2022, Vol. 31
2. 山东省急危重症临床医学研究中心，济南 250012;
3. 山东大学急危重症医学研究所，济南 250012;
4. 山东省卫生系统 急危重症医学重点实验室，济南 250012;
5. 山东省高等学校心肺脑复苏研究重点实 验室，济南 250012;
6. 山东大学控制科学与工程学院/山东大学智能医学工程研究 中心，济南 250061;
7. 广东省水电医院中医康复科，广州 511340;
8. 中国医学科 学院阜外医院术后恢复中心，北京 100037;
9. 北京协和医院急诊科，北京 100730
2. Shandong Provincial Clinical Research Center for Emergency and Critical Care Medicine, Qilu Hospital of Shandong University, Jinan 250012, China;
3. Institute of Emergency and Critical Care Medicine of Shandong University, Jinan 250012, China;
4. Key Laboratory of Emergency and Critical Care Medicine of Shandong Province, Jinan 250012, China;
5. Key Laboratory of Cardiopulmonary-Cerebral Resuscitation Research of Shandong Province, Jinan 250012, China;
6. Center for Intelligent Medical Engineering, School of Control Science and Engineering, Shandong University, Jinan 250061, China;
7. Department of Chinese Medicine Recovery, Guangdong Hydropower Group Hospital, Guangzhou 511340, China;
8. Pstoperative Recovery Center, Fuwai Hospital, CAMS & PUMC, Beijing 100037, China;
9. Department of Emergency, Peking Union Medical College Hospital, Beijing 100730, China
急性冠脉综合征（acute coronary syndrome, ACS）是冠心病中较为严重的类型，包括急性ST段抬高型心肌梗死（ST-segment elevation myocardial infarction, STEMI）和非ST段抬高型急性冠脉综合征（non-ST-segment elevation acute coronary syndromes, NSTE-ACS），其急性发作随时威胁患者生命，其中超过90% 是由于动脉粥样硬化斑块破裂继发血栓形成而导致的冠状动脉严重狭窄甚至闭塞[1]。经皮冠状动脉介入治疗（percutaneous coronary intervention, PCI）是解除冠脉狭窄或闭塞，恢复血流灌注缓解心肌缺血的有效手段[2-3]。然而，在成功PCI术后持续/ 复发的心绞痛或不良临床事件的情况并不少见[4-5]。因此，及时对PCI术后灌注治疗效果进行评估是非常必要的。虽然在临床上已有冠脉血流储备、血流储备分数、微血管阻力指数等评价手段，但这些手段评估流程复杂、费用高，临床广泛应用受限。因此，寻求一种无创、高效的评估PCI术治疗效果的方法在临床上具有重要意义。
心肌灌注水平与心肌复极紧密相关，但心肌电活动的细微变化在体表心电图上并不容易识别[6]。同时，现有心电指标如ST段抬高回落和QT参数（如QT间期和QT离散度）、破碎QRS波主要用于评估STEMI PCI术后的心肌灌注水平[7-10]，是否适用于评估NSTE-ACS这一最常见的临床类型尚不清楚。
人工智能技术在提高心电图对心血管病诊断方面具有巨大的潜力。近年来，许多研究利用机器学习和深度学习赋能心电图在心律失常、心功能障碍诊断方面取得了一些进展[11-12]。然而，机器学习方法很难从心电信号这类高维度和实时更新的时间序列数据中直接提取反映心脏功能变化的细微特征[13-14]。此外，深度学习在疾病诊断或预测时难以给出模型作出相应决策的直接解释[15]。动态学习是近年来提出的一种适用于动态环境的机器学习新方法[16-18]。动态学习通过使用径向基函数（Radial basis function, RBF）神经网络，在周期（或回归）轨迹的邻域内实现对非线性动态（动力学模式）的局部准确建模。心电动力学图（cardiodynamicsgram, CDG）[19]是利用动态学习获取心电信号内在动力学模式的可视化表征，可敏感捕获心电图上的微小缺血变化。已有研究[19-21]发现心电动力学图形态直观反映了心室复极离散及其变化规律，正常个体的心电动力学图具有较好的规律性，表现为规整的环形或略微散开的环形；而对于心肌缺血患者，其心电动力学图为散乱环形或无序。临床试验表明，心电动力学图在心电图正常或大致正常时对心肌缺血检测的敏感度和特异度分别为90.3% 和83.3%，明显优于常规心电图[20]。心电动力学图技术有望用于评估心肌缺血状态的动态变化。因此，本文将评估ACS患者PCI术后心电动力学图的变化，探究心电动力学图在评估ACS患者PCI术效果中的临床价值。
