首页 > 文献资料
-
基于DFA的心动过速与心室纤颤识别
近年来的研究表明,心室纤颤(ventricular fibrillation,VF)以及心动过速(ventricular tachycardia,VT)具有混沌特性,VF表现出自相似特性从而具有分形特性,因此可以使用混沌及分形方法对这两种异常心电信号进行分析.本文运用了去趋势波动分析方法(detrended fluctuation analysis,DFA)分别计算了VF及VT信号的标度指数,结果表明:在不同的标度区域,VF与VT表现出不同的标度指数,从而表现出交叉突变点,在交叉突变点之前的区域中,VF的标度指数α1大于VT的标度指数α1.作为一种普遍现象,本文中将标度指数α1作为识别VF与VT的一个判据,并且在实验中取得了令人满意的效果.
-
利用心率的去趋势波动分析提取睡眠呼吸暂停低通气综合症患者的睡眠结构信息
以经基于心率变异性的睡眠分期大都是针对健康人进行的,拟利用心率变异性分析睡眠呼吸暂停低通气综合症(SAHS)病人的睡眠结构.根据微动敏感式床垫式睡眠监测系统(MSMSMS)所得10名健康者的心率和30名不同程度SAHS患者的心率,利用去趋势波动分析(DFA)方法,计算他们在各睡眠阶段的标度指数.实验结果显示,SAHS患者各个睡眠阶段的标度指数具有明显差异,与健康者也有不同,为基于心率变异性对SAHS患者进行睡眠分期以及SAHS患者的判定提供了依据.
关键词： 心率 睡眠呼吸暂停低通气综合症 睡眠分期 去趋势波动分析 标度指数 -
基于去趋势波动分析的全局性缺氧缺血脑损伤后脑电信号分析
目的 分析去趋势波动分析算法(detrended fluctuation analysis,DFA)得到的标度指数值(scaling index)对神经活动健康情况的表征准确性,方法使用去趋势波动分析算法分析缺氧缺血状态下的脑电信号,把得到的标度指数值与组织切片实验结论相比较.结果 标度指数值对脑损伤的反应情况,与组织切片实验结果吻合,结论DFA算法得到的标度指数值能够很好地表征神经生理活动.
-
冠心病病人脉搏变异性信号的去趋势波动分析
目的 本文运用非线性方法分析冠心病人与健康人的脉搏变异性信号,研究两者之间不同的特征,以便无创地检测冠心病及监测冠心病人的病情. 方法 利用PPG传感器采集健康人(18人)和冠心病患者(18人)的指尖脉搏波信号,并从脉搏波中提取脉搏变异性信号,利用去趋势波动分析算法对其进行分析,计算两类病人各自的标度指数.结果 经过去趋势波动算法的分析,发现冠心病病人的平均标度指数: 短程α1、长程α2 和全程α明显低于健康人.结论 运用去趋势波动算法分析健康人和冠心病患者的脉搏变异性信号,发现冠心病病人的平均标度指数α1、α2 和α明显有别于健康人,这些现象的发现有助于对冠心病及冠心病人的病情进行无创检测和监测.
-
静息状态和实时运动状态心率变异性比较研究
为了研究健康人群静息状态和实时运动状态心率变异性(HRV)的特点,该文采用心电记录仪记录16名大学生静坐和快走两种状态5 min心电数据,再利用Hilbert变换进行R波提取并得到RR间期序列,然后进行HRV时域参数、频域参数、Poincaré散点图参数分析以及去趋势波动分析.结果表明,快走状态的时域参数(Mean RR、SDNN、RMSSD)、频域参数(VLF、LF、HF、TP)、Poincaré散点图参数(SD1和SD2)较静坐状态均显著降低,差异均具有统计学意义(P<0.001);长时尺度分形指数(α2)较静坐状态升高,差异具有统计学意义(P<0.05);其他频域参数(LF norm、HF norm和LF/HF)和短时尺度分形指数(α1)较静坐状态差异均无统计学意义(P>0.05).本研究结果可为HRV在运动生理学和康复医学中的进一步应用提供特征指标和统计学依据.
-
典型失神癫痫的脑电定量分析及分类研究?
目的：采用定量脑电图的方法对失神发作期脑电和发作间期脑电进行分析,提出一种基于去趋势波动分析(detrended fluctuation analysis,DFA)、能量指数和支持向量机(support vector machine,SVM)的癫痫分类方法。方法对23例典型失神癫痫患儿发作期脑电及发作间期脑电进行定量分析,首先采用 DFA方法计算脑电的标度指数α,然后对脑电进行小波分解,对δ(0.5~3.5 Hz)、θ(4~7.5 Hz)、α(8~13 Hz)、β(14~30 Hz)频段的脑电进行重构,计算各频段脑电能量指数,后使用 SVM分类器实现癫痫脑电的自动分类。结果对儿童失神发作期脑电与发作间期脑电的分类准确率达到96.9%,实现了儿童失神发作期脑电的自动识别,其准确率达到临床检验标准。结论该方法具有较强自动识别能力,将来可用于临床失神发作期脑电图的定量分析及自动识别,具有一定的临床应用前景。
-
睡眠呼吸暂停综合征患者脑电的去趋势波动分析
睡眠呼吸暂停综合征(SAS)是一种发病率高且危害巨大的睡眠疾病,其病理机制复杂,诊治困难,从单一或少量生理信号中挖掘SAS的特征信息是近年来睡眠疾病研究的热点.本文基于脑电(EEG)的非平稳和非线性特性,采用去趋势波动分析(DFA)对SAS患者和健康人的睡眠脑电进行研究.研究发现,SAS患者和健康人睡眠脑电的标度指数α随着睡眠加深逐渐增大,而在快速眼动期(REM)则下降;与此同时,SAS组的标度指数在各个睡眠阶段均高于对照组,两组间存在明显差异(P＜0.01);采用受试者.工作特征(ROC)曲线对脑电标度指数区分SAS的性能进行评价,得到SAS组和对照组的睡眠脑电标度指数佳临界值0.81,对应灵敏度为94.4％,特异度为99.2％,曲线下面积(AUC)为0.994.结果说明DFA标度指数用于SAS区分有很好的辨别能力和准确度,为SAS诊断提供了新的理论依据.
-
心电病理信号的去趋势波动分析
心电病理信号的分析对于辅助临床诊断具有重要的意义.本文利用去趋势波动分析(DFA)方法分析正常心律、充血性心力衰竭和心脏性猝死的心电(ECG)信号的自相似特性,以实现充血性心力衰竭和心脏性猝死这两种心电病理信号的检测.通过对MIT-BIH标准数据库中的正常心律、充血性心力衰竭和心脏性猝死的DFA方法进行分析和检测,得到这三种信号的尺度指数α,方差分析表明可据此区分充血性心力衰竭和心脏性猝死.
-
睡眠生理参数的去趋势波动分析
去趋势波动分析(DFA)适宜于研究各类非稳态时间序列的长程幂函数相关性.我们采用DFA方法分析脑电、心电RR间期序列和搏出量等睡眠生理参数,计算定标指数α,研究各睡眠阶段的特点.实验结果显示,各睡眠阶段的α值具有明显的差异,脑电和搏出量信号的规律相似,α随睡眠加深而增大,而RR间期序列的规律则相反,α随睡眠加深而减小.表明DFA在生理参数分析中具有良好的应用价值.
