專利名稱：基于心率變異性非線性特性的充盈性心衰自動診斷方法
技術領域：
本發明涉及基于心率變異性(heart rate variability, HRV)非線性特性的充盈性心衰(Congestive Heart Failure, CHF)自動診斷方法.
背景技術：
充盈性心衰(Congestive Heart Failure, CHF)幾乎是各種心血管疾病的主要并發癥和最終歸途。目前，對CHF臨床診斷主要有兩種方法一Framingham及Boston標準。其中Framingham標準主要是依據流行病學調查結果得出的，沒有心血管動力學參數的檢測，使用該標準有一部分心力衰竭將被漏診，因此，僅僅運用Framingham標準診斷CHF并不可靠。而Boston標準將病史、體征及胸部X線檢查進行綜合，以血流動力學檢測作為依據，故該標準相對Framingham標準更為可靠。但是Boston標準的實施較為復雜,需要各種測試、 檢查和醫生的經驗判斷，診斷所需時間也相對較長。作為ー種無創檢測手段，心率變異性(heart rate variability, HRV)由于能反映心臟動カ系統的諸多本質動力學特性,而受到廣泛關注。如能建立僅僅基于HRV的CHF診斷方法與模型，必將在臨床上為CHF診斷提供更為簡便、快捷、準確的診斷途徑。
發明內容
本發明的目的是在于提供一種充盈性心衰(Congestive Heart Failure, CHF)的自動診斷方法，僅僅基于日常活動狀態(不限定必須平躺或者靜坐)下體表無創采集心電圖(ECG)信號，經提取逐拍心跳間期(RR間期)構成心率變異性(heart ratevariability, HRV)序列，通過對其敏感特征參數(包括線性與非線性)的提取，然后通過確定的人工神經網絡模型，實現可靠的CHF的自動診斷。本發明的目的是這樣實現的對于體表無創采集到的ECG信號，提取其逐拍RR間期構成HRV序列{RRi I ^ i < N}，并對該序列進行三個敏感特征參數的提取，包括對于原始序列{RRJ的増量序列{ Δ RRi: I < i く N-1}，計算粗粒化尺度4下的樣本熵(sample entropy in scale4, SE4);對于原始序列{RRJ的等概率符號化序列{si:l彡i彡N}，計算正向、逆向序列中4位符號字的分布差異熵(difference entropy in scale 4，DE4);對于原始序列(RRi}計算標準差(standard deviation, SD)。三個敏感參數從不同的側面反映了 HRV的動力學特性，與心臟的健康狀況有著密切的關聯，因此將三個敏感參數，經過預處理后，作為人工神經網絡的輸入，通過ー個確定的人工神經網絡模型，獲得CHF自動診斷的結果。本發明的核心包括敏感特征參數提取和人工神經網絡兩大部分。進ー步，本發明中所述的增量序列{ Δ RRJ粗粒化尺度4下的樣本熵SE4計算，包括下列步驟對{ Δ RRJ進行尺度4的粗粒化得到序列{yj ；
對序列{yj}分別做2維、3維嵌入，得到矢量序列{B(2) (i)}、{B (i)}；分別計算2維嵌入和3維嵌入下，兩矢量相同的概率C2 (r)、C3 (r)；依據C2(r)、C3(r)計算序列{yj的樣本熵值，即得原始序列的SE4。進ー步，本發明中所述的原始序列{RRJ等概率符號化后正向、逆向序列中4位符號字的分布差異熵DE4計算，包括下列步驟4. I)對原始序列{RRJ按升序(或降序)排列得到序列{ui I ^ i彡N}，并取得序列IuJ中的3個四等分位點值(B卩25%、50%、75%分位點)；
權利要求
1.一種基于心率變異性非線性特性的充盈性心衰自動診斷方法，其特征是，包括下列步驟 .1)對于采集到的體表心電圖，提取其逐拍心跳間期構成代表心率變異性的序列IRRi: I≤i≤N}，并對該序列進行三個敏感特征參數的提取； .2)對步驟I)中得到的三個敏感特征參數，輸入設定的人工神經網絡模型，獲得充盈性心衰診斷的結果。
