文摘

心电图(ECG)信号分析受到特别关注的研究人员在最近的过去,因为它能泄露重要信息关于心脏的电生理和自主神经系统活动以非侵入性的方式。心电信号的分析已经探索了使用线性和非线性方法。然而,ECG信号的非线性方法分析越来越受欢迎,因为他们的鲁棒性特征提取和分类。目前的研究提供了一个审查的非线性信号分析方法,即重构相空间分析、李雅普诺夫指数,相关维度,去趋势波动分析(DFA),复发情节,庞加莱图,近似熵和样本熵及其最近ECG信号的应用分析。

1。介绍

在过去的几十年里,心电图信号广泛分析众多心血管疾病的诊断1,2]。除此之外,心电图信号处理提取RR间隔,已报道透露信息的影响心脏自主神经系统活动通过心率变异性(HRV)分析(3,4]。HRV指变异的研究之间的时间间隔连续心跳和瞬时心率(5]。的重要一步的分析心电信号的提取是临床相关特性包含所有原始ECG信号的相关信息,因此,可以作为代表的信号进行进一步分析6,7]。特性可以从心电信号中提取使用时域,频域和联合时频域分析方法,包括非线性方法(7- - - - - -9]。心电信号的分析使用非线性信号分析方法得到了特别的关注近年来研究人员的7- - - - - -9]。ECG信号的非线性方法分析得出他们的动机从非线性动力学的概念10,11]。这可能归因于这样一个事实:生物医学信号像心电图可以产生的非线性动力系统(12]。动力系统是一个系统,随时间变化(9]。然而,动力系统也可以被定义为一个迭代的物理系统,随时间发生进化的方式可用来预测系统的未来状态之前的状态(13]。动力系统的基础形式非线性信号分析的方法(14]。高度探索非线性信号分析方法包括重构相空间分析、李雅普诺夫指数,相关维度,去趋势波动分析(DFA),复发情节,庞加莱图,近似熵,熵和示例。本研究试图提供一个理论背景上述非线性方法和最近的应用程序(近5年)的心电图信号的分析诊断疾病,了解外部刺激的影响(例如,低频噪声和音乐),和人类生物认证(图1)。

2。动力系统

动力系统的基础形式非线性信号分析方法(15- - - - - -17]。动力系统的研究在许多领域中得到了很好的应用物理学(15- - - - - -17)、工程(15)、生物学和医学(16]。一个动力系统可以被定义为一个系统,其状态可以通过一组描述时变(连续或离散)变量由数学法则(17]。这样一个系统是确定性如果当前时间和状态变量的值可以完全描述系统的状态下瞬间的时间。另一方面,动力系统被认为是随机的,如果当前值的时间和状态变量描述的概率只有状态变量的值随时间的变化(18- - - - - -20.]。动力系统也可以被分类为线性或非线性系统。一个系统被认为是线性变化时的一个变量成正比的变更相关的变量。否则,它被认为是非线性(18]。线性和非线性系统之间的主要区别是,线性系统更容易分析。这可以归因于这样一个事实:线性系统与非线性系统,便于系统的分解成部分,进行各个部分的分析,最后结合部分获得系统的解决方案(21]。一组耦合一阶自治微分方程(1)用于数学描述一个连续时间的进化动力系统(22]。 在哪里=向量代表系统的动力学变量,=向量对应的参数=向量场的组件动态规则动态变量的性质。

一个系统涉及任何非自治微分方程Rⁿ可以转化为一个自治微分方程R^{n +1}(23]。强制Duffing-Van der波尔振荡器一直被视为一个非线性动力系统的一个著名的例子,由一个二阶非自治微分方程描述(14,23]。 在哪里μ,f,w代表的参数。

这种时滞微分方程可以被转换成一组耦合一阶自治微分方程(3),(4)和(5)通过描述3动态变量,x₁=y,x₂= ,x₃=wt(23]。

离散时间动态系统是由一组耦合一阶自治差分方程描述(14,23,24]。 在哪里=描述动态规则和向量n=整数代表时间。

可以获得一个离散动力系统的连续动力系统通过采样的解决方案在一个固定的时间间隔T,动态规则代表的连续采样值之间的关系被认为是一个动态变量时间T的地图。解决方案的取样连续动力系统的Rⁿ维空间的连续横路口Rⁿ⁻¹维表面的部分还导致一个离散动力系统的形成。在这种情况下,动态规则代表的连续采样值之间的关系被认为是一个动态变量庞加莱映射或者一个第一个返回地图。迫使Duffing-Van der波尔振荡器,庞加莱映射等于时间T的地图与 当一个被定义为表面部分 与 (14,22,23]。

一般来说,随机性被认为是与噪声(不必要的外部扰动如电源线干扰)。然而,它已被报道在过去的几十年里,大部分的动力系统是确定性的非线性性质和他们的解决方案可以作为结果的统计学随机投硬币(即第一一个无偏。头或尾)(23]。这个统计随机性被认为是确定性的混乱,它允许开发模型描述的系统产生的随机信号。

