一、短时间序列的心率变异性信号的关联维数计算（论文文献综述）
任润舟[1]（2021）在《基于多源生理特征融合的应激状态评估与内源调控研究》文中提出尽管人员在应激事件下产生一定的应激压力对身体有益,但长期累积必然会产生诸多健康问题,严重时可威胁其生命安全。因此对应激事件下人员应激状态的精准识别与生理反馈训练变得尤为重要。本文主要基于科学的数据分析方法实现关键生理信号特征的提取与优选,并结合智能学习算法构建人体应激评估模型。并进一步探索了可被干预的人体内源调控与生理信号分析结合的闭环训练架构,引入了带反馈调节的人体内源生理调控训练模式,通过分析调控节律对人体应激能力的影响,对应激失常下的有效调控策略进行评估,实现科学、高效训练。在应激状态的评估识别方面,模拟应激事件设计试验范式,采集30名被试人员平静与应激下的心脑电生理信号,并提取脑电特定频带的域特征和心电信号的心率变异性（HRV）的时频域特征,利用特征优选算法遴选出18维特征构成特征矩阵,进而构建多源特征集。采用支持向量机（SVM）,决策树,梯度提升树,随机森林算法对应激状态进行评估,结果表明,SVM平均预测准确率最高,达到了0.90,并且算法精度优于单一心电和脑电且优于其对比算法。为了评价算法的泛化能力,采用测试数据集进行验证,通过ROC曲线证明了本文多源特征算法的有效性。在应激状态下的反馈调控方面,本文提出了一种应激事件下应激失常的内源调控策略,采用人体呼吸调控与生理信号分析技术结合的闭环训练架构,探究不同呼吸调控模式（节律、深度等）对人体应激能力的影响,提出具备实操性的呼吸调控方法。并进一步模拟应激事件,利用“被试间设计”方法,将样本分为不同模式下的呼吸调控组和对照组,不同呼吸调控组分为平静期,应激期和相应的呼吸调控期。对照组为平静期,应激期,自身恢复期。基于统计学的方法对各组数据进行科学分析,实验结果表明,在各组恢复期间,呼吸调控组被试人员在一定时间内其生理指标恢复至平静期,而对照组在相同时间内并未恢复至平静期,证明了呼吸调控的有效性。并进一步根据时域分析得出呼吸调控组应激恢复时间比自然恢复时间缩短了33%以上。结果表明本文提出的内源调控方法可以作为应激失常下的反馈训练方法。
李航宇[2]（2021）在《基于末梢血流灌注量及HRV探讨腹式呼吸训练的导气效应》文中提出目的本研究选取健康人群作为研究对象,采用腹式呼吸作为干预方式,应用血流灌注量（BP）以及心率变异性分析（HRV）,比较分析腹式呼吸训练干预前后的末梢血流灌注量,以及不同状态下的心率变异性,旨在探究气功腹式呼吸训练对人体所产生的导气效应。方法本研究招募河北省廊坊市新绎健康科技有限公司在职员工72人,按照1:1的比例随机分为试验组和对照组。试验组采用腹式呼吸配合三圆式站桩姿势进行干预,对照组采用平行、仅站桩干预的对照方法。干预周期为集中培训2周,5次/周,60min/次;辅导训练6周,5次/周,40 min/次。血流灌注量使用激光多普勒线扫描成像仪（Laser Doppler Line Scanner,LDLS）在培训前后分别检测左手中指尖端末梢的血流灌注量。心率变异性使用MP-150 16导电生理记录仪在培训前检测自然站立状态（自然态1）,在培训后分别检测自然站立状态（自然态2）、练功态、以及恢复自然站立状态（自然态3）。检测练功态时,试验组进行腹式呼吸配合三圆式站桩操作,对照组进行三圆式站桩操作。统计分析时,当数据符合正态分布时,组间比较使用独立样本T检验,组内比较使用配对样本T检验;当数据不符合正态分布时,组间比较使用Mann-WhitneyU检验,组内比较使用Wilcoxon检验。对于干预后HRV各组及各状态间变化的组间及组内比较,使用重复测量的方差分析。结果1.培训前后两组末梢血流灌注量比较:（1）组间对比差异:在干预前,两组的末梢血流灌注量不具有统计学差异（P>0.05）,具有可比性。干预后,试验组的末梢血流灌注量明显高于对照组,并且差异具有统计学意义（P<0.05）。（2）组内趋势变化:试验组干预后的末梢血流灌注量显着升高,与干预前相比差异具有统计学意义（P<0.05）;对照组干预后的末梢血流灌注量与干预前比较,差异不具有统计学意义（P>0.05）。2.培训前后两组HRV比较:（1）组间对比差异:在干预前,两组的频域和时域指标均不具有统计学差异（P>0.05）,具有可比性。干预后,试验组的LF、SDNN、RMSSD与对照组相比差异具有统计学意义（P<0.05）。（2）组内趋势变化:试验组的LF、SDNN、RMSSD与干预前相比差异具有统计学意义（P<0.05）。对照组与干预前相比差异均不具有统计学差异（P>0.05）。3.培训后不同状态间两组HRV比较:（1）组间对比差异:试验组的LF、SDNN在三个状态与对照组相比差异具有统计学意义（P<0.05）;试验组的LF/HF、pNN50在练功态与对照组相比差异具有统计学意义（P<0.05）;试验组的RMSSD在自然态2、练功态与对照组相比差异具有统计学意义（P<0.05）;试验组的HF在三个状态与对照组相比差异均不具有统计学差异（P>0.05）。（2）组内趋势变化:试验组的LF、pNN50在自然态2与练功态、练功态与自然态3之间差异均具有统计学意义（P<0.05）;试验组的HF在自然态2与自然态3之间差异具有统计学意义（P<0.05）;试验组的LF/HF在自然态2与练功态之间差异具有统计学意义（P<0.05）;试验组的SDNN在三个状态间差异均不具有统计学差异（P>0.05）;试验组的RMSSD在练功态与自然态3之间差异具有统计学意义（P<0.05）;对照组频域和时域的HRV数据在三个状态间差异均不具有统计学差异（P>0.05）。结论:腹式呼吸训练的导气效应可以提高手部肢体末端的血流灌注量,对手部的气血运行存在促进作用。腹式呼吸训练的导气效应对人体自主神经功能有较大影响,同时对自主神经系统的平衡性及敏感性也有一定的改善作用,其原因可能是通过腹式呼吸带动了整个腹腔内脏腑的运动,进而对自主神经功能的变化产生影响。腹式呼吸训练的导气效应可能是一个由内到外,由内脏至全身的整体性效应。
