一、健康人心率变异性中的不稳定周期轨道(论文文献综述)
王菁华[1](2021)在《基于心率变异性的抑郁状态识别研究》文中研究表明抑郁症是当前世界上患病人数较多的心理疾病之一,近年来发病率呈增长趋势。抑郁症容易使患者情绪持续低落,出现失眠、食欲不振等症状,严重者会逐渐脱离社会,导向自残乃至自杀。不同程度抑郁症对应着不同的治疗方式,因此抑郁症的早期诊断与状态检测具有重要的现实意义。当前抑郁症诊断面临着如下问题:临床上诊断依赖于量表和精神科医生的判断,缺乏客观指标;不同抑郁状态之间生理发展机制尚不明确;在全球范围内医疗资源短缺。因此探究生理指标在抑郁状态识别中的表现,依此研究不同抑郁状态的生理心理学机理,将指标用于计算机辅助诊断,进而实现不同抑郁状态的判断,能够在抑郁症早期诊断、治疗方案的选取、减轻医疗压力等方面发挥作用。心理状态的生理变化可以间接表现在自主神经系统活动的改变,心率变异性与自主神经系统息息相关,使用心率变异性研究抑郁状态具备可行性。同时心电信号具有无创、易采集、仪器普及率高等优点。本文从心电信号提取RR间期序列,基于心率变异性的时域、频域和非线性特征展开分析,较为深入的探讨了不同抑郁状态的生理变化机理,基于特征矩阵构建分类模型进行抑郁状态分类。论文的主要研究内容如下:(1)数据的采集与预处理。采集了不同抑郁状态及健康对照组静息状态下的心电信号。通过小波包变换对原始信号进行滤波等预处理,并使用自适应阈值法识别了心电信号的R点,构造了 RR间期时间序列。(2)特征提取与差异性分析。从时域、频域和非线性三个维度中分别提取了心率变异性特征。通过心率变异性特征的提取,量化不同的抑郁状态。根据特征不同的表现及其生理意义,推断不同抑郁状态下人体的生理心理反应模式。运用统计学方法,分析心血管参数和心率变异性特征在不同抑郁状态和健康对照组之间的差异性。(3)抑郁状态识别。将提取的特征作为输入矩阵,使用随机森林、支持向量机、精细高斯支持向量机和袋装决策树分类器,实现不同抑郁状态的识别。
张瑞琪[2](2020)在《基于短期心率变异性的高血压患者自主神经模式分析》文中研究指明人类和动物的自主神经系统通过其交感神经和副交感神经分支之间的动态平衡来控制多种脏器发挥正常功能,心脏的正常搏动也受自主神经系统控制。自主神经失衡是指交感神经过度活跃,副交感神经活跃不足,或两种情况同时出现。自主神经失衡是许多疾病的共同机制,但是临床上很少针对该机制给予患者有效的治疗。神经生理学研究发现,自主神经系统在控制血压值中发挥着重要的作用,在多数人群中,机体的自主神经失衡先于高血压出现,并且助长了高血压的形成和发展。分析高血压患者的自主神经模式有助于提前阻断自主神经失衡对心血管系统的破坏性影响。然而,目前高血压患者的自主神经活动模式的快速有效量化指标还未见文献报道,因此本文以此作为研究问题。本文基于机器学习方法,分析了短期心率变异性(Heart rate variability,HRV),以确定高血压患者与正常人群之间自主神经功能的差异。高血压患者的心电(Electrocardiogram,ECG)数据来自于风险智能评估数据库(Smart health for assessing the risk of events via ECG,shareedb),该数据库提供了用于评估心血管意外事件风险的137个ECG记录。健康受试者的心电数据来自MIT-BIH正常窦性心律数据库(nsrdb和nsr2db),这两个数据库分别包含18个受试者的ECG记录和54个受试者的正常窦性心律的RR间期数据。本文在已有自主神经生理学文献的基础上,提取了17个HRV特征以区分高血压心律与健康心律,并用以量化高血压人群自主神经系统的活动模式与健康人群的差异。应用Kolmogorov-Smirnov统计检验和后向特征选择(Sequential backward selection,SBS)获得区分高血压心电和正常心电的最佳HRV特征组合。此外,用支持向量机(Support vector machine,SVM),K最近邻(K-nearest neighbor,KNN)和随机森林(Random forest,RF)作为区分高血压心电和正常心电的分类器,使用留一被试验证法评估各种分类器的性能。本文主要研究结果和结论如下:(1)在17个初始HRV特征中,有15个体现了高血压组与正常组之间的显着性差异。这一结果表明,高血压患者的自主神经调控上显着不同于健康人。从HRV的超低频率带总功率(Very low frequency,VLF)、低频带总功率(Low frequency,LF)和低/高频率带总功率比(LF/HF)来看,与健康组相比,高血压组的上述HRV指标显着升高。该结果表明高血压患者的交感神经过度活跃,这是心血管自主神经功能受损的表现。其中LF/HF反映了交感神经与副交感神经的竞争关系,由此可知,在高血压人群中,交感神经在自主神经的调控中占据主导地位。(2)RF分类器与五个HRV特征构成了高血压自主神经模式的最佳预测模型。在SBS特征选择和模型优化后得到的五个最佳HRV指标是:样本熵(Sample entropy,SampEn),VLF,相邻RR间期差值的均方根(Root mean square of successive differences,RMSSD),LF/HF和矢量角度指数(Vector angle index,VAI)。RF分类器与这五个量化指标在高血压组/正常组的二分类问题中得到的接受者操作特性曲线下面积(Area under curve,AUC)为0.9075,正确识别率为86.44%。该分类器对高血压自主神经模式的敏感度为93.43%,这一结果对日常监测由HRV异常引起的高血压风险具有重要意义。(3)在SBS特征选择过程中,所有分类器都选择了SampEn为最佳特征。这表明,与文献中提出的最优高血压量化指标VLF相比,SampEn更适合预测高血压风险。高血压组具有显着降低的SampEn指标,表明自主神经活动复杂性降低是高血压形成和发展的重要特征。
