一種新的心率變異性度量方法*

邵士亮 王挺 宋純賀 崔婀娜 趙海 姚辰

1) (東北大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,沈陽(yáng) 110819)

2) (中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所,機(jī)器人學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,沈陽(yáng) 110016)

3) (中國(guó)科學(xué)院機(jī)器人與智能制造創(chuàng)新研究院,沈陽(yáng) 110169)

1 引 言

心率變異性(heart rate variability,HRV)是指逐次心跳間期的波動(dòng),常用來評(píng)估自主神經(jīng)系統(tǒng)(autonomic nervous system,ANS)對(duì)心臟活動(dòng)的調(diào)節(jié)作用,是評(píng)價(jià)自主神經(jīng)活動(dòng)的重要無創(chuàng)指標(biāo),HRV的分析能夠了解ANS在心臟發(fā)病過程中的作用[1-3].

傳統(tǒng)的HRV分析方法集中于時(shí)域和頻域分析[4-6].時(shí)域分析法主要是利用相鄰正常心跳間隔的標(biāo)準(zhǔn)差(standard deviation of normal to normal,SDNN)、相鄰正常心跳間隔差值的均方根(root mean square of the successive normal,RMSSD)、相鄰正常心跳間隔差值超過50 ms的比例(count divided by the total number of all NN intervals,pNN50)、相鄰正常心跳間隔的總個(gè)數(shù)除以相鄰正常心跳間隔直方圖的高度(HRV triangular index,HRVTi)等指標(biāo)對(duì)HRV進(jìn)行評(píng)價(jià).頻域分析法是把HRV分解為不同的頻率成分,并將其相對(duì)強(qiáng)度定量為功率,提供了各種頻率成分的功率譜測(cè)定,分為甚低頻段(very low frequency,VLF)、低頻段(low frequency,LF)、高頻段(high frequency,HF)、總功率譜(total power,TP)等指標(biāo).然而,時(shí)域指標(biāo)不能表達(dá)出HRV信號(hào)的時(shí)變特性,所以對(duì)自主神經(jīng)系統(tǒng)的反映十分有限,而頻域分析只能給出全局的頻率信息,缺少局部和不同頻率間的耦合信息.時(shí)域和頻域的分析方法都是對(duì)HRV信號(hào)做線性分析,很難透過HRV信號(hào)的非線性本質(zhì)[7,8].因此,通過非線性分析方法對(duì)HRV進(jìn)行分析得到了廣泛的研究,包括Poincaré散點(diǎn)圖[9]、去趨勢(shì)波動(dòng)分析[10]和近似熵[11]、樣本熵[12]、排列熵[13]、bubble熵[14]等熵分析法.熵分析法是HRV分析中比較有代表性的一類方法,因HRV的無序波動(dòng)中,包含了心臟活動(dòng)中有序的內(nèi)在動(dòng)力學(xué)特性,而熵測(cè)度能夠度量心臟活動(dòng)的這種有序程度,所以在HRV信號(hào)的研究中,熵分析法得到了廣泛的應(yīng)用.但對(duì)HRV信號(hào)直接進(jìn)行熵測(cè)度分析忽略了信號(hào)內(nèi)部的波動(dòng)細(xì)節(jié).為了增強(qiáng)對(duì)HRV信號(hào)內(nèi)部細(xì)節(jié)的觀察,文獻(xiàn)[15]把經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)方法與熵分析方法相結(jié)合,但該方法忽略了殘差信號(hào),同時(shí)沒有考慮不同本征模態(tài)函數(shù)(intrinsic mode function,IMF)之間的耦合關(guān)系,造成了信息量的丟失,而且EMD分解算法存在模態(tài)混疊和端點(diǎn)效應(yīng)等不足.

目前,對(duì)HRV信號(hào)的分析研究中,并沒有對(duì)不同時(shí)頻尺度下的HRV信號(hào)之間的耦合關(guān)系進(jìn)行分析.本文根據(jù)非線性和非平穩(wěn)的HRV信號(hào)在不同時(shí)刻具有不同頻率成分的特點(diǎn),提出了一種基于改進(jìn)的自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解(improved complete ensemble EMD with adaptive noise,ICEEMDAN)和bubble熵(bubble entropy)的復(fù)雜網(wǎng)絡(luò)(complex network,CN)映射的HRV度量方法-ICBN方法,該方法主要研究不同時(shí)頻尺度空間下的HRV信號(hào)之間的耦合關(guān)系.本研究先通過ICEEMDAN對(duì)HRV信號(hào)進(jìn)行時(shí)頻尺度化,然后將得到的不同時(shí)頻段間的IMF分別計(jì)算bubble熵值,構(gòu)建熵值向量,根據(jù)有限穿越水平可視圖法(limited penetrable horizontal visibility graph,LPHVG)[16,17]將熵值向量映射成復(fù)雜網(wǎng)絡(luò),通過網(wǎng)絡(luò)參數(shù)特征對(duì)不同時(shí)頻尺度空間化下的IMF間的耦合關(guān)系進(jìn)行度量,從而實(shí)現(xiàn)對(duì)HRV信號(hào)的度量.