1 资料与方法 1.1 研究对象本文是一项前瞻性的观察研究，研究对象是山东大学齐鲁医院急诊科2019年4月至2020年12月诊断明确且接受PCI术的203例ACS患者。记录PCI术前和术后2 h的12导联ECG，并将其保存起来用于离线分析和计算心电动力学图。从病历中获取临床数据。入选标准：（1）年龄>18岁；（2）临床诊断ACS且行PCI的患者；（3）PCI术前、术后2 h ECG可用，可进行心电动力学图分析。排除标准：排除合并电解质紊乱、心力衰竭、严重心律失常、心包疾病、心室肥厚其中任何一种疾病的患者。本研究获得所在医院伦理委员会批准（批准号：KYLL-2017-519），符合《赫尔辛基宣言》的原则。
ACS患者入院存在心肌缺血症状且伴随缺血的血管造影证据（狭窄≥ 70%），归类为阳性；ACS患者PCI术后所有罪犯血管均处理，术后无≥ 70% 狭窄，缺血症状缓解，则归类为阴性。
1.2 心电图在PCI术前和术后2 h分别以1000 Hz的采样率和0.1 uV的分辨率记录患者常规12导联ECG。所有ECG由两名经验丰富的心电专家在不了解患者情况下判读。排除带有过多噪声的ECG，排除具有心房颤动、心房扑动、高度房室传导阻滞、室性心动过速的ECG。纳入研究的203例ACS中，162例（79.80%）为NSTE-ACS。
1.3 冠脉造影及PCI采用冠状动脉造影测量冠脉狭窄病变程度。临床中，近段狭窄使冠脉内径减少超过70% 时，最大血流量明显减少。因此，本研究中，将在左主干和3支主要冠脉（左前降支、左旋支、右冠状动脉）及其主要分支上存在任意一处70% 及以上狭窄，定义为显著冠状动脉病变。对相关血管灌注血流进行TIMI血流[22]分级。显著冠脉病变在支架植入后，如果冠脉残余狭窄 < 30%、TIMI血流3级且患者PCI术后心肌缺血症状缓解，则定义为成功PCI术。本研究中，在手术过程中，所有入组患者经介入处理后的血管，术后TIMI血流3级，且患者均无明显不适。根据患者在成功PCI术后是否合并≥ 70% 冠脉狭窄病变，可分为术后不合并≥ 70% 狭窄的患者72例，以及术后合并70% 以上狭窄的患者131例。
1.4 心电动力学图及特征提取利用动态学习对心电信号进行处理，获取常规心电信号中的动力学模式。心电动力学图是对12导联心电信号进行动力学建模而得到的一种新的心肌电活动表征。具体计算过程如下：首先，利用Kors矩阵[23]将12导联心电信号转换3导联矢量心电图（vectorcardiogram, VCG）。然后，定位并提取VCG中的ST-T向量环。根据动态学习算法，采用RBF神经网络对矢量心电图ST-T环进行动力学建模，将获取的结果，即心电动力学信息，在三维相空间中绘制出来，得到心电动力学图。心电动力学图的坐标轴
|
| A：12导联心电图；B：规整的心电动力学图；C：心电动力学图指标阴性 图 1 健康个体的心电信号动力学分析 Fig 1 Dynamical analysis of ECG in a healthy subject |
|
|
|
| A：12导联心电图；B：散乱的心电动力学图；C：心电动力学图指标阳性 图 2 冠心病患者的心电信号动力学分析 Fig 2 Dynamical analysis of ECG in patients with coronary heart disease |
|
|
为获取心电动力学图的量化特征，对心电动力学图进行频域分析和非线性特征分析。具体来讲，采用李雅普诺夫指数分析心电动力学图的混沌特性，提取心电动力学图李雅普诺夫指数作为其空间离散度（spatial heterogeneity index, SHI）；采用傅里叶变换对心电动力学图进行频谱分析，将频谱拟合指数作为心电动力学图的时间离散度（temporal heterogeneity index, THI）。
1.5 分类器本研究选择可解释的线性支持向量机生成心肌缺血预测模型。使用10次10折交叉验证技术在72例术后不合并≥ 70% 狭窄的ACS患者上进行训练，获取最优的线性支持向量机模型。然后，计算病例样本到模型分类边界的距离作为心电动力学图指标（Cardiodynamicsgram index, CDGI）。对于接受PCI术的ACS患者，如果PCI术后的心电动力学图指标（CDGIpre）低于术前（CDGIpost），即∆ CDGI=CDGIpre−CDGIpost >0，则定义心电动力学图改善；否则，定义为心电动力学图无改善。
