基于心率变异性的自动睡眠分期及其脑电图验证

睡眠障碍会严重影响人们的日常生活,因此睡眠的早期监测对睡眠疾病的预防和诊断有重要意义。采用自行研制的便携式多导睡眠监护仪,开展了103人次的居家夜间睡眠数据收集(含脑电、眼电、肌电和心电信号)。然后,从同步采集的心电数据RR间期中提取时域、频率和非线性特征,组合出最高达426个心率变异性(HRV)特征,基于Xgboost算法构建模型对睡眠中的清醒期(wake)、非快速眼动|期(N1)、非快速眼动Ⅱ期(N2)、非快速眼动Ⅲ期(N3)和快速眼动期(REM)进行五分类(wake、N1、N2、N3、REM)、三分类(wake+N1、REM、N2+N3)和二分类(wake、N1+N2+N3+REM)预测,并与脑电图睡眠分期标签进行验证。最后,五分类、三分类和二分类测试结果准确率分别达到84.0%、89.1%和95.2%,F1-score达到83.2%、88.9%和94.9%,为同类模型研究中表现最佳。说明HRV与睡眠阶段具有良好的相关性,基于便携式设备收集数据构建的算法模型可以较好地识别睡眠状态。     

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。     

基于心率变异性的情绪识别研究

为探究不同情绪下的自主神经系统的特征变化,本研究基于心率变异性的特征信息研究了不同情绪的分类识别。采集了恬静、气愤、悲伤、恐惧、厌恶、平静、惊奇、搞笑等八种情绪的心电信号,采用小波变换去除噪声干扰,提取了心率变异性的时域、频域等特征参数,并利用支持向量机算法实现了情绪分类。结果表明,本研究方法对于情绪识别具有较高准确性,通过优化支持向量机的参数,对于不同情绪的识别精度可达到60%～75%。基于心率变异性的特征信息进行多种情绪的分类识别方法在影片的测评、培训效果评价等方面具有重要意义。     

睡眠中的心率变异性

睡眠中的心率变异性杨军俞梦孙苏琳陈蓓北京新兴生物医学工程研究发展中心（１０００３７）睡眠医学与研究觉醒和睡眠好像一个钟摆，是生命活动必需的两个互相转化的过程。对睡眠过程的研究无疑对我们了解人体生理机制有重要意义，还可以发现某些疾病的隐患或者致病因素，...     

多分辨分析提取心率变异性中的睡眠结构信息

本文从工程分析的角度探索通过分析心率变异性推知健康人夜间睡眠结构的可行性、针对心率变化在睡眠过程中的特点,对心动间期信号作基于小波变换的多分辨率分析,深入考察了不同睡眠时相中的RRV(R-R interval variability)多分辨率信号,尤其在睡眠时相转换时的变化特点.建立了关于健康人睡眠规律和睡眠RR规律的规则库.综合分析RRV在多分辨率下的信息,用模糊逻辑推理系统对某时间段不同睡眠时相的隶属度进行推理.经对26例健康人睡眠RRV分析,与脑电人工分析结果比较,睡眠基本结构的平均符合率达到85%,醒觉和睡眠状态的平均符合率达到93%,证明用本方法进行睡眠结构分析是可行的.     

心率变化特征与睡眠分期耦合关系研究

心率是非脑电方法判断睡眠分期的一个重要指标，提出了一种把睡眠分期进行定量化、模糊化描述的新思路，并详细给出了判断心率与睡眠分期耦合关系的新方法，这种方法具有简便、快速的特点。实验结果表明：健康人和SAHS病人的心率变化特征与睡眠时相均具有较好的相关性，其中健康人的相关性更高。     

R-R间期分析与睡眠分期

研究心脏节律与睡眠结构之间的关系。以MIT/BIH睡眠数据库记录的R -R间期为分析对象 ,采用典型的心率变异分析方法以及计算RRI序列的平均频率、搏间自相关系数、LZ复杂度 ,将结果与数据库中睡眠分期标注进行比对。结果显示时域、频域及非线性分析从不同角度、不同程度上反映了心率变异与睡眠分期之间的联系 ,并且有些方法能较好地表达睡眠状态的变迁。本文结果有助于利用多生理参数研究睡眠分期。     

