表征極短時（＜1 min）心率變異性（HRV）的分析參數通常隨時間呈現出復雜的變化模式，這種隨時間變化的波動很容易干擾對心血管狀態的正確判斷。本文將年齡匹配的41例健康人（對照組）和25例充血性心力衰竭（CHF）患者（實驗組）的長時HRV序列劃分成多段極短時序列，計算同一HRV參數在多段極短時序列中的變異系數以及多次組間t檢驗中差異有統計學意義的檢驗比例，以此探討部分極短時HRV分析參數在揭示不同狀態下心血管系統功能差異時的穩定性；此外，通過對受試者工作特征（ROC）曲線的分析以及人工神經網絡的建模，評估了這些參數對對照組和實驗組進行分類的效果。本文結果表明：① 基于復雜網絡分析的度分布熵指標有著最小的變異系數且對病理狀態敏感（79.75%情況下對照組和實驗組的差異有統計學意義），可為臨床醫生提供一個診斷CHF患者的輔助指標；② 將龐加萊散點圖進行橢圓擬合后，對照組和實驗組的橢圓短長軸之比（SDratio）在98.5%的情況下差異有統計學意義；在人工神經網絡建模時，僅使用SDratio對對照組和實驗組進行分類的正確率為71.87%，表明SDratio或可作為CHF患者的智能診斷指標；③ 仍需尋找可用于極短時HRV分析研究且對CHF患者更加敏感特異的穩定指標。
引用本文： 侯鳳貞, 武小川, 易治萍, 張潔玉, 海濱. 基于極短時心率變異性分析的充血性心力衰竭診斷可行性探討. 生物醫學工程學雜志, 2016, 33(3): 559-563,569. doi: 10.7507/1001-5515.20160093 復制
引言
健康人的心跳動力系統是一個多輸入的復雜系統：它在自發竇性節律的基礎上，同時受自主神經系統-交感神經、副交感神經等多種因素協調控制，呈現出復雜變異性，即心率變異性(heart rate variability，HRV)[1]。HRV與心血管疾病的關系日益明確，越來越多的學者致力于研究利用HRV來進行心血管疾病的早期診斷、病程監測以及預后評估[1-7]；此外，作為評價自主神經系統活動水平的一種無創性手段，對HRV的分析在評價心交感神經與迷走神經活動水平方面應用廣泛[8-10]。
目前國際上研究HRV一般有長時和短時兩種方式，長時分析主要針對連續至少18 h的心跳間隔信號(常以體表心電圖中相鄰兩個R波頂點之間的時間間隔作為一次心跳間隔，簡稱RR間期)或瞬時心率信號進行分析，短時分析則主要針對5~20 min的信號。近年來，利用HRV來研究心臟自主神經功能的動態變化也逐漸成為研究熱點[11]，這就要求能分析比常用的5~20 min信號更短的信號。特別地，如果一個指標能應用于極短時(＜1 min)的HRV分析，它不僅可能對心血管系統的變化提供詳細信息，并有望實現對心臟自主神經系統動態變化的實時跟蹤[11]。這一點在運動后心臟功能恢復的評估、快速起效的心血管藥物藥效觀測、大規模的心臟疾病初篩等方面應用前景可觀[11]。
然而課題組在實際工作中發現，對于兩組長時HRV樣本集，若每個樣本截取不同的數據段進行分析，則組間統計分析結果可能很不相同。這一點在截取的數據段極短時表現得更加明顯，這就意味著極短時HRV分析的結果存在著一定的偶然性。究其原因在于非平穩干擾和系統固有的低頻節律，即便是對于同一樣本，表征HRV的短時分析參數通常隨時間呈現出復雜的變化模式，這種隨時間變化的波動很容易干擾對心血管狀態的正確判斷[3, 12]。在我們前期對極短時HRV的研究工作中發現，基于復雜網絡分析的某些指標，以及基于龐加萊圖分析的某些指標有望成為揭示心臟病理狀態的動力學標記[13]。本文中，課題組以健康人和充血性心力衰竭(congestive heart failure，CHF)患者的長時HRV數據為研究對象，旨在通過將長時RR間期序列分段計算各極短時HRV分析參數，進一步探討這些指標能否穩定地揭示不同狀態下心血管系統的差異以及能否為CHF的診斷提供有用信息。
1 材料及方法
1.1 材料
