表征极短时（＜1 min）心率变异性（HRV）的分析参数通常随时间呈现出复杂的变化模式，这种随时间变化的波动很容易干扰对心血管状态的正确判断。本文将年龄匹配的41例健康人（对照组）和25例充血性心力衰竭（CHF）患者（实验组）的长时HRV序列划分成多段极短时序列，计算同一HRV参数在多段极短时序列中的变异系数以及多次组间t检验中差异有统计学意义的检验比例，以此探讨部分极短时HRV分析参数在揭示不同状态下心血管系统功能差异时的稳定性；此外，通过对受试者工作特征（ROC）曲线的分析以及人工神经网络的建模，评估了这些参数对对照组和实验组进行分类的效果。本文结果表明：① 基于复杂网络分析的度分布熵指标有着最小的变异系数且对病理状态敏感（79.75%情况下对照组和实验组的差异有统计学意义），可为临床医生提供一个诊断CHF患者的辅助指标；② 将庞加莱散点图进行椭圆拟合后，对照组和实验组的椭圆短长轴之比（SDratio）在98.5%的情况下差异有统计学意义；在人工神经网络建模时，仅使用SDratio对对照组和实验组进行分类的正确率为71.87%，表明SDratio或可作为CHF患者的智能诊断指标；③ 仍需寻找可用于极短时HRV分析研究且对CHF患者更加敏感特异的稳定指标。
引用本文： 侯凤贞, 武小川, 易治萍, 张洁玉, 海滨. 基于极短时心率变异性分析的充血性心力衰竭诊断可行性探讨. 生物医学工程学杂志, 2016, 33(3): 559-563,569. doi: 10.7507/1001-5515.20160093 复制
引言
健康人的心跳动力系统是一个多输入的复杂系统：它在自发窦性节律的基础上，同时受自主神经系统-交感神经、副交感神经等多种因素协调控制，呈现出复杂变异性，即心率变异性(heart rate variability，HRV)[1]。HRV与心血管疾病的关系日益明确，越来越多的学者致力于研究利用HRV来进行心血管疾病的早期诊断、病程监测以及预后评估[1-7]；此外，作为评价自主神经系统活动水平的一种无创性手段，对HRV的分析在评价心交感神经与迷走神经活动水平方面应用广泛[8-10]。
目前国际上研究HRV一般有长时和短时两种方式，长时分析主要针对连续至少18 h的心跳间隔信号(常以体表心电图中相邻两个R波顶点之间的时间间隔作为一次心跳间隔，简称RR间期)或瞬时心率信号进行分析，短时分析则主要针对5~20 min的信号。近年来，利用HRV来研究心脏自主神经功能的动态变化也逐渐成为研究热点[11]，这就要求能分析比常用的5~20 min信号更短的信号。特别地，如果一个指标能应用于极短时(＜1 min)的HRV分析，它不仅可能对心血管系统的变化提供详细信息，并有望实现对心脏自主神经系统动态变化的实时跟踪[11]。这一点在运动后心脏功能恢复的评估、快速起效的心血管药物药效观测、大规模的心脏疾病初筛等方面应用前景可观[11]。
然而课题组在实际工作中发现，对于两组长时HRV样本集，若每个样本截取不同的数据段进行分析，则组间统计分析结果可能很不相同。这一点在截取的数据段极短时表现得更加明显，这就意味着极短时HRV分析的结果存在着一定的偶然性。究其原因在于非平稳干扰和系统固有的低频节律，即便是对于同一样本，表征HRV的短时分析参数通常随时间呈现出复杂的变化模式，这种随时间变化的波动很容易干扰对心血管状态的正确判断[3, 12]。在我们前期对极短时HRV的研究工作中发现，基于复杂网络分析的某些指标，以及基于庞加莱图分析的某些指标有望成为揭示心脏病理状态的动力学标记[13]。本文中，课题组以健康人和充血性心力衰竭(congestive heart failure，CHF)患者的长时HRV数据为研究对象，旨在通过将长时RR间期序列分段计算各极短时HRV分析参数，进一步探讨这些指标能否稳定地揭示不同状态下心血管系统的差异以及能否为CHF的诊断提供有用信息。
1 材料及方法
1.1 材料