根据文献报道,随机信号产生的噪音从根本上不同于随机信号产生少量的确定性动力系统的动力学变量(25]。它们之间的区别使用统计方法无法分析。相空间reconstruction-based动力系统分析被研究人员为此推荐(12]。

3所示。非线性动力系统的分析技术

3.1。重构相空间分析的动力系统

相空间是一个抽象的多维空间,用于以图形方式表示所有可能状态的动力系统(23]。相空间的维数是变量的数量需要完整地描述系统的状态(19,26]。其轴描述系统的动态变量的值(26]。如果实际数量的变量控制动力系统的行为是未知的,那么相空间情节由时滞嵌入重构,基于了定理的概念(19]。这个定理指出,如果系统的动力学是由一系列相互依赖的变量(即。,其动态多维),只有一个变量的系统,说,x(例如,访问。,only one dimension can be measured), then it is possible to reconstruct the complete dynamics of the system from the single observed variablex通过绘制其价值观对自己一定数量的次一个预定义的时间延迟(27]。方等。(28)报道,可以视为拓扑重构相空间相当于原来的系统,因此,可以恢复的非线性动力学系统。

让我们考虑所有观察到的变量的值x是由向量 。 在哪里n=时间序列的点数量。

如果d是真正的/估计系统的嵌入维数(即。,number of variables governing the dynamics of the system), then each state of the system can be represented in the phase space by thed维向量的形式给出如下: 在哪里τ=时间滞后,≤1我≤n−(d−1)τ。

总共类向量的数量了,可以安排在一个矩阵V(9)[26,27]。在矩阵V列、行指数表示时间和指数指相空间的一个维度。

这组向量形式整个重构相空间(12,26]。 对应的行d维相空间向量和列代表了时滞的初始版本向量的点 。

这两个因素,即嵌入维数(d)和时间延迟(τ)在重建中发挥重要作用的动力系统的相空间(29日,30.]。嵌入维度确定最近的邻居(使用错误的方法12)或曹的方法(29日)或经验(30.]。假近邻法被认为是最受欢迎的方法确定最优嵌入维数(31日]。这个方法的原理是基于对彼此挨得很近的点在最优嵌入维数米仍将彼此接近的尺寸吗米进一步增加。然而,如果米很小,然后点位于远似乎是邻居由于投影到一个低维空间。在这种方法中,邻居们都在增加检查嵌入维度直到数量微不足道的错误的邻居发现而从维度米来米+ 1。这产生的维度米被认为是最优嵌入维数。

时间延迟通常决定使用第一个最低的平均互信息函数(AMIF) [32)或第一个零交叉的自相关函数(ACF) [33)或经验。ACF的实现是计算方便,不需要大数据集。然而,据报道,使用ACF并不适合于非线性系统,因此AMIF应该用于计算最优时间延迟(34,35]。对于离散时间信号,AMIF可以定义如下36]: 在哪里X= {x_我},Y= {y_j}是离散时间变量,发生的概率是X,发生的概率是Y, 发生的概率是两个X和Y。

让我们考虑一个RR间隔(RRI)时间序列中提取的5分钟心电图记录一个人(27岁的印度男性志愿者)消费大麻(图2)。心电图信号使用商业化收购单一导致心电图传感器(美国游标软件&技术)和存储在笔记本电脑使用数据采集设备(美国国家仪器NI USB 6009)。设备的采样率是1000赫兹。获得的RRI时间序列提取心电图信号使用生物医学工作台工具包的虚拟仪器(美国国家仪器)。最优值的确定这个RRI时间序列嵌入维的假最近的邻居的方法显示在图3。的确定适当的延时值(通过的第一个最低AMIF)上述RRI时间序列如图4。

重构相空间中的每个点的系统描述了一个潜在的系统状态。系统从任何时候开始进化的相空间(视为系统的初始状态/条件),在系统的动态轨迹由方程(19]。一个动态轨迹描述的变化率随着时间的推移,系统的状态。所有可能的轨迹,对于给定的初始条件,形成系统的流动。每一个轨迹相空间的占据了一个亚区,称为一个吸引子。一个吸引子也可以被定义为一个点集(指示稳定状态)在相空间中,通过系统随着时间的迁移38]。三维吸引子RRI时间序列(在图表示2)如图5。

每个吸引子与吸引力的盆地,代表所有系统的初始状态/条件可以去那个特殊的吸引子(38]。可以吸引点,曲线,集合管,或复杂的对象,称为奇怪吸引子。奇怪吸引子是一个吸引子noninteger维度。

