不同程度冠脉狭窄对心电及R—R间期疗列Lyapunov？…

目的：已有的研究表明，心脏的活动是混沌的。心电时间序列的非线性动力学数值指标可反映心脏的总体动态活动特征。本文试图探讨不同程度冠脉狭窄对心电及Ｒ－Ｒ间期序列Ｌｙａｐｕｎｏｖ指数的影响。方法：通过对不同程度冠脉狭窄的冠心病患者的正常人的心电和Ｒ－Ｒ间期时间序列的Ｌｙａｐｕｎｏｖ指数计算，以期从医学数据统计中发现有价值的规律性。结果：初步研究表明，正常人和冠脉重度狭窄患者心电序列的Ｌｙａｐｕｎｏｖ指数     

不同程度冠脉狭窄对心电及R-R间期序列Lyapunov指数的影响

目的：已有的研究表明，心脏的活动是混沌的。心电时间序列的非线性动力学数值指标可反映心脏的总体动态活动特征。本文试图探讨不同程度冠脉狭窄对心电及R－R间期序列Lyapunov指数的影响。方法 通过对不同程度冠脉狭窄的冠心病患者和正常人的心电和R－R间期时间序列的Lyapunov指数计算，以期从医学数据统计中发现有价值的规律性。结果 初步研究表明，正常人和冠脉重度狭窄患者心电序列的Lyapunov指数有显著统计差别，但正常人和冠脉轻度狭窄患者心电序列的Lyapunov指数无显著差别；正常人和冠脉轻、重度狭窄患者心电R－R间期时间序列的Lyapunov指数均有显著统计差别。结论 R－R间期序列比心电图能提供更多心脏电活动的信息。而正常人和冠脉轻度狭窄患者R－R间期时间序列的Lyapunov指数的显著差别，提示在心电信号的异常波形尚不足以被识别时，可能利用该指数对心脏的健康状况进行早期评估。     

动态心电图中R波峰序列的Lyapunov指数谱

本文介绍了计算机Ｌｙａｐｕｎｏｖ指数谱的方法,利用ＭＩＴ－ＢＩＨ心电数据库,计算了其中正常心律、起搏心律、室早搏心律和束支传导阻滞心律四组共２４例心电图数据中Ｒ波峰序列的Ｌｙａｐｕｎｏｖ心律以及异常心律之间,     

心电图中的非线性动力学特征

非线性动力学是用来研究复杂系统动力学特性的，心脏是最为复杂的动力系统之一。心电图是反应心脏活动状态的重要信息。本文介绍了几种非线性动力学处理心脏信息的方法，利用ＭＩＴ－ＢＩＨ数据库中的心电数据，对正常心律、起搏心律、室性失常心律和束支传导阻滞心律中的Ｒ波峰、Ｒ－Ｒ间期、Ｒ－Ｒ波峰间波形下的面积和Ｒ－Ｒ波峰间波形曲线长度等序列进行了非线性研究。构造了庞卡莱截面，计算了这些序列的相关维数和相关测度熵。研究结果表明正常心律和异常心律以及这几种异常心律之间，对于庞卡莱截面上点集的分布、相关维数和测度熵是有差异的，这为研究心脏活动状态和进一步临床应用于早期诊断心脏疾病提供帮助     

不同程度冠脉狭窄对心电及R-R间期序列Lyapun0V指数的影响

目的已有的研究表明,心脏的活动是混沌的。心电时间序列的非线性动力学数值指标可反映心脏的总体动态活动特征。本文试图探讨不同程度冠脉狭窄对心电及R-R间期序列Lyapunov指数的影响。方法通过对不同程度冠脉狭窄的冠心病患者和正常人的海电和R-R间期时间序列的Lyapunov指数计算,以期从医学数据统计中发现有价值的规律性。结果初步研究表明,正常人和冠脉重度狭窄患者心电序列的Lyapunov指数有显著统计差别,但正常人和冠脉轻度狭窄患者心电序列的Lyapunov指数无显著差别;正常人和冠脉轻、重度狭窄患者心电R-R间期时间序列的Lyapunov指数均有显著统计差别。结论R-R间期序列比心电图能提供更多心脏电活动的信息。而正常人和冠脉轻度狭窄患者R-R间期时间序列的Lyapunov指数的显著差别,提示在心电信号的异常波形尚不足以被识别时,可能利用该指数对心脏的健康状况进行早期评估。     