1.6 统计学方法所有数据采用软件SPSS 16.0进行统计分析；计量资料以均值±标准差（x±s）表示，采用D'Agostino-Pearson检验确定是否符合正态分布，符合正态分布的计量资料采用t检验，非正态分布数据采用Mann-Whitney U检验[24]；计数资料用百分比（%）表示，采用χ2检验分析；入院和PCI术后的心电动力学图差异采用配对样本t检验。以P < 0.05为差异具有统计学意义。
2 结果 2.1 患者临床特征最终共有203例符合条件的ACS患者纳入研究，包括术后不合并≥ 70% 狭窄的72例患者和术后合并70% 以上狭窄的131例患者。所有患者均因胸痛或胸部不适入院，且冠脉造影证实存在严重冠脉病变。所有患者均接受PCI，术后TIMI血流3级，且患者术中无明显不适。表 1总结了各组的基线特征。两组之间的性别比例、心率、高血压、糖尿病和吸烟者比例、血压方面差异无统计学意义。
| 变量 | 术后不合并≥70%狭窄组(n=72) | 术后合并70%以上狭窄组(n=131) | t/χ2值 | P值 |
| 年龄（x±s）a | 60.7±10.4 | 61.9±11.5 | -0.762 | 0.447 |
| 男性(例，%) | 50（69.4） | 93（71.0） | 0.053 | 0.818 |
| 高血压(例，%) | 46（63.9） | 87（66.4） | 0.131 | 0.717 |
| 糖尿病(例，%) | 11（15.3） | 34（26.0） | 3.070 | 0.080 |
| 吸烟(例，%) | 39（54.2） | 66（50.4） | 0.267 | 0.605 |
| 心率(次/min)a | 71.0±9.2 | 74.2±14.4 | -1.954 | 0.052 |
| 收缩压(mmHg)a | 132.4±21.6 | 138.2±59.1 | -0.802 | 0.423 |
| 舒张压(mmHg)a | 75.5±11.5 | 75.4±11.8 | 0.103 | 0.918 |
| 注：a为x±s；1 mmHg=0.133 kPa | ||||
ACS患者的心电动力学图在PCI术前和术后发生了显著改变。72例PCI术后不合并70% 以上狭窄的患者，入院存在心肌缺血症状且伴随缺血的血管造影证据（狭窄≥ 70%），归类为阳性；PCI术后无≥ 70% 血管狭窄，归类为阴性。因此，本文在术后不合并70% 以上狭窄的患者组中利用10次10折交叉验证技术获取了最优的线性支持向量机缺血检测模型（如图 3所示）。该模型在72例PCI术后不合并70% 以上的患者中取得了73.61% 的准确率、84.72% 的敏感度、62.50% 的特异度、69.32% 的阳性预测值和80.36% 的阴性预测值。
|
| 图 3 PCI术后不合并70% 以上的ACS患者的心电动力学图特征在PCI术前、术后的分布，以及分类边界‘━’ Fig 3 The classification boundary and CDG feature distribution between before and after PCI in group without ≥ 70% postoperative stenosis |
|
|
本研究进一步计算PCI术前、术后心电动力学图指标及其变化。PCI术后该指标在72例PCI术后不合并70% 以上的患者中显著降低[术后（-0.1472± 0.5772）vs. 术前(0.3530± 0.4539), P < 0.001]，如图 4A；在131例PCI术后合并70% 以上的患者中也显著降低[术后(0.0617± 0.5914) vs. 术前(0.3649± 0.5435), P < 0.001]，如图 5A。PCI术后不合并70% 以上的患者中90.28%（65例）显著改善，如图 4B；PCI术后合并70% 以上的患者中79.39%（104例）显著改善，如图 5B，心电动力学图形态由散乱或无序状态向规整变化。
|
| A: 箱体图说明心电动力学图指标在PCI术后显著降低，aP < 0.001；B: 65例患者的心电动力学图指标在PCI术后降低，7例未降低 图 4 术后不合并70% 以上狭窄的ACS患者心电动力学图指标在PCI术前和术后的变化 Fig 4 CDG indexes before and after PCI in group without ≥ 70% postoperative stenosis |
|
|
|
| A: 箱体图说明心电动力学图指标在PCI术后显著降低，aP < 0.001；B: 104例患者的心电动力学图指标在PCI术后降低，27例未降低 图 5 术后合并70% 以上狭窄的ACS患者心电动力学图指标在PCI术前和术后的变化 Fig 5 CDG indexes before and after PCI in group with ≥ 70% postoperative stenosis |
|
|
图 6和图 7分别是两例接受PCI术的患者的心电动力学图在术前和术后的变化情况，这一结果表明基于动态学习生成的心电动力学图可有效预测ACS患者PCI术后的心肌灌注变化。