2.根據權利要求I所述的基于心率變異性非線性特性的充盈性心衰自動診斷方法，其特征是，所述步驟I)中，三個敏感特征參數的提取，包括 對于原始序列{RRi: I≤i≤N}的増量序列{ Λ RRi: I≤i≤N-Il，計算粗粒化尺度4下的樣本熵SE4 ； 對于原始序列(RRi: I≤i≤N}的等概率符號化序列Isi: I≤i≤N}，計算正向、逆向序列中4位符號字的分布差異熵DE4 ； 對于原始序列{RRJ計算標準差SD。
3.根據權利要求2所述的基于心率變異性非線性特性的充盈性心衰自動診斷方法，其特征是，其中所述的增量序列{ARRJ粗粒化尺度4下的樣本熵SE4計算包括下列步驟 .3. I)對{ARRJ進行尺度4的粗粒化得到序列{yj ； .3. 2)對序列{yj}分別做2維、3維嵌入，得到矢量序列{B(2)(i)}、{B(3)(i)}； .3.3)分別計算2維嵌入和3維嵌入下，兩矢量相同的概率C2 (r)、C3 (r)； .3.4)依據C2 (r)、C3 (r)計算序列{yj的樣本熵值，即得原始序列的SE4。
4.根據權利要求2所述的基于心率變異性非線性特性的充盈性心衰自動診斷方法，其特征是，其中所述的原始序列{RRJ等概率符號化后正向、逆向序列中4位符號字的分布差異熵DE4計算包括下列步驟 .4.1)對原始序列{RRJ按升序/降序排列得到序列{ui: I≤i≤N}，并取得序列IuJ中的3個四等分位點值； .4.2)以3個等分位點的取值為閾值對{RRJ進行符號化，構成符號序列Isi:1 ≤i ≤N}； .4.3)將符號序列{Si}分別沿正向、逆向按維數4、延遲I構成符號字序列Ifffi: I ≤i ≤N-3}、Iffbi: I ≤ i≤ N-3}； .4.4)在序列{WfJ和IffbJ中，統計各4位符號字的概率分布，記為Pf ( λ )和Pb ( λ )，并計算兩者的歸ー化差異Pd(A)； .4.5)計算Pd( λ )的信息熵即為差異分布熵DE4。
5.根據權利要求I所述的基于心率變異性非線性特性的充盈性心衰自動診斷方法，其特征是所述步驟2)中，人工神經網絡模型包括預處理単元和多參數非線性運算單元。
6.根據權利要求5所述的基于心率變異性非線性特性的充盈性心衰自動診斷方法，其特征是，其中所述的預處理單元對步驟I)提取的三個敏感參數粗粒化尺度4下的樣本熵、正向、逆向序列中4位符號字的分布差異熵以及標準差，分別按下式進行預處理
7.根據權利要求5所述的基于心率變異性非線性特性的充盈性心衰自動診斷方法，其特征是，其中所述的多參數非線性運算單元由ー個結構為3-2-1的網絡實現O =f (LffXf (IffX I+Bl) +B2)的運算，其輸入層到隱層的權值、隱層到輸出層的權值、輸入層到隱層的偏置矩陣、隱層到輸出層偏置矩陣、傳遞函數分別為[
全文摘要
本發明提供一種基于心率變異性(heart rate variability，HRV)非線性特性的充盈性心衰(congestive heart failure,CHF)自動診斷方法，步驟包括1)對于采集到的體表心電圖信號，提取其逐拍心跳間期構成心率變異性序列，并對該序列進行三個敏感特征參數(包括線性與非線性)的提取；2)步驟1中得到的三個敏感特征參數，經過預處理后，作為人工神經網絡的輸入，通過一個確定的人工神經網絡模型，獲得CHF自動診斷的結果。本方法用體表無創采集的HRV實現了CHF的自動診斷，并對受測試者的狀態不做嚴格地限制(不要求平躺或安靜)，在日常生活中采集的數據，只要采集時間達到4小時，即可以適用于本方法，經實際數據測試，診斷效果很好。
文檔編號A61B5/024GK102670190SQ20121015900
公開日2012年9月19日 申請日期2012年5月21日 優先權日2012年5月21日
發明者何正大, 侯鳳貞, 寧新寶, 莊建軍, 陳穎, 黃曉林 申請人:中國藥科大學, 南京大學