2 研究對(duì)象與方法

本文的實(shí)驗(yàn)方法結(jié)構(gòu)如圖1所示.首先,對(duì)帶有人工校準(zhǔn)的心跳標(biāo)注和時(shí)間戳的文件進(jìn)行HRV提取,并進(jìn)行片段分割; 然后,通過時(shí)域分析、頻域分析、ICBN方法對(duì)HRV信號(hào)進(jìn)行分析,提取時(shí)域、頻域指標(biāo)和耦合特征指標(biāo); 最后,通過統(tǒng)計(jì)分析和交叉校驗(yàn)對(duì)各特征的分類性能進(jìn)行對(duì)比分析.

圖1 HRV分析框架圖Fig.1.Framework of the HRV analysis.

2.1 研究對(duì)象

實(shí)驗(yàn)數(shù)據(jù)取自PhysioNet提供的數(shù)據(jù)集[18].在這里共使用了4個(gè)數(shù)據(jù)集.第一個(gè)數(shù)據(jù)集是chf2,包含29個(gè)患有充血性心力衰竭(congestive heart failure,CHF)病人的長(zhǎng)時(shí)心電信號(hào)(electrocardiogram,ECG),患者年齡從34到79歲.第二個(gè)數(shù)據(jù)集是nsr2,包含54個(gè)正常竇性心律(normal sinus rhythm,NSR)對(duì)象的長(zhǎng)時(shí)ECG信號(hào),其中男性30名,年齡從28.5到76歲,女性24名,年齡從58到73歲.第三個(gè)數(shù)據(jù)集是nsr,包含18個(gè)正常竇性心律的長(zhǎng)時(shí)ECG信號(hào),包括男性5名,年齡從26到45歲,女性13名,年齡從20到50歲.第四個(gè)數(shù)據(jù)集是ltaf,包含84個(gè)房顫心律失常(atrial fibrillation,AF)患者的長(zhǎng)時(shí)ECG信號(hào).原始ECG信號(hào)的采樣頻率是128 Hz,每個(gè)信號(hào)都帶有人工校準(zhǔn)的心跳標(biāo)注,從而可以獲得用于數(shù)據(jù)分析的RR間期序列,即HRV信號(hào)(圖2).為了排除晝夜節(jié)律對(duì)信號(hào)分析的影響,文獻(xiàn)[19]采用上午清醒時(shí)間段的信號(hào)進(jìn)行分析,本文采用同樣的方法進(jìn)行實(shí)驗(yàn).

2.2 時(shí)域、頻域分析方法

時(shí)域分析的統(tǒng)計(jì)特征如表1所示,包括SDNN,RMSSD,pNN50,HRVTi這4個(gè)時(shí)域特征指標(biāo).

本文采用Lomb-Scamble周期圖法計(jì)算功率譜密度,相對(duì)基于FFT的方法具有更高的估計(jì)精度[20].本文計(jì)算的頻域特征包括TP (≤ 0.4 Hz),VLF (0.003-0.040 Hz),LF (0.04-0.15 Hz)和HF(0.15-0.40 Hz)范圍的功率譜,LF和HF的比值LF/HF,5個(gè)頻域特征指標(biāo).具體的描述與定義如表2所示.

圖2 HRV信號(hào)獲得示意圖Fig.2.Schematic of obtaining HRV signal.

2.3 ICBN分析方法

本文提出的ICBN分析方法的實(shí)現(xiàn)過程如圖3所示.首先,讀取帶有人工校準(zhǔn)標(biāo)注的數(shù)據(jù)文件并提取HRV信號(hào),根據(jù)標(biāo)注文件剔除異常點(diǎn); 然后,通過ICEEMDAN對(duì)提取的HRV信號(hào)在不同時(shí)頻尺度下進(jìn)行分解,得到不同時(shí)頻尺度空間下的IMF; 再通過計(jì)算每個(gè)IMF的bubble熵值,構(gòu)建bubble熵向量,對(duì)熵向量進(jìn)行網(wǎng)絡(luò)的映射; 最后,通過對(duì)網(wǎng)絡(luò)的特征進(jìn)行計(jì)算,完成對(duì)HRV信號(hào)在不同時(shí)頻尺度下的耦合特征分析.

2.3.1 RRs提取

獲取帶有人工標(biāo)注的ECG信號(hào)文件和人工標(biāo)注的注釋文件,提取每個(gè)對(duì)象上午清醒時(shí)間段1 h長(zhǎng)的HRV信號(hào),定義為x(i),1≤i≤N,i∈Z,其中N表示信號(hào)長(zhǎng)度.

2.3.2 ICEEMDAN分解

ICEEMDAN基于EMD方法提出,是針對(duì)非線性和非穩(wěn)態(tài)數(shù)據(jù)的自適應(yīng)分析方法,它改善了EMD方法的模態(tài)混疊效應(yīng),減少了IMF中的噪聲成分,同時(shí)豐富了IMF的物理意義[21].對(duì)于輸入HRV信號(hào)x,ICEEMDAN對(duì)其分解的具體實(shí)現(xiàn)過程如下.

1)對(duì)于j=1,2,···,J,通過EMD分解得到第一個(gè)殘差:

2)在第一階段k=1 ,計(jì)算第一個(gè)模態(tài)分量:

表1 時(shí)域分析統(tǒng)計(jì)特征Table 1.Statistical features in time domain.

