2023, Vol. 32
2. 北京富通东方科技有限公司人工智能实验室，北京 100020;
3. 首都医科大学宣武医院教育处，北京 100053;
4. 首都医科大学宣武医院全科医学科，北京 100053;
5. 首都医科大学宣武医院循证医学中心，北京 100053;
6. 北京化工大学信息科学与技术学院，北京 100029
2. Artificial Intelligence Laboratory, Futong Dongfang Technology Co., Ltd, Beijing 100020, China;
3. Education Department, Xuanwu Hospital Capital Medical University, Beijing 100053, China;
4. General Medicine Department, Xuanwu Hospital Capital Medical University, Beijing 100053, China;
5. Evidence-based medicine Department, Xuanwu Hospital Capital Medical University, Beijing 100053, China;
6. School of Information Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China
心脏骤停一旦发生，如得不到及时抢救，4~6 min后会造成脑和其他人体重要器官组织的不可逆损害，甚至危及生命，需要在现场立即开展高质量的心肺复苏（cardiopulmonary resuscitation, CPR）[1]。高质量的CPR是基础和高级生命支持的基础。强调高质量，是因为若达不到标准，各组织器官无法获得足够灌注，导致复苏成功率显著降低，尤其是神经系统对缺血缺氧十分敏感，许多患者虽然通过复苏恢复循环，却造成不可逆的脑损伤，严重影响复苏后的生命质量。CPR的首版指南于1966年由美国国家科学院医学部国家研究委员会的一个特设CPR委员会发布。距离首版指南发布半个多世纪后，心脏骤停仍然是危及人类生命健康的首要原因。指南始终致力于利用当前的相关证据制定明确可操作的标准来优化CPR操作，从而挽救生命并卓有成效[1]。但是将这些指标应用于CPR抢救中却不是容易的事情，需要专业的多次的甚至反复的CPR培训。目前的CPR培训绝大部分依赖培训讲师的个人能力和主观判断，缺乏统一化标准化的监测手段，导致培训水平良莠不齐。如何将指南中明确的理论原则准确的转化为学习行为，是亟需解决的问题。
针对这一问题，目前已经有广泛应用于CPR培训的模拟人，内置加速度传感器，对按压频率、深度等关键指标进行标准化。但对于胸外按压姿势（chest compression posture, CCP）目前主要依赖人类导师的判断，缺乏客观的评价标准。正确的姿势是为保证按压质量设计的，可以指导施救者正确用力，同时避免对患者造成额外的损伤[2]。尤其在真实的CPR抢救中，长时间的CPR易产生疲劳，正确的按压姿势可以延缓疲劳导致的按压质量下降[3]。更重要的是，正确的按压姿势是保证按压准确的基础，有文献研究证实施救者的姿势对胸外按压的深度和频率有重要影响[4-5]。然而，目前关注CCP的研究仍然十分缺乏，因此本文重点总结对于CCP研究的相关工作。首先，通过收集多例专业和非专业人员的按压动作视频，分析总结CPR按压动作中的常见错误及其发生率，然后在此基础上进一步研究设计新的基于双ZED立体摄像头（ZED 2i Stereo Camera，STEREO LAB，美国）的CPR按压姿势检测模型，以达到客观、便捷、实时监测的目的，从而优化CPR的质量控制，以实现CPR培训更加的自动化和标准化。
1 资料与方法 1.1 研究设置和参与人员ZED双目立体摄像头2台，分别用于记录CPR按压的正面和侧面姿势。Smartman模拟人（Smartman，美国），标准的CPR培训模拟人。共招募15人参与现场研究，其中经过专业培训的医师、护士、学生等CPR专业人员组11人，工程师、研究人员等非专业人员组4人。
1.2 研究流程通过预试验发现正前方和45度侧面2台摄像头同时记录CPR按压动作，可以多角度捕捉CPR操作者的动作细节。需要满足正面相机1和侧面相机2录制画面中CPR实施者人物画面高度占画面高度比例的区间范围为（1/2~2/3）；相机1、相机2与CPR实施者连线夹角范围为45度，通过界定此范围可以完整全面的收集受试者按压动作，对于收集视频数据用于后续分析最佳。例如，本研究中以CPR模拟人两乳头中点为中心点，两乳头连线指定正前方，正面相机1和侧面相机2水平距离中心点150 cm，夹角45度，高度80 cm时可以满足上述条件。现场试验中，所有参与人员在Smartman模拟人上进行胸外按压操作，完成连续按压120次为1组数据，共收集专业组按压数据26组，非专业组按压数据8组，每组按压包含120次按压动作，全部用来后续专家标注和动作分析。其中12组按压时因中间多人入镜造成画面干扰，人工智能自动采集骨骼点存在干扰，数据偏差较大，后续构建按压检测模型时予以排除。
