用联合熵分析短时心率变异信号的非线性动力学复杂性

用联合熵方法来分析短时心率变异性信号,该方法可以有效地从短时心跳间期信号中提取出动力学信息,从而反映心率变异性的强弱,为临床应用提供了方便。我们首先介绍联合熵基本理论,用低维的混沌序列进行了检验,证明该方法有效。然后将其应用于人体短时的心跳间期时间序列,该方法可以揭示复杂生理信号所具有的动力学特征以及衰老和疾病所伴随的非线性动力学复杂性的丢失和降低的个体自适应能力。最后,用联合熵方法来考察短时心率变异性信号的非随机性程度,该方法可以有效的揭示心室对心室纤维性颤动响应的非随机模式。     

短时心率变异性非线性分析方法及其在临床医学中的应用

目前关于心率变异性(HRV)的时域、频域及时频分析等线性分析方法已经取得很多共识,而针对HRV的非线性分析方法也在生物医学和临床医学上有不少的研究报道,尤其是短时HRV分析,但目前仍然存在很多争议,尚未形成统一的标准和结论。本文就短时HRV非线性分析常用的三种方法(分形维、熵及复杂度)的原理、临床应用进展及存在问题进行详细的综述和讨论,以期为准确地将其应用于临床医学提供参考。     

生理信号时问序列周期性和平稳性对近似熵和样本熵算法的影响分析

目的提高近似熵和样本熵算法在评价生理信号时间序列非线性复杂度应用中的精度。方法首先生成生理信号时间序列数据库,通过对周期序列和叠加有周期成分的非线性序列的分析,研究序列周期性对熵测度算法的影响,并通过对心率变异性（hear trat evariability,HRV）序列在去除非平稳趋势前后的对比分析,研究序列平稳性对熵测度算法的影响。结果在序列长度范围内,不同重复频率的周期序列熵测度不同,不同比重的周期成分叠加到非线性序列中引起序列熵测度的变化也不同。生理信号时间序列中大都存在非平稳成分,而非平稳成分会降低序列的复杂度,因此进行熵测度计算前首先要去除非平稳成分。结论周期性和非平稳成分显著影响生理信号时间序列的熵测度算法。     

以基于基本尺度熵的心率变异性指标表征生理和病理原因引起的自主神经活动变化

心率变异性（HRV）体现了自主神经对心脏节律的调节,其动力学特征能够反映心脏的生理功能和健康状态,从短时HRV信号中探测其生理和病理状态的变化具有重要的临床应用价值。本研究采用基本尺度熵中的m-words组合和forbidden words作为特征指标,研究健康年轻人和健康老年人之间以及各自昼夜间对比,以及健康老年人与充血性心力衰竭患者间的对比。首先将m-words组合、forbidden words分别应用于正弦周期信号、白噪声以及1/f 噪声,以证明方法的有效性。25名健康年轻人和25健康老年人的数据分别选自PhysioBank中的Normal Sinus Rhythm RR Interval Database数据库和MIT-BIH Normal Sinus Rhythm数据库,20名充血性心力衰竭（CHF）患者选自PhysioBank中Congestive Heart Failure RR Interval Database。结果表明：m-words组合几率分布可以反映自主神经调控的变化;健康年轻人和健康老年人各自昼夜间的forbidden words存在显著差异（P<0.05）, 并且健康年轻人和健康老年人对应的时间段forbidden words也存在显著差异（P<0.05）;相比于健康老年人,CHF患者的forbidden words显著降低（219.2±6.9 vs 147.5±12.1,P<0.05）。相对于传统的非线性方法,所提出方法的计算只需500个心跳间隔的时间序列,为HRV的研究和应用提供了一种简便和有效的方法。     