张志民[3]（2020）在《熵测度及压缩感知理论在睡眠质量评估中的研究与应用》文中进行了进一步梳理睡眠是一个复杂的生理过程,睡眠质量的高低直接影响人体的健康水平。随着对睡眠研究的逐渐深入,人们对睡眠的认知以及睡眠质量的评估方法也都取得了长足的发展,但是在睡眠的生理机制及与睡眠相关疾病的诊断和治疗方面仍存在大量需要改进或者不明确的问题存在。在此背景下,本文以睡眠质量研究为核心,针对睡眠分期、阻塞性睡眠呼吸暂停病人的脑功能异常以及睡眠心电信号研究三个问题开展工作。本文首先综述了熵测度方法及压缩感知的理论基础,并以此为技术手段针对以上三个问题展开研究:针对第一个问题,首先研究了基于熵测度和支持向量机的自动睡眠分期方法,并进一步提出了一种新的睡眠分期熵测度算法—张量近似熵,有效地提升了睡眠分期的准确率;针对第二个问题,提出了基于模糊熵和偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人的脑功能偏侧化现象;针对第三个问题,提出了基于压缩感知理论的睡眠心电信号采样压缩重构框架,为睡眠心电信号的大数据获取与传输提供了有效的解决方案。总结起来,本论文的主要工作包括以下几个方面:（1）详细综述了近年来应用于生理信号非线性分析的几种常用的熵测度方法,包括近似熵、样本熵、模糊熵以及模糊测度熵,介绍了在现有文献中以上几种熵测度方法在生理信号分析中的典型应用。同时给出了压缩感知理论实现的数学模型,并简要阐述了压缩感知目前在脑电信号及心电信号上的初步应用。（2）研究了一种基于熵测度算法及支持向量机的自动睡眠分期方法,分别提取脑电信号及眼电信号的样本熵、模糊熵以及模糊测度熵,并设计了基于一对多的支持向量机多分类方法,分别在独立样本测试与训练、非独立样本测试与训练两种模式下进行睡眠状态分类。实验结果表明,同等条件下该方法在睡眠分期的准确率和一致性上均具有一定的优势。（3）提出了一种新的睡眠分期熵测度算法—张量近似熵,通过将生理信号组织成张量的形式能够更加准确地模拟单一信号源的生理状态。实验结果表明张量近似熵在张量数据上表现出良好的一致性及辨识能力;在睡眠分期任务中,张量近似熵在不同的睡眠状态下具有显着的差异性,并且相对于传统的时间序列熵测度方法具有更高的睡眠分期准确率。（4）针对阻塞性睡眠呼吸暂停的脑功能异常研究,提出了基于模糊熵及偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人存在的大脑功能偏侧化现象;同时考虑到传统的偏侧化指数只能考虑单一脑活动评估指标的问题,本文对偏侧化指数进行改进并提出了一种新的增强偏侧化指数,在临床多导睡眠监测数据上验证了该指数在评估脑功能优势不对称问题上的可靠性。（5）研究了基于压缩感知理论的睡眠心电信号采样压缩及重构方法。系统探究了影响心电信号重构精度和重构效率的多个因素,并提出了心电信号二维化处理的压缩感知应用模型,考虑心电信号的准周期特性,通过将心电信号各个心拍进行切割重组生成二维图像,能够更大程度地表现心电信号的稀疏度。实验结果表明,在此模型下可以以更低的信号采样压缩率实现满足临床需求的心电信号重构精度。
姚文坡[4]（2019）在《生理时间序列的符号化和非线性特征分析》文中进行了进一步梳理人体是多个非线性生理系统构成的综合体,生理系统之间、器官之间以及器官的不同成分之间都存在不同程度的非线性相互作用。如何通过表征生理系统本身的非线性特征以及生理系统之间相互作用的改变来评估不同的生理、病理状态是生理系统非线性分析的根本问题。本文利用符号化方法简化生理时间序列非线性分析中的概率估计,并按照生理变量增加的研究主线分别从单一变量的非线性特征（符号熵值分析和时间不可逆）、双变量的因果关联性（符号转移熵）和多变量之间的交互关系（网络方法）三个角度对不同生理、病理的时间序列进行非线性特征分析,具体如下:首先,针对符号化对时间序列分析的影响,利用Logistic序列和心率信号对静态和动态符号熵值方法的非线性复杂度提取效果进行了系统的对比分析,充分验证了控制参数对时间序列符号化的影响,并发现需要根据时间序列的结构化或动力学特征的不同选择相应的符号化方法。文章发现了心率信号中大量存在的等值状态,并论证了等值分布包含的重要的心脏调节信息及其对排列类型和排列熵的影响。另外,针对如何结合静态、动态符号动力学信息的问题,从符号化、编码和序列分析三个途径总结了可使用的方法,提出了利用联合熵将两种类型的符号序列相结合的方法,更有效地提取了心率信号的非线性特征,并发现静态和动态符号化方法提取的符号动力学信息不同。心率信号的符号熵值分析有助于加深对心脏非线性特征的认知以及对心衰、年老相关的复杂度丢失理论的理解。其次,针对心率和脑电信号时间不可逆的量化分析,发现了时间不可逆统计定义和相空间理论在数学上的相似性,论证了利用排列类型代替高维向量的可行性,指出并验证了正反序列联合概率差异性和序列对称向量概率差异性的一致性,论证了空排列包含的系统非线性特征及其对时间不可逆分析的影响,提出了基于减法的排列概率差异性参数Ys。在癫痫脑电信号分析中,验证了脑电信号固有的非线性特征,发现了癫痫发作期脑电信号异常高的时间不可逆,提出了癫痫脑电周期性非线性特征的假设。在心率信号的非线性分析中,研究了等值状态对基于排列类型的时间不可逆的影响,发现等值排列类型可产生意味着时间可逆的自对称形式,论证了基于等值排列的时间不可逆有更加合理、可靠的非线性特征提取效果。另外,论证了多尺度分析对心率等值分布的影响,讨论了香农熵和时间不可逆在非线性特征分析中的差异性。心脏和大脑单一器官的时间不可逆分析为理解复杂生理系统的非平衡性以及相关生理、病理的特征等提供了帮助。再次,针对不同睡眠状态下心脑信号之间关联性的特征,利用静态和动态符号转移熵量化方法进行了研究,并从系统的动态关联性以及相互之间信息量的影响两个角度对转移熵进行了解析,研究了心脏和大脑信号之间以及心电信号和不同波段的脑电活动之间存在的信息交换量,发现心脑信号之间信息关联性随着睡眠的加深而降低,而心电信号和不同脑波段的信息交换量随着频段频率的增加而增加。