基于矢量传播算法的束支传导阻滞QRST波形仿真

心脏生物电兴奋传播的仿真是心电正问题一个重要方面，仿真结果不仅是心电正问题模型精度和可靠性的判断标准，而且具有一定的研究和临床价值。我们对人体心脏左束支传导阻滞和右束支传导阻滞情况下心脏兴奋传播和心电QRST波形进行了仿真。仿真过程中借助了矢量传播算法，该算法具有精度高、快速、适用于各向．异性介质的优点。仿真结果 符合临床中实测波形。     

1倒束支折返性心动过速进展为完全性房室传导阻滞

束支折返性心动过速是发生于严重左室功能不全病人，特点为HV间期延长（希氏束到心室)的一种少见的室性心动过速．大多数束支折返心动过速的病人诊断后很快因进行性的心脏衰竭而死亡．因此．进展为心脏阻滞的不常见．这里报道1例患原发性传导系统病表现为束支折返性心动过速的病人，4年后进展为完全性希氏束下阻滞。     

R波相关振动法血压测量

为了提高振地血压测量的准确性，提出了一咱基于心电Ｒ波与血压振动波之间相关性，识别振动信号的一种抗干扰方法＝－Ｒ波相关法，结合振动波形特征识别，该方法可有效地提取信号，消除干扰影响，该算法已在１６位８０９８单片机上实现，本文同时给出了程序的详细流程图。     

心电图自动诊断系统的研制

本文利用数字信号处理和波形识别技术，对心电图的ＱＲＳ波、Ｐ波、Ｔ波的时段进行了计算机的自动检测并对室性期前收缩等１５种异常心电进行自动诊断。打印输出相应的诊断报告。为了检验本系统的稳定性和可信度，本文还利用美国麻省理工学院的ＭＩＴ－ＢＩＨ数据库对本文所使用的方法进行了检测，取得了较好的效果。     

利用R—R间期相关维数对心率变异的分析

本文应用混沌理论，研究了心率变异情况下Ｒ－Ｒ间期的相关维数。对正常生理状态下人清醒与睡眠阶段，及临床－２４小时ＨＯＬＴＥＲ记录的Ｒ－Ｒ间期，分段计算其相关维数，结果表明，当其中某段Ｒ－Ｒ间期发生明显改变时，相关维减小。     

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.     

基于最大Lyapunov指数的心音信号混沌特性分析

目的寻求无创伤的且能自适应信号变化的方法区分正常和异常的心音信号,为临床诊断提供更简捷的参考方法。方法本文以心音信号非线性时间序列最大Lyapunov指数为主线,根据心音信号不同阶段特性的统一性,提出了对信号分阶段进行研究的方法。首先对7种具有代表性的正常和异常心音信号的S1、S2心音分别分3阶段进行相空间重构,然后结合各阶段求得的相空间重构参数计算对应的最大Lyapunov指数,最后对正常、异常心音信号最大Lyapunov指数均值进行比较分析。结果正常S1心音信号的最大Lyapunov指数均值0．1450,远大于异常S1心音信号,正常S2心音信号的最大Lyapunov指数均值也比异常s2心音信号大很多。结论心音信号中确实存在混沌现象,且正常（健康）心脏运动到S1和S2阶段的混沌程度要比异常（病态）时高。     

