【作 者】焦方惠,郭永新,焦青
1 山東省泰安市寧陽縣第一人民醫(yī)院心電圖室,山東,泰安,271400
2 山東泰山醫(yī)學院,山東,泰安,271016
心血管疾病是當今危害人類健康的主要疾病之一。我國心血管疾病發(fā)病率很高,而且呈逐年遞增的趨勢,其中心源性猝死在中老年人中發(fā)生的比例可達到56%~80%[1],研究表明,心源性猝死中多數(shù)為室性期前收縮引起的室性心動過速(ventricular tachycardia,VT)繼發(fā)心律失常(ventricular fibrillation,VF)而死亡[2]。因此,如何運用可靠的檢測手段來識別和篩選高危患者,快速地區(qū)別VT與VF患者,從而進行積極的治療與處理,在未誘發(fā)心律失常之前對患者進行干預,具有重要的臨床價值。
心電信號具有混沌性,即心電信號是出于周期性和隨機性之間的一種信號,因此采用非線性混沌指標對心電信號進行刻畫。在眾多反映心電信號混沌性變化的指標中,近似熵是一種可對時間序列的不規(guī)則性、復雜性進行測度的計算方法,是由Pincus于二十世紀九十年代提出的[3]。它包含著時間順序信息,實質上是時間新模式的發(fā)生率隨著嵌入維數(shù)而改變的情況,反映了數(shù)據的結構復雜性。對于非線性時間序列,它并不企圖完全重構吸引子,而是從統(tǒng)計學的角度來區(qū)別各種過程,因此可以使用較短的數(shù)據來進行估測。
近似熵在心電研究中有許多應用,如可利用它進行冠心病患者的心率調制機制評價[4],及心律失常患者進行電子除顫后的效果評價[5]。另外,水浸應激狀態(tài)下的大鼠會出現(xiàn)RR間期時間序列的ApEn上升[6],可反映出自主神經系統(tǒng)的調制狀況。因此,使用近似熵對正常、VT和VF下的心電信號進行分析,可能會有助于這三種狀態(tài)下心電信號的辨別。本研究擬分別提取正常、VT和VF下的心電信號的RR間期,計算其近似熵,并進行方差分析,以觀察近似熵在不同心臟狀態(tài)下的表現(xiàn)。
對于原始時間序列x(1),x(2),…x(N),共N點,以時間延遲τ進行重建m維相空間,得到一組m維矢量[3]:
其中i取從1到N-m+1的值。定義u(i)與u(j)之間的距離d[u(i),u(j)]為兩者對應元素中差值最大的一個,
對于給定的閾值r,統(tǒng)計對應每一個i值的d[u(i),u(j)]小于r的數(shù)目,并求該數(shù)目值與距離總數(shù)N-m的比值,記作(r),有:
近似熵的數(shù)值大小反映系統(tǒng)復雜性的高低。ApEn數(shù)值越大,說明系統(tǒng)越趨近于隨機狀態(tài),其復雜性增大,規(guī)律性減少,包含頻率成分越豐富。ApEn數(shù)值越低,則信號越趨于周期性,復雜性降低,意味著隨機性降低和規(guī)律性的增加,即混沌性的降低?;煦缧缘慕档鸵馕吨β首V頻帶變窄。
本研究所采用的數(shù)據來自于PhysioNet[7]網站上的數(shù)據庫群(PhysioBank),正常人心電信號取自MITBIH Normal Sinus Rhythm Database(MIT-BIH NSR數(shù)據庫),心動過速心電信號取自Creighton University Ventricular Tachyarrhythmia Database(CUVT數(shù)據庫),心律失常心電信號來自MIT-BIH Arrhythmia Database數(shù)據庫(MIT-BIH Arrhythmia數(shù)據庫)[8],從MIT-BIH NSR、CUVT及MIT-BIH Arrhythmia數(shù)據庫中分別提取了18個成年人的信號,對數(shù)據庫中的R波標記進行手工檢查,排除野點(outlier)后提取這些心電信號的RR間期時間序列,按照前述近似熵公式進行計算,選取嵌入維數(shù)為2,閾值設為時間序列標準差的0.15倍,并對三組數(shù)據進行方差分析。
圖1所示為正常心率(NSR)、心動過速(VT)及心律失常(VF)狀態(tài)下一個選取者的RR間期時間序列,可以看出三種狀態(tài)下的RR間期分布有差異。
圖1 正常心率(NSR)、心動過速(VT)及心律失常(VF)的心電RR間期時間序列Fig.1 The RR interval time series of the three state of NSR,VT and VF
表1列出了各組ApEn的均值與標準差。圖2為NSR、VT及VF狀態(tài)下的ApEn的方差分析結果,可以看出三組間的ApEn數(shù)值存在顯著差異(F=19.92,P<0.0001)。
表1 NSR、VT及VF狀態(tài)下的RR間期的ApEn數(shù)值Tab.1 The ApEn values of RR interval time series of the state of NSR,VT and VF
圖2 NSR、VT及VF狀態(tài)下RR間期的ApEn比較Fig.2 ApEn of RR interval series of NSR,VT and VF