本文选用的66个HRV样本来自于复杂生理信号数据库PhysioBank[14]中的正常窦性心率数据库以及充盈性心衰数据库。所有样本采样时间都在18~24 h之间。为了避免昼夜节律的影响以及保证研究的可行性，对于每个样本，我们选取的数据长度为20 000点。将所有样本分为两组：第一组为对照组，共41例健康老年人样本，年龄(64.37±3.54) 岁；第二组为实验组，共25例CHF患者样本，年龄(63.08±5.21) 岁。两组人群的年龄差异无统计学意义(t检验，P＞0.05) 。
1.2 方法
1.2.1 RR间期序列的复杂网络分析
一个复杂网络通常可表示成由若干顶点和边(或弧)构成的图[15]。本文中复杂网络的构建采用Hou等[13] 提出的方法。该方法包含如下三个步骤：
(1) 相空间重构。考虑一个长度为N的RR间期时间序列{xi i=1,2,…,N}，先对其按最大最小值进行归一化，得到归一化的序列{yi i=1,2,…,N}；然后，把归一化后的时间序列{yi i=1,2,…,N}嵌入到m维相空间，如式(1) 所示：
| $\left\{ {{T}_{i}}=\left( {{y}_{i}},{{y}_{i+1}},\cdots ,{{y}_{i+m-1}} \right)i=1,2,\cdots ,N-m+1 \right\}$ |
则可以得到N-m+1个m维向量。将每个m维向量视为复杂网络中的一个节点。
(2) 利用内组合排列(inner composition alignment，IOTA)测度[13, 16]来评估任意两个节点之间耦合的强度和方向。
(3) 利用替代数据法[13, 17-19]决定任意两个节点对之间是否存在一条弧。
用上述方法所构建的图是有向无权图。对于这种图所代表的复杂网络，计算平均聚类系数(average clustering coefficient,aver_C)[15]、图的效率(efficiency of the graph，EG)[15]、平均度(average degree,aver_D)[15]和度分布熵(entropy of degree distribution,EDD)[13]四个测度。
1.2.2 RR间期序列的庞加莱散点图分析
庞加莱散点图是一个时间序列在笛卡儿平面内的图形化表示[20]。对长度为N的RR间期序列{RRi i=1,2,...,N}构建庞加莱散点图，然后将散点图用椭圆进行拟合(椭圆长轴沿着45°的等值线方向)，计算椭圆的短轴与长轴之比(the ratio of ellipse short-long axis,SDratio)，即可得到一个非线性的HRV指标[20-21]。
1.2.3 其他的HRV分析方法
鉴于RR间期序列的标准差(the standard deviation of RR intervals，SDRR)，是HRV分析中使用最为广泛的参数之一[1]，因此作为对比，本文中将对SDRR进行考察；此外，Wessel等[22]定义的基于符号动力学分析方法的参数Polvar20反映了在连续的6次心跳中，RR间期变异均小于20 ms的概率，它被报道可用于极短时HRV分析[11]，因此本文中也将对Polvar20进行考察。
1.2.4 参数稳定性的统计学评估
经去除伪差及异位起搏点的预处理后，对于每个样本，考察的序列长度一律取20 000点。对于每例样本数据，将其按照50点分割成连续的400段，对于每一段分别计算上述各极短时分析参数，包括aver_C、EG、aver_D、EDD、SDratio、SDRR、Polvar20。这样对于每例样本数据，上述每个参数均可以得到400个随时间波动的参数值。
采用变异系数来描述每例样本的各参数值随时间的波动情况。如对于第i个样本，若其400个SDRR参数值用向量Xi表示，则该样本SDRR参数的变异系数可用std(Xi)/mean(Xi)计算，其中std(Xi)表示向量Xi的标准差，mean(Xi)表示向量Xi的均值。以此类推，可以计算每个样本的每个参数(即aver_C、EG、aver_D、EDD、SDratio、Polvar20) 的变异系数。然后，对400段的RR间期序列参数计算结果进行对照组和实验组之间差异的显著性检验。具体做法是：对于每个参数，第i次t检验发生在实验组中每个人的第i段RR间期序列的该参数值与对照组中每个人的第i段RR间期序列的该参数值中。因此，对于每个参数，均需要进行400次t检验；对于每个参数，计算这400次t检验中差异有统计学意义的检验所占的百分比(percent of significant tests,Pst)。采用变异系数以及Pst作为各参数在区分对照组和实验组时稳定性的定性判定标准：我们认为，变异系数越小且Pst越大，参数越稳定，反之亦然。
