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) (東北大學計算機科學與工程學院,沈陽 110819)

2) (中國科學院沈陽自動化研究所,機器人學國家重點實驗室,沈陽 110016)

3) (中國科學院機器人與智能制造創新研究院,沈陽 110169)

1 引 言

心率變異性(heart rate variability,HRV)是指逐次心跳間期的波動,常用來評估自主神經系統(autonomic nervous system,ANS)對心臟活動的調節作用,是評價自主神經活動的重要無創指標,HRV的分析能夠了解ANS在心臟發病過程中的作用[1-3].

傳統的HRV分析方法集中于時域和頻域分析[4-6].時域分析法主要是利用相鄰正常心跳間隔的標準差(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數除以相鄰正常心跳間隔直方圖的高度(HRV triangular index,HRVTi)等指標對HRV進行評價.頻域分析法是把HRV分解為不同的頻率成分,并將其相對強度定量為功率,提供了各種頻率成分的功率譜測定,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.然而,時域指標不能表達出HRV信號的時變特性,所以對自主神經系統的反映十分有限,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.時域和頻域的分析方法都是對HRV信號做線性分析,很難透過HRV信號的非線性本質[7,8].因此,通過非線性分析方法對HRV進行分析得到了廣泛的研究,包括Poincaré散點圖[9]、去趨勢波動分析[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的無序波動中,包含了心臟活動中有序的內在動力學特性,而熵測度能夠度量心臟活動的這種有序程度,所以在HRV信號的研究中,熵分析法得到了廣泛的應用.但對HRV信號直接進行熵測度分析忽略了信號內部的波動細節.為了增強對HRV信號內部細節的觀察,文獻[15]把經驗模態分解(empirical mode decomposition,EMD)方法與熵分析方法相結合,但該方法忽略了殘差信號,同時沒有考慮不同本征模態函數(intrinsic mode function,IMF)之間的耦合關系,造成了信息量的丟失,而且EMD分解算法存在模態混疊和端點效應等不足.

目前,對HRV信號的分析研究中,并沒有對不同時頻尺度下的HRV信號之間的耦合關系進行分析.本文根據非線性和非平穩的HRV信號在不同時刻具有不同頻率成分的特點,提出了一種基于改進的自適應噪聲完備集合經驗模態分解(improved complete ensemble EMD with adaptive noise,ICEEMDAN)和bubble熵(bubble entropy)的復雜網絡(complex network,CN)映射的HRV度量方法-ICBN方法,該方法主要研究不同時頻尺度空間下的HRV信號之間的耦合關系.本研究先通過ICEEMDAN對HRV信號進行時頻尺度化,然后將得到的不同時頻段間的IMF分別計算bubble熵值,構建熵值向量,根據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雜網絡,通過網絡參數特征對不同時頻尺度空間化下的IMF間的耦合關系進行度量,從而實現對HRV信號的度量.

2 研究對象與方法

本文的實驗方法結構如圖1所示.首先,對帶有人工校準的心跳標注和時間戳的文件進行HRV提取,并進行片段分割; 然后,通過時域分析、頻域分析、ICBN方法對HRV信號進行分析,提取時域、頻域指標和耦合特征指標; 最后,通過統計分析和交叉校驗對各特征的分類性能進行對比分析.

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

2.1 研究對象

實驗數據取自PhysioNet提供的數據集[18].在這里共使用了4個數據集.第一個數據集是chf2,包含29個患有充血性心力衰竭(congestive heart failure,CHF)病人的長時心電信號(electrocardiogram,ECG),患者年齡從34到79歲.第二個數據集是nsr2,包含54個正常竇性心律(normal sinus rhythm,NSR)對象的長時ECG信號,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.第三個數據集是nsr,包含18個正常竇性心律的長時ECG信號,包括男性5名,年齡從26到45歲,女性13名,年齡從20到50歲.第四個數據集是ltaf,包含84個房顫心律失常(atrial fibrillation,AF)患者的長時ECG信號.原始ECG信號的采樣頻率是128 Hz,每個信號都帶有人工校準的心跳標注,從而可以獲得用于數據分析的RR間期序列,即HRV信號(圖2).為了排除晝夜節律對信號分析的影響,文獻[19]采用上午清醒時間段的信號進行分析,本文采用同樣的方法進行實驗.

