自主神经系统(ANS)的平衡对于规避与心脏相关的疾病风险具有重要意义。本课题运用频域的线性参数模型和非线性信息分解方法,分析QT变异性(QTV)对于心率变异性(HRV)的响应,揭示心脏自主神经的调节状态。使用来自THEW数据库的Holter数据,...自主神经系统(ANS)的平衡对于规避与心脏相关的疾病风险具有重要意义。本课题运用频域的线性参数模型和非线性信息分解方法,分析QT变异性(QTV)对于心率变异性(HRV)的响应,揭示心脏自主神经的调节状态。使用来自THEW数据库的Holter数据,选用其中的正常组(Normal,n=186)和高心律失常和心源性猝死风险组(ESRD,n=41)进行对比。提取昼夜安静态各5 min RR间期(RRI)和相对应的QT间期(QTI)序列,计算频域参数QTV与HRV相关的百分占比(LR)和信息分解的RRI对于QTI的可预测性(PI),并结合RRI序列的时域、频域和符号动力学分析,探讨QTV对于HRV的响应在两组人群中可能的差异和发生机制。对于LR和PI,Normal组均表现出显著的昼夜差异,而ESRD组则均不存在,反映出ESRD组ANS交互作用的缺失。两组间同时段同指标对比时,低频段LR无显著差异,而在高频段,Normal组的LR值均显著小于同时段ESRD组的LR值(白天:18.36%±17.38%vs 39.37%±23.80%,P<0.05;夜晚:28.63%±18.77%vs 42.31%±21.97%,P<0.05);Normal组夜晚的PI显著大于ESRD组夜晚的PI(0.310±0.155 vs 0.236±0.131,P<0.05),而在白天无显著差异。研究表明,线性参数模型和基于信息分解的非线性预测对自主神经活动的敏感性不同;高心律失常和心源性猝死风险人群中HRV对QTV的调控呈复杂度降低的特点。展开更多
由于机器人导航任务对实时性要求高,以及机器人自身的非线性导致很难精确建模,而基于规则的控制可解释性好,可以实时响应。因此,文中提出了一种基于模糊信息分解(Fuzzy-based Information Decomposition,FID)与控制规则的机器人沿墙导...由于机器人导航任务对实时性要求高,以及机器人自身的非线性导致很难精确建模,而基于规则的控制可解释性好,可以实时响应。因此,文中提出了一种基于模糊信息分解(Fuzzy-based Information Decomposition,FID)与控制规则的机器人沿墙导航方法。在UCI机器人导航数据集上,首先用FID对原始类别不平衡数据集进行过采样,之后训练支持向量机(SVM),然后从SVM中提取控制规则。在提取规则过程中,仅使用支持向量以减少规则数量和提高实时性,使用这些支持向量训练随机森林,然后从中提取控制规则。实验结果表明,在相同数据集上,相较于决策树等6个经典模型,所提方法的平均F1值为0.994,对小类样本的召回率平均提升8.09%。与其他提取规则的模型相比,从SVM中提取规则的方法能平均减少171.33条规则,在测试样本上的平均单个样本决策时间仅为3.145μs。展开更多
文摘自主神经系统(ANS)的平衡对于规避与心脏相关的疾病风险具有重要意义。本课题运用频域的线性参数模型和非线性信息分解方法,分析QT变异性(QTV)对于心率变异性(HRV)的响应,揭示心脏自主神经的调节状态。使用来自THEW数据库的Holter数据,选用其中的正常组(Normal,n=186)和高心律失常和心源性猝死风险组(ESRD,n=41)进行对比。提取昼夜安静态各5 min RR间期(RRI)和相对应的QT间期(QTI)序列,计算频域参数QTV与HRV相关的百分占比(LR)和信息分解的RRI对于QTI的可预测性(PI),并结合RRI序列的时域、频域和符号动力学分析,探讨QTV对于HRV的响应在两组人群中可能的差异和发生机制。对于LR和PI,Normal组均表现出显著的昼夜差异,而ESRD组则均不存在,反映出ESRD组ANS交互作用的缺失。两组间同时段同指标对比时,低频段LR无显著差异,而在高频段,Normal组的LR值均显著小于同时段ESRD组的LR值(白天:18.36%±17.38%vs 39.37%±23.80%,P<0.05;夜晚:28.63%±18.77%vs 42.31%±21.97%,P<0.05);Normal组夜晚的PI显著大于ESRD组夜晚的PI(0.310±0.155 vs 0.236±0.131,P<0.05),而在白天无显著差异。研究表明,线性参数模型和基于信息分解的非线性预测对自主神经活动的敏感性不同;高心律失常和心源性猝死风险人群中HRV对QTV的调控呈复杂度降低的特点。
文摘由于机器人导航任务对实时性要求高,以及机器人自身的非线性导致很难精确建模,而基于规则的控制可解释性好,可以实时响应。因此,文中提出了一种基于模糊信息分解(Fuzzy-based Information Decomposition,FID)与控制规则的机器人沿墙导航方法。在UCI机器人导航数据集上,首先用FID对原始类别不平衡数据集进行过采样,之后训练支持向量机(SVM),然后从SVM中提取控制规则。在提取规则过程中,仅使用支持向量以减少规则数量和提高实时性,使用这些支持向量训练随机森林,然后从中提取控制规则。实验结果表明,在相同数据集上,相较于决策树等6个经典模型,所提方法的平均F1值为0.994,对小类样本的召回率平均提升8.09%。与其他提取规则的模型相比,从SVM中提取规则的方法能平均减少171.33条规则,在测试样本上的平均单个样本决策时间仅为3.145μs。