1.3 数据处理AlphaPose[6-8]是由上海交通大学卢策吾团队提出的一个基于人工智能算法的精确姿态估计器。它是第一个在COCO数据集上实现70+mAP（75 mAP）[9]和在MPII数据集上实现80+mAP（82.1 mAP）的开源系统[10]。首先用AlphaPose算法对所有数据进行人体骨骼点采集。AlphaPose识别的人体骨骼点及关键点对照表见图 1。然后去除采集的视频数据中出现多人、关键点识别不明显视频，再对提取的人体骨骼点进行置信度统计，正面摄像头和侧面摄像头识别关键点平均置信度见表 1。最后，将视频数据由3位具备CPR培训资质的专家独立进行标注，同时考虑指标手臂伸直和重心匹配，并需要2位及以上专家认同规范才纳入规范数据，否则视为不规范。其中将采集的专业组规范数据作为CPR标准制定数据集，将非专业组采集的数据作为测试集。专业组规范数据集共28 800组人体骨骼点坐标数据，非专业组数据集共72 00组人体骨骼点坐标数据。
| 人体关键点 | 正面摄像头 | 侧面摄像头 |
| 鼻子 | 0.92 | 0.89 |
| 颈部 | 0.91 | 0.88 |
| 右侧肩部 | 0.94 | 0.91 |
| 右侧肘部 | 0.89 | 0.87 |
| 右侧腕部 | 0.93 | 0.89 |
| 左侧肩部 | 0.95 | 0.81 |
| 左侧肘部 | 0.90 | 0.90 |
| 左侧腕部 | 0.87 | 0.88 |
| 右侧髋部 | 0.89 | 0.83 |
| 右侧膝部 | 0.84 | 0.90 |
| 右侧踝部 | 0.67 | 0.93 |
| 左侧髋部 | 0.87 | 0.86 |
| 左侧膝部 | 0.68 | 0.82 |
| 左侧踝部 | 0.46 | 0.45 |
| 右眼 | 0.94 | 0.91 |
| 左眼 | 0.89 | 0.89 |
| 右耳 | 0.90 | 0.88 |
| 左耳 | 0.91 | 0.56 |
基于双ZED的CPR按压姿势检测模型构建流程图如图 2所示，首先利用ZED摄像机采集CPR影像数据，然后利用AlphaPose对影像数据进行人体骨骼点采集（如图 3），然后对采集的数据进行预处理，包括数据的缺失值与异常值分析、数据清洗、特征选取、数据变换，然后对预处理后的数据进行分析建模，最后对姿势识别模型进行评估优化。
|
| 图 2 CPR姿势检测模型构建流程 Fig 2 Construction process of the cardiopulmonary resuscitation posture detection model |
|
|
|
| 图 3 胸外按压操作者骨骼提取侧面示例图（背景模糊处理） Fig 3 Example illustration of the lateral bone extraction profile of the chest compression operator (Background blur processing) |
|
|
统计分析使用SPSS 25.0统计软件。对总体、专业组、业余组CCP中错误动作的发生采用视频帧数（%）进行描述，采用卡方检验进行比较。计算每一次按压的手臂角度和重心角度，因手臂角度为单侧偏态分布资料，取5%百分位数计算合理范围界值，同样，重心角度范围为单侧偏态分布资料，取95%百分位数计算合理范围界值。构建模型后采用准确率、敏感度、特异度指标进行验证。以双侧P < 0.05为差异有统计学意义。
2 结果 2.1 CPR按压动作分析此次研究通过专家标注现场试验视频，发现如表 2中描述的主要按压错误，其中腕部用力、手指未翘起、重心偏移（包括基础重心歪斜、重心前后移动、重心左右移动）、肘部弯曲是其中发生率最高的错误。比较专业组和业余组发生错误的情况发现，既往重点强调的重心问题、肘部问题及手部位置等，专业组均表现较好，但其中腕部用力、手指未翘起等细节问题在专业组和非专业组中发生率均非常高。
| 指标 | 总帧数（%） | 专业组帧数 （n=63 910，%） |
业余组帧数 （n=19 166，%） |
χ2值 | P值 |
| 腕部用力 | 43 808（52.73） | 33 842（52.95） | 9 966（52.00） | 5.387 | 0.020 |
| 手指未翘起 | 43 808（52.73） | 33 842（52.95） | 9 966（52.00） | 5.387 | 0.020 |
| 基础重心歪斜 | 29 222（35.18） | 17 253(27.00) | 11 969(62.45) | 8 127.605 | < 0.001 |
| 重心左右移动 | 4 068(4.90) | 4 068(6.37) | 0(0.00) | 1 282.768 | < 0.001 |
| 重心前后移动 | 5 164(6.22) | 5 164(8.08) | 0(0.00) | 1 651.278 | < 0.001 |
| 长时间停顿 | 1 320(1.59) | 1 320(2.07) | 0(0.00) | 402.247 | < 0.001 |
| 肘部弯曲 | 6 831(8.22) | 4 821(7.54) | 2 010(10.49) | 169.327 | < 0.001 |
| 手部位置错误 | 2 184(2.63) | 0(0.00) | 2 184(11.40) | 7 479.283 | < 0.001 |
| 手掌跟脱离胸壁 | 3 859(4.65) | 1 849(2.89) | 2 010(10.49) | 1 919.754 | < 0.001 |