心电信号至脑电的信息流受睡眠影响更大,因而能更加有效地反映睡眠状态的变化,并且心电活动至脑电信号的信息量高于反向脑电至心电信号的信息量,表明在心脑信号的信息交互作用中,心脏活动是驱动因素,而脑电活动是响应因素。另外,对符号序列编码、排列和相空间、采样频率之间的理论和应用中的关系进行了充分的讨论。心脑信息关联性的量化分析提供了对心脑信号之间因果关系的新认识,并且为睡眠分期的研究提供了有价值的信息。最后,针对多生理变量的网络关联性,利用排列转移熵量化生理节点之间的连接并构建了有向加权的生理网络,分析了癫痫脑网络和睡眠生理器官网络的统计特征。在脑信息网络中,癫痫患者脑通道之间、各个脑区和整个大脑的信息传输总量以及信息流概率分布的香农熵值都低于健康人,表明癫痫抑制了不同脑区之间的信息交换以及脑区交互活动复杂度。在生理器官网络中,器官之间信息传输量以及各器官的信息流入、流出信息总量和信息交互的复杂度都随着睡眠深度的增加而降低,表明人体各器官在睡眠状态下存在普遍的信息交互关联性,但是器官之间信息交换的活跃度会随着睡眠的加深而有所下降。另外,结合癫痫和睡眠的生理、病理特点,讨论了生理信息交换网络的特征。脑网络和生理器官网络的分析对探索生理系统中复杂的相互作用的本质以及了解相关癫痫和睡眠的特点起到重要的作用。本文在生理时间序列的符号化和非线性特征分析中,提出了符号联合熵和基于排列的时间不可逆分析,验证了符号化和等值心率对非线性分析的重要影响,提出了癫痫脑电周期性非线性特征的假设,研究了生理器官之间的关联性并构建了生理信息交换网络,取得一定成果但也发现一些需要进一步研究的问题。
焦得钊[5]（2019）在《老年人十二导联心电信号的非线性研究》文中进行了进一步梳理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。
方真[6]（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》文中研究指明心肌缺血/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。
闵军[7]（2018）在《基于时变参数的一阶自回归模型和符号转移熵的脑电信号分析》文中研究表明脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,它包含了大量的病理与生理信息,因此,医学上常采用脑电信号对疾病进行诊断和治疗。在脑电信号的研究和分析当中,非线性动力学的方法占据着极其重要的作用。AR模型是一种线性的模型,在分析平稳随机的时间序列中有很大的用处,但由于脑电信号是一种非平稳时间序列,因此AR模型很少用在脑电信号的分析当中,在2015年,Claus Metzner和Christoph Mark等人提出了时变参数的一阶自回归模型,它可以用来分析任意复杂度的时间序列,本论文将时变参数的一阶自回归模型引入到脑电信号的分析当中,以下是本文所做的工作:一.本文采用时变参数的一阶自回归模型来分析癫痫脑电信号和正常人的脑电信号,采用对称通道Fp1和Fp2作为输入信号,为这两个通道的信号构建时变参数的一阶自回归模型,在构建模型之后,采用贝叶斯推断的方法提取特征参数（q t,a t）。通过比较特征参数at的自相关函数的峰值发现:癫痫患者特征参数at的自相关函数的峰值总是大于正常人的特征参数at的自相关函数的峰值。因此,可以得出,时变参数的一阶自回归模型可以用来区分癫痫脑电和正常人脑电。二.本文采用时变参数的一阶自回归模型分析清醒期的脑电信号和睡眠I期的脑电信号,采用C4-A1通道的脑电数据作为输入信号,为该一维信号构建时变参数的一阶自回归模型,在构建模型前,需要对C4-A1通道的脑电数据做出采样,采样间隔分别为t=1,2,3,4,5,6,7,实验结果发现当t=4时区分效果最好,在构建好模型后,同样是采用贝叶斯推断的方法提取特征参数（q t,a t）,通过比较特征参数at的自相关函数的峰值发现:清醒期的特征参数at的自相关函数的峰值总是比睡眠I期的值要大。因此,可以得出,时变参数的一阶自回归模型可以用来分析清醒期和睡眠I期的睡眠分期脑电信号,用作区分之用。三.本文采用排列熵符号化的符号转移熵对清醒期和睡眠I期的脑电和心电的耦合性进行了分析,实验结果表明,清醒期的脑电信号和心电信号的耦合性总是大于睡眠I期脑电信号和心电信号的耦合性。并且,无论是在清醒期,还是在睡眠I期,从脑电到心电的耦合性,总是大于从心电到脑电的耦合性。因此,可以得出,采用排列熵符号化的符号转移熵的方法可以用来分析睡眠分期的心脑电的耦合性。
姚沁[8]（2018）在《基于联合熵的心电特征提取以及心肺耦合关系研究》文中研究指明心脏是一个重要的人体器官,而心率则是用来检测、判别人体是否健康的重要的指标。医学上,可以采用心电信号来诊断心脏或者其他器官的疾病。心电信号中蕴藏大量的心率节律的动态学信息,它是由自主神经系统对窦房结的自律性的调节所产生,是心血管系统正常进行稳态调节下的重要机制。心脏疾病一直是医疗诊断的研究热点,其中心肌缺血是冠心病的一个显着的病症,而且严重的心肌缺血很可能导致心肌梗死。心肌缺血能造成心脏的交感神经和迷走神经异常变化的发生,该种异常的变化将引发心率节律也发生巨大变化。心肌缺血是一个关于心脏方面疾病的重要病症,它可以导致心跳周期中ST段的偏移,但单纯心率变化也可以引起ST段偏移,因此准确快速的判别造成ST段偏移的原因,在临床医学上有重要的意义。本文在联合熵的基础上,对联合熵的替代序列进行变化,通过对两组不同原因引起的ST段偏移的时间序列数据进行特征提取和研究分析,将造成ST段偏移的原因区别开来,为可临床诊疗提供可靠的评价指标。另外,心肺耦合关系研究也是国内外众多学者的研究热点,在多个疾病的临床检测和治疗中发挥重要作用。用联合熵单一的分析心电信号或者呼吸信号,研究结果的准确性和稳定性会受到序列非稳性的严重影响。本文在原有联合熵的研究基础上,通过对20位志愿者在基础状态和音乐状态下的心电图信号和呼吸信号进行耦合分析,得到心血管循环系统和呼吸系统之间的耦合作用状态,能呈现出音乐对人体心肺耦合关系的调制作用。