接下来，采用受试者工作特征 (receiver operating characteristic，ROC) 曲线下的面积(area under the curve,AUC)来衡量单一参数对对照组和实验组的线性分类能力。一般地，AUC的值介于0.5到1之间。AUC等于0.5意味着数据以均等的几率被随机分成两组，参数不具有任何分类意义；而AUC等于1则对应着所有的数据都被正确分类的理想状态。通常认为，AUC不小于0.7即代表有一定的分类价值，大于0.9则是有很高的分类价值[23]。为兼顾灵敏度和特意度，以约登指数最大作为标准寻找部分参数的最佳工作点[23]，即诊断参考值(cut-off)。在绘制ROC曲线以及计算其AUC值、cut-off值时，均是针对所有受试者的400段RR间期序列(即66×400=26 400段50点RR间期序列)而进行的。
最后以26 400段50点RR间期序列作为数据集，利用人工神经网络联合多个稳定指标来测试这些指标对对照组和实验组的非线性分类效果。本文采用弹性误差反向传播(back Propagation，BP)算法来训练神经网络[24]，采用及早停止法[25]来控制训练过程并运用10-折交叉验证[25]来评估模型的准确性。一次10-折交叉验证具体过程是这样的：已有的可用数据集首先被随机地平分成10份，轮流将其中的9份作为训练集，1份作为测试集，进行一轮试验。而在网络开始训练前，这个训练集又按照某一比例(本文采用8∶2) 被进一步细分为两个不相交子集：一是估计子集，用来选择模型；二是确认子集，用来测试或者确认模型。这样，每次试验中都是使用估计子集进行学习，同时监测确认子集的误差。通常说来，模型在确认子集上的表现并不像它在估计子集上的表现那么出色，它的设计是基于估计子集的，因此应以确认学习曲线上的最小点作为停止训练过程的合理准则；当网络停止训练后，计算测试集经网络后的输出值，便可用来计算此轮分类的正确率。最后，以10轮训练的分类正确率均值作为对该模型性能的估计。本文把分类正确率定义为：把健康人判定为健康，以及把CHF患者判定为CHF的比例之和。
2 结果
对于两组人群共66个样本，各参数的变异系数按照均值±标准差(x±s)列于表 1中，同时还列有Pst的值。
表1
各参数稳定性分析结果
Table1.
Results of robustness analysis of the considered parameters
如表 1所示，虽然在对照组和实验组间，本文考察的7个指标中并没有一个指标的差异总存在统计学意义，但基于庞加莱散点图分析的SDratio指标以及基于复杂网络分析的EDD指标，在绝大多数情况下都能正确反映健康状态和疾病状态下心血管系统的差异，这一点优于在HRV的时域分析中被广泛使用的SDRR指标[26]，以及基于符号动力学分析的Polvar20指标。此外，EDD参数的变异系数显著小于其他参数，可以说在本文考察的所有参数中，EDD参数值波动最小。
如图 1所示，本文以盒图的形式展示了所有被考察的26 400段RR间期序列的指标SDratio和EDD值的分布情况，图中横虚线代表相应ROC曲线的cut-off值；此外，经计算SDratio指标的AUC值为0.74，EDD指标的AUC值为0.70。结合图 1及AUC值，我们认为指标SDratio和EDD对于CHF的鉴定均有一定的诊断价值。特别地，利用SDratio指标时，如图 1所示，对照组盒图的盒体均位于阈值cut-off以下，说明SDratio指标具有较好的特异性；而利用EDD指标时，如图 1所示，CHF组盒图的盒体也几乎全位于阈值cut-off以下，说明EDD指标具有较好的灵敏度，可为临床医生提供一个判别CHF的辅助指标。
图1
参数分布盒图及对两组人群进行线性划分示意
Figure1.