3.2。李雅普诺夫指数

非线性动力系统对初始条件极为敏感,也就是说,一个小变化状态变量在瞬间将导致一个大的变化在未来的行为系统即时的时间。这是可视化重构相空间的相邻轨迹发散广泛从最初的关闭位置或收敛。李雅普诺夫指数的定量测量的平均利率差异或收敛40]。他们提供一个估计的时间系统的行为是可以预测的混沌行为盛行之前(9]。正的李雅普诺夫指数的值表明,相空间轨迹发散(即。,密切点位于初始状态迅速互相分离的我th方向)和系统正在丧失其可预测性,表现出混乱的行为(41,42]。另一方面,消极的李雅普诺夫指数的值代表的平均速率收敛的相空间轨迹。例如,在一个三维系统,这三个李雅普诺夫指数提供信息立方体的体积的进化和它们的和指定如何超立方体多维吸引子演化。积极的和李雅普诺夫指数代表了超立方体的传播速度,反过来,表示单位时间内增加的不可预测性。最大的正面(主导)李雅普诺夫指数主要支配其动力学(43]。

如果和代表两个邻国之间的欧几里得距离点的相空间我th方向0和实例t分别之后,李雅普诺夫指数可以被定义为平均增长最初的距离(23,44]。 在哪里平均增长的初始距离 。

动力系统的维数决定李雅普诺夫指数的数量,也就是说,如果系统中定义R^米,它拥有米李雅普诺夫指数 。全套的李雅普诺夫指数可以被考虑一个非常小的初始条件范围米维,这是固定在相空间轨迹的引用。如果P_我(t)代表的长度我th轴,轴排列的顺序最慢增长轴,最快的12表示完整的李雅普诺夫指数的顺序安排的最大最小的指数(23]。 在哪里 。

动力系统的向量场的散度是一样的和所有的李雅普诺夫指数(13)。因此,所有的李雅普诺夫指数的总和是负的耗散系统。之一,也有界的李雅普诺夫指数是零轨迹,不动点。 在哪里代表了一个动力系统的向量场。

可以计算李雅普诺夫指数从描述动态系统的数学方程(如果已知)或观察到的时间序列45]。通常,两种不同的方法被用于获得李雅普诺夫指数从观察到的信号。第一种方法是基于氧化的概念点附近的相空间(46]。然而,这种方法使最大李雅普诺夫指数的评价。另一种方法是依赖于当地的雅可比矩阵的计算和估计所有的李雅普诺夫指数(47]。所有的李雅普诺夫指数(用向量形式)的一个特定的系统构成了李雅普诺夫光谱(45]。

3.3。相关尺寸

拥有一个明确的维度的几何对象。例如,一个点,一条线,和一个表面尺寸0,1和2,分别9]。这种想法导致了分形维数的概念的发展。分形维数是指任何noninteger维度被点的集合(代表一个动力系统)在欧几里得空间。分形维数的测定在非线性动态分析中起着重要作用。这可能归因于这样一个事实:奇怪吸引子的分形性质及其分形维数表明所需的最小数量的动态变量描述奇怪吸引子的动态。还定量描述非线性系统的复杂性。更高的维度系统;更多的是复杂性。通常采用的方法测定的维度的测量柯尔莫哥洛夫能力(即。,box-counting dimension). This method covers the set with tiny cells/boxes (squares for sets embedded in 2D and cubes for sets embedded in 3D space) having sizeϵ。维度D可以定义如下23]: 在哪里米(ϵ)是小盒装的数量集的一部分。

一组拥有的数学例子noninteger分形维数是一个康托尔集。康托尔集可以被定义为设置的限制在一个序列48]。让我们考虑一个康托尔集在2 d,特点是下面提到的序列集。在阶段 (图6(一)),让年代₀指定一个正方形的长度l。广场的年代₀分为9个统一广场的尺寸吗l/ 3,删除中间广场舞台 (图6 (b))。这组广场被认为是₁。在阶段 每平方的年代₁进一步划分为9平方的大小l/ 9和中间的方块被,构成一组₂(图6 (c))。当这个细分的过程和删除方块继续得到序列集S₀,年代₁,年代₂,然后慢跑集定义的限制设置 。的柯尔莫哥洛夫能力基于维度的康托尔集计算容易使用数学归纳法的原理如下所述。当 ,年代₀由一个平方的大小l因此,ϵ=l和米(ϵ)= 1。当 ,年代₁包括8平方的大小l/ 3。因此,ϵ=l/ 3,米(ϵ)= 8。在 ,年代₂是由64广场的尺寸吗l/ 9。因此,ϵ= (l/ 3)²和米(ϵ)= 8²。因此,康托集的分形维数给出如下:

的分形维数< 2表明,康托尔集不完全填充区域的二维空间。

然而,柯尔莫哥洛夫能力的尺寸测量不描述一个盒子是否包含的许多点或几个点集。描述或相关设置,非均质Hentschel和Procaccia定义维度光谱(49]。 在哪里米(r)=数量的米维盒子的大小r需要覆盖集,p_我=N_我/N的概率是我th框包含一个点集,N在集合点的总数,然后呢N_我是一组包含的点的数量吗我盒子。