李阳[3](2019)在《基于体表信号的心血管系统电-机械特性分析研究》文中指出心血管系统疾病的发病率和致死率不断上升,且年轻化趋势愈发严重。无创无损地早期检测心血管疾病,控制心血管事件发生,具有重大的社会意义。体表心血管信号中包含了丰富的生理信息,体表信号分析是无创无损检测心血管疾病的有效方法之一。以心电特征变异性分析为代表的心脏电特性研究和以心音、脉搏波信号分析为代表的心血管机械特性研究,受到了研究者的广泛关注。电特性与机械特性的联合分析可以从整体上描述心血管系统功能状态及变化规律,揭示系统各组分之间的交互作用,然而相关研究尚不多见。本研究旨在联合体表心电、心音和脉搏波信号,系统研究心血管系统的电-机械特性,挖掘心血管疾病无创无损检测的有效信息。本文主要工作及创新点如下:(1)引入动力学模式分析方法,研究了心衰患者和冠心病患者的心脏电特性,探讨了心脏电特性分析对于心血管疾病检测的价值。与健康人相比,心衰患者QT间期显着延长,复杂度降低,心室除极复极活动变得不稳定,但是冠心病患者电特性变化不明显;QT间期变异性分析中需要注意QT间期和RR间期的耦合关系,经典心率校正公式对不同疾病状态下QT序列的校正效果存在差异;动力学模式分析能够捕捉到隐藏在QT时间序列中的细节变化,为检测心脏功能变化提供了新的思路与方法。(2)联合分析心脏电-机械特性,系统地研究了冠心病患者的心脏电活动、机械活动时间序列的变异性和耦合特性。与健康对照组相比,冠心病组的第一第二心音(S1S2)序列标准差显着增大,收缩间期变化更加不规律;QT-S1S2、TQ-S2S1和QQ-S1S1的耦合性指标在冠心病组均显着降低,冠心病患者电-机械活动同步性受损,心脏机械活动对电兴奋的即时反应能力减弱。结果提示,相较于单一的心电或者心音信号分析,电-机械特性联合分析对于无创无损检测冠心病更加有效。(3)系统分析了心脏电机械延迟变异性指标,并结合机器学习算法,实现冠心病组和健康组的自动分类。与健康对照组相比,冠心病患者电机械延迟间期延长,样本熵显着降低,动力学模式中振荡模式比例显着提高,进一步表明动脉粥样硬化病变会导致心肌细胞电-机械活动的不同步;在支持向量机分类结果中,电机械延迟变异性指标的加入,使得分类准确率从基于电特性、机械特性指标的72.9%显着提高到95.8%。上述结果提示心脏电机械延迟特性对冠状动脉病变极具敏感性和特异性,可以作为冠心病患者心脏功能检测的有效指标。(4)基于四肢袖带的脉搏波信号,研究了冠心病和年龄对于人体不同部位间脉搏波传播时间(PTT)以及双侧脉搏波对称性的影响。与健康对照组相比,冠心病组的肱-踝PTT显着缩短,而心脏-肱动脉PTT和心脏-踝动脉PTT均值并没有显着变化;随着年龄增长,肱-踝PTT、心脏-肱动脉PTT和心脏-踝动脉PTT均显着缩短;青年学生组表现出了良好的双侧PTT对称性,年龄增长和冠心病均导致左右侧PTT的差异增大,相似性显着降低。上述结果提示,肱-踝PTT分析以及双侧PTT对称性分析,有助于血管弹性功能评估和冠心病的无创无损检测。
颜昌[4](2019)在《心血管时间序列的图形分析和应用》文中认为心血管疾病的发病率持续上升且发病人群趋于年轻化,给家庭和社会带来巨大的危害。在心血管疾病的临床前期进行早期干预是降低其发病率和遏制年轻化趋势的有效手段,这需要有效的早期检测工具,如何在无创无损的前提下实现早期、精准检测是生物医学工程研究者面临的重大挑战。为实现心血管疾病的早期、精准检测,国内外研究者做出了大量的研究。基于图形的方式分析心血管系统时间序列为实现这一目的提供了新思路。庞加莱图可以用来刻画生理时间序列的内部结构,描述动力学系统相空间的几何构型,己被广泛应用于心脏动力学分析。但现有庞加莱图分析方法仅度量图形数学特征的某个侧面,而且无法评估多维信号间的相互关系。本文探究新的庞加莱图分析算法,研究算法的影响因素,并建立多模态图形分析的概念,旨在研究短时心血管时间序列的图形分析在心血管疾病早期检测中的应用价值,所做主要工作和创新点如下。(1)提出了度量心率不对称性的面积指数。传统算法采用数量、距离或角度等一维方式评估心率不对称性,本研究将距离和角度结合提出面积指数算法。分析公开数据库和临床试验数据中长时和短时心动周期序列的结果表明,相对传统算法,该算法在分析短时心动周期序列时表现出更稳健的特性;心律失常或心衰等心血管疾病会导致心率不对称性增大,提示疾病可能造成自主神经功能退化,交感神经和迷走神经对心率调控能力下降;探究了心率不对称性分析的影响因素,提出了四个参考点和两条参考线,优化了心率不对称性算法分析结果。(2)探讨了冠心病患者经皮冠状动脉介入术后的心率不对称性变化规律,揭示了冠心病患者介入手术后24h的血运恢复情况和心血管功能状态。多种心率变异性的分析手段结果表明,冠心病患者手术后的面积指数相对手术前显着降低,这可能意味着经皮冠状动脉介入术后第一天冠心病患者的心血管功能或自主神经功能得到一定程度的恢复,也许是面积指数综合两个维度特征可以获得隐藏在短时心动周期序列中更多的信息。混合模型分析表明,性别对手术前后患者的心血管功能状态恢复没有显着影响。(3)建立了网格分布率和网格分布熵算法,分析庞加莱图散点的分布规律。定义了网格庞加莱图,提出了计算时间序列散点在庞加莱图中分布情况的网格分布率算法,并结合香农熵对散点分布概率加权平均,建立了网格分布熵算法。仿真结果表明:两种新方法统计性能的一致性和稳定性显着高于传统庞加莱图算法;临床试验分析表明:健康青年组的网格分布率和网格分布熵大于健康老年组,提示老年人的庞加莱图中散点分布更为紧密,这可能意味着老年人的自主神经的功能已经出现退化;冠心病组的网格分布率和网格分布熵显着低于健康对照组,揭示冠心病患者的网格分布率和网格分布熵趋于低不规则度或低复杂度的方向。(4)基于同步记录的心血管系统时间序列,开创性地构建了多模态生理信号图。建立了心电、脉搏和心音时间序列的多模态生理信号图,同时借助一维时间序列庞加莱图的研究模式,提出了度量多模态生理信号图中散点离散程度的算法,从图形空间结构探索心血管时间序列的分布。分析结果表明,冠状动脉狭窄导致心脏电-机械,心脏-血管时间序列的空间分布离散化增大,揭示冠心病降低同一心动周期内时间序列空间分布的相关性;三模态生理信号图分析显示,收缩间期变异性相对独立且稳定,而舒张间期和心动周期序列之间的耦合作用更为明显,冠心病导致舒张间期和心动周期序列之间的耦合现象退化,提示三模态生理信号图对心血管时间序列之间的相互作用描述更为准确,逐拍对应心动周期的多模态时间序列图形分析可以有效提供有关多维时间序列相互关系的信息,可能为解释心血管系统生理或病理变化提供更多依据。