Box-charts of the measurements and the schema of linear-classification between the two groups
利用人工神经网络进行对照组和实验组的分类，为了不增加网络的复杂性，在本文研究中，隐层层数设定为1且神经元个数设定为2，输出层神经元为1个，传递函数选用非线性激活函数tansig( )。我们分别考察了仅SDratio、仅EDD、以及联合SDratio和EDD作为输入特征向量时网络的分类情况。10-折交叉验证的平均正确率列于表 2中。
表2
不同输入特征向量下网络的平均分类正确率
Table2.
Mean classification accuracy under different input feature values
如表 2所示，仅用SDratio一个指标，就有一定的分类效果，而联合EDD对分类正确率的提高效果不明显；可以说，在对CHF患者进行智能诊断时，SDratio可能是一个可用的指标。
3 讨论
表征极短时(＜1 min)HRV的分析参数通常随时间呈现出复杂的变化模式，这种随时间变化的波动很容易干扰对心血管状态的正确判断。本文首次探讨了极短时HRV分析方法在用于CHF诊断时的可行性。研究结果表明：在长时或短时HRV分析中常用的时域指标SDRR、以及基于符号动力学分析的Polvar20指标却并不适用于基于极短时HRV分析的CHF诊断；而基于复杂网络分析的EDD指标，以及基于庞加莱散点图分析的SDratio指标，有望成为基于极短时HRV分析的CHF诊断的辅助指标。
基于时域统计分析的SDRR指标虽然容易计算并且能提供一定的有用信息，但它将心率变异信号作为随机信号处理而完全抛弃了其在时间上的关联性；许多研究表明，心率变异信号是具有确定时序结构的非随机序列[26]，这就导致很多情况下SDRR指标在区别截然不同的生理信号时不够可靠，这与本文的研究结果相符。对比SDRR，基于RR间期的庞加莱散点图反映了RR间期时间序列在相空间中的分布态势，包含了心率变异的线性和非线性变化趋势；基于相空间重构、IOTA以及替代数据法构建的复杂网络，则既能从总体也能从细节直观地展示产生HRV的动力系统在不同状态下的非线性耦合性。因此，我们认为心脏电活动富含复杂的非线性成分，这种成分在极短时HRV中就已经体现，应采用非线性的分析方法对极短时HRV进行分析研究。传统的非线性分析方法，如李雅普诺夫指数、关联维、幂律分析等因为要求数据长度一般在300点以上而不适用于极短时HRV的分析[11]；而基于符号动力学分析的Polvar20指标虽然并未明确要求所适用的数据长度，但本实验结果表明它并非一个可用于极短时HRV分析的稳定指标。本文中使用的复杂网络分析方法和基于庞加莱散点图的分析方法有望填补这个需求，但在对CHF诊断时仍不够理想，仍需寻找可用于极短时HRV分析研究的且对CHF更加敏感特异的指标。
引言
健康人的心跳动力系统是一个多输入的复杂系统：它在自发窦性节律的基础上，同时受自主神经系统-交感神经、副交感神经等多种因素协调控制，呈现出复杂变异性，即心率变异性(heart rate variability，HRV)[1]。HRV与心血管疾病的关系日益明确，越来越多的学者致力于研究利用HRV来进行心血管疾病的早期诊断、病程监测以及预后评估[1-7]；此外，作为评价自主神经系统活动水平的一种无创性手段，对HRV的分析在评价心交感神经与迷走神经活动水平方面应用广泛[8-10]。
目前国际上研究HRV一般有长时和短时两种方式，长时分析主要针对连续至少18 h的心跳间隔信号(常以体表心电图中相邻两个R波顶点之间的时间间隔作为一次心跳间隔，简称RR间期)或瞬时心率信号进行分析，短时分析则主要针对5~20 min的信号。近年来，利用HRV来研究心脏自主神经功能的动态变化也逐渐成为研究热点[11]，这就要求能分析比常用的5~20 min信号更短的信号。特别地，如果一个指标能应用于极短时(＜1 min)的HRV分析，它不仅可能对心血管系统的变化提供详细信息，并有望实现对心脏自主神经系统动态变化的实时跟踪[11]。这一点在运动后心脏功能恢复的评估、快速起效的心血管药物药效观测、大规模的心脏疾病初筛等方面应用前景可观[11]。
