直立傾斜引起的心率和血壓的耦合性變化分析

湛 萍 李晨曦 王志剛 張正國 彭 屹

(中國醫(yī)學科學院基礎醫(yī)學研究所，北京協(xié)和醫(yī)學院基礎學院，北京 100005)

直立傾斜引起的心率和血壓的耦合性變化分析

湛 萍 李晨曦 王志剛 張正國 彭 屹#*

(中國醫(yī)學科學院基礎醫(yī)學研究所，北京協(xié)和醫(yī)學院基礎學院，北京 100005)

從動態(tài)和穩(wěn)態(tài)兩個視角，研究直立傾斜(HUT)引起體位改變前后以及不同速度改變體位過程中RR間期(RRI)與收縮壓(SBP)間耦合性的變化。所用數(shù)據(jù)來自PhsioNet發(fā)布的體位變化所引起的生理響應數(shù)據(jù)庫(PRCP)，含有10位健康受試者(5男5女)在HUT過程中記錄的連續(xù)心電和動脈血壓信號。慢速體位變化(ST)和快速體位(RT)變化分別為在50和2 s之間從水平仰臥升至75°傾斜。提取逐拍RRI和SBP數(shù)據(jù)后，運用交叉時頻分析和信息分解方法，結合時域和短時分形指數(shù)(α1)，進行RRI和SBP時間序列的聯(lián)合分析。信息分解分析結果表明，所有的顯著差異集中在壓力反射導致心率變化的后向反饋回路(SBP→RRI)，ST后心率的可預測性較平臥時顯著增高(0.416±0.067vs0.626±0.127)，壓力反射支路的SBP- RRI耦合性升高。而在RRI→SBP方向，HUT對其幾乎沒有影響。ST和RT之前，所有的同類指標相比均無顯著差異。ST和RT之后的穩(wěn)態(tài)，雖然RRI無顯著差異，但較之ST之后，RT之后RRI的變異系數(shù)顯著升高(0.054±0.014vs0.074±0.027)，α1顯著降低(1.45±0.25vs1.28±0.27)。同時，交叉時頻分析結果揭示了ST和RT過程中自主神經(jīng)不同的動態(tài)反應行為。研究證明了信息分解方法的有效性，可明確區(qū)分心率與血壓相互作用時的前向反饋和后向反饋的主導因果方向，而且可反映HUT前后信號可預測性的變化。

心率；血壓；交叉時頻分析；信息分解；自主神經(jīng)系統(tǒng)

引言

心率(heart rate, HR)和血壓(blood pressure, BP)是心血管生理系統(tǒng)中兩個重要的生理信號, 兩者之間的相互作用存在前反饋和后反饋兩條回路。HR對于BP的影響通過前反饋回路發(fā)揮作用。生理條件下，HR通過舒張徑流以及Starling定律影響收縮壓[1- 2]。壓力反射導致的BP對于HR的作用路徑稱為后反饋回路。當壓力反射器感知到一個既定的BP變化時，就會產(chǎn)生一種壓力反射驅動的HR變化，并且這種關系決定了壓力反射敏感性(baroflex sensitivity, BRS)的值。這兩種主要機制決定了心血管系統(tǒng)的穩(wěn)態(tài)[3- 4]。HR與BP之間是一種閉環(huán)的相互作用。對于存在復雜調節(jié)機制的心血管系統(tǒng)，人們越來越有興趣了解不同的生理狀態(tài)，以及生理與病理狀態(tài)之間多信號耦合在調節(jié)機制上的改變。

通常系統(tǒng)之間的耦合同時包含線性和非線性兩個方面，而且可以說復雜的心血管調節(jié)機制更有可能多具非線性特征。此外，由于前反饋回路和后反饋回路的存在，在HR和BP兩者相互作用的分析中存在方向性問題。

傳統(tǒng)的線性分析方法包括時域的交叉相關，頻域的交叉譜密度或相關分析，交叉時頻分析等[5- 7]，這些方法不具方向性。Faes等提出有向性的交叉譜分析方法，揭示了神經(jīng)性暈厥患者安靜態(tài)BRS的降低以及HR調節(jié)對BP變化延遲增加，得到傳統(tǒng)的交叉譜分析沒有發(fā)現(xiàn)的結果。

