基于复杂性测度的心率状态对比

本文介绍了近似熵（ApEn)和谱熵（SE）两种复杂性测度，研究了在两组静默（采用中国气功和Kundalini瑜珈练习方法）和正常状态下的心率复杂性。观察到两种状态下复杂度有明显差异，但两种状态下复杂性数值的大小关系对取决于不同的个体。研究结果进一步在心率变化的复杂性方面支持了关于在人体心率和自主调节间存在某种关联的看法，并提供了新的定量描述心率不同状态的方式和途径。     

基于Tsallis熵和近似熵的认知事件相关电位动态复杂度分析

提供了两种分析认知事件相关电位（ERP）复杂度动态变化的估计算法——时变Tsallis熵（ETsEn）和时变近似熵（EApEn），并将其应用于分析Stroop任务中ERP的动态复杂度．实验发现：BTsEn比EApEn能更好地反映不同刺激类型的ERP复杂度差异；EApEn比ETsEn能更准确地体现ERP复杂度随时间变化的规律．额区、中央区和顶区的ERP的ETsEn和EApEn在刺激前、刺激处理过程中、刺激处理后均有显著差异，即在刺激前熵较大且无明显变化，刺激处理过程中熵显著减小，刺激处理完成后熵恢复至刺激前状态，其变化的时序与行为数据基本一致。结果证明了时变的Tsallis熵和近似熵对动态复杂度从不同方面度量的有效性，为客观度量ERP的复杂度提供了新方法．     

睡眠脑电的非线性动力学方法

在8例健康成年人的睡眠脑电监测实验基础上,利用已有的专家人工分期结果,提取睡眠各阶段特征数据,应用近似熵、复杂度和功率谱熵三种方法进行分析,从客观量化的复杂性度量来刻划睡眠深度的变化情况,对每个睡眠分期选取5000点数据,数据窗取1000点,逐次延时一个采样间隔得到几个时间序列,分别求复杂度,最后取均值即得此分期复杂性测度值,结果表明三种方法均与专家人工分期结果相吻合,近似熵算法复杂不适合在线分析;复杂度算法较简单,但数据粗粒化处理容易丢失信息;功率谱熵算法简单、快速及有效,因而用统计分析方法分析,表明功率谱熵能较好地反映睡眠深度的变化情况。     

培养神经元网络自发活动规律性和复杂度分析

采用近似熵（approximate entropy,ApEn）的新统计方法衡量神经元不同自发放电活动时间序列数据的规律性和复杂度,对多电极阵列上培养的海马神经元网络自发活动的复杂度进行研究．结果表明不同自发放电活动的近似熵动态变化曲线有明显差别．静息期时近似熵值范围1．0-1．2;典型爆发活动时近似熵值呈现迅速下降而后上升再下降小幅振荡（0．2-0．6）;而伪爆发活动时近似熵值在0．2—0．7范围,沿平行时间轴的某一直线上下波动;连续发放锋电位时近似熵值在0．8-0．9范围;而随机单发锋电位时近似熵值0．6—0．8范围．以上分析结果说明近似熵动态变化曲线能够体现爆发活动和锋电位发放过程的规律性和复杂度变化,并可以有效地识别培养神经元网络自发的不同电生理信号,因而在神经元电信号分析中有着潜在的应用价值．     

基于近似熵的直流牵引电机健康监测方法

针对直流牵引电动机健康状态估计缺乏有效的快速算法问题,提出了一种基于近似熵的直流牵引电动机健康状态实时分析方法.并对传统的近似熵计算方法用矩阵运算进行算法优化,提升了运算速度.针对直流电动机的电磁特性,融合待检测电动机的电流、电压、转速信号信息计算出电动机系统近似熵值,并依此判断电动机健康状态.最后,用直流电动机实验平台的数据验证了该方法的有效性.     