2.2 時域、頻域分析方法

時域分析的統計特征如表1所示,包括SDNN,RMSSD,pNN50,HRVTi這4個時域特征指標.

本文采用Lomb-Scamble周期圖法計算功率譜密度,相對基于FFT的方法具有更高的估計精度[20].本文計算的頻域特征包括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個頻域特征指標.具體的描述與定義如表2所示.

圖2 HRV信號獲得示意圖Fig.2.Schematic of obtaining HRV signal.

2.3 ICBN分析方法

本文提出的ICBN分析方法的實現過程如圖3所示.首先,讀取帶有人工校準標注的數據文件并提取HRV信號,根據標注文件剔除異常點; 然后,通過ICEEMDAN對提取的HRV信號在不同時頻尺度下進行分解,得到不同時頻尺度空間下的IMF; 再通過計算每個IMF的bubble熵值,構建bubble熵向量,對熵向量進行網絡的映射; 最后,通過對網絡的特征進行計算,完成對HRV信號在不同時頻尺度下的耦合特征分析.

2.3.1 RRs提取

獲取帶有人工標注的ECG信號文件和人工標注的注釋文件,提取每個對象上午清醒時間段1 h長的HRV信號,定義為x(i),1≤i≤N,i∈Z,其中N表示信號長度.

2.3.2 ICEEMDAN分解

ICEEMDAN基于EMD方法提出,是針對非線性和非穩態數據的自適應分析方法,它改善了EMD方法的模態混疊效應,減少了IMF中的噪聲成分,同時豐富了IMF的物理意義[21].對于輸入HRV信號x,ICEEMDAN對其分解的具體實現過程如下.

1)對于j=1,2,···,J,通過EMD分解得到第一個殘差:

2)在第一階段k=1 ,計算第一個模態分量:

表1 時域分析統計特征Table 1.Statistical features in time domain.

表2 頻域分析統計特征Table 2.Statistical features in frequency domain.

圖3 ICBN分析方法實現過程框圖Fig.3.Implementation process of ICBN analysis method.

3)對于j=1,2,···,J,通過EMD分解得到第二個模態分量為

4)對于k=3,···,K,計算第k個殘差:

5)計算第k個模態分量:

6)對下一個k回到步驟4).

重復4)到6),直到獲取的殘差不能繼續被EMD分解,則輸入信號被分解為

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

2.3.3 計算IMFs的bubble熵

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

將 IMFk嵌入一個m維空間,對于每一個imfk(i),進行相空間重構,得到

其中L和m分別為延遲因子和嵌入維數.將IMFk(i)的m個重構分量[imfk(i),imfk(i+L),···,imfk(i+(m-1)L)]使用冒泡排序法,按照升序進行重新排列,統計每一個重構分量的必要交換次數nj(j=1,2,···,m),在bubble熵的計算中,L=1 ,所以m維矢量的個數為N-m+1 ,計算其對應次數出現的概率嵌入維數m根據文獻[14]設置為15.

Renyi排列熵可根據如下公式計算:

條件排列熵可根據如下公式計算:

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

根據公式(8),(9)和(10)得bubble熵的計算公式為

其中 1/log(m+1/m-1) 是歸一化因子.

對于模態分量IMFs=[IMF1,IMF2,···,IMFK],得到bubble熵值向量BE=[be1,be2,···,beK].

2.3.4 Bubble熵網絡的映射

LPHVG具有相對更強的連接性,進而在較小的時間尺度上可以更多地反應信號的內在信息和特征,同時不影響對序列長程波動趨勢的影響[16,17],因此本文選擇LPHVG方法構建bubble熵網絡.

