王林峰 劉歡慶 周濤

1湖南中醫(yī)藥大學(xué)信息科學(xué)與工程學(xué)院 長(zhǎng)沙市 410208

2長(zhǎng)沙縣人民醫(yī)院（湖南省人民醫(yī)院星沙院區(qū)） 長(zhǎng)沙市 410138

3湖南省人民醫(yī)院 長(zhǎng)沙市 410005

電生理技術(shù)是利用儀器設(shè)備產(chǎn)生以電形式為主的能量刺激生物體，并測(cè)量、記錄和分析生物體發(fā)生的電現(xiàn)象和生物體的電特性的技術(shù)［1］，其作為一種輔助診查手段，在神經(jīng)系統(tǒng)、心血管系統(tǒng)、內(nèi)分泌系統(tǒng)等疾病的診斷和治療方面提供了重要參考依據(jù)。電生理主要分為心臟電生理和神經(jīng)電生理，檢查的手段主要有腦電圖、肌電圖、經(jīng)顱多普勒及心電圖四種。人工智能作為計(jì)算機(jī)科學(xué)的一個(gè)分支，近些年來(lái)發(fā)展迅速，并在眾多領(lǐng)域有著廣泛應(yīng)用，如無(wú)人駕駛、智能機(jī)器人、同聲傳譯、智能輔助診斷等，為社會(huì)發(fā)展和人民生活水平的提升做出了重要貢獻(xiàn)。隨著人工智能技術(shù)的快速發(fā)展，其在臨床疾病智能診斷及預(yù)測(cè)等方面發(fā)揮重要作用。

人工智能技術(shù)介紹

人工智能結(jié)合了信息學(xué)、生物學(xué)、邏輯學(xué)、控制論、仿生學(xué)等眾多學(xué)科，以數(shù)據(jù)為基礎(chǔ)、計(jì)算能力為支撐、數(shù)學(xué)算法為方法，在機(jī)器視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言理解等領(lǐng)域取得了重大成果［2-3］。人工智能從20世紀(jì)60年代以來(lái)，先后經(jīng)歷了兩次發(fā)展浪潮，理論體系和技術(shù)方法不斷完善?，F(xiàn)階段，人工智能算法按照任務(wù)類型主要分為：分類、回歸、聚類、異常檢測(cè)四種。分類任務(wù)是指建立函數(shù)判斷輸入數(shù)據(jù)所屬的類別，類別可以是二分類也可以是多分類，該任務(wù)最為常見(jiàn)且應(yīng)用最為廣泛，如人臉識(shí)別、語(yǔ)音識(shí)別，手寫識(shí)別、疾病預(yù)測(cè)等，分類算法主要有K-鄰近算法、支持向量機(jī)、邏輯回歸、貝葉斯網(wǎng)絡(luò)、決策樹(shù)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等?；貧w任務(wù)被用來(lái)預(yù)測(cè)具體的數(shù)值，建立變量間的相關(guān)關(guān)系，與分類任務(wù)的區(qū)別在于輸出結(jié)果為具體數(shù)值而非離散值，在現(xiàn)實(shí)生活中的應(yīng)用有股票預(yù)測(cè)、商品房?jī)r(jià)格預(yù)測(cè)等；回歸算法主要有線性回歸、支持向量機(jī)回歸、嶺回歸等。聚類任務(wù)是指將數(shù)據(jù)對(duì)象聚成多個(gè)類簇，在現(xiàn)實(shí)生活中的應(yīng)用有客戶群體區(qū)分等；聚類算法主要有K-均值算法、模糊聚類、層次聚類等。異常檢測(cè)任務(wù)指對(duì)數(shù)據(jù)中存在的不正常或非典型的分體進(jìn)行檢測(cè)和標(biāo)志，在現(xiàn)實(shí)生活中的應(yīng)用有設(shè)備異常檢測(cè)、非法用戶檢測(cè)等；算法主要有支持向量機(jī)、主元分析等。