动态分析急性心肌缺血模型中的非线性

通过分析心脏电信号 ,许多学者已经发现正常的心脏和病态的心脏都有显著而突出的动力学特征。在此基础上 ,建立了 6只兔子急性心肌缺血实验模型 ,计算其不同时间段的 12导同步 ECG,作出关联维数 -时间 (D2- T)曲线和最大 L yapunov- T曲线 ,结合电生理和解剖学知识 ,研究了实验结果 ,证实了心肌缺血的存在会导致ECG的最大 L yapunov指数和关联维数的下降。 ECG的最大 L yapunov指数和关联维数分别反映了心脏系统的混沌性和复杂性 ,两者间没有明确的对应关系。关联维数更多受到了局部心脏系统状态的影响。     

基于心电图的心肌缺血非线性分析

心电图是心肌缺血检测的一种方便、经济、无创的工具,其主要的临床表现为ST-T段变化.鉴于心脏是一个混沌系统,本文从非线性角度出发,对心电图特征参数序列进行分形维数和最大Lyapunov指数分析,其中特征参数序列包括：心电图RR间期,瞬时心率HR（heart rate）,ST段的平均幅值STmean,ST段最小幅值STmin,STmean与HR的比值STr,T波峰末间期TpTe,R波峰值Ramp,T波峰值Tamp.利用公共数据库Long-term ST database（LTST）中心肌缺血和非心肌缺血心电数据,通过统计t检验分析,除最大分形维数分析中的TpTe与最大Lyapunov指数分析中的Ramp和Tamp特征参数外,其余参数均有显著性差异.基于心电图的非线性分析为心肌缺血检测与诊断提供另一重要依据.     

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。     

New approach to studies on ECG dynamics: Extraction and analyses of QRS complex irregularity time series

How to extract information intensively from ECGs for the diagnosis of cardiovascular diseases and assessment of heart function is a topical subject. Using a method based on the wavelet transform to calculate the irregularity of the QRS complex, which may relate to inotropy, the QRS complex irregularity time series is successfully extracted from original ECG signals. This provides a new approach to studies of ECG dynamics. With the help of non-linear dynamics theory, the QRS complex irregularity time series of eight subjects, from the MIT/BIH arrhythmia database are studied qualitatively and quantitatively, and the characteristics of ECG dynamics are analysed extensively. The power spectrum, phase portrait, correlation dimension, largest Lyapunov exponent, time-dependent divergence exponent and complexity measure all verify the fact that ECG dynamics are dominated by an underiying 5–6-dimensional non-linear chaotic system, whose complexity measure is about 0.7. The QRS complex irregularity time series contains abundant information about all parts of the heart and the regulation of the autonomic nervous system, and so further analyses are of great potential theoretical and clinical significance to patho-physiology studies and ambulatory monitoring.     

The use of R-R interval and difference histograms in classifying disorders of sinus rhythm

A data reduction technique is presented which enables the patterns of cardiac rhythm inherent in a long-term ECG recording to be described in a concise fashion. The method consists in combining an R-R interval difference histogram, which gives information about the detailed structure of cardiac rhythm patterns, with an R-R interval histogram, which concisely describes the trends in heart rate over a period. Example of the histogram patterns corresponding to some common cardiac rhythms are presented. The histograms can be treated mathematically to yield information which is useful in assessing the long-term effects of drugs and in classifying disorders of cardiac rhythm.     

基于自适应学习的心律失常心拍分类方法

心律失常是因心脏疾病引起的心电活动中的异常症状,早期心室收缩（PVC）是由异位心跳引起的常见心律失常形式。通过心电图（ECG）信号检测PVC对于预测可能的心力衰竭具有重要意义。本文提出一种面向PVC心拍分类的心电信号分类算法,重点研究基于自适应学习的PVC异常心拍分类特征提取模型,通过计算心拍关联后验概率,结合领域专家标注信息训练分类器,提高整体分类效果。实验采用MIT-BIH心律失常数据库的ECG数据,研究结果表明所提方法针对非线性流形结构数据,能够有效提升小样本心拍自适应分类器的准确性。