文摘
生理信号经常显示复杂的波动(CF)在时间和空间尺度上的双重影响下,和CF可以用来评估人体健康的生理系统。本研究应用多尺度熵cross-approximate (MC-ApEn)量化之间复杂的波动的rr间隔系列和photoplethysmography振幅系列。所有受试者分为以下两类:健康上中年受试者(组1,年龄:41 - 80年,2型糖尿病患者)和上中年组2,年龄:41 - 80年,)。有显著差异的心率变异性,LHR,组1和2之间与,)。结果表明不同的笔大规模MC-ApEn (MC -)(与,)。这个参数有很好的协议pulse-pulse间隔和脉冲幅度比(PAR),简化评估压力反射活动。总之,本研究采用MC-ApEn方法,整合多个时间和空间尺度上,量化两个物理信号之间的复杂的相互作用。MC -参数可以准确反映疾病过程中糖尿病患者可能是另一种方式来评估自主神经功能。
1。介绍
在时间和空间尺度上的影响,生理信号经常显示复杂的波动(CF) [1,2]。减少CF是经常发现在老年人或病变。这一发现表明,减少生理系统的适应性是老龄化或病理现象1]。有几种传统entropy-based评估,如近似熵(ApEn),样本熵(SampEn),香农熵和Kolmogorov-Sinai (KS)熵,用来量化一个生理信号的复杂性(3]。Koskinen et al。4)使用ApEn分析脑电图扫描器麻醉学科的信号。结果表明,脑电图信号时更复杂的主题比当他们在意识状态处于无意识状态。Alcaraz和Rieta5心电图(ECG)] SampEn用来分析心房颤动(房颤)患者的录音。结果表明ECG信号的CF逐渐减少房颤的发病前60分钟。然而,一个生物体的体内平衡是动态平衡的多个生理系统。同时评估复杂的多通道信号接近真正的生理现象和可能提供一个更加敏感的检测老化或病理过程。例如,心肺耦合,通过测量心电图的rr间隔之间的交互(RRI)和呼吸时间序列,减少了在未经治疗的抑郁症患者的价格相比治疗对象(6]。Cross-approximate熵(C-ApEn) [6- - - - - -11)可以更有效地用于分析两个同时生理信号之间的复杂的相互作用[12]。
在多个时间尺度方面,生理信号是由环境影响不同的在不同的时间点1]。分析生理系统的复杂性不应局限于单一的规模,因为结果在不同时间尺度下可能提供不同但同样有价值的生理数据。多时间尺度分析时应该应用生理信号的复杂性(13]。先前的研究已经提出了集成多尺度分析方法的多尺度熵(MSE) SampEn评估CF的生理信号在不同时间尺度(14- - - - - -17]。
我们使用一个多尺度熵cross-approximate (MC-ApEn)方法来评估两个生理信号,RRI和脉冲传输时间,同时,并检查多个时间和空间尺度上的影响。它清楚地演示了一个减少这两个信号的复杂性在老年人和糖尿病(13]。在这项研究中,我们使用MC-ApEn量化其他生理信号之间的复杂的相互作用(RRI系列和photoplethysmography振幅系列、PPGA),为了区分上中年糖尿病和年龄组之间的身体健康。
2。方法
2.1。主题数量和实验过程
2009年7月至2012年3月,共有51名志愿者参与了这项研究。所有糖尿病受试者从花莲医院糖尿病门诊登记;健康对照组被招募在同一医院健康检查项目。所有受试者分为以下两类:健康上中年受试者(组1,年龄:41 - 80年,2型糖尿病患者)和上中年组2,年龄:41 - 80年,)。没有一个健康受试者个人或家族病史的心血管疾病。2型糖尿病患者被诊断为空腹血糖高于126毫克/分升或。所有糖尿病患者接受常规治疗和随访护理在两年多的诊所。本研究通过董花莲医院的机构审查委员会和国家进入大学。所有科目避免含咖啡因的饮料和theophylline-containing药物医院前8个小时的访问。每个主题给予知情同意,完成问卷调查对人口数据和医疗历史,和接受血液采样数据采集前。血液测试管理每个主题包括糖化血红蛋白(HbA1c)、空腹血糖、高密度脂蛋白(HDL),低密度脂蛋白(LDL),甘油三酸酯和胆固醇。所有受试者允许在仰卧位休息在一个安静的,温度控制的房间°C随后30分钟前5分钟测量。左臂的血压得到一次仰卧位受试者使用一个自动化的示波的装置(BP3AG1、Microlife、台湾)和一个适当大小的袖口,紧随其后的是收购从食指波形数据使用六经electrocardiogram-based脉搏波速度测量系统(如前所述)(18,19]。
2.2。数据采集