席乐乐[5](2019)在《基于混沌理论的BCG信号非线性特性分析》文中研究指明随着人们生活方式的改变,中国心血管病的发病人数持续增加,且大量的心脏病突发状况都发生在医院外,需要寻找一种无创的家庭心脏监护方法,对心脏状态进行院外持续监测,并提前预警心脏异常,降低突发心脏病造成的风险和损失。心冲击信号(Ballistocardiogram,BCG)可以描述心脏收缩与血液喷射引起的身体振动,是一种可实现非接触式采集的心脏生理信号。本文设计了一种基于压电薄膜传感器的坐式BCG信号采集系统,实现心脏生理信号的非接触式采集,并对信号进行特征提取与分析,主要工作如下:(1)依据BCG信号的产生原理,将压电薄膜传感器置于坐垫中,设计并制作由电荷放大电路、滤波电路、后级放大电路和数据采集卡组成的信号采集系统,并同步采集心电信号(Electrocardiogram,ECG)和脉搏信号。此采集系统可有效采集并记录三种心脏生理信号,具有较好的稳定性。(2)研究了基于小波变换的BCG信号去噪方法。根据BCG信号的特点及噪声来源,选用切比雪夫Ⅱ型IIR数字滤波器从频域角度去除呼吸趋势和由模拟电路与环境引入的噪声。然后讨论了小波基、分解尺度和阈值函数对小波去噪效果的影响,选用基于sym8小波基的改进阈值法对BCG信号进行小波去噪。此方法可有效去除信号采集过程中引入的噪声,得到清晰的、符合标准BCG信号特征的波形。(3)研究了提取并分析呼吸率和BCG信号特征点的方法。基于原始信号中的呼吸趋势和正常呼吸频率,采用低通滤波提取呼吸信号的基本波形,然后标记特征点获得呼吸率。讨论特征点标记过程中阈值选择的方法,采用幅度和间隔阈值结合的方法精确标记BCG信号J波,然后使用极值递推方式依次标出K、I、L波,并同理标记心电信号的QRS波群。最后计算BCG信号特征点间隔和两种信号之间的J-R间隔,分别绘制ECG信号的R-R间期散点图和BCG信号的J-J间期散点图并对比。统计分析结果显示,BCG信号单周期内各波段稳定且与心电信号同步,可准确反映心动周期。(4)介绍了基于混沌理论的BCG信号非线性特性分析方法并计算特征参数。对信号进行功率谱分析,证明了BCG信号是具有确定性规律的混沌信号;采用C-C算法计算延迟时间和嵌入维数,并对不同受试者的信号进行相空间重构,发现健康受试者相空间重构图比异常受试者更有规律;采用G-P算法和Wolf法分别计算信号关联维数及最大Lyapunov指数,结果也验证了健康人的BCG信号混沌性更强。(5)采用支持向量机对信号进行分类与异常识别。对比输入不同特征向量时的异常识别率。结果显示,加入非线性混沌特征后,信号异常识别率明显提高。
闫超辉[6](2019)在《篮球运动员睡眠质量及其对竞技表现的影响研究 ——以山西大学CUBA篮球队为例》文中指出睡眠是优秀运动员在训练或比赛期间达到身体快速恢复,消除疲劳的重要方式,可以有效促进运动员身体机能的恢复和竞技状态的良好发挥。研究运动员的睡眠时长和质量是为了更好地在训练或比赛期间为教练的指导训练和赛时的场上人员安排提供一定的理论依据和量化指导。也可以更好地了解运动员的整体睡眠质量和竞技状态之间的关系,根据睡眠检测结果有针对性的为每个运动员改善睡眠质量做出有效调整。研究目的:本研究旨在通过对运动员的睡眠质量与竞技表现的关系进行研究分析,为保证运动员比赛期间的良好竞技状态提供科学的睡眠指导。研究对象:以山西大学CUBA篮球队5位首发队员和山西大学体育学院4名非篮球专项运动员的睡眠状况为研究对象。研究方法:本论文主要通过实验法跟踪监测篮球运动员与非篮专运动员的睡眠,分为三个阶段的跟踪记录,通过睡眠传感器监测运动员在训练期间的状态,通过跟队记录比赛时的竞技状态表现;通过数理统计法,具体分析各数量之间的关系,分析对比:1,CUBA篮球运动员训练期间与比赛期间睡眠质量的差异;2,不同睡眠质量与运动员竞技状态之间的关系即睡眠对竞技状态的影响;3,篮球运动员与非篮球运动员在睡眠质量上的差异性对比。研究结果:1,篮球运动员在训练期间与比赛期间的睡眠质量有较大的差异性,比赛期间的睡眠质量整体好于训练期间的睡眠质量;2,比赛期间篮球运动员的睡眠质量有较大的个体差异,整体提高睡眠质量,但有些球员存在有运动性失眠现象,比赛期间睡眠质量反而变差;3,非篮球专项运动员的睡眠质量整体好于专业篮球运动员。主要创新点:利用非接触式睡眠传感器,最大程度的减少传感器对实验的影响,通过完整的数据记录,量化直观的反映不同模式下篮球运动员的睡眠质量,能够有效地为改善运动员睡眠而提出意见与建议,为教练的训练计划和赛时战术指导提供理论依据。
焦得钊[7](2019)在《老年人十二导联心电信号的非线性研究》文中研究指明心脏是人体最为重要的器官之一,心脏疾病问题给人们带来的痛苦和障碍已成为许多国家关注的重点,在世界上心脏疾病被人们广泛地关注。近年来,随着生活水平的提高,人们对心脏疾病的防范也愈加重视。由于心脏分布着复杂的血管和神经组织,使得心脏疾病治疗需要高昂的费用。为了预防心脏疾病的发生,揭示心脏系统状态和特性之间的关系,全世界医学人员和科学研究人员进行了大量地研究。在生物医学工程领域中,研究者把心电信号、自主神经系统和生理状态联系起来,自主神经系统控制心脏产生心电信号,心电信号的变化会引起生理状态改变。在一定程度上,心电信号是对生理状态的客观反映。正是由于心电信号对生理状态的描述具有指导意义,因此对心电信号的研究具有最重要的价值。正常状态下,心电信号是周期性变化的。随着人们对心电信号的深入了解,发现其周期是变化的,并不是一个定值。从严格意义上讲,并不属于确定信号。随机信号的分析主要运用统计学参数描述,包括直方图、方差等。在早期的心电信号研究中,大量学者对心电信号进行统计学特征分析。随着非线性科学和计算机技术的发展,人们逐渐运用其他学科理论知识研究心电信号,心电信号的研究不再局限于时频域分析,运用非线性理论及复杂性科学是从新角度对心电信号的定性解读。本文从非线性科学角度出发,运用分形理论与去趋势波动分析方法相结合思想,对十二导联心电信号进行详细分析,并运用复杂度算法从另一角度分析心电信号。本文以老年人心电信号为研究对象,选取三种状态各10名老年人的心电信号,分别就三种信号采用多重分形去趋势波动分析(MFDFA)法,对心肌梗死、心律失常和正常状态三种心电信号进行对比,分析了时间序列的非线性特征。发现三种信号具有多重分形特征,且不同状态的长程相关性数值也不同。通过计算Hurst指数、质量指数及多重分形谱,发现三种信号都具有多重分形特性,且三种生理状态易于区分。绘制标准十二导联心电信号波形图分析,不同状态识别结果和分形理论结果一致。最后分别计算三种状态心电信号LZ复杂度和绘制心电波形图,对信号的特征识别加以确定。本文以心电信号为研究对象,通过分析发现可以运用非线性科学中的一些方法描述心电信号并识别不同生理病态。这为广泛研究人体生理信号提供思路,为心脏患者早期诊断治疗提供帮助,还可能协助医生在心脏疾病诊断提供参考。