本文主要在联合熵的基础上对心电信号和心肺耦合作用进行了研究探讨,主要创新点以及研究结论如下:（1）为了清晰判别出造成ST段偏移的不同原因的样本个体,本文分别用联合熵和改变替代序列的联合熵计算结果,提取并分析心电信号序列的特征,来判别造成ST段偏移的原因,实验结果发现,本文提出的改变替代序列的联合熵的结果更能明显、精准的识别造成ST段偏移的原因。（2）将替代序列从自身样本数据组抽取的样本序列变为一组健康年轻人的HRV信号序列,分别将健康年轻人的HRV信号序列和该健康年轻人的HRV信号序列去线性后作为替代序列应用到联合熵的计算中,结果发现替代序列为健康年轻人的HRV信号序列时,替代序列中的线性成分不影响评估的结果。（3）分别将健康年轻人的HRV信号序列和该健康年轻人的HRV信号序列去线性后作为替代序列的联合熵应用在针灸前和针灸中样本的HRV信号检验判别中,识别了这两种生理状态,为探索针灸治疗和其他方式的心脏疾病的诊疗提供了可靠的评价指标。（4）本文应用经验模态分解法将心电图信号进行分解后,再进一步运用联合熵与呼吸信号进行耦合计算,发现心肺耦合关系研究中的联合熵在不同的心电图分量下对应相同的趋势,并且实验结果表明,在经验模态分解下的联合熵能够得到显着的耦合作用和区分效果,能更敏锐、精准地捕捉信号中的动态信息的变化,从而有效的反映出音乐对人体心肺耦合关系的调制作用,可为以后进一步的耦合关系的研究和临床医学的应用提供一份更有价值的参考。
魏勤[9]（2012）在《基于体征信号分析的麻醉深度评价方法研究》文中提出麻醉是临床手术中不可或缺的关键环节,如何保证病人在手术过程中安全和无痛苦是麻醉工作的核心问题。在复杂多变的手术过程中,为了确保麻醉安全,麻醉医生必须长时间注意力高度集中地全面性地观察记录病患各种生理特征,并根据自身经验进行分析和判别病患术中的麻醉深度。然而,由医生的主观判断来评估麻醉深度,容易出现因为所获信息与个人经验的不足、身体的疲累与环境的干扰、潜在的因素和病患个体性差异而造成的误判。随着生物医学工程与现代信息处理技术的深入交互和发展,针对各种体征信号的测量和分析设备在很大程度上减轻了麻醉医生的工作负担。本文针对病患的各种生理体征信号在手术过程中麻醉和清醒状态下的差异性,将信号处理方法和传统医学方法相结合,提出了全身麻醉手术过程中的麻醉深度分析的新指标、新方法,并开发一个能够综合显示信息的实时术中全身麻醉深度分析系统,用于提高临床麻醉监测与评价的准确性,减少人为因素的诊断失误,促进麻醉监测与评价技术临床应用的发展,保障病患在手术过程中的麻醉安全和术后的快速良好恢复。本文的主要研究工作如下：（1）针对术中心电信号在手术过程中受到基线漂移、运动伪迹和工频噪声的干扰问题,通过对现有形态学滤波器数据进行改进以及以均方根误差作为选取形态学中结构元素长度的参数,提出了一种基于形态学的约束适应QRS波群滤波算法。同时提出了一种基于EMD和形态学的心电信号滤波算法。将EMD所得固有模式函数经形态学滤波并进行最小均方根误差对应长度的特征提取,该算法能有效地去除心电信号中基线漂移、运动伪迹和减弱工频干扰。（2）针对术中脑电信号在手术准备阶段受到眼动的干扰问题,提出了基于MEMD和样本熵的眼电干扰滤波算法。算法通过分析对低频眼电信号高度敏感的样本熵值,得出包含眼电干扰的脑电信号样本熵值均小于0.5。在此基础上,比较分析EMD、EEMD、CEEMD和MEMD在分解信号固有模式函数上的性能。（3）针对心率变异性在特定条件下麻醉深度诊断中失效的问题,提出了基于HHT的血流变异性麻醉深度评价指标。血流变异性是在检测手段和分析处理方面都优于心率变异性的一项生理变化参数。当心率变异性在受到特定麻醉药物作用以及手术电刀的影响下,血流变异性可作为术中病患麻醉深度和意识程度的评价指标。基于HHT的边际谱分析,通过比较血流变异性和心率变异性的副交感神经和交感神经频谱分布变化情况,经临床数据证明,血流变异性是一个能够在心率变异性受到干扰时替代其作为诊断病人的麻醉状态的生理指标。（4）针对脑电信号的非线性特点,提出了基于脑电信号分析的样本熵和多尺度熵作为麻醉深度评价指标。近似熵和样本熵均能通过实时分析脑电信号的复杂度来判断病患的麻醉深度和意识程度,但样本熵在性能和敏感度上要优于近似熵。脑电信号的多尺度熵是衡量在不同尺度上脑电信号的复杂度的指标,但是其在实时分析过程中受到信号采样频率和数据长度的限制。因此,提出了自适应多尺度重采样熵作为术中麻醉深度评价指标,它通过自适应地改变有限数量信号的采样率来有效地细化的信号分解尺度,从而建立脑电信号在不同尺度上复杂度分布与术中麻醉深度之间的关系。（5）针对麻醉过程中体征信号分析和麻醉深度评价指标研究,使用Borland C++Builder6.0开发了具有实时采集多个体征信号并用多种方法分析病患麻醉深度的系统平台。
马银香[10]（2011）在《基于信息论的心率RR序列的相空间重构研究》文中提出心率的RR间期是心脏状态的重要表现之一。心脏运动是一个信息变化的过程,每一次心搏都会耗用上一次心搏的部分信息。因此将信息论方法应用于心率的RR间期研究是有意义的。本文介绍了心率RR间期时间序列相空间重构参数延迟时间和嵌入维数计算的几种方法。根据信息论基本原理,利用等概率符号分析方法计算RR间期时间序列的互信息函数,由互信息极小原则确定出最佳延迟时间。在此基础上,选取一种估计嵌入维数的信息论方法,即条件熵法确定嵌入维数,并用Lorenz系统分别进行了仿真实验,得到了合理的结果。论文以年轻（21-34岁）与年老（68-81岁）二组健康人的心电RR间期时间序列为研究对象,分别计算每个序列的延迟时间与近似熵,并进行t检验p<0.015,得出年老组的延迟时间（9.7±13.3）明显大于年轻组的（5.6±3.4）。通过对其延迟时间与近似熵的分析,得出二者具有较强的负相关性,说明了延迟时间直接反应了RR间期序列的复杂性特征,其大小与心率变异活动性和心血管的复杂程度负相关。通过重构得出入的RR序列的吸引子是奇怪吸引子,证明了心率RR序列即非周期也非随机,是具有混沌特征。