它很容易推断柯尔莫哥洛夫能力相当于D₀。维度D₁通过极限来定义的 在16被认为是信息维度。 那里的尺寸D₂是所谓的关联维数。

相关维数可以表示如下: 在哪里 相关金额。它代表的概率发生的两个点集在一个盒子里。

维度的相关性表明所需要的独立变量的数量描述动力系统(50]。一种广泛使用的算法的计算关联维数(D₂从有限),介绍了离散时间序列Grassberger和Procaccia [51]。这是基于假设的概率发生的两个点设置在一个盒子里的大小r的概率大约是相同的两个点集位于距离≤r。使用这种假设,相关金额可以计算给定如下: 在哪里是亥维赛函数可以定义为

实际上,这是不可能达到的极限 这是用于关联维数的定义(18)。因此,Grassberger和Procaccia [51)提出了近似计算的相关金额C(r)(19)的值的数量r然后推导相关维度的斜率线性拟合的线性区域的情节日志(C(r))和日志(r)。重构相空间图的相关维度的动力系统随嵌入维数。重构相空间图的相关维度上述RRI时间序列在不同的嵌入维如图7。

3.4。去趋势波动分析(DFA)

检测的非平稳时间序列的长程相关性数据需要区分的趋势和远程数据波动与生俱来的。趋势是由于外部效应,例如,环境温度的季节性变化值,展品顺利和单调或逐渐振荡行为。的强劲趋势时间序列可能导致错误发现时间序列的长程相关性如果只有一个nondetrending技术是用于分析或如果一个方法的结果是误解。近年来,探讨了DFA识别远程相关性(自我)的非平稳的时间序列数据(或对应的动力系统)(52]。这可能归因于能力的DFA系统地消除不同订单嵌入数据的趋势(52]。它提供了一个洞察的自然波动数据以及数据的趋势。DFA估计固有fractal-type动力系统的相关特征,在分形行为对应的尺度不变性(或自相似性)在不同尺度(9]。DFA方法首次提出了彭等。(53识别和量化的DNA序列的长程相关性。是为消除趋势开发一系列事件的变化,反过来,可以透露的信息数据集的长期变化。自成立以来,DFA发现应用程序在HRV研究[54[],步态分析55,56),股票市场预测(57,58)、气象(59),和地质60- - - - - -62年]。DFA方法也被替代术语(61年)由不同的人员如“线性回归去趋势扩展窗口的方差”(63年和“回归的残差”64年]。

为了实现DFA,有限的时间序列x_t(tϵN)转换成一个无界的系列X_t(65年]。 在哪里X_t=累计金额和=时间序列的均值x_t在窗口中t。

无限的时间序列X_t然后分成若干部分等于长度n,并进行直线拟合数据用最小二乘法拟合。波动(即。,the root-mean-square variation) for every portion from the trend is calculated using [9] 在哪里一个_我和b表示直线的斜率和截距,分别nsplit-unbounded时间序列部分长度。

最后,双对数图F(n)与n画(图8),信号的统计自相似性由直线表示在这个图,和标度指数α从直线的斜率。自相似性是表示 。的波动指数α不同类型的数据有不同的值(例如, 不相关的白噪声和 相关流程)(66年,67年]。

3.5。递归图和递归定量分析

动力特性(例如,熵,信息维度、维度,和李雅普诺夫指数)的时间序列可以使用各种方法计算(68年]。然而,大多数这些方法都假定时间序列数据是来自一个自治动力系统。换句话说,时间序列数据的演化方程不涉及明确的时间。此外,应该超过时间序列数据的特征时间潜在的动力系统。在这方面,报告的递归图Eckmann et al。68年)已成为一个重要的动力系统的分析方法,并提供有用的信息,即使上述假设并不满意。如果代表了一个动力系统的相空间轨迹d维空间,那么递归图的点的位置可以被定义为一个数组的地方(我,j)N×N方阵(23),这样约等于所描述的24(68年- - - - - -70年]。 在哪里ε=可接受的距离(错误)和 。这ε是必需的,因为许多系统通常不准确重现以前的状态只是大约。

有时复发阴谋泄露自然时间相关信息我和j。换句话说,它评估系统的状态我和j,指出存在的相似性通过将一个点(对应 )复发的阴谋。RRI时间序列的递归图呈现在图2如图9。