基于改进人工蜂群优化支持向量机的睡眠分期

本研究提出通过改进人工蜂群算法优化支持向量机（IMABC-SVM）进行睡眠分期。对提取的离散小波变换分解数据分量、时域特征、非线性特征、微状态特征,使用ReliefF算法进行特征筛选,提取出最优特征矩阵,并由IMABC-SVM分类器对特征矩阵进行训练。为验证特征筛选与优化分类器效果,进行相关消融实验。结果表明IMABC-SVM方法精度可达89.97%。IMABC-SVM方法可为睡眠相关疾病的检测、预防和治疗提供有效的依据。     

极短时心率变异性与脉率变异性指标一致性的分析

本研究利用多导睡眠仪采集呼吸暂停、快速呼吸、慢速呼吸和平静呼吸四种状态下的心电、脉搏信号,来进行极短时15 s的心率变异性与脉率变异性六个指标计算.通过Bland-Altman一致性分析图与散点图、单样本K-S检验、Mann-Whitney U检验、Pearson相关性系数来比较心率与脉率的一致性程度,结果显示,MEA...     

低体温与心率变异性和血压变异性的关系

目的: 研究低体温与自主神经功能变化的关系。方法: 采用体表物理降温法逐步降低直肠温度,直肠温度变化范围为19-37 ℃。分别记录不同直肠温度下大鼠动态心电和血压信号。应用心率变异性和血压变异性分析系统评价低体温对心率变异性和收缩压变异性的影响。结果: 心率变异分析表明，直肠温度下降到29 ℃以下,R-R间期均延长（P<0.01）,提示心率明显降低;当直肠温度下降到19-21 ℃时,心率变异归一化低频功率降低（P<0.05）和归一化高频功率增加（P<0.05），而且自主神经的平衡向心迷走神经张力增强的方向发生了转移（P<0.05）。血压变异性分析表明，体温下降到31℃时与呼吸有关的归一化高频功率开始增加（P<0.01）；直肠温度下降到29 ℃以下(除27 ℃外),与呼吸有关的归一化高频功率增加（P<0.05或P<0.01），同时自主神经的平衡也发生了改变（P<0.05）。结论： 随着体温的降低，心血管迷走神经活性增加，自主神经的平衡向迷走神经张力增强的方向转移。低体温对血压变异性的影响敏感于心率变异性。     

心率变异性时频分析参数用于心电图ST段偏移时段的判别

利用ST段偏移时心率变异性（HRV）存在的变化,探讨区分ST偏移时段和正常时段,进而区分缺血或单纯心率改变引起ST段偏移的可行性。从Long-term ST-T（LTST）数据库免费下载的心电信号数据中,选取25个记录中缺血引起ST段偏移时段（105段）和单纯心率变化引起ST段偏移时段（43段）,以及所选时段前后各5min作为对照时段。选用平滑伪Wigner-Ville分布（SPWVD）,计算不同时域段和频域段的心率变异性（HRV）分析参数。利用Fisher线性判别和支持向量机进行判别分析,并采用留一法检验分类判别的正确率。对于Fisher线性判别,ST段偏移时段判别的正确率随时段持续时间的延长而减小,而不同诱因区分的正确率却较高（不低于89.7%）。支持向量机法对上述各种检测和分类判别的正确率均为100%。研究结果为从非形态学的角度检测ST段偏移时段的存在和产生原因的判别,提高心肌缺血判别的准确性,提供了有参考价值的信息。     

利用心率的去趋势波动分析提取睡眠呼吸暂停低通气综合症患者的睡眠结构信息

以经基于心率变异性的睡眠分期大都是针对健康人进行的,拟利用心率变异性分析睡眠呼吸暂停低通气综合症(SAHS)病人的睡眠结构.根据微动敏感式床垫式睡眠监测系统(MSMSMS)所得10名健康者的心率和30名不同程度SAHS患者的心率,利用去趋势波动分析(DFA)方法,计算他们在各睡眠阶段的标度指数.实验结果显示,SAHS患者各个睡眠阶段的标度指数具有明显差异,与健康者也有不同,为基于心率变异性对SAHS患者进行睡眠分期以及SAHS患者的判定提供了依据.     

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。     

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。     

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。     

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。     

基于微动敏感床垫式睡眠监测系统的心率检测

在睡眠监测系统中,心率检测是实现其功能的重要参数之一。本文针对新一代微动敏感床垫式睡眠监测系统提出了一种直接从床垫上获取心率的算法。该算法首先对床垫系统所得信号预处理,即滤波和体动判别,然后利用信息融合筛选最优信号来判断心跳特征点。和脉搏波心率对比结果表明,本算法所得床垫心率可以正确反映被测者平静状态下的心动周期和整晚心率变化趋势,为实现无负荷睡眠监测打下基础。     

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。