|
| A：PCI术前（上）、术后（下）心电图；B：PCI术前（上）LAD近段闭塞，LCX中段狭窄30%，RCA近段狭窄50%，PD狭窄50%。PCI术后（下）于LAD中段至近段串联释放支架2枚，重复造影无残余狭窄，TIMI血流3级；C：PCI术前（上）心电动力学图散乱，PCI术后（下）心电动力学图较为规整；D：PCI术前（上）CDGI阳性，PCI术后（下）阴性 图 6 一例82岁ACS男性患者PCI术前后的指标变化 Fig 6 Characteristics change in an 82-year-old male patient with ACS before and after PCI |
|
|
|
| A：PCI术前（上）、术后（下）心电图；B：PCI术前（上）LAD开口狭窄80%~90%；LCX近段狭窄40%，RCA近段狭窄30%，中段狭窄30%，远段狭窄60%，PCI术后（下）LAD近中段植入支架一枚，重复造影无残余狭窄，TIMI血流3级；C：PCI术前（上）心电动力学图散乱，PCI术后（下）心电动力学图较为规整；D：PCI术前（上）CDGI阳性，PCI术后（下）阴性 图 7 一例66岁女性ACS患者PCI术前后的指标变化 Fig 7 Characteristics change in a 66-year-old female patient with ACS before and after PCI |
|
|
本研究纳入的203例ACS中大多数（162例，79.80%）为NSTE-ACS，其中PCI术后不合并70% 以上狭窄的有59例，PCI术后合并70% 以上狭窄的有103例。比较了不同组NSTE-ACS的心电动力学图在PCI术前和术后的变化，发现NSTE-ACS的心电动力学图指标在PCI术后显著降低（P < 0.001），见表 2。
| 组别 | PCI术前 | PCI术后 | t值 | P值 |
| 术后不合并≥70% 狭窄组（n=59） |
0.3926±0.4236 | -0.0942±0.5609 | 8.048 | < 0.001 |
| 术后合并70%以上 狭窄组（n=103） |
0.4313±0.4913 | 0.1218±0.5583 | 6.424 | < 0.001 |
本研究基于动态学习构建了评估ACS患者PCI术后疗效的无创心电动力学模型。主要发现：(1) 基于动态学习方法生成的心电动力图及其指标可较为准确反映心肌灌注水平的变化；(2) 心电动力学图对临床中最常见的NSTE-ACS的PCI术治疗效果可以进行有效评估；(3) 心电动力学图具有良好的可解释性。
目前临床上用于评估PCI术疗效的方法包括心电图和各种功能学检测等。然而功能学检测在PCI术后难以动态监测，操作技术要求较高，广泛普及推广有一定限制。心电图是最为经济、便捷的评估方法，但其敏感度和特异度不高。基于对心电信号ST-T段蕴藏缺血信息的认识，国际上很多学者尝试寻找心电图指导缺血评估和风险分层的方案[25]。例如，一些研究发现心肌灌注不足时体表心电图表现为T波改变、QT间期延长或QT离散度增大[7-8, 26-27]，但是这些简单的心电图指标评估PCI术疗效的可靠性不高[26]。
本研究利用动态学习获取的心电动力学图能够准确反映心肌灌注水平的变化。动态学习使用RBF神经网络在准周期心电信号的邻域内实现对其内在动力学模式的准确建模，获取的建模结果可视化表示为心电动力学图[19]。这种动力学建模放大了复极异常变化在心电图上的微小改变，对心肌缺血导致的复极离散更为敏感。本研究结果发现心电动力学图指标在PCI术后显著改善，与临床治疗过程一致。在术后不合并≥ 70% 狭窄的患者中，90.28%（65例）的PCI术后心电动力学图指标较术前降低；在131例术后合并≥ 70% 狭窄的患者中，79.39%（104例）的PCI术后心电动力学图指标也较术前降低。这是因为手术中已根据患者的典型缺血症状和冠脉病变程度处理了罪犯血管[28]，患者术后冠脉TIMI血流3级、胸痛症状缓解。
本研究对PCI术后心电动力学图指标未降低的患者进行分析。在72例术后不合并≥ 70% 狭窄的患者中，7例PCI术后心电动力学图指标未降低，其中5例是存在冠脉慢性闭塞病变。已有研究表明，慢性闭塞病变对应的存活心肌细胞数量较少，以及介入过程中可能会造成分支和侧支循环的损伤，导致心肌缺血并未改善或引起新的心肌缺血[29]。这可能是上述5例闭塞患者心电动力学图指标未改善的原因。此外，在27例术后合并≥ 70% 狭窄患者的心电动力学图指标未降低，其中大多数（77.78%，n=21）存在复杂病变，前降支、回旋支和右冠脉至少一支的近中段在PCI术后仍存在80% 以上的狭窄，需要进一步治疗。
