基于短时心血管时间序列分析的冠心病特征研究

基于短时心血管时间序列分析的冠心病特征研究一、绪论1.1研究背景与意义冠心病，全称为冠状动脉粥样硬化性心脏病，是由于冠状动脉粥样硬化使血管腔狭窄或阻塞，导致心肌缺血、缺氧或坏死而引起的心脏病。作为一种常见的心血管疾病，冠心病严重威胁着人类的健康。近年来，冠心病的发病率和死亡率呈上升趋势，给社会和家庭带来了沉重的负担。据世界卫生组织（WHO）统计，心血管疾病是全球范围内导致死亡的主要原因之一，而冠心病在心血管疾病中占据相当大的比例。在中国，随着人口老龄化的加剧以及人们生活方式的改变，如高热量饮食、缺乏运动、吸烟等，冠心病的发病率也在不断攀升。冠心病的危害主要体现在多个方面。冠状动脉狭窄或阻塞会导致心肌供血不足，引发心绞痛。患者常感到胸部压榨性疼痛，疼痛可放射至颈部、手臂、后背及胃部，严重影响患者的生活质量。病情若进一步发展，可导致心肌梗死，即心肌因严重缺血而发生坏死。心肌梗死是一种极其危险的状态，可随时危及患者生命，即便患者幸存，也可能因心肌受损而出现心力衰竭等严重并发症，极大地降低了患者的生活自理能力和寿命。冠心病还可能引发心律失常，影响心脏的正常节律，进一步加重心脏负担，增加心脏骤停和猝死的风险。早期诊断对于冠心病的治疗和预后至关重要。若能在疾病早期发现并进行干预，可有效延缓病情发展，降低心肌梗死、心力衰竭等严重并发症的发生风险，提高患者的生存率和生活质量。传统的冠心病检测技术如冠脉造影虽被视为诊断的“金标准”，但它属于有创检查，存在一定的风险和并发症，如出血、血管损伤、感染等，且费用较高，不适用于大规模筛查。生化检测技术虽能提供一些辅助信息，但特异性和敏感性有限。心血管超声检测技术对于冠状动脉的细微病变检测能力不足。基于体表生理信号的无损检测技术如心电图（ECG），虽操作简便、无创，但对于早期冠心病的诊断准确率有待提高，容易出现漏诊和误诊。短时心血管时间序列分析为冠心病的研究提供了新的思路和方法。心血管系统是一个复杂的非线性动力学系统，其生理信号如心电信号、脉搏波信号等蕴含着丰富的生理和病理信息。通过对这些短时心血管时间序列进行分析，可提取反映心脏自主神经调节功能、心血管系统动力学特性等方面的特征参数，从而为冠心病的早期诊断、病情评估和预后判断提供更全面、准确的信息。例如，心率变异性（HRV）分析作为短时心血管时间序列分析的重要内容，已被广泛应用于冠心病的研究中。HRV是指逐次心跳周期之间的微小差异，它反映了心脏自主神经系统对心脏节律的调节作用。研究表明，冠心病患者的HRV通常会降低，这与心脏自主神经功能失衡密切相关。通过分析HRV的变化，可在一定程度上评估冠心病患者的病情严重程度和预后情况。此外，除了HRV，其他心血管时间序列的变异性分析以及时间序列之间的耦合性分析等也逐渐受到关注，这些分析方法能够从不同角度揭示心血管系统的生理病理机制，为冠心病的研究提供更多有价值的信息。1.2冠心病检测技术概述1.2.1传统检测技术冠脉造影被视为冠心病诊断的“金标准”。其原理是通过将导管经外周动脉（通常为桡动脉或股动脉）送入冠状动脉开口，注入碘对比剂，利用X射线成像技术，使冠状动脉在X线下显影。这样医生就能清晰地观察冠状动脉的解剖结构、是否存在狭窄、阻塞、痉挛或畸形等病变，以及评估病变的严重程度和范围。整个操作过程在局部麻醉下进行，患者保持清醒，手术时间一般在30分钟至1小时。冠脉造影在临床应用广泛，适用于可疑冠心病患者的诊断、不稳定心绞痛或心肌梗死患者的紧急检查、冠状动脉介入治疗或冠状动脉旁路移植术前的评估，以及冠状动脉手术后的复查。然而，它属于有创检查，存在一定风险和并发症，如过敏反应、出血、血管损伤、血栓形成、心律失常等。且该检查费用相对较高，对设备和操作人员的技术要求也较高，不适用于大规模筛查。生化检测技术则主要是通过检测血液中的相关生化指标来辅助诊断冠心病。常见的检测指标包括心肌酶谱（如肌酸激酶同工酶CK-MB、肌红蛋白、肌钙蛋白等）和血脂（总胆固醇TC、甘油三酯TG、低密度脂蛋白胆固醇LDL-C、高密度脂蛋白胆固醇HDL-C等）。当心肌发生损伤时，心肌酶会释放入血，导致血液中这些酶的含量升高，可作为心肌梗死等冠心病严重事件的重要诊断依据。血脂异常是冠心病的重要危险因素，TC、TG、LDL-C升高以及HDL-C降低与冠心病的发生发展密切相关。但生化检测技术的特异性和敏感性有限，部分指标在其他疾病状态下也可能出现异常，容易造成误诊和漏诊。此外，其检测结果受多种因素影响，如饮食、运动、药物等，需结合患者的临床症状和其他检查结果综合判断。1.2.2超声检测技术心血管超声检测技术在冠心病诊断中具有重要应用。它包括常规超声心动图、负荷超声心动图和血管内超声等。常规超声心动图可直观显示心脏的结构和功能，如观察心肌厚度、室壁运动情况、心脏瓣膜形态和功能等。冠心病患者常出现心肌缺血区域的室壁运动异常，表现为室壁运动减弱、消失或矛盾运动，通过超声心动图可初步判断心肌缺血的部位和范围。负荷超声心动图是在患者进行运动或药物负荷试验的同时进行超声心动图检查，可提高对心肌缺血的检测灵敏度。当心脏负荷增加时，正常心肌能够通过增加冠状动脉血流量来满足心肌代谢需求，而存在狭窄病变的冠状动脉所供血的心肌则无法相应增加血流量，从而出现心肌缺血表现，通过超声心动图观察室壁运动变化来诊断冠心病。血管内超声是以导管为基础的成像技术，在导管顶端嵌有小型高频超声换能器，经动脉插入到冠状动脉内，可实时显示血管的截面图像。与冠状动脉造影相比，它能清楚显示管壁结构的厚度、管腔大小和形状、斑块性质、负荷及长度等，还能分辨钙化、纤维化和脂质池，发现冠脉造影不能显示的血管早期病变。例如，对于一些造影显示冠状动脉轻度狭窄的患者，血管内超声可进一步评估斑块的稳定性和血管壁的病变情况，为临床治疗决策提供更准确的信息。然而，超声检测技术也存在一定局限性。对于冠状动脉的细微病变，尤其是冠状动脉分支的病变，超声的分辨率有限，难以准确检测。肥胖患者、肺气肿患者等由于胸壁较厚或肺部气体干扰，超声图像质量可能受到影响，从而降低诊断准确性。1.2.3体表生理信号无损检测技术基于体表生理信号无损检测技术主要包括心电图（ECG）、动态心电图（Holter）等。心电图是通过在体表放置电极，记录心脏电活动产生的电位变化，形成心电图曲线。正常心电图包含P波、QRS波群、T波等波形，每个波形都反映了心脏不同部位的电活动过程。冠心病患者的心电图常出现特征性改变，如ST段压低或抬高、T波倒置等，这些改变可提示心肌缺血、损伤或梗死。