郭园园[8](2019)在《基于去趋势项RR间期序列的熵研究》文中进行了进一步梳理心脏是人类维持生命健康的重要器官之一,结构和生理功能极其复杂。心脏系统是自然界中典型的混沌系统,其输出信号常常呈现出复杂的变异性,因此被称为心率变异性(HRV)信号,也称RR间期序列。该时间序列大量的储藏着与心血管调节的相关信息,已作为评价自主神经活动水平以及临床检测心脏健康的一个重要研究对象。RR间期序列的输出波形看似有规律实则存在微小的差异,是一种复杂的混沌信号。对RR间期序列的研究必须采用非线性混沌指标对其进行刻画,在众多的非线性混沌指标当中,熵分析是一种被用于测量非平稳随机信号的复杂性、随机性以及不规则性的方法,可作为识别RR间期序列不同生理状态下的一种指标。熵分析的本质是嵌入维数的变化会引起时间序列产生新模式的概率发生变化,说明数据结构的复杂性。然而当熵分析作为衡量非线性序列的指标时,易受信号的各种趋势或噪声影响,造成计算结果的不稳定和不确定性。在实际ECG信号采集过程中,由于传感器的影响,ECG信号通常会受到采集者呼吸、出汗和轻微移动电极等因素的影响。甚至是由一些肌肉缓慢移动等现象带来的低频噪声干扰(即趋势项渗入)经常会影响到熵分析结果的准确性,进而影响整个实验结论的正确性。因此,消除或减少待测信号中的噪声和趋势成分是数据处理当中很关键的一步,然而目前在消除非线性趋势项的众多方法中,依然还存在着很大的缺陷性。基于此,本文在前人的研究基础上,进行了以下创新:(1)针对混沌经典模型Logistic映射序列的低频慢变成分(即趋势项部分)进行去趋势处理,提出了一种基于平滑先验发消除非线性信号趋势的方法,并且与传统的小波分析法、集合经验模态分解法进行仿真模拟对比,再联合Welch-PSD谱图对去趋势处理前后Logistic序列做功率谱分析。结果发现:小波分析法将频率小于100Hz的有效成分都一并消除掉,这就带来了RR间期序列一段有效成分的缺失,对实验结果造成了很大错误;EEMD消除蕋线漂移部分有一定的效果,然而在频率小于12Hz时,还没有明显的消除,这对于信号趋势项消除不太明显,不具优势;而本文提出的SPA算法很明显的消除掉这部分趋势项,并且由频率响应可知,SPA算法消除掉了截止频率为0.1668Hz以下的趋势项的去除,体现出平滑先验法消除非线性趋势的优越性。(2)对昼夜节律下健康人的RR间期序列添加三种常见的主要趋势:直线趋势、周期趋势、幂指数趋势以及这三种趋势的混合趋势,对其进行近似熵和模糊熵计算,经t检验,P(白天,夜间)>0.05,结果表明两种算法对趋势或噪声均很敏感,极易受到信号当中渗透的趋势或噪声成分的影响,使得健康人白天和夜间两种状态下的RR间期序列难以清楚的区分开。(3)为了提高两种熵算法在噪声或不同趋势强干扰下的识别性,使用平滑先验法消除RR间期序列在噪声或不同趋势下的非线性趋势项,再次计算两种熵,发现两个熵值均保持稳定且经t检验,P(白天,夜间)<0.05,这说明平滑先验法有效的提高了两种熵分析法的稳定性和识别性,在以后的研究中,无需再考虑趋势或噪声对实验结果的影响,对非线性信号处理和特征值选取提供了可行性的实施方法。
王婷婷[9](2019)在《心率变异生物反馈治疗大学生焦虑、抑郁情绪的研究》文中进行了进一步梳理[目的]1、探讨大学生静息状态下心率变异基线值与心理健康水平的相关性。2、探讨大学生焦虑状态下心率变异的特点及人格特点。3、探讨大学生抑郁状态下心率变异的特点及人格特点。4、探讨心率变异生物反馈技术对改善大学生焦虑、抑郁情绪的效果。[方法]1、使用从德国进口的心率变异生物反馈扫描仪采集大学生静息状态下心率变异性数据245例,并用症状自评量表(SCL-90)、艾森克人格问卷(EPQ)、焦虑自评量表(SAS)、抑郁自评量表(SDS)采集大学生人格及心理健康状况数据。2、根据焦虑自评量表分数筛选出焦虑状态大学生60人,与随机抽取的健康组57人进行比较,分析焦虑状态下心率变异性(HRV)的特点,主要通过时域指标和频域指标(SDNN、RMSSD、HF、LF、VLF、TP、LFHF)分析以及与健康组比较焦虑大学生的人格特点。3、根据抑郁自评量表分数筛选出抑郁状态大学生77人,与随机抽取的健康组70人进行比较,分析抑郁状态下心率变异性(HRV)的特点,主要通过时域指标和频域指标(SDNN、RMSSD、HF、LF、VLF、TP、LFHF)分析以及与健康组比较焦虑大学生的人格特点。4、选取53例处在焦虑、抑郁状态的大学生,随机分为对照组和实验组,使用心率变异生物反馈技术进行干预,每周2次,每次30分钟,6周后采集两组大学生心率变异性数据、以及焦虑自评量表、抑郁自评量表分数,对治疗效果进行评估。[结果]1、大学生群体HR与焦虑因子成正相关(r=0.164,p=0.010);频域指标中VLF与人际关系敏感因子负正相关(r=-0.184,p=0.004);LF/HF与焦虑因子成正相关(r=-0.129,p=0.044);LF与偏执因子成正相关(r=0.132,p=0.040);VLF与恐惧因子成负相关(r=-0.163,p=0.11),但未发现时域指标与各心理健康因子存在相关。2、大学生焦虑状态下心率HR(t=-4.43,p<0.05)高于健康组,差异达到显着水平;时域指标LgSDNN(t=2.37,p<0.01)、LgRMSSD(t=2.89,p<0.01)均低于健康组,差异达到非常显着水平;焦虑状态下频域指标LgHF(t=2.65,p<0.01)低于健康组,差异达到非常显着水平;LgVLF(t=1.98,p<0.05)高于健康组,差异达到显着水平;LF/HF(t=-2.79,p<0.01)高于健康组,差异达到非常显着水平。焦虑状态组大学生内外倾得分低于健康组,差异达到显着水平(t=2.26,p<0.05);焦虑组神经质得分高于健康组,差异达到非常显着水平(t=-7.21,p<0.01);焦虑组精神质得分高于健康组,差异达到显着水平(t=-2.10,p<0.05)。