生理信号时间序列周期性和平稳性对近似熵和样本熵算法的影响分析

目的提高近似熵和样本熵算法在评价生理信号时间序列非线性复杂度应用中的精度。方法首先生成生理信号时间序列数据库,通过对周期序列和叠加有周期成分的非线性序列的分析,研究序列周期性对熵测度算法的影响,并通过对心率变异性(heart rate variability,HRV)序列在去除非平稳趋势前后的对比分析,研究序列平稳性对熵测度算法的影响。结果在序列长度范围内,不同重复频率的周期序列熵测度不同,不同比重的周期成分叠加到非线性序列中引起序列熵测度的变化也不同。生理信号时间序列中大都存在非平稳成分,而非平稳成分会降低序列的复杂度,因此进行熵测度计算前首先要去除非平稳成分。结论周期性和非平稳成分显著影响生理信号时间序列的熵测度算法。

基于深度学习的生理异常检测研究综述

生理信号通常涵盖机体的生物电活动、温度、压力等关键信息,监测其数值波动有助于预警临床事件风险。深度模型是包含多级非线性变换的层级机器学习模型,在特征提取与建模方面优势显著,在计算机辅助诊断领域有着巨大的应用前景。随着连续生理参数监测技术的进步,深度模型在生理电信号异常检测中的效用逐渐提高,研究重点也向临床应用领域拓展。报告了深度模型在生理电信号异常检测中的研究进展。从临床应用出发,分析了经典信号异常检测方法的优势与不足,简述了当前深度模型的建模方式。从判别模型和生成模型的角度总结了经典模型的建模原理及最新应用,同时讨论了深度模型的训练架构和训练策略。结合异常检测在临床中的应用、深度模型的研究进展以及生理数据集的可用性三方面进行总结与讨论,并对未来研究进行展望。

基于非稳态时间序列的生理控制模型研究

生理控制系统通过多个生理变量(血压、心率、呼吸等)之间相互作用与反馈实现自动调节,达到在内外干扰下维持着体内平衡.这种作用与反馈能力的减弱,甚至丧失,与衰老和疾病息息相关.本文提出了一种将生理模型与切换线性动力学结合的方法--P-SLD,通过来自PhysioNet数据库近300例成人ICU患者的平均动脉压和心率的非稳态生理时间序列以及256例健康人不同姿态(仰卧、非仰卧)下血压和心率的非稳态生理时间序列,对P-SLD传递函数和功率谱分析,验证了本文所提的方法可以用来揭示与严重的全身炎症反应综合征(SIRS)相关联的变化以及可以自动捕获姿势改变对压力反射增益的影响.同时本文研究结果表明,即使在调整临床的干预之后,平均压与心率的偶联度的降低与严重的SIRS强相关,为健康和疾病条件下生理控制的自动调节的分解提供了假说.

Nonlinear Analysis of Physiological Time Series

The heart rate variability could be explained by a low-dimensional governing mechanism. There has been increasing interest in verifying and understanding the coupling between the respiration and the heart rate. In this paper we use the nonlinear detection method to detect the nonlinear deterministic component in the physiological time series by a single variable series and two variables series respectively, and use the conditional information entropy to analyze the correlation between the heart rate, the respiration and the blood oxygen concentration. The conclusions are that there is the nonlinear deterministic component in the heart rate data and respiration data, and the heart rate and the respiration are two variables originating from the same underlying dynamics.