然而课题组在实际工作中发现，对于两组长时HRV样本集，若每个样本截取不同的数据段进行分析，则组间统计分析结果可能很不相同。这一点在截取的数据段极短时表现得更加明显，这就意味着极短时HRV分析的结果存在着一定的偶然性。究其原因在于非平稳干扰和系统固有的低频节律，即便是对于同一样本，表征HRV的短时分析参数通常随时间呈现出复杂的变化模式，这种随时间变化的波动很容易干扰对心血管状态的正确判断[3, 12]。在我们前期对极短时HRV的研究工作中发现，基于复杂网络分析的某些指标，以及基于庞加莱图分析的某些指标有望成为揭示心脏病理状态的动力学标记[13]。本文中，课题组以健康人和充血性心力衰竭(congestive heart failure，CHF)患者的长时HRV数据为研究对象，旨在通过将长时RR间期序列分段计算各极短时HRV分析参数，进一步探讨这些指标能否稳定地揭示不同状态下心血管系统的差异以及能否为CHF的诊断提供有用信息。
1 材料及方法
1.1 材料
本文选用的66个HRV样本来自于复杂生理信号数据库PhysioBank[14]中的正常窦性心率数据库以及充盈性心衰数据库。所有样本采样时间都在18~24 h之间。为了避免昼夜节律的影响以及保证研究的可行性，对于每个样本，我们选取的数据长度为20 000点。将所有样本分为两组：第一组为对照组，共41例健康老年人样本，年龄(64.37±3.54) 岁；第二组为实验组，共25例CHF患者样本，年龄(63.08±5.21) 岁。两组人群的年龄差异无统计学意义(t检验，P＞0.05) 。
1.2 方法
1.2.1 RR间期序列的复杂网络分析
一个复杂网络通常可表示成由若干顶点和边(或弧)构成的图[15]。本文中复杂网络的构建采用Hou等[13] 提出的方法。该方法包含如下三个步骤：
(1) 相空间重构。考虑一个长度为N的RR间期时间序列{xi i=1,2,…,N}，先对其按最大最小值进行归一化，得到归一化的序列{yi i=1,2,…,N}；然后，把归一化后的时间序列{yi i=1,2,…,N}嵌入到m维相空间，如式(1) 所示：
| $\left\{ {{T}_{i}}=\left( {{y}_{i}},{{y}_{i+1}},\cdots ,{{y}_{i+m-1}} \right)i=1,2,\cdots ,N-m+1 \right\}$ |
则可以得到N-m+1个m维向量。将每个m维向量视为复杂网络中的一个节点。
(2) 利用内组合排列(inner composition alignment，IOTA)测度[13, 16]来评估任意两个节点之间耦合的强度和方向。
(3) 利用替代数据法[13, 17-19]决定任意两个节点对之间是否存在一条弧。
用上述方法所构建的图是有向无权图。对于这种图所代表的复杂网络，计算平均聚类系数(average clustering coefficient,aver_C)[15]、图的效率(efficiency of the graph，EG)[15]、平均度(average degree,aver_D)[15]和度分布熵(entropy of degree distribution,EDD)[13]四个测度。
1.2.2 RR间期序列的庞加莱散点图分析
庞加莱散点图是一个时间序列在笛卡儿平面内的图形化表示[20]。对长度为N的RR间期序列{RRi i=1,2,...,N}构建庞加莱散点图，然后将散点图用椭圆进行拟合(椭圆长轴沿着45°的等值线方向)，计算椭圆的短轴与长轴之比(the ratio of ellipse short-long axis,SDratio)，即可得到一个非线性的HRV指标[20-21]。
1.2.3 其他的HRV分析方法