基于Poincaré散点图和符号动力学的心电分析方法

心率变异性（heartrate variability,HRV）可以用于进行心脏相关疾病的预测、预防和预后评价等.结合心电散点图和符号动力学的方法,从ECG信号中提取HRV序列,绘制心电散点图,并对散点图中散点进行分区编号编码.计算不同编码的出现概率进而计算整个序列信息熵.以该熵值作为心电特征用于识别和分类.实验得到窦性心律和房颤心律的分类正确率为86.67%,窦性心律与伴有失常心律的早搏分类正确率为90%.证明该方法能有效分类窦性心律与失常心律.      

昼夜节律颠倒影响心率变异性信号的非线性特性研究

研究了昼夜颠倒作息对人体心电信号的影响,并探索了处于睡眠状态和清醒状态人体心电信号在颠倒作息状态下的变化。设计实施昼夜颠倒作息实验,利用去趋势波动分析法(DFA)和多尺度的基本尺度熵法(MBE)分析颠倒作息情况下的HRV信号,并与正常作息下的变化规律进行比较。实验发现:处于24h正常作息下的实验对象的α(标度指数)均值大于24h颠倒作息时的均值,并且在正常作息和颠倒作息下睡眠状态的α值小于清醒状态时的α值。通过对比分析清醒和睡眠状态的MBE曲线以及DFA的结果,发现昼夜颠倒作息对睡眠状态下的HRV信号影响较大。以上研究结果表明颠倒作息会使人体心脏系统的长程相关性减弱并对人体本身动力学复杂性产生一定的负影响,尤其对睡眠状态下HRV信号的负影响较为明显。     

混沌的复杂度研究方法和Logistic映射分析

研究和评价了混沌复杂度3种定量分析方法——Lyapunov指数、分维、测度熵,及其它们之间的内在联系,并研究了一种简单有效的测度熵替代方法——近似熵(approx im ate entropy)方法.应用以上方法对Log istic映射复杂度进行了分析.结果表明Lyapunov指数和测度熵的值与复杂度基本呈线性关系,分维数与复杂度的函数关系尚难确定,且与Lyapunov指数、测度熵之间的关系也不明确.     

相关近似熵及在传感网数据故障检测中的应用

针对模糊近似熵方法在生成时间序列数据特征过程中出现的依赖参数较多和计算复杂度较高的问题,提出了相关近似熵方法,并应用在传感网数据故障检测中.相关近似熵方法采用相关信息熵来计算向量空间中多维数据之间的相关度,通过计算向量空间在其维数由M维增加到M+1维时多维数据之间保持相关性的概率来判定一个时间序列的复杂程度.相对于模糊近似熵,相关近似熵方法将依赖参数从4个减少到了2个,并减小了计算复杂度.实验结果表明:相关近似熵生成的特征在大多数情况下显著优于模糊近似熵生成的特征,并且相关近似熵方法大幅度地缩短了传感器数据特征的生成时间.     

动态近似熵快速算法在心率变异研究中的应用

提出了一种动态近似熵的快速算法,只要较短数据就能表现信号的非线性特征,并大大缩短了计算时间.对心率变异性分析中静卧-行走实验采集的R-R间期信号进行了动态近似熵分析,描述了心率调节作用的动态变化,反映了受试者生理状态的改变与心率变异的无序性.     

心率变异性的复杂性与分形维数分析

发挥非线性动力学的潜力，提出了心率变异性（ＨＲＶ）信号的复杂度分析法和分形维数分析法。由于这两种方法能从较短的ＨＲＶ信号中提取信息，因此作者又进一步把这两种分析方法发展成动态分析法。用这两种方法分别对一个改变体位的ＨＲＶ信号和一个发生心肌缺血的ＨＲＶ信号的过程进行了动态分析。分析结果表明，它们都成功地检测出了ＨＲＶ信号的生理和病理变化。可见，动态复杂度分析法和动态分形维数分析法对ＨＲＶ信号及类似于ＨＲＶ的信号是很有前途的分析方法。     

