论文部分内容阅读
心脏是一个复杂的、受到神经、血压、激素等多种因素调节并控制的、开放的、非线性的和远离平衡态的动力学系统。心脏的电活动按一定的节律控制着心脏的跳动，心脏电活动中的任何异常都将影响心脏的泵血功能，甚至威胁人的生命。心脏组织结构和控制结构的复杂性是心脏电信号复杂的非线性特性的基础。最近的二十年，许多研究者在这方面作了深入的研究。时频两域分析方法可以反映心电信号的线性特性，但它不能够提供系统动力学信息。随着非线性理论和混沌理论的发展，许多非线性方法如多重分形、关联维数、李雅普诺夫指数及哥氏熵，这些方法为描述和理解像生物体这样复杂的系统提供了一种全新的方法和手段。但是，大多数方法在实际应用中需要较长的时间序列才能统计出理想的结果。另外，对于有噪声干扰的时间序列，许多方法也显得无能为力。心脏电信号中研究最多的是心率变异性信号(HRV)。心率变异性就是指逐次心跳间期之间的时间差异。心率变异性信号中隐藏着许多生理系统潜在的机制，可以反映心脏的生理功能和健康状态。心率变异性的异常可以作为预测心脏事件或猝死的一个重要手段，其临床价值越来越受到重视。临床和生理研究上得到的心率变异性信号通常是非平稳、相当短和有噪声干扰的。我们的目的就是找到一种有效的方法，要求计算迅速、用很短的时间序列就能统计出理想的结果，并且能够分析非平稳、有噪声干扰的时间序列，为实际临床上得到的时间序列分析提供方便。本研究主要内容如下：
(1)我们提出利用联合熵的方法来分析时间序列的动力学信息。联合熵作为信息统计学中的一个统计量，我们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。该方法可以有效地从短时的混沌信号中提取出动力学信息，从而反映出序列动力学复杂性的强弱。首先在介绍联合熵基本理论的基础上，用低维的混沌序列进行了检验，证明该方法有效，且熵值在序列长度为1000个点以上全都可收敛。然后将其应用于人体的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和衰老、疾病所伴随的动力学复杂性的丢失以及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。因此，联合熵能够成为临床上衡量心脏健康程度的一个重要的辅助指标。
(2)针对心率变异性信号通常是非平稳、相当短和有噪声干扰的特点，提出一种基本尺度熵的分析方法。该方法简单、运算快速且抗干扰能力强。与以往的静态范围符号划分方法完全不同，我们的基本尺度熵方法采用了动态自适应的划分符号的方法。利用相空间中的m维矢量的基本尺度随时间的变化，自适应的选择划分符号的标准，该特征使得一方面HRV信号充分在相空间中展开，能够很敏锐的从很短的时间序列中捕捉到序列的动力学特征；另一方面采用动态自适应的划分标准使得符号的划分不受序列非平稳性的影响，可以用来分析非平稳的时间序列。而且利用符号动力学的分析方法本身就对噪声的干扰有一定的抑制作用，所以我们的基本尺度熵方法对分析实际测量中得到的时间序列特别有效。对于低维的混沌序列logistic映射，其基本尺度熵的计算结果与李亚普诺夫指数的计算结果完全类似，并且叠加上随机高斯噪声依然显示方法的有效性。把该方法应用到混沌Lorenz序列，能够很敏锐的探测到序列动力学复杂性的改变。又通过用低维的3个非线性确定性混沌系统检验，表明该方法有效。把基本尺度熵方法应用到短时心率变异性信号分析，对于500个点的心率变异性序列(临床上，一般短时HRV信号长度取500个数据点)，该方法能够很有效的区分出不同的生理、病理信号，为实际应用提供方便。并且，把计算结果与近似熵及样本熵的计算结果做以比较发现，基本尺度熵方法比其他两种方法在分析心率变异性信号上更显优势。