1. 引言 心电图(ECG)是一种由心电图仪产生的图形,提供了有关个人心脏健康的信息。ECG常在临床应用中帮助医生诊断心跳过速等心脏疾病。除了直接分析ECG信号,研究人员和医生们还可以从ECG信号中提取其他非直接的测量信息,最常见的测量之一便是心率变异(HRV)。本文描述了如何利用NI LabVIEW图形化开发环境提取并分析HRV测量结果,并同时介绍了LabVIEW HRV分析起步工具—— 一款基于LabVIEW的面向HRV分析的程序。本文所展示的HRV分析结果来自于该HRV分析起步工具。 2. 什么是HRV?一个正常的单周期ECG信号由若干个波组成,如图1所示。 图1. ECG信号的R波峰与RR间隔 具有最高峰值的波被称为R波。RR间隔是指两个相邻R波之间的时间间隔。波峰较小的波分别为P波、T波和U波。 心率变异(HRV)测量可以分析出这些RR间隔(它们显示了连续心跳之间的变化)是如何随时间而变化的。例如,图2展示了一个典型的成人的HRV。 图2. 一个成人的HRV 图2中的HRV分析显示了该RR间隔范围从0.6秒变化至1秒,其平均值为0.8秒。 HRV分析提供了自主神经系统(ANS)的一个定量标记,因为HRV的调节机制源自交感和副交感神经系统[5]。迄今为止,许多研究人员和工程师们都致力于发掘HRV分析中对临床应用有价值的信息。在过去的十年中,已经发表了超过2000篇关于HRV的文章[1]。这些文章考察了HRV与血压、心肌梗塞、神经系统、心律失常、糖尿病、呼吸、肾衰竭、性别、年龄、疲劳程度、药物、吸烟、酒精等因素的关系[2]。目前,多个医学学科都已经在对HRV进行研究,相信HRV分析在未来的患者图形与数据分析中的应用将越来越多。 3. 采集RR间隔为了进行HRV分析,首先必须获取RR间隔。图3展示了 [url=]RR间隔的采集过程[/url]。 图3. RR间隔的采集过程 采集原始ECG信号ECG信号可通过各种心电图仪采集获得。这些仪器的带宽并不要求很高。可以利用NI多通道DAQ设备,如NI PCI-6221,从ECG记录设备的输出端采集原始ECG信号。典型的采样率设置为125 Hz或250 Hz。所采集的ECG信号可以以NI TDMS文件类型存储以便进行离线分析。一些在线数据库(如MIT-BIH数据库database)也提供许多典型的ECG信号。该HRV分析起步工具包含一个导入MIT-BIH ECG数据的向导。 从ECG信号中提取RR间隔从原始的ECG信号中可以提取到RR间隔。该提取过程通常包括预处理步骤和波峰检测步骤。如果原始ECG信号具有噪声和显著的基线漂移趋势,就有必要对其进行预处理。然后,您可以通过阈值设置或利用基于小波的波峰检测方法,检测R波峰,从而计算RR间隔。 4. HRV分析方法HRV分析有不同的方法[1][2]。方法之一便是时域分析,即利用暂态的RR间隔信号提取一些特别的度量。另一个方法是频谱分析,该方法以某个特定的速率对RR间隔进行插值处理,并将该间隔信号变换到频域。针对这两种方法,目前有一些标准可供使用[1]。还有一些其他方法,如非线性分析和时频分析,也有相关讨论和研究。 图4展示了HRV分析的整个过程。 图4. HRV分析的整个过程。 LabVIEW具有多个可用于HRV分析的工具包或函数。如图5所示的HRV分析起步工具,展现了利用LabVIEW进行HRV分析的简便性。 图5. HRV分析起步工具的前面板 预处理RR间隔信号可能存在一些基线抖动,这会导致不精确的暂态分析和频率分析。您可以选择是否在分析前对RR间隔信号进行去漂移处理,如图6所示。对RR间隔信号进行去漂移处理的方法,与使用LabVIEW进行ECG信号处理文档中所提及的方法相似。 图6. 预处理配置对话框 图7展示了去漂移处理的过程。图中的红线表示该基线漂移。 图7. RR间隔信号的预处理 分析RR间隔信号下面描述了用于分析RR间隔信号的不同方法。HRV分析起步工具支持所有这些方法。 时域分析对于时间序列分析,通常使用时域量度。许多量度可以从最初的RR间隔信号中提取,以展现ANS中的变化。表1列出了利用HRV分析起步工具提取的量度。 表1. HRV的时域量度[1][5] 变量 | 单位 | 描述 | 统计学量度 | R [url=]R均值与标准差[/url] | s | 所有RR间隔的均值与标准差 | HR均值与标准差 | 1/min | 所有心率的均值与标准差 | RMSSD | ms | 各个相邻RR间隔的差值的均方根 | NN50计数 | | 在所有测量值中,差值超过50ms的相邻RR间隔对的数目 | pNN50 | % | NN50计数除以所有RR间隔的总数目 | 几何学量度 | HRV三角指数 | | 所有RR间隔的总数除以所有RR间隔的直方图的高度 | TINN | ms | 对于间距为7.8125 ms(1/128 s)的离散标度所测得的所有RR间隔,对其直方图中最高峰的最小平方误差三角插值的基线宽度。 |
