文摘

复杂的波动在生理信号可用于评价人体的健康。本研究招募了四组主题:年轻健康受试者(组1, ),健康上中年受试者(组2, 控制2型糖尿病患者),3组, ),与2型糖尿病控制不佳和主题(4组, )。数据采集为每个参与者持续30分钟。我们获得的数据与连续时间序列与rr (RRI)和脉冲间隔渡越时间(PTT)。使用多尺度熵cross-approximate”(MCE),我们量化两个系列之间的复杂性,从而区分年龄和糖尿病的影响生理信号的复杂性。本研究使用量化的多国评价复杂性RRI和PTT时间序列之间的关系。我们观察到的变化在年龄和疾病的影响心脏和血管之间的耦合影响心血管系统,并降低RRI和PTT系列之间的复杂性。

1。介绍

多个时间和空间尺度上产生复杂的波动在生理系统的输出信号(1]。在最近的研究转化医学(1- - - - - -5),研究人员发现,内隐式信息复杂的生理波动信号可用于评估健康状况。

许多最近的研究(2,3)采用非线性动力分析量化在心血管系统生理信号的复杂性。科斯塔et al。2)是第一个提出多尺度熵(MSE)作为一种方法来分析rr间隔(RRI)系列的健康个体和发现RRI系列年轻的人比老年人更加复杂。吴et al。3)采用相同的方法在一个检查脉搏波速度(采集),发现这些系列的复杂性减少与衰老和/或糖尿病的进展。除了时间和空间,生理系统中的“耦合行为”也会影响个体的生理信号的复杂性,如RRI或采集(6]。Drinnan et al。7)表明,脉冲传输时间(PTT) RRI和其他心血管影响变量和使用互相关函数来量化两个时间序列信号之间的相位关系的心血管系统。他们建立了PTT之间有很强的相关性,RRI健康受试者的变化。然而,平卡斯(8]声称cross-approximate熵(Co_ApEn)比互相关函数更有效的评估两个系列之间的复杂性。

尽管Co_ApEn已被广泛应用于评价两个时间序列之间的复杂性(9- - - - - -12),single-scale熵值并不一定能够识别动态生理信号的复杂性。因此,本研究试图用多尺度Co_ApEn (MCE) [13)量化同步时间序列之间的复杂的心脏功能和动脉粥样硬化的程度。我们假设将存在于RRI复杂性和PTT的一系列心血管系统由于心脏和血管之间的相互交互。此外,我们认为,复杂性降低,衰老和疾病的影响。我们使用多国评价开发指数量化两个时间序列之间的复杂性能够区分健康个体和那些有糖尿病。

2。方法

2.1。研究设计

本研究评估了年龄和糖尿病在RRI和PTT的影响。考虑到RRI和PTT非线性、心血管变量,我们测试了多国评价的适用性的研究对象,调查了这个动态参数是否可以提供进一步的信息相关的临床控制糖尿病。

2.2。主题数量和实验过程

2009年7月至2012年3月,四组的受试者招募了研究:年轻健康受试者(组1,年龄范围:18-40, )、健康上中年受试者(组2,年龄:41 - 80, 控制2型糖尿病患者),3组,年龄:41 - 80, ,6.5%的 糖化血红蛋白(HbA1c) < 8%),与2型糖尿病控制不佳和主题(4组,年龄:41 - 80, ,糖化血红蛋白 8%)(3]。其他22个受试者排除由于不完整的或不稳定的波形数据采集。所有糖尿病受试者招募从花莲医院糖尿病门诊;健康对照组被招募在同一医院健康检查项目。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 ?mg / dL或糖化血红蛋白 6.5%。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。关于药物的使用,没有显著差异(即类型。,antihypertensive, lipid-lowering, and hypoglycemic medications), dosage, and frequency among the well-controlled and poorly controlled diabetic subjects. This study was approved by the Institutional Review Board (IRB) of Hualien Hospital and National Dong Hwa University. All subjects refrained from caffeinated beverages and theophylline-containing medications for 8 hours prior to each hospital visit. Each subject gave informed consent, completed questionnaires on demographic data and medical history, and underwent blood sampling prior to data acquisition. Blood pressure was obtained once from the left arm of supine subjects using an automated oscillometric device (BP3AG1, Microlife, Taiwan) with a cuff of appropriate size, followed by the acquisition of waveform data from the second toe using a six-channel ECG-PWV [14,15如前所述。

2.3。数据收集和计算RRI和PTT系列

所有受试者允许在仰卧位在一个安静的休息,房间温度控制在25±1°C随后30分钟前5分钟测量。再次,良好的再现性的六经ECG-PWV系统[14,15)是用于波形测量从第二个脚趾。红外传感器同时应用于点的参考数据的采集。心电图(ECG)使用传统的方法测量得到。处理后通过一个模拟-数字转换器(usb - 6009采集,民族乐器,奥斯汀,TX美国)的采样频率500 ?赫兹,数字化信号存储在一个电脑。因为它的惹人注目,铅的R波二世被选为参考点:非线性波的峰值之间的时间间隔 th心动周期的footpoint左脚的脚趾脉冲被定义为PTT ( );两者之间的时差继续心电图R波的峰值被定义为RRI ( ),如图所示1。