递归图的主要优势是,它不需要任何数学转换或假设[69年]。但这种方法的缺点在于,提供的信息是定性的。为了克服这个限制,一些措施的复杂性,量化的小规模的结构递归式情节已被许多研究人员提出,视为重现量化分析(RQA) (71年]。这些措施都是从复发点密度以及对角线和复发的垂直线结构情节。这些措施的计算在小窗口,传递的身份(法)的复发情节,提供关于这些变量的时间行为的信息。几项研究已经报道,RQA变量可以探测到分岔点像chaos-order过渡72年]。垂直结构的递归图已报告代表间歇性和层流状态。RQA变量,对应的垂直结构,使chaos-chaos过渡的检测(71年]。下面的讨论介绍了RQA参数及其潜力的识别递归图的变化。(我)复发率(RR)或百分比复发:RR RQA的是最简单的变量。这是一个递归点的密度的测量复发阴谋。在数学上,它可以被定义为25相关,相关性和(19)除了法则里,这是不包括在内。 在哪里矩阵和复发吗N数据系列的长度。(2)平均数量的邻居:它被定义为26和代表的平均数量的邻居每个点的轨迹ε附近。 在哪里N_n的数量(最近的)的邻居。(3)决定论:递归图包含的对角线。不相关的、随机或混沌过程表现出没有对角线或非常短的对角线。另一方面,确定性过程与更长的对角线和少数量的复发孤立点。递归点的数量的比例形成对角线结构(长度≥)递归点被认为是决定论的总数(检波器)或系统的可预测性(27)。阈值用于排除对角线的切向运动产生的相空间轨迹。 在哪里 代表了直方图的对角线长度 。(iv)分歧:散度(DIV)是最长的逆对角线出现复发情节(28)。它对应于指数发散的相空间轨迹,也就是说,当散度,对角线是短,轨迹发散速度。 在哪里l_马克斯是最长的对角线的长度。(v)熵:熵(ENTR)是香农熵的概率找到一个对角线的长度在递归图(29日)。它表明复发的复杂性的对角线的阴谋。例如,不相关的噪声具有熵值较小,这表明它的低复杂性。 在哪里p(l)的概率是找到一个对角线的长度 。(vi)比:它是决定论的比例和复发率(30.)。据报道中用于识别转换的动态系统。 在哪里=数量的对角线的长度 。(七)层流性:层流性(LAM)复发点的数量的比例形成竖线复发点的总数在递归图(31日)。林已经报告提供的信息系统中出现的层流状态。然而,它并不描述的长度层流状态。林的价值减少如果更多数量的单个复发点存在于复发的情节比垂直结构。 在哪里 垂直线条的长度吗 。(八)捕获时间:捕获时间(TT)是一个估计的平均长度的垂直结构,定义了32。它显示的平均时间系统将遵循一个特定的状态。TT的计算需要考虑的最小长度 。 在哪里v_最小值是一个垂直的预定义的最小长度的长度。(第九)最大长度的竖线:垂直线的最大长度()复发的情节可以定义如下: 在哪里是竖线的绝对数量。

3.6。庞加莱图

庞加莱图的可视化是一个阴谋,使进化动力系统的相空间,用于识别隐藏的模式。它有助于减少相空间的维数,同时将连续时间流转换为离散时间地图(9]。复发的庞加莱图不同情节,庞加莱图是在相空间中定义,然而,创建递归图的时间空间。递归图,点代表实例时,动力系统相空间的遍历大约相同的部分(9]。另一方面,庞加莱图是由策划RR间隔的当前值(前()与RR区间值)[73年,74年]。因此,庞加莱图只考虑RR间隔的长度而不是数量的RR(发生的间隔75年]。庞加莱图也叫散点图和散点图,返回地图,和洛伦兹图(76年]。上述的庞加莱阴谋RRI时间序列如图10。

两个重要的描述符的庞加莱图SD1 SD2。SD1指标准差的庞加莱图的投影线正常的身份(例如,y=−x),而投影线的标识(例如,y=x)被视为SD2 [77年]。命名为SD12将SD1和sd - 2的比率。庞加莱图据报道透露的信息心脏自主活动(78年,79年]。这可以归因于SD1副交感神经活动提供信息,逆相关交感活动将然而,sd - 2 (80年]。

除了上述动力系统分析方法、近似熵等entropy-based措施(ApEn)和样本熵(SaEn)也被研究过的非平稳信号的分析(9]。这些措施提出了减少所需的点获得低维混沌系统的维度或熵和熵量化过程的变化。然而,ApEn的方法论的缺陷已经被里奇曼指出,穆斯林和科斯塔et al。9,81年,82年]。SaEn也受到批评,因为没有完全描述信号的复杂性(9,83年]。

4所示。应用非线性动力系统的心电信号分析的分析方法

4.1。应用相空间重建心电信号分析

相空间重建发现广泛应用领域的研究,如风电场风速预测(84年),分析聚合物的分子动力学(85年),河流量预测在市区86年],biosignal(如心电图和脑电图)分析(28]。biosignal分析相关的应用程序之间,许多广泛的研究已经进行了心电信号的分析(87年]。

