多尺度多变量模糊熵分析

多尺度多变量样本熵评价同步多通道数据的多变量复杂度,是非线性动态相互关系的一种反映,但其统计稳定性差,且不适用于非线性非平稳信号.研究利用模糊隶属度函数代替模式相似判断的硬阈值准则,并分析模糊隶属度函数形式的影响;研究利用多变量经验模态分解算法进行多尺度化,并对比其处理效果.仿真试验表明,模糊隶属度函数的引入可以有效提高算法的统计稳定性,所构造的物理模糊隶属度函数的性能最为显著;基于多变量经验模态分解算法的多尺度化过程可更有效地捕获信号的不同尺度成分,从而更敏感地区分具有不同复杂度的信号.对临床试验数据的分析支持以上结论,且结果提示随着年龄增加或心脏疾病的发生,心率变异性和心脏舒张间期变异性的多变量复杂度以不同的方式降低:年龄增加会使低尺度熵值降低,表示近程相关性的丢失;而心脏疾病会同时影响各个尺度的熵值,即同时丢失了近程和长时相关性.该结论可用于指导心血管疾病的无创预警研究.

冠心病患者心脏电-机械活动时间序列的熵分析

基于物理模糊隶属度函数的改进模糊熵(refined fuzzy entropy,r FuzzyEn)在算法的稳定性和抗噪声性能上有显著提升。通过分析5分钟心动周期(RR interval,RRI)和收缩间期(systolic time interval,STI)序列,进一步检验了r FuzzyEn用于分析心脏电-机械活动时间序列的性能。同时,将物理模糊隶属度函数引入互模糊熵(cross fuzzy entropy,C-FuzzyEn),提出改进的互模糊熵(refined C-FuzzyEn,r C-FuzzyEn)算法。使用所提出的r C-FuzzyEn算法,分析了冠心病患者和健康志愿者的RRI-STI序列耦合性,并与传统的互样本熵(cross sample entropy,C-Samp En)和互模糊熵(C-FuzzyEn)进行对比。结果表明,相较于C-Samp En和C-FuzzyEn,所提出r C-FuzzyEn算法的区分能力显著提高,可用于区分冠心病患者和健康志愿者。