本文選用的66個HRV樣本來自于復雜生理信號數據庫PhysioBank[14]中的正常竇性心率數據庫以及充盈性心衰數據庫。所有樣本采樣時間都在18~24 h之間。為了避免晝夜節律的影響以及保證研究的可行性，對于每個樣本，我們選取的數據長度為20 000點。將所有樣本分為兩組：第一組為對照組，共41例健康老年人樣本，年齡(64.37±3.54) 歲；第二組為實驗組，共25例CHF患者樣本，年齡(63.08±5.21) 歲。兩組人群的年齡差異無統計學意義(t檢驗，P＞0.05) 。
1.2 方法
1.2.1 RR間期序列的復雜網絡分析
一個復雜網絡通常可表示成由若干頂點和邊(或弧)構成的圖[15]。本文中復雜網絡的構建采用Hou等[13] 提出的方法。該方法包含如下三個步驟：
(1) 相空間重構。考慮一個長度為N的RR間期時間序列{xi i=1,2,…,N}，先對其按最大最小值進行歸一化，得到歸一化的序列{yi i=1,2,…,N}；然后，把歸一化后的時間序列{yi i=1,2,…,N}嵌入到m維相空間，如式(1) 所示：
| $\left\{ {{T}_{i}}=\left( {{y}_{i}},{{y}_{i+1}},\cdots ,{{y}_{i+m-1}} \right)i=1,2,\cdots ,N-m+1 \right\}$ |
則可以得到N-m+1個m維向量。將每個m維向量視為復雜網絡中的一個節點。
(2) 利用內組合排列(inner composition alignment，IOTA)測度[13, 16]來評估任意兩個節點之間耦合的強度和方向。
(3) 利用替代數據法[13, 17-19]決定任意兩個節點對之間是否存在一條弧。
用上述方法所構建的圖是有向無權圖。對于這種圖所代表的復雜網絡，計算平均聚類系數(average clustering coefficient,aver_C)[15]、圖的效率(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]四個測度。
1.2.2 RR間期序列的龐加萊散點圖分析
龐加萊散點圖是一個時間序列在笛卡兒平面內的圖形化表示[20]。對長度為N的RR間期序列{RRi i=1,2,...,N}構建龐加萊散點圖，然后將散點圖用橢圓進行擬合(橢圓長軸沿著45°的等值線方向)，計算橢圓的短軸與長軸之比(the ratio of ellipse short-long axis,SDratio)，即可得到一個非線性的HRV指標[20-21]。
1.2.3 其他的HRV分析方法
鑒于RR間期序列的標準差(the standard deviation of RR intervals，SDRR)，是HRV分析中使用最為廣泛的參數之一[1]，因此作為對比，本文中將對SDRR進行考察；此外，Wessel等[22]定義的基于符號動力學分析方法的參數Polvar20反映了在連續的6次心跳中，RR間期變異均小于20 ms的概率，它被報道可用于極短時HRV分析[11]，因此本文中也將對Polvar20進行考察。
1.2.4 參數穩定性的統計學評估
經去除偽差及異位起搏點的預處理后，對于每個樣本，考察的序列長度一律取20 000點。對于每例樣本數據，將其按照50點分割成連續的400段，對于每一段分別計算上述各極短時分析參數，包括aver_C、EG、aver_D、EDD、SDratio、SDRR、Polvar20。這樣對于每例樣本數據，上述每個參數均可以得到400個隨時間波動的參數值。
采用變異系數來描述每例樣本的各參數值隨時間的波動情況。如對于第i個樣本，若其400個SDRR參數值用向量Xi表示，則該樣本SDRR參數的變異系數可用std(Xi)/mean(Xi)計算，其中std(Xi)表示向量Xi的標準差，mean(Xi)表示向量Xi的均值。以此類推，可以計算每個樣本的每個參數(即aver_C、EG、aver_D、EDD、SDratio、Polvar20) 的變異系數。然后，對400段的RR間期序列參數計算結果進行對照組和實驗組之間差異的顯著性檢驗。具體做法是：對于每個參數，第i次t檢驗發生在實驗組中每個人的第i段RR間期序列的該參數值與對照組中每個人的第i段RR間期序列的該參數值中。因此，對于每個參數，均需要進行400次t檢驗；對于每個參數，計算這400次t檢驗中差異有統計學意義的檢驗所占的百分比(percent of significant tests,Pst)。采用變異系數以及Pst作為各參數在區分對照組和實驗組時穩定性的定性判定標準：我們認為，變異系數越小且Pst越大，參數越穩定，反之亦然。
