用近似熵和样本熵分析HRV预测阵发性房颤的研究

摘要

阵发性房颤是一种常见的心律失常疾病。阵发性房颤的发生机制目前认为是由于一过性因素，如紧张、低钾、药物、感染、创伤等诱因导致心房肌不应期缩短，在心房内形成多个小折返环。自主神经在心脏分布不均，且对心房肌的电活动有影响，心房肌电活动的稳定性有赖于交感神经和迷走神经活动的平衡，任何一方活动增强都有致心律失常作用。交感神经与迷走神经均可通过降低心房的有效不应期，使房颤易于激发。虽然房颤本身并不直接危及生命，但房颤发病时快速的心室率可引起血流动力学恶化，产生明显症状，严重影响患者生活质量尤其增加发生脑血管栓塞的危险。早期预测房颤、及时阻止它的发生一直是医学界关注的焦点和难点。随着电生理学的发展，利用心电生理参数对房颤预测的研究也正逐步深入，其中无创性电生理检查操作相对简单、方便，费用低，无痛苦，越来越多的用于临床中。目前，临床上用的比较多是利用P波最大时限（Pmax）、P波离散度（Pd）、P波的形态及心率变异性（HRV）分析这几种方法，同时检查结果特异性及敏感性也较高。 HRV是指逐次心搏间期之间的微小差异，它产生于自主神经系统（autonomous nervous system，ANS）对窦房结自律性的调制，使心搏间期一般存在几十毫秒的差异或波动。HRV的研究对象只是逐次心动周期的时间差别，罗列人体每次心动的周期的差别可显示出一大堆貌似无序的参数，反映了心率连续的瞬时波动。这种心率的波动并非偶然，而是受体内神经、体液的调控为适应不同的生理状况和某些病理状态而作出的反应。因此，HRV信号蕴涵了有关心血管系统神经及体液调节的大量信息，通过检测患者的心率数据，可得到许多有关自主神经系统状态的信息。但目前利用HRV分析预测房颤的方法只是局限于时域和频域的分析方法，而且所需的数据量也比较多（一般用24h动态ECG数据进行分析），这对于测量和诊断都会带来一系列的麻烦，有的甚至会影响诊断结果。由于心电信号存在一定的混沌特性，因此本文将利用非线性的方法即近似熵（ApEn）和样本熵（SampEn）分析已在临床上验证了具有阵发性房颤对象的HRV，观察其熵值的变化，以期寻找一预测阵发性房颤的诊断信息。近似熵和样本熵所需的数据量少，只需100～5000数据点就可以，一般心电记录5min，就约有300～400个R-R间期，采集数据较方便，在临床上有一定的推广价值。 本论文在详细地介绍了阵发性房颤与自主神经功能关系的基础上，分析了HRV分析对预测阵发性房颤的意义，并进一步对HRV的时域、频域及非线性方法逐一作了评述。 本研究中的对象数据都取自Physiobank的阵发性房颤预测数据库（PAF Prediction Challenge Database）。PhysioBank是一个规模很大的数字信号档案库，它是PhysioNet网站上提供的一个开放性的生理信号数据库。Physionet是1999年9月，由美国国立卫生院（NIH）的国家研究资源中心（NCCR）发起的集大量生理信号数据，生理信号分析工具箱和相关资源于一体的网站。本课题用到的ECG数据和一些工具软件都是从PhysioNet获取的。PhysioBank现在包含了30多个可免费下载的数据库。由于该数据库的文件是用特定的格式编写的，所以本文在介绍PAF数据库的同时详细介绍了数据获取的方法及过程。 近似熵和样本熵是本研究的分析工具。在详细介绍近似熵和样本熵的概念的同时，我们用MATLAB实现其算法，并且分析了这两种算法的优劣。通过用近似熵和样本熵算法分析25例已验证具有阵发性房颤病人的发病前期（Pre-AF）和远离发病期（AFd）时期的HRV信号，结果发现这两种熵测度在这两个时期有显著的差异。通过参考大量的文献及根据阵发性房颤病人心电信号的特点，我们选择了N=512，m=2和m=3，r=0．1SD～1．0SD这些参数作了分析对比。统计软件采用Origin7．5，采用t检验的方法检验Pre-AF和AFd两个时期的两组熵值，结果发现Pre-AF时期的熵值小于AFd的熵值，并且有显著性差异（P<0．001）。根据心电信号的混沌特性，说明Pre-AF的心率复杂度减少了，反映出心血管系统的自主调节功能发生了变化。这一结果与随着某种心脏疾病的出现心脏电活动的混沌程度降低的观点是一致的。因此通过分析心电信号心率变异性熵值的变化，从而可能预测心房颤动的偶发事件。另外，我们还比较分析了近似熵和样本熵的参数变化对其预测效果的影响，结果发现为了能很好地区分两种状态下的熵测度的差异，r的取值应为0．2SD（SD为样本标准差）左右，并且近似熵受数据长度N和嵌入维数m的影响比样本熵要大。因此，我们建议用样本熵来分析心率变异性预测阵发性房颤更符合临床的要求。 本课题所做的工作主要有以下几点： ①提取Physiobank的PAF（阵发性房颤预测）数据库中具有阵发性房颤的25个对象的房颤发作前（Pre-AF）10min以及远离发病期（AFd）的10min的两段心电数据的R-R间期，形成时间序列； ②编写近似熵和样本熵程序分析HRV序列； ③观察统计分析它们在房颤发作前后的熵值变化，寻找一预测阵发性房颤的因子； ④比较近似熵和样本熵的参数变化对近似熵和样本熵的预测效果的影响。 因此，随着计算机技术的发展和各学科融合技术的发展，本课题具有一定的临床意义和实用价值。

目录

文摘

英文文摘

声明

第1章 绪论

1.1 阵发性房颤与自主神经功能

1.2 HRV时间序列的概念及其研究意义

1.2.1 HRV时间序列的概念

1.2.2自主神经对心率的调节

1.2.3 HRV信号的研究意义

1.2.4 HRV信号分析方法

1.3 选题的目的和意义及本课题所做的工作

第2章 研究对象

2.1生理信号资源简介

2.1.1生理信号数据库PhysioBank

2.1.2数据记录。

2.1.3数据记录的头文件(.hea)。

2.2生理信号工具箱(PhysioToolkit)

2.3 WFDB(waveform database)软件包

2.3.1 WFDB tools工具包的使用

2.3.2 WFDB tools安装

2.3.3 WFDB_tools的使用

2.4在本课题中的应用

第3章 研究方法

3.1 HRV信号预处理

3.2近似熵算法描述

3.2.1近似熵的介绍

3.2.2近似熵的含义及特征

3.2.3近似熵算法的局限性

3.3 样本熵算法描述

3.3.1样本熵的介绍

3.3.2样本熵的特点

3.3.3样本熵参数的选取

3.4近似熵和样本熵算法实现的工具--MATLAB

3.5数据统计分析工具--Origin

第4章 结果分析

4.1统计学分析

4.2容限r对近似熵和样本熵的影响(m=2)

4.3嵌入维数m对近似熵和样本熵的影响

第5章 讨论与结论

5.1两种熵测度分析HRV对阵发性房颤的预测作用

5.2近似熵和样本熵参数选择的问题

第6章 本文的工作总结与展望

6.1本文的工作总结

6.2后续研究工作的展望

参考文献

成 果

致 谢