非線性動力學和信息理論的進步，給多變量時間序列間的信息傳遞研究提供了方法。信息域分析如條件熵、傳遞熵等[8- 9]，以及在此基礎上發(fā)展的可預測性改善分析[10- 11]，量化不同生理信號間相互作用時直接和間接耦合關系，以及方向性(驅動- 響應關系)。包含方向性信息的相互作用可以通過Granger 因果性分析測量。因果性意味著如果第一個時間序列與第二個時間序列具有因果關系，則有關第一個時間序列過去的知識對于預測第二個時間序列未來值是有用的[12- 13]，即除了被預測序列之外，增加另一序列后被預測序列的預測誤差減小，或者說可預測性升高。Widjaja等[14]運用信息動力學評估心率變異性(heart rate variability, HRV)中的信息存儲和內在信息，以及從呼吸到HRV的信息傳遞和交叉信息，評估腦力勞動中心臟與呼吸的耦合性。非線性方法的提出不僅起到了與線性方法互補的作用，有時甚至更為適合捕捉時間序列間的相互作用，同時也提示，多種方法的聯(lián)合運用有助于得到更全面的信息。

在探究BP對HR的后反饋調控效應，即壓力反射調節(jié)時，大多以收縮壓(systolic pressure， SBP)作為BP的時間序列[1- 2,5,7]。本研究以短時分析為基礎，聯(lián)合時域、時頻分析、非線性分析和信息分解方法，從動態(tài)和穩(wěn)態(tài)兩個角度，分析被動直立傾斜(head- up tilt, HUT)過程中，特別是以不同速度進行體位變化過程中引起的心率和血壓之間耦合性的變化，以及它與自主神經(jīng)調節(jié)的關系。

1 材料與方法

1.1 數(shù)據(jù)來源

數(shù)據(jù)源為PhsioNet2016年2月發(fā)布的體位變化所引起的生理響數(shù)據(jù)庫Physiologic Response to Changes in Posture (PRCP, http://www.physionet.org/physiobank/database/prcp/)。同步記錄HUT過程中10位健康受試者(5男5女)的逐拍心電和血壓信號，采樣頻率為250 Hz。受試者的年齡為(28.7±1.2)歲，身高為(172.8±4.0) cm，體重為(70.6±4.5) kg。受試者在HUT實驗過程中，經(jīng)歷3種共6次體位變化。2次慢速體位變化(ST，50 s之間從水平仰臥升至75°傾斜)、2次快速體位變化(RT，2 s之間從水平仰臥升至75°傾斜)、2次站立。每次上述體位變化后持續(xù)3 min后，以同樣的速度恢復至水平仰臥，休息約5 min后進行下一次體位改變。每位受試者不同種類體位變化的順序是隨機的。

隨機選取每位受試一次ST和RT開始前3 min的數(shù)據(jù)作為基態(tài)(S1)。對于RT，根據(jù)文獻[15], 該種改變后的瞬態(tài)不少于20 s。取HUT開始上升后的20 s到下降初始點的數(shù)據(jù)作為體位變化后(S2，約3 min)的分析數(shù)據(jù)，恢復平臥20 s后的3 min數(shù)據(jù)作為體位恢復后(S3)的分析數(shù)據(jù)。對于ST，HUT開始上升后的1 min到下降初始點的數(shù)據(jù)作為體位變化后(S2，約3 min)的分析數(shù)據(jù)，恢復平臥10 s后的3 min數(shù)據(jù)作為體位恢復后(S3)的分析數(shù)據(jù)。S1和S3可能有部分重疊。

PhysioToolkit中提供一種數(shù)據(jù)處理軟件工具包WFDB (http://www.physionet.org/physiotools/ wfdb. shtml)。首先，在DOS界面下運行WFDB中的rdsamp命令，提取PRCP數(shù)據(jù)庫中10個受試者的完整ECG和BP以及傾斜角度和時間的序列，并將其轉換成*.txt格式的文件。隨后，利用文獻[16]的方法進行R波檢測和去異位心拍操作，得到RR間期(RRI, HR的倒數(shù))時間序列。SBP是通過檢測每一心拍間期中BP信號的波峰值得到的。由于實驗記錄過程中可能存在干擾，使得波形出現(xiàn)異常，因此需要去除可能出現(xiàn)的極端異常值(如設置SBP的正常值范圍為80～160 mmHg)，與之相應的RRI也同樣舍去。