3、大学生在抑郁状态下HR高于健康组,差异达到显着水平(t=-5.12,p<0.05);频域指标LF/HF高于健康组,差异达到非常显着水平(t=-3.45,p<0.01)。抑郁状态组大学生内外倾得分低于健康组,差异达到非常显着水平(t=--4.60,p<0.01);抑郁组神经质得分高于健康组,差异达到非常显着水平(t=-10.78,p<0.01);抑郁组精神质得分高于健康组,差异达到显着水平(t=-2.41,p<0.05)。4、对照组在6周后SAS、SDS量表分数低于6周前,差异达到显着水平(t=3.00,p<0.05),其余指标均无变化;实验组SAS低于6周前,差异达到非常显着水平(t=9.44,p<0.01);SDS低于6周前,差异达到非常显着水平(t=8.04,p<0.01);在LgLF这一指标中,实验组高于6周前差异达到显着水平(t=-2.26,p<0.05);在LgTP这一指标中,实验组高于6周前差异达到显着水平(t=-2.20,p<0.05)。[结论]1、通过探索心率变异性与SCL-90各因子相关关系中,SCL-90与心率变异性指标的相关主要体现在与交感神经有关的部分,这与SCL-90量表主要测评症状的特性有关,往往症状的出现都会伴随交感神经功能水平的提高。2、焦虑状态下大学生心率变异性较健康组低,主要体现为交感神经水平亢进,自主神经系统平衡性降低。焦虑状态大学生神经质人格特征明显,与正常人群相比更容易情绪不稳定、易怒、易激动等现象。3、抑郁状态下大学生心率变异性水平较健康组低,交感神经与迷走神经的总张力降低,自主神经系统的平衡性降低。抑郁状态下大学生内倾性人格特征明显,与正常人群相比更内向,不善交往等特点,同时具有神经质人格特点,情绪不稳定,敏感等。4、心率变异与生物反馈技术可以作为改善大学生焦虑、抑郁情绪的方式之一,与未干预的对照组相比,不仅抑郁、焦虑分数降低达到非常显着水平,而且心率变异性水平得到明显提高,主要体现在交感与迷走神经的张力增大、交感神经活性增强,总的心率变异性增强。5、心率变异性作为检测大学生焦虑、抑郁情绪的技术手段,对焦虑情绪检测的敏感性高于抑郁情绪。
方真[10](2019)在《基于确定学习和非线性动力学分析的心肌缺血检测及其实现》文中提出心肌缺血/心肌梗塞是一种常见的心血管疾病,严重威胁着人们的生命健康。心电图(electrocardiogram,ECG)是一种诊断心血管疾病首要选择。它具有无创、操作简单、价格低廉等优势。然而,心电图检测冠心病/心肌缺血准确率不高(60%左右)。最近,借助确定学习理论对ECG数据的准确动力学辨识,发展了一种相比ECG具有更高的准确率的方法(Cardiodynamicsgram,CDG)。基于非线性动力学分析方法,本文主要研究了基于CDG的心电特征提取,分类识别与应用实现等问题。首先,运用功率谱法和主成分分析法对心电动力学进行非线性特性分析,基本确定心电动力学中存在混沌特性。其次,选取四个典型的非线性动力学特征:关联维数、最大Lyapunov指数、0C复杂度和近似熵,对心电动力学进行定量指标提取,并以箱线图的形式对病态与非病态心电动力学进行特征分布分析,初步分析各特征对心肌缺血检测的有效性。通过上述特征,结合两种常见的分类器(SVM、KNN)对心肌缺血进行分类识别。结果表明,以上非线性心电动力学特征在心肌缺血分类中有较明显的区分,所有单特征的准确率均在70%以上。其中分类效果最好的是C0复杂度(准确率83.79%、敏感性84.21%、特异性81.38%)。再次,把以上四个特征综合考虑,基于多个特征对心肌缺血进行分类识别。结果显示,多特征的分类结果可达准确率86.64%、敏感性85.82%、特异性87.45%,与已有的临床结果相符。针对于多特征的数据可视化表示问题,通过雷达图表示法与SVM最优分类面相结合,得到一种多边形判别图,为临床诊断心肌缺血提供直观且有效的判别信息。最后,基于MATLAB和MySQL数据库开发了面向心肌缺血的心电工作站,工作站能够支持心电信号的本地采集、自动分析、数据管理等功能,实现了本文中非线性心电动力学特征的程序计算,为医生诊断心肌缺血提供定量的指标参量供临床诊断参考,同时也为医务人员管理医案信息提供便捷。
二、健康人心率变异性中的不稳定周期轨道(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、健康人心率变异性中的不稳定周期轨道(论文提纲范文)
(1)基于心率变异性的抑郁状态识别研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 问题分析与立题依据 |
1.4 论文的主要内容和章节安排 |
第二章 心电信号的采集与预处理 |
2.1 心电信号采集实验 |
2.1.1 实验采集过程 |
2.1.2 实验对象的选择 |
2.2 心电信号的预处理 |
2.2.1 心电信号滤波 |
2.2.2 RR间期时间序列的获取 |
2.3 本章小结 |
第三章 心电信号的特征提取 |
3.1 心率变异性特征的提取 |
3.2 差异性检验方法 |
3.3 本章小结 |
第四章 心电特征的差异性分析与抑郁状态识别 |
4.1 基于统计学的差异性分析 |
4.1.1 心血管功能参数差异性分析 |
4.1.2 心率变异性差异性分析 |
4.2 基于机器学习的抑郁状态检测 |
4.2.1 分类器的构建 |
4.2.2 抑郁状态识别结果及分析 |
4.3本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表论文情况 |
学位论文评阅及答辩情况表 |
(2)基于短期心率变异性的高血压患者自主神经模式分析(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文研究的科学问题 |
1.4 论文研究内容与创新点 |
1.4.1 论文的研究内容 |
1.4.2 论文创新点 |
1.5 论文结构安排 |
1.6 本章小结 |
第二章 自主神经活动数据集构建 |
2.1 心脏的自主神经控制基础 |
2.2 标准数据库 |
2.2.1 高血压患者心电数据 |
2.2.2 健康受试者心电数据 |
2.3 心电信号的读取 |
2.4 RR间期数据集 |
2.5 本章小结 |
第三章 自主神经活动数据预处理 |
3.1 自主神经模式研究的生理指标 |
