154例病例均来源于天津市天津中医药大学第二附属医院心血管科门诊患者。 年龄集中于50~70岁, 平均年龄为61.83岁。 所有志愿者均签署知情同意书, 符合赫尔辛基宣言(adhered to the principles of Declaration of Helsinki)。 西医诊断标准参照《1999年WHO/ISH高血压治疗指南》以及国际心脏病学会和协会及世界卫生组织临床命名标准化联合专题组报告《缺血性心脏病的命名及诊断标准》。 经临床医师诊断, 对符合纳入标准的患者进行舌体高光谱数据采集。

高光谱数据采集系统包括光源、 光源支撑架、 高光谱采集模块、 头部支撑架、 计算机、 以及数据传输线。 其中, 光源采用美国产LOWEL Pro光源, 功率为250 W, 色温3 200 K, 波长范围为250~2 500 nm。 高光谱采集模块为美国SOC公司生产的SOC710高光谱成像仪。 光谱范围为377.8~1 049.1 nm, 光谱分辨率为5.6 nm, 波段数128。 高光谱成像仪采集到的舌面高光谱数据通过数据线传输到计算机进行处理与保存。 为了保证不同被测患者舌体位置的一致性, 实验设置了头部支撑架, 用于患者下颌位置的固定。

测量前, 光源预热15 min, 使得光源达到稳定状态。 对被测患者进行伸舌训练。 考虑到伸舌时间对于舌体血液充盈的影响, 控制患者数据采集时间在10 s之内。

为了提高光谱测量信噪比, 消除外界照明以及系统带来的部分误差影响, 对采集到的光谱数据进行归一化处理。 由于归一化方法获得的是全波段测量数据的相对比值, 能够有效去除测量中的系统误差, 提高测量信噪比。 具体计算过程如式(1)所示。

Iij=Iij-max(Ii)max(Ii)-min(Ii)(1)

式(1)中, I_ij为第i个患者舌体第j个波长对应位置的光强度信息; max(I_i)为第i个患者所对应的光强度最大值; min(I_i)为第i个患者所对应的光强度最小值。

按照中医学的舌部分区理论, 舌尖与上焦心肺的病变对应, 而中焦脾胃的病变大多在舌中有所体现, 下焦肾的病变常显现在舌根部位, 肝胆的病变则多反映于舌两侧^[12]。 基于中医学的舌部分区理论进行舌体区域划分, 并对HD及HD-CHD患者组间各舌体分区感兴趣区域光谱数据进行差异性分析。 首先对各组数据进行正态性检验, 如果符合正态分布, 两组数据间的比较采用独立样本T检验, 如果不符合正态分布, 则采用非参数检验。 设定p< 0.05表示两组间具有显著性差异。 选取具有显著性差异的舌体分区光谱数据用于后续辨识模型的建立。 选取神经网络建立两病种的分类辨识模型。

按照病种的不同, 154例样本分为HD患者组和HD-CHD患者组。 其中HD患者组77人, HD-CHD患者组77人。 为了探究所采集HD患者组及HD-CHD患者组样本舌象光谱特征, 对所采集的样本不同舌面区域光谱特征, 以及不同病种同一舌面区域光谱特征分别进行比较。 将舌面分为舌尖、 舌中、 舌左、 舌右以及舌根五部分。 HD和HD-CHD患者组各舌体分区平均归一化光谱比较如图2所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 HD患者组及HD-CHD患者组平均归一化光谱比较 (a): 高血压患者组; (b): 高血压合并冠心病患者组Fig.2 Average normalized spectra comparision of HD and HD-CHD (a): HD patients group; (b): HD-CHD patients group