二、短时间序列的心率变异性信号的关联维数计算（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、短时间序列的心率变异性信号的关联维数计算（论文提纲范文）
（1）基于多源生理特征融合的应激状态评估与内源调控研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本课题的研究背景及意义 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 应激状态与生理信号的关联性 |
| 1.3.1 心电与应激关联性分析 |
| 1.3.2 脑电与应激关联性分析 |
| 1.4 研究思路与内容安排 |
| 1.4.1 研究目标 |
| 1.4.2 研究思路 |
| 1.4.3 内容安排 |
| 第2章 多源生理信号的特征及机器学习方法 |
| 2.1 心电信号的HRV特征 |
| 2.1.1 心电信号HRV |
| 2.1.2 HRV特征获取 |
| 2.1.3 HRV时域分析 |
| 2.1.4 HRV频域分析 |
| 2.1.5 HRV非线性分析 |
| 2.2 脑电信号特征 |
| 2.2.1 脑电信号介绍 |
| 2.2.2 脑电信号频域分析 |
| 2.3 机器学习分类算法 |
| 2.3.1 随机森林算法 |
| 2.3.2 梯度提升树算法 |
| 2.3.3 支持向量机 |
| 2.4 评估模型性能评价指标 |
| 2.5 本章小结 |
| 第3章 应激状态评估模型算法设计 |
| 3.1 模拟应激试验范式设计 |
| 3.1.1 应激的诱发对象与平台 |
| 3.1.2 实验采集设备 |
| 3.1.3 实验流程 |
| 3.1.4 应激状态的标签评定 |
| 3.2 数据预处理 |
| 3.2.1 脑电信号预处理 |
| 3.2.2 心电信号预处理 |
| 3.3 特征提取 |
| 3.3.1 特征值对比 |
| 3.3.2 特征优选算法设计 |
| 3.3.3 特征集分类 |
| 3.4 应激识别模型算法构建 |
| 3.4.1 算法参数寻优 |
| 3.4.2 算法可视化分析 |
| 3.4.3 结果对比分析 |
| 3.5 本章小结 |
| 第4章 应激状态下内源调控方法的评估 |
| 4.1 人体反馈调控机制 |
| 4.1.1 反馈调控系统组成 |
| 4.1.2 内源呼吸调控生理学基础 |
| 4.1.3 内源呼吸调控模式 |
| 4.2 内源呼吸调控有效性试验范式设计 |
| 4.3 整体分析流程 |
| 4.4 显着性分析 |
| 4.4.1 组间独立样本T检验 |
| 4.4.2 组内样本配对T检验 |
| 4.5 实验结果及讨论 |
| 4.5.1 实验结果分析 |
| 4.5.2 讨论 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（2）基于末梢血流灌注量及HRV探讨腹式呼吸训练的导气效应（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一部分 文献综述 |
| 综述一 气功调息与腹式呼吸的相关研究 |
| 1. 气功调息的内涵 |
| 2. 腹式呼吸的生理机制 |
| 3. 腹式呼吸导气效应的理论研究 |
| 4. 腹式呼吸在现代临床中的应用研究 |
| 参考文献 |
| 综述二 腹式呼吸相关的测量技术 |
| 1. 激光多普勒血流检测技术 |
| 2. 心率变异性分析 |
| 3. 其他相关检测方式 |
| 参考文献 |
| 前言 |
| 第二部分 试验研究 |
| 材料与方法 |
| 1. 受试者选择 |
| 2. 方法 |
| 3. 设备与检测 |
| 4. 数据采集与提取 |
| 5. 数据分析 |
| 6. 技术路线图 |
| 研究结果 |
| 1. 一般资料 |
| 2. 培训干预前后两组末梢血流灌注量比较 |
| 3. 两组HRV数据频域指标比较 |
| 4. 两组HRV数据时域指标比较 |
| 讨论与分析 |
| 1. 腹式呼吸训练调节末梢血流灌注量的结果分析 |
| 2. 腹式呼吸训练调节心率变异性的结果分析 |
| 3. 总结 |
| 结论与展望 |
| 1. 结论 |
| 2. 问题与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 在学期间主要研究成果 |
（3）熵测度及压缩感知理论在睡眠质量评估中的研究与应用（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 睡眠问题研究现状及面临的挑战 |
| 1.3 睡眠分期的研究进展 |
| 1.3.1 睡眠分期的定义 |
| 1.3.2 R&K睡眠分期标准 |
| 1.3.3 睡眠分期的分析方法 |
| 1.4 阻塞性睡眠呼吸暂停及脑功能偏侧化研究进展 |
| 1.4.1 阻塞性睡眠呼吸暂停 |
| 1.4.2 脑功能偏侧化及其在睡眠中的初步研究 |
| 1.5 基于心电信号的睡眠问题研究概述 |
| 1.6 本文主要工作及章节安排 |
| 1.6.1 本文的主要工作 |
| 1.6.2 章节安排 |
| 第二章 生理信号分析中的时间序列熵测度和压缩感知理论 |
| 2.1 时间序列熵测度 |
| 2.1.1 近似熵 |
| 2.1.2 样本熵 |
| 2.1.3 模糊熵 |
| 2.1.4 模糊测度熵 |
| 2.1.5 熵测度在生理信号分析中的应用 |
| 2.2 压缩感知 |
| 2.2.1 压缩感知理论的数学模型 |
| 2.2.2 压缩感知在生理信号分析中的应用 |
| 2.3 本章小结 |
| 第三章 基于时间序列熵测度的睡眠分期方法 |
| 3.1 理论及方法 |
| 3.1.1 熵值特征提取 |
| 3.1.2 一对多支持向量机 |
| 3.1.3 性能评估指标 |
| 3.1.4 方法流程 |
| 3.2 实验数据及预处理 |
| 3.3 实验结果 |
