同步十二导联常规心电图信号的非线性动力学特性分析

本文采用非线性动力学方法对同步十二导联常规心电信号（Electrocardiogaram;ECG)进行了研究，计算了每一导联心电图信号的关联维数D2，发现不论健康人还是冠心患者（CHD），心电信号表现出强烈的混沌动力学特征，从不同导联得出的D2值不同，同一导联相比较，除Ⅰ、Ⅱ、Ⅲ导联外，冠心病患者的D2显著低于正常人的D2值，显示在心肌缺血的情况下，心脏ECG吸引了的复杂程度降低了，结果表明，D2可以区别正常人与冠心患者，也可以确定病变部位提供有价值的诊断信息。     

不同程度冠脉狭窄对心电及R-R间期序列Lyapun0V指数的影响

目的已有的研究表明,心脏的活动是混沌的。心电时间序列的非线性动力学数值指标可反映心脏的总体动态活动特征。本文试图探讨不同程度冠脉狭窄对心电及R-R间期序列Lyapunov指数的影响。方法通过对不同程度冠脉狭窄的冠心病患者和正常人的海电和R-R间期时间序列的Lyapunov指数计算,以期从医学数据统计中发现有价值的规律性。结果初步研究表明,正常人和冠脉重度狭窄患者心电序列的Lyapunov指数有显著统计差别,但正常人和冠脉轻度狭窄患者心电序列的Lyapunov指数无显著差别;正常人和冠脉轻、重度狭窄患者心电R-R间期时间序列的Lyapunov指数均有显著统计差别。结论R-R间期序列比心电图能提供更多心脏电活动的信息。而正常人和冠脉轻度狭窄患者R-R间期时间序列的Lyapunov指数的显著差别,提示在心电信号的异常波形尚不足以被识别时,可能利用该指数对心脏的健康状况进行早期评估。     

不同程度冠脉狭窄对心电及R-R间期序列Lyapunov指数的影响

目的：已有的研究表明，心脏的活动是混沌的。心电时间序列的非线性动力学数值指标可反映心脏的总体动态活动特征。本文试图探讨不同程度冠脉狭窄对心电及R－R间期序列Lyapunov指数的影响。方法 通过对不同程度冠脉狭窄的冠心病患者和正常人的心电和R－R间期时间序列的Lyapunov指数计算，以期从医学数据统计中发现有价值的规律性。结果 初步研究表明，正常人和冠脉重度狭窄患者心电序列的Lyapunov指数有显著统计差别，但正常人和冠脉轻度狭窄患者心电序列的Lyapunov指数无显著差别；正常人和冠脉轻、重度狭窄患者心电R－R间期时间序列的Lyapunov指数均有显著统计差别。结论 R－R间期序列比心电图能提供更多心脏电活动的信息。而正常人和冠脉轻度狭窄患者R－R间期时间序列的Lyapunov指数的显著差别，提示在心电信号的异常波形尚不足以被识别时，可能利用该指数对心脏的健康状况进行早期评估。     

心电信号的功率谱特征及其生理意义

封根泉等用功率谱方法分析人体心电信号的V_5导联和Ⅱ导联.根据数百名不同类型的心疾病患者和大量的不同年龄组的正常人的心电功率谱图,他们提出这样一项谱特征:当心电的二次谐波功率超过其基波功率(即第二峰超过第一峰)时,可以作为判断心功能是否正常的病理指标([1]、[2]),见图1.     

基于最大Lyapunov指数的心音信号混沌特性分析

目的寻求无创伤的且能自适应信号变化的方法区分正常和异常的心音信号,为临床诊断提供更简捷的参考方法。方法本文以心音信号非线性时间序列最大Lyapunov指数为主线,根据心音信号不同阶段特性的统一性,提出了对信号分阶段进行研究的方法。首先对7种具有代表性的正常和异常心音信号的S1、S2心音分别分3阶段进行相空间重构,然后结合各阶段求得的相空间重构参数计算对应的最大Lyapunov指数,最后对正常、异常心音信号最大Lyapunov指数均值进行比较分析。结果正常S1心音信号的最大Lyapunov指数均值0．1450,远大于异常S1心音信号,正常S2心音信号的最大Lyapunov指数均值也比异常s2心音信号大很多。结论心音信号中确实存在混沌现象,且正常（健康）心脏运动到S1和S2阶段的混沌程度要比异常（病态）时高。     

心电动态生理及病理信息的非线性动力学研究

按照非线性理论,作者设计并实施了用于心脏系统非线性研究的深低温停循环(Profound Hypothermia and Circulatory Arrest,简称PHCA)实验.通过对PHCA实验中几个温度台阶上所采集的心电信号的功率谱分析和Lyapunov指数的计算,得出以下结论:(1)心电信号的功率谱和Lyapunov指数反映了心脏的总体动态特征,它们可用以估计心脏的健康状态;(2)在正常的生理状态下心脏的运动是混沌的,而在病理状态下则趋于有序.     