表2 頻域分析統(tǒng)計(jì)特征Table 2.Statistical features in frequency domain.

圖3 ICBN分析方法實(shí)現(xiàn)過程框圖Fig.3.Implementation process of ICBN analysis method.

3)對(duì)于j=1,2,···,J,通過EMD分解得到第二個(gè)模態(tài)分量為

4)對(duì)于k=3,···,K,計(jì)算第k個(gè)殘差:

5)計(jì)算第k個(gè)模態(tài)分量:

6)對(duì)下一個(gè)k回到步驟4).

重復(fù)4)到6),直到獲取的殘差不能繼續(xù)被EMD分解,則輸入信號(hào)被分解為

以上公式中Ek(·) 為產(chǎn)生第k個(gè)模態(tài)分量的算子;M(·)是局部均值算子;w(i)為零均值單位方差白噪聲; 系數(shù)βk=εkstd(rk) 允許在每一次迭代中選擇信噪比,其中 std(·) 為標(biāo)準(zhǔn)偏差算子.研究表明[21],噪聲幅值ε0=0.2 時(shí),ICEEMDAN具有最好的分解效果,分解次數(shù)J在取值50和200時(shí)具有相似的分解結(jié)果,所以本文設(shè)置ε0=0.2 ,J=50.

2.3.3 計(jì)算IMFs的bubble熵

Bubble熵是一種更加穩(wěn)定和精確的度量方法,不需要設(shè)置容限值且度量結(jié)果不依賴于嵌入維數(shù),是基于條件排列熵和Renyi排列熵而提出的.相對(duì)于樣本熵和近似熵,bubble熵具有更好的區(qū)分能力[14].對(duì)于輸入的HRV信號(hào)x：{x(i)：1≤i≤N},通過ICEEMDAN在不同時(shí)頻尺度上分解出不同的模態(tài)分量 IMFs ,定義為IMFs=[IMF1,IMF2,···,IMFK],其中每個(gè)模態(tài)分量定義為IMFk：{imfk(i)：1≤i≤N,1≤k≤K},對(duì) IMFk進(jìn)行計(jì)算bubble熵的過程如下.

將 IMFk嵌入一個(gè)m維空間,對(duì)于每一個(gè)imfk(i),進(jìn)行相空間重構(gòu),得到

其中L和m分別為延遲因子和嵌入維數(shù).將IMFk(i)的m個(gè)重構(gòu)分量[imfk(i),imfk(i+L),···,imfk(i+(m-1)L)]使用冒泡排序法,按照升序進(jìn)行重新排列,統(tǒng)計(jì)每一個(gè)重構(gòu)分量的必要交換次數(shù)nj(j=1,2,···,m),在bubble熵的計(jì)算中,L=1 ,所以m維矢量的個(gè)數(shù)為N-m+1 ,計(jì)算其對(duì)應(yīng)次數(shù)出現(xiàn)的概率嵌入維數(shù)m根據(jù)文獻(xiàn)[14]設(shè)置為15.

Renyi排列熵可根據(jù)如下公式計(jì)算:

條件排列熵可根據(jù)如下公式計(jì)算:

其中,PE(m) 代表m維空間排列熵,PE(m+1) 代表m+1維空間排列熵.

條件Renyi排列熵為

根據(jù)公式(8),(9)和(10)得bubble熵的計(jì)算公式為

其中 1/log(m+1/m-1) 是歸一化因子.

對(duì)于模態(tài)分量IMFs=[IMF1,IMF2,···,IMFK],得到bubble熵值向量BE=[be1,be2,···,beK].

2.3.4 Bubble熵網(wǎng)絡(luò)的映射

LPHVG具有相對(duì)更強(qiáng)的連接性,進(jìn)而在較小的時(shí)間尺度上可以更多地反應(yīng)信號(hào)的內(nèi)在信息和特征,同時(shí)不影響對(duì)序列長(zhǎng)程波動(dòng)趨勢(shì)的影響[16,17],因此本文選擇LPHVG方法構(gòu)建bubble熵網(wǎng)絡(luò).

對(duì)于時(shí)間序列x(i),1≤i≤N,i∈Z,通過ICEEMDAN在不同時(shí)頻尺度上分解出IMFs,IMFs=[imf1,imf2,···,imfK],對(duì)每一個(gè)IMF進(jìn)行非線性分析計(jì)算出bubble熵值,得到向量BE=[be1,be2,···,beK],根據(jù)LPHVG,將 BE 向量映射成網(wǎng)絡(luò)G=(V,ξ).通過對(duì)網(wǎng)絡(luò)G=(V,ξ) 的特征參數(shù)進(jìn)行計(jì)算,完成對(duì)IMFs之間的耦合關(guān)系分析,其中節(jié)點(diǎn)集合為V={v1,v2,···,vK},ξ?{(vδ,v?)：vδ,v?∈V,vδ=v?}是邊所構(gòu)成的集合,且 (vδ,v?)∈ξ?(v?,vδ)∈ξ,|V| 表示圖G的階.定義W=[wδ?]為圖G的加權(quán)鄰接矩陣,其中wδ?=0?(vδ,v?)∈ξ,2個(gè)節(jié)點(diǎn)vδ和v?的權(quán)值分別為 beδ和 be?,定義節(jié)點(diǎn)vδ和v?之間邊的權(quán)值為

節(jié)點(diǎn)vδ的鄰居集合定義為Tδ={v?∈V：wδ?=0}={v?∈V：(vδ,v?)∈ξ},節(jié)點(diǎn)vδ的度定義為dδ,則dδ=|Tδ| ,圖G的度矩陣定義為DG=[d1,d2,···,dK]=[|T1|,|T2|,···,|TK|],根據(jù)節(jié)點(diǎn)之間的邊權(quán)值,節(jié)點(diǎn)vδ的點(diǎn)權(quán)值Sδ定義為與它關(guān)聯(lián)的邊權(quán)值之和,即圖G的點(diǎn)權(quán)矩陣定義為SG=[s1,s2,···,sK].