心电动力学图具有明确的物理意义和良好的可解释性。可解释性是医疗人工智能系统获得人类信任的关键，因为不可解释的诊断模型可能给患者带来错误的治疗方案。当前流行的人工智能技术通常采用“大数据+ 深度学习”范式，其演算结果或过程难以解释[15]。例如，美国梅奥诊所的一项研究[11]，纳入了97 829例患者的心电图和超声心动图数据，训练识别心室功能不全的卷积神经网络；作者指出训练获得的卷积神经网络难以解释，难以给出识别心室功能不全的具体心电图特征。本研究中，心电动力学图不仅包含心电ST-T段的状态信息，又包含沿着ST-T段状态轨迹的动力学信息。此外，可视化的心电动力学图可对结果提供良好的解释。已有动物实验及大量临床研究表明，心肌缺血会引发心脏复极过程离散，包括复极空间离散和复极时间离散[30]。心电动力学图的规整和散乱形态分别对应心脏正常和心肌缺血引起的复极离散变化，因而具有较为明确的病理生理学意义。
本研究存在一定局限性。首先，虽然心电动力学图在PCI术后2 h显著改善，但由于未能连续测量术后心电动力学图，因此尚不能确定心电动力学图评估治疗效果的最佳时间；其次，需要进一步考虑血流储备分数、核素心肌灌注显像等对PCI术后心肌灌注水平进行定量分析以进一步验证和提高心电动力学图的检测性能；此外，本研究是一项单中心研究、样本有限，算法的普适性需要多中心更多数据的验证。
综上所述，本研究基于动态学习构建了评估ACS患者PCI术后疗效的无创模型，结果表明可解释的心电动力学图可较为准确、直观反映PCI术前后心肌缺血的动态变化，很可能成为临床评估PCI术疗效的一种较为有效、便捷的无创辅助工具。
利益冲突 所有作者声明无利益冲突
作者贡献声明 刘汝刚和孙庆华为共同第一作者；王聪、陈玉国、徐峰、于学忠：提出并完成试验设计；刘汝刚、孙庆华、庞佼佼：完成试验操作、数据收集；姬冰、梁春苗、孙家欣：完成数据整理和统计分析；孙庆华、吴伟明：完成人工智能算法分析；刘汝刚、孙庆华：完成论文撰写工作；张海涛、黄伟毅：指导论文写作
| [1] | Gangemi MA. Pathophysiology of heart disease: a collaborative project of medical students and faculty[J]. Cardiopulm Phys Ther J, 1995, 6(3): 31. DOI:10.1097/01823246-199506030-00013 |
| [2] | O'Gara PT, Kushner FG, Ascheim DD, et al. 2013 ACCF/ AHA guideline for the management of ST-elevation myocardial infarction: executive summary: a report of the American College of Cardiology Foundation/American Heart Association Task Force on Practice Guidelines[J]. Circulation, 2013, 127(4): 529-555. DOI:10.1161/CIR.0b013e3182742c84 |
| [3] | Amsterdam EA, Wenger NK, Brindis RG, et al. 2014 AHA/ACC guideline for the management of patients with non-ST-elevation acute coronary syndromes[J]. Circulation, 2014, 130(25): e344-e426. DOI:10.1161/cir.0000000000000134 |
| [4] | Rathod KS, Koganti S, Jain AK, et al. Complete versus culprit-only lesion intervention in patients with acute coronary syndromes[J]. J Am Coll Cardiol, 2018, 72(17): 1989-1999. DOI:10.1016/j.jacc.2018.07.089 |
| [5] | 葛海龙, 史冬梅, 王建龙, 等. 急性冠脉综合征患者介入术后慢血流事件与血浆D- 二聚体水平关系[J]. 中华急诊医学杂志, 2016, 25(4): 475-478. DOI:10.3760/cma.j.issn.1671-0282.2016.04.016 |
| [6] | van't Hof AW, Liem A, de Boer MJ, et al. Clinical value of 12- lead electrocardiogram after successful reperfusion therapy for acute myocardial infarction. Zwolle Myocardial infarction Study Group[J]. Lancet, 1997, 350(9078): 615-619. DOI:10.1016/s0140-6736(96)07120-6 |