接下來，采用受試者工作特征 (receiver operating characteristic，ROC) 曲線下的面積(area under the curve,AUC)來衡量單一參數對對照組和實驗組的線性分類能力。一般地，AUC的值介于0.5到1之間。AUC等于0.5意味著數據以均等的幾率被隨機分成兩組，參數不具有任何分類意義；而AUC等于1則對應著所有的數據都被正確分類的理想狀態。通常認為，AUC不小于0.7即代表有一定的分類價值，大于0.9則是有很高的分類價值[23]。為兼顧靈敏度和特意度，以約登指數最大作為標準尋找部分參數的最佳工作點[23]，即診斷參考值(cut-off)。在繪制ROC曲線以及計算其AUC值、cut-off值時，均是針對所有受試者的400段RR間期序列(即66×400=26 400段50點RR間期序列)而進行的。
最后以26 400段50點RR間期序列作為數據集，利用人工神經網絡聯合多個穩定指標來測試這些指標對對照組和實驗組的非線性分類效果。本文采用彈性誤差反向傳播(back Propagation，BP)算法來訓練神經網絡[24]，采用及早停止法[25]來控制訓練過程并運用10-折交叉驗證[25]來評估模型的準確性。一次10-折交叉驗證具體過程是這樣的：已有的可用數據集首先被隨機地平分成10份，輪流將其中的9份作為訓練集，1份作為測試集，進行一輪試驗。而在網絡開始訓練前，這個訓練集又按照某一比例(本文采用8∶2) 被進一步細分為兩個不相交子集：一是估計子集，用來選擇模型；二是確認子集，用來測試或者確認模型。這樣，每次試驗中都是使用估計子集進行學習，同時監測確認子集的誤差。通常說來，模型在確認子集上的表現并不像它在估計子集上的表現那么出色，它的設計是基于估計子集的，因此應以確認學習曲線上的最小點作為停止訓練過程的合理準則；當網絡停止訓練后，計算測試集經網絡后的輸出值，便可用來計算此輪分類的正確率。最后，以10輪訓練的分類正確率均值作為對該模型性能的估計。本文把分類正確率定義為：把健康人判定為健康，以及把CHF患者判定為CHF的比例之和。
2 結果
對于兩組人群共66個樣本，各參數的變異系數按照均值±標準差(x±s)列于表 1中，同時還列有Pst的值。
表1
各參數穩定性分析結果
Table1.
Results of robustness analysis of the considered parameters
如表 1所示，雖然在對照組和實驗組間，本文考察的7個指標中并沒有一個指標的差異總存在統計學意義，但基于龐加萊散點圖分析的SDratio指標以及基于復雜網絡分析的EDD指標，在絕大多數情況下都能正確反映健康狀態和疾病狀態下心血管系統的差異，這一點優于在HRV的時域分析中被廣泛使用的SDRR指標[26]，以及基于符號動力學分析的Polvar20指標。此外，EDD參數的變異系數顯著小于其他參數，可以說在本文考察的所有參數中，EDD參數值波動最小。
如圖 1所示，本文以盒圖的形式展示了所有被考察的26 400段RR間期序列的指標SDratio和EDD值的分布情況，圖中橫虛線代表相應ROC曲線的cut-off值；此外，經計算SDratio指標的AUC值為0.74，EDD指標的AUC值為0.70。結合圖 1及AUC值，我們認為指標SDratio和EDD對于CHF的鑒定均有一定的診斷價值。特別地，利用SDratio指標時，如圖 1所示，對照組盒圖的盒體均位于閾值cut-off以下，說明SDratio指標具有較好的特異性；而利用EDD指標時，如圖 1所示，CHF組盒圖的盒體也幾乎全位于閾值cut-off以下，說明EDD指標具有較好的靈敏度，可為臨床醫生提供一個判別CHF的輔助指標。
圖1
參數分布盒圖及對兩組人群進行線性劃分示意
Figure1.