不同类型的心律失常,包括室性心动过速,心房纤维性颤动、心室纤维性颤动。Al-Fahoum和Qasaimeh12]报道的发展,一个简单的心电图信号处理算法,利用重构相空间的分类不同类型的心律失常。心电图信号所占据的区域(属于不同类型的心律失常)在重构相空间被用来提取特征分类的心律失常。作者报道的发生3地区重构相空间,代表有关心律失常。因此,3简单特性计算为目的的心律失常分类。验证了该算法的性能分类数据集从麻省理工学院数据库。该算法能够达到85.7 - -100%的敏感性,特异性为86.7 -100%,95.55%的总体效率。赛义德等。(88年)提出了一系列新颖的距离变换域的使用,它可以来源于ECG信号的重构相空间,分类的五种心律失常。连续变换空间的方式代表点原始重构相空间的旅行接近或远离相空间的起源。结合原始距离系列值和自回归(AR)模型的参数,离散傅里叶变换(DFT)的振幅,和小波变换的系数作为特征使用再邻居(事例)分类器进行分类。作者报道,该方法表现的最先进的方法分类一个非凡的准确性为98.7%。分类器的敏感性和特异性分别为99.42%和98.19%,分别。基于研究结果,作者提出,他们的方法可以用于心电信号的分类。执行的最近的研究在过去5年的心律失常检测利用相空间分析心电图信号已经列在下表中1。

睡眠呼吸暂停是一种睡眠障碍,一个明显的短期停止呼吸> 10秒时观察到的人是睡92年]。它可以分为3类,即阻塞性睡眠呼吸暂停,中央睡眠呼吸暂停,混合睡眠呼吸暂停。睡眠呼吸暂停导致的症状像白天睡觉,刺激了,可怜的浓度(93年]。贾法里报道的提取特征重构相空间的ECG信号和频率成分的心率变异性(HRV)(即。非常低频(甚低频),低频(LF)和高频(HF)组件)的检测睡眠呼吸暂停症(93年]。提取的特征受到基于svm的分类。为睡眠呼吸暂停数据集生理网提供的数据库中,该特性表现出94.8%的分类精度。结果的基础上,作者得出结论,该方法可以帮助改善睡眠呼吸暂停检测系统的效率。

晕厥,也称为晕倒,是指未预料到的和暂时性意识丧失(94年]。这是由于故障的自主神经系统(ANS),负责监管的心率和血压95年]。晕厥的特点是降低血压和心动过缓(95年]。是诊断使用医疗过程称为直立倾斜试验(HUTT),从45到60分钟不等96年]。自测试已经进行很长一段时间,它是不适合体质虚弱的患者,因为他们不能完成测试。因此,方法提出了减少测试的时间通过赫特的预测结果分析心血管信号(例如,心电图和血压)期间获得赫特。Khodor等。(96年)提出了一个新颖的相空间分析算法晕厥的检测。赫特进行了12分钟,心电图信号同时被收购了。RR间隔从心电信号中提取,重构相空间图。从相空间图提取特征(如相空间密度)和递归定量分析。统计上显著的参数决定使用Mann-Whitney测试,进一步用于基于svm的分类。敏感性和特异性为95%和47%。2015年,同一组进一步报道动脉血压信号的采集以及心电图检测的信号在赫特晕厥(95年]。特性来自获得信号的相空间分析,和重要的预测被确定使用减压方法(97年]。K-NN-based分类进行,敏感性为95%,特异性为87%。根据结果,作者建议双变量分析可能会被执行,而不是单变量分析与改进的性能预测赫特的结果。

近年来,心电图是广泛探索生物安全的身体传感器网络,人类识别和验证98年]。与其他生物识别技术相比,它提供了一个好处,那就是它必须从活体被收购。在许多ECG-based生物相关的先前的研究,从心电信号中提取特征振幅、持续时间和地区的P, Q, R, S和T波(99年- - - - - -101年]。然而,这些特性的提取变得困难时,心电图被噪声污染(102年]。ECG信号的小波分析也试图提取的心电图特征识别的人(103年]。但是,它需要转移的心电图波形对另一个获得最适合的104年]。最近,方和陈的发展提出了一个使用的相空间分析心电生物识别心电信号(102年]。5秒的相空间图是重建的心电图信号,和轨迹是浓缩的,单身粗粒度结构。之间的区别粗粒度结构使用标准化的执行空间相关性(nSC)的相互匹配的点(MNPM),和相互的点距离(MNPD)方法。拟议的战略测试100名志愿者使用单一铅和3-lead ECG信号。单管线ECG信号的使用导致了人识别精度为96%,95%,96%,MNPD, nSC,和MNDP方法,分别而精度增加了99%,98%,98%,3-lead ECG信号。早些时候,同一组的心电图biometric-based识别提出了人类通过测量相空间之间的相似或相异的画像ECG信号(105年]。在实验中涉及100名志愿者,识别精度93%和99%是单管线和3-lead ECG。

