基于单通道ECG信号与INFO-ABCLogitBoost模型的睡眠分期

为了减少对传统多导睡眠图(PSG)系统的依赖,基于单通道心电图(ECG)信号,设计了一种简单高效的睡眠分析算法.采用最大重叠离散小波变换(MODWT)对原始信号进行多分辨分析,再进一步提取峰值信息;根据峰值位置的一阶偏差,提取多维度的心率变异性(HRV)特征.为了进一步筛选与不同睡眠阶段具有强关联性的HRV特征,提出基于ReliefF算法与Gini指数的特征提取方法.在此基础上,采用INFO-ABCLogitBoost方法挖掘HRV与不同睡眠阶段之间的关联性,从而实现睡眠阶段的精细分类.在实际公开数据集上的实验结果表明,所提出的模型在睡眠分期任务中,总体精度为83.67%,准确率为82.59%,Kappa系数为77.94%,F1-Score为82.97%.相比于睡眠分期任务中的常规模型,所提方法展现出更加高效便捷的睡眠质量评估性能,有助于实现家庭或移动医疗场景下的睡眠监测.

基于小波变换的心率变异性动态分析

心率变异性(H eart rate variab ility,HRV)分析已成为无创检测心脏自主神经调节功能的一种手段。传统的频域分析,主要是计算HRV信号各频段功率,以及识别各频段的峰值频率,无论是采用经典谱估计还是AR模型都是以假设HRV信号近似平稳为前提的。这种假设在短程分析中可以基本满足,但在长程分析中,HRV信号的非平稳性便凸现出来。提出了一种基于小波变换的心率变异性动态分析方法,它不但可以获得传统的频域指标,而且可以获得它们随时间变化的动态值,称为短时功率,短时LF/HF比,特别是后者,可以动态评估自主神经活动的平衡情况。最后将这种分析方法应用到阿托品药物实验中,跟踪分析了阿托品对自主神经的影响情况。

基于多分辨率分析的心率变异性分析

目的:心率变异性蕴藏了大量有关心血管调节的信息,可作为定量反映自主神经功能及其对心血管的调控作用和反映心脏活动正常与否的重要指标之一。因此,主要研究了几种常用的心率变异性分析方法。方法:本论文应用多分辨率分析方法对HRV信号进行6尺度分解,计算小波系数的能量及其在各频段的分布,对cd3～cd6频段的能量进行分析比较。结果:充血性心衰患者各频段能量均值比正常人都要低,能量分别主要集中在高频段和低频段的偏低频部分,且两组的能量差异更为明显,与频域分析结果相比更为精确。结论:要得到带有普遍规律的实验结果,需要对不同的分析方法进行不断地改进和优化,并进行大量的研究工作。

全身麻醉状态下心率变异性的连续小波分析

为更准确地通过分析心率变异性(HRV)判断麻醉深度随时间的变化,需要密切关注麻醉状态下HRV低频(LF)和高频(HF)成分随时间的变化情况,采用连续小波变换(CWT),将CWT中的尺度转换为频率,对患者麻醉前后的HRV信号(RR间期序列)进行了时频分析。其时频能量图以及LF、HF能量值都表明麻醉后HRV信号的LF和HF成分受到了抑制,LF/HF值也由麻醉前的9.021 9降为麻醉后的3.557 3。CWT和传统的时频分析方法在分析同一麻醉后HRV的时频分布表明,CWT可以更准确地定位HRV时域信号中出现突变的时间以及引起频率变化的频段范围。因此,CWT作为分析麻醉状态下HRV的一种新方法,能提供HRV更为准确的时频定位,进而提供更为准确的麻醉深度监控结果。