Box-charts of the measurements and the schema of linear-classification between the two groups
利用人工神經網絡進行對照組和實驗組的分類，為了不增加網絡的復雜性，在本文研究中，隱層層數設定為1且神經元個數設定為2，輸出層神經元為1個，傳遞函數選用非線性激活函數tansig( )。我們分別考察了僅SDratio、僅EDD、以及聯合SDratio和EDD作為輸入特征向量時網絡的分類情況。10-折交叉驗證的平均正確率列于表 2中。
表2
不同輸入特征向量下網絡的平均分類正確率
Table2.
Mean classification accuracy under different input feature values
如表 2所示，僅用SDratio一個指標，就有一定的分類效果，而聯合EDD對分類正確率的提高效果不明顯；可以說，在對CHF患者進行智能診斷時，SDratio可能是一個可用的指標。
3 討論
表征極短時(＜1 min)HRV的分析參數通常隨時間呈現出復雜的變化模式，這種隨時間變化的波動很容易干擾對心血管狀態的正確判斷。本文首次探討了極短時HRV分析方法在用于CHF診斷時的可行性。研究結果表明：在長時或短時HRV分析中常用的時域指標SDRR、以及基于符號動力學分析的Polvar20指標卻并不適用于基于極短時HRV分析的CHF診斷；而基于復雜網絡分析的EDD指標，以及基于龐加萊散點圖分析的SDratio指標，有望成為基于極短時HRV分析的CHF診斷的輔助指標。
基于時域統計分析的SDRR指標雖然容易計算并且能提供一定的有用信息，但它將心率變異信號作為隨機信號處理而完全拋棄了其在時間上的關聯性；許多研究表明，心率變異信號是具有確定時序結構的非隨機序列[26]，這就導致很多情況下SDRR指標在區別截然不同的生理信號時不夠可靠，這與本文的研究結果相符。對比SDRR，基于RR間期的龐加萊散點圖反映了RR間期時間序列在相空間中的分布態勢，包含了心率變異的線性和非線性變化趨勢；基于相空間重構、IOTA以及替代數據法構建的復雜網絡，則既能從總體也能從細節直觀地展示產生HRV的動力系統在不同狀態下的非線性耦合性。因此，我們認為心臟電活動富含復雜的非線性成分，這種成分在極短時HRV中就已經體現，應采用非線性的分析方法對極短時HRV進行分析研究。傳統的非線性分析方法，如李雅普諾夫指數、關聯維、冪律分析等因為要求數據長度一般在300點以上而不適用于極短時HRV的分析[11]；而基于符號動力學分析的Polvar20指標雖然并未明確要求所適用的數據長度，但本實驗結果表明它并非一個可用于極短時HRV分析的穩定指標。本文中使用的復雜網絡分析方法和基于龐加萊散點圖的分析方法有望填補這個需求，但在對CHF診斷時仍不夠理想，仍需尋找可用于極短時HRV分析研究的且對CHF更加敏感特異的指標。
引言
健康人的心跳動力系統是一個多輸入的復雜系統：它在自發竇性節律的基礎上，同時受自主神經系統-交感神經、副交感神經等多種因素協調控制，呈現出復雜變異性，即心率變異性(heart rate variability，HRV)[1]。HRV與心血管疾病的關系日益明確，越來越多的學者致力于研究利用HRV來進行心血管疾病的早期診斷、病程監測以及預后評估[1-7]；此外，作為評價自主神經系統活動水平的一種無創性手段，對HRV的分析在評價心交感神經與迷走神經活動水平方面應用廣泛[8-10]。
目前國際上研究HRV一般有長時和短時兩種方式，長時分析主要針對連續至少18 h的心跳間隔信號(常以體表心電圖中相鄰兩個R波頂點之間的時間間隔作為一次心跳間隔，簡稱RR間期)或瞬時心率信號進行分析，短時分析則主要針對5~20 min的信號。近年來，利用HRV來研究心臟自主神經功能的動態變化也逐漸成為研究熱點[11]，這就要求能分析比常用的5~20 min信號更短的信號。特別地，如果一個指標能應用于極短時(＜1 min)的HRV分析，它不僅可能對心血管系統的變化提供詳細信息，并有望實現對心臟自主神經系統動態變化的實時跟蹤[11]。這一點在運動后心臟功能恢復的評估、快速起效的心血管藥物藥效觀測、大規模的心臟疾病初篩等方面應用前景可觀[11]。