在去除異位心拍和異位SBP后，對兩信號進行插值重采樣處理。本研究采用8Hz的重采樣頻率分別對已配對的RRI和SBP信號進行三階樣條插值[17]，得到用于時頻分析和信息論分析的RRI和SBP時間序列。

1.2 分析方法

選用時域、去趨勢波動分析、時頻分析和信息分解等方法。時域采用變異系數(shù)評價RRI和SBP時間序列的波動性，短時分形指數(shù)(α1)用于衡量動力學分形特性、交叉時頻分析用于評估HUT實驗過程中壓力敏感性等指標的動態(tài)變化特征，通過基于信息分解得到的預測性指標PI進行有向性分析。從線性和非線性兩個角度衡量體位變化給心率和血壓之間相互關系帶來的影響。

1.2.1 去趨勢波動分析

利用去趨勢波動分析(detrended fluctuation analysis, DFA)評價心血管時間序列的自相似性[18- 19]。

(1)

將序列y(k)分成互不重合長度為n的若干個子序列，并在每個子序列中通過線性最小方差法獲得其趨勢yn(k)，然后計算波動函數(shù)F(n)，有

(2)

1.2.2 交叉時頻分析

平滑偽Wigner- Ville分布(smoothed pseudo- Wigner- Ville distribution, SPWVD)是時頻分析中一種重要的方法，具有時頻聚散性好、分辨率高的優(yōu)點，成為時頻分析中最常用的方法之一。單信號x(t)的SPWVD可定義[17]為

(3)

在計算RRI的時頻功率譜時，時域平滑窗選用窗寬點數(shù)為1 024的Hamming窗，頻域平滑窗選用窗寬點數(shù)為128的Hamming窗，長度為頻率總長度(0.5 Hz)的1/8。對于每一個時間t，分別計算低頻段(low frequency, LF, 0.04～0.15 Hz)和高頻段(high frequency, HF, 0.15～0.40 Hz)內的功率譜總和，以LF/HF隨時間的變化表示交感神經(jīng)和迷走神經(jīng)相互作用的走勢。

對于信號x和y而言，兩者的交叉時頻譜Sxy可以用SPWVD來估計，定義[7]為

(4)

(5)

(6)

(7)

(8)

式中，B表示LF或HF頻帶，ΩB表示特定的時頻域。

在ΩB內，相干函數(shù)的值是有統(tǒng)計意義的，并且BP信號變化超前于相應的RRI信號變化以消除前反饋方向的貢獻。因此，如果某一時刻的LF或HF段內的值都無法同時滿足這兩個條件，那么該時間點上的BRS值是缺失的。

1.2.3 信息分解

(9)

在信息動力學中，耦合系統(tǒng)的時間演化，可以通過將指定目標系統(tǒng)的預測信息分解成存儲在系統(tǒng)內的信息和傳遞到該系統(tǒng)的信息來研究。故預測信息PIY可分解為

(10)

PIY=SY+TX→Y

(11)

(12)

PIY=CX→Y+SY|X

(13)

1.5 統(tǒng)計分析

所有指標的計算結果均采用均值±標準差的方式表示。HUT不同狀態(tài)(如S1和S2、S1和S3)、ST和RT以及兩個方向(SBP→RRI和RRI→SBP)上相應指標的差異性采用Wilcoxon秩和檢驗(Wilcoxon rank sum test)分析得出。

統(tǒng)計分析采用SPSS 19.0(SPSS Inc., Chicago, USA)，P<0.05時認為被檢驗指標間存在顯著性差異。

2 結果

就RRI和SBP的相互作用，從3個方面進行結果呈現(xiàn)，包括ST前后穩(wěn)態(tài)對比、不同體位變化速度(ST和RT)后的穩(wěn)態(tài)對比、體位變化過程中的動態(tài)分析。

2.1 ST前后心率血壓及其耦合性

表1反映了平臥(S1)、HUT期(S2)、恢復平臥后(S3)等3個狀態(tài)的參數(shù)對比。由表1可見，血壓水平在3個狀態(tài)中始終保持穩(wěn)定，而RRI在S2時顯著降低，顯然是為了保持血壓水平的穩(wěn)定。同時可見，ST后RRI和SBP的變異系數(shù)(CV)在自主神經(jīng)狀態(tài)變化時保持不變，說明正常生理調節(jié)中心血管參數(shù)平穩(wěn)性的保持。在LF和HF頻段，S2中壓力敏感性這一與迷走神經(jīng)活性密切相關的BRS顯著下降，與此種狀態(tài)下迷走神經(jīng)退行表現(xiàn)一致。但以γ表示的兩者的相關性則無顯著變化。

表1 不同狀態(tài)下血壓與心率的時域分析與交叉時頻分析結果Tab.1 Results of time- domainand time- frequency analysis of SBP and HR under different HUT states

注：a為P<0.05,S1vsS2;b為P<0.05,RT的S2vsST的S2。

Note:a:P<0.05, S1vsS2;b:P<0.05, S2 of RTvsS2 of ST.