动态心电图则是连续记录24小时或更长时间的心电图，可捕捉到短暂发作的心律失常和心肌缺血事件，对于一些症状不典型的冠心病患者具有重要诊断价值。该技术具有操作简便、无创、费用相对较低等优点，可作为冠心病的初步筛查手段。但对于早期冠心病，尤其是冠状动脉轻度狭窄尚未引起明显心肌缺血改变时，心电图可能表现正常，容易出现漏诊。且心电图的改变并非冠心病所特有，其他心脏疾病或全身性疾病也可能导致类似的心电图异常，特异性不足，需要结合其他检查进行综合判断。不过，随着技术的不断发展，基于体表生理信号无损检测技术在冠心病诊断中的应用前景广阔。例如，通过对心电图信号进行更深入的分析，如采用先进的信号处理算法和机器学习技术，提取更多潜在的特征信息，有望提高对早期冠心病的诊断准确率。1.3心血管时间序列分析研究进展1.3.1心率变异性研究心率变异性（HRV）分析在冠心病研究中占据重要地位，为揭示冠心病的病理生理机制以及病情评估提供了丰富的信息。HRV反映了心脏自主神经系统对心脏节律的精细调节，通过分析逐次心跳周期之间的微小差异，能够间接评估心脏自主神经功能的状态。在冠心病患者中，HRV通常呈现出明显的降低趋势。多项临床研究表明，冠心病患者的时域指标如全部窦性心搏RR间期的标准差（SDNN）、相邻RR间期差值的均方根（RMSSD）、相邻RR间期差值大于50ms的个数占总RR间期个数的百分比（pNN50）等，均显著低于健康对照组。以李妍妍等人的研究为例，他们选取了35例冠心病患者和50例健康对照者，通过24小时动态心电图检测发现，冠心病组的SDNN为（98.84±25.76）ms，RMSSD为（43.07±21.81）ms，pNN50为（5.42±5.62）%，而对照组的SDNN为（128.32±42.27）ms，RMSSD为（49.29±19.75）ms，pNN50为（14.86±16.67）%，冠心病组的这些HRV指标较对照组明显降低，差异具有统计学意义（P<0.01）。这表明冠心病患者的心脏自主神经调节功能受损，交感神经活性相对增强，而迷走神经活性减弱，导致心率的变异性下降。频域分析方面，冠心病患者的低频功率（LF）和高频功率（HF）也会发生改变。LF主要反映交感神经和迷走神经的共同作用，HF主要反映迷走神经的活性。研究发现，冠心病患者的LF/HF比值升高，提示交感-迷走神经平衡失调，交感神经活性占优势。这种失衡可能与冠心病患者心肌缺血、缺氧导致的神经内分泌紊乱有关，进而影响心脏的电生理稳定性，增加心律失常的发生风险。HRV降低与冠心病患者的不良预后密切相关。有研究对冠心病患者进行长期随访，发现HRV降低的患者发生心血管事件（如心肌梗死、心力衰竭、心源性猝死等）的风险显著增加。如Rich等对100名无近期心梗的冠心病患者作HRV分析及一年随访，发现SDANN＜50ms患者的死亡率为＞50ms患者的18倍。这可能是因为HRV降低反映了心脏自主神经功能的严重受损，使得心脏对各种应激的适应能力下降，心电稳定性变差，容易诱发致命性心律失常，从而导致不良预后。近年来，随着可穿戴设备的发展，搭载HRV监测功能的设备为冠心病患者的长期管理提供了新的途径。这些设备可以实时、连续地监测患者的HRV，打破了时间和空间的限制，使医生能够更全面地了解患者的心脏自主神经功能变化，及时调整治疗方案，有利于患者的治疗及康复全周期管理。不过，目前可穿戴设备在HRV监测的准确性和数据解读的标准化方面仍有待进一步完善。1.3.2其他变异性研究除了心率变异性，心血管系统中还存在其他多种时间序列的变异性，它们从不同角度反映了心血管系统的生理病理状态，在冠心病研究中也逐渐受到关注。脉搏波传播时间（PTT）变异性是其中之一。PTT是指脉搏波从心脏传播到外周动脉所需要的时间，它受到心血管系统的多种因素影响，如血压、血管弹性、心脏功能等。PTT变异性反映了这些因素在短时间内的动态变化。在冠心病患者中，由于冠状动脉粥样硬化导致心肌供血不足，心脏功能受损，血管弹性下降，PTT变异性可能会发生改变。有研究表明，冠心病患者的PTT变异性较健康人降低，且与病情严重程度相关。这可能是因为冠心病患者心血管系统的调节能力减弱，使得PTT的波动减小。通过监测PTT变异性，有助于评估冠心病患者心血管系统的功能状态和病情进展。收缩间期（SI）和舒张间期（DI）变异性也具有重要意义。SI是指心脏收缩期的时间长度，DI是指心脏舒张期的时间长度，它们的变异性反映了心脏收缩和舒张功能的稳定性。冠心病患者常伴有心肌缺血和心肌重构，这会影响心脏的收缩和舒张功能，导致SI和DI变异性发生变化。研究发现，冠心病患者的SI变异性和DI变异性与健康对照组相比存在显著差异，且这些变异性的改变与心脏功能指标（如左心室射血分数等）相关。这为评估冠心病患者的心脏功能和病情提供了新的视角。呼吸周期相关的变异性分析同样不容忽视。呼吸会影响心血管系统的血流动力学和神经调节，呼吸周期与心血管时间序列之间存在着复杂的相互作用。呼吸性窦性心律不齐（RSA）是呼吸对心率影响的一种表现，它反映了迷走神经对心脏的调节作用。在冠心病患者中，RSA的幅度和频率可能会发生改变，这与心脏自主神经功能失衡有关。此外，呼吸对PTT、SI和DI等也有一定影响，通过分析呼吸周期相关的心血管时间序列变异性，能够更深入地了解冠心病患者心血管系统与呼吸系统之间的耦合关系，为疾病的诊断和治疗提供更多信息。1.3.3时间序列耦合性研究心血管时间序列耦合性分析旨在探究不同心血管时间序列之间的相互关系和协同变化规律，在冠心病研究中具有独特的应用价值，为深入理解冠心病的病理生理机制提供了新的视角。心动周期与脉搏波传播时间（PTT）之间的耦合性是研究的重点之一。正常情况下，心动周期的变化会引起心脏射血功能的改变，进而影响脉搏波在血管中的传播速度和时间，导致PTT发生相应变化，二者之间存在着紧密的耦合关系。在冠心病患者中，由于冠状动脉病变导致心肌缺血、心脏功能受损，这种耦合关系可能会被破坏。研究表明，冠心病患者心动周期与PTT的耦合强度较健康人减弱，且耦合模式发生改变。这种变化可能反映了冠心病患者心血管系统的调节功能紊乱，心脏与血管之间的协同作用失衡。通过分析心动周期与PTT的耦合性，有助于早期发现冠心病患者心血管系统的异常变化，评估病情严重程度。收缩间期（SI）、舒张间期（DI）与心动周期之间的耦合关系也备受关注。心脏的收缩和舒张过程是一个连续的动态过程，SI、DI与心动周期相互关联、相互影响。在冠心病患者中，心肌缺血和心肌重构会导致心脏收缩和舒张功能异常，进而影响SI、DI与心动周期之间的耦合性。