[發(fā)明專利]基于多尺度Renyi熵的心率變異性特征分類方法

在審

• 申請?zhí)枺?/td>: 201510809709.0
• 申請日: 2015-11-20
• 公開（公告）號: CN105320969A
• 公開（公告）日: 2016-02-10
• 發(fā)明（設(shè)計）人: 辛怡;母遠(yuǎn)慧;趙一璋
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明提出一種心率變異性分析方法，結(jié)合適合的分類器，能夠有效地完成對不同種類心電信號的識別分類，屬于心電信號處理領(lǐng)域。

背景技術(shù)

心率變異性是指逐次心搏間期之間的微小差異，它產(chǎn)生于自主神經(jīng)系統(tǒng)對竇房結(jié)自律性的調(diào)制。現(xiàn)有心率變異性分析主要基于時域、變換域的線性參數(shù)分析和復(fù)雜度分析等非線性參數(shù)分析。作為無創(chuàng)評估迷走神經(jīng)張力的方法，心率變異性(HeartRateVariability,HRV)分析被認(rèn)為是反映這類植物性神經(jīng)系統(tǒng)功能的有效手段，利用HRV對心動進(jìn)行自動檢測具有較高的特異性及敏感性，進(jìn)而心率變異性分析成為心房顫動(AtrialFibrillation,AF)等研究的一大熱點(diǎn)。心房顫動是臨床常見的心律失常疾病。罹患AF不僅引起患者心功能下降還會增加并發(fā)腦中風(fēng)和血栓的風(fēng)險。研究表明，陣發(fā)性房顫(PAF)患者存在著自主神經(jīng)功能紊亂的現(xiàn)象，特別是迷走神經(jīng)張力的增強(qiáng)可能是誘發(fā)陣發(fā)性房顫發(fā)作和終止的重要影響因素之一。

房顫的心率變異性時域的統(tǒng)計分析計算較為簡單，最早應(yīng)用于臨床，但此方法基于HRV信號服從特定的具有統(tǒng)計弱相關(guān)性的隨機(jī)序列的假設(shè)，在一定程度上忽視了心率間變化的關(guān)聯(lián)性信息，從而導(dǎo)致迷走神經(jīng)的張力及其均衡性的變化無法精確識別，可能會損失AF分類識別的敏感性和特異性。頻域的功率譜分析通過對HRV信號進(jìn)行頻段分割，通過各頻段能量權(quán)重反映交感神經(jīng)系統(tǒng)和副交感神經(jīng)系統(tǒng)的狀況及其均衡性態(tài)勢，但它基于平穩(wěn)信號模型，只能反映其一段時間內(nèi)總體變化信息，不能反映其動態(tài)特征和細(xì)節(jié)，對一些疾病特異性不強(qiáng)。從1992年VetterliM將小波變換應(yīng)用于濾波器，1998年黃鍔提出希爾伯特黃變換(Hilbert-Huang)后，小波分析等變換域的方法應(yīng)用到心率變異性分析中，通過時頻分析克服了傳統(tǒng)分析的弊端，并且取得了比較好的結(jié)果。但是此類方法多直接針對小波系數(shù)直接分析，屬于線性分析的范疇，缺乏結(jié)合HRV信號本身的分形結(jié)構(gòu)和混沌特征。

采用非線性方法如復(fù)雜度或熵作為表征其特征的數(shù)字指標(biāo)，如彭秋蓮等人用樣本熵和近似熵對陣發(fā)性房顫進(jìn)行了預(yù)測研究并取得了較好的結(jié)果。但這種單純的非線性分析往往是對信號整體的混沌性進(jìn)行估計，對于信噪比較低的信號則顯得無能為力。

近年來，研究者們將線性分析方法和非線性分析方法結(jié)合起來進(jìn)行心率變異性分析，這樣的組合分析方法效果都比原有方法取得了顯著提高。CheSnokov.在2008年提出將復(fù)雜度-樣本熵和譜分析結(jié)合來遠(yuǎn)距離預(yù)測陣發(fā)性房顫，但是其并沒有獲得陣發(fā)性房顫的信號特征，并且對遠(yuǎn)離房顫的信號分析處理中并沒有獲得良好的特異性。同樣，在2012年他提出將復(fù)雜度分析—樣本熵與線性變換和雙線性變換方法相結(jié)合來區(qū)分遠(yuǎn)離陣發(fā)性房顫信號和陣發(fā)性房顫信號，并且在準(zhǔn)確度、特異性和敏感性上取得進(jìn)步，但這種方法的缺陷仍難以回避。首先，該方法計算過程復(fù)雜繁瑣；其次，這種方法實(shí)際上并沒有將非線性變換和線性變換從理論上很好的結(jié)合在一起，而僅進(jìn)行了實(shí)驗(yàn)上的疊加，在沒有大量樣本驗(yàn)證的情況下，對于HRV這種個體差異性極大的生理信號，很容易出現(xiàn)偶然誤差或由個體差異性所產(chǎn)生的誤差，其結(jié)果并不具備很好的信服力。

因此需要一種算法來適應(yīng)非線性和非平穩(wěn)的生理信號，在盡可能完整提取信號的有效信息的同時又盡可能的減少噪聲影響顯然并不容易。這里考慮如果開發(fā)一種能將線性變換和非線性變換完全結(jié)合到一起的算法，能夠?qū)崿F(xiàn)在將信號的噪聲去除的同時提取出信號的有效信息和混沌性特征，無疑是一種最優(yōu)選擇。本方法在現(xiàn)有的線性分析和非線性分析方法基礎(chǔ)上，提出將小波變換和Renyi熵方法從理論和實(shí)際上結(jié)合的結(jié)構(gòu)，形成多尺度Renyi熵算法進(jìn)行心率變異性分析。Renyi熵是傳統(tǒng)香農(nóng)熵、Hartley熵及Collision熵等的一般化形式，它對特征參數(shù)進(jìn)行了范圍推廣以提高其正確性、敏感性和特異性。當(dāng)q＝1時，就是香農(nóng)熵；當(dāng)q＝2時，就是Collision熵。這種方法能夠?qū)Σ煌叨壬闲畔⒘康淖兓蜁r頻域上能量分布特性進(jìn)行定量描述，再結(jié)合SVM等分類方法，便能夠?qū)π碾娦盘栠M(jìn)行分類預(yù)測研究。

發(fā)明內(nèi)容：

鑒于現(xiàn)有算法的不足以及心率變異性信號的不確定性，本發(fā)明的目的在于解決在有效提取心率變異性信號有用特征的同時又能盡可能地減小噪聲的影響的問題。本發(fā)明提出了一種基于多尺度Renyi熵的方法來提取心率變異性信號有用特征并進(jìn)行分類識別的方法。

為了實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明提供了一種基于多尺度Renyi熵的心率變異性特征分類方法，包括如下步驟：