而由HUT導致的交感神經(jīng)狀態(tài)變化，也導致心率和血壓之間的耦合關系發(fā)生變化。由表2的信息分解結果可見，所有的顯著差異集中在SBP→RRI方向，即壓力反射導致心率變化這一后反饋回路的作用，表現(xiàn)為心率的可預測性顯著增高，TSBP→RRI和SRRI|SBP均顯著升高，SBP和RRI的過去對RRI的現(xiàn)在均提供了更多信息。而在RRI→SBP方向，HUT對其幾乎沒有影響。S1和S3中，該方向的指標顯著高于SBP→RRI方向的同類指標，說明了在仰臥狀態(tài)，RRI→SBP方向即前向反饋占主導。

表2 ST和RT狀態(tài)下血壓與心率的信息分解分析結果Tab.2 Results of information decomposition analysis under ST and RT states

注：a為P<0.05,S1vsS2；b為P<0.05,SBP→RRIvsRRI→SBP。

Note:a:P<0.05, S1vsS2；b:P<0.05, SBP→RRIvsRRI→SBP.

2.2 體位變化速度的影響

從表1還可得知ST和RT后RRI和SBP時間序列的行為差異。在ST和RT之前的穩(wěn)態(tài)，所有的同類指標相比均無顯著差異，ST和RT之后的穩(wěn)態(tài)，雖然RRI無顯著差異，但RRI的變異系數(shù)有顯著差異(0.054±0.014vs0.074±0.027)，RT使其后穩(wěn)態(tài)的RRI變異系數(shù)增大。這種變化在α1的對比中也表現(xiàn)出顯著差異(1.45±0.25vs1.28±0.27)，表現(xiàn)為RT后的α1顯著低于ST之后的值，在同樣的恢復期內信號的相似度降低。信息分解分析中，RT與ST情況類似，在RRI→SBP方向，HUT對其幾乎沒有影響；在SBP→RRI方向，PIRRI有升高趨勢，但無統(tǒng)計學差異。也就是說,RT需要更多的恢復時間。

2.3 動態(tài)分析

圖1為ST和RT進行時BRS的動態(tài)變化。在代表迷走神經(jīng)活動的HF段，ST時前20～30 s，BRS幾乎不變，當傾斜角抬高到一定角度后，BRS幾乎呈直線下降，角度抬升至75°后保持在低位，在經(jīng)歷從75°到平仰臥的過程中幾乎呈直線上升，然后保持一個高位。對于RT來說，BRS幾乎是階躍式下降和上升，反映了迷走神經(jīng)對于RT的快速響應。雖然以表1中γLF平均值表征的HR和SBP的耦合性在不同體位變化速度的前后沒有表現(xiàn)出明顯區(qū)別，但從時頻曲線上可以看出，γ在ST和RT之后的變化行為是不同的，特別表現(xiàn)在γHF上。如圖2(a)中所示，在ST開始后，γHF幾乎沒有明顯變化，但是到約130 s時，γHF存在一個V型現(xiàn)象，先快速下降又快速回升。從圖3可見，在此期間，LF/HF無明顯波動，在V型的谷點附近，血壓和RRI均有波動，隨后趨于平穩(wěn)。而對于 RT這樣一個強刺激，其后的γHF一直波動較大。從圖3可見，RT后的幾十秒，γHF迅速下降，RRI直線下降(HR直線上升)，BRS迅速下降，而LF/HF基本保持不變。其后，LF/HF上升，呈交感神經(jīng)占優(yōu)勢的趨勢，SBP整體水平升高，但波動性增大。之后，LF/HF回落，血壓、心率趨于穩(wěn)定。

圖1 HUT進行時BRS的變化進程(左為LF，右為HF；圖中黑色線為10個樣本的平均值)。(a) ST; (b) RTFig.1 Time evolution of BRS during HUT (The left is LF, the right is HF; The light lines represent the BRS of all the subjects, the blacklines represent the average values). (a) ST; (b) RT