分频段Hilbert谱熵的心率变异信号分析方法

心率变异(HRV)信号分析对心脏系统疾病的辅助诊断、监护及评估有十分重要的意义。本研究将Hilbert谱分析方法和非线性熵分析方法相结合,提出了基于分频段Hilbert谱熵的HRV信号分析的新方法。依据Hilbert谱的时频多分辨率特性和HRV信号频谱特征,在不同频段计算HRV信号的Hilbert谱熵和加权表示的全频段谱熵。对HRV信号的生理因素按频段适当分离后进行Hilbert谱熵的分析,更有利于表征某些生理病理的特征。对MIT-BIH数据库中实际HRV信号分析表明,这两种熵值能有效地区分年轻人、老年人及房颤患者三个样本组和健康人、充血性心力衰竭患者两个样本组,统计性能优于普通的时频熵方法,为临床HRV信号分析提供了一种有效方法。     

基于复杂网络的高血压患者心率变异性分析

目的利用基于复杂网络理论的心率变异性(heart rate variability,HRV)分析方法来探索高血压所致的心搏动力学变化,为评估高血压患者的心血管系统功能提供新思路。方法分析了来自于中国人民解放军第414医院的17例原发性高血压患者以及17例健康老年人的HRV数据:首先利用相空间重构、内组合排列和替代数据方法将高血压患者组和健康对照组的极短时心率变异性序列(50点)从时间域转换至网络域,然后分析网络拓扑特性,计算了4个基本的网络特征参数,即效率、聚类系数、平均度和度分布熵。结果高血压组的3个网络特征参数,即效率、平均度、度分布熵的值相比对照组存在着显著下降(P0.05),其中尤以度分布熵参数最为明显;聚类系数相比对照组存在着接近显著的下降(P=0.055)。结论高血压患者的心跳动力系统可能发生了两个改变:一是既可以整体协作又能局部专注的经济型工作模式遭到破坏;二是在不同时刻之间的非线性耦合性减弱。     

基于HHT边际谱熵和能量谱熵的心率变异信号的分析方法

基于希尔伯特-黄变换(HHT)理论,依据广义信息熵的概念,提出基于HHT边际谱熵和能量谱熵的概念和熵分析方法。对常规信号和混沌时间序列信号进行复杂性研究,结果表明本方法在刻画信号复杂度变化、抗脉冲干扰方面优于Lempel-Ziv复杂度和功率谱熵方法。将其应用于MIT-BIH标准数据库的实际心率变异(HRV)信号分析,结果显示HHT边际谱熵和能量谱熵能从HRV信号中敏感地检测出生理和病理状态的变化,统计学分析优于传统的功率谱熵方法,为临床HRV信号及其他复杂生理信号的分析提供一种有效的分析方法。     

基于联合熵的室性心动过速与室颤识别

对心电信号进行分析,是医学临床上检测和诊断心脏功能的重要手段。室性心动过速(VT)和心室纤颤(VF)是威胁人类生命的严重的心脏疾病。本文应用联合熵方法分析正常心跳信号(NSR)、VT和VF信号的动力学复杂性信息。将动力学符号统计理论以及替代数据的概念融入其中,通过计算原始时间序列和其替代时间序列之间的联合熵值,来量化序列的动力学复杂性。经过对实际心率数据的计算机分析,证明了联合熵方法的合理性。根据联合熵值的不同对NSR、VT和VF信号进行区分,取得了令人满意的效果。     

心电RR间期序列的近似熵与Lempel-Ziv复杂度分析

目的：探究度量心率变异性（HRV）指标的稳定性和有效性。方法：以207名心律失常患者在服用氟卡尼前后所得到的心电RR间期序列为实验数据，将长RR序列分割成多个短序列，计算出短序列的Lempel-ziv复杂度（LZC）和近似熵（ApEn），还计算了长RR序列相邻两个正常间期的差值均方根（RMSSD）、平均值、标准差以及心率变异系数等指标。结果：经比较发现LZC能明显地反映出氟卡尼对抑制患者HRV的效果，服药后的RMSSD降低（P〈0．0001），每段LZC也减少（P〈0．05）。结论：结果表明，用LZC和RMSSD等指标分析药物对HRV的作用是可行的。     

心率变异性分析方法的研究进展

首先介绍了心率变异性(HRV)的基于线性的时域和频域的分析方法,然后结合实例介绍了心率变异性(HRV)的一些非线性的特征量及分析方法.最后指出线性分析和非线性分析相结合,将会从更深的层次上挖掘HRV中的信息,因而会成为未来HRV研究的发展重点和方向.     