数字量脉冲信号的分通过红外传感器和连接到左食指。脉冲信号被传送到二阶带通滤波器在0.48到10赫兹的频率和低通滤波器在10赫兹的频率。ECG信号中获得领先二世和传输到陷波滤波器组在59到61赫兹和带通滤波器在0.98到19.4赫兹的频率。为了存储和分析分和心电图信号,一个usb - 6009采集(美国国家仪器、奥斯汀、TX)被用于这两个信号转化为数字信号并传送到个人电脑在500赫兹的频率。最后,我们使用8.6虚拟仪器软件(美国国家仪器、奥斯汀、TX)同时监测心电图和PPG信号。
2.3。RRI的测量和PPGA系列
PPG信号的峰值之间的电位差和山谷,峰值前,被定义为PPG信号的脉冲幅度。两者之间的时差连续心电图R波的峰值定义为RRI,每个分脉搏波的振幅差异定义为PPGA,如图1。本系列的数据长度在这项研究中被设定为。
2.4。数据消除趋势和规范化
由于这一趋势在生理信号(1,20.),非零意味着可能包括;因此,我们利用经验模态分解(EMD) [21]RRI解构和PPGA系列,从而消除这一趋势从原始系列。然后我们RRI规范化和PPGA系列1000连续数据点,如下面所示:
在这些方程,SDRRI和SDPPGA代表1000数据点RRI的标准差和PPGA,分别。同时,和代表的意思是1000数据点的系列RRI PPGA,分别。复杂性分析进行归一化的结果,nRRI和nPPGA。的和代表了th nRRI级数和点th nPPGA系列,分别。
2.5。C-ApEn中使用多个空间尺度分析
先前的研究[10,22)使用C-ApEn,一种改进的近似熵分析方法,来分析两个同步的生理时间序列,定义他们之间的关系和计算复杂性在这种关系(23,24]。该方法利用两个系列之间的动态变化来评价生理系统。相似性的变化两个系列可以用来观察生理系统的监管机制。获得生理的复杂性系统的深入了解,我们利用nRRI nPPGA系列计算C-ApEn,使用(6)。整个算法的细节如下(25]。
步骤1。对于给定两套向量,
步骤2。定义向量之间的距离和是相应的元素之间的最大绝对差异如下:
步骤3。用给定的,找到的价值(来),小于或等于和这个数字的总数的比率向量。也就是说,让相等的数量满足的要求;然后 措施的频率分nPPGA模式相似(在一个宽容的)分nRRI模式形成的。
步骤4。平均的对数在获得如下:
步骤6。最后,把理想情况。为分的数据,估计是 在哪里代表了选择向量维度,代表一个公差范围是数据长度。平卡斯的出版物(26)有效区分两个数据系列cross-approximate熵,它会更好,,。以确保效率和计算的准确性,本研究的参数设置,,。
2.6。多时间尺度分析用于MC-ApEn
多个分析包括使用比例因子选择,根据一系列一维的连续周期。这个因素使应用程序的一个粗粒度的过程能够产生一个新的系列之前的计算熵在每个新个体系列(14]。使用这种方法,我们对规范化进行粗粒度的一维连续nRRI的周期和nPPGA根据比例因子系列,从而获得nRRI系列和nPPGA所示(7)。然后我们计算如下:
重复步骤1- - - - - -6计算MC-ApEn指数量表2 - 6。的值取得了一系列规模因素1和6之间使用MC-ApEn数据分析方法。的求和值规模因素1和3之间被定义为小范围;4和6之间规模因素被定义为大规模[27]。的总和C-ApEn规模因素1和3之间定义为MC-ApEn党卫军在(8),而之和C-ApEn规模因素4和6之间定义为MC-ApEnLS在(9)。定义和计算这两个指标的多尺度熵cross-approximate使RRI的评估和量化的复杂性和PPGA不同规模的因素如下:
2.7。MSE RRI和PPGA系列
评估RRI的复杂性和PPGA系列,样本熵是用于多尺度分析6个尺度16]。样本熵的结果之间规模因素1和3被定义为小规模(SS),和那些规模因素4和6之间被定义为大规模(LS)。MSE的和小规模RRI和PPGA系列被定义为和,分别。同样,和大规模的MSE RRI和PPGA系列被定义为和,分别。
2.8。传统的心率变异性分析
通过应用频域分析的rr间隔系列的快速傅里叶变换,心率变异性(HRV)在本研究用于评估自主神经功能。低频电源(锂)被定义为频率之间的总功率在0.04到0.15赫兹的范围;也是一个高频功率(六)被定义为频率之间的总功率在0.15到0.4赫兹的范围。此外,联赛比六被定义为LHR (LFP /六氟比)、心脏自主神经功能的一个有用的指标。
2.9。Pulse-Pulse间隔和振幅比(PAR)
使用一半的最大测量值在低阈值,我们应用一阶导数等于零为每个分脉冲信号的局部最大值,我们视为每个分脉搏波的峰值。然后,PPI被定义为两个相邻峰之间的时间间隔的PPG信号。PAR被自发的序列技术测量了我们之前的出版物(28]。nRRI的相关系数,nPPGA被定义为。我们推导出值集的数量连续三nRRI增加和nPPGA的斜率,计算每组在整个数据点。标准计算的意思是所有的山坡上,值大于0.9。