2.3.5 計(jì)算網(wǎng)絡(luò)特征指標(biāo)

在將bubble熵值向量映射為加權(quán)網(wǎng)絡(luò)后,對(duì)5個(gè)復(fù)雜網(wǎng)絡(luò)參數(shù)進(jìn)行考察,分別為平均集聚系數(shù)MC,特征路徑長(zhǎng)度 CL ,網(wǎng)絡(luò)拓?fù)潇?TE ,網(wǎng)絡(luò)層級(jí)加權(quán)值 WB ,平均點(diǎn)權(quán)值 PW.

平均集聚系數(shù) MC : 平均集聚系數(shù)是指在網(wǎng)絡(luò)中與同一個(gè)節(jié)點(diǎn)連接的2個(gè)節(jié)點(diǎn)之間相互連接的平均概率,該系數(shù)用來刻畫網(wǎng)絡(luò)的局域結(jié)構(gòu)性質(zhì)[22].

其中,與節(jié)點(diǎn)vδ直接相連接的節(jié)點(diǎn)數(shù)為 |Tδ| ,κδ為所有與節(jié)點(diǎn)vδ相連接的節(jié)點(diǎn)之間直接相連接的邊數(shù).

特征路徑長(zhǎng)度 CL : 特征路徑長(zhǎng)度表示所有節(jié)點(diǎn)之間距離的平均值,它描述了網(wǎng)絡(luò)中節(jié)點(diǎn)間的平均分離程度,即網(wǎng)絡(luò)有多小[22].

網(wǎng)絡(luò)標(biāo)準(zhǔn)拓?fù)潇豑E: 網(wǎng)絡(luò)拓?fù)潇乜梢愿?jiǎn)潔的度量網(wǎng)絡(luò)的序狀態(tài),對(duì)網(wǎng)絡(luò)拓?fù)潇剡M(jìn)行歸一化得到網(wǎng)絡(luò)標(biāo)準(zhǔn)拓?fù)潇?其定義為[23]

針對(duì)IMFs的bubble熵網(wǎng)絡(luò)的實(shí)際物理意義,本文在構(gòu)建的bubble熵網(wǎng)絡(luò)的基礎(chǔ)上提出2個(gè)網(wǎng)絡(luò)特征,分別是網(wǎng)絡(luò)層級(jí)加權(quán)值 WB 和平均點(diǎn)權(quán)值PW.

網(wǎng)絡(luò)層級(jí)加權(quán)值WB: 網(wǎng)絡(luò)層級(jí)加權(quán)值以不同權(quán)值,對(duì)不同層級(jí)地位的網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值總量進(jìn)行計(jì)算,圖G中節(jié)點(diǎn)vδ的δ表示IMF的層級(jí)位置,每個(gè)節(jié)點(diǎn)vδ的權(quán)值為 beδ,則網(wǎng)絡(luò)層級(jí)加權(quán)值為

平均點(diǎn)權(quán)值PW: 用來刻畫網(wǎng)絡(luò)中點(diǎn)權(quán)值的平均分布情況,定義為圖G的點(diǎn)權(quán)向量SG=[s1,s2,···,sK]除以度向量DG=[d1,d2,···,dK].

3 實(shí)驗(yàn)分析

采用上述的時(shí)域、頻域分析方法和本文提出的ICBN分析方法,分別對(duì)不同人群的HRV信號(hào)進(jìn)行分析,然后通過T檢驗(yàn)對(duì)各類特征分別進(jìn)行差異分析,并取p＜0.001 的特征作為最終的極顯著差異特征進(jìn)行分類,最后通過Fisher判別模型對(duì)實(shí)驗(yàn)對(duì)象進(jìn)行識(shí)別.為了得到更加可靠、穩(wěn)定的結(jié)果,采用留一法交叉檢驗(yàn)實(shí)驗(yàn)的平均值作為最后的識(shí)別結(jié)果.

3.1 應(yīng)用于健康人和CHF患者的HRV

首先對(duì)如下兩組HRV信號(hào)進(jìn)行分析,即CHF組和NSR1組,其中CHF組采用chf2數(shù)據(jù)集的29例CHF患者; NSR1組采用nsr2數(shù)據(jù)集的前29例健康人.