心率变异性的线性参数和非线性图形特征在自主神经功能评价中的应用研究

分析心率变异性(HRV)信号的传统方法是通过计算其线性参数,包括时域和频域参数来评价自主神经功能。HRV信号的本质是非线性的,并具有非线性动力学特性。Poincaré图是一种非线性图形法,能够揭示信号中隐藏的现象。本研究分别利用HRV的线性参数和Poincaré图参数在文字输入实验中进行自主神经功能评价。结果表明Poincaré图是评价HRV水平的一种简单且有效的非线性图形法。     

基于小波变换的心率变异性动态分析

心率变异性（Heart rate variability，HRV）分析已成为无创检测心脏自主神经调节功能的一种手段。传统的频域分析，主要是计算HRV信号各频段功率，以及识别各频段的峰值频率，无论是采用经典谱估计还是AR模型都是以假设HRV信号近似平稳为前提的。这种假设在短程分析中可以基本满足，但在长程分析中，HRV信号的非平稳性便凸现出来。提出了一种基于小波变换的心率变异性动态分析方法，它不但可以获得传统的频域指标，而且可以获得它们随时间变化的动态值，称为短时功率，短时LF／HF比，特别是后者，可以动态评估自主神经活动的平衡情况。最后将这种分析方法应用到阿托品药物实验中，跟踪分析了阿托品对自主神经的影响情况。     

基于短时心率变异性信号两种熵测度的过速型室性心律失常的预测分析

目的:过速型室性心律失常［持续性室性心动过速或心室纤颤（VT/VF）］是心脏猝死的主要诱因,测试VT/VF发生前心率变异性信号是否有明显改变可作为VT和VF发生的提前预报信号。方法:以78名患者体内心脏复律除颤器记录的VT/VF事件发生前心率变异性信号（VT/VF序列）和来自同一患者的正常窦性节律（CON序列）组成的135个样本对作为实验序列。通过预处理消除实验序列的伪差、异位心搏等干扰,采用两种基于熵的非线性复杂度测度——样本熵和逐点多尺度熵（PPMSE）,分析VT和VF发生前十几分钟的VT/VF序列,以及心率增加和减小的VT/VF序列复杂性,并采用PPMSE方法讨论了接近VT/VF发生时VT/VF序列复杂性变化。结果:与正常对照组CON序列相比,在一定匹配容差内,VT/VF发生前心率变异性信号的样本熵明显减小（r<0.25×SD, P<0.000 5）,心率增加的VT/VF序列减小更显著（r<0.3×SD, P<0.000 1）;VT/VF序列的PPMSE在越接近VT/VF发生时刻减小越显著,提取的CI指数存在显著差异（如1~30尺度,N=986、500、250时,P=1.5×10-2、P=4.3×10-3、P=1.3×10-5）,心率增加的VT/VF序列区分性能更好。结论:过速型心律失常的自然发作并不是突发现象,在其发作前或许存在某种生理预兆,两种熵测度可能是短时预报恶性室性心律失常事件的有效非线性参数。     

心率变异性短时分析的非平稳性影响研究

针对短时心率变异性(heart ratev ariability,HRV)分析在临床中常常不能得到一致性结果的情况,研究几种常用HRV短时分析参数受非平稳性的影响。通过几种参数与平稳性衡量参数(均值、标准差)的相关性分析,结果表明,各短时参数在长时数据中呈现出随时间变化的波动,其中HFnorm和SE受非平稳干扰影响大,LFnorm和BE受非平稳干扰影响小。从而推论,非平稳干扰是影响短时HRV分析结果一致性的一个原因,尽量排除非平稳干扰,严格保证数据的可比性前提,可提高其分析结果的可靠性和一致性;同时,HRV中的低频波动不只包含了非平稳干扰的影响,还蕴含了心脏动力系统的固有特性,短时分析参数由于未能包含这部分低频信息,所以不能对心脏动力系统提供全面描述,这是导致短时HRV分析结果一致性差的另一个重要原因。     

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.     

