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.     

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。     

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。     

模糊区间信息熵用于充血性心衰患者的检测

目的传统心率变异性图形化指标（直方图和散点图）检测区分充血性心衰患者和健康人时难以量化,针对这一问题,本文提出一种新的心率变异性图形化分析方法——RR间期序列归一化直方图及其量化指标,用于检测区分充血性心衰患者和健康人。方法首先定义RR间期序列归一化直方图,在此基础上定义基于模糊理论的量化指标——模糊区间信息熵FuzzyRIEn,最后利用120例临床试验数据（60例充血性心衰患者和60例健康人）分析对比指标FuzzyRIEn和前期研究提出的3个量化指标：中心一边缘比（center—edgeratio,CER）、累积能量（cumulativeenergy,CE）和区间信息熵（range information entropy,RIEn）在两组问的统计学差异。结果对比结果显示,CER（P=0．418）,CE（P=0．262）和RIEn（P=0．068）在两组间均无显著统计学差异,而FuzzyRIEn（P=0．023）在两组间统计学差异显著。结论利用模糊区间信息熵FuzzyRIEn检测区分充血性心衰有较高的临床诊断价值。     

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。     

心率变异信号的非均匀采样问题研究

心率变异性研究是目前的一个研究热点,心率变异性研究的主要对象-R-R间期时间序列是一个非均匀采样序列,这种非均匀性导致了许多问题,本文提出了一种基于三次样条的序列均匀重采样算法。并构造了一种新的更直观的R-R间期信号模型。实验结果表明新算法确实可以改善谱估计的结果和波形的形态,消除二次伪谐波峰,并在大多数情况下减少偏差。更重要的是,该算法使得R-R间期序列的物理意义更明确,从而使不同信号间的比较和运算成为可能。     

基于功率谱信息熵的异常心音识别

目的：异常心音识别是心血管疾病检测的一种重要手段,为了探究异常心音频域的有用信息,提出了将不同频段的功率谱作为一个独立信源计算其信息熵,从而对房室瓣和动脉瓣异常信号进行判别的一种新方法。方法：实验先将心音信号进行小波包分解,然后利用改进的Welch方法计算信号的功率谱,进而求各频段的功率谱信息熵,再建立支持向量机预测模型来对两种异常心音进行识别。结果：选取二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣狭窄、主动脉瓣关闭不全共27例心音信号进行算法仿真,其中房室瓣异常能够全部检测出来,动脉异常有3例被误判,正确率达到77％;在原有27例信号的基础上,增加3例房室瓣异常和3例动脉异常信号进行算法验证,房室瓣异常信号仍然能够全部被检测出来．动脉异常信号2例被误判。结论：从仿真结果可以看出,该算法对房室瓣异常和动脉异常两种心音信号有较高的识别率。尤其对房室瓣杂音能够完全识别,也表明功率谱信息熵在异常心音的识别中具有重要意义。     

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。     

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。     

短时间序列的心率变异性信号的关联维数计算

心率变异性信号的分析在临床诊断和生理研究中都有重要的应用价值,本文将关联维数的短时间序列算法应用于心率变异性,不仅提高了心率变异性信号的混沌动力学参数的计算的正确性,也扩大了分析的适用范围。     

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。     

心肌梗塞患者心电图（ECG）功率谱熵分析

目的：探究心肌梗塞患者（心梗者）和健康者的功率谱熵与年龄的关联，研究在不同年龄段，心梗者和健康者的功率谱熵差异。方法：采用子频段法、缩合法分别计算心梗、健康中年组与老年组的功率谱熵，使用统计检验分析研究心梗者和健康者的功率谱熵值随年龄的变化规律，以及在不同年龄段心梗组和健康组功率谱熵的差异。结果：在子频段0．05：20，8：20Hz上，心梗老年组的功率谱熵值大于健康老年组（P〈0．001）。随着年龄的增长，心梗者的功率谱熵值基本稳定在介于中年和老年健康者之间的水平，而健康者的功率谱熵值随着年龄的增大而明显减小（P〈0．001）。中年时，健康者的功率谱熵值大于心梗者（P〈0．05），而老年时，健康者的功率谱熵值小于心梗者（P〈0．001）。结论：心梗者和健康者的功率谱熵值随年龄的变化规律是不同的。子频段上的功率谱熵值能较好的区分老年心梗者和老年健康者。心梗引起ECG信号的紊乱，使其不遵循健康者的变化规律。子频段上的功率谱熵值是分析ECG信号的一个有效指标。     

想象动作中动态脑电的信息熵研究

想象动作可以引起脑电信号的特异性变化，如何通过提取脑电特征参数来识别想象动作的发生是目前脑-计算机接口（BCI）系统设计的技术关键之一。本研究使用两种信息熵（功率谱熵和小波熵）作为特征参数，对手部想象动作执行前后的动态脑电信号进行分析，并与目前常用的mu节律事件相关去同步（ERD）参数进行比较，以寻找特异性更强的动态参数。结果显示在想象动作对侧的运动感觉区域中，功率谱熵和小波熵均表现出与mu节律强度变化具有明显锁时关系的改变，且区分错误率得到明显降低。而在中顶部位置mu节律强度无明显变化处，熵参数对左右手想象动作的响应也具有明显的不同。结论，功率谱熵和小波熵具有良好的时域分辨能力和更准确的区分效果，可以作为特征参数用于在线BCI系统。     

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。