图1
1000年从心电图信号和PPG信号连续数据点:PTT ( )是指的非线性波的峰值之间的时间间隔 th心动周期的footpoint左脚的脚趾脉冲。

使用心电图和photoplethysmography (PPG),我们获得了RRI系列 = ? 和PTT系列 = 从每个主题。检索所有的系列都从1000年连续,稳定的心电图轮廓和PPG脚趾与心动周期脉冲信号同步(14]。

由于这一趋势在生理信号(6,16),非零意味着可能包括;因此,我们利用经验模态分解(EMD) [17]解构 和 系列,从而消除这一趋势从原始系列。然后我们归一化 和 系列,见(1)。在这些方程, 和 代表系列的标准偏差 和 ,分别。复杂性分析进行归一化的结果, 和 。考虑

2.4。多尺度熵Cross-Approximate (MCE)使用规范化RRI一起和PTT系列

先前的研究[1- - - - - -3,18)使用MSE克服比较困难的比例因子1,当生理的复杂性降低由于年龄或疾病。然而,其他研究[7)已表示强烈PTT系列、RRI系列变化之间的关系;因此,我们使用多国评价调查PTT和RRI之间的相互作用。

2.4.1。粗粒度的过程和Cross-Approximate熵(Co_ApEn)

MSE涉及使用比例因子 选择,根据连续1 d系列的周期。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(1- - - - - -3,18]。使用这种方法,我们进行了粗粒度的规范化1 d连续周期的 根据比例因子系列 ,从而获得系列 和 所示(2)。然后我们计算熵值如下:

先前的研究[19,20.)使用Co_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(8,21]。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。然而,许多研究[8,19- - - - - -21将她们的研究结果发表在一个比例因子为1。获得生理的复杂性系统的深入了解,我们利用粗粒度 和 系列计算Co_ApEn在每个规模、使用(7)。我们将这种方法称为多尺度熵cross-approximate”(MCE)。算法的详细信息如下(22]。(1)对于给定 两套 向量, (2)定义向量之间的距离 , 相应的元素的最大绝对区别,如下: (3)用给定的 ,找到的价值 ( = 1, - - - - - - + 1),小于或等于 和这个数字的总数的比率 向量( - - - - - - + 1)。也就是说,吗?让 的数量 满足的要求 ,然后 措施的频率 分 模式是类似的(在一个宽容的 ) 分 模式形成的 。(4)平均的对数 在 获得 ,如下所示: (5)增加 1,重复步骤1 4获得 , 。(6)最后,把 和 分的数据,估计是 在那里? 代表了选择向量维度, 代表一个公差范围 是数据长度。以确保效率和计算的准确性,本研究的参数设置 = 3, = 0.15, = 1000。

2.4.2。RRI和PTT-Based多尺度Cross-Approximate熵指数(MCEI)对小和大尺度

的值 获得从1到20之间的一系列规模因素使用多国评价数据分析方法。的值 规模因素之间1和5被定义为规模小;那些规模因素6至20被定义为大规模[23]。多国评价的总和之间规模因素MCEI 1和5党卫军在(8),而多国评价的总和MCEI规模因素6至20LS在(9)。定义和计算这两个指标的多尺度熵cross-approximate使复杂性的评估和量化RRI和PTT不同规模的因素。考虑

2.5。多尺度熵指数(美)只使用RRI或PTT

样本熵( )被用来量化RRI的复杂性或PTT系列20尺度。的值 规模因素1和5之间被定义为规模小,而那些规模因素6至20”指的是大规模的。MSE的总和在小范围被定义为美党卫军,而大规模的MSE的总和是梅LS(3]。

2.6。统计分析

值被表示为平均值±SD。显著差异的人体测量、血流动力学和计算参数(即。、RRI PTT MCEI党卫军,MCEILS不同群体之间)测定使用一个独立的样本 以及。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。比较基本的人口和心血管参数在不同的组

表1介绍了1组和2组的基本人口参数,显示主要人口参数无显著差异除了年龄,糖化血红蛋白水平,和身体的高度。显著差异被观察到在身体质量指数(BMI)、腰围、收缩压(SBP)、脉压(PP)、糖化血红蛋白水平,与空腹血糖水平组2和组3(组3 > 2)。此外,糖化血红蛋白水平显著差异也观察到,甘油三酯、空腹血糖水平组3和4之间。

表1
人口的比较、人体测量和血清生化参数,MCEI党卫军,MCEILS在不同的人群。

3.2。MCEILS作为参数表明年龄和糖尿病控制

的值没有明显差异 (RRI)和 在任何规模(图(PTT)2),或者在 , , , 在4组(表1)。

(一)
(一)
(b)
(b)
图2
多尺度熵(MSE)分析RRI (a)和(b)的PTT时间序列显示样本熵的变化, 四组中,研究对象为不同规模的因素。符号代表的意思是每组的熵值,和酒吧代表的标准误差( ,在那里 是对象的数量)。