人工智能技術(shù)在電生理診斷中的應(yīng)用情況

電生理診斷實(shí)際上是圖像信號(hào)的分析過(guò)程。人工智能技術(shù)在醫(yī)療領(lǐng)域有著廣泛應(yīng)用，其在電生理診斷中的應(yīng)用，不僅有助于提高電生理醫(yī)師的診斷效率及準(zhǔn)確性，也能為相關(guān)疑難、危重疾病預(yù)測(cè)做出貢獻(xiàn)。本文通過(guò)分析中國(guó)知網(wǎng)及Pubmed平臺(tái)中的相關(guān)文獻(xiàn)，就人工智能技術(shù)在電生理診斷中的應(yīng)用情況進(jìn)行綜述。

一、腦電圖

腦電圖（electroencephalogram，EEG）是通過(guò)精密的電子儀器，將腦部隨時(shí)間變化的生物電活動(dòng)加以信號(hào)放大而獲得的圖形［4］。腦電圖檢查作為判斷神經(jīng)活動(dòng)是否正常的重要手段，不僅在神經(jīng)系統(tǒng)疾病的診斷方面有廣泛應(yīng)用，且應(yīng)用于危重患者腦電監(jiān)測(cè)、圍生期異常的新生兒監(jiān)測(cè)、癲癇手術(shù)治療的術(shù)前定位、大腦術(shù)后監(jiān)測(cè)、睡眠監(jiān)測(cè)等方面。

傳統(tǒng)的腦電圖檢查是通過(guò)醫(yī)生直接觀察腦電波進(jìn)行相應(yīng)的診斷，但是這種方法需要長(zhǎng)時(shí)間的觀察，消耗了醫(yī)生的時(shí)間成本，且依賴醫(yī)生的臨床經(jīng)驗(yàn)，借助人工智能技術(shù)能夠快速有效地完成。目前人工智能技術(shù)在腦電圖信號(hào)分類領(lǐng)域的研究較多，且以神經(jīng)網(wǎng)絡(luò)方法為主。如Acharya等［5］利用13層卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合十倍交叉驗(yàn)證法，對(duì)正常人群、癲癇患者發(fā)作前及發(fā)作時(shí)的腦電圖信息進(jìn)行分類，精準(zhǔn)度高達(dá)88.67%。Daoud等［6］使用深度卷積神經(jīng)網(wǎng)絡(luò)提取癲癇患者發(fā)作前及發(fā)作時(shí)的腦電圖信號(hào)特征，使用雙向長(zhǎng)短神經(jīng)網(wǎng)進(jìn)行分類，精準(zhǔn)度高達(dá)99.66%。Nayak等［7］利用三層前饋反向傳播人工神經(jīng)網(wǎng)絡(luò)對(duì)癲癇發(fā)作的腦電圖信號(hào)和非癲癇發(fā)作的腦電圖信號(hào)進(jìn)行分類，準(zhǔn)確性較高。Stepanov［8］設(shè)計(jì)了連續(xù)小波變換方法獲取EEG信號(hào)，并利用神經(jīng)網(wǎng)絡(luò)對(duì)輸入信號(hào)進(jìn)行分類，取得了不錯(cuò)的效果。Huan等［9］設(shè)計(jì)了一種雙狀態(tài)腦機(jī)接口，并利用六種不同算法對(duì)不同心理表現(xiàn)的受試者腦電信息進(jìn)行特征提取，利用反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)特征進(jìn)行分類，結(jié)果表明，使用最小二乘法與反向神經(jīng)網(wǎng)絡(luò)的分類效果最好，準(zhǔn)確率達(dá)93.10%。除了神經(jīng)網(wǎng)絡(luò)方法外，也有研究者利用傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)腦電圖自動(dòng)分類，如王燦強(qiáng)［10］通過(guò)算法對(duì)比研究腦電圖眼睛狀態(tài)的分類效果，結(jié)果表明在K-臨近、引導(dǎo)聚集、隨機(jī)森林和支持向量機(jī)四種算法中，K-臨近和隨機(jī)森林算法具有更高的預(yù)測(cè)準(zhǔn)確度，其中隨機(jī)森林模型的預(yù)測(cè)準(zhǔn)確度達(dá)到了93%，而基于K-臨近算法的模型預(yù)測(cè)精確度達(dá)到了97%。