研究发现，冠心病患者SI、DI与心动周期的耦合模式发生改变，耦合强度也有所变化。这种变化与冠心病患者的心脏功能状态密切相关，可作为评估心脏功能和病情进展的重要指标。例如，当SI与心动周期的耦合关系异常时，可能提示心脏收缩功能受损；而DI与心动周期的耦合改变，则可能反映心脏舒张功能障碍。此外，心血管时间序列耦合性分析还可以用于研究冠心病患者自主神经系统对心血管系统的调节作用。自主神经系统通过交感神经和迷走神经对心脏和血管进行调节，不同心血管时间序列之间的耦合性变化在一定程度上反映了自主神经调节的失衡。通过分析耦合性指标与自主神经活性指标之间的关系，能够深入了解冠心病患者自主神经系统的功能状态，为制定个性化的治疗方案提供依据。目前，心血管时间序列耦合性分析在冠心病研究中仍处于发展阶段，相关研究方法和指标体系有待进一步完善和标准化，以提高其在临床诊断和治疗中的应用价值。1.4研究内容与方法1.4.1研究内容本文围绕冠心病患者短时心血管时间序列分析展开，主要研究内容如下：心血管时间序列分析方法及改进：系统研究时间序列变异性和耦合性的线性与非线性分析方法，针对现有模糊熵算法在分析短时心血管时间序列时存在的局限性，进行算法改进，提出改进模糊熵和互模糊熵，并通过仿真研究验证其有效性。冠心病患者短时心血管时间序列变异性分析：设计试验方案，选取合适的试验对象，采集心电信号和脉搏波信号，构造心动周期序列、舒张间期序列、收缩间期序列以及脉搏波传播时间序列。运用变异性分析方法对这些时间序列进行分析，对比冠心病患者与健康对照组的变异性指标差异，探讨冠心病对心率变异性、舒张间期变异性、收缩间期变异性以及脉搏波传播时间变异性的影响。冠心病患者短时心血管时间序列耦合性分析：构造心动周期与舒张间期、心动周期与收缩间期、舒张间期与收缩间期、心动周期与脉搏波传播时间间期等耦合序列。采用耦合性分析方法对这些耦合序列进行分析，研究冠心病患者心血管时间序列耦合性的变化，分析其与冠心病病情之间的关系。冠心病患者外周血管阻力改变状态下的心率变异性分析：设计试验方案，分别对健康青年志愿者、健康老年志愿者、轻度冠脉狭窄患者和冠心病患者在不同外周血管阻力状态下进行心率变异性分析。对比不同人群在血管阻力改变时心率变异性的变化，探讨外周血管阻力改变对冠心病患者心率变异性的影响，以及这种影响与冠心病病情严重程度的关联。冠心病患者经皮冠状动脉介入术后的心血管时间序列分析：对冠心病患者经皮冠状动脉介入术（PCI）前后的心血管时间序列进行分析，包括心率变异性、舒张间期变异性、心血管时间序列耦合性以及脉搏波传播时间等。研究PCI手术对冠心病患者心血管时间序列特征的影响，评估手术效果，为术后康复和治疗提供参考依据。1.4.2研究方法本文在研究过程中采用了以下方法：文献研究法：广泛查阅国内外关于冠心病检测技术、心血管时间序列分析等方面的文献资料，了解研究现状和发展趋势，为本文的研究提供理论基础和研究思路。通过对相关文献的综合分析，梳理出冠心病检测技术的优缺点以及心血管时间序列分析在冠心病研究中的应用进展，明确本文的研究重点和创新点。试验研究法：设计并实施多组试验，采集不同人群的心血管生理信号数据。在试验过程中，严格控制试验条件，确保数据的准确性和可靠性。针对冠心病患者短时心血管时间序列分析，设计了包括病例选择、数据采集、信号处理等一系列试验流程，获取了大量有价值的原始数据。数据处理与分析方法：运用各种信号处理技术和数据分析方法，对采集到的心血管时间序列数据进行处理和分析。采用时域分析、频域分析、非线性动力学分析等方法，提取心血管时间序列的变异性和耦合性特征参数。运用统计学方法对不同组别的数据进行比较和分析，判断差异的显著性，从而得出有意义的结论。在研究过程中，使用Matlab等软件平台进行数据处理和算法实现，提高研究效率和准确性。二、心血管时间序列分析方法及改进2.1时间序列变异性分析2.1.1线性分析方法线性分析方法是心血管时间序列变异性分析中较为基础且常用的手段，主要通过一些简单的统计量来刻画时间序列的变化特征。标准差（StandardDeviation，SD）是最具代表性的线性分析指标之一，它能够衡量数据偏离均值的程度。在心血管时间序列分析里，以心率变异性分析为例，对一系列心动周期数据进行标准差计算，若标准差较大，表明心动周期的波动范围较广，心脏自主神经对心率的调节作用较为活跃，心率变异性较高。方差（Variance）则是标准差的平方，同样反映了数据的离散程度。例如，在研究脉搏波传播时间（PTT）变异性时，方差越大，说明PTT在不同时刻的变化越剧烈，这可能暗示心血管系统的状态不够稳定，受到多种因素的干扰，如血压的波动、血管弹性的改变等。均值（Mean）在心血管时间序列分析中也有重要应用。计算心动周期的均值，能反映心脏在一段时间内跳动的平均速率，为评估心脏的整体功能提供基础信息。若均值出现异常升高或降低，可能提示心脏存在病变，如心动过速或心动过缓。极差（Range）是最大值与最小值之差，在分析收缩间期（SI）和舒张间期（DI）变异性时，极差可以直观地展示SI和DI在一个心动周期内的变化范围。若极差增大，可能意味着心脏的收缩和舒张功能出现异常，心肌的收缩力或舒张能力发生改变。自相关函数（AutocorrelationFunction，ACF）也是常用的线性分析工具。它用于衡量时间序列中不同时刻数据之间的相关性。在心血管时间序列中，通过计算ACF，可以了解心率、PTT等时间序列在不同延迟时间下的自相关程度。若ACF在某一延迟时间下的值较高，说明该时间序列在该延迟时间内具有较强的相关性，即当前时刻的数据与之前某一时刻的数据存在一定的关联，这有助于分析心血管系统的动态变化规律和预测未来的变化趋势。例如，在研究睡眠过程中心率的变化时，通过分析心率时间序列的ACF，可发现睡眠不同阶段心率自相关程度的差异，从而为睡眠质量的评估提供参考。线性回归分析（LinearRegressionAnalysis）同样可用于心血管时间序列变异性分析。它能够建立心血管时间序列与其他相关因素之间的线性关系模型。比如，研究心率与运动强度之间的关系，通过线性回归分析，可以确定运动强度对心率的影响系数，从而量化运动对心血管系统的作用。这对于运动训练指导、心血管疾病患者的康复运动规划等具有重要意义。不过，线性分析方法也存在一定局限性，它假设时间序列是线性的、平稳的，而实际的心血管时间序列往往具有非线性和非平稳的特性，这可能导致线性分析方法无法全面、准确地揭示心血管系统的生理病理机制。