糖尿病人心率变异的李雅普洛夫指数的计算

采用常规的李雅普洛夫指数定义的方法和长度演化法，面积演化法分别计算１０例正常人和１０例糖尿病人的李雅普洛夫指数，结果显示糖尿病人的李雅普洛夫指数明显低于正常人。它反映了植物神经功能受到损伤，同时还显示心电图数据不必大量采集便能说明问题。     

冠心患者与健康人同步12导联ECG信号的李雅普诺夫指数谱比较研究

本研究首次计算了60名具有窦性心率的冠心患者(Coronary atrery disease:CAD)和60名健康老年人的同步12导联心电图信号的李雅普诺夫指数谱.发现对同一个人,从不同导联得出的Lyapunov指数是不同的,具有明显的空间分布特性.所有导联的ECG信号的最大Lyapunov指数L1均为正数,其余指数为负,心电信号表现出明显的混沌特征.同一导联相比较,冠心患者的最大Lyapunov指数L1低于健康正常人的最大Lyapunov指数L1,提示在心肌缺血的情况下,心电信号的混沌程度下降了,重构相空间中ECG信号的奇异吸引子的动力学复杂性降低了.结果表明,在估算Lyapunov指数时,有必要指明导联的位置.在Lyapunov指数谱中,最大Lyapunov指数可以将冠心患者与健康正常人区分开来,在心脏疾病诊断中具有潜在的应用价值.     

基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别

为了提高动作表面肌电信号的识别率,提出一种将最大李雅普诺夫指数和多尺度分析结合的方法。从非线性和非平稳的角度出发,引入多尺度最大李雅普诺夫指数特征,并应用到人体前臂6类动作表面肌电信号的模式识别中。首先利用希尔伯特-黄变换,对原始信号进行经验模态分解,即多尺度分解;然后利用非线性时间序列分析方法,计算多尺度最大李雅普诺夫指数;最后将多尺度最大李雅普诺夫指数作为特征向量,输入支持向量机进行识别。平均识别率达到97.5%,比利用原始信号的最大李雅普诺夫指数进行识别时提高了3.9%。结果表明,利用多尺度最大李雅普诺夫指数对动作表面肌电信号进行模式识别效果良好。     

HRV信号关联维计算中参数选取的研究

健康和有疾病的心率变异性（HRV）参数有明显差异,计算关联维是识别这种差异的一种重要手段。用传统的G—P算法计算关联维时,嵌入维数m、延迟时间τ、及序列长度N等参数的选取会对最终计算结果有很大影响。本文从理论和实验方面论述了如何选取这些参数以获得正确的结果,并且将其应用于正常组和心率不齐疾病组进行对照,结果显示关联维可以有效地表征由于疾病对于心脏节律造成的影响。     

HRV非线性动力学分析的临床初步研究

采用非线性动力学分析方法,观察了陈旧性心肌梗塞、糖尿病病人非线性动力学参数的改变。结果显示：陈旧性心肌梗塞病人与正常人相比关联维数增高,李氏指数降低;糖尿病病人与正常人相比关联维数显著增高,李氏指数降低,两组病人的熵与正常人相比基本不变。因此,关联维数可反映陈旧性心肌梗塞和糖尿病时自主神经功能的变化。     

HRV非线性动力学分析的动物实验初步研究

采用非线性动力学分析方法,观察了交感,迷走神经单独作用和冠状动脉狭窄时,非线性动力学参数的改变,以探讨非线性动力学参数所反映的心脏生理功能和心脏电生理学意义。     

基于HRV信号分析的人工神经网络用于CHF的诊断研究

建立了基于心率变异性(heart rate variability,HRV)信号分析的人工神经网络(artificial neural network,ANN)模型,以寻求用于充血性心衰(congestive heart failure,CHF)诊断的最佳向量-网络组合.结果表明,将经过改进的BP算法和小波分析所抽取的特征向量相结合所获得的神经网络在诊断敏感性和特异性上有着均衡且优良的表现,并且经由AR模型谱估计获取的向量价值也不亚于小波分析所提取的特征向量.因此,基于HRV信号分析的人工神经网络用于诊断CHF可作为临床诊断的一种重要参考方法.     