| 3.3.1 熵值特征 |
| 3.3.2 独立样本t检验 |
| 3.3.3 非独立样本训练与测试 |
| 3.3.4 独立样本训练与测试 |
| 3.4 讨论 |
| 3.4.1 与现有睡眠分期方法的对比 |
| 3.4.2 睡眠分期结果分析 |
| 3.5 本章小结 |
| 第四章 一种新的睡眠分期熵测度算法—张量近似熵 |
| 4.1 张量近似熵的提出 |
| 4.2 张量近似熵的定义 |
| 4.3 实验设计 |
| 4.3.1 由传统的时间序列构造普通张量 |
| 4.3.2 由多导睡眠数据构造睡眠张量 |
| 4.3.3 张量近似熵的一致性分析 |
| 4.3.4 张量近似熵的辨识能力分析 |
| 4.3.5 张量近似熵的统计检验 |
| 4.4 实验数据 |
| 4.5 实验结果 |
| 4.5.1 张量近似熵在普通张量上的一致性及辨识能力分析 |
| 4.5.2 张量近似熵在睡眠张量上的一致性及辨识能力分析 |
| 4.5.3 统计检验结果 |
| 4.5.4 张量近似熵在睡眠分期中的应用 |
| 4.6 讨论 |
| 4.6.1 张量近似熵在普通张量上的性能分析 |
| 4.6.2 张量近似熵在睡眠分期上的性能对比 |
| 4.7 本章小结 |
| 附录—张量近似熵的MATLAB代码 |
| 第五章 阻塞性睡眠呼吸暂停的脑功能偏侧化研究 |
| 5.1 理论与方法 |
| 5.1.1 模糊熵与偏侧化指数 |
| 5.1.2 增强偏侧化指数 |
| 5.2 实验数据 |
| 5.2.1 UCDDB公开睡眠数据 |
| 5.2.2 临床睡眠数据 |
| 5.3 实验结果 |
| 5.3.1 模糊熵特征提取 |
| 5.3.2 偏侧化指数LI分布 |
| 5.3.3 增强偏侧化指数ELI分布 |
| 5.3.4 统计检验 |
| 5.4 讨论 |
| 5.5 本章小结 |
| 第六章 基于压缩感知理论的睡眠心电信号采样压缩及重构 |
| 6.1 一维睡眠心电信号的压缩感知应用 |
| 6.1.1 模型框架 |
| 6.1.2 评价指标 |
| 6.1.3 数据及仿真流程 |
| 6.1.4 实验结果 |
| 6.2 二维心电信号的压缩感知应用 |
| 6.2.1 模型框架 |
| 6.2.2 实验结果 |
| 6.3 讨论 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及参与的科研项目 |
| 发表的学术论文 |
| 申请专利 |
| 主持的科研项目 |
| 参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（4）生理时间序列的符号化和非线性特征分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 生理信号的复杂性和分析方法 |
| 1.1.1 生理时间序列复杂性的体现 |
| 1.1.2 复杂生理信号的研究方向 |
| 1.2 单变量非线性特征分析 |
| 1.2.1 符号时间序列分析(熵值分析) |
| 1.2.2 时间不可逆分析 |
| 1.3 双系统关联性分析 |
| 1.4 生理网络分析 |
| 1.5 三种生理、病理现象 |
| 1.5.1 心电活动 |
| 1.5.2 癫痫 |
| 1.5.3 睡眠 |
| 1.6 研究内容以及章节安排 |
| 第二章 心率信号的符号化熵值分析 |
| 2.1 符号时间序列分析和心率信号 |
| 2.1.1 符号时间序列分析 |
| 2.1.2 CHF、健康年轻和老年心率 |
| 2.2 静态符号熵值分析 |
| 2.2.1 Kurths-Wessel和基本尺度符号熵 |
| 2.2.2 Logistic序列的KW和 BS符号熵 |
| 2.2.3 心率信号的KW和 BS符号熵 |
| 2.3 差分符号熵值分析 |
| 2.3.1 JK符号化和其改进的差分符号化 |
| 2.3.2 差分符号熵的非线性复杂度分析 |
| 2.4 心率信号的等值排列熵分析 |
| 2.4.1 排列符号化及等值排列符号化 |
| 2.4.2 等值心率的分布及其生理意义 |
| 2.4.3 心率信号的排列熵和等值排列熵 |
| 2.5 静态、动态双重符号联合熵分析 |
| 2.5.1 静态、动态符号动力学信息的融合 |
| 2.5.2 Logistic序列的符号联合熵 |
| 2.5.3 心率信号的符号联合熵 |
| 2.6 本章小结 |
| 第三章 心脑信号的时间不可逆分析 |
| 3.1 时间不可逆的基本概念 |
| 3.1.1 时间不可逆的基本定义 |
| 3.1.2 正反序列和对称向量概率差异性 |
| 3.2 时间不可逆的量化分析 |
| 3.2.1 时间不可逆和排列类型 |
| 3.2.2 空排列和基于减法的差异性参数 |
| 3.2.3 代替数据及其构造方法 |
| 3.3 模型序列的时间不可逆 |
| 3.3.1 三种模型序列 |
| 3.3.2 时间不可逆参数的模型序列验证 |
| 3.4 癫痫脑电信号的时间不可逆 |
| 3.4.1 癫痫脑电信号及其单一排列 |
| 3.4.2 癫痫脑电信号的时间不可逆 |
| 3.4.3 癫痫发作间期脑电信号的时间不可逆 |
| 3.5 心率的时间不可逆分析 |
| 3.5.1 Costa指数和排列概率分布的Ys(m=2) |
| 2)'>3.5.2 排列概率分布的Ys(m>2) |
| 3.5.3 多尺度对等值心率的影响 |
| 3.6 熵值分析和时间不可逆的差别 |
| 3.7 本章小结 |
| 第四章 睡眠心脑信号的符号转移熵分析 |
| 4.1 心脑之间的生理关联性 |
| 4.1.1 神经心脏病学(Neurocardiology) |
| 4.1.2 睡眠心脑关联性的量化分析 |
| 4.2 转移熵和符号转移熵 |
| 4.2.1 转移熵 |
| 4.2.2 符号转移熵 |
| 4.3 睡眠心脑活动信息交换的转移熵分析 |
| 4.3.1 睡眠心脏和大脑信号 |
| 4.3.2 心脑信号的排列转移熵分析 |