二、肌電圖

肌電圖（electromyogram，EMG）是指用肌電儀或多導(dǎo)生理儀記錄下來(lái)的肌肉生物電圖形，用于評(píng)估肌肉活動(dòng)。肌電圖檢查能夠有效確定周圍神經(jīng)、神經(jīng)元、神經(jīng)肌肉接頭及肌肉本身的功能狀態(tài)，臨床中多用于糖尿病患者的周圍神經(jīng)病變檢查、運(yùn)動(dòng)型神經(jīng)損傷檢查、肌肉萎縮檢查等。

利用人工智能技術(shù)，不僅可以輔助肌電圖信號(hào)的智能診斷，并可以輔助評(píng)估肌肉力量和疲勞度、關(guān)節(jié)力度、面部表情等方面。周輝等［11］早在2002年便研制出診斷腰腿痛的人工智能專家系統(tǒng)，該系統(tǒng)采用國(guó)內(nèi)多家醫(yī)院肌電圖專家的臨床經(jīng)驗(yàn)為知識(shí)基礎(chǔ)，以人工智能技術(shù)中的啟發(fā)式推理為方法，試驗(yàn)證明該系統(tǒng)對(duì)腰腿痛的診斷結(jié)果較為合理準(zhǔn)確。烏薩馬［12］針對(duì)現(xiàn)有的從肌電信號(hào)中提取肌肉活動(dòng)特性以及計(jì)算肌力模型方法的復(fù)雜性問(wèn)題，研究并提出了兩種新的肌力評(píng)估模型，從而簡(jiǎn)化了評(píng)估肌力的方法，第一種模型采用神經(jīng)網(wǎng)絡(luò)理論，第二種模型則以模糊邏輯為基礎(chǔ)。通過(guò)試驗(yàn)對(duì)比了兩種模型的計(jì)算速度和穩(wěn)定性，結(jié)果表明，模糊邏輯模型比神經(jīng)網(wǎng)絡(luò)模型更快、更穩(wěn)定，但是結(jié)構(gòu)比神經(jīng)網(wǎng)絡(luò)模型更復(fù)雜。Kim等［13］提出了一種利用EMG和人工神經(jīng)網(wǎng)絡(luò)模型估算人體多關(guān)節(jié)僵硬度的新方法，研究者開(kāi)發(fā)的人工網(wǎng)絡(luò)模型將EMG數(shù)據(jù)和關(guān)節(jié)運(yùn)動(dòng)數(shù)據(jù)與關(guān)節(jié)僵硬度相關(guān)聯(lián)起來(lái)，能可靠地估計(jì)多關(guān)節(jié)僵硬度，而無(wú)需復(fù)雜的計(jì)算或?qū)Ｓ迷O(shè)備。該方法通過(guò)試驗(yàn)和模擬結(jié)果證實(shí)了其可行性，為理解潛在的人體運(yùn)動(dòng)控制并開(kāi)發(fā)靈巧機(jī)器人操縱的控制方法提供了理論和技術(shù)基礎(chǔ)。Latha等［14］開(kāi)發(fā)的面部肌電圖模型可以與任何服務(wù)機(jī)器人連接，可以輕松識(shí)別人的六種情緒，即憤怒、厭惡、恐懼、快樂(lè)、中立和悲傷，從而可以更快地進(jìn)行人機(jī)交互。研究者從20名受試者中獲取面部肌電圖信號(hào)，使用深度學(xué)習(xí)技術(shù)-卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于特征提取信號(hào)，獲得的最高分類精度為99.79%。

三、經(jīng)顱多普勒

經(jīng)顱多普勒（transcranial doppler，TCD）是用超聲多普勒效應(yīng)來(lái)檢測(cè)顱內(nèi)腦底主要?jiǎng)用}的血流動(dòng)力學(xué)及血流生理參數(shù)的一項(xiàng)無(wú)創(chuàng)性的腦血管疾病檢查方法，臨床上多用于腦出血及腦梗死患者的康復(fù)檢查及術(shù)中檢查患者的腦血流情況。

