，如图6所示。根据RR间期数据，计算其SDNN值为79.44 ms，明显大于上述未发生感染早产儿的心率SDNN值，其原因是存在较大规模的心率减速。对该RR间期数据做心率加减速直方图[5]分析，发现大规模的心率减速导致了直方图的对称性降低。

表2 心电采集对象临床结果统计Tab.2 Clinical result of the patients in research

图5 心率变异性分析Fig.5 Heart rate variability analysis

图6 心率减速分析Fig.6 Heart rate deceleration analysis

综上所述，如果在心电监护中，能够通过计算发现被监护对象心率变异参数突然显著增大，而且能够监测到频繁的变化幅度较大的心率减速，则可以提示该被监护对象有败血症发病的风险。

5 结论

本文旨在研究NICU中临床心电监护数据对新生儿败血症的预测作用。为了采集到我国新生儿的临床心电监护数据，本文在合作医院NICU中进行数据采集，并在此基础上设计心电处理及分析算法，结合临床病例的临床诊断，分析获得患儿心电数据与新生儿败血症发病的相关性，为以后建立新生儿败血症预测性监护系统提供理论基础。同时，本文设计的心电信号采集平台以及心电信号处理算法也可以为将来的预测性监护系统使用，为预测性监护系统的研发打下了良好的软硬件基础。

[1] Fairchild KD. Predictive monitoring for early detection of sepsis in neonatal ICU patients[J]. Neonatology and perinatology, 2013, 25(2): 172-179.

[2] Fairchild KD, O’Shea TM. Heart rate characteristics: physiomarkers for detection of late-onset neonatal sepsis[J]. Clin Perinatol, 2010, 37(3): 581-598.

[3] 张秀秀. 基于小波变换的心电信号处理与分析[D]. 东北大学, 2006.

[4] 刘杰. 心电信号分析算法的研究与软件实现[D]. 北京交通大学2010.

[5] Griffn MP, O'Shea TM, Bissonette EA, et al. Abnormal heart rate characteristics preceding neonatal sepsis and sepsis-like illness[J]. Pediatr Res, 2003, 53(6): 920-926.

The Research of Predicting Neonatal Sepsis in Preterm Infants

【Writers】Chen Ting1,2, Liu Zhiwei3, Wang Yi3, Pan Gang1,2
1 Biomedical Instrument Institute, School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, 200030
2 Med-X Research Institute, Shanghai Jiao Tong University, Shanghai, 200030
3 Neonatology, International Peace Maternity and Child Health Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, 200030

This paper is dedicated to the research of predictive monitoring system for neonatal sepsis, and is mainly focused on the establishment of ECG acquisition platform in NICU, the ECG characteristic recognition method which is based on the slope threshold method and adaptive threshold method, and the predictive effect of clinical ECG data in predicting neonatal sepsis.

neonatal sepsis, predictive monitoring system, ECG processing, heart rate variability analysis

R722.6

A

10.3969/j.issn.1671-7104.2014.06.005

1671-7104(2014)06-0410-03

2014-05-08

陈霆，E-mail: ctyouxia@foxmail.com

潘钢，E-mail: pangang@sjtu.edu.cn

斜率阈值法以及自适应阈值的心电特征分析算法，分析了我国新生儿临床心电监护数据对新生儿败血症发病的预测作用。