犬急性心肌梗死后HRV的非线性动力学分析

目的：观察心肌梗塞后非线性动力学参数的变化。方法：基于心肌梗塞的动物实验模型,通过心电采集,记录和预处理,用非线性动力学方法分析RR间期序列,并用单光子发射计算机断层成像实验方法进行比较,结果：急性心肌梗塞后关联维数和近似熵都减少,且15天后又逐渐恢复,急性心肌梗死后李氏指数增加,且随着时间的推移逐渐恢复到正常,结论：非线性动力学参数可以反应心肌缺血的程度和急性心肌缺血后的恢复情况。     

心率变异(HRV)信号的谱分析方法研究

近年来,心率变异（HRV）分析作为一种无创检测心脏功能的手段,因其可以定量评估自主神经系统活动以及心脏的内在动力学机制、解释和预测心脏的运动过程而获得广泛应用,并成为心电信号处理中的研究热点之一。本文采用改进的HRV谱分析方法－－参数分析法,通过Marple算法建立自回归（AR）模型,计算功率谱密度（PSD）函数,然后分离各极点,得HRV的分离谱,以期为心血管疾病的早期诊断、监护及预后评估等方面应用提供新的分析工具。     

基于SBF算法的HRV信号信息熵分析

目的：HRV信号是发生在非均匀间隔时间点上的RR序列,其传统的频域分析方法为功率谱分析,但对于非均匀采样的HRV信号,快速傅里叶变换（FFT）并不适用,同时HRV信号是具有混沌性和非平稳性的信号,功率谱也不善于表现HRV信号的非平稳性质。SBF（Similar Basis Function）算法是相对于FFT的另一种傅里叶积分估计方法,适用于均匀与非均匀采样信号,片段谱是基于SBF算法定义的表示信号能量分布的参数,相对于功率谱其主要的优点是能表现谱随时间的变化,对于处理非平稳信号也有一定的优势。因此本文探究用片段谱信息熵作为HRV信号的参数指标,分析HRV信号在不同频段能量分布复杂度随年龄的变化。方法：本文以20名年轻（21～34）岁与20名年老（68～81）岁二组健康人的HRV信号为实验数据,用SBF算法计算出二组人的片段谱,再算出多个不同频率段上的信息熵,同时用全频段分割法计算两组人的信息熵。结果：在0．003Hz～0．04Hz和0．04Hz～0．15Hz频段内,年轻组的片段谱熵明显大于老年组（p〈0．001,p〈0．01）;由全频段分割法也得到类似的结果。结论：因而基于SBF算法的片段谱熵是分析HRV信号的有效指标。     

海洛因成瘾者的心率变异性研究

利用功率谱估计的方法 ,对 15例海洛因成瘾者和 15例正常人的 HRV信号进行分析。分析结果表明 ,在海洛因成瘾者和正常人心率变异性信号功率谱间存在高频谱峰位置的显著差异 ,即海洛因成瘾者 HRV信号功率谱的高频谱峰位于 0 .437± 0 .0 6 4Hz,而正常人的 HRV信号功率谱的高频谱峰位于 0 .32 5± 0 .0 5 2 Hz     

高可靠度心率变异性信号获取的实验研究

心率变异性信号的获取在生理研究和临床诊断中都有着重要的应用价值。为了保证心率变异性分析的准确性，必须考虑心率变异性的获取方法。本文利用信号奇异点及其小波变换的关系，设计了HRV信号的R波获取软件。对MIT／BIH心电数据库中的37个记录文件进行R波的检测实验，检测实验效果令人满意。     

A new algorithm developed based on a mixture of spectral and nonlinear techniques for the analysis of heart rate variability

In this paper, an algorithm based on a joint use of spectral and nonlinear techniques for heart rate variability (HRV) analysis is proposed. First, the measured RR data are passed into a trimmed moving average (TMA)-based filtering system to generate a lower frequency (LF) time series and a higher frequency (HF) one that approximately reflect the sympathetic and vagal activities, respectively. Since the Lyapunov exponent can be used to characterize the level of chaos in complex physiological systems, the largest Lyapunov exponents corresponding to the complex sympathetic and vagal systems are then estimated from the LF and HF time series, respectively, using an existing algorithm. Numerical results of a postural maneuver experiment indicate that both characteristic exponents or their combinations might serve as a set of innovative and robust indicators for HRV analysis, even under the contamination of sparse impulses due to aberrant beats in the RR data.     