2015年CPR指南建议复苏提供者的位置应垂直于受害者胸部上方和双臂伸直，既往指南重点强调手臂角度和重心的正确应用。但回顾指南和既往文献，目前尚无对手臂角度及重心合理范围的具体量化。针对该问题，在此次收集的CPR按压姿势的数据中，选择所有标注手臂角度正确的记录，通过专业组规范数据集共28 800组人体骨骼点坐标数据计算手臂角度和重心角度合理范围。其中右臂和左臂角度直方图见图 4，重心匹配角度直方图见图 5。图中红色线为实际分布，蓝色线为正态分布，可以看出均符合偏态分布。因此左右胳膊姿势角度取5%分位数作为正常值范围，重心匹配角度取95%分位数作为正常值范围。得到按压姿势规范标准范围：左臂角度169.24°~180.00°，右臂角度168.49°~180.00°，重心角度合理范围为0.00°~18.46°。
|
| 图 4 右臂和左臂姿势角度直方图 Fig 4 Right arm and left arm pose angle histogram |
|
|
|
| 图 5 重心角度直方图 Fig 5 Histogram of the center of gravity angle |
|
|
基于前面试验获得的范围界值，自动且实时的对每次动作进行分析判别。其中1次完整的按压被定义为1次动作，所有的动作构成全部数据集。应用专业组的数据对算法进行训练，构建模型成功后应用非专业组的数据集进行测试。在此基础上，构建的新的基于双ZED的CPR按压姿势检测模型可以较准确的识别出CPR的姿势错误（准确率91.31%，敏感度80.16%，特异度93.53%）。见表 3。
| 实际值 | 预测值 | |
| + | - | |
| + | 962 | 238 |
| - | 388 | 5612 |
正确的按压姿势是达到正确按压目的的基础，既往多项研究探究了按压姿势的重要性[11]：不正确的按压姿势会影响按压质量，并加速疲劳[12]。研究表明一名年轻的健康的医学生连续按压2 min后按压质量已经开始下降[13]。而在现实世界中，往往需要进行更长时间的按压，因此正确的按压姿势是高质量CPR的基础和重要影响因素，然而目前关注CPR姿势的研究仍然十分缺乏。此次研究，通过招募专业和非专业人员进行持续胸外按压，并通过视频记录、专家标注、统计分析发现发生频率最高的几类错误在专业组与非专业组之间的差异，为以后相关研究和现场培训提供数据参考。
目前对按压姿势的纠正完全依赖导师的个人能力和主观判断，监测质量难以评估。同时，学生对正确姿势的领悟来自导师的示范和口头总结，缺乏直观性，费时费力，且导师不能对每一次的姿势进行实时监测。根据目前存在的现实问题，本研究首次开发新的基于双ZED的CPR按压姿势检测模型拟对现存的问题进行改进。该研究表明，该程序可以较准确的识别出胸外按压的关键错误：手臂伸直和重心匹配。此外，相较于人类导师，该程序可以实现实时自动分析每一次按压姿势，并最终形成总结性报告，对姿势的监测更加客观更加全面。同时，用更具体直观的画面的方式进行反馈，学生更易理解掌握，缩短学习周期，可以节约时间和人力成本。
掌握CPR的理论原则和正确操作之间还是存在差距的，中间还必须经过实际操作训练和反复的学习体会，因此对于CPR指标的质控可以帮助培训人员更加快速的掌握操作要点。既往关注该问题的研究开发了多种质控方法，例如：压力传感器、加速度计、力传感器、阻抗信号和运动检测[14-18]，目前已经商品化的模拟人内置加速度传感器，既往研究中开发的基于Kinect对按压深度和频率的质控，以及近年可以应用临床的按压传感器。然而既往对CPR姿势的研究较少，其中Kopacz等[19]的研究做出了很好的尝试，该研究利用直接粘贴在皮肤上的多个探头收集信号，评估按压时手臂的角度，与本研究一致的是都关注了手臂角度这一重要指标，但Kopacz等[19]的研究中没有对手臂角度的正确范围做出界定。虽然经验、既往文献和指南的按压原则是手臂伸直和应用重心，但缺乏具体量化标准。本研究通过收集多人的按压动作，筛选出共28 800组规范人体骨骼点坐标数据，对手臂伸直和重心匹配这些姿势关键点进行量化，便于后续定量研究的应用。此外，相较于多个贴于皮肤的贴片表示骨骼点位置，此次研究中应用摄像头记录后智能算法提取骨骼点的方法，更简单易行和推广。最新研究关于多模态系统在CPR中的应用中也提到了对CPR姿势的监测[20]，该研究同时收集Kinect摄像头和穿戴式肌电袖的多通道信号，针对按压时手臂姿势和重心变化的监测设计智能算法，但该研究有较明显的局限性。该研究为机器学习得到的黑盒算法，必须保持设备尽可能完全一致，否则试验结果无法泛化应用。例如将Kinect摄像头移动到不同的位置，或者在当前设置中添加或移除某一传感器，该研究得到的算法将不再适用。与该研究不同的是，本研究首先利用智能算法提取CPR操作者的骨骼点，然后与得到的标准范围进行比较。基于该研究检测的参数是手臂角度和重心角度，并且采用AI加统计的方法，因此摄像头的角度、距离在每次试验及今后应用时并不要求完全一样，只要在一定范围内变化，对结果无明显影响。其次，多模态这一研究中采用单一摄像头收集受试者的按压姿势，未说明摄像头摆放的具体距离和角度，但在实施研究时发现单一摄像头有盲区，需要至少2个角度同时收集才能多角度更准确的收集按压姿势数据。此外，本研究中培训者无需穿戴任何设备，也不受其他设备的影响，其便捷性、泛化性及兼容性更好，以后推广应用的可行性更高。