3.1.1 NSR1和CHF的HRV信號(hào)差異性分析

HRV信號(hào)時(shí)域、頻域特征和ICBN分析方法計(jì)算的IMF間耦合特征的均值和標(biāo)準(zhǔn)差如表3所示.從NSR1和CHF這2類人群的對(duì)比中可以看出,WB,PW,CL,HRVTi,LF/HF具有極顯著統(tǒng)計(jì)學(xué)差異(p＜0.001); TE,MC指標(biāo)具有顯著統(tǒng)計(jì)學(xué)差異(p＜0.01).其中,耦合特征中WB,PW和CL具有極顯著的統(tǒng)計(jì)學(xué)差異(p＜0.001); 時(shí)頻域指標(biāo)中HRVTi和LF/HF具有極顯著的統(tǒng)計(jì)學(xué)差異(p＜0.001).

圖4是具有極顯著差異的特征的均值和標(biāo)準(zhǔn)差.從圖4中可以看出,在NSR1組中,PW,CL,HRVTi,LF/HF的均值比CHF組的均值高,PW的均值比CHF組的均值低.ICBN方法中的指標(biāo)WB,PW和CL,在CHF對(duì)象中表現(xiàn)出了更高的標(biāo)準(zhǔn)差,而時(shí)域指標(biāo)HRVTi和頻域指標(biāo)LF/HF,在NSR1對(duì)象中表現(xiàn)出了更高的標(biāo)準(zhǔn)差.

3.1.2 CHF病人的識(shí)別

通過Fisher判別模型對(duì)NSR1和CHF這2組HRV信號(hào)進(jìn)行分類,實(shí)現(xiàn)對(duì)不同指標(biāo)分類性能的驗(yàn)證.分類結(jié)果通過正確率(accuracy,Acc)、靈敏度(sensitivity,Sen)、特異度(specificity,Spe)、ROC曲線下的面積(area under curve,AUC)來進(jìn)行評(píng)價(jià).實(shí)驗(yàn)結(jié)果如表4所列,通過單獨(dú)的每個(gè)特征進(jìn)行分類時(shí),WB,PW,CL,HRVTi和LF/HF這5個(gè)特征之中,WB表現(xiàn)出了更高的Acc,Sen和AUC,分別是79.3%,90.48%和81.72%,LF/HF表現(xiàn)出了更高的Spe,為80.95%.

表3 NSR1和CHF患者不同分析方法下的結(jié)果Table 3.Statistical analysis results of HRV index under different analysis methods.

圖4 NSR1和CHF這2組對(duì)象具有極顯著差異的指標(biāo)的均值與標(biāo)準(zhǔn)差Fig.4.Mean and variance of the indicators with very significant differences between the two groups of NSR1 and CHF.

表4 不同特征的CHF識(shí)別性能對(duì)比Table 4.Performance comparisons of different indices for CHF recognition.

本文通過窮舉法,將具有極顯著差異的5個(gè)指標(biāo)WB,PW,CL,HRVTi和LF/HF中的所有2,3,4,5個(gè)指標(biāo)的組合作為特征,通過Fisher判別模型對(duì)NSR1和CHF病人進(jìn)行分類,將分類正確率最高的5種組合列出(具體見表5).其中,WB&CL&LF/HF表現(xiàn)出了最高的Acc和Spe,分別是89.66%和92.59%,WB&PW表現(xiàn)出了最高的Sen和AUC,分別是100%和90.28%.

表5 不同特征組合的CHF識(shí)別性能對(duì)比Table 5.Performance comparisons of different indices for CHF recognition.

3.2 應(yīng)用于健康人和AF患者的HRV

對(duì)如下2組HRV信號(hào)進(jìn)行分析: AF組采用ltaf數(shù)據(jù)集的前43例患者,為了和AF組形成公平對(duì)比,并和上一組實(shí)驗(yàn)進(jìn)行區(qū)分,NSR2組采用nsr數(shù)據(jù)集的18例健康人和nsr2數(shù)據(jù)集的后25例健康人,共43個(gè)實(shí)驗(yàn)對(duì)象.

3.2.1 NSR2和AF的HRV信號(hào)差異性分析

NSR2組和AF組的HRV信號(hào)時(shí)域、頻域和ICBN指標(biāo)如表6所列.從NSR2和AF這2類人群的對(duì)比可知,WB,PW,SDNN,pNN50,RMSSD和LF/HF具有極顯著統(tǒng)計(jì)學(xué)差異 (p＜0.001);CL,HRVTi,TP,LF和HF指標(biāo)具有顯著統(tǒng)計(jì)學(xué)差異(p＜0.01); TE和 MC指標(biāo)具有統(tǒng)計(jì)學(xué)差異(p＜0.05).其中,耦合特征中WB和PW具有極顯著的統(tǒng)計(jì)學(xué)差異(p＜0.001); 時(shí)頻域指標(biāo)中SDNN,pNN50,RMSSD和LF/HF具有極顯著的統(tǒng)計(jì)學(xué)差異(p＜0.001).

圖5是具有極顯著差異特征的均值和標(biāo)準(zhǔn)差.從圖5中可以看出,具有極顯著差異的指標(biāo)中,在NSR2組中PW和LF/HF的均值比AF組的均值高,WB,SDNN,pNN50和RMSSD的均值比AF組的均值低.ICBN方法中的指標(biāo)WB和PW,時(shí)域指標(biāo)SDNN,pNN50和RMSSD在AF對(duì)象中表現(xiàn)出了更高的標(biāo)準(zhǔn)差,頻域指標(biāo)LF/HF在NSR2對(duì)象中表現(xiàn)出了更高的標(biāo)準(zhǔn)差.