为了进一步全面的促进对心血管调节的心脏系统的深入认识，我们分析和研究了PhysioNet和Computers in Cardiology杂志联合举行的年度挑战竞赛中2002年的竞赛题目：对混合的50个生理和人造的24小时的HRV信号进行分类。为了将分析短时序列的基本尺度熵方法推广至长时的24小时的心率变异性信号分析，我们从短时序列入手，通过计算长时序列的各个短序列熵值，然后将各个部分结合起来统一分析。采用计算变异系数δ(δ=标准差/平均值)来分析生理和人造的时间序列的差别。对于50个24小时长度的生理和人造的心率变异性信号，正确分类94％。联合时域分析，将50个信号全部正确分类。
(3)将基本尺度熵方法直接写入心电工作站采集系统应用于临床。m-words组合形式分布直方图首次被应用于临床研究。为进一步寻找描述HRV的非线性动力学参数，我们从把HRV序列在相空间中展开着手，深入分析相空间状态点的分布结构，并利用描述反映系统动力学演变的相空间状态点运动统计学熵理论进行量化，以揭示不同生理、病理状态的特征。把基本尺度熵方法用VC直接写入心电工作站系统并用VB设计了显示界面。临床上，将采集的HRV信号可以直接进行数据预处理并进行基本尺度熵分析，并打印出分析报告。基本尺度熵值可以反映出受试者的心脏健康程度或病理状态，m—words的组合形式分布可以反映出心跳间期的细节，有利于提供心脏功能发生障碍的具体信息，而且，也是区分健康和有病的重要依据。而“Forbidden forms”(即“禁止状态”)的数量也从另一角度体现心脏的生理病理状态。m—words组合形式分布直方图可以提供给临床医生很为直观的计算结果。也就是说，如果测试个体的m—words组合形式分布直方图中几率分布最大的是横坐标分别为96，126，216，246的分布，那么就可以初步认为该测试者为心脏健康的人，如果分布直方图中几率分布最大的不是横坐标分别为96，126，216，246的分布，而其他的分布形式，那么该测试者初步认为有心脏疾病。
(4)分别研究了临床上较为严重的心脏病患者104例病例，如冠心病、心梗、充血性心力衰竭以及生理年龄的检测，健康人72例HRV数据。分别把各种病症患者的基本尺度熵值和“禁止状态”与相当年龄的健康入的值进行了比较发现，病理状态引起的病人心脏本身的病变，使得心脏内部组织结构的自协控制受到了破坏，造成了心脏系统活动偏离了正常的生理状态的这一现象，能够从短时(临床上500个数据点)HRV数据的熵值和“禁止状态”上很敏感的反映出来，这一点是其他的方法很难做到的。同时，不同年龄段的健康人的基本尺度熵分析结果也显示，由于人体随着年龄的增长人体神经自律能力逐渐下降，导致机体协调的控制系统出现某些成分的退耦，从而使得整体的生理状态偏离了最佳的年轻人的生理状态的这一现实，也能够从短时HRV数据的熵值和“禁止状态”上很敏感的反映出来。总之，经过T检验，我们的基本尺度熵方法完全可以把健康的生理状态和有病的病理状态分开(p＜0.05)。
(5)利用从医院数据库中调出的HRV数据80例进行盲检验，分别计算了他们的基本的尺度熵值和得到m—words组合形式分布直方图。根据分布直方图把数据分为健康组和病人组。对于病人组，根据具体的熵值去判断患者的病情(冠心病患者的熵值范围为5.14±0.81，心梗和CHF患者的熵值范围为6.11±0.36)；对于健康组，根据具体的熵值去判断其生理年龄(年轻人的熵值范围为3.34±0.13，老年人的熵值范围为4.56±0.51)。结果和实际的记录作以对照，正确率100％。说明基本尺度熵方法应用在HRV数据上进行分类研究是完全可行和有效的。对促进临床医生的诊断、观察疗效和判断预后等方面具有广泛而重要的应用价值。