LabVIEW中包含概率与统计VI,您可以利用这些VI方便地获取统计学度量,如图8所示。 图8. LabVIEW中的概率与统计VI 图9展示了一个成人的RR间隔信号样本。 图9. 利用时域分析方法获得的RR间隔信号采样 图10展示了利用HRV分析起步工具中的时域分析方法得到的这些信号的统计学结果和几何学结果。 图10. 利用时域分析方法的HRV分析 频域分析HRV分析的频域分析方法从RR间隔信号中提取频域参数,如峰值频率和带内功率。ANS的两个组成部分——交感神经系统和副交感神经系统——会决定升高或降低心率,并影响RR间隔频谱中的不同频带。因而,可以利用频域分析监测ANS的状态。 表2展示了HRV的常见频域度量,其中包括峰值频率以及超低频(VLF)、低频(LF)和高频(HF)等频带的带内功率。
表2. HRV的频域量度[1][5] 变量 | 单位 | 描述 | 峰值频率 | Hz | 针对VLF、LF和HF频带的功率谱密度(PSD)估计的峰值频率 | VLF | ms2 | 0–0.04 Hz [url=]频段的功率[/url] | LF | ms2 | 0.04–0.15 Hz频段的功率 | HF | ms2 | 0.15–0.4 Hz频段的功率 | LF归一化 | 无量纲 | [url=]LF功率(采用归一化单位):LF/(总功率–VLF)*100[/url] | HF 归一化 | 无量纲 | HF功率(采用归一化单位):HF/(总功率–VLF)*100。 | LF/HF比 | | LF/HF(均采用ms2作为单位) |
频域方法通常涉及以下三个步骤: - 对RR间隔信号进行重采样。
- 估算该RR间隔信号的功率谱密度(PSD)。
- 根据该PSD计算频域参数。
从ECG信号中抽取的RR间隔信号通常不是以一个规则间隔采样所得。因此,该RR间隔信号并不是延时间轴等距离间隔。可以利用位于数学>>内插与外推函数选板中的一维插值VI,将最初的RR信号转换为均匀采样的时间序列。 对于PSD估计,LabVIEW包含可以执行非参数估计方法或参数估计方法的VI。非参数方法包括基于FFT的PSD,如周期图法和 [url=]沃尔什法[/url]。参数方法包括基于模型的PSD,如自回归( [url=]AR)方法[/url]和自回归滑动平均(ARMA)方法。 [url=]HRV分析起步工具[/url]包含沃尔什法和AR频谱方法。LabVIEW高级信号处理工具包中则包含有其他方法。 图11展示了利用HRV分析起步工具中的频域分析方法得到的一个RR间隔信号分析结果。 图11. 利用频域分析方法的HRV分析 联合时频域分析频域分析方法适用于随时间变化不大的RR间隔信号分析。然而,在长期HRV分析(如24小时RR间隔与药物药效学研究)等应用中,RR间隔信号会随时间显著变化。在这类情况下,您可以使用联合时-频分析(JTFA)方法分析稳态和时-频行为。 联合时频域方法(JTFA)没有标准的度量参数。因此可以利用短时傅立叶变换(STFT)、Gabor展开或连续小波VI得到时频谱图并进行定性分析。文献[8]中提到了一个利用JTFA方法的药物药效学应用案例。 高级信号处理工具包支持JTFA方法。图12显示了利用该工具包所含的LabVIEW代码,该代码可以计算得到RR间隔信号的STFT谱图。 图12. 获取RR间隔信号的STFT谱图 图13展示了利用HRV分析起步工具中的JTFA方法获得的联合时频分析结果。 图13. 利用JTFA方法的HRV分析 非线性分析RR间隔信号是非线性的,因为它们来源于血流动力学、电生理学和体液参数、以及自主神经调节与中枢神经调节之间的复杂交互关系[1]。关于非线性分析的研究基本处于空白,所以没有任何相关标准。