表6 NSR2和AF患者在不同分析方法下的結(jié)果Table 6.Statistical analysis results of HRV index under different analysis methods.

圖5 NSR2和AF這2組對(duì)象具有極顯著差異的指標(biāo)的均值與標(biāo)準(zhǔn)差Fig.5.Mean and variance of the indicators with very significant differences between the two groups of NSR2 and AF.

3.2.2 AF患者的識(shí)別

通過Fisher判別模型對(duì)NSR2和AF這2組HRV信號(hào)進(jìn)行分類,實(shí)現(xiàn)對(duì)不同指標(biāo)分類性能的驗(yàn)證.實(shí)驗(yàn)結(jié)果如表7所示,通過單獨(dú)的每個(gè)特征進(jìn)行分類時(shí),WB,PW,SDNN,pNN50,RMSSD和LF/HF這6個(gè)特征之中,PW表現(xiàn)出了最高的Acc,Sen和AUC,分別是83.72%,96.77%和86.57%,LF/HF表現(xiàn)出了最高的Spe,是96.00%.

表7 不同特征的AF識(shí)別性能對(duì)比Table 7.Performance comparisons of different indices for AF recognition.

表8 不同特征的AF識(shí)別性能對(duì)比Table 8.Performance comparisons of different indices for AF recognition.

本文通過窮舉法,將具有極顯著差異的6個(gè)指標(biāo)的所有2,3,4,5,6個(gè)指標(biāo)的57種組合作為特征,通過Fisher判別模型對(duì)NSR2和AF病人進(jìn)行分類,將分類正確率最高的5種組合列出(表8).其中,WB&PW&pNN50&RMSSD&LFHF表現(xiàn)出了最高的Acc,Spe和AUC,分別是91.86%,89.13%和92.07%,WB&PW&SDNN&pNN50&RMSSD表現(xiàn)出了最高的Sen,為97.3%.

4 討 論

本文首先研究比較了NSR1組對(duì)象和CHF患者HRV信號(hào)時(shí)域、頻域指標(biāo)和ICBN指標(biāo)之間的差異,然后又對(duì)另一NSR2組對(duì)象和AF患者進(jìn)行了同樣的分析.

從表3可知,對(duì)于CHF和NSR1這2組實(shí)驗(yàn)對(duì)象,所有的時(shí)域和頻域指標(biāo)中,HRVTi和LF/HF表現(xiàn)出了極顯著的統(tǒng)計(jì)學(xué)差異(p＜0.001).CHF與NSR1相比,時(shí)域指標(biāo)HRVTi顯著減小,表明充血性心力衰竭病人心臟活動(dòng)發(fā)生變化,交感神經(jīng)活動(dòng)增強(qiáng),副交感神經(jīng)活動(dòng)下降,頻域指標(biāo)LF/HF的下降反應(yīng)了交感神經(jīng)和副交感神經(jīng)系統(tǒng)活動(dòng)的均衡狀態(tài)發(fā)生變化,這與文獻(xiàn)[4,6]的研究結(jié)論相一致,因此本文選擇HRVTi和LF/HF作為時(shí)域和頻域的識(shí)別指標(biāo).

從圖4可知,ICBN分析方法中,CHF與NSR1相比,WB指標(biāo)均值增大,PW指標(biāo)和CL指標(biāo)均值減小.WB指標(biāo)反映的是不同層級(jí)模態(tài)分量的波動(dòng)特性的加權(quán)值,CHF患者的HRV信號(hào)波動(dòng)特性相對(duì)NSR1組的健康人更強(qiáng),信號(hào)頻率成分更復(fù)雜,所以CHF患者的WB均值更大.PW指標(biāo)反映的是模態(tài)分量的波動(dòng)特性在整個(gè)網(wǎng)絡(luò)中的分布情況,而NSR1組對(duì)象的HRV信號(hào)頻率成分更簡(jiǎn)單,根據(jù)LPHVG構(gòu)建的網(wǎng)絡(luò)節(jié)點(diǎn)的度值較小,CHF患者的HRV信號(hào)頻率成分復(fù)雜,構(gòu)建的網(wǎng)絡(luò)邊數(shù)更多,節(jié)點(diǎn)的度值更大,所以CHF患者具有更小的PW值.而CL值反映的是構(gòu)建的網(wǎng)絡(luò)的所有節(jié)點(diǎn)之間最短路徑長(zhǎng)度的平均值,是網(wǎng)絡(luò)的全局特征,因?yàn)镃HF患者的網(wǎng)絡(luò)具有更多的邊,所有節(jié)點(diǎn)之間有更多的路徑和更短的路徑,所以CHF組具有更小的CL值.ICBN方法是對(duì)HRV在不同時(shí)頻尺度空間下的非線性特征之間的關(guān)系進(jìn)行分析,反映了充血性心力衰竭病人交感神經(jīng)和副交感神經(jīng)之間復(fù)雜的耦合關(guān)系.ICBN方法中CHF對(duì)象的WB指標(biāo)、PW指標(biāo)和CL指標(biāo)標(biāo)準(zhǔn)差均大于NSR1組,因標(biāo)準(zhǔn)差是對(duì)數(shù)據(jù)離散程度的度量,而ICBN方法是通過度量每個(gè)IMF的復(fù)雜性來實(shí)現(xiàn)對(duì)HRV信號(hào)的度量,WB指標(biāo)、PW指標(biāo)和CL指標(biāo)標(biāo)準(zhǔn)差越大表示CHF組病人的HRV信號(hào)之間差異大,自主神經(jīng)系統(tǒng)的調(diào)控越活躍,而NSR1組實(shí)驗(yàn)對(duì)象之間的差異則較小,實(shí)驗(yàn)對(duì)象的自主神經(jīng)系統(tǒng)活動(dòng)更有規(guī)律.本文的研究初步表明,ICBN方法能夠?qū)HF病人和健康人的HRV信號(hào)進(jìn)行度量并進(jìn)行區(qū)分,但其背后的生理學(xué)機(jī)制有待深入研究.