本研究对按压姿势中常见错误进行分析总结，为后续研究及现场培训提供数据参考。此外，手臂角度和重心均为CPR姿势的关键问题，此次研究对其合理范围进行量化，对姿势的评价补充客观可量化的标准。最后，在此基础上研究了新的方法检测CPR的体位错误，设计研发了新的基于双ZED的CPR按压姿势检测模型，做到CPR培训时可以客观、便捷、实时的对按压姿势进行监测，以达到CPR培训更加的自动化和标准化的目的。
利益冲突 所有作者声明无利益冲突
作者贡献声明 宋菲：酝酿和设计试验、实施研究、撰写论文；尹春琳：研究设计、论文修改；宁泽惺、李瑞瑞：解释、分析数据；陈超、王亚军：实施研究、采集数据；费甄甄、杭莺：数据收集
| [1] | Merchant RM, Topjian AA, Panchal AR, et al. Part 1: executive summary: 2020 American Heart Association guidelines for cardiopulmonary resuscitation and emergency cardiovascular care[J]. Circulation, 2020, 142(16_suppl_2): S337-S357. DOI:10.1161/CIR.0000000000000918 |
| [2] | Magid DJ, Aziz K, Cheng A, et al. Part 2: evidence evaluation and guidelines development: 2020 American Heart Association guidelines for cardiopulmonary resuscitation and emergency cardiovascular care[J]. Circulation, 2020, 142(16_suppl_2): S358-S365. DOI:10.1161/CIR.0000000000000898 |
| [3] | Bjørshol CA, Søreide E, Torsteinbø TH, et al. Quality of chest compressions during 10min of single-rescuer basic life support with different compression: ventilation ratios in a manikin model[J]. Resuscitation, 2008, 77(1): 95-100. DOI:10.1016/j.resuscitation.2007.11.009 |
| [4] | Larsen PD, Perrin K, Galletly DC. Patterns of external chest compression[J]. Resuscitation, 2002, 53(3): 281-287. DOI:10.1016/S0300-9572(02)00026-6 |
| [5] | Chi CH, Tsou JY, Su FC. Comparison of chest compression kinematics associated with over-the-head and standard cardiopulmonary resuscitation[J]. Am J Emerg Med, 2009, 27(9): 1112-1116. DOI:10.1016/j.ajem.2008.08.029 |
| [6] | Fang HS, Xie SQ, Tai YW, et al. RMPE: regional multi-person pose estimation[C]//2017 IEEE International Conference on Computer Vision (ICCV). October 22-29, 2017, Venice, Italy. IEEE, 2017: 2353-2362. DOI: 10.1109/ICCV.2017.256. |
| [7] | Johnson JW. Adapting mask-RCNN for automatic nucleus segmentation[EB/OL]. 2018: arXiv: 1805.00500. https://arxiv.org/abs/1805.00500 |
| [8] | Cao Z, Hidalgo G, Simon T, et al. OpenPose: realtime multi-person 2D pose estimation using part affinity fields[J]. IEEE Trans Pattern Anal Mach Intell, 2021, 43(1): 172-186. DOI:10.1109/TPAMI.2019.2929257 |
| [9] | Lin TY, Maire M, Belongie S, et al. Microsoft COCO: common objects in context[C]//European Conference on Computer Vision. Cham: Springer, 2014: 740-755.10.1007/978-3-319-10602-1_48 |