由图2可见, HD及HD-CHD不同舌体分区之间光谱差异主要存在于500~600 nm之间, 同组内各舌体分区在500~600 nm之间光谱特征进行比较发现, HD患者组舌左、 舌右以及舌中光谱几乎重合, 无明显差异。 然而, HD-CHD患者组舌左与舌右光谱间无明显差异, 舌中与舌左以及舌右光谱间差异明显。 张剑等研究报道随着心血管类疾病的发展、 病程的增加, 患者舌象舌形随之发生变化^[13]。 这种差异与长期心血管类疾病冠心病的存在, 造成机体气血津液不足, 久病致虚从而呈现于舌象相关。 进一步对图2中两病种组光谱特征比较发现, 两病种组各舌体分区在波长509.6和561.2 nm以及540.5和576.7 nm均存在极大和极小值。 这与血红蛋白对光的吸收特征相吻合^[14]。 由生物医学光子学理论可知, 人体组织对光的吸收受到血红蛋白含量的影响, 而且在541.0及576.7 nm左右氧合血红蛋白对光的吸收具有明显的峰值, 而在509.0及560.0 nm左右对光的吸收具有明显的谷值。 由此可见, 舌体组织光谱与人体血液成分血红蛋白对光的吸收息息相关。

基于上述实验结果与分析, 分别选取极大值位置509.6和561.2 nm以及极小值位置540.5和576.7 nm为特征波长, 利用spss软件对不同病种组舌体同一部位归一化光谱数据进行差异性分析。 因各组数据均符合正态分布, 故选择独立样本T检验进行两组数据间差异性的比较。 统计分析结果分别如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 HD和HD-CHD舌面各区域光谱差异性分析 (a): 509.6 nm; (b): 561.2 nm; (c): 540.5 nm; (d): 576.7 nmFig.3 Spectral difference analysis of the tongue parts between HD and HD-CHD (a): 509.6 nm; (b): 561.2 nm; (c): 540.5 nm; (d): 576.7 nm

由图3可见, HD与HD-CHD组舌体舌尖与舌根均值大小分布具有相同的规律, 均表现为舌根部归一化均值最大, 舌尖部最小。 通过统计学分析, 得到两组509.6 nm处舌尖部位数据比较p值为0.02, 小于0.05, 表明HD与HD-CHD患者间在舌尖部位光谱数据间存在显著性差异。 对509.6, 561.2, 540.5及576.7 nm四特征波长处两组归一化光谱数值进行分析, 统计结果显示HD与HD-CHD患者组间舌中部位p值均小于0.05, 说明两组间在舌中部位光谱数据间存在显著性差异。

基于HD与HD-CHD患者组舌体不同区域光谱特征的差异性, 选取500~600 nm舌尖与舌中光谱数据进行后续HD与HD-CHD患者组分类模型的建立。 将采集的154例样本按照7∶ 3的比例分为训练集和测试集。 其中54例HD和54例HD-CHD共计108例样本作为训练集建立模型, 剩余23例HD和23例HD-CHD共计46例样本作为测试集来对模型性能进行测试。 将500~600 nm间21个波长位置对应归一化光谱数据作为模型的输入, 分类结果作为输出。 输出0代表HD患者, 输出1代表HD-CHD患者。 建立三层BP神经网络模型。 各层节点数分别为21, 10和1。 传输函数分别为tansig, tansig, 以及trainingda。 用所建模型对测试集46例样本进行预测。 训练集及测试集模型预测结果如图4所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 模型预测结果 (a): 训练集; (b): 测试集Fig.4 Predicted results of model (a): Training set; (b): Test set

为了对所建模型的预测结果进行评价。 设定预测结果偏差为± 0.2为预测准确, 分别对模型预测准确率(accuracy, ACC)、 灵敏度(true positive rate, TPR)、 以及特异性(false positive rate, FPR)进行计算。 设定HD-CHD患者为阳性患者(positive), HD患者为阴性患者(negative)。 TP代表HD-CHD预测正确样本数, FN代表HD-CHD预测错误样本数, TN代表HD预测正确样本数, FP代表HD预测错误样本数。 ACC=(TP+TN)/(TP+FN+TN+FP); TPR=TP/(TP+FN); FPR=TN/(TN+FP); 最终获得测试集模型预测准确率、 灵敏度、 以及特异性分别为84.78%, 86.95%和82.61%。