對于時間序列x(i),1≤i≤N,i∈Z,通過ICEEMDAN在不同時頻尺度上分解出IMFs,IMFs=[imf1,imf2,···,imfK],對每一個IMF進行非線性分析計算出bubble熵值,得到向量BE=[be1,be2,···,beK],根據LPHVG,將 BE 向量映射成網絡G=(V,ξ).通過對網絡G=(V,ξ) 的特征參數進行計算,完成對IMFs之間的耦合關系分析,其中節點集合為V={v1,v2,···,vK},ξ?{(vδ,v?)：vδ,v?∈V,vδ=v?}是邊所構成的集合,且 (vδ,v?)∈ξ?(v?,vδ)∈ξ,|V| 表示圖G的階.定義W=[wδ?]為圖G的加權鄰接矩陣,其中wδ?=0?(vδ,v?)∈ξ,2個節點vδ和v?的權值分別為 beδ和 be?,定義節點vδ和v?之間邊的權值為

節點vδ的鄰居集合定義為Tδ={v?∈V：wδ?=0}={v?∈V：(vδ,v?)∈ξ},節點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|],根據節點之間的邊權值,節點vδ的點權值Sδ定義為與它關聯的邊權值之和,即圖G的點權矩陣定義為SG=[s1,s2,···,sK].

2.3.5 計算網絡特征指標

在將bubble熵值向量映射為加權網絡后,對5個復雜網絡參數進行考察,分別為平均集聚系數MC,特征路徑長度 CL ,網絡拓撲熵 TE ,網絡層級加權值 WB ,平均點權值 PW.

平均集聚系數 MC : 平均集聚系數是指在網絡中與同一個節點連接的2個節點之間相互連接的平均概率,該系數用來刻畫網絡的局域結構性質[22].

其中,與節點vδ直接相連接的節點數為 |Tδ| ,κδ為所有與節點vδ相連接的節點之間直接相連接的邊數.

特征路徑長度 CL : 特征路徑長度表示所有節點之間距離的平均值,它描述了網絡中節點間的平均分離程度,即網絡有多小[22].

網絡標準拓撲熵TE: 網絡拓撲熵可以更簡潔的度量網絡的序狀態,對網絡拓撲熵進行歸一化得到網絡標準拓撲熵,其定義為[23]

針對IMFs的bubble熵網絡的實際物理意義,本文在構建的bubble熵網絡的基礎上提出2個網絡特征,分別是網絡層級加權值 WB 和平均點權值PW.

網絡層級加權值WB: 網絡層級加權值以不同權值,對不同層級地位的網絡節點的權值總量進行計算,圖G中節點vδ的δ表示IMF的層級位置,每個節點vδ的權值為 beδ,則網絡層級加權值為

平均點權值PW: 用來刻畫網絡中點權值的平均分布情況,定義為圖G的點權向量SG=[s1,s2,···,sK]除以度向量DG=[d1,d2,···,dK].

3 實驗分析

采用上述的時域、頻域分析方法和本文提出的ICBN分析方法,分別對不同人群的HRV信號進行分析,然后通過T檢驗對各類特征分別進行差異分析,并取p＜0.001 的特征作為最終的極顯著差異特征進行分類,最后通過Fisher判別模型對實驗對象進行識別.為了得到更加可靠、穩定的結果,采用留一法交叉檢驗實驗的平均值作為最后的識別結果.

3.1 應用于健康人和CHF患者的HRV

首先對如下兩組HRV信號進行分析,即CHF組和NSR1組,其中CHF組采用chf2數據集的29例CHF患者; NSR1組采用nsr2數據集的前29例健康人.

3.1.1 NSR1和CHF的HRV信號差異性分析

HRV信號時域、頻域特征和ICBN分析方法計算的IMF間耦合特征的均值和標準差如表3所示.從NSR1和CHF這2類人群的對比中可以看出,WB,PW,CL,HRVTi,LF/HF具有極顯著統計學差異(p＜0.001); TE,MC指標具有顯著統計學差異(p＜0.01).其中,耦合特征中WB,PW和CL具有極顯著的統計學差異(p＜0.001); 時頻域指標中HRVTi和LF/HF具有極顯著的統計學差異(p＜0.001).