近似熵的意義為一個時間序列中相同模式重復出現(xiàn)的幾率大小[9],其數(shù)值大小反映系統(tǒng)復雜性的高低。ApEn數(shù)值越低,信號越趨于周期性,復雜性降低,意味著隨機性降低和規(guī)律性的增加,即混沌性的降低。本研究中的ApEn數(shù)值在正常心率、心動過速及心律失常不同狀態(tài)下具有顯著的差異,從正常組到心動過速組再到心律失常組RR間期ApEn的數(shù)值逐次顯著升高,反映出心動過速與心律失?;颊咝碾娦盘朢R間期的不規(guī)律性增加,復雜度上升。一項近期研究采用近似熵來表示心率變異性二值信號的規(guī)律性,從而反映自主神經系統(tǒng)的調制狀況,繼而可以對心率變異性的模式進行辨別[10]。我們的結果支持該項研究,從另一角度說明了近似熵是一個可以區(qū)分不同心臟狀態(tài)的指標。
基于ApEn的計算過程,可看出它有下述特點。第一,因為抗瞬態(tài)干擾產生的數(shù)據(即野點)與相鄰點聯(lián)成的二或三點線段與第i個數(shù)據x(i)的距離必定較大,因而在閾值檢測中會被去除,所以ApEn有較好的抗瞬態(tài)大干擾的能力。第二,由于簡單的統(tǒng)計參數(shù)(如均值、方差、標準差等)丟失了數(shù)據蘊含在時間順序中的信息,而ApEn則包含時間模式的信息,它反映時間新模式發(fā)生率隨維數(shù)而增減的情況,因而ApEn可反映數(shù)據結構上的復雜性。第三,由于ApEn并不企圖描述或重建吸引子的全貌,而只從統(tǒng)計角度區(qū)別各種過程。重建吸引子來描述全面的非線性性質需要較多數(shù)據來估計。因此ApEn僅需要較短的數(shù)據即可較準確地分析信號的復雜度。
由于上述優(yōu)勢,近似熵在心電信號分析方面得到了越來越廣泛的應用。后續(xù)研究可以繼續(xù)挖掘近似熵在反映不同心電狀態(tài)動態(tài)轉換過程中的作用,或者結合其他非線性指標對心電信號的混沌特性進行深入描述,必將有助于心臟疾病的臨床診斷與治療方案的確定。
[1]Spector PS.Diagnosis and management of sudden cardiac death [J].Heart.2005,91(3): 408-413.
[2]賈邢倩,王鳳秀 努爾巴合提.動態(tài)心電圖證實心源性猝死2例[J].臨床心血管病雜志,2010,26(12): 960.
[3]Pincus SM.Approximate entropy as a measure of system complexity [J].Proc.Nati.Acad.Sci.USA.1991,88: 2297-2301.
[4]黃國建,鐘燕,徐安,等.冠心病患者RR間期序列的近似熵分析[J].臨床心電學雜志,2004,13 (1):23-25.
[5]Endoh H,Hida S,Oohashi S,Hayashi Y et al.Prompt prediction of successful defibrillation from 1-s ventricular fibrillation waveform in patients with out-of-hospital sudden cardiac arrest [J].J Anesth.2011; 25(1): 34-41.
[6]郭永新,焦青,郭姝,等.大鼠水浸應激過程中心電信號的非線性特性與自主神經調制狀況研究[J].航天醫(yī)學與醫(yī)學工程,2009,22(2): 98-101.
[7]Moody GB,Mark RG,Goldberger et al.Physionet: a web-based resource for the study of physiologic signals[J].IEEE Engineering in medicine and biology.2001,20(3): 70-75.
[8]Goldberger AL,Amaral LAN,Glass L,et al.PhysioBank,PhysioToolkit,and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals [J].Circulation,2000,101(23):e215-e220.
[9]Fell J,Mann K,Roschke J et al.Nonlinear analysis of continuous ECG during sleep II.Dynamical measures[J].Biological Cybernetics,2000,82: 485-491.
[10]Cysarz D,Van Leeuwen P,Edelh user F et al.Binary symbolic dynamics classifies heart rate variability patterns linked to autonomic modulations [EB/oL].http:// www.ncbi.nlm.nih.gov/pubmed/21570680.