| [10] | Andriluka M, Pishchulin L, Gehler P, et al. 2D human pose estimation: new benchmark and state of the art analysis[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. June 23-28, 2014, Columbus, OH, USA. IEEE, 2014: 3686-3693. DOI: 10.1109/CVPR.2014.471. |
| [11] | 李顺青, 王静, 刘瑞宁, 等. 按压姿势对胸外按压质量的影响: 一项基于模型人的研究[J]. 中华急诊医学杂志, 2018, 27(7): 799-801. DOI:10.3760/cma.j.issn.1671-0282.2018.07.018 |
| [12] | Yang ZF, Li H, Yu T, et al. Quality of chest compressions during compression-only CPR: a comparative analysis following the 2005 and 2010 American Heart Association guidelines[J]. Am J Emerg Med, 2014, 32(1): 50-54. DOI:10.1016/j.ajem.2013.09.043 |
| [13] | Heidenreich JW, Bonner A, Sanders AB. Rescuer fatigue in the elderly: standard vs. hands-only CPR[J]. J Emerg Med, 2012, 42(1): 88-92. DOI:10.1016/j.jemermed.2010.05.019 |
| [14] | Goharani R, Vahedian-Azimi A, Farzanegan B, et al. Real-time compression feedback for patients with in-hospital cardiac arrest: a multi-center randomized controlled clinical trial[J]. J Intensive Care, 2019, 7: 5. DOI:10.1186/s40560-019-0357-5 |
| [15] | Wang JC, Tsai SH, Chen YH, et al. Kinect-based real-time audiovisual feedback device improves CPR quality of lower-body-weight rescuers[J]. Am J Emerg Med, 2018, 36(4): 577-582. DOI:10.1016/j.ajem.2017.09.022 |
| [16] | Yeung J, Davies R, Gao F, et al. A randomised control trial of prompt and feedback devices and their impact on quality of chest compressions: a simulation study[J]. Resuscitation, 2014, 85(4): 553-559. DOI:10.1016/j.resuscitation.2014.01.015 |
| [17] | Semeraro F, Marchetti L, Frisoli A, et al. Motion detection technology as a tool for cardiopulmonary resuscitation (CPR) quality improvement[J]. Resuscitation, 2012, 83(1): e11-e12. DOI:10.1016/j.resuscitation.2011.07.043 |
| [18] | 刘帅, 朱华栋. 人工智能在心肺复苏中的应用[J]. 协和医学杂志, 2023, 14(3): 453-458. |
| [19] | Kopacz K, Fronczek-Wojciechowska M, Jaźwińska A, et al. Influenece of the CPRmeter on angular position of elbows and generated forces during cardiopulmonary resuscitation[J]. Int J Occup Med Environ Health, 2017, 30(6): 909-916. DOI:10.13075/ijomeh.1896.01073 |
| [20] | Di Mitri D, Schneider J, Specht M, et al. Detecting mistakes in CPR training with multimodal data and neural networks[J]. Sensors, 2019, 19(14): 3099. DOI:10.3390/s19143099 |