基于非线性混沌的心律失常心音信号分析

本文基于非线性混沌理论,对正常及心律失常心音信号的关联维数及最大Lyapunov指数进行了计算和混沌特性分析,从而提出一种新的心律失常分析方法。对30例健康人和30例心律失常患者的分析结果显示,正常心音和心律失常心音的关联维数和最大Lyapunov指数具有显著性差异。由于心律失常心音信号时序上的不规则性,导致其可预测性下降,与正常心音信号相比,具有较高的复杂度,从而具有比正常心音更大的关联维数和最大Lyapunov指数值。故关联维数和最大Lyapunov指数可用于分析心律失常心音信号及其特征提取。     

基于独立分量分析算法研究儿童癫痫脑电的混沌动力学特征

首先采用独立分量分析(Independent component analysis,ICA)算法,将儿童癫痫信号从复杂的背景脑电(Electroencephalogram,EEG)中分离出来;然后采用了一维时间序列相空间重构技术和混沌的定量判据,对分离出来的独立分量信号进行了分析与计算.通过对生理和癫痫状态下独立分量信号的相图、功率谱、关联维数和Lyapunov指数的对比研究,得出如下结论:(1)EEG独立分量的相图、功率谱、关联维数和Lyapunov指数反映了大脑的总体动态特征,它们可作为一种定量指标衡量大脑的健康状态;(2)在正常的生理状态下EEG是混沌的,而在癫痫状态下则趋于有序。     

用于远程无线心电监护仪的心电信号采集电路的设计

介绍了一种用于便携式远程无线心电监护仪的三导联ECG采集电路。该电路不仅具有心电信号的采集放大和滤波功能,同时还具有导联脱落自动检测功能。     

量化脑电分析方法及其在癫痫易发作期检测中的应用

对于癫痫患者,癫痫易发作期(seizure vulnerable period,SVP)的检测有助于预测癫痫发作并采取相应的治疗和抑制措施.本文采用量化脑电分析方法研究癫痫易发作期的临床诊断价值.对经过带通滤波预处理的量化脑电信号分析得到反映大脑状态的线性特征量(过零率和谱距)和非线性特征量(最大Lyapunov 指数、复杂度、相位同步和互信息),以及比较不同导联之间的特征差异,并将它们应用于慢性颞叶癲痫大鼠模型长时程连续脑电数据和癫痫病人临床脑电数据的分析.癫痫易发作期与正常状态期间对比,分析单个导联特征量变化趋势得到最大Lyapunov指数、复杂度和过零率的值下降,而相位同步、互信息和谱距的值上升;选择两个合适的导联,分析不同导联之间的特征差异是最大Lyapunov指数、复杂度、相位同步、互信息和过零率差异减小或趋于一致,而谱距的差异增大.结果表明量化脑电特征量可以反映癫痫易发作期相对正常状态期间的变化,并且有些特征变化在每次集中发作的第一次发作之前较长的一段时间内就开始了,即进入癲痫易发作期的时刻相对第一次发作时刻在时间上具有一个提前量,这个时间提前量为临床处置提供了前提.     

动态分析急性心肌缺血模型中的非线性

通过分析心脏电信号 ,许多学者已经发现正常的心脏和病态的心脏都有显著而突出的动力学特征。在此基础上 ,建立了 6只兔子急性心肌缺血实验模型 ,计算其不同时间段的 12导同步 ECG,作出关联维数 -时间 (D2- T)曲线和最大 L yapunov- T曲线 ,结合电生理和解剖学知识 ,研究了实验结果 ,证实了心肌缺血的存在会导致ECG的最大 L yapunov指数和关联维数的下降。 ECG的最大 L yapunov指数和关联维数分别反映了心脏系统的混沌性和复杂性 ,两者间没有明确的对应关系。关联维数更多受到了局部心脏系统状态的影响。     

利用Lyapunov指数提取心电动态生理及病理信息的研究

对心电信号的研究，一般都集中在对个别异常波形进行检测和识别从而判断心脏病变方面。而心电波形及其Ｒ－Ｒ间期序列的Ｌｙａｐｕｎｏｖ指数反映了心脏的总体动态特征。利用ＭＩＴ－ＢＩＨ数据库进行的初步研究表明：１）正常人、室性失常病人和束支传导阻滞病人的心电波形的Ｌｙａｐｕｎｏｖ指数有显著差别；２）正常人和室性失常病人的Ｒ－Ｒ间期序列的Ｌｙｓｐｕｎｏｖ指数有显著差别，正常人和束支传导阻滞病人的Ｒ－Ｒ间期序列的Ｌｙａｐｕｎｏｖ指数没有显著差别。值得指出的是，这一研究的前景在于，当心电信号中的异常波形还不足以被识别时，有可能利用Ｌｙａｐｕｎｏｖ指数进行早期诊断。     

Assessment of Chaotic Parameters in Nonstationary Electrocardiograms by Use of Empirical Mode Decomposition