4.2。李雅普诺夫指数在ECG信号分析中的应用

李雅普诺夫指数的概念被用来描述许多生物非线性系统的动力学特性包括心血管系统。占主导地位的李雅普诺夫指数的多功能性(dl)的心电图信号被Valenza等有效地应用。(43)描述的非线性复杂性HRV在规定的时间间隔。上述研究评估了HRV信号在情感视觉启发采用近似熵(ApEn)和占主导地位的李雅普诺夫指数(dl)。一个二维(价和冲动)概念化的情感机制源自circumplex模式的影响(mas)在这项研究中被采用。杰出的切换机制相关定期和混沌动力学之间切换时从中性兴奋引出州(43]。Valenza et al。106年]报道使用李雅普诺夫指数了解心脏的瞬时复杂动力学的RR区间信号。该方法采用高阶点过程非线性模型分析。沃尔泰拉内核(线性、二次立方)扩大使用正交拉盖尔函数基础。瞬时占统治地位的李雅普诺夫指数(空闲)RRI时间序列的估计和跟踪。结果表明,该方法能够跟踪自主神经系统的非线性动力学(ANS)为基础的控制。杜等。(107年]报道的发展新的李雅普诺夫exponent-based诊断方法的分类过早心室收缩与其他类型的心电图节拍。

HRV报道敏感的生理和心理障碍108年]。近年来,HRV已经被用作工具的诊断心脏疾病。据估计通过分析HRV RR间隔从心电信号中提取。HRV分析工具,需要一个敏感的自然RR间隔混沌和随机信号,和它仍然非常有争议的108年]。研究者提出李雅普诺夫指数作为一种手段提高HRV的敏感性分析。在早期的研究中,狼等。和Tayel AlSaba已经开发了两种算法的估计李雅普诺夫指数(46,108年]。然而,这些方法被发现有分歧而确定HRV的敏感性。最近,Tayel和AlSaba [108年)提出了一个算法称为Mazhar-Eslam算法提高HRV的敏感性分析,精度有所改善。准确性是狼的方法相比增加了14.34%。你们和黄109年]报道了李雅普诺夫指数估计ECG信号的图像加密算法的发展,可以提供安全保障从各种微分图像攻击。同年,席尔瓦et al。110年)提出了最大李雅普诺夫exponent-based RR间隔时间序列的分析从心电信号中提取赫特的预测结果。

4.3。关联维数在ECG信号分析中的应用

维度的相关性提供了一个测量信号中包含的相关性。它已经被许多研究人员分析心电图和派生RRI时间序列,以检测各种病理条件(111年,112年]。Bolea等人提出了一个方法论的框架的计算RRI时间序列的关联维数(113年]。陈等人。114年)相关维度和李雅普诺夫指数用于心电信号的特征的提取开发ECG-based生物识别应用程序。提取的心电图特征可以分类的准确性达97%使用多层感知器(MLP)神经网络(114年]。拉瓦尔大声回答等。(115年]提出的分析HRV在月经周期中使用一种自适应关联维数方法。在传统的关联维数方法中,使用自相关函数计算时间延迟,不提供最佳延时值。在该方法中,作者计算了时间延迟使用RR间隔信号的信息内容。提出的自适应关联维数方法能够检测HRV变化74年年轻女性在月经周期的不同阶段在说谎和站位置精度比传统的相关维度和去趋势波动分析方法。Lerma et al。50调查常规心电图异常之间的关系和复杂的HRV使用关联维数越少。心电图信号(24 h霍尔特ECG信号以及标准心电图信号)从100名志愿者(大学工人)获得,其中10录音被排除在外的检测> 5%的假RR间隔。检查其余的90标准心电图信号由两个心脏病专家建议29标准心电图信号异常。估计的相关维度表明异常心电图信号与HRV降低复杂性。Moeynoi和Kitjaidure分析了维减少睡眠呼吸暂停功能利用典型相关分析(CCA)。睡眠呼吸暂停功能从单一铅ECG信号中提取。线性和非线性方法来估计的方差心律和HRV从心电图信号中提取相应的特征。本研究报告的非侵入性方法评估睡眠呼吸暂停和使用CCA方法建立两个数据集之间的关系。提取的特征的分类来源于呼吸暂停注释是相对比传统技术(116年]。

4.4。DFA在ECG信号分析中的应用

以来的事实,暴露在环境噪声会导致烦恼、焦虑、抑郁,和各种精神疾病(117年,118年]。然而,噪声暴露也被报道引发心血管问题[118年]。陈等人。114年)提出了DFA的RR间隔在5分钟接触低频噪声中检测心血管活动的变化(119年]。从结果可以总结一个暴露在低频噪声可能会改变HRV的时间相关,虽然没有明显的变化意味着平均血压和RR间隔的变化。Kamath等人报道的实现DFA对充血性心力衰竭(CHF)疾病的分类(120年]。短期的ECG信号的持续时间20秒,从正常的人员和瑞郎CHF患者,受到使用DFA分析。接受者操作特征(ROC)曲线表明,该方法的适用性,平均98.2%的效率。Ghasemi等人报道了DFA的RR间隔时间序列预测病人的死亡率在重症监护病房(icu)患有脓毒症121年]。在拟议的研究中,DFA进行RR间隔时间序列过去25 h幸存下来的持续时间和nonsurvived病人,他们承认icu。结果表明,标度指数(α)明显不同的存活和nonsurvived病人从9 h灭亡之前,可以用来预测死亡率。蒋介石等人的假设测试心脏自主神经功能失调估计DFA也可以潜在的预后因子受终末期肾病患者进行腹膜透析。总死亡率,增加了心肌之间存在着显著的差异,减少相应的预后预测DFAα1。DFAα1(≥95%)与降低心脏病死亡率(风险比(人力资源)0.062,95% CI -0.571 = 0.007, )和总死亡率(122年]。