鉴于RR间期序列的标准差(the standard deviation of RR intervals，SDRR)，是HRV分析中使用最为广泛的参数之一[1]，因此作为对比，本文中将对SDRR进行考察；此外，Wessel等[22]定义的基于符号动力学分析方法的参数Polvar20反映了在连续的6次心跳中，RR间期变异均小于20 ms的概率，它被报道可用于极短时HRV分析[11]，因此本文中也将对Polvar20进行考察。
1.2.4 参数稳定性的统计学评估
经去除伪差及异位起搏点的预处理后，对于每个样本，考察的序列长度一律取20 000点。对于每例样本数据，将其按照50点分割成连续的400段，对于每一段分别计算上述各极短时分析参数，包括aver_C、EG、aver_D、EDD、SDratio、SDRR、Polvar20。这样对于每例样本数据，上述每个参数均可以得到400个随时间波动的参数值。
采用变异系数来描述每例样本的各参数值随时间的波动情况。如对于第i个样本，若其400个SDRR参数值用向量Xi表示，则该样本SDRR参数的变异系数可用std(Xi)/mean(Xi)计算，其中std(Xi)表示向量Xi的标准差，mean(Xi)表示向量Xi的均值。以此类推，可以计算每个样本的每个参数(即aver_C、EG、aver_D、EDD、SDratio、Polvar20) 的变异系数。然后，对400段的RR间期序列参数计算结果进行对照组和实验组之间差异的显著性检验。具体做法是：对于每个参数，第i次t检验发生在实验组中每个人的第i段RR间期序列的该参数值与对照组中每个人的第i段RR间期序列的该参数值中。因此，对于每个参数，均需要进行400次t检验；对于每个参数，计算这400次t检验中差异有统计学意义的检验所占的百分比(percent of significant tests,Pst)。采用变异系数以及Pst作为各参数在区分对照组和实验组时稳定性的定性判定标准：我们认为，变异系数越小且Pst越大，参数越稳定，反之亦然。
接下来，采用受试者工作特征 (receiver operating characteristic，ROC) 曲线下的面积(area under the curve,AUC)来衡量单一参数对对照组和实验组的线性分类能力。一般地，AUC的值介于0.5到1之间。AUC等于0.5意味着数据以均等的几率被随机分成两组，参数不具有任何分类意义；而AUC等于1则对应着所有的数据都被正确分类的理想状态。通常认为，AUC不小于0.7即代表有一定的分类价值，大于0.9则是有很高的分类价值[23]。为兼顾灵敏度和特意度，以约登指数最大作为标准寻找部分参数的最佳工作点[23]，即诊断参考值(cut-off)。在绘制ROC曲线以及计算其AUC值、cut-off值时，均是针对所有受试者的400段RR间期序列(即66×400=26 400段50点RR间期序列)而进行的。
最后以26 400段50点RR间期序列作为数据集，利用人工神经网络联合多个稳定指标来测试这些指标对对照组和实验组的非线性分类效果。本文采用弹性误差反向传播(back Propagation，BP)算法来训练神经网络[24]，采用及早停止法[25]来控制训练过程并运用10-折交叉验证[25]来评估模型的准确性。一次10-折交叉验证具体过程是这样的：已有的可用数据集首先被随机地平分成10份，轮流将其中的9份作为训练集，1份作为测试集，进行一轮试验。而在网络开始训练前，这个训练集又按照某一比例(本文采用8∶2) 被进一步细分为两个不相交子集：一是估计子集，用来选择模型；二是确认子集，用来测试或者确认模型。这样，每次试验中都是使用估计子集进行学习，同时监测确认子集的误差。通常说来，模型在确认子集上的表现并不像它在估计子集上的表现那么出色，它的设计是基于估计子集的，因此应以确认学习曲线上的最小点作为停止训练过程的合理准则；当网络停止训练后，计算测试集经网络后的输出值，便可用来计算此轮分类的正确率。最后，以10轮训练的分类正确率均值作为对该模型性能的估计。本文把分类正确率定义为：把健康人判定为健康，以及把CHF患者判定为CHF的比例之和。
2 结果
对于两组人群共66个样本，各参数的变异系数按照均值±标准差(x±s)列于表 1中，同时还列有Pst的值。
表1
各参数稳定性分析结果
Table1.