圖2 HUT進行時γ的變化進程(左為LF，右為HF；圖中黑色線為10個樣本的平均值)。(a) ST; (b) RTFig. 2 Time evolution of γ during HUT (The left is LF, the right is HF; The light lines represent the coherence of all the subjects, the black lines represent the average values). (a) ST; (b) RT

圖3 ST和RT實驗中一受試者交叉時頻分析參數(shù)隨時間的變化。(a) SBP；(b) RRI；(c) LF/HF; (d) γLF; (e) γHF; (f)BRSLF; (g) BRSHFFig.3 Time evolution of the indexes by cross time- frequency analysis from one subject under ST and RT states. (a) SBP；(b) RRI；(c) LF/HF; (d) γLF; (e) γHF; (f)BRSLF; (g) BRSHF

3 討論

本研究主要采用交叉時頻分析和信息分解方法，同時結合時域和分形特性分析，探討了基于HUT引起的自主神經(jīng)狀態(tài)變化對HR和BP耦合性的影響。通過分析，可看到在HUT中后向反饋通路(SBP→RRI方向)的激活，與生理調節(jié)機制相符，即在HUT從水平到傾角升高的過程中，回心血量的減少導致血壓降低的趨勢，而為了維持血壓水平，交感神經(jīng)活動增強和迷走神經(jīng)退行，以加強心臟的收縮力，增加搏動的次數(shù)以維持體循環(huán)的供血量。此外，快速體位變化和慢速體位變化對心率擾動方面的區(qū)別，提示避免快速體位變化的必要性及其解釋。對于正常人只是恢復期的延長，但對于自主神經(jīng)功能減退的老年人或者存在病理改變的患者，有可能誘發(fā)難以恢復的心率動力學改變。

ST開始時，由于緩慢傾斜至75°，直立刺激相對而較弱。一般直立刺激情況下，到達心臟的交感神經(jīng)輸出會立即增大，以此加強壓力反射對血壓的矯正響應[23]。從圖3(b)可見，ST初期，RRI幾乎無變化，之后隨著傾斜角的不斷增大RRI減小，說明交感神經(jīng)活動增強，同時從圖1(a)中BRS的逐漸減小說明迷走神經(jīng)活動減弱。ST狀態(tài)下的壓力反射調節(jié)主要依靠增強交感神經(jīng)提高心率從而升高血壓(即交感神經(jīng)性壓力反射調節(jié))。而對于RT而言，體位在2 s內急速改變至75°，這種快速傾斜下的強烈刺激使回心血量急速降低，快速迷走神經(jīng)退行是機體的第一反應(見圖1(b))，導致RRI即時快速減小，而交感神經(jīng)的響應時間相對較長，隨后才對該刺激響應。同樣的交感增強和迷走退行的交互作用方式，但變化的強度和速度的不同，圖3(c)顯示，ST之后，LF/HF變化很緩，而RT之后，LF/HF幾乎直線上升，說明交感增強和迷走減弱的程度都很顯著。

從反映整體10個受試者的ST狀態(tài)的相干函數(shù)可以看出，在大約ST開始后約130 s時，γHF均值出現(xiàn)了一個明顯的V型。而從圖3(a)和(b)中也顯示出在這個時間點，BP和HR存在明顯波動。雖然這一現(xiàn)象目前尚無明確的解釋，但值得引起進一步的探討。由于HF主要反映的是迷走神經(jīng)活動，該現(xiàn)象更可能與迷走神經(jīng)活動相關。RT的刺激強度過大，對神經(jīng)調節(jié)造成的擾動過大，這一點從圖1(b)中RT的γHF時變圖中也可看出，其波動性很強，并無類似現(xiàn)象發(fā)生。

利用信息分解方法，可以對心血管系統(tǒng)在被動體位變化中的復雜行為有更深入的了解。此方法有效地顯示其在有向性分析方面的優(yōu)勢。如前所述，HUT實驗從平臥到直立的過程中，是典型的后向反饋過程，所以無論是RT還是ST的前后，RRI→SBP方向的各項指標均不存在統(tǒng)計學上的顯著差異。而在SBP→RRI方向，預測信息顯著增高，RRI比之前平臥狀態(tài)更好地被預測，而更高的可預測性的發(fā)現(xiàn)證實了HRV復雜性降低，與其他指標反映的結果一致[21]。同時可以看到，平臥狀態(tài)時，RRI→SBP方向的各個指標均顯著高于SBP→RRI方向的同類指標，有效反映了平臥狀態(tài)下是以正向反饋為主的SBP和RRI相互作用機制[2]?？梢?，本研究驗證了信息分解方法在RRI與SBP相互作用短時分析中的有效性。