This study addressed the issue of assessing chaotic parameters from nonstationary electrocardiogram (ECG) signals. The empirical mode decomposition (EMD) was proposed as a method to extract intrinsic mode functions (IMFs) from ECG signals. Chaos analysis methods were then applied to the stationary IMFs without violating the underlying assumption of stationarity. Eight ECG data sets representing normal and various abnormal rhythms were obtained from the American Heart Associate Ventricular Arrhythmia database. The chaotic parameters including Lyapunov exponent, entropy, and correlation dimension were computed. The results consistently showed that the 10th IMF (IMF-10) was stationary and preserved sufficient nonlinearity of the ECG signals. Each IMF-10 from the data sets (n = 8) gave a positive dominate Lyapunov exponent (0.29-0.64, p < 0.0001), a positive entropy (0.039-0.061, p < 0.0001), and a noninteger correlation dimension (1.1-1.9). These were evidences of a chaotic dynamic system. We therefore concluded that the original ECG signals must also have chaotic properties. The chaotic parameters did not show significant differences among the eight data sets representing normal sinus rhythm and various abnormalities. This study has demonstrated an effective way to characterize nonlinearities in nonstationary ECG signals by combining the empirical mode decomposition and the chaos analysis methods.     

动态心电图中R波峰序列的Lyapunov指数谱

本文介绍了计算机Ｌｙａｐｕｎｏｖ指数谱的方法,利用ＭＩＴ－ＢＩＨ心电数据库,计算了其中正常心律、起搏心律、室早搏心律和束支传导阻滞心律四组共２４例心电图数据中Ｒ波峰序列的Ｌｙａｐｕｎｏｖ心律以及异常心律之间,     

基于心电图的心肌缺血非线性分析

心电图是心肌缺血检测的一种方便、经济、无创的工具,其主要的临床表现为ST-T段变化.鉴于心脏是一个混沌系统,本文从非线性角度出发,对心电图特征参数序列进行分形维数和最大Lyapunov指数分析,其中特征参数序列包括：心电图RR间期,瞬时心率HR（heart rate）,ST段的平均幅值STmean,ST段最小幅值STmin,STmean与HR的比值STr,T波峰末间期TpTe,R波峰值Ramp,T波峰值Tamp.利用公共数据库Long-term ST database（LTST）中心肌缺血和非心肌缺血心电数据,通过统计t检验分析,除最大分形维数分析中的TpTe与最大Lyapunov指数分析中的Ramp和Tamp特征参数外,其余参数均有显著性差异.基于心电图的非线性分析为心肌缺血检测与诊断提供另一重要依据.     

Chaotic dynamics of resting ventilatory flow in humans assessed through noise titration

The mammalian ventilatory behaviour exhibits nonlinear dynamics as reflected by certain nonlinearity or complexity indicators (e.g. correlation dimension, approximate entropy, Lyapunov exponents, etc.) but this is not sufficient to determine its possible chaotic nature. To address this, we applied the noise titration technique, previously shown to discern and quantify chaos in short and noisy time series, to ventilatory flow recordings obtained in quietly breathing normal humans. Nine subjects (8 men and 1 woman, 24-42 years) were studied during 15-min epochs of ventilatory steady-state (10.1+/-3.0 breaths/min, tidal volume 0.63+/-0.2 L). Noise titration applied to the unfiltered signals subsampled at 5 Hz detected nonlinearity in all cases (noise limit 20.2+/-12.5%). Noise limit values were weakly correlated to the correlation dimension and the largest Lyapunov exponent of the signals. This study shows that the noise titration approach evidences a chaotic dimension to the behavior of ventilatory flow over time in normal humans during tidal breathing.     

HRV的最大李雅普诺夫指数估计

对心率变异性(HRV)进行了研究,比较了心率正常者与心率失常者HRV之间的最大李雅普诺夫指数上的差别。人在正常状态和病理状态下的HRV信号最大李雅普诺夫指数是不同的,当出现病理心血管事件时,指数α减少,因此李雅普诺夫指数可作为人体是否异常或处于何种异常状态的特征刻画指标,本文心率正常者HRV信号的最大李雅普诺夫指数为0.45907,心率不齐者的最大李雅普诺夫指数是0.41472。它们均为混沌信号,但是处于心率不齐状态的节律混沌程度明显比处于心率正常状态的节律混沌程度低。     

Determining variability of ophthalmic arterial Doppler signals using Lyapunov exponents

The new method presented in this study was directly based on the consideration that ophthalmic arterial Doppler signals are chaotic signals. This consideration was tested successfully using the nonlinear dynamics tools, like the computation of Lyapunov exponents. Multilayer perceptron neural network (MLPNN) architecture was formulated and used as a basis for determining variabilities such as stenosis, ocular Behcet disease, and uveitis disease in the physical state of ophthalmic arterial Doppler signals. The computed Lyapunov exponents of the ophthalmic arterial Doppler signals were used as inputs of the MLPNN. Receiver operating characteristic (ROC) curve was used to assess the performance of the detection process. The ophthalmic arterial Doppler signals were classified with the accuracy varying from 93.75% to 97.06%. The results confirmed that the proposed MLPNN trained with Levenberg-Marquardt algorithm has potential in detecting stenosis, Behcet disease and uveitis disease in ophthalmic arteries.