不同脑负荷脑电特征的近似熵表征研究

目的研究不同生理状态下的脑电特征(EEG)。方法利用一种度量时间序列复杂性的非线性统计方法——近似熵(ApEn)方法。结果近似熵能够有效地反映脑电信号的变化情况。结论近似熵是一种值得重视且很有发展前景的复杂性分析方法。     

基于分形维数的心率变异分析

心率变异性（ＨＲＶ）分析是近年来发展起来的一种新的用于无创检测心脏植物神经功能的领域．目前已提出的各种心率变异指标在对心血管疾病的早期诊断、监护和预后评估中起了不可忽视的作用，特别是对心性猝死的预报和心肌梗死的预后判别等临床应用中有重要意义．理论分析和实验结果表明，心率信号具有近似分形的性质，是非线性的，因此，用分形维数表征心率变异性是符合逻辑的．文中作者在计算了多例心率信号的分形维数并考察了相应的功率谱的基础上，提出一种新的指标——分形维数对指标．此外，作者还提出了在低采样率心电数据中精确定位Ｒ峰的新算法，并且讨论了基于纽曼－皮尔逊准则的正常心动周期的判决方法     

睡眠剥夺影响大脑功能区状态的非线性评价

采用近似熵研究睡眠剥夺（sleep deprivation，SD）对脑认知功能的影响，评价SD引起的大脑功能区状态的非线性变化．12名受试者在正常睡眠和一夜SD之后分别接受视觉注意力测试，记录自发脑电和诱发脑电，采用二维插值构建19导脑电近似熵脑信息图（brain information map，BIM）．结果表明，在SD状态下，自发脑电的近似熵在全脑范围内有不同程度的下降，额叶处大脑偏侧性发生变化，复杂度的中心从左脑转移到右脑；前额叶处诱发脑电近似熵值降低，而顶叶和颞叶处则升高．脑电近似熵可以作为指标来评价SD对脑认知功能的负向影响，BIM的变化趋势与从生理学及影像学角度的分析相吻合，与线性方法的研究结论一致，在一定程度上可以反映大脑功能状态，提供一条评价脑功能区状态变化趋势的思路．     

Nonlinear short-term heart rate variability prediction of spontaneous ventricular tachyarrhythmia

As malign ventricular tachyarrhythmias triggering sudden cardiac death （SCD）, both ventricular tachycardla （VT） and ventricular fibrillation （VF） are major causes of mortality. The most efficient therapy for SCD prevention is implantable cardioverter defibrillators （ICD）. The ICD can accurately and effectively Identify the forthcoming of fatal ventricular tachyarrhythmlas and deliver a shock in order to restore patients＇ normal sinus rhythm. In this study, two nonlinear complexity measures based on entropy： approximate entropy （ApEn） and sample entropy （SampEn） as well as two time linear indices： the mean RR interval （the average of time intervals between consecutive R-waves） and the standard deviation of RR Intervals were used for short-term forecasting of VT-VF occurrence. The last small sections of interbeat Intervals preceding 135 VT-VF episodes from 78 patients stored by the ICD were analyzed and compared with individually acquired control time series （CON series） from the same patients, which are normally intrinsic sinus rhythms. The results demonstrate that in addition to an obvious increase in heart rates of the patients, the values of two entropy measures are significantly smaller for VT-VF episodes than those for CON series. Conclusions can be drawn that when a ventricular tachyarrhythmia approaches, the sympathetic tone of the patients is increased, and the complexity of their RR intervals immediately before the onset of VT-VF events is obviously lower than that of RR intervals recorded during sinus rhythms. For a better separation, the optimal range of threshold r is determined for two algorithms. ApEn and SampEn measures might be the suitable nonlinear parameters for shodterm prediction of life-threatening ventricular tachyarrhythmias in the application of the cardioversion and defibrillation.