圖4是具有極顯著差異的特征的均值和標準差.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WB,PW和CL,在CHF對象中表現出了更高的標準差,而時域指標HRVTi和頻域指標LF/HF,在NSR1對象中表現出了更高的標準差.

3.1.2 CHF病人的識別

通過Fisher判別模型對NSR1和CHF這2組HRV信號進行分類,實現對不同指標分類性能的驗證.分類結果通過正確率(accuracy,Acc)、靈敏度(sensitivity,Sen)、特異度(specificity,Spe)、ROC曲線下的面積(area under curve,AUC)來進行評價.實驗結果如表4所列,通過單獨的每個特征進行分類時,WB,PW,CL,HRVTi和LF/HF這5個特征之中,WB表現出了更高的Acc,Sen和AUC,分別是79.3%,90.48%和81.72%,LF/HF表現出了更高的Spe,為80.95%.

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

圖4 NSR1和CHF這2組對象具有極顯著差異的指標的均值與標準差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識別性能對比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個指標WB,PW,CL,HRVTi和LF/HF中的所有2,3,4,5個指標的組合作為特征,通過Fisher判別模型對NSR1和CHF病人進行分類,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表現出了最高的Acc和Spe,分別是89.66%和92.59%,WB&PW表現出了最高的Sen和AUC,分別是100%和90.28%.

表5 不同特征組合的CHF識別性能對比Table 5.Performance comparisons of different indices for CHF recognition.

3.2 應用于健康人和AF患者的HRV

對如下2組HRV信號進行分析: AF組采用ltaf數據集的前43例患者,為了和AF組形成公平對比,并和上一組實驗進行區分,NSR2組采用nsr數據集的18例健康人和nsr2數據集的后25例健康人,共43個實驗對象.

3.2.1 NSR2和AF的HRV信號差異性分析

NSR2組和AF組的HRV信號時域、頻域和ICBN指標如表6所列.從NSR2和AF這2類人群的對比可知,WB,PW,SDNN,pNN50,RMSSD和LF/HF具有極顯著統計學差異 (p＜0.001);CL,HRVTi,TP,LF和HF指標具有顯著統計學差異(p＜0.01); TE和 MC指標具有統計學差異(p＜0.05).其中,耦合特征中WB和PW具有極顯著的統計學差異(p＜0.001); 時頻域指標中SDNN,pNN50,RMSSD和LF/HF具有極顯著的統計學差異(p＜0.001).

圖5是具有極顯著差異特征的均值和標準差.從圖5中可以看出,具有極顯著差異的指標中,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WB和PW,時域指標SDNN,pNN50和RMSSD在AF對象中表現出了更高的標準差,頻域指標LF/HF在NSR2對象中表現出了更高的標準差.

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

圖5 NSR2和AF這2組對象具有極顯著差異的指標的均值與標準差Fig.5.Mean and variance of the indicators with very significant differences between the two groups of NSR2 and AF.

3.2.2 AF患者的識別

通過Fisher判別模型對NSR2和AF這2組HRV信號進行分類,實現對不同指標分類性能的驗證.實驗結果如表7所示,通過單獨的每個特征進行分類時,WB,PW,SDNN,pNN50,RMSSD和LF/HF這6個特征之中,PW表現出了最高的Acc,Sen和AUC,分別是83.72%,96.77%和86.57%,LF/HF表現出了最高的Spe,是96.00%.

表7 不同特征的AF識別性能對比Table 7.Performance comparisons of different indices for AF recognition.

表8 不同特征的AF識別性能對比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個指標的所有2,3,4,5,6個指標的57種組合作為特征,通過Fisher判別模型對NSR2和AF病人進行分類,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表現出了最高的Sen,為97.3%.

4 討 論

本文首先研究比較了NSR1組對象和CHF患者HRV信號時域、頻域指標和ICBN指標之間的差異,然后又對另一NSR2組對象和AF患者進行了同樣的分析.