基于心率变异分析的睡眠分期方法

利用隐马尔可夫模型（HMM）对心率变异性（HRV）进行分析，识别HRV在不同睡眠分期的模式变化，从而推算出相应的睡眠分期。在信号处理的过程中采取了一定的措施降低个体差异对分析的影响；在特征提取中还考虑了HRV中超低频分量和睡眠的关系。由于心率信号的提取对睡眠几乎没有任何干扰，因此，本文提出的睡眠分期方法可以较好地反映受试者在自然条件下真实的睡眠状况，实验证明，该方法简单可行，其睡眠分期的结果和人工分期相比的符合率可以满足很多睡眠监测场合的需要，尤其适用于健康人常年的睡眠监测。     

穴位磁刺激对汽车驾驶员心率变异性的影响分析

汽车驾驶员在长期驾驶情况下，尤其振动条件下，常表现不同的生理，心理功能障碍或紊乱，影响驾驶员身心健康并诱发交通事故，。本文应用心率变异性及主观评估。分析了竖直振动条件下穴位磁刺激对心率变异性的影响。持续应激条件下，实验者心率变异性（HRV）表现出明显的变化，如交感神经张力增加，迷走神经张力降低，施加穴位磁刺激后，实验者迷走神经兴奋性提高，精神紧张及疲劳程度降低。因此穴位磁刺激可缓解驾驶疲劳，减少持续应激的不利影响，有利于保护驾驶员身心健康及提高汽车驾驶安全性。     

基于小波变换的心率变异性信号的分解

根据心率变异性（Heartr ate Variability，HRV）的牲，运用小波变换的分析方法将HRV信号分解成1／f分形部分和非1／f部分，有利于提取HRV信号的特征量和进行1／f部分的定量分析。     

基于非广度相对熵的缺氧缺血HRV信号分析

缺血缺氧脑损伤研究是当今的热门课题。本文利用非广度集内的相对熵(Nonextensive kullback-Leibler entropy)对缺氧缺血状况下的心率变异信号(Heart rate variability,HRV)进行分析,并且与相应的脑电分析结果做比较,说明Kullback-Leibler熵可以表征缺氧缺血程度,同时为临床量化监测缺血缺氧脑损伤提供一种新的途径。     

脑缺血缺氧HRV信号的复原图分析

心率变异信号(HRV)是人体心脏搏动周期的微小变异,反映了自主神经系统的平衡协调关系.在证实心率变异信号的非线性特征后,可利用基于复杂度的非线性动力学分析方法-复原图(recurrence plot)来进行分析.通过复原图及其量化分析方法,发现与正常情况相比,缺血缺氧阶段HRV信号的复原图和量化指标L-Mean、L-Entr均有显著的变化,为监测缺血缺氧脑损伤提供了新的途径.     

Comparison of the most common HRV computation algorithms from the systems designer point of view

In this paper we examine the most commonly used algorithms for the computation of heart rate variability as well as some other interesting approaches. The aim of the paper is to study the problem from a different point of view, that of the systems designer. The selected algorithms are compared to each other through experimental analysis and theoretical study. The comparison criteria are efficiency, complexity, size of the object code, memory requirements, power consumption, parallel complexity and speedup achieved, ability to response in real time, simplicity of the interface and implementation in hardware. The motivation is strong since heart rate variability is an interesting problem which finds application not only in conventional computing systems, but also in small, even wearable devices implemented using embedded systems technology or directly in hardware. The computation of heart rate variability for a set of signal recordings and the classification achieved for these signals with each examined method are also presented. Signals have been recorded from young and elderly subjects and the examined methods are used to classify them into these two distinct groups.