基于心率变异性分析的睡眠分期算法研究和验证

为实现睡眠分期,为穿戴式生理参数监测技术在慢病监测领域的应用提供技术支撑,发展基于心率变异性和支持向量机模型的睡眠分期算法。从心率时间间期序列中提取时域、频域和非线性等86个特征,将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”,采用支持向量机作为多分类器模型;为保证训练集数据质量,使用开放睡眠数据库SHHS中由专家确认挑选的67例PSG样本作为训练集,实现特征筛选和模型参数训练。为验证模型的泛化性能,从SHHS数据库中进一步随机提取939例PSG样本,对模型性能进行测试。睡眠分期模型在训练集上的五折交叉验证的准确率为84.00%±1.33%,卡帕系数为0.70±0.03;在939例测试集上的准确率为76.10%±10.80%,卡帕系数为0.57±0.15。剔除RR间期异常(110例)和明显睡眠结构异常(29例)的样本后,测试集(800例)的准确率为82.00%±5.60%,卡帕系数为0.67±0.14。所提出的基于心率变异性分析的睡眠分期算法具有较高的准确性,大样本人群测试结果表明,该模型具有较好的普适性。     

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。     

基于多分辨率分析的心率变异性分析

目的：心率变异性蕴藏了大量有关心血管调节的信息,可作为定量反映自主神经功能及其对心血管的调控作用和反映心脏活动正常与否的重要指标之一。因此,主要研究了几种常用的心率变异性分析方法。方法：本论文应用多分辨率分析方法对HRV信号进行6尺度分解,计算小波系数的能量及其在各频段的分布,对cd3-cd6频段的能量进行分析比较。结果：充血性心衰患者各频段能量均值比正常人都要低,能量分别主要集中在高频段和低频段的偏低频部分,且两组的能量差异更为明显,与频域分析结果相比更为精确。结论：要得到带有普遍规律的实验结果,需要对不同的分析方法进行不断地改进和优化,并进行大量的研究工作。     

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。     

心率变异性分析方法的现状与展望

心率变异(HRV)蕴涵着心血管神经及体液调节的大量信息，心率变异性分析是近年来心电信号处理领域的研究热点，它对于相关疾病的无创检测具有重要的临床意义。本文系统阐述了HRV经典分析方法及其最新研究进展，并提出了今后的研究方向。     

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。     

以线性参数模型和信息分解方法评价QT变异性对心率变异性的响应

自主神经系统(ANS)的平衡对于规避与心脏相关的疾病风险具有重要意义。本课题运用频域的线性参数模型和非线性信息分解方法,分析QT变异性(QTV)对于心率变异性(HRV)的响应,揭示心脏自主神经的调节状态。使用来自THEW数据库的Holter数据,选用其中的正常组(Normal,n=186)和高心律失常和心源性猝死风险组(ESRD,n=41)进行对比。提取昼夜安静态各5 min RR间期(RRI)和相对应的QT间期(QTI)序列,计算频域参数QTV与HRV相关的百分占比(LR)和信息分解的RRI对于QTI的可预测性(PI),并结合RRI序列的时域、频域和符号动力学分析,探讨QTV对于HRV的响应在两组人群中可能的差异和发生机制。对于LR和PI,Normal组均表现出显著的昼夜差异,而ESRD组则均不存在,反映出ESRD组ANS交互作用的缺失。两组间同时段同指标对比时,低频段LR无显著差异,而在高频段,Normal组的LR值均显著小于同时段ESRD组的LR值(白天:18.36%±17.38% vs 39.37%±23.80%, P<0.05;夜晚: 28.63%±18.77% vs 42.31%±21.97%, P<0.05);Normal组夜晚的PI显著大于ESRD组夜晚的PI(0.310±0.155 vs 0.236±0.131, P<0.05),而在白天无显著差异。研究表明,线性参数模型和基于信息分解的非线性预测对自主神经活动的敏感性不同;高心律失常和心源性猝死风险人群中HRV对QTV的调控呈复杂度降低的特点。     

心率变异性多参数分析的BP网络用于心衰诊断的研究

人工神经网络是由大量并行工作的神经元组成的智能仿生模型,它在模式识别领域已经展示出了广阔的应用前景。鉴于单一心率变异性(HRV)指标所表达出来的信息具有片面性,很难用一个单一的指标来完全分类充盈性心衰(CHF)患者和健康人的不足。本研究提出联合HRV信号分析的时域、频域、非线性方法,选取多个指标作为诊断CHF的特征参数,以BP神经网络为分类器实现对充盈性心衰的诊断。经过10 000次的训练、验证与仿真测试,该网络模型对于全样本集的识别正确率最优高达99.14%,平均可达86.97%。结果表明:联合线性(时域、频域)以及非线性分析方法可以更全面地揭示心脏的动力学特征,从而提高充盈性心衰的诊断正确率。     

基于经验模态分解的心率变异性谱分析研究

本研究提出了一种应用经验模态分解(EMD)和Lomb周期图进行心率变异性分析的方法，并对54例糖尿病(其中34例伴有显著临床自主神经病变症状)患者与49例正常对照者进行了临床实验对照分析。结果表明，基于EMD的Lomb周期图方法能够克服传统的重采样法对心率变异性谱分析结果造成的失真，在心率变异性分析尤其是在疾病诊断方面具有重要的应用价值。     

基于心率变异性的精神疲劳的研究

以心率变异性指标对精神疲劳程度进行客观评估。对主动疲劳与被动疲劳进行区分,指出负荷、应激与疲劳之间的联系。在此基础上,设计读书和笔算两种精神疲劳实验。比较读书阶段和音乐放松阶段的心率变异性(HRV)指标,将笔算过程的HRV指标和工效指标结合起来进行分析。结果表明:以工作绩效检测精神疲劳有局限性;读书阶段的疲劳累积效应强于笔算过程引发的疲劳;随着读书或笔算过程中疲劳程度的增加,HRV增加而HR降低,说明精神疲劳促使应激能力降低。HRV直接反映的是应激水平,在严格的约束条件下,HRV可以反映被动疲劳程度;随着被动疲劳程度的增加,通常HRV升高,HR降低,这可能是生理抑制性保护作用。