| 4.3.3 心脑信号的KW符号转移熵分析 |
| 4.3.4 心电和不同波段脑电活动的信息交换 |
| 4.4 符号编码、排列和相空间、采样频率的关系 |
| 4.5 本章小结 |
| 第五章 脑网络和生理器官网络分析 |
| 5.1 生理网络分析 |
| 5.1.1 生理网络的构建 |
| 5.1.2 网络特征分析 |
| 5.1.3 生理信息网络的特征参数 |
| 5.2 癫痫脑网络分析 |
| 5.2.1 脑信息交换网络的构建 |
| 5.2.2 脑信息交换网络分析 |
| 5.3 睡眠生理网络分析 |
| 5.3.1 睡眠生理器官网络的构建 |
| 5.3.2 睡眠生理信息网络分析 |
| 5.4 生理信息交换网络特点 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读博士学位期间撰写的论文 |
| 附录2 攻读博士学位期间参加的科研项目 |
| 致谢 |
（5）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 |
（6）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 |
（7）基于时变参数的一阶自回归模型和符号转移熵的脑电信号分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 脑电信号的概述 |
| 1.1.1 脑电信号的研究背景和意义 |
| 1.1.2 脑电信号的研究现状 |
| 1.2 脑电信号研究方法概述 |
| 1.2.1 功率谱估计 |
| 1.2.2 AR模型参数模型谱估计 |
| 1.2.3 小波变换 |
| 1.2.4 人工神经网络 |
| 1.2.5 非线性动力学分析 |
| 1.3 癫痫脑电的研究背景和现状 |
| 1.4 睡眠分期脑电研究背景和研究现状 |
| 1.5 论文的研究内容和结构安排 |
| 第二章 脑电研究相关知识 |
| 2.1 脑结构介绍 |
| 2.2 脑电图介绍 |
| 2.2.1 脑电信号电极安放 |
| 2.2.2 脑电信号导联法 |
| 2.2.3 脑电波的分类 |
| 2.3 癫痫与癫痫脑电介绍 |
| 2.3.1 癫痫脑电介绍 |
| 2.4 脑电信号的非线性处理方法介绍 |
| 2.4.1 相空间重构和嵌入理论 |
| 2.4.2 Lyapunov指数 |
| 2.4.3 关联维数 |
| 2.4.4 信息熵和互信息 |
| 2.4.5 柯尔莫哥洛夫熵 |
| 2.4.6 近似熵 |
| 2.5 小结 |
| 第三章 基于时变参数一阶自回归模型的癫痫脑电信号分析 |
| 3.1 时间序列分析模型 |
| 3.1.1 AR(Autoregressive)模型 |
| 3.1.2 MA(moving average)模型 |
| 3.1.3 ARMA(Autoregressive-moving-average)模型 |
| 3.2 参数时变的一阶自回归模型 |
| 3.2.1 参数时变的一阶自回归模型 |
| 3.2.2 贝叶斯推理方法 |
| 3.3 基于时变参数的一阶自回归模型的癫痫脑电信号分析 |
| 3.3.1 实验数据 |
| 3.3.2 实验方法 |
| 3.3.3 实验结果和分析 |
| 3.4 小结 |
| 第四章 基于时变参数一阶自回归模型的睡眠分期脑电研究 |
| 4.1 睡眠信号简介 |
| 4.2 基于时变参数一阶自回归模型的睡眠分期脑电分析 |
| 4.2.1 实验数据 |
| 4.2.2 实验方法 |
| 4.2.3 实验结果和分析 |
| 4.3 本章小结 |
| 第五章 基于排列熵符号化的睡眠心脑电耦合性分析 |
| 5.1 熵的基础知识 |
| 5.1.1 排列熵 |
| 5.1.2 转移熵 |
| 5.1.3 符号转移熵 |
| 5.2 心电信号介绍 |
| 5.3 基于排列熵符号化的符号转移熵的睡眠心脑电耦合性分析 |
| 5.3.1 实验数据 |
| 5.3.2 实验方法 |
| 5.3.3 实验结果和分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（8）基于联合熵的心电特征提取以及心肺耦合关系研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 心电信号研究背景 |
| 1.1.2 心肺耦合研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 心电信号国内外研究现状 |
| 1.2.2 心肺耦合国内外研究现状 |
| 1.3 本文的研究内容和章节结构 |
| 第2章 心电信号和心肺信号耦合的理论基础 |
| 2.1 心电信号的理论基础 |
| 2.1.1 心电信号的产生 |
| 2.1.2 心率变异性信号和心电图信号的概述 |
| 2.1.3 心电信号的分析方法 |
| 2.2 心肺耦合的理论基础 |
| 2.2.1 心血管系统和呼吸系统交互作用的生理基础 |
| 2.2.2 两种信号耦合的分析方法 |
| 2.3 本章小结 |
| 第3章 基于联合熵的心电特征提取 |
| 3.1 Physionet-生物医学信号网站简介 |
| 3.2 方法和原理 |
| 3.2.1 联合熵 |
| 3.2.2 联合熵基础上的熵计算 |
| 3.3 基于联合熵的ST段偏移的原因判别研究 |
| 3.3.1 联合熵的ST段偏移原因判别 |
| 3.3.2 改变替代序列的联合熵ST段原因判别 |
| 3.4 基于联合熵的针灸调制生理状态的研究 |
| 3.4.1 实验方法 |
| 3.4.2 实验数据采集设备 |
| 3.4.3 针灸对心脏的调制作用研究 |
| 3.5 本章小结 |
| 第4章 基于联合熵的心肺耦合研究 |
| 4.1 实验数据 |
| 4.2 经验模态分解下的联合熵的算法 |
| 4.2.1 经验模态分解 |
| 4.2.2 经验模态分解下的联合熵 |