| [7] | de Lemos JA, Braunwald E. ST segment resolution as a tool for assessing the efficacy of reperfusion therapy[J]. J Am Coll Cardiol, 2001, 38(5): 1283-1294. DOI:10.1016/s0735-1097(01)01550-9 |
| [8] | Kenigsberg DN, Khanal S, Kowalski M, et al. Prolongation of the QTc interval is seen uniformly during early transmural ischemia[J]. J Am Coll Cardiol, 2007, 49(12): 1299-1305. DOI:10.1016/j.jacc.2006.11.035 |
| [9] | 王小维, 贾大林, 齐国先. ST段抬高型急性心肌梗死患者急诊冠状动脉介入治疗后ST段24 h内演变的临床价值[J]. 中华心血管病杂志, 2015, 43(9): 798-801. DOI:10.3760/cma.j.issn.0253-3758.2015.09.011 |
| [10] | 王学忠, 王岳松, 邵旭武, 等. 碎裂QRS波在急性心肌梗死经皮冠状动脉介入治疗术后再发主要心脏不良事件中的预后价值[J]. 中华急诊医学杂志, 2014, 23(7): 746-751. DOI:10.3760/cma.j.issn.1671-0282.2014.07.007 |
| [11] | Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram[J]. Nat Med, 2019, 25(1): 70-74. DOI:10.1038/s41591-018-0240-2 |
| [12] | Kagiyama N, Piccirilli M, Yanamala N, et al. Machine learning assessment of left ventricular diastolic function based on electrocardiographic features[J]. J Am Coll Cardiol, 2020, 76(8): 930-941. DOI:10.1016/j.jacc.2020.06.061 |
| [13] | Goldstein BA, Navar AM, Carter RE. Moving beyond regression techniques in cardiovascular risk prediction: applying machine learning to address analytic challenges[J]. Eur Heart J, 2017, 38(23): 1805-1814. DOI:10.1093/eurheartj/ehw302 |
| [14] | Xing ZZ, Pei J, Keogh E. A brief survey on sequence classification[J]. SIGKDD Explor Newsl, 2010, 12(1): 40-48. DOI:10.1145/1882471.1882478 |
| [15] | Kwon JM, Jo YY, Lee SY, et al. Artificial intelligence using electrocardiography: strengths and pitfalls[J]. Eur Heart J, 2021, 42(30): 2896-2898. DOI:10.1093/eurheartj/ehab090 |
| [16] | Wang C, Hill DJ. Deterministic learning and rapid dynamical pattern recognition[J]. IEEE Trans Neural Netw, 2007, 18(3): 617-630. DOI:10.1109/TNN.2006.889496 |
| [17] | Hill D, Wang C. Deterministic Learning Theory for Identification, Recognition, and Control[M]. Boca Raton: CRC Press, 2009. |
| [18] | Wu WM, Wang C, Yuan CZ. Deterministic learning from sampling data[J]. Neurocomputing, 2019, 358: 456-466. DOI:10.1016/j.neucom.2019.05.044 |