從表3可知,對于CHF和NSR1這2組實驗對象,所有的時域和頻域指標中,HRVTi和LF/HF表現出了極顯著的統計學差異(p＜0.001).CHF與NSR1相比,時域指標HRVTi顯著減小,表明充血性心力衰竭病人心臟活動發生變化,交感神經活動增強,副交感神經活動下降,頻域指標LF/HF的下降反應了交感神經和副交感神經系統活動的均衡狀態發生變化,這與文獻[4,6]的研究結論相一致,因此本文選擇HRVTi和LF/HF作為時域和頻域的識別指標.

從圖4可知,ICBN分析方法中,CHF與NSR1相比,WB指標均值增大,PW指標和CL指標均值減小.WB指標反映的是不同層級模態分量的波動特性的加權值,CHF患者的HRV信號波動特性相對NSR1組的健康人更強,信號頻率成分更復雜,所以CHF患者的WB均值更大.PW指標反映的是模態分量的波動特性在整個網絡中的分布情況,而NSR1組對象的HRV信號頻率成分更簡單,根據LPHVG構建的網絡節點的度值較小,CHF患者的HRV信號頻率成分復雜,構建的網絡邊數更多,節點的度值更大,所以CHF患者具有更小的PW值.而CL值反映的是構建的網絡的所有節點之間最短路徑長度的平均值,是網絡的全局特征,因為CHF患者的網絡具有更多的邊,所有節點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HRV在不同時頻尺度空間下的非線性特征之間的關系進行分析,反映了充血性心力衰竭病人交感神經和副交感神經之間復雜的耦合關系.ICBN方法中CHF對象的WB指標、PW指標和CL指標標準差均大于NSR1組,因標準差是對數據離散程度的度量,而ICBN方法是通過度量每個IMF的復雜性來實現對HRV信號的度量,WB指標、PW指標和CL指標標準差越大表示CHF組病人的HRV信號之間差異大,自主神經系統的調控越活躍,而NSR1組實驗對象之間的差異則較小,實驗對象的自主神經系統活動更有規律.本文的研究初步表明,ICBN方法能夠對CHF病人和健康人的HRV信號進行度量并進行區分,但其背后的生理學機制有待深入研究.

從表4和表5可知,在ICBN方法中,WB,PW和CL相對于時域指標HRVTi和頻域指標LF/HF具有更高的識別正確率,WB,CL和LF/HF這3個指標組合的情況下具有最高的分類正確率.實驗結果表明,ICBN方法提高了分類的正確率,WB,PW和CL指標,對于CHF病人的篩選具有相對于時域HRVTi指標和頻域LF/HF指標更好的分類效果,通過表5還可以看出不是指標越多分類效果越好.因為指標之間并不相互獨立,過多的指標會導致分類器出現過擬合現象,使模型不穩定,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,表明了本文提出的ICBN方法對HRV信號的度量具有一定的應用價值.

從表6可知,對于AF和NSR2這2組實驗對象,所有的時域和頻域指標中,SDNN,pNN50,RMSSD和LF/HF表現出了極顯著的統計學差異(p＜0.001),這與文獻[24]的研究結論相一致,所以本文選擇SDNN,pNN50,RMSSD和LF/HF作為時域和頻域指標.

從圖5可知,ICBN方法中,AF與NSR2相比,WB指標均值增大,PW指標均值減小,與CHF患者和NSR1的情況相同.WB指標反映的是不同層級模態分量的波動特性的加權值,因疾病原因,AF患者的HRV信號波動特性更強,信號頻率成分更復雜,所以AF患者的WB均值更大.PW指標是網絡單位度值下的點權值,而NSR2組的HRV信號頻率成分相對AF組簡單,根據LPHVG構建的網絡節點的度值小,AF患者的HRV信號頻率成分復雜,構建的網絡邊數更多,網絡中度值更大,所以AF患者具有更小的PW值.AF組的WB和PW指標的標準差均大于NSR2組,因標準差是對數據離散程度的度量,而ICBN方法是通過度量每個IMF的復雜性來實現對HRV信號的度量的,WB和PW指標標準差越大表示AF組病人的HRV信號之間差異越大,而NSR2組實驗對象之間的差異則較小,HRV信號更有規律.