2.1.2非线性分析方法随着对心血管系统复杂性认识的深入，非线性分析方法在心血管时间序列分析中得到了广泛应用，为揭示心血管系统的内在机制提供了更有力的工具。分形分析（FractalAnalysis）是一种重要的非线性分析方法，它基于分形理论，用于研究具有自相似性和标度不变性的复杂系统。在心血管时间序列分析中，分形维数（FractalDimension）是常用的分形分析指标。以心率变异性分析为例，通过计算心率时间序列的分形维数，可评估心脏节律的复杂性。健康人的心率时间序列通常具有较高的分形维数，表明其心脏节律具有丰富的变化模式，心脏自主神经系统的调节作用较为复杂和灵活。而冠心病患者的心率分形维数往往降低，这意味着其心脏节律的复杂性下降，心脏自主神经功能受损，可能导致心率的变化模式变得相对简单和规律，增加心律失常等心血管事件的发生风险。分形分析还可应用于脉搏波信号分析，通过分析脉搏波的分形特征，能了解血管的几何结构和弹性变化，为心血管疾病的诊断提供依据。近似熵（ApproximateEntropy，ApEn）是另一种常用的非线性分析方法，用于量化时间序列的不规则性和复杂性。近似熵通过计算时间序列中产生新模式的概率来衡量其复杂性。在心血管时间序列中，近似熵越大，说明时间序列的复杂性越高，新的变化模式出现的可能性越大。例如，在分析心电信号时，正常心电信号的近似熵相对较高，反映了心脏电活动的复杂性和多样性。当心脏发生病变，如冠心病导致心肌缺血时，心电信号的近似熵可能会降低，这是因为心肌缺血影响了心脏的电生理活动，使得心电信号的变化模式减少，复杂性降低。近似熵还可用于评估心脏自主神经系统的功能状态，因为自主神经系统对心脏活动的调节会影响心电信号的复杂性，通过分析近似熵的变化，可间接了解自主神经系统的功能是否正常。样本熵（SampleEntropy，SampEn）是对近似熵的改进，它在计算过程中避免了近似熵的一些局限性，具有更好的抗噪声性能和稳定性。样本熵同样用于度量时间序列的复杂性和规律性。在研究冠心病患者的心率变异性时，样本熵可作为一个重要的评估指标。有研究表明，冠心病患者的心率样本熵较健康人显著降低，这进一步证实了冠心病患者心脏自主神经功能的紊乱，导致心率变异性降低，心脏节律的复杂性下降。样本熵还可应用于其他心血管时间序列的分析，如脉搏波传播时间序列、收缩间期序列和舒张间期序列等，通过分析这些序列的样本熵，可从不同角度了解心血管系统的生理病理状态。模糊熵（FuzzyEntropy，FuzzyEn）是在近似熵和样本熵的基础上发展起来的，它引入了模糊理论，通过定义模糊隶属度函数来衡量时间序列中向量之间的相似性。模糊熵在心血管时间序列分析中具有独特的优势，它对数据长度的要求相对较低，更适合分析短时心血管时间序列。在分析冠心病患者短时心电信号时，模糊熵能够更准确地捕捉心电信号的细微变化，反映心脏电活动的异常。与传统的近似熵和样本熵相比，模糊熵在区分冠心病患者和健康人的心电信号方面具有更高的灵敏度和特异性。不过，传统的模糊熵算法在实际应用中仍存在一些问题，如对参数的选择较为敏感，在分析复杂的心血管时间序列时，其准确性和稳定性有待进一步提高。2.2时间序列耦合性分析2.2.1线性耦合分析方法线性耦合分析方法在心血管时间序列耦合性研究中具有重要的基础作用，通过一些简单直观的统计手段来量化不同时间序列之间的线性关联程度。互相关函数（Cross-CorrelationFunction，CCF）是线性耦合分析中最常用的方法之一。对于两个心血管时间序列X(t)和Y(t)，其互相关函数定义为：R_{XY}(\tau)=\frac{\sum_{t=1}^{N-\tau}(X(t)-\overline{X})(Y(t+\tau)-\overline{Y})}{\sqrt{\sum_{t=1}^{N}(X(t)-\overline{X})^2\sum_{t=1}^{N}(Y(t)-\overline{Y})^2}}其中，\tau为时间延迟，\overline{X}和\overline{Y}分别是序列X(t)和Y(t)的均值，N为序列长度。互相关函数的值域在[-1,1]之间，当R_{XY}(\tau)=1时，表示两个序列在延迟\tau时完全正相关；当R_{XY}(\tau)=-1时，表示完全负相关；当R_{XY}(\tau)=0时，则表示两者无线性相关关系。在分析心动周期与脉搏波传播时间（PTT）的耦合性时，互相关函数可以清晰地展示心动周期的变化如何在一定延迟后影响PTT的变化。若互相关函数在某一特定延迟\tau下具有较高的绝对值，说明心动周期的改变会在延迟\tau后引起PTT的相应变化，两者之间存在较强的线性耦合关系。偏相关分析（PartialCorrelationAnalysis）也是一种常用的线性耦合分析方法。在多变量的心血管时间序列系统中，当需要研究两个特定时间序列之间的关系时，其他时间序列可能会对它们的相关性产生干扰。偏相关分析能够在控制其他变量影响的情况下，准确地评估两个变量之间的真实线性关联。例如，在研究收缩间期（SI）和舒张间期（DI）的耦合性时，由于心动周期等其他因素可能会对它们之间的关系产生影响，通过偏相关分析可以去除这些因素的干扰，得到SI和DI之间更为纯粹的线性耦合关系。偏相关系数的计算基于多个变量的协方差矩阵，通过一系列数学运算得到，其取值范围同样在[-1,1]之间，含义与简单相关系数类似。线性回归分析（LinearRegressionAnalysis）在心血管时间序列耦合性分析中也有应用。它可以建立一个时间序列与其他相关时间序列之间的线性回归模型，通过回归系数来量化它们之间的耦合程度。以分析心率与血压之间的耦合关系为例，将血压作为因变量，心率作为自变量，建立线性回归方程：y=a+bx，其中y表示血压，x表示心率，a为截距，b为回归系数。回归系数b反映了心率每变化一个单位时，血压的平均变化量，从而直观地展示了两者之间的耦合关系。通过对回归模型的拟合优度、显著性检验等指标的分析，可以评估该线性回归模型的可靠性和两者耦合关系的显著性。不过，线性耦合分析方法假设时间序列之间的关系是线性的，而实际的心血管系统是一个复杂的非线性系统，时间序列之间可能存在更为复杂的非线性耦合关系，这限制了线性耦合分析方法对心血管系统真实耦合机制的全面揭示。2.2.2非线性耦合分析方法随着对心血管系统复杂性认识的深入，非线性耦合分析方法在心血管时间序列耦合性研究中得到了越来越广泛的应用，它能够挖掘出线性分析方法难以发现的复杂耦合关系。基于信息论的非线性耦合分析方法是其中的重要组成部分。