| [19] | Wang C, Dong XD, Ou SX, et al. A new method for early detection of myocardial ischemia: cardiodynamicsgram (CDG)[J]. Sci China Inf Sci, 2016, 59(1): 1-11. DOI:10.1007/s11432-015-5309-7 |
| [20] | Deng MQ, Tang M, Wang C, et al. Cardiodynamicsgram as a new diagnostic tool in coronary artery disease patients with nondiagnostic electrocardiograms[J]. Am J Cardiol, 2017, 119(5): 698-704. DOI:10.1016/j.amjcard.2016.11.028 |
| [21] | 孙庆华, 王磊, 王聪, 等. 基于确定学习及心电动力学图的心肌缺血早期检测研究[J]. 自动化学报, 2020, 46(9): 1908-1926. DOI:10.16383/j.aas.c190899 |
| [22] | Ganz W. The thrombolysis in myocardial infarction (TIMI) trial[J]. N Engl J Med, 1985, 312(16): 1018. DOI:10.1056/NEJM198510173131611 |
| [23] | Man S, Maan AC, Schalij MJ, et al. Vectorcardiographic diagnostic & prognostic information derived from the 12-lead electrocardiogram: historical review and clinical perspective[J]. J Electrocardiol, 2015, 48(4): 463-475. DOI:10.1016/j.jelectrocard.2015.05.002 |
| [24] | Zhang ZH. Univariate description and bivariate statistical inference: the first step delving into data[J]. Ann Transl Med, 2016, 4(5): 91. DOI:10.21037/atm.2016.02.11 |
| [25] | Fukushima N, Tsurumi Y, Jujo K, et al. Impact of myocardial reperfusion status on QT dispersion after successful recanalization of the infarct-related artery in acute myocardial infarction[J]. J Interv Cardiol, 2014, 27(3): 252-259. DOI:10.1111/joic.12093 |
| [26] | Malik M, Batchvarov VN. Measurement, interpretation and clinical potential of QT dispersion[J]. J Am Coll Cardiol, 2000, 36(6): 1749-1766. DOI:10.1016/s0735-1097(00)00962-1 |
| [27] | Prenner SB, Shah SJ, Goldberger JJ, et al. Repolarization heterogeneity: beyond the QT interval[J]. J Am Heart Assoc, 2016, 5(5): e003607. DOI:10.1161/JAHA.116.003607 |
| [28] | 中华医学会心血管病学分会介入心脏病学组, 中国医师协会心血管内科医师分会血栓防治专业委员会, 中华心血管病杂志编辑委员会. 中国经皮冠状动脉介入治疗指南(2016)[J]. 中华心血管病杂志, 2016, 44(5): 382-400. DOI:10.3760/cma.j.issn.0253-3758.2016.05.006 |
| [29] | 张慧平, 孙福成. 冠状动脉慢性完全闭塞病变的介入治疗现状[J]. 中国介入心脏病学杂志, 2013, 21(4): 251-255. DOI:10.3969/j.issn.1004-8812.2013.04.012 |
| [30] | Narayan SM. T-wave alternans and the susceptibility to ventricular arrhythmias[J]. J Am Coll Cardiol, 2006, 47(2): 269-281. DOI:10.1016/j.jacc.2005.08.066 |