[发明专利]基于多尺度Renyi熵的心率变异性特征分类方法

说明书

技术领域

本发明提出一种心率变异性分析方法，结合适合的分类器，能够有效地完成对不同种类心电信号的识别分类，属于心电信号处理领域。

背景技术

心率变异性是指逐次心搏间期之间的微小差异，它产生于自主神经系统对窦房结自律性的调制。现有心率变异性分析主要基于时域、变换域的线性参数分析和复杂度分析等非线性参数分析。作为无创评估迷走神经张力的方法，心率变异性(HeartRateVariability,HRV)分析被认为是反映这类植物性神经系统功能的有效手段，利用HRV对心动进行自动检测具有较高的特异性及敏感性，进而心率变异性分析成为心房颤动(AtrialFibrillation,AF)等研究的一大热点。心房颤动是临床常见的心律失常疾病。罹患AF不仅引起患者心功能下降还会增加并发脑中风和血栓的风险。研究表明，阵发性房颤(PAF)患者存在着自主神经功能紊乱的现象，特别是迷走神经张力的增强可能是诱发阵发性房颤发作和终止的重要影响因素之一。

房颤的心率变异性时域的统计分析计算较为简单，最早应用于临床，但此方法基于HRV信号服从特定的具有统计弱相关性的随机序列的假设，在一定程度上忽视了心率间变化的关联性信息，从而导致迷走神经的张力及其均衡性的变化无法精确识别，可能会损失AF分类识别的敏感性和特异性。频域的功率谱分析通过对HRV信号进行频段分割，通过各频段能量权重反映交感神经系统和副交感神经系统的状况及其均衡性态势，但它基于平稳信号模型，只能反映其一段时间内总体变化信息，不能反映其动态特征和细节，对一些疾病特异性不强。从1992年VetterliM将小波变换应用于滤波器，1998年黄锷提出希尔伯特黄变换(Hilbert-Huang)后，小波分析等变换域的方法应用到心率变异性分析中，通过时频分析克服了传统分析的弊端，并且取得了比较好的结果。但是此类方法多直接针对小波系数直接分析，属于线性分析的范畴，缺乏结合HRV信号本身的分形结构和混沌特征。

采用非线性方法如复杂度或熵作为表征其特征的数字指标，如彭秋莲等人用样本熵和近似熵对阵发性房颤进行了预测研究并取得了较好的结果。但这种单纯的非线性分析往往是对信号整体的混沌性进行估计，对于信噪比较低的信号则显得无能为力。

近年来，研究者们将线性分析方法和非线性分析方法结合起来进行心率变异性分析，这样的组合分析方法效果都比原有方法取得了显著提高。CheSnokov.在2008年提出将复杂度-样本熵和谱分析结合来远距离预测阵发性房颤，但是其并没有获得阵发性房颤的信号特征，并且对远离房颤的信号分析处理中并没有获得良好的特异性。同样，在2012年他提出将复杂度分析—样本熵与线性变换和双线性变换方法相结合来区分远离阵发性房颤信号和阵发性房颤信号，并且在准确度、特异性和敏感性上取得进步，但这种方法的缺陷仍难以回避。首先，该方法计算过程复杂繁琐；其次，这种方法实际上并没有将非线性变换和线性变换从理论上很好的结合在一起，而仅进行了实验上的叠加，在没有大量样本验证的情况下，对于HRV这种个体差异性极大的生理信号，很容易出现偶然误差或由个体差异性所产生的误差，其结果并不具备很好的信服力。

因此需要一种算法来适应非线性和非平稳的生理信号，在尽可能完整提取信号的有效信息的同时又尽可能的减少噪声影响显然并不容易。这里考虑如果开发一种能将线性变换和非线性变换完全结合到一起的算法，能够实现在将信号的噪声去除的同时提取出信号的有效信息和混沌性特征，无疑是一种最优选择。本方法在现有的线性分析和非线性分析方法基础上，提出将小波变换和Renyi熵方法从理论和实际上结合的结构，形成多尺度Renyi熵算法进行心率变异性分析。Renyi熵是传统香农熵、Hartley熵及Collision熵等的一般化形式，它对特征参数进行了范围推广以提高其正确性、敏感性和特异性。当q＝1时，就是香农熵；当q＝2时，就是Collision熵。这种方法能够对不同尺度上信息量的变化和时频域上能量分布特性进行定量描述，再结合SVM等分类方法，便能够对心电信号进行分类预测研究。

发明内容：

鉴于现有算法的不足以及心率变异性信号的不确定性，本发明的目的在于解决在有效提取心率变异性信号有用特征的同时又能尽可能地减小噪声的影响的问题。本发明提出了一种基于多尺度Renyi熵的方法来提取心率变异性信号有用特征并进行分类识别的方法。

为了实现本发明的目的，本发明提供了一种基于多尺度Renyi熵的心率变异性特征分类方法，包括如下步骤：