4.5。RQA在ECG信号分析中的应用

在心电图信号分析(RQA发现许多应用程序123年- - - - - -125年]。陈等人研究了接触低频噪声的影响不同的强度(5分钟)心血管活动使用递归图分析(126年]。RR间隔期间从心电信号中提取获得的噪声暴露强度70 dBC, 80 dBC, 90 dBC。心血管活动的变化估计使用RQA RR间隔。结果的基础上,作者得出结论,RQA-based参数可以作为一个有效的工具来分析低频噪声的影响即使短期RR间隔时间序列。

Acharya等人报道使用RQA和RRI的Kolmogorov复杂度分析时间序列的自动预测心脏性猝死(SCD)的风险127年]。在这项研究中,作者设计了一个心脏性猝死指数(SCDI)使用RQA和Kolmogorov复杂度参数预测的化合物。统计上重要的参数被确定使用t以及。这些统计上重要的参数作为输入用于分类使用事例,支持向量机,决策树,概率神经网络。事例的分类器能够正常和SCD类分类准确率为86.8%,敏感性80%,特异性94.4%。概率神经网络也提供了86.8%的准确率,敏感性85%,特异性88.8%。根据结果,作者建议RQA和Kolmogorov复杂度分析可以有效检测的执行化合物。除了这些研究,RQA ECG信号已被广泛研究的检测不同类型的疾病。一些RQA-based研究表现在过去的5年不同临床诊断的条件一直在总结表2。

4.6。庞加莱图在ECG信号分析中的应用

心室纤维性颤动被报道最严重的心律失常类型(131年]。结果从疯狂的心脏冲动心室肌肉内,由复杂的心电图显示模式(131年]。电除颤是作为一个有效的技术来治疗心室纤维性颤动。锣等人报道的应用庞加莱情节发生的预测成功的去心脏纤颤病人从心室纤维性颤动132年]。连续点的欧氏距离庞加莱图被用来计算的步进值增量去颤,反过来,被用来估计成功的可能性去颤。该方法的测试使用ROC曲线进行了分析,结果表明,建立的方法的性能相当成功地估计去颤。

多囊卵巢综合征(PCOS)是一种常见的内分泌疾病中发现5 - 10%的女性生殖133年]。PCOS报道与心血管疾病风险由于其与肥胖联系(134年]。庞加莱plot-based Saranya等人进行了非线性动力分析HRV信号从PCOS患者获得预测相关的心血管风险(135年]。作者发现PCOS患者HRV降低和自主功能障碍(交感神经活动增加和减少迷走神经的活动),这可能预示心血管风险。基于研究结果,作者建议庞加莱图分析可以使用独立测量PCOS患者自主神经功能障碍的程度。庞加莱plot-based一些研究在过去的5年不同临床条件下得到的诊断表3。

4.7。应用程序的多个非线性动力系统心电信号分析的分析方法

在过去的几年里,一些研究人员也同时实现多个非线性方法分析心电图信号(42]。在某些情况下,非线性方法应用结合线性方法(139年]。Acharya等人使检测到的心电信号进行分析使用时域,频域和非线性(即。,Poincaré plot, RQA, DFA, Shannon entropy, ApEn, SaEn, higher-order spectrum (HOS) methods, empirical mode decomposition (EMD), cumulants, and correlation dimension) techniques for the diagnosis of coronary artery disease [140年]。Goshvarpour等人研究了影响图形刺激的情感自主反应通过分析非线性方法,也就是说,DFA, ApEn,和李雅普诺夫exponent-based参数统计措施心电图、脉搏率,和皮肤电反应信号(141年]。Karegar等人使用方法提取非线性心电图特征,即新范围分析,Higuchi的分形维数,DFA,广义的赫斯特指数(GHE)和RQA ECG-based生物认证(142年]。不同的非线性方法的组合来获得更好的性能在先前文献报道,但研究开一个方法与其他方法相比的优越性是找不到的。

5。结论

大部分的生物在本质上是不稳定的,这往往使他们的分析繁琐的使用传统的线性的信号分析方法。这导致了非线性方法的发展,可以执行一个健壮的分析的生物9]。在生物中,心电信号的分析使用非线性方法已经高度探索。ECG信号的非线性分析已被许多研究人员研究的早期诊断疾病,人类识别和理解的影响不同的刺激心脏和俺们。当前的审查处理的相关理论,非线性的潜力,和最近的应用心电图信号分析方法。尽管ECG信号的非线性方法分析取得了可喜的成果,设想,现有的方法可以延长和新方法可以提出改善性能和处理大而复杂的数据集。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢国家理工学院Rourkela印度为成功完成的设施提供手稿。