论文部分内容阅读
心血管疾病具有患病率高、死亡率高的特点,位列全球死因第一,严重威胁人类健康。从心电图信号中计算提取的心率变异性(Heart rate variability,HRV)信号被广泛用于评估心血管自主神经功能,其被证明包含着与心血管疾病密切相关的特征。基于熵的HRV信号非线性分析算法能有效量化HRV信号的无序度和复杂度,挖掘隐藏在信号中重要的临床信息,其为研究心血管疾病自动识别算法提供了新的途径。然而,由于心血管疾病的复杂性与异质性,现有基于熵的短时时间序列分析算法的稳定性与一致性差以及心血管病自动诊断算法泛化性与鲁棒性差等问题,给信号的实时分析与高精度的心血管疾病自动识别带来挑战。本文主要是通过提出高效的熵算法,将其应用于短时HRV信号的分析之中,最后在此基础之上提出鲁棒性好且泛化能力强的心血管疾病自动诊断模型的。具体而言,本文将Renyi熵与分布熵有机融合提出Renyi分布熵(Renyi distribution entropy,RdisEn)与改进多尺度 Renyi 分布熵(Modified multiscale Renyi distribution entropy,MMRDis),通过对比分析来评估所提出熵对于量化短时时间序列的稳定性与一致性,以及分离不同复杂度与无序度信号的能力。基于熵算法分别提出冠状动脉疾病(Coronary artery disease,CAD)与心脏猝死(Sudden cardiac death,SCD)自动检测算法。本论文主要工作如下:(1)结合Renyi熵与分布熵提出RdisEn,且将之应用于短期HRV信号的分析和CAD的检测。首先我们将RdisEn应用于合成信号、生理信号和病理信号的分析中,仿真实验结果表明RdisEn能有效分离合成、生理和病理信号,且与样本熵和近似熵相比,RdisEn受输入的参数影响较小,对于短期HRV中仍能保持计算稳定。其次结合RdisEn和小波包分解提出了一种CAD自动识别检测方案:1)将获取的正常人与CAD的HRV信号段分别分成两部分;2)特征获取:计算其中一部分HRV信号段的RdisEn和基于小波包分解的统计特征,并采用t检验方法选择具有临床显著性特征(p<0.05);3)分类:计算另一部分HRV信号段的具有临床显著性特征,将之逐个输入分类器(k阶近邻和支持向量机)。本文所提出的CAD自动识别模型精度达到97.5%,优于绝大多数现有的CAD识别模型,本论文在特征提取过程中所采用的数据独立于后续评估分类器性能的数据且采用了 10次10折交叉验证的模型评估方式,使得本文提出的算法鲁棒性与泛化能力更好。(2)探究基于集成经验模态分解(Ensemble empirical mode decomposition,EEMD)熵在SCD识别中的表现,基于EEMD熵特征通过以下技术得到:1)对HRV信号段进行EEMD分解,得到多个固态模函数(Intrinsic mode functions,IMFs);2)计算分解得到的IMFs的5个熵参数,包括RdisEn,Renyi熵、模糊熵、分散熵和改进多尺度排列熵,以此获得基于EEMD熵特征。随后,结合基于EEMD熵和经典线性(时域和频域)的HRV信号分析提出一种SCD早期自动识别方案:首先从HRV信号段中提取基于EEMD熵特征和经典的线性特征,然后分别通过t检验、熵、ROC、Wilcoxon和Bhattacharyya等方法对组合特征进行排序,最后,将这些已排序特征逐个放入k阶近邻分类器进行分类。与现有SCD早期识别方案相比,所提出的方案首次提前14分钟预测SCD患病风险,其准确率、敏感性和特异性分别为96%、97.5%和94.4%。仿真实验结果表明绝大多数的基于EEMD熵特征在SCD患者与正常人之间有显着性差异,且在SCD早期识别模型中表现优于经典线性特征,基于EEMD的模糊熵和改进多尺度排列熵指标对SCD风险患者的识别具有较高的实用价值,可作为在SCD影响下自主神经系统节律变化的新指标。(3)提出RdisEn对应的多尺度形式—MMRDis。由于传统的多尺度熵算法对短期时间序列的度量会随着尺度因子的增加出现不准确或空值等现象,其可用性和有效性会大打折扣。为了克服这一不足,本文基于时间序列移动平均算法和Renyi分布熵提出改进多尺度Renyi分布熵,用于量化短期时间序列在多个时间尺度上的动态行为。为了评估所提算法的计算优越性,本文建立了标准的评价机制,数值实验结果表明,与老化或病态的系统对应的信号相比,健康的系统产生的信号对应的MMRDis较大,这表明所提出的MMRDis能有效挖掘隐藏在信号内多个时间尺度上的信息,且将提出的算法与现有的多种多尺度熵算法进行比较,结果表明MMRDis提供了更准确的熵估计,且该算法尤其适用于短期时间序列。除此之外,对于不同复杂度与无序度的信号,它可提供更好的分离度,为挖掘短时心血管时间序列在多个尺度上的动力学特征提供了新的途径,满足了当前临床对于短时信号实时分析的需求。