HRV分析在心衰診斷和新生兒疼痛檢測中的應用研究.pdf

1、連續(xù)竇性心拍之間的時間間隔存在微小漲落，這種現(xiàn)象稱為心率變異性（Heart Rate Variability, HRV）。HRV蘊藏了豐富的生理和病理信息，是評估自主神經(jīng)系統(tǒng)功能的一個重要標志。HRV分析在疾病診斷、情緒識別和腦力負荷評估等諸多領(lǐng)域有著廣泛的應用。本文對HRV信號的獲取、分析和應用中的一些相關(guān)問題進行了研究。論文的主要研究內(nèi)容如下:
　　1)提出了基于小波系數(shù)模極大值序列躍變點的R波檢測策略，實現(xiàn)了連續(xù)小波變換對心

2、電信號R波的檢測。利用復Morlet小波與Mexican-hat小波對心電信號進行連續(xù)小波變換后，小波系數(shù)模極大值對應R波峰值的特點，通過基于小波系數(shù)模極大值序列躍變點的R波檢測策略，在上述兩種小波系數(shù)的線性組合中檢測R波，平均靈敏度為99.37％，平均陽性預測率為99.35％。
　　2)提出了基于CEEMD分解的RR間期序列去趨勢方法。從心電信號中提取的RR間期序列是HRV分析的信息來源，并且是非均勻采樣的。為了得到準確的HRV

3、分析結(jié)果，需要在預處理階段將RR間期序列中緩慢的趨勢予以去除。平滑先驗方法(SmoothnessPrior Approach，SPA)目前使用最為廣泛，但這一方法需要將非均勻采樣的RR間期序列通過重采樣轉(zhuǎn)換為均勻采樣序列。這一過程將產(chǎn)生噪聲，并使信號的質(zhì)量受到損害。為了解決這一問題，引入了經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)。將分解后的信號通過部分重構(gòu)，去除其趨勢成分。這一方法可直接用于非均勻

4、采樣信號的處理。此外，為了能夠采用標準指標評價去趨勢方法的性能，提出了一個RR間期序列模型。采用以分貝計的信噪比(ISNR)、均方誤差(EMS)和百分比均方根誤差(DPRS)評價RR間期序列的去趨勢性能。結(jié)果表明，與SPA方法相比，基于互補整體EMD（Complementary Ensemble EMD，CEEMD）的去趨勢方法能得到更高的ISNR，更低的EMS和DPRS，說明其具有更好的性能，并能由此得到更準確的HRV分析結(jié)果。

5、>　　3)比較了心衰病人和健康人的HRV指標，并建立了基于相關(guān)指標的心衰診斷模型。采用時域、頻域和非線性方法對40名健康人和40名心衰病人的心電數(shù)據(jù)進行了短時HRV分析，從而建立了基于不同指標組合和線性判別分析(Linear Discriminant Analysis，LDA)，及支持向量機(Support Vector Machine，SVM)的心衰診斷模型。結(jié)果表明，基于RR間期均值RR、RR間期標準差SDNN、去趨勢波動分析（De

6、trended Fluctuation Analysis，DFA）短期波動斜率α1、DFA長期波動斜率α2、近似熵ApEn等5個指標和LDA的診斷模型診斷正確率可達到92.5％;基于(RR)、SDNN、RR間期差值的均方根RMSSD、Poincaré分析短軸參數(shù)SD1、ApEn等5個指標和SVM的模型診斷正確率可達到95％。HRV的相關(guān)指標可揭示心臟的動力學特征，并可用于心衰的診斷。
　　4)研究了足跟取血造成的疼痛暴露對新生兒自

7、主神經(jīng)系統(tǒng)的影響，并建立了基于HRV指標組合的新生兒疼痛檢測模型。采用時域、頻域和非線性方法對40名新生兒疼痛暴露前后心電數(shù)據(jù)進行了短時HRV分析，并建立了基于不同指標組合和LDA，及SVM的疼痛檢測模型。結(jié)果表明，基于ApEn、遞歸圖分析最大對角線長度Lmax確定性DET等3個指標和LDA的新生兒疼痛檢測模型檢測正確率達到78.75％，基于RR、相鄰兩個RR間期對差值大于50ms的百分比pNN50、ApEn、關(guān)聯(lián)維D2、遞歸率REC等