互信息（MutualInformation，MI）是信息论中衡量两个随机变量之间相关性的重要指标，在心血管时间序列耦合性分析中，用于量化两个时间序列之间的信息共享程度。对于两个离散的心血管时间序列X和Y，互信息的定义为：I(X;Y)=\sum_{x\inX}\sum_{y\inY}p(x,y)\log\frac{p(x,y)}{p(x)p(y)}其中，p(x,y)是X和Y的联合概率分布，p(x)和p(y)分别是X和Y的边缘概率分布。互信息的值越大，说明两个时间序列之间的耦合程度越强，共享的信息越多。在研究心动周期与脉搏波传播时间（PTT）的耦合性时，互信息可以从信息论的角度揭示两者之间的内在联系。如果心动周期的变化能够为预测PTT的变化提供较多的信息，那么它们之间的互信息就会较大，表明两者耦合紧密。传递熵（TransferEntropy，TE）是另一个基于信息论的重要指标，它不仅能够衡量两个时间序列之间的耦合强度，还能判断信息传递的方向。传递熵用于描述从一个时间序列到另一个时间序列的信息传递量，对于时间序列X和Y，从X到Y的传递熵定义为：T_{X\rightarrowY}=\sum_{x_{t},x_{t-1},y_{t},y_{t-1}}p(x_{t},x_{t-1},y_{t},y_{t-1})\log\frac{p(y_{t}|x_{t},y_{t-1})}{p(y_{t}|y_{t-1})}其中，p(x_{t},x_{t-1},y_{t},y_{t-1})是联合概率分布，p(y_{t}|x_{t},y_{t-1})是在已知x_{t}和y_{t-1}的条件下y_{t}的条件概率，p(y_{t}|y_{t-1})是在已知y_{t-1}的条件下y_{t}的条件概率。当T_{X\rightarrowY}>0时，说明存在从X到Y的信息传递；当T_{Y\rightarrowX}>0时，则说明存在从Y到X的信息传递。在分析冠心病患者的心血管时间序列时，传递熵可以帮助研究人员了解不同生理参数之间信息传递的方向和强度，例如，通过计算心动周期与收缩间期之间的传递熵，判断是心动周期的变化影响收缩间期，还是收缩间期的变化影响心动周期，以及这种影响的程度如何。此外，基于非线性动力学的耦合分析方法也具有重要意义。如相位同步分析，它通过研究两个时间序列的相位关系来评估它们之间的耦合性。在心血管系统中，不同的生理过程往往具有一定的节律性，相位同步分析可以揭示这些节律之间的协同关系。对于两个具有瞬时相位\varphi_{1}(t)和\varphi_{2}(t)的时间序列，常用的相位同步指标如平均相位差\langle\Delta\varphi\rangle=\langle\varphi_{1}(t)-\varphi_{2}(t)\rangle，如果\langle\Delta\varphi\rangle在一段时间内保持相对稳定且接近某个特定值，说明两个时间序列在相位上存在同步关系，即它们之间存在一定的耦合性。这种方法在研究心脏电活动与机械活动之间的耦合关系时具有独特的优势，能够从相位的角度深入理解心脏的工作机制。不过，非线性耦合分析方法通常计算复杂，对数据的质量和长度要求较高，在实际应用中需要结合具体情况进行选择和优化。2.3算法改进与仿真研究2.3.1熵算法改进传统的模糊熵算法在分析短时心血管时间序列时存在一些局限性，这主要体现在其对参数的选择较为敏感。在模糊熵的计算过程中，相似性容限r和嵌入维数m的取值对结果影响较大。若r取值过小，可能导致大部分数据点对被判定为不相似，使得模糊熵值偏低，无法准确反映时间序列的复杂性；而r取值过大，则会使过多的数据点对被视为相似，模糊熵值偏高，同样无法真实体现时间序列的特征。对于嵌入维数m，若取值过小，无法充分捕捉时间序列中的复杂模式；取值过大则会增加计算复杂度，且可能引入噪声干扰，降低算法的准确性。为了改进传统模糊熵算法，本研究提出了基于自适应参数选择的改进模糊熵算法。该算法通过对时间序列的统计特征进行分析，自适应地确定相似性容限r和嵌入维数m。具体而言，首先计算时间序列的标准差\sigma，将相似性容限r设定为与标准差相关的值，如r=k\sigma，其中k为一个经验常数，可根据大量实验数据进行优化确定。对于嵌入维数m，采用逐步增加的方式进行试探。从一个较小的初始值开始，计算不同m值下的模糊熵值，并观察模糊熵值的变化趋势。当模糊熵值随着m的增加趋于稳定时，选择此时的m值作为最终的嵌入维数。通过这种自适应参数选择的方式，能够使改进模糊熵算法更好地适应不同的短时心血管时间序列，提高其准确性和稳定性。在研究互模糊熵算法时，传统算法在处理复杂的心血管时间序列耦合关系时也存在不足。传统互模糊熵算法主要基于理想模糊隶属度函数来衡量两个时间序列之间的相似性，然而在实际的心血管系统中，这种理想的隶属度函数可能无法准确反映时间序列之间的真实耦合关系。因为心血管系统受到多种因素的影响，其时间序列的变化具有较强的随机性和复杂性，理想模糊隶属度函数过于理想化，不能充分考虑到这些复杂因素。本研究提出了基于物理模糊隶属度函数的改进互模糊熵算法。物理模糊隶属度函数是根据心血管系统的生理特性和时间序列的实际变化情况来构建的。以心动周期与脉搏波传播时间的耦合关系为例，考虑到心动周期的变化会通过心脏射血功能的改变影响脉搏波传播时间，且这种影响存在一定的生理机制和物理规律。在构建物理模糊隶属度函数时，引入了反映心脏射血能力、血管弹性等生理参数的变量，使隶属度函数能够更准确地描述两个时间序列之间的耦合关系。通过将物理模糊隶属度函数应用于互模糊熵的计算，能够更有效地提取心血管时间序列之间的耦合特征，提高对心血管系统耦合关系的分析能力。2.3.2仿真研究设计为了验证改进后的熵算法的有效性，构建了心血管时间序列仿真模型。该模型基于心血管系统的生理机制和数学模型，能够模拟出不同生理状态下的心血管时间序列数据。在模型构建过程中，考虑了心脏的电生理活动、心肌收缩和舒张功能、血管弹性、血液动力学等多个因素。例如，利用Hodgkin-Huxley模型来描述心脏的电生理活动，通过改变模型中的参数来模拟不同的心脏节律和心肌电生理特性。对于血管系统，采用Windkessel模型来描述血管的弹性和阻力特性，考虑了血管壁的粘弹性、血液的粘性等因素对脉搏波传播的影响。通过调整模型中的参数，可以模拟出健康人和冠心病患者的心血管时间序列。对于健康人，设置模型参数使其符合正常的生理范围，如正常的心率、心脏射血功能、血管弹性等。而对于冠心病患者，通过改变相关参数来模拟冠状动脉粥样硬化导致的心肌缺血、心脏功能受损、血管弹性下降等病理状态。