图3总结了多国评价的结果分析RRI和PTT时间序列的值超过1000相同的心脏周期从4组的参与者获得。的比例因子1 ( )的大小 排名如下:组1 /组3 / 4 /组2组。的价值 在所有组开始下降的比例因子2 ( )。


图3
曲线的四组使用多国评价计算(计算 1 20)连续1000 RRI和PTT时间系列。符号代表的意思是每组的熵值,和酒吧代表的标准误差( ,在那里 是对象的数量)。

开始的比例因子3 ( ),减少 在组1放缓。然而,其他组的值持续下降迅速。开始的比例因子5 ( ), 组2实现稳定的只有轻微的波动。的下降 在4组仍大于3组。(即当策划反对大规模的因素。、6 20)的大小 排名如下:组1、组2组3和4组。

MCEI党卫军只提供了一个组1和2之间的显著差异(10.18±0.52和9.42±0.70, )。组间的差异2,3,4没有达到统计学意义。相比之下,MCEILS呈现显著差异在所有四组(1组和2组:28.30±1.26和25.96±1.99, ;组2和组3:25.96±1.99和23.14±1.85, ;组3和4:23.14±1.85和20.13±1.73, )(表1)。

4所示。讨论

自平卡斯和歌手的研究(19),Co_ApEn通常被用来揭示两个同步之间的相似之处,连续变量在一个网络。这种方法也被用于研究生理信号的复杂性12,19];然而,多个时间和空间尺度上的影响产生的复杂性。因此,本研究采用多尺度Co_ApEn”(MCE)来评估心脏function-related参数之间的复杂性,RRI, atherosclerosis-related参数、PTT、心血管系统的各种学科组。

先前的研究[1,2,18)也表示,生理信号通常存在非线性和非平稳的状态。使用MSE量化复杂性在《纽约时报》系列(即一个单一类型的生理信号。、RRI或采集)表明,生理信号的复杂性随老化(2与糖尿病的影响[]或3]。在这项研究中,虽然我们使用MSE量化RRI的复杂性或PTT系列,没有显著差异 , , , 控制和poor-controlled糖尿病受试者之间。因此,血糖控制程度的影响生理信号的复杂性可能不会有效地评估根据MSE的使用在分析单一时间序列(即。、RRI或PTT)。

Drinnan等的研究(7心血管变量如RRI和PTT)表示,受复杂的生理系统和一个强大的关系之间存在PTT和RRI的变化。因此我们采用Co_ApEn结合预处理粗粒度的计算MCEI值以及同步时间序列之间的复杂性RRI和PTT。图3表明,在小规模的因素(从1到5),很难确定年龄的影响,糖尿病或血糖控制基于时间序列之间的复杂性RRI和PTT使用 。同样,MCEI党卫军表明老化只减少了两个时间序列之间的复杂性。这一发现是类似于先前的研究3]。随着比例因子的增加(从6 - 20), 开始了四个学习小组(图之间的显著差异3)。表1表明MCEILS值的年轻健康的受试者最高,而主题与2型糖尿病控制不佳是最低的。这可能是由于这一事实,心脏和血管之间的耦合效应在心血管系统根据不同年龄和疾病的影响(24,25]。换句话说,时间序列之间的复杂性RRI和PTT减少由于年龄和疾病。

虽然MCEILS可以用来量化RRI的复杂性和PTT和已被证明能够有效地识别显著差异在学习小组中,仍然存在局限性。首先,一个漫长的过程的数据采集和大量的计算和离线处理是必要的。多国评价分析包括一个30分钟的测量,而不是相对较短的时间只有RRI和PTT测量,使参与者的过程累。的本质分析postmeasurement进一步阻止受试者接受MCEI立即测试结果。其次,糖尿病患者使用的药物如低血糖、antihyperlipidemic,抗高血压药物也可能影响自主神经活动。然而,这些影响是难以评估。药物的潜在影响,因此,在本研究的统计分析没有考虑。

5。结论

本研究整合cross-approximate熵与多尺度分析的复杂性两个同步生理信号(RRI和PTT)在心血管系统。根据我们的结果,MCEILS清楚地揭示了两个生理信号的复杂性减少老龄化和糖尿病引起的。

作者的贡献

M.-T。瞧,a b。刘同样贡献相比,本研究相应的作者。

利益冲突

作者宣称没有利益冲突。

确认

作者要感谢志愿者参与这个研究让他们收集和分析数据。作者感谢德州仪器的支持,台湾,赞助的低功率仪表放大器和ADC工具。作者还要感谢水晶小姐j·麦克雷本地说英语的人,在整个论文。这项研究部分由国家科学委员会在100年授予NSC - 2221 - e - 259 - 101 - 2221 030 - my2和NSC - e - 259 - 012和国家盾跨学科集成项目没有进入大学校园。101年t924-3和102 t931-3。M.-T。是由国家安全委员会(台湾,中华民国),批准号100 - 2221 - e - 008 - 008 my2联合CGH的基础和中央,批准号cnjrf - 101 - cgh ncu a4 VGHUST102-G1-2-3和NSC支持动态生物标志物和转化医学中心,台湾国立中央大学(NSC 101 - 2911 - i - 008 - 001)。