然而課題組在實際工作中發現，對于兩組長時HRV樣本集，若每個樣本截取不同的數據段進行分析，則組間統計分析結果可能很不相同。這一點在截取的數據段極短時表現得更加明顯，這就意味著極短時HRV分析的結果存在著一定的偶然性。究其原因在于非平穩干擾和系統固有的低頻節律，即便是對于同一樣本，表征HRV的短時分析參數通常隨時間呈現出復雜的變化模式，這種隨時間變化的波動很容易干擾對心血管狀態的正確判斷[3, 12]。在我們前期對極短時HRV的研究工作中發現，基于復雜網絡分析的某些指標，以及基于龐加萊圖分析的某些指標有望成為揭示心臟病理狀態的動力學標記[13]。本文中，課題組以健康人和充血性心力衰竭(congestive heart failure，CHF)患者的長時HRV數據為研究對象，旨在通過將長時RR間期序列分段計算各極短時HRV分析參數，進一步探討這些指標能否穩定地揭示不同狀態下心血管系統的差異以及能否為CHF的診斷提供有用信息。
1 材料及方法
1.1 材料
本文選用的66個HRV樣本來自于復雜生理信號數據庫PhysioBank[14]中的正常竇性心率數據庫以及充盈性心衰數據庫。所有樣本采樣時間都在18~24 h之間。為了避免晝夜節律的影響以及保證研究的可行性，對于每個樣本，我們選取的數據長度為20 000點。將所有樣本分為兩組：第一組為對照組，共41例健康老年人樣本，年齡(64.37±3.54) 歲；第二組為實驗組，共25例CHF患者樣本，年齡(63.08±5.21) 歲。兩組人群的年齡差異無統計學意義(t檢驗，P＞0.05) 。
1.2 方法
1.2.1 RR間期序列的復雜網絡分析
一個復雜網絡通常可表示成由若干頂點和邊(或弧)構成的圖[15]。本文中復雜網絡的構建采用Hou等[13] 提出的方法。該方法包含如下三個步驟：
(1) 相空間重構。考慮一個長度為N的RR間期時間序列{xi i=1,2,…,N}，先對其按最大最小值進行歸一化，得到歸一化的序列{yi i=1,2,…,N}；然后，把歸一化后的時間序列{yi i=1,2,…,N}嵌入到m維相空間，如式(1) 所示：
| $\left\{ {{T}_{i}}=\left( {{y}_{i}},{{y}_{i+1}},\cdots ,{{y}_{i+m-1}} \right)i=1,2,\cdots ,N-m+1 \right\}$ |
則可以得到N-m+1個m維向量。將每個m維向量視為復雜網絡中的一個節點。
(2) 利用內組合排列(inner composition alignment，IOTA)測度[13, 16]來評估任意兩個節點之間耦合的強度和方向。
(3) 利用替代數據法[13, 17-19]決定任意兩個節點對之間是否存在一條弧。
用上述方法所構建的圖是有向無權圖。對于這種圖所代表的復雜網絡，計算平均聚類系數(average clustering coefficient,aver_C)[15]、圖的效率(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]四個測度。
1.2.2 RR間期序列的龐加萊散點圖分析
龐加萊散點圖是一個時間序列在笛卡兒平面內的圖形化表示[20]。對長度為N的RR間期序列{RRi i=1,2,...,N}構建龐加萊散點圖，然后將散點圖用橢圓進行擬合(橢圓長軸沿著45°的等值線方向)，計算橢圓的短軸與長軸之比(the ratio of ellipse short-long axis,SDratio)，即可得到一個非線性的HRV指標[20-21]。
1.2.3 其他的HRV分析方法
鑒于RR間期序列的標準差(the standard deviation of RR intervals，SDRR)，是HRV分析中使用最為廣泛的參數之一[1]，因此作為對比，本文中將對SDRR進行考察；此外，Wessel等[22]定義的基于符號動力學分析方法的參數Polvar20反映了在連續的6次心跳中，RR間期變異均小于20 ms的概率，它被報道可用于極短時HRV分析[11]，因此本文中也將對Polvar20進行考察。