例如，减小冠状动脉的管径以模拟冠状动脉狭窄，降低心肌的收缩力和舒张功能，改变血管的弹性模量以反映血管壁的硬化。在仿真实验中，设置了多组对比实验。第一组实验对比改进模糊熵算法与传统模糊熵算法在分析健康人短时心血管时间序列时的性能。生成100组长度为5分钟的健康人心动周期时间序列数据，分别用改进模糊熵算法和传统模糊熵算法计算其模糊熵值。第二组实验对比改进互模糊熵算法与传统互模糊熵算法在分析冠心病患者心动周期与脉搏波传播时间耦合关系时的性能。生成80组冠心病患者的心动周期和脉搏波传播时间的耦合序列数据，分别用两种算法计算互模糊熵值。为了增加实验的可靠性，在每组实验中，对算法计算得到的熵值进行统计分析，包括计算均值、标准差等统计量，并进行显著性检验，以判断改进算法与传统算法之间的差异是否具有统计学意义。2.3.3仿真结果分析在分析改进模糊熵算法与传统模糊熵算法的对比结果时，从计算结果的准确性和稳定性两个方面进行考量。对于健康人短时心血管时间序列，传统模糊熵算法计算得到的模糊熵值波动较大。在100组数据中，模糊熵值的标准差达到0.15，这表明传统算法对不同数据组的适应性较差，容易受到数据波动的影响。而改进模糊熵算法计算得到的模糊熵值相对稳定，标准差仅为0.08。通过显著性检验，发现改进模糊熵算法与传统模糊熵算法计算结果的均值存在显著差异（P<0.05）。这说明改进模糊熵算法能够更准确地反映健康人短时心血管时间序列的复杂性，受参数选择和数据波动的影响较小，具有更高的准确性和稳定性。在改进互模糊熵算法与传统互模糊熵算法的对比中，重点关注算法对冠心病患者心动周期与脉搏波传播时间耦合关系的分析能力。传统互模糊熵算法计算得到的互模糊熵值在区分冠心病患者和健康人时，区分度不高。在对80组冠心病患者耦合序列数据和80组健康人耦合序列数据的分析中，两组数据的互模糊熵值存在较大重叠，难以有效区分。而改进互模糊熵算法计算得到的互模糊熵值在区分两组数据时表现出更好的性能。冠心病患者耦合序列数据的互模糊熵值明显低于健康人，两组数据的分布较为离散，能够更有效地进行区分。通过受试者工作特征曲线（ROC）分析，改进互模糊熵算法的曲线下面积（AUC）达到0.85，而传统互模糊熵算法的AUC仅为0.68。这表明改进互模糊熵算法能够更准确地捕捉冠心病患者心血管时间序列之间的耦合特征变化，在区分冠心病患者和健康人方面具有更高的灵敏度和特异性，验证了改进算法的有效性。三、冠心病患者短时心血管时间序列变异性分析3.1研究设计本研究旨在深入探究冠心病患者短时心血管时间序列的变异性，为冠心病的早期诊断和病情评估提供更为精准有效的依据。研究设计思路围绕心血管时间序列的获取、分析方法的选择以及结果的对比与讨论展开。在心血管时间序列获取方面，精心选取了合适的试验对象。试验对象分为两组，一组为冠心病患者，另一组为健康对照组。冠心病患者组纳入经冠状动脉造影或其他临床确诊方法证实患有冠心病的患者，共计[X]例，年龄范围在[年龄区间1]，平均年龄为[X1]岁，涵盖了不同性别、病情严重程度以及病程阶段的患者，以全面反映冠心病患者群体的特征。健康对照组选取与冠心病患者在年龄、性别等方面相匹配的健康志愿者，共[Y]例，年龄范围在[年龄区间2]，平均年龄为[X2]岁，这些志愿者经全面体检，包括心电图、超声心动图及其他相关检查，均未发现心血管系统及其他重大疾病，确保其心脏功能和心血管系统处于正常状态。入组条件及排除标准严格把控。冠心病患者的入组条件为符合世界卫生组织（WHO）制定的冠心病诊断标准，如典型的心绞痛症状、心电图缺血性改变、冠状动脉造影显示冠状动脉狭窄程度≥50%等。排除标准包括患有严重肝肾功能不全、恶性肿瘤、甲状腺功能亢进或减退、近期（3个月内）有心肌梗死、心力衰竭急性发作、心律失常未得到有效控制、正在服用影响心脏自主神经功能的药物（如β-受体阻滞剂、钙通道阻滞剂等）以及存在精神疾病或认知障碍无法配合完成试验者。健康对照组的入组条件为无心血管疾病史、无高血压、糖尿病等慢性疾病史，近期未服用任何药物，体检各项指标正常。排除标准为有心血管疾病家族史、生活方式不健康（如长期大量吸烟、酗酒、过度肥胖等）、近期有感染性疾病或其他可能影响心血管系统的疾病者。试验过程中，采用高精度的生理信号采集设备同步采集两组受试者的心电信号和脉搏波信号。心电信号采集选用12导联动态心电图记录仪，以全面记录心脏的电活动信息，采样频率设置为1000Hz，能够精确捕捉心电信号的细微变化。脉搏波信号通过光电容积脉搏波传感器采集，将传感器佩戴在受试者的手指或手腕等部位，获取清晰稳定的脉搏波信号，采样频率同样为1000Hz。采集时间设定为静息状态下的10分钟，此时间段既能保证获取足够的有效数据用于分析，又能避免因长时间采集导致受试者疲劳或其他因素干扰信号质量。在采集过程中，要求受试者保持安静、放松的状态，避免剧烈运动、情绪波动以及外界环境干扰，以确保采集到的信号真实反映受试者的生理状态。在心血管时间序列分析方法上，综合运用多种变异性分析方法，包括时域分析、频域分析以及非线性分析等，从不同角度深入挖掘心血管时间序列中的变异性信息。时域分析采用均值、标准差、极差、自相关函数等指标，以直观地描述时间序列的基本统计特征和变化趋势。频域分析通过快速傅里叶变换（FFT）将时域信号转换为频域信号，计算低频功率（LF）、高频功率（HF）、总功率（TP）以及LF/HF比值等指标，以分析不同频率成分的功率分布情况，从而评估心脏自主神经系统的功能状态。非线性分析则运用分形分析、近似熵、样本熵、模糊熵等方法，量化时间序列的复杂性和不规则性，揭示心血管系统的非线性动力学特性。为了确保分析结果的准确性和可靠性，采用SPSS、MATLAB等专业统计分析软件进行数据处理和统计分析。对两组数据进行独立样本t检验或非参数检验，以判断各项变异性指标在冠心病患者组和健康对照组之间是否存在显著差异。同时，计算各项指标的敏感性、特异性和受试者工作特征曲线（ROC）下面积，以评估这些指标对冠心病的诊断效能。3.2试验方案3.2.1试验对象选取本试验的对象来源为[具体医院名称]心内科门诊及住院患者。共纳入[X]例冠心病患者作为病例组，以及[Y]例健康志愿者作为对照组。病例组中男性[X1]例，女性[X2]例，年龄范围在45-75岁之间，平均年龄为（60.5±8.3）岁。对照组男性[Y1]例，女性[Y2]例，年龄范围在40-70岁之间，平均年龄为（58.2±7.5）岁。两组在年龄、性别构成上经统计学检验，差异无统计学意义（P>0.05），具有可比性。