從表7和表8可知,在ICBN方法中,WB和PW指標相對于時域指標SDNN,pNN50和RMSSD,頻域指標LF/HF具有更高的識別正確率.對于AF病人的篩選,在組合所有極顯著差異指標后,WB,PW,pNN50,RMSSD和LFHF組合表現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.實驗結果表明,ICBN方法提高了AF病人分類的正確率,對HRV信號的度量具有一定的應用價值.還可以看出,因為指標之間并非完全獨立,過多的指標組合會導致分類器出現過擬合現象,反而會降低分類正確率.

ICBN分析方法首先通過ICEEMDAN方法對HRV信號進行分解,因為健康人和病人(CHF與AF患者)的HRV信號在頻率成分上存在一定的差異,ICEEMDAN將分解出不同數量和波動特性的IMFs,因HRV信號內在的生理信息不能單純地通過信號分解進行分離,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IMFs的無序特性進行度量,然后將得到的bubble熵值通過LPHVG方法構建成網絡,通過對網絡特征的分析實現不同IMF之間耦合生理信息的分析.因為健康人和病人將構建出具有不同網絡特征的網絡,通過網絡特征WB,PW,TP,CL和MC對網絡進行度量,實現對HRV信號的度量.ICBN方法中包含了5個指標,即WB,PW,CL,MC和TE.WB指標反映的是不同層級IMF的波動特性的加權值,CHF和AF患者的HRV信號頻率成分相對于健康人更復雜,因此AF和CHF患者的WB值更大.PW指標反映的是網絡的單位度值下的點權值,健康人的HRV信號規律性強,頻率成分簡單,得到的IMF數量少,因此LPHVG構建的網絡、節點和邊的數量少,節點的度值小.相反,CHF和AF患者的HRV信號頻率成分復雜,構建的網絡具有更大的度值,因此具有更小的PW值.CL值反映的是構建的網絡的所有節點之間路徑長度的平均值,是網絡的全局特征,如果構建的網絡的節點之間有更多的路徑和更短的路徑,則具有更小的CL值.MC指標反應的是網絡的平均聚集程度,在節點數相差不大的情況下,如果構建的網絡具有更多的邊,則聚集程度更高.TE反映的是網絡的序特征,網絡的結構越規則,TE值越小.WB和PW這2個網絡特征度量指標的計算過程是對HRV信號不同時頻尺度下IMFs的bubble熵值直接進行應用,而CL,MC和TE更多的是對網絡結構特征的度量,對模態分量的bubble熵值是一種間接的應用,所以WB和PW相對于CL,MC和TE具有更好的分類效果.

5 結 論

本文首先將提出的ICBN方法和傳統的時域、頻域分析方法分別應用于NSR1組和CHF組實驗對象,結果表明,ICBN方法相對于時域和頻域指標具有更高的識別正確率,并且本文提出的WB和CL指標與頻域指標LF/HF作為特征向量,通過Fisher判別方法對CHF病人識別正確率達89.66%.然后將ICBN方法、時域和頻域分析方法應用于NSR2組和AF組實驗對象,結果表明ICBN方法中的指標相對于時域和頻域指標具有更高的識別正確率.將時域指標pNN50,RMSSD,頻域指標LF/HF,WB和PW指標作為特征向量,Fisher判別方法對AF患者的識別正確率達到91.86%.綜合以上實驗結果可知,本文提出的ICBN方法具有一定的心率變異性度量能力.ICBN分析方法在不同時頻尺度空間下對非線性和非平穩的HRV的復雜波動特性進行分析,是評價交感神經和副交感神經系統調節的潛在指標.ICBN分析方法的提出,為心臟自主調節的復雜波動分析和HRV信號的度量分析提供了新的思路.