温度对心率和心率变异的影响

心率变异（heart rate variability,HRV）是判断自主神经活动最好的定量指标,有时域、频域和非线性等研究方法.频域方法适用于短时程记录,而时域法对分析长时程记录较为理想.HRV的发生基础是自主神经对心率的调节作用,反映了神经体液因素与窦房结相互作用的平衡关系.心率变异受诸多外周和中枢因素的影响,体温及环境温度的变化影响着心血管活动的调节,是HRV的重要起因.极低频（very low frequencies,VLF）功率受温度刺激（如低体温和体温调节活动）的调制,皮肤降温不会特异的影响此频带,表明功率谱中特别频带的改变依赖于体温调节激发模式,而不是体温调节本身.中枢神经系统的损伤可引起心脏自主神经的异常活动并降低HRV,低体温处理可以使HRV的降低更显著.因此研究体温及环境温度与HRV的关系具有非常重要的实用价值.     

时频分析在心率变异性研究中的应用

心率变异(HRV)包含着心血管神经体液调节的大量信息,由于信号提取的无创性,心率变异性分析是近年生理信号分析研究的热点。鉴于动态变化或病理状态下心电信号的非平稳特性,传统的时域和频域HRV分析有一定的局限性,而时频分析法在这方面显示出其明显的优越性。目前较常用的时频分析法有短时傅里叶变换(STFT)、Wigner-Ville分布(WVD)、小波变换等。本研究系统阐述了这3种时频分析方法在HRV分析中的应用,并提出了今后的研究方向和发展前景。     

心率变异性的AR模型分析及其在糖尿病患者中的应用

针对传统谱估计频率分辨率低和旁瓣泄漏的固有缺点,采用自回归模型功率谱估计对心率变异性信号进行了分析,比较了AR模型方法与FFT方法在心率变异性（HRV）分析中的应用,并对糖尿病患者和正常人的心率变异信号进行了分析和比较。结果表明：自回归模型功率谱估计在心率变异性分析中的有效性优于传统谱估计方法;严重糖尿病患者HRV各频段能量明显减少。     

基于极短时心率变异性分析的充血性心力衰竭诊断可行性探讨

表征极短时(1min)心率变异性(HRV)的分析参数通常随时间呈现出复杂的变化模式,这种随时间变化的波动很容易干扰对心血管状态的正确判断。本文将年龄匹配的41例健康人(对照组)和25例充血性心力衰竭(CHF)患者(实验组)的长时HRV序列划分成多段极短时序列,计算同一HRV参数在多段极短时序列中的变异系数以及多次组间t检验中差异有统计学意义的检验比例,以此探讨部分极短时HRV分析参数在揭示不同状态下心血管系统功能差异时的稳定性;此外,通过对受试者工作特征(ROC)曲线的分析以及人工神经网络的建模,评估了这些参数对对照组和实验组进行分类的效果。本文结果表明:1基于复杂网络分析的度分布熵指标有着最小的变异系数且对病理状态敏感(79.75%情况下对照组和实验组的差异有统计学意义),可为临床医生提供一个诊断CHF患者的辅助指标;2将庞加莱散点图进行椭圆拟合后,对照组和实验组的椭圆短长轴之比(SDratio)在98.5%的情况下差异有统计学意义;在人工神经网络建模时,仅使用SDratio对对照组和实验组进行分类的正确率为71.87%,表明SDratio或可作为CHF患者的智能诊断指标;3仍需寻找可用于极短时HRV分析研究且对CHF患者更加敏感特异的稳定指标。     

心率变异性的检测与分析

心率变异性(HRV)是逐次心跳R-R间期之间存在的微小差异,其蕴涵着心血管神经及体液调节的大量信息,心率变异性的检测与分析是近年来心电信号处理领域的研究热点,其对于心血管系统疾病的无创检测具有重要的临床意义。本文介绍了心率变异性的原理、研究现状与临床意义,描述了用于计算心率变异性的各种QRS复合波检测方法,综述了心率变异性的时域分析、频域分析、时频分析和非线性动力学分析方法,并总结展望了今后的研究方向。