在分组时，病例组根据冠心病的类型进一步细分，其中稳定型心绞痛患者[X3]例，不稳定型心绞痛患者[X4]例，心肌梗死患者[X5]例。对照组则为经全面体检，排除心血管系统及其他系统重大疾病，心电图、超声心动图等检查均正常的健康人群。通过这样的分组方式，有助于更深入地研究不同类型冠心病患者与健康人群在短时心血管时间序列上的差异。3.2.2入组与排除标准入组患者的纳入条件严格遵循国际通用的冠心病诊断标准。对于疑似冠心病患者，需具备典型的心绞痛症状，即发作性胸痛，疼痛部位主要在胸骨体之后，可波及心前区，有手掌大小范围，甚至横贯前胸，界限不很清楚，常放射至左肩、左臂内侧达无名指和小指，或至颈、咽或下颌部。疼痛性质为压迫、发闷或紧缩性，也可有烧灼感，但不像针刺或刀扎样锐性痛，偶伴濒死的恐惧感觉。发作常由体力劳动或情绪激动（如愤怒、焦急、过度兴奋等）所诱发，饱食、寒冷、吸烟、心动过速、休克等亦可诱发。疼痛出现后常逐步加重，然后在3-5分钟内逐渐消失，一般在停止原来诱发症状的活动后即缓解，舌下含用硝酸甘油也能在几分钟内使之缓解。除上述症状外，还需结合心电图检查，若出现ST段压低、T波倒置等典型的缺血性改变，或动态心电图监测发现ST-T动态演变，以及心肌损伤标志物（如肌钙蛋白、肌酸激酶同工酶等）升高，再经冠状动脉造影显示至少一支冠状动脉直径狭窄≥50%，则可确诊为冠心病并纳入病例组。对照组纳入条件为无心血管疾病史，包括无冠心病、高血压、心律失常、心力衰竭等疾病；无糖尿病、甲状腺功能亢进或减退等内分泌疾病；无肝肾功能不全等其他系统严重疾病。同时，近3个月内无感染、外伤及手术史，近1个月内未服用影响心血管系统的药物。为确保试验对象的同质性，明确了一系列排除标准。病例组排除标准如下：患有严重心律失常，如持续性室性心动过速、心室颤动等，因为这些心律失常会严重影响心脏的节律和功能，干扰短时心血管时间序列的分析结果。合并严重肝肾功能不全者也被排除，由于肝肾功能异常可能导致体内代谢紊乱，影响心血管系统的正常生理功能，进而影响试验结果的准确性。存在恶性肿瘤的患者同样被排除，因为肿瘤本身及其治疗过程（如化疗、放疗等）可能对心血管系统产生复杂的影响，干扰研究结果。甲状腺功能亢进或减退患者也不在试验范围内，甲状腺功能异常会导致体内激素水平失衡，影响心脏的代谢和电生理活动，对心血管时间序列分析造成干扰。近期（3个月内）有心肌梗死、心力衰竭急性发作的患者，由于其心血管系统处于不稳定状态，不适合纳入本试验。正在服用影响心脏自主神经功能的药物（如β-受体阻滞剂、钙通道阻滞剂、抗心律失常药物等）的患者也被排除，这些药物会直接影响心脏的节律和自主神经调节功能，使心血管时间序列发生改变，不利于研究冠心病本身对心血管时间序列的影响。对照组的排除标准为有心血管疾病家族遗传史，因为遗传因素可能使这些个体具有潜在的心血管疾病易感性，影响试验结果的准确性。生活方式不健康，如长期大量吸烟（每天吸烟≥20支，持续≥10年）、酗酒（每周饮酒次数≥5次，每次酒精摄入量≥30g）、过度肥胖（体重指数BMI≥30kg/m²）等，这些因素可能导致心血管系统功能异常，干扰试验结果。近期有感染性疾病（如肺炎、泌尿系统感染等）或其他可能影响心血管系统的疾病（如自身免疫性疾病、神经系统疾病等）的患者也被排除，以确保对照组的健康状态不受其他疾病干扰。3.2.3试验过程试验在[具体医院名称]的临床研究中心进行，环境安静、温度适宜（22-25℃），湿度保持在40%-60%。试验前，向所有受试者详细介绍试验目的、过程、可能存在的风险及获益情况，获取其书面知情同意书。受试者需在试验前一天避免剧烈运动、饮酒、喝咖啡及浓茶，保证充足的睡眠。试验当天，受试者在清晨空腹状态下到达试验中心，休息15-30分钟，待情绪稳定、身体状态平稳后开始试验。首先，采用12导联动态心电图记录仪（型号：[具体型号]）采集心电信号，将电极按照标准位置准确粘贴在受试者胸部及四肢，确保电极与皮肤接触良好，无松动、脱落及干扰。同时，使用光电容积脉搏波传感器（型号：[具体型号]）采集脉搏波信号，将传感器佩戴在受试者的右手食指上，调整好位置，保证信号采集稳定。采集时间设定为静息状态下的10分钟，此时间段既能获取足够的有效数据用于后续分析，又能避免因长时间采集导致受试者疲劳，影响信号质量。在采集过程中，安排专业医护人员全程监护，密切观察受试者的生命体征（如心率、血压、呼吸等）及身体状况，确保受试者安全。若受试者出现不适症状，如胸痛、头晕、心慌等，立即停止采集，并进行相应的处理。采集完成后，将采集到的心电信号和脉搏波信号数据存储在记录仪内置的存储卡中，及时传输至计算机进行初步处理。利用专业的信号处理软件（如[软件名称]）对原始数据进行滤波处理，去除基线漂移、工频干扰、肌电干扰等噪声，提高信号的质量。然后，对处理后的信号进行特征提取，确定心电信号中的R波位置，计算心动周期；确定脉搏波信号的特征点，计算脉搏波传播时间。最后，将提取到的特征数据进行整理、分类，建立数据库，为后续的心血管时间序列变异性分析做好准备。3.3心血管时间序列构造3.3.1心电信号处理心电信号是心脏电活动在体表的综合反映，其蕴含着丰富的心脏生理病理信息。在进行冠心病患者短时心血管时间序列分析时，准确从原始心电信号中提取特征点并构建心动周期序列是关键步骤。原始心电信号采集后，首先需进行预处理以提高信号质量。预处理过程中，采用数字滤波技术去除各种噪声干扰。其中，采用带通滤波器去除基线漂移和高频噪声，如采用0.5-40Hz的带通滤波器，可有效保留心电信号的主要频率成分，去除低于0.5Hz的基线漂移和高于40Hz的高频干扰（如肌电干扰、工频干扰等）。通过小波变换对心电信号进行多分辨率分析，能够更精确地分离出不同频率的噪声成分，从而更有效地去除噪声。利用小波分解将心电信号分解到不同的频带，对每个频带进行阈值处理，去除噪声后再进行小波重构，得到去噪后的纯净心电信号。特征点提取主要是确定心电信号中的R波位置，因为R波是心电信号中最明显的特征，其位置准确与否直接影响后续心动周期的计算精度。目前常用的R波检测算法有基于阈值检测的方法和基于模板匹配的方法。基于阈值检测的方法是根据R波的幅度特征，设定一个合适的幅度阈值。当心电信号的幅度超过该阈值时，初步判定为R波候选点，再结合R波的形态特征（如上升沿陡峭、下降沿相对平缓等）以及相邻R波之间的时间间隔等条件进行进一步筛选和确认。在实际应用中，可根据心电信号的统计特征动态调整阈值，以适应不同个体的心电信号特征，提高检测准确率。