目前國(guó)外用于TCD 數(shù)據(jù)分類研究的方法主要有支持向量機(jī)［15］和人工神經(jīng)網(wǎng)絡(luò)［16-20］等。在國(guó)內(nèi)，部分研究者在以上算法的基礎(chǔ)上進(jìn)行了改進(jìn)，如耿銀鳳等［21］應(yīng)用蝙蝠算法（BA）優(yōu)化極限學(xué)習(xí)機(jī)（ELM,一種單隱層前饋神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行腦卒中分類預(yù)測(cè)，研究者利用 BA對(duì)ELM參數(shù)中的輸入權(quán)值矩陣和隱含層閾值矩陣進(jìn)行了優(yōu)化，并用 BA-ELM 模型對(duì)實(shí)驗(yàn)所用的 TCD數(shù)據(jù)集進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明BA-ELM 模型的分類準(zhǔn)確率比單純的ELM提高了22.77%，能有效進(jìn)行腦卒中預(yù)測(cè)。王志遠(yuǎn)等［22］提出了一種新的模糊支持向量機(jī)分類算法，該算法首先對(duì)樣本做預(yù)處理，為了解決醫(yī)療數(shù)據(jù)的不平衡性，引入了基于不同懲罰因子的方法，該算法以正負(fù)樣本數(shù)目的比值作為平衡因子，用以調(diào)節(jié)數(shù)據(jù)集的平衡度，結(jié)果表明研究者提出的模糊支持向量機(jī)分類算法能夠有效識(shí)別TCD醫(yī)療數(shù)據(jù)。

四、心電圖

心電圖（electrocardiogram，ECG）是利用心電圖機(jī)從體表記錄心臟每一心動(dòng)周期所產(chǎn)生的電活動(dòng)變化圖形的技術(shù)，其主要用于檢查和診斷心臟功能狀態(tài)，心電圖檢查是臨床最為常用的檢查方法之一。早在20世紀(jì)90年代，就有很多研究者將人工智能技術(shù)應(yīng)用于心電圖智能診斷及信號(hào)分類和處理［23-26］。心電圖信號(hào)的自動(dòng)分類識(shí)別一直是心電信號(hào)自動(dòng)診斷系統(tǒng)中的研究熱點(diǎn)與難點(diǎn)，相關(guān)的研究也較多，從研究角度劃分主要分為兩種類型，一種是多種心電圖信號(hào)的分類研究，分類方法主要為人工神經(jīng)網(wǎng)絡(luò)，如前饋神經(jīng)網(wǎng)絡(luò)、反向神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等［27-30］；另外一種是特定心臟疾病的智能診斷與預(yù)測(cè)研究。如王永祥［31］利用小波變換提取心電圖信號(hào)，再使用機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和Adaboost算法進(jìn)行分類，對(duì)Adaboost算法進(jìn)行了優(yōu)化，建立了心臟驟停預(yù)測(cè)模型，并驗(yàn)證了模型的有效性。唐小梅［32］及張春云［33］使用支持向量機(jī)對(duì)室顫心電圖信號(hào)進(jìn)行二分類研究，為室顫的預(yù)測(cè)提供了研究基礎(chǔ)。

總 結(jié)

通過(guò)分析以上研究發(fā)現(xiàn)，人工智能技術(shù)應(yīng)用在電生理診斷中主要是以人工神經(jīng)網(wǎng)絡(luò)技術(shù)為主，如卷積神經(jīng)網(wǎng)絡(luò)、反向神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)等。人工神經(jīng)網(wǎng)絡(luò)在圖像處理和識(shí)別領(lǐng)域發(fā)揮著重要作用。借助人工智能技術(shù)輔助電生理診斷，一方面需要計(jì)算機(jī)專業(yè)研究人員加強(qiáng)對(duì)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的理論研究，解決神經(jīng)網(wǎng)絡(luò)內(nèi)部黑盒的弊端，另一方面需要臨床醫(yī)生加強(qiáng)對(duì)人工智能學(xué)科的認(rèn)識(shí)及對(duì)專業(yè)知識(shí)的學(xué)習(xí)，不斷思考臨床中的其他疾病，尤其是危急危重以及難以發(fā)現(xiàn)的疾病能否借助人工智能技術(shù)進(jìn)行預(yù)測(cè)，如是否可以通過(guò)患者腦電圖信號(hào)預(yù)測(cè)在一定時(shí)間段內(nèi)發(fā)生蛛網(wǎng)膜下腔出血的概率及危險(xiǎn)等級(jí)等。只有不斷思考，才能更好地利用人工智能技術(shù)服務(wù)于臨床診斷中，提升醫(yī)療服務(wù)水平。