基于自回歸(AR)模型的心率變異性(HRV)分析技術廣泛用于自主神經系統功能狀態評價,其中AR模型階數的選擇對于HRV分析結果的準確性有重要的影響,本文研究了AR模型最佳階數的確定方法。從46名健康成年受試者自然呼吸下的心電信號中提取心跳間期時間序列,用最終預測誤差最小準則來計算AR模型最佳階數,用Burg算法求解AR模型系數,并對殘差序列進行白化檢測來驗證AR模型階數的合理性。將該方法獲得的HRV頻域參數(包括總功率、低頻功率、高頻功率、低高頻功率比以及標準化低頻功率)與Kubios-HRV分析軟件計算得到的結果作對照分析。結果表明通過該方法獲得的HRV的 5個頻域參數均與Kubios -HRV分析軟件的結果高度相關(相關系數r大于0.95),除總功率指標外,均無顯著差異,對應的Bland-Altman圖也有大于95%的點分布在一致性界限內。優化的基于AR模型的HRV分析算法能獲得準確的HRV分析結果,與常用的HRV分析軟件Kubios-HRV的結果有很好的一致性。
研究漸進性引導呼吸對脈搏波傳導時間(PTT)的影響。對22名健康成年人采集引導呼吸率依次為14.0次/min—12.5次/min—11.0次/min—9.5次/min—8.0次/min—7.0次/min這一過程的同步心電、呼吸以及橈動脈體表脈搏波信號,通過心電R波頂點到橈動脈脈搏波的二階微分極值點的時間間隔計算PTT,觀察每個引導呼吸率下的PTT幅度變異性以及PTT基線變化情況。經驗模式分解(EMD)被用于PTT信號處理,以有效提取PTT中與呼吸相關的幅度振蕩成分以及與基礎血壓相關的PTT基線成分。計算結果顯示:所有受試者的PTT幅度變異性隨呼吸率的逐漸降低均呈現增大的變化趨勢;漸進性引導呼吸過程中大部分受試者(14人)表現出PTT基線上升的現象。實驗結果表明:在漸進性引導呼吸過程中,呼吸運動對PTT幅度的調制作用逐漸增強;同時漸進性引導呼吸能產生PTT基線上升的累積效果。由于PTT與血壓變化呈負相關關系,因此PTT基線上升表征了系統血壓的下降。該研究表明漸進性引導呼吸通過心血管反射可以起到降低系統血壓的作用。發展能夠有效表征引導呼吸有效性的特異性指標并將呼吸調節技術用于原發性高血壓患者,是后續工作中亟需開展的研究內容。