1.2.4 參數穩定性的統計學評估
經去除偽差及異位起搏點的預處理后，對于每個樣本，考察的序列長度一律取20 000點。對于每例樣本數據，將其按照50點分割成連續的400段，對于每一段分別計算上述各極短時分析參數，包括aver_C、EG、aver_D、EDD、SDratio、SDRR、Polvar20。這樣對于每例樣本數據，上述每個參數均可以得到400個隨時間波動的參數值。
采用變異系數來描述每例樣本的各參數值隨時間的波動情況。如對于第i個樣本，若其400個SDRR參數值用向量Xi表示，則該樣本SDRR參數的變異系數可用std(Xi)/mean(Xi)計算，其中std(Xi)表示向量Xi的標準差，mean(Xi)表示向量Xi的均值。以此類推，可以計算每個樣本的每個參數(即aver_C、EG、aver_D、EDD、SDratio、Polvar20) 的變異系數。然后，對400段的RR間期序列參數計算結果進行對照組和實驗組之間差異的顯著性檢驗。具體做法是：對于每個參數，第i次t檢驗發生在實驗組中每個人的第i段RR間期序列的該參數值與對照組中每個人的第i段RR間期序列的該參數值中。因此，對于每個參數，均需要進行400次t檢驗；對于每個參數，計算這400次t檢驗中差異有統計學意義的檢驗所占的百分比(percent of significant tests,Pst)。采用變異系數以及Pst作為各參數在區分對照組和實驗組時穩定性的定性判定標準：我們認為，變異系數越小且Pst越大，參數越穩定，反之亦然。
接下來，采用受試者工作特征 (receiver operating characteristic，ROC) 曲線下的面積(area under the curve,AUC)來衡量單一參數對對照組和實驗組的線性分類能力。一般地，AUC的值介于0.5到1之間。AUC等于0.5意味著數據以均等的幾率被隨機分成兩組，參數不具有任何分類意義；而AUC等于1則對應著所有的數據都被正確分類的理想狀態。通常認為，AUC不小于0.7即代表有一定的分類價值，大于0.9則是有很高的分類價值[23]。為兼顧靈敏度和特意度，以約登指數最大作為標準尋找部分參數的最佳工作點[23]，即診斷參考值(cut-off)。在繪制ROC曲線以及計算其AUC值、cut-off值時，均是針對所有受試者的400段RR間期序列(即66×400=26 400段50點RR間期序列)而進行的。
最后以26 400段50點RR間期序列作為數據集，利用人工神經網絡聯合多個穩定指標來測試這些指標對對照組和實驗組的非線性分類效果。本文采用彈性誤差反向傳播(back Propagation，BP)算法來訓練神經網絡[24]，采用及早停止法[25]來控制訓練過程并運用10-折交叉驗證[25]來評估模型的準確性。一次10-折交叉驗證具體過程是這樣的：已有的可用數據集首先被隨機地平分成10份，輪流將其中的9份作為訓練集，1份作為測試集，進行一輪試驗。而在網絡開始訓練前，這個訓練集又按照某一比例(本文采用8∶2) 被進一步細分為兩個不相交子集：一是估計子集，用來選擇模型；二是確認子集，用來測試或者確認模型。這樣，每次試驗中都是使用估計子集進行學習，同時監測確認子集的誤差。通常說來，模型在確認子集上的表現并不像它在估計子集上的表現那么出色，它的設計是基于估計子集的，因此應以確認學習曲線上的最小點作為停止訓練過程的合理準則；當網絡停止訓練后，計算測試集經網絡后的輸出值，便可用來計算此輪分類的正確率。最后，以10輪訓練的分類正確率均值作為對該模型性能的估計。本文把分類正確率定義為：把健康人判定為健康，以及把CHF患者判定為CHF的比例之和。
2 結果
對于兩組人群共66個樣本，各參數的變異系數按照均值±標準差(x±s)列于表 1中，同時還列有Pst的值。
表1
各參數穩定性分析結果
Table1.