3.2 心电理论基础 |
3.2.1 心电的产生 |
3.2.2 正常的心电信号 |
3.3 心电信号预处理 |
3.3.1 基线漂移概述 |
3.3.2 基于小波变换去除基线漂移 |
3.4 R波波峰定位及RR间期的计算 |
3.4.1 常见的R波波峰定位方法 |
3.4.2 本文R波波峰定位方法 |
3.4.3 RR间期时间序列的计算 |
3.5 本章小结 |
第四章 自主神经模式分析方法 |
4.1 特征提取 |
4.1.1 线性特征提取 |
4.1.2 非线性特征提取 |
4.1.3 数据归一化 |
4.2 统计检验 |
4.3 特征选择 |
4.4 分类 |
4.4.1 分类器理论 |
4.4.2 分类指标 |
4.5 模型验证 |
4.6 本章小结 |
第五章 结果与讨论 |
5.1 统计检验结果 |
5.2 SBS迭代结果 |
5.3 模型验证结果 |
5.4 模型优化与讨论 |
5.5 相关工作对比 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读硕士期间发表的学术论文 |
攻读硕士期间参与的研究项目 |
(3)基于体表信号的心血管系统电-机械特性分析研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语注释表 |
符号说明 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 心血管系统电机械特性概述 |
1.3 基于体表生理信号的心血管系统电机械特性研究进展 |
1.3.1 心脏电特性研究进展 |
1.3.2 心血管机械特性研究进展 |
1.3.3 心血管系统电-机械特性联合分析研究进展 |
1.4 研究内容和章节安排 |
第二章 基于心电信号的心脏电特性研究 |
2.1 引言 |
2.2 数据采集与处理 |
2.2.1 数据来源与分组 |
2.2.2 电特性时间序列的构建 |
2.3 时间序列的分析 |
2.3.1 心率校正 |
2.3.2 变异性分析 |
2.4 结果分析 |
2.4.1 冠心病患者和心衰患者的QT-RR相关性变化 |
2.4.2 冠心病患者和心衰患者的QTV变化 |
2.5 讨论 |
2.6 本章小结 |
第三章 基于心电与心音信号的心脏电-机械耦合特性研究 |
3.1 引言 |
3.2 数据采集和处理 |
3.2.1 数据来源与分组 |
3.2.2 电和机械特性时间序列的构建 |
3.3 时间序列的分析 |
3.3.1 变异性分析 |
3.3.2 耦合性分析 |
3.4 结果分析 |
3.4.1 冠心病患者变异性指标的变化 |
3.4.2 冠心病患者电-机械耦合特性的变化 |
3.5 讨论 |
3.6 本章小结 |
第四章 基于心电与心音信号的心脏电机械延迟特性研究 |
4.1 引言 |
4.2 数据采集与处理 |
4.2.1 数据来源和分组 |
4.2.2 电机械延迟时间序列的构建 |
4.3 时间序列分析与分类 |
4.3.1 变异性分析 |
4.3.2 支持向量机 |
4.4 结果分析 |
4.4.1 冠心病患者HRV、SPV、DPV、EMDV的变化 |
4.4.2 支持向量机分类结果 |
4.5 讨论 |
4.6 本章小结 |
第五章 基于心电和四肢袖带脉搏波信号的心血管系统电机械特性研究 |
5.1 引言 |
5.2 数据釆集与处理 |
5.2.1 数据来源与分组 |
5.2.2 心血管电机械特性时间序列的构建 |
5.3 时间序列分析 |
5.3.1 变异性分析 |
5.3.2 对称性分析 |
5.4 结果分析 |
5.4.1 年龄对肱-踝脉搏波传播时间的影响 |
5.4.2 冠心病对肱-踝脉搏波传播时间的影响 |
5.4.3 年龄对心脏-四肢脉搏波传播时间的影响 |
5.4.4 冠心病对心脏-四肢脉搏波传播时间的影响 |
5.5 讨论 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 研究总结 |
6.2 研究展望 |
参考文献 |
致谢 |
攻读博士学位期间取得的成果和奖励 |
学术论文与专利 |
荣誉或奖励 |
攻读博士学位期间参与的科研项目 |
学位论文评阅及答辩情况表 |
(4)心血管时间序列的图形分析和应用(论文提纲范文)
摘要 |
ABSTRACT |
缩略语注释表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 心血管时间序列分析研究进展 |
1.2.1 心动周期序列研究进展 |
1.2.2 其他心血管时间序列研究进展 |
1.2.3 心血管时间序列分析常用方法 |
1.3 庞加莱图方法研究进展 |
1.3.1 庞加莱图的基本原理 |
1.3.2 庞加莱图的定性分析技术 |
1.3.3 庞加莱图的定量分析技术 |
1.4 现有问题和研究思路 |
1.5 主要内容和章节安排 |
第二章 心率不对称性的庞加莱图分析 |
2.1 面积指数及其仿真验证 |
2.2 数据和分组 |
2.2.1 数据来源 |
2.2.2 数据分组 |
2.3 心律失常和心衰患者的心率不对称性分析 |
2.3.1 长时心率不对称性分析结果 |
2.3.2 短时心率不对称性分析结果 |
2.4 讨论 |
2.5 本章小结 |
第三章 参考点和参考线对分析心率不对称性的影响 |
3.1 庞加莱图的参考点和参考线 |
3.1.1 心率不对称性分析方法 |
3.1.2 参考点和参考线 |
3.2 参考点和参考线对心律失常和心衰患者心率不对称性的影响 |
3.2.1 对长时心率不对称性的影响 |
3.2.2 对短时心率不对称性的影响 |
3.3 讨论 |
3.4 本章小结 |
第四章 冠心病患者经皮冠状动脉介入术后心动周期序列分析 |
4.1 临床试验数据 |
4.2 心动周期序列分析方法 |
4.2.1 线性方法 |
4.2.2 非线性方法 |
4.3 分析结果 |
4.4 讨论 |
4.5 本章小结 |
第五章 网格庞加莱图及其量化分析 |
5.1 网格分布率和网格分布熵算法 |
5.2 仿真试验 |
5.2.1 仿真模型 |
5.2.2 仿真结果 |
5.3 年龄对网格庞加莱图的影响 |
5.3.1 健康老年人与健康青年人数据 |
5.3.2 年龄对短时心动周期序列分布规律的影响 |