| 4.3 经验模态分解下的联合熵的心肺耦合研究 |
| 4.3.1 联合熵的心肺耦合研究 |
| 4.3.2 经验模态分解下的联合熵的心肺耦合研究 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（9）基于体征信号分析的麻醉深度评价方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究意义 |
| 1.2 麻醉深度评价与监测方法概述 |
| 1.2.1 临床麻醉深度的研究背景 |
| 1.2.2 麻醉深度评价方法的发展 |
| 1.2.3 麻醉深度监测方法 |
| 1.2.4 存在的问题 |
| 1.3 研究目的 |
| 1.4 论文内容安排 |
| 第2章 体征信号特征与分析方法 |
| 2.1 关键体征信号 |
| 2.1.1 脑电信号 |
| 2.1.2 心电信号 |
| 2.2 信号处理分析方法 |
| 2.2.1 数学形态学 |
| 2.2.2 经验模式分解和希尔伯特黄变换 |
| 2.2.3 近似熵、样本熵和多尺度熵 |
| 2.3 本章小结 |
| 第3章 体征信号滤波算法研究 |
| 3.1 基于形态学的心电信号滤波算法 |
| 3.1.1 形态学滤波算法的改进 |
| 3.1.2 基于形态学的约束适应QRS提取算法 |
| 3.1.3 基于形态学和EMD的心电信号滤波算法 |
| 3.2 基于经验模式分解的脑电信号滤波算法 |
| 3.2.1 EMD、EEMD、CEEMD和MEMD方法的比较 |
| 3.2.2 基于MEMD和样本熵的眼电信号滤波算法 |
| 3.3 本章小结 |
| 第4章 麻醉深度评价方法研究 |
| 4.1 心率变异性 |
| 4.1.1 人体自主神经系统简介 |
| 4.1.2 心率变异性 |
| 4.1.3 心率变异性的分析方法 |
| 4.2 基于HHT的血流变异性麻醉深度评价方法 |
| 4.2.1 血流变异性 |
| 4.2.2 基于HHT的血流变异性麻醉深度评价指标 |
| 4.2.3 临床数据分析 |
| 4.2.4 结论 |
| 4.3 基于脑电信号多尺度熵的麻醉深度评价方法 |
| 4.3.1 近似熵、样本熵和多尺度熵在麻醉监测中的应用 |
| 4.3.2 多尺度自适应重采样熵 |
| 4.4 本章小结 |
| 第5章 麻醉深度分析系统 |
| 5.1 临床数据采集过程 |
| 5.2 系统设计 |
| 5.3 系统描述 |
| 5.3.1 主界面 |
| 5.3.2 在线分析 |
| 5.3.3 离线分析 |
| 5.3.4 手术信息录入 |
| 5.4 临床数据分析结果 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文的主要工作和创新点 |
| 6.2 下一步的工作 |
| 致谢 |
| 参考文献 |
| 作者在攻读博士学位期间发表的学术论文和其它相关研究成果 |
（10）基于信息论的心率RR序列的相空间重构研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作简介 |
| 1.3 1 论文的研究内容及目的 |
| 1.3 2 论文的章节安排 |
| 第二章 心率RR间期序列的延时互信息 |
| 2.1 概述 |
| 2.2 互信息的定义 |
| 2.2.1 熵和信息论 |
| 2.2.2 互信息 |
| 2.2.3 时间序列的自交互信息 |
| 2.3 交互信息的性质 |
| 2.4 互信息的计算 |
| 2.4.1 等概率符号分析法互信息计算 |
| 2.6 数值验证 |
| 2.7 心电RR间期的自交互信息分析 |
| 第三章 心率RR间期序列的相空间重构的延迟时间研究 |
| 3.1 相空间重构概述 |
| 3.2 相空间重构的延迟时间的确定方法 |
| 3.2.1 平均位移法 |
| 3.2.2 自相关函数法 |
| 3.2.3 互信息法 |
| 3.2.4 数值验证 |
| 3.3 心电RR间期时间序列的最佳延迟时间及分析 |
| 3.3.1 心电RR问期时间序列的延迟时间与序列复杂度的相关性分析 |
| 第四章 心率RR间期序列的相空间重构的嵌入维数研究 |
| 4.1 引言 |
| 4.2 虚假最近邻点法(False Nearest Neighbors,FNN) |
| 4.3 奇异值分解法(Singular Value Decomposition,SVD) |
| 4.4 用条件熵确定嵌入维数 |
| 4.5 数值验证 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要研究成果 |
四、短时间序列的心率变异性信号的关联维数计算（论文参考文献）
- [1]基于多源生理特征融合的应激状态评估与内源调控研究[D]. 任润舟. 燕山大学, 2021
- [2]基于末梢血流灌注量及HRV探讨腹式呼吸训练的导气效应[D]. 李航宇. 北京中医药大学, 2021
- [3]熵测度及压缩感知理论在睡眠质量评估中的研究与应用[D]. 张志民. 山东大学, 2020(01)
- [4]生理时间序列的符号化和非线性特征分析[D]. 姚文坡. 南京邮电大学, 2019(04)
- [5]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)
- [6]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)
- [7]基于时变参数的一阶自回归模型和符号转移熵的脑电信号分析[D]. 闵军. 南京邮电大学, 2018(02)
- [8]基于联合熵的心电特征提取以及心肺耦合关系研究[D]. 姚沁. 陕西师范大学, 2018(12)
- [9]基于体征信号分析的麻醉深度评价方法研究[D]. 魏勤. 武汉理工大学, 2012(11)
- [10]基于信息论的心率RR序列的相空间重构研究[D]. 马银香. 中南大学, 2011(04)