2.10。统计分析
表示为平均值。显著差异的人体测量、血流动力学和计算参数(即。MSE (RRI), MSE (PPGA),,不同群体之间)测定使用一个独立的样本以及分析数据是正态分布时,如果分析数据不是正态分布,我们使用了非参数Mann-Whitney测试。评估MC-ApEn的协议和标准,我们采用Bland-Altman方法(29日)来衡量两个参数之间的协议。社会科学统计软件包(SPSS 14.0版Windows)是用于统计分析。一个被认为具有统计显著性值小于0.05。
3所示。结果
3.1。人口数据和血液生化参数两组之间
控制年龄的影响,我们招募了健康受试者在中高年龄(组1),与糖尿病患者(组2)。表1呈现出显著差异的物理参数,如腰围(与,)和脉压(与,),和生化参数包括糖化血红蛋白(与,)和空腹血糖(与,),两组之间。
3.2。由于多尺度Cross-Approximate熵分析RRI PPGA系列六个鳞片
多尺度熵cross-approximate分析的结果通过使用RRI和PPGA系列,如图2,代表规模组1和2之间的显著差异因素4到6。
3.3。比较生理的复杂性系列、PAR,组1和2之间的HRV和协议和MC-ApEn不相上下LS
在表2,有显著差异(与,),(与,),(与,)。此外,组1和2之间存在显著不同的标准(与,)。此外,LHR (HRV分析显示不同的结果与,),联赛(与,)和六氟(与,)。图3演示了一个好的协议和PAR正常化后两个参数。
4所示。讨论
表1表明,糖尿病患者更大的腰围,更高的脉压,糖化血红蛋白与健康对照组相比。我们认为这些糖尿病患者应该自主神经病变的风险更高(30.和动脉硬化和降低复杂性16]。在所有HRV参数有显著差异(LHR,锂离子和六氟)这两个组之间(表2)。它类似于发现关于糖尿病自主神经病变(30.]。与此同时,评估动脉压力反射,票面价值,糖尿病和健康受试者之间也是不同的。之前的研究没有显示压力降低糖尿病患者的活动(31日]。有趣的是,RRI的多尺度熵分析和PPGA系列显示了这两个参数的显著差异在大规模但不是在这两个族群之间的小规模。它可能表明,糖尿病降低血压心率变异性和振荡(31日]。因此,自适应分析的一个生理信号对多个时间尺度可以提供一个更加敏感的测量来检测疾病比传统的分析过程。
心电图和红外数字脉冲信号经常被称为临床应用。然而,根据最近的研究(1,2),多个时间和空间尺度上的双重影响,导致生理信号CF总是忽略了在临床工作。在这项研究中,我们使用了MC-ApEn方法考虑多个时间和空间尺度上的影响在评估之间的复杂交互RRI系列和PPGA系列。动脉压力反射起着关键作用的体内平衡血压。它提供了一个负面反馈循环主动脉弓和颈动脉窦的压力感受器脑干。高血压刺激副交感神经活动增加的压力感受器,然后减慢心率(32,33]。基于这一生理现象,压力反射敏感性(BRS)量化增量之间的关系的收缩压(SBP)和心脏interbeat间隔的变化,这可能意味着心脏的自主神经支配。之前的研究(34]显示之间的时间间隔约5胜增加血压和RRI的延长。在MC-ApEn分析的结果,也是一个巨大的区别组织规模4 - 6(图1和图22)。
最近,我们提出了一个简化的方法量化脉搏波的振幅之间的关系和pulse-pulse-interval自发序列技术,即标准。可以使用新的参数检测早期心脏自主神经病变的糖尿病患者(28]。事实上,RRI和PPGA系列之间的关系可能类似于PPI和脉冲幅度之间的关系,也不相上下,PPI和振荡之间的关系由传统的工具,如Finapres [35,36]。通过Bland-Altman分析,我们发现了一个很好的协议,不相上下(图3)。所以,也许将是一个有效的参数来评估压力反射活动。
当前的研究受到限制。一个漫长的过程的数据采集和MC-ApEn分析需要大量的计算和脱机处理而不是相对短时间测量的BRS传统方法或由我们以前提出的标准。然而,MC-ApEn双重互动提供了另一种测量血压和rr间隔在更长的时期,这将比其他两个更一致的测量。进一步药理测试或长期临床队列研究可能为未来的临床应用提供更多的信息。
5。结论
总之,本研究采用MC-ApEn方法,集多个时间和空间尺度上,量化RRI和PPGA系列之间的复杂的相互作用。这个新的参数具有良好的协议与压力感受反射活动,简化测量标准。根据我们的结果,MC-ApEn可以作为一种有用的方法来评估自主神经功能。
确认
本研究在一定程度上支持由国家科学委员会授予NSC号102 - 2221 - e - 259 - 004和国家安全委员会101 - 2221 - e - 303 - 002和国家盾华大学校园跨学科整合项目号,101 t924-3和102 t931-3。