此外，從表2的結果可知，HUT完成后的平穩(wěn)態(tài)，RRI可預測性的升高，既源于RRI與SBP耦合性的升高(傳遞熵和交叉熵)，也源于RRI從自身的過去得到信息的增加(自熵和條件自熵)。ST后RRI的可預測性顯著升高，而RT后雖然有明顯的升高趨勢，但尚無統(tǒng)計學差異。兩者的區(qū)別應該主要來自序列平穩(wěn)性上的差異?；蛘哒f，RT造成的擾動需要更多的時間恢復。

4 結論

本課題從動態(tài)和穩(wěn)態(tài)兩個視角，研究HUT引起體位改變前后以及不同速度改變體位過程中RRI與SBP之間耦合性的變化。交叉時頻分析結果揭示了慢速和快速體位變化過程中自主神經(jīng)不同的動態(tài)反應行為。研究證明了信息分解方法的有效性，不僅可以明確區(qū)分心率與血壓相互作用時的前向反饋和后向反饋的主導作用方向，而且可反映HUT前后信號可預測性的改變。

[1] Faes L, Nollo G, Porta A. Mechanisms of causal interaction between short- term RR interval and systolic arterial pressure oscillations during orthostatic challenge [J]. J Appl Physiol, 2013, 114:1657- 1667.

[2] Porta A, Catai AM, Takahashi ACM, et al. Causal relationships between heart period and systolic arterial pressure during graded head- up tilt [J]. Am J Physiol Regul Integr Comp Physiol, 2011, 300: 378- 386.

[3] Furlan R, Piazza S, Dell’Orto S, et al. Cardiac autonomic patterns preceding occasional vasovagal reactions in healthy humans [J]. Circulation, 1998, 98: 1756- 1761.

[4] Faes L, Nollo G. Bivariate nonlinear prediction to quantify the strength of complex dynamical interactions in short- term cardiovascular variability [J]. Med Biol Eng Comput, 2006, 44: 383- 392.

[5] Faes L, Widesott L, Greco MD, et al. Causal cross- spectral analysis of heart rate and blood pressure variability for describing the impairment of the cardiovascular control in neutrally mediated Syncope [J]. IEEE Transactions on Biomedical Engineering, 2006, 53(1): 65- 73.

[6] Assous S. Phase synchrony and coherence analysis of bio- signals using cross- time- frequency distribution [C]// Annual Conference of IEEE EMBS. Montreal: IEEE, 2012: 436- 441.

[7] Orini M, Laguna P, Mainardi LT. Assessment of the dynamic interactions between heart rate and arterial pressure by the cross time- frequency analysis [J]. Physiological Meas, 2012,33: 315- 331.

[8] Faes L, Nollo G, Porta A. Compensated transfer entropy as a tool for reliably estimating information transfer in physiological time series [J]. Entropy, 2013, 15: 198- 219.

[9] Porta A , Faes L, Nollo G. Conditional self- entropy and conditional joint transfer entropy in heart period variability during graded postural challenge [J]. PLoS ONE, 2015, 10(7): e0132851(1- 21).

[10] Faes L, Porta A, Nollo G. Mutual nonlinear prediction as a tool to evaluate coupling strength and directionality in bivariate time series: comparison among different strategies based on k- nearest neighbors [J]. Phys Rev E, 2008, 78: 026201(1- 11).

[11] Faes L, Nollo G, Chou KH. Assessment of Granger causality by nonlinear model identification application to short- term cardiovascular variability [J]. Annals of Biomedical Engineering, 2008, 36: 381- 395.

[12] Granger CWJ. Investigating causal relations by econometric models and cross- spectral methods [J]. Econometrica, 1969, 37: 424- 438.

[13] Faes L, Nollo G. Extended causal modeling to assess partial directed coherence in multiple time series with significant instantaneous interactions [J]. Biological Cybernetics, 2010, 103: 387- 400.