然而,这是一个充满希望的研究领域,我们需要在该领域开发出一种工具,从而帮助我们更好地理解人体系统的复杂性。 HRV分析起步工具支持 [url=]庞加莱图[/url]和 [url=]去漂移波动分析[/url](DFA)方法。下面将分别介绍这些方法。 庞加莱图 庞加莱图是一种XY图,其X轴和Y轴表示两个连续的RR间隔。该图所用的模型是一个椭圆,该椭圆的对称线与X轴成45◦,如图14所示。 图14. RR间隔的庞加莱图 图14显示了下列数值: - Sd1—各点到对称线距离的标准差。Sd1刻画出了短期变化,这主要是由呼吸性窦性心律不齐(RSA)引起的。
- Sd2—各点在沿着对称直线方向上的标准偏差。Sd2刻画了长期变化[2]。
LabVIEW包含概率与统计VI和拟合VI,以及一个前面板XY图控件,可以利用该控件创建并显示一幅庞加莱图。图15显示了拟合VI。 图15. LabVIEW所包含的拟合VI库 去漂移波动分析 去漂移波动分析(DFA)方法定量表示了RR间隔信号的分形尺度属性。该方法通过剔除不稳定的人为趋势,避免了错误的相关性。因此,相比其他方法,DFA方法能更好展示HRV长期相关性的变化情况。 DFA方法利用线性拟合对DFA图进行分析。拟合直线的斜率α表示了HRV的相关性。如果α=0.5,那么该信号为白噪声,没有任何相关性。在一些情况下,DFA图不是严格地呈线性,而是由相交于某点的两条直线组成。该情形表明存在两个因子:一个短期内的小尺度指数和一个长期时间内的大尺度指数。 图16显示了利用HRV分析起步工具中的DFA方法获得的一个RR间隔信号分析结果。 图16. RR间隔信号的DFA图 5. 应用HRV分析结果可以应用于临床和研究。对于统计与频域方法,HRV分析结果[1]提出了一些临床应用HRV分析以帮助诊断各种心脏疾病的标准。利用HRV分析起步工具,研究人员能够发现HRV与疾病以及药物药效学之间的有趣关联。例如,您可以发现一名吸烟者与一名不吸烟者的ANS之间的一些相关性。在频谱测量(如LF、HF或LF/HF)中,可以发现一些显著的差别,利用它们检测出吸烟对ANS的影响。如欲了解更多专题,请查阅文献[2]。 6. 获取HRV分析起步工具7. 参考文献[1] 欧洲心脏病学会与北美起搏与电生理学会联合任务组,心率变异——测量、生理解释与临床使用标准,循环,1996(93),5,页:1043—1065。 [2] Rajendra Acharya U、Paul Joseph K、Kannathal N、Lim Choo Min和Jasjit Suri S,心率变异, [url=]心脏信号处理进展,[/url]Springer-Verlag Berlin Heidelberg,2007,页码:121-165。 [3] U. Rajendra Acharya、N. Kannathal、Lim Choo Min和Jasjit S. Suri,利用心率信号进行心脏健康的线性、非线性和小波分析,心脏信号处理进展,Springer-Verlag Berlin Heidelberg,2007,页码:355-375。 [4] MICHAEL J. LEWIS,科学学士、科学硕士、博士、英国皇家特许物理学家和英国物理研究所学术成员,心率变异分析:一种评估心脏自主神经功能的工具,CIN:计算机、信息学和护理,2005(23),6,页码:335-341。 [5] Juha-Pekka Niskanen、Mika P. Tarvainen、Perttu O. Ranta-aho和Pasi A. Karjalainen,面向高级HRV分析的软件,生物医学中的计算机方法与程序,2004,76,页码:73-81。 [6] Peng CK、Havlin S和Stanley HE等,非稳定心跳时间序列中的标度指数与交叉现象的量化表示,混沌学,1995,5(1),页码:82-87。 [7] D. Singh、K. Vinod与S. C. Saxena,用于心率变异频谱分析的RR间隔时间序列的采样频率,医学工程与技术期刊,2004(28),6,页码:263–272。 [8] H G Adelmann,采用时频联合分析方法的临床药理学中的心率变异分析,心脏病学计算机技术,1999,26,页码:643-645。
|