5.4 网格庞加莱图在冠心病患者中的变化 |
5.4.1 健康对照组与冠心病患者数据 |
5.4.2 冠心病患者散点分布规律的变化 |
5.5 讨论 |
5.6 本章小结 |
第六章 基于多模态生理信号图的无创冠心病检测研究 |
6.1 心血管时间序列的构造 |
6.2 多模态生理信号图分析方法 |
6.2.1 双模态生理信号图 |
6.2.2 三模态生理信号图 |
6.3 冠心病患者的多模态生理信号图分析结果 |
6.3.1 双模态生理信号图分析结果 |
6.3.2 三模态生理信号图分析结果 |
6.4 讨论 |
6.4.1 冠心病对双模态生理信号图的影响 |
6.4.2 冠心病对三模态生理信号图的影响 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 主要工作 |
7.2 工作展望 |
参考文献 |
致谢 |
攻读博士学位期间取得的成果和奖励 |
学术论文 |
发明专利 |
荣誉或奖励 |
攻读博士学位期间参与的科研项目 |
学位论文评阅及答辩情况表 |
(5)基于混沌理论的BCG信号非线性特性分析(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
§1.1 课题的研究背景与意义 |
§1.2 心冲击信号的发展与研究现状 |
§1.2.1 心冲击信号的发展历史 |
§1.2.2 心冲击信号的国内外研究现状 |
§1.3 心脏系统的混沌特性研究现状 |
§1.4 本文主要研究内容 |
§1.5 本文组织结构 |
第二章 BCG信号采集装置工作原理与系统组成 |
§2.1 信号采集系统总体设计 |
§2.2 硬件电路原理 |
§2.2.1 传感器选择 |
§2.2.2 电荷放大电路 |
§2.2.3 滤波电路设计 |
§2.2.4 工频陷波电路设计 |
§2.2.5 模块级联顺序 |
§2.2.6 电源电路 |
§2.2.7 对比信号的采集 |
§2.3 BCG信号采集实验 |
§2.4 本章小结 |
第三章 基于小波变换的BCG信号去噪 |
§3.1 信号预处理 |
§3.1.1 滤波器的选择 |
§3.1.2 信号预处理步骤及结果 |
§3.2 基于小波变换的BCG信号去噪 |
§3.2.1 小波变换的原理 |
§3.2.2 小波基的选择 |
§3.2.3 基于改进阈值法的小波去噪 |
§3.3 本章小结 |
第四章 BCG信号混沌特性的分析方法 |
§4.1 功率谱分析法 |
§4.2 相空间重构 |
§4.2.1 相空间重构算法介绍 |
§4.2.2 延迟时间和嵌入维数的确定 |
§4.3 关联维数的计算 |
§4.4 Lyapunov指数 |
§4.5 本章小结 |
第五章 BCG信号特征提取与分析 |
§5.1 呼吸率的提取 |
§5.2 信号时域特征提取 |
§5.3 信号特征分析 |
§5.3.1 BCG信号稳定性分析 |
§5.3.2 间期散点图 |
§5.4 基于混沌理论的BCG信号非线性特性分析 |
§5.4.1 BCG信号的功率谱分析 |
§5.4.2 BCG信号的相空间重构图 |
§5.4.3 关联维数 |
§5.4.4 最大Lyapunov指数 |
§5.6 本章小结 |
第六章 基于支持向量机的BCG信号分类与识别 |
§6.1 支持向量机原理介绍 |
§6.2 分类实验及结果分析 |
§6.3 本章小结 |
第七章 总结与展望 |
§7.1 总结 |
§7.2 展望 |
参考文献 |
致谢 |
作者在攻读硕士期间的主要研究成果 |
(6)篮球运动员睡眠质量及其对竞技表现的影响研究 ——以山西大学CUBA篮球队为例(论文提纲范文)
中文摘要 |
ABSTRACT |
1 前言 |
1.1 选题目的与意义 |
1.2 文献综述 |
1.2.1 关于篮球运动的发展态势研究 |
1.2.2 睡眠研究现状 |
1.2.3 传感器的研究现状 |
2 研究对象与研究目的 |
2.1 实验对象 |
2.2 研究内容 |
2.3 研究目的 |
2.4 研究方法 |
2.4.1 文献资料法 |
2.4.2 问卷调查法 |
2.4.3 数理统计法 |
2.4.4 实验法 |
3 实验设计 |
3.1 实验设备及其相关原理 |
3.2 设备收集参数指标及意义 |
3.3 试验场地 |
3.4 实验方案 |
4 研究结果与分析 |
4.1 被测试者成员睡眠状态初步测试研究 |
4.2 CUBA篮球运动员日常训练与比赛期间睡眠分析 |
4.2.1 训练期间与比赛期间睡眠时长分析 |
4.2.2 训练期间与比赛期间入睡时长分析 |
4.2.3 训练期间与比赛期间睡眠状态分析 |
4.2.4 训练期间与比赛期间睡眠生理参数分析 |
4.2.5 球员睡眠质量影响因素综合分析 |
4.3 非篮专(羽毛球)运动员睡眠分析 |
4.4 非篮专与篮专运动员不同状态睡眠分析 |
4.5 比赛期间睡眠与竞技状态分析研究 |
4.5.1 何思雨比赛期间睡眠与竞技状态分析 |
4.5.2 刘佳浩比赛期间睡眠与竞技状态分析 |
4.5.3 张嘉诚比赛期间睡眠与竞技状态分析 |
4.5.4 刘军比赛期间睡眠与竞技状态分析 |
4.5.5 王昊比赛期间睡眠与竞技状态分析 |
5 讨论 |
6 结论与创新 |
6.1 结论 |
6.2 创新点 |
7 研究不足与未来设想 |
7.1 研究不足 |
7.2 未来设想 |
参考文献 |
附录 |
攻读学位期间取得的研究成果 |
致谢 |
个人简况及联系方式 |
(7)老年人十二导联心电信号的非线性研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 综述 |
1.2 研究背景与意义 |
1.3 国内外研究现状 |
1.4 本文研究的内容 |
第2章 心电信号的理论基础 |
2.1 心电信号理论概述 |
2.2 标准十二导联心电图信号理论概述 |
2.3 心电信号分析方法 |
2.3.1 心电信号去噪 |
2.3.2 心电信号时域分析 |
2.3.3 心电信号频域分析 |
2.3.4 心电信号非线性定性分析 |
2.3.5 心电信号非线性参数分析 |
第3章 多状态十二导联ECG信号多重分形去趋势波动分析 |
3.1 去趋势波动分析 |
3.2 多重分形分析 |
3.3 基于MFDFA算法的十二导联心电信号分析 |
3.4 本章小结 |
