HRV分析在心衰诊断和新生儿疼痛检测中的应用研究

摘要

连续窦性心拍之间的时间间隔存在微小涨落，这种现象称为心率变异性（Heart Rate Variability, HRV）。HRV蕴藏了丰富的生理和病理信息，是评估自主神经系统功能的一个重要标志。HRV分析在疾病诊断、情绪识别和脑力负荷评估等诸多领域有着广泛的应用。本文对HRV信号的获取、分析和应用中的一些相关问题进行了研究。论文的主要研究内容如下:
　　1)提出了基于小波系数模极大值序列跃变点的R波检测策略，实现了连续小波变换对心电信号R波的检测。利用复Morlet小波与Mexican-hat小波对心电信号进行连续小波变换后，小波系数模极大值对应R波峰值的特点，通过基于小波系数模极大值序列跃变点的R波检测策略，在上述两种小波系数的线性组合中检测R波，平均灵敏度为99.37％，平均阳性预测率为99.35％。
　　2)提出了基于CEEMD分解的RR间期序列去趋势方法。从心电信号中提取的RR间期序列是HRV分析的信息来源，并且是非均匀采样的。为了得到准确的HRV分析结果，需要在预处理阶段将RR间期序列中缓慢的趋势予以去除。平滑先验方法(SmoothnessPrior Approach，SPA)目前使用最为广泛，但这一方法需要将非均匀采样的RR间期序列通过重采样转换为均匀采样序列。这一过程将产生噪声，并使信号的质量受到损害。为了解决这一问题，引入了经验模态分解(Empirical Mode Decomposition，EMD)。将分解后的信号通过部分重构，去除其趋势成分。这一方法可直接用于非均匀采样信号的处理。此外，为了能够采用标准指标评价去趋势方法的性能，提出了一个RR间期序列模型。采用以分贝计的信噪比(ISNR)、均方误差(EMS)和百分比均方根误差(DPRS)评价RR间期序列的去趋势性能。结果表明，与SPA方法相比，基于互补整体EMD（Complementary Ensemble EMD，CEEMD）的去趋势方法能得到更高的ISNR，更低的EMS和DPRS，说明其具有更好的性能，并能由此得到更准确的HRV分析结果。
　　3)比较了心衰病人和健康人的HRV指标，并建立了基于相关指标的心衰诊断模型。采用时域、频域和非线性方法对40名健康人和40名心衰病人的心电数据进行了短时HRV分析，从而建立了基于不同指标组合和线性判别分析(Linear Discriminant Analysis，LDA)，及支持向量机(Support Vector Machine，SVM)的心衰诊断模型。结果表明，基于RR间期均值RR、RR间期标准差SDNN、去趋势波动分析（Detrended Fluctuation Analysis，DFA）短期波动斜率α1、DFA长期波动斜率α2、近似熵ApEn等5个指标和LDA的诊断模型诊断正确率可达到92.5％;基于(RR)、SDNN、RR间期差值的均方根RMSSD、Poincaré分析短轴参数SD1、ApEn等5个指标和SVM的模型诊断正确率可达到95％。HRV的相关指标可揭示心脏的动力学特征，并可用于心衰的诊断。
　　4)研究了足跟取血造成的疼痛暴露对新生儿自主神经系统的影响，并建立了基于HRV指标组合的新生儿疼痛检测模型。采用时域、频域和非线性方法对40名新生儿疼痛暴露前后心电数据进行了短时HRV分析，并建立了基于不同指标组合和LDA，及SVM的疼痛检测模型。结果表明，基于ApEn、递归图分析最大对角线长度Lmax确定性DET等3个指标和LDA的新生儿疼痛检测模型检测正确率达到78.75％，基于RR、相邻两个RR间期对差值大于50ms的百分比pNN50、ApEn、关联维D2、递归率REC等5个指标和SVM的模型检测正确率达到83.75％。HRV的相关指标可反映新生儿自主神经系统对疼痛暴露的应答，相关指标的组合可用于新生儿疼痛检测。

目录

声明

摘要

缩略词简表

1 绪论

1．1 研究背景与意义

1．2 心电与心率变异性的生理基础

1．3 基于小波变换的心电信号R波检测

1．4 心率变异性分析方法

1．4．1 时域分析法

1．4．2 频域分析法

1．4．3 非线性分析法

1．5 心率变异性分析的应用

1．5．1 心率变异性与心衰

1．5．2 心率变异性与疼痛

1．6 本文的研究内容

2 心电信号的采样率转换与R波检测

2．1 引言

2．2 采样率转换原理

2．2．1 抽取

2．2．2 内插

2．2．3 有理数倍采样率转换

2．3 采样率转换的实现

2．4 小波变换的基本理论

2．4．1 傅里叶变换和窗口傅里叶变换

2．4．2 连续小波变换

2．4．3 离散小波变换

2．4．4 小波变换的时频分析特性

2．5 小波变换在R波检测中的应用

2．5．1 常用的小波变换与检测策略

2．5．2 常用的连续小波及其性质

2．6 R波的检测

2．6．1 小波函数及特征尺度的选择

2．6．2 R波的检测策略

2．6．3 实验结果与改进

2．6．4 结果分析

2．7 本章小结

3 RR间期序列的去趋势研究

3．1 引言

3．2 方法

3．2．1 RRI间期序列模型

3．2．2 SPA方法用于去趋势

3．2．3 EMD方法用于去趋势

3．2．4 验证

3．3 结果

3．4 讨论

3．5 本章小结

4 心率变异性分析在心衰诊断中的应用研究

4．1 引言

4．2 实验数据与分析方法

4．2．1 实验数据

4．2．2 HRV分析方法与指标

4．2．3 统计方法

4．2．4 分类方法及性能评价

4．2．5 特征选择

4．3 结果

4．3．1 健康人与心衰病人的典型情况

4．3．2 健康组与心衰组心率变异性的线性分析结果

4．3．3 健康组与心衰组心率变异性的非线性分析结果

4．3．4 基于线性指标的心衰诊断模型

4．3．5 基于非线性指标的心衰诊断模型

4．3．6 基于线性与非线性指标的心衰诊断模型

4．4 讨论

4．5 本章小结

5 心率变异性分析在新生儿疼痛检测中的应用研究

5．1 引言

5．2 对象与方法

5．2．1 对象

5．2．2 实验仪器

5．2．3 心电信号采集与保存

5．2．4 R波的检测及HRV时间序列的获取

5．2．5 心率变异性分析方法与指标

5．2．6 实验数据与统计方法

5．2．7 分类方法及性能评价

5．2．8 特征选择

5．3 结果

5．3．1 针刺前后心率变异性特征的典型情况

5．3．2 疼痛前组与疼痛组心率变异性的线性分析结果

5．3．3 疼痛前组与疼痛组心率变异性的非线性分析结果

5．3．4 基于线性指标的新生儿疼痛检测模型

5．3．5 基于非线性指标的新生儿疼痛检测模型

5．3．6 基于线性与非线性指标的新生儿疼痛检测模型

5．4 讨论

5．5 本章小结

6 总结与展望

6．1 论文的研究内容

6．2 本文的主要创新点

6．3 后继工作展望

参考文献

致谢

攻读学位期间的研究成果