Results of robustness analysis of the considered parameters
如表 1所示，虽然在对照组和实验组间，本文考察的7个指标中并没有一个指标的差异总存在统计学意义，但基于庞加莱散点图分析的SDratio指标以及基于复杂网络分析的EDD指标，在绝大多数情况下都能正确反映健康状态和疾病状态下心血管系统的差异，这一点优于在HRV的时域分析中被广泛使用的SDRR指标[26]，以及基于符号动力学分析的Polvar20指标。此外，EDD参数的变异系数显著小于其他参数，可以说在本文考察的所有参数中，EDD参数值波动最小。
如图 1所示，本文以盒图的形式展示了所有被考察的26 400段RR间期序列的指标SDratio和EDD值的分布情况，图中横虚线代表相应ROC曲线的cut-off值；此外，经计算SDratio指标的AUC值为0.74，EDD指标的AUC值为0.70。结合图 1及AUC值，我们认为指标SDratio和EDD对于CHF的鉴定均有一定的诊断价值。特别地，利用SDratio指标时，如图 1所示，对照组盒图的盒体均位于阈值cut-off以下，说明SDratio指标具有较好的特异性；而利用EDD指标时，如图 1所示，CHF组盒图的盒体也几乎全位于阈值cut-off以下，说明EDD指标具有较好的灵敏度，可为临床医生提供一个判别CHF的辅助指标。
图1
参数分布盒图及对两组人群进行线性划分示意
Figure1.
Box-charts of the measurements and the schema of linear-classification between the two groups
利用人工神经网络进行对照组和实验组的分类，为了不增加网络的复杂性，在本文研究中，隐层层数设定为1且神经元个数设定为2，输出层神经元为1个，传递函数选用非线性激活函数tansig( )。我们分别考察了仅SDratio、仅EDD、以及联合SDratio和EDD作为输入特征向量时网络的分类情况。10-折交叉验证的平均正确率列于表 2中。
表2
不同输入特征向量下网络的平均分类正确率
Table2.
Mean classification accuracy under different input feature values
如表 2所示，仅用SDratio一个指标，就有一定的分类效果，而联合EDD对分类正确率的提高效果不明显；可以说，在对CHF患者进行智能诊断时，SDratio可能是一个可用的指标。
3 讨论
表征极短时(＜1 min)HRV的分析参数通常随时间呈现出复杂的变化模式，这种随时间变化的波动很容易干扰对心血管状态的正确判断。本文首次探讨了极短时HRV分析方法在用于CHF诊断时的可行性。研究结果表明：在长时或短时HRV分析中常用的时域指标SDRR、以及基于符号动力学分析的Polvar20指标却并不适用于基于极短时HRV分析的CHF诊断；而基于复杂网络分析的EDD指标，以及基于庞加莱散点图分析的SDratio指标，有望成为基于极短时HRV分析的CHF诊断的辅助指标。
基于时域统计分析的SDRR指标虽然容易计算并且能提供一定的有用信息，但它将心率变异信号作为随机信号处理而完全抛弃了其在时间上的关联性；许多研究表明，心率变异信号是具有确定时序结构的非随机序列[26]，这就导致很多情况下SDRR指标在区别截然不同的生理信号时不够可靠，这与本文的研究结果相符。对比SDRR，基于RR间期的庞加莱散点图反映了RR间期时间序列在相空间中的分布态势，包含了心率变异的线性和非线性变化趋势；基于相空间重构、IOTA以及替代数据法构建的复杂网络，则既能从总体也能从细节直观地展示产生HRV的动力系统在不同状态下的非线性耦合性。因此，我们认为心脏电活动富含复杂的非线性成分，这种成分在极短时HRV中就已经体现，应采用非线性的分析方法对极短时HRV进行分析研究。传统的非线性分析方法，如李雅普诺夫指数、关联维、幂律分析等因为要求数据长度一般在300点以上而不适用于极短时HRV的分析[11]；而基于符号动力学分析的Polvar20指标虽然并未明确要求所适用的数据长度，但本实验结果表明它并非一个可用于极短时HRV分析的稳定指标。本文中使用的复杂网络分析方法和基于庞加莱散点图的分析方法有望填补这个需求，但在对CHF诊断时仍不够理想，仍需寻找可用于极短时HRV分析研究的且对CHF更加敏感特异的指标。