從表4和表5可知,在ICBN方法中,WB,PW和CL相對(duì)于時(shí)域指標(biāo)HRVTi和頻域指標(biāo)LF/HF具有更高的識(shí)別正確率,WB,CL和LF/HF這3個(gè)指標(biāo)組合的情況下具有最高的分類正確率.實(shí)驗(yàn)結(jié)果表明,ICBN方法提高了分類的正確率,WB,PW和CL指標(biāo),對(duì)于CHF病人的篩選具有相對(duì)于時(shí)域HRVTi指標(biāo)和頻域LF/HF指標(biāo)更好的分類效果,通過表5還可以看出不是指標(biāo)越多分類效果越好.因?yàn)橹笜?biāo)之間并不相互獨(dú)立,過多的指標(biāo)會(huì)導(dǎo)致分類器出現(xiàn)過擬合現(xiàn)象,使模型不穩(wěn)定,分類性能下降.分類正確率最高的組合中均包含本文提出的ICBN方法中的指標(biāo),表明了本文提出的ICBN方法對(duì)HRV信號(hào)的度量具有一定的應(yīng)用價(jià)值.

從表6可知,對(duì)于AF和NSR2這2組實(shí)驗(yàn)對(duì)象,所有的時(shí)域和頻域指標(biāo)中,SDNN,pNN50,RMSSD和LF/HF表現(xiàn)出了極顯著的統(tǒng)計(jì)學(xué)差異(p＜0.001),這與文獻(xiàn)[24]的研究結(jié)論相一致,所以本文選擇SDNN,pNN50,RMSSD和LF/HF作為時(shí)域和頻域指標(biāo).

從圖5可知,ICBN方法中,AF與NSR2相比,WB指標(biāo)均值增大,PW指標(biāo)均值減小,與CHF患者和NSR1的情況相同.WB指標(biāo)反映的是不同層級(jí)模態(tài)分量的波動(dòng)特性的加權(quán)值,因疾病原因,AF患者的HRV信號(hào)波動(dòng)特性更強(qiáng),信號(hào)頻率成分更復(fù)雜,所以AF患者的WB均值更大.PW指標(biāo)是網(wǎng)絡(luò)單位度值下的點(diǎn)權(quán)值,而NSR2組的HRV信號(hào)頻率成分相對(duì)AF組簡(jiǎn)單,根據(jù)LPHVG構(gòu)建的網(wǎng)絡(luò)節(jié)點(diǎn)的度值小,AF患者的HRV信號(hào)頻率成分復(fù)雜,構(gòu)建的網(wǎng)絡(luò)邊數(shù)更多,網(wǎng)絡(luò)中度值更大,所以AF患者具有更小的PW值.AF組的WB和PW指標(biāo)的標(biāo)準(zhǔn)差均大于NSR2組,因標(biāo)準(zhǔn)差是對(duì)數(shù)據(jù)離散程度的度量,而ICBN方法是通過度量每個(gè)IMF的復(fù)雜性來實(shí)現(xiàn)對(duì)HRV信號(hào)的度量的,WB和PW指標(biāo)標(biāo)準(zhǔn)差越大表示AF組病人的HRV信號(hào)之間差異越大,而NSR2組實(shí)驗(yàn)對(duì)象之間的差異則較小,HRV信號(hào)更有規(guī)律.

從表7和表8可知,在ICBN方法中,WB和PW指標(biāo)相對(duì)于時(shí)域指標(biāo)SDNN,pNN50和RMSSD,頻域指標(biāo)LF/HF具有更高的識(shí)別正確率.對(duì)于AF病人的篩選,在組合所有極顯著差異指標(biāo)后,WB,PW,pNN50,RMSSD和LFHF組合表現(xiàn)出了最高的分類正確率,且分類正確率最高的組合中均包含本文提出的ICBN方法中的指標(biāo).實(shí)驗(yàn)結(jié)果表明,ICBN方法提高了AF病人分類的正確率,對(duì)HRV信號(hào)的度量具有一定的應(yīng)用價(jià)值.還可以看出,因?yàn)橹笜?biāo)之間并非完全獨(dú)立,過多的指標(biāo)組合會(huì)導(dǎo)致分類器出現(xiàn)過擬合現(xiàn)象,反而會(huì)降低分類正確率.

