[发明专利]一种基于去趋势项的生理电信号熵分析方法

摘要

本发明公开了一种基于去趋势项的生理电信号熵分析方法，该方法可以根据趋势项的截止频率与特征值参数之间的一对一的数值关系，确定不同频率所对应的趋势项成分，这是小波分析和集合经验模态分解方法所不具有的优势。其次，对标准数据库健康人昼夜节律下的HRV信号叠加不同成分的趋势项，使之呈现一定程度上的单一或混合趋势，然后使用平滑先验法消除HRV信号的趋势项，最后使用近似熵和模糊熵分别计算去趋势前后不同趋势下的熵值。两种熵分析法可以识别不同趋势干扰下的两组样本，使两种熵具有了处理信号中存在趋势或噪声的优势，为非线性信号处理以及特征值选择开辟了另一个重要的途径。

主权项

1.一种基于去趋势项的生理电信号熵分析方法，其特征在于，包括以下步骤：/n步骤1，选取合适的信号序列；/n步骤2，对信号序列进行预处理：在提取出的RR间期信号存在异位起搏点和伪差等成分，在进行实验之前，对数据进行预处理，将满足以下不等式的信号保留，去除其它不满足的点；/n /n500＜RR_i＜1500；/n其中RR_i是RR间期序列，是RR间期序列的平均值；/n步骤3，对预处理后的心率变异性信号计算其近似熵值和模糊熵值，并对结果进行独立性t检验，结果显示两组信号的近似熵值曲线和模糊熵值曲线可以被完全区分开，可以将两组样本完全区分开；/n步骤4，向原始信号中增加线性、幂律、周期性趋势以及三种趋势叠加的混合趋势，其中线性趋势参数为：A1＝0.001、周期性趋势参数为：As＝0.2，T＝500；以及幂律性趋势的参数为：Ap＝2，j＝0.2；/n步骤5，对加入趋势项的心率变异性信号计算其近似熵值和模糊熵值，并对结果进行独立性t检验，结果显示两组信号的近似熵值曲线和模糊熵值曲线不能被区分开，因此在实际的实验中对才到的心率变异性信号需要进行去趋势处理后才能进行熵分析；/n步骤6，对具有趋势项的信号使用平滑先验法，去除待处理信号中的趋势项，保留有效的信号成分；/n步骤7，对去趋势后的心率变异性信号计算其近似熵值和模糊熵值，并对结果进行独立性t检验，结果显示两组信号的近似熵值曲线和模糊熵值曲线可以被完全区分开，可以将两组样本完全区分开。/n