[14] Widjaja D, Montalto A, Vlemincx E, et al. Cardiorespiratory information dynamics during mental arithmetic and sustained attention. PLoS ONE, 2015, 10(6):e0129112.

[15] Heldt T, Oefinger MB, Hoshiyama M, et al. Circulatory response to passive and active changes in posture[J]. Computers in Cardiology, 2003, 30: 263- 266.

[16] 孫中偉，彭屹. 用于QT間期檢測的復合算法研究[J]. 生物醫(yī)學工程與臨床，2009, 13 (3):184- 188.

[17] 許亮，王星，孫中偉，等. 心率變異性時頻分析參數(shù)用于心電圖ST段偏移時段的判別 [J]. 中國生物醫(yī)學工程學報，2008，27(1):23- 27.

[18] Peng CK, Havlin S, Stanley HE, et al. Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series [J]. Chaos, 1995, 5(1): 82- 87.

[19] Tulppo MP, Kiviniemi AM, Hautala AJ, et al. Physiological background of the loss of fractal heart rate [J]. Circulation, 2005, 112: 314- 319.

[20] Orini M, Bail′on R, Mainardi L, et al. Characterization of dynamic interactions between cardiovascular signals by time- frequency coherence[J]. IEEE Transactions on Biomedical Engineering, 2012, 59(3): 663- 673.

[21] Visnovcova Z, Mestanik M, Javorka M, et al. Complexity and time asymmetry of heart rate variability are altered in acute mental stress[J]. Physiol Meas, 2014, 35(7):1319- 1334.

[22] Faes L, Porta A, Nollo G. Information decomposition in bivariate systems: theory and application to cardiorespiratory dynamics[J]. Entropy, 2015, 17(1): 277- 303.

[23] Wehrwein EA, Joyner MJ. Regulation of blood pressure by the arterial baroreflex and autonomic Nervous System[M].//Buijs RM, Swaab DF. Autonomic Nervous System. Amsterdam: Elsevier, 2013: 89- 102.

Assessment of the Coupling Between Heart Rate and Arterial Pressure During Head- Up Tilt

Zhan Ping Li Chenxi Wang Zhigang Zhang Zhengguo Peng Yi#*

(Institute of Basic Medical Sciences, Chinese Academy of Medical Sciences, School of Basic Medicine, Peking Union Medical College, Beijing 100005，China)

This study is aimed to investigate the changes of the coupling strength between RR interval (RRI) and systolic blood pressure (SBP) before and after head- up tilt (HUT) with different tilt speeds from dynamic and steady perspectives. The data used was from database Physiologic Response to Changes in Posture(PRCP) published on PhysioNet, providing documentary ECG and continuous arterial blood pressure signals of ten healthy subjects (5 males and 5 females) during HUT stimulation. Beat- by- beat time series of RRI and SBP were extracted from both slow tilt (ST,75°HUT over 50 s) and rapid tilt (RT,75°HUT over 2 s). Then, time- frequency analysis and information decomposition analysis, combined with time- domain indexes and short- term fractal exponent (α1) were applied to perform joint analysis between RRI and SBP. The results of information decomposition analysis indicated that all of the significant differences appeared in the feedback direction (SBP→RRI)due to baroreflex control on RRI. The prediction of RRI after ST significantly increased compared to that in supine position (0.416±0.067vs0.626±0.127), indicating the elevation of the coupling strength along the baroreflex. However, HUT showed few effects in the feedforward direction of RRI→SBP. There were no significant differences between ST and RT for all of the same indexes before HUT. However, the coefficient of variation of RRI (CVRRI) in the steady state after RT was significantly increased andα1was significantly decreased compared to that after ST despite the fact that there was no difference for RRI. What’s more, the results of time- frequency analysis suggested the different behavior of dynamic response to ST and RT. Our research proved the effectiveness of information decomposition analysis to detect the dominant causal direction (feedback or feedforward) in the RRI- SBP interactions and to characterize the changes of the prediction of RRI and SBP signal before and after HUT.

heart rate (HR); blood pressure(BP); cross time- frequency analysis; information theory; autonomic nervous system (ANS)

10.3969/j.issn.0258- 8021. 2017. 03.004

2016-12-16， 錄用日期:2017-02-12

國家自然科學基金(81071225，81471746)

R318

A

0258- 8021(2017) 03- 0284- 09

# 中國生物醫(yī)學工程學會會員(Member, Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)，E- mail: pengyi@pumc.edu.cn