ICBN分析方法首先通過ICEEMDAN方法對(duì)HRV信號(hào)進(jìn)行分解,因?yàn)榻】等撕筒∪?CHF與AF患者)的HRV信號(hào)在頻率成分上存在一定的差異,ICEEMDAN將分解出不同數(shù)量和波動(dòng)特性的IMFs,因HRV信號(hào)內(nèi)在的生理信息不能單純地通過信號(hào)分解進(jìn)行分離,因此在不同IMFs之間存在著耦合的生理信息,所以通過bubble熵對(duì)IMFs的無序特性進(jìn)行度量,然后將得到的bubble熵值通過LPHVG方法構(gòu)建成網(wǎng)絡(luò),通過對(duì)網(wǎng)絡(luò)特征的分析實(shí)現(xiàn)不同IMF之間耦合生理信息的分析.因?yàn)榻】等撕筒∪藢?gòu)建出具有不同網(wǎng)絡(luò)特征的網(wǎng)絡(luò),通過網(wǎng)絡(luò)特征WB,PW,TP,CL和MC對(duì)網(wǎng)絡(luò)進(jìn)行度量,實(shí)現(xiàn)對(duì)HRV信號(hào)的度量.ICBN方法中包含了5個(gè)指標(biāo),即WB,PW,CL,MC和TE.WB指標(biāo)反映的是不同層級(jí)IMF的波動(dòng)特性的加權(quán)值,CHF和AF患者的HRV信號(hào)頻率成分相對(duì)于健康人更復(fù)雜,因此AF和CHF患者的WB值更大.PW指標(biāo)反映的是網(wǎng)絡(luò)的單位度值下的點(diǎn)權(quán)值,健康人的HRV信號(hào)規(guī)律性強(qiáng),頻率成分簡(jiǎn)單,得到的IMF數(shù)量少,因此LPHVG構(gòu)建的網(wǎng)絡(luò)、節(jié)點(diǎn)和邊的數(shù)量少,節(jié)點(diǎn)的度值小.相反,CHF和AF患者的HRV信號(hào)頻率成分復(fù)雜,構(gòu)建的網(wǎng)絡(luò)具有更大的度值,因此具有更小的PW值.CL值反映的是構(gòu)建的網(wǎng)絡(luò)的所有節(jié)點(diǎn)之間路徑長(zhǎng)度的平均值,是網(wǎng)絡(luò)的全局特征,如果構(gòu)建的網(wǎng)絡(luò)的節(jié)點(diǎn)之間有更多的路徑和更短的路徑,則具有更小的CL值.MC指標(biāo)反應(yīng)的是網(wǎng)絡(luò)的平均聚集程度,在節(jié)點(diǎn)數(shù)相差不大的情況下,如果構(gòu)建的網(wǎng)絡(luò)具有更多的邊,則聚集程度更高.TE反映的是網(wǎng)絡(luò)的序特征,網(wǎng)絡(luò)的結(jié)構(gòu)越規(guī)則,TE值越小.WB和PW這2個(gè)網(wǎng)絡(luò)特征度量指標(biāo)的計(jì)算過程是對(duì)HRV信號(hào)不同時(shí)頻尺度下IMFs的bubble熵值直接進(jìn)行應(yīng)用,而CL,MC和TE更多的是對(duì)網(wǎng)絡(luò)結(jié)構(gòu)特征的度量,對(duì)模態(tài)分量的bubble熵值是一種間接的應(yīng)用,所以WB和PW相對(duì)于CL,MC和TE具有更好的分類效果.

5 結(jié) 論

本文首先將提出的ICBN方法和傳統(tǒng)的時(shí)域、頻域分析方法分別應(yīng)用于NSR1組和CHF組實(shí)驗(yàn)對(duì)象,結(jié)果表明,ICBN方法相對(duì)于時(shí)域和頻域指標(biāo)具有更高的識(shí)別正確率,并且本文提出的WB和CL指標(biāo)與頻域指標(biāo)LF/HF作為特征向量,通過Fisher判別方法對(duì)CHF病人識(shí)別正確率達(dá)89.66%.然后將ICBN方法、時(shí)域和頻域分析方法應(yīng)用于NSR2組和AF組實(shí)驗(yàn)對(duì)象,結(jié)果表明ICBN方法中的指標(biāo)相對(duì)于時(shí)域和頻域指標(biāo)具有更高的識(shí)別正確率.將時(shí)域指標(biāo)pNN50,RMSSD,頻域指標(biāo)LF/HF,WB和PW指標(biāo)作為特征向量,Fisher判別方法對(duì)AF患者的識(shí)別正確率達(dá)到91.86%.綜合以上實(shí)驗(yàn)結(jié)果可知,本文提出的ICBN方法具有一定的心率變異性度量能力.ICBN分析方法在不同時(shí)頻尺度空間下對(duì)非線性和非平穩(wěn)的HRV的復(fù)雜波動(dòng)特性進(jìn)行分析,是評(píng)價(jià)交感神經(jīng)和副交感神經(jīng)系統(tǒng)調(diào)節(jié)的潛在指標(biāo).ICBN分析方法的提出,為心臟自主調(diào)節(jié)的復(fù)雜波動(dòng)分析和HRV信號(hào)的度量分析提供了新的思路.