Results of robustness analysis of the considered parameters
如表 1所示，雖然在對照組和實驗組間，本文考察的7個指標中并沒有一個指標的差異總存在統計學意義，但基于龐加萊散點圖分析的SDratio指標以及基于復雜網絡分析的EDD指標，在絕大多數情況下都能正確反映健康狀態和疾病狀態下心血管系統的差異，這一點優于在HRV的時域分析中被廣泛使用的SDRR指標[26]，以及基于符號動力學分析的Polvar20指標。此外，EDD參數的變異系數顯著小于其他參數，可以說在本文考察的所有參數中，EDD參數值波動最小。
如圖 1所示，本文以盒圖的形式展示了所有被考察的26 400段RR間期序列的指標SDratio和EDD值的分布情況，圖中橫虛線代表相應ROC曲線的cut-off值；此外，經計算SDratio指標的AUC值為0.74，EDD指標的AUC值為0.70。結合圖 1及AUC值，我們認為指標SDratio和EDD對于CHF的鑒定均有一定的診斷價值。特別地，利用SDratio指標時，如圖 1所示，對照組盒圖的盒體均位于閾值cut-off以下，說明SDratio指標具有較好的特異性；而利用EDD指標時，如圖 1所示，CHF組盒圖的盒體也幾乎全位于閾值cut-off以下，說明EDD指標具有較好的靈敏度，可為臨床醫生提供一個判別CHF的輔助指標。
圖1
參數分布盒圖及對兩組人群進行線性劃分示意
Figure1.
Box-charts of the measurements and the schema of linear-classification between the two groups
利用人工神經網絡進行對照組和實驗組的分類，為了不增加網絡的復雜性，在本文研究中，隱層層數設定為1且神經元個數設定為2，輸出層神經元為1個，傳遞函數選用非線性激活函數tansig( )。我們分別考察了僅SDratio、僅EDD、以及聯合SDratio和EDD作為輸入特征向量時網絡的分類情況。10-折交叉驗證的平均正確率列于表 2中。
表2
不同輸入特征向量下網絡的平均分類正確率
Table2.
Mean classification accuracy under different input feature values
如表 2所示，僅用SDratio一個指標，就有一定的分類效果，而聯合EDD對分類正確率的提高效果不明顯；可以說，在對CHF患者進行智能診斷時，SDratio可能是一個可用的指標。
3 討論
表征極短時(＜1 min)HRV的分析參數通常隨時間呈現出復雜的變化模式，這種隨時間變化的波動很容易干擾對心血管狀態的正確判斷。本文首次探討了極短時HRV分析方法在用于CHF診斷時的可行性。研究結果表明：在長時或短時HRV分析中常用的時域指標SDRR、以及基于符號動力學分析的Polvar20指標卻并不適用于基于極短時HRV分析的CHF診斷；而基于復雜網絡分析的EDD指標，以及基于龐加萊散點圖分析的SDratio指標，有望成為基于極短時HRV分析的CHF診斷的輔助指標。
基于時域統計分析的SDRR指標雖然容易計算并且能提供一定的有用信息，但它將心率變異信號作為隨機信號處理而完全拋棄了其在時間上的關聯性；許多研究表明，心率變異信號是具有確定時序結構的非隨機序列[26]，這就導致很多情況下SDRR指標在區別截然不同的生理信號時不夠可靠，這與本文的研究結果相符。對比SDRR，基于RR間期的龐加萊散點圖反映了RR間期時間序列在相空間中的分布態勢，包含了心率變異的線性和非線性變化趨勢；基于相空間重構、IOTA以及替代數據法構建的復雜網絡，則既能從總體也能從細節直觀地展示產生HRV的動力系統在不同狀態下的非線性耦合性。因此，我們認為心臟電活動富含復雜的非線性成分，這種成分在極短時HRV中就已經體現，應采用非線性的分析方法對極短時HRV進行分析研究。傳統的非線性分析方法，如李雅普諾夫指數、關聯維、冪律分析等因為要求數據長度一般在300點以上而不適用于極短時HRV的分析[11]；而基于符號動力學分析的Polvar20指標雖然并未明確要求所適用的數據長度，但本實驗結果表明它并非一個可用于極短時HRV分析的穩定指標。本文中使用的復雜網絡分析方法和基于龐加萊散點圖的分析方法有望填補這個需求，但在對CHF診斷時仍不夠理想，仍需尋找可用于極短時HRV分析研究的且對CHF更加敏感特異的指標。