第4章 心电信号波形图和LZ复杂度分析 |
4.1 心电信号绘图及分析 |
4.1.1 正常人十二导联波形分析 |
4.1.2 心肌梗死波形分析 |
4.1.3 心律失常波形分析 |
4.2 心电信号LZ复杂度分析 |
4.3 本章小结 |
第5章 结论与展望 |
5.1 本文总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(8)基于去趋势项RR间期序列的熵研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文的研究内容 |
第2章 RR间期序列分析的理论基础 |
2.1 心脏电活动的理论基础 |
2.2 RR间期序列的概述和生理学基础 |
2.3 RR间期序列的线性分析方法 |
2.3.1 RR间期序列时域分析方法 |
2.3.2 RR间期序列频域分析方法 |
2.4 RR间期序列的非线性分析方法 |
2.4.1 庞卡来(poincare截面图) |
2.4.2 时间序列不可逆分析 |
2.4.3 复杂度 |
2.4.4 去趋势波动分析 |
2.5 本章小结 |
第3章 不同趋势下Logistic映射序列的非线性趋势项消除 |
3.1 不同趋势下的Logistic映射序列 |
3.2 非线性信号去趋势项方法 |
3.2.1 小波分析法 |
3.2.2 集合经验模态分解 |
3.2.3 平滑先验法 |
3.3 Logistic映射序列的去趋势项及波形仿真分析 |
3.3.1 小波分析应用于Logistic映射序列的去趋势项分析 |
3.3.2 EEMD应用于Logistic序列的去趋势项分析 |
3.3.3 SPA应用于Logistic映射序列的去趋势项分析 |
3.3.4 Logistic映射序列的谱估计 |
3.4 本章小结 |
第4章 基于去趋势项RR间期序列的熵分析 |
4.1 RR间期数据的获取和处理 |
4.1.1 试验数据的预处理 |
4.1.2 实验研究RR间期序列 |
4.2 两种熵分析理论基础 |
4.2.1 近似熵(Approximate Entropy) |
4.2.2 模糊熵(Fuzzy Entropy) |
4.3 去趋势项RR间期序列的熵分析 |
4.3.1 基于平滑先验法的近似熵分析 |
4.3.2 基于平滑先验法的模糊熵分析 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 本文总结 |
5.2 今后工作的展望 |
参考文献 |
致谢 |
硕士学位期间的科研成果 |
(9)心率变异生物反馈治疗大学生焦虑、抑郁情绪的研究(论文提纲范文)
缩略词表(以字母顺序列) |
中文摘要 |
英文摘要 |
前言 |
材料与方法 |
统计分析 |
结果 |
讨论 |
结论 |
参考文献 |
附录 |
攻读学位期间获得的学术成果 |
综述 |
参考文献 |
致谢 |
(10)基于确定学习和非线性动力学分析的心肌缺血检测及其实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文的主要工作 |
第二章 预备知识 |
2.1 引言 |
2.2 心电图原理 |
2.3 确定学习理论介绍 |
2.3.1 RBF神经网络与持续激励条件 |
2.3.2 确定学习机制 |
2.3.3 离散系统的确定学习 |
2.4 本章小结 |
第三章 基于确定学习和非线性动力学的心电特征提取 |
3.1 引言 |
3.2 基于确定学习的心电动力学提取 |
3.3 心电动力学的非线性特性分析 |
3.2.1 功率谱法 |
3.2.2 主成分分析法 |
3.4 基于确定学习与非线性动力学的心电特征提取 |
3.4.1 关联维数 |
3.4.2 Lyapunov指数 |
3.4.3 C_0复杂度 |
3.4.4 近似熵 |
3.5 病态与非病态CDG的非线性动力学特征分布 |
第四章 基于非线性心电动力学特征的心肌缺血检测 |
4.1 引言 |
4.2 基于非线性心电动力学特征的心肌缺血检测 |
4.2.1 研究样本采集 |
4.2.2 分类算法 |
4.2.3 评价指标 |
4.2.4 单一特征分类结果 |
4.2.5 多个特征分类结果 |
4.3 基于特征雷达图表示的心肌缺血判别分析 |
4.3.1 雷达图表示原理 |
4.3.2 基于特征雷达图表示的心肌缺血判别分析 |
4.4 本章小结 |
第五章 面向心肌缺血的心电工作站设计与实现 |
5.1 引言 |
5.2 系统需求 |
5.3 系统设计 |
5.3.1 软件结构 |
5.3.2 数据库基本表设计 |
5.3.3 数据库模型 |
5.4 功能模块 |
5.4.1 用户数据管理模块 |
5.4.2 心电数据管理模块 |
5.4.3 分析数据管理模块 |
5.5 数据库性能优化 |
5.5.1 优化需求 |
5.5.2 性能优化方法 |
5.6 本章小结 |
结论与展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
四、健康人心率变异性中的不稳定周期轨道(论文参考文献)
- [1]基于心率变异性的抑郁状态识别研究[D]. 王菁华. 山东大学, 2021(12)
- [2]基于短期心率变异性的高血压患者自主神经模式分析[D]. 张瑞琪. 西南大学, 2020(01)
- [3]基于体表信号的心血管系统电-机械特性分析研究[D]. 李阳. 山东大学, 2019(02)
- [4]心血管时间序列的图形分析和应用[D]. 颜昌. 山东大学, 2019(02)
- [5]基于混沌理论的BCG信号非线性特性分析[D]. 席乐乐. 桂林电子科技大学, 2019(01)
- [6]篮球运动员睡眠质量及其对竞技表现的影响研究 ——以山西大学CUBA篮球队为例[D]. 闫超辉. 山西大学, 2019(01)
- [7]老年人十二导联心电信号的非线性研究[D]. 焦得钊. 陕西师范大学, 2019(01)
- [8]基于去趋势项RR间期序列的熵研究[D]. 郭园园. 陕西师范大学, 2019(06)
- [9]心率变异生物反馈治疗大学生焦虑、抑郁情绪的研究[D]. 王婷婷. 昆明医科大学, 2019(06)
- [10]基于确定学习和非线性动力学分析的心肌缺血检测及其实现[D]. 方真. 华南理工大学, 2019(01)