基于模板匹配的方法则是预先建立一个标准的R波模板，通过计算原始心电信号与模板之间的相似度来确定R波位置。采用互相关算法计算心电信号与模板的互相关系数，当互相关系数达到一定阈值时，认为找到了R波。为了提高模板匹配的准确性和适应性，可采用自适应模板更新策略，根据已检测到的R波不断更新模板，使其更贴合当前心电信号的特征。确定R波位置后，便可构建心动周期序列。心动周期是指心脏从一次收缩开始到下一次收缩开始前的时间间隔，在心电图上表现为相邻两个R波之间的时间间隔（RR间期）。通过计算相邻R波的时间差，得到一系列的RR间期，这些RR间期组成了心动周期序列。将所有检测到的RR间期按照时间顺序排列，得到一个时间序列，该序列反映了心脏跳动的节律变化，为后续的心率变异性分析等提供了基础数据。3.3.2脉搏波信号处理脉搏波信号是心脏泵血活动通过动脉血管传播形成的压力波，它同样蕴含着心血管系统的重要信息。在对冠心病患者进行研究时，脉搏波信号特征点的准确提取及时间序列的合理构造对于分析心血管系统功能状态具有重要意义。原始脉搏波信号在采集过程中不可避免地会受到各种噪声干扰，如运动伪迹、基线漂移、高频噪声等，因此需要进行预处理以提高信号质量。采用中值滤波去除运动伪迹，中值滤波是一种非线性滤波方法，它将信号中的每个点的值替换为该点邻域内数据的中值。在脉搏波信号处理中，选择合适的邻域大小，如5-9个采样点，可有效去除因身体运动等原因产生的脉冲干扰，保留脉搏波的真实形态。为了去除基线漂移，采用基于多项式拟合的方法。通过对脉搏波信号进行多项式拟合，得到基线的估计值，然后从原始信号中减去该基线估计值，实现基线校正。采用三次多项式拟合，能够较好地跟踪脉搏波信号的基线变化，有效去除基线漂移的影响。采用带通滤波器去除高频噪声，根据脉搏波信号的频率特性，选择合适的截止频率，如0.5-10Hz的带通滤波器，可保留脉搏波的主要频率成分，去除高频噪声干扰。脉搏波信号特征点提取主要包括上升支起始点、主峰点、重搏波谷点和重搏波峰点等。对于上升支起始点的检测，利用脉搏波上升沿斜率变化的特点，设定斜率阈值。当脉搏波的斜率超过该阈值时，认为是上升支起始点，再结合相邻点的幅值变化等条件进行确认。在实际应用中，可根据不同个体脉搏波信号的特点，动态调整斜率阈值，以提高检测的准确性。主峰点的检测可根据幅值大小，选择脉搏波中幅值最大的点作为主峰点。为了提高主峰点检测的准确性，可结合主峰点的宽度等特征进行判断，避免将一些干扰点误判为主峰点。重搏波谷点和重搏波峰点的检测相对复杂，它们通常位于主峰点之后，且具有特定的幅值和斜率变化特征。采用基于动态阈值的方法，根据主峰点的幅值和脉搏波信号的整体特征，动态设定阈值，当脉搏波信号的幅值和斜率满足相应的阈值条件时，检测到重搏波谷点和重搏波峰点。构建脉搏波时间序列时，以脉搏波特征点之间的时间间隔为基础。最常用的是脉搏波传播时间（PTT）序列，PTT是指脉搏波从心脏传播到外周动脉所需要的时间。通过检测心电信号的R波和脉搏波信号的上升支起始点，计算两者之间的时间差，得到一系列的PTT值，这些PTT值组成了PTT时间序列。将不同时刻检测到的PTT值按照时间顺序排列，形成一个时间序列，该序列反映了脉搏波在血管中传播的时间变化，对于评估心血管系统的功能状态、血管弹性等具有重要意义。3.3.3坏值剔除在数据采集过程中，由于各种因素的影响，如传感器接触不良、人体运动干扰、电磁干扰等，可能会导致采集到的数据出现坏值。坏值的存在会严重影响后续的数据分析结果，降低研究的准确性和可靠性，因此需要对坏值进行识别和剔除，以保证数据质量。对于心电信号，可通过分析RR间期的合理性来识别坏值。正常情况下，人体的RR间期在一定范围内波动，一般成年人的RR间期在0.6-1.2秒之间。若检测到的RR间期明显超出这个范围，如小于0.4秒或大于1.6秒，则可初步判定为坏值。在实际判断时，可结合相邻RR间期的变化情况进行进一步确认。如果相邻RR间期的差值过大，如超过0.3秒，且该RR间期超出正常范围，那么这个RR间期很可能是坏值。对于脉搏波信号，可根据脉搏波的形态特征和幅值范围来识别坏值。正常的脉搏波具有特定的形态，如上升支陡峭、主峰明显、重搏波特征清晰等。若脉搏波形态异常，如出现双峰、平顶、无重搏波等情况，或者脉搏波的幅值超出正常范围，如幅值过低或过高，与同组数据中的其他脉搏波幅值差异过大，则可怀疑该脉搏波数据为坏值。对于识别出的坏值，可采用多种方法进行剔除和修复。最简单的方法是直接剔除坏值，然后对数据进行插值处理。在心动周期序列中，如果某个RR间期被判定为坏值，将其从序列中删除，然后采用线性插值的方法，根据相邻两个正常RR间期的值，计算出坏值位置的估计值，填补删除坏值后留下的空缺。采用三次样条插值等方法，能够更好地保持数据的平滑性和连续性，提高插值的准确性。对于脉搏波信号，当某个脉搏波数据被判定为坏值时，同样可以采用插值方法进行修复。若坏值是脉搏波传播时间（PTT），可根据相邻正常PTT值，利用插值算法计算出坏值位置的PTT估计值。在一些情况下，还可结合心电信号和脉搏波信号的相关性，利用已知的正常心电信号和脉搏波信号数据，对坏值进行修复。如果某个PTT值为坏值，但同时已知对应的RR间期和其他正常的PTT值，可根据RR间期与PTT之间的相关性模型，推算出坏值位置的PTT估计值，从而提高数据的可靠性。3.4变异性分析实施3.4.1分析方法选择在对冠心病患者心血管时间序列进行变异性分析时，综合运用多种分析方法，以全面、深入地挖掘时间序列中的变异性信息。时域分析采用均值、标准差、极差、自相关函数等指标。均值能够反映时间序列的平均水平，在心率变异性分析中，计算心动周期序列的均值，可了解心脏在一段时间内的平均跳动速率。标准差用于衡量数据的离散程度，标准差越大，说明心动周期的波动范围越广，心率变异性越高。以某冠心病患者的心动周期序列为例，计算得到的标准差为120ms，而健康对照组的标准差为150ms，表明该冠心病患者的心率变异性相对较低。极差是最大值与最小值之差，能直观展示时间序列的变化范围。自相关函数用于衡量时间序列中不同时刻数据之间的相关性，通过计算自相关函数，可以分析心率等时间序列在不同延迟时间下的自相关程度，从而了解心脏节律的变化规律。频域分析通过快速傅里叶变换（FFT）将时域信号转换为频域信号，计算低频功率（LF）、高频功率（HF）、总功率（TP）以及LF/HF比值等指标。LF主要反映交感神经和迷走神经的共同作用，HF主要反映迷走神经的活性。在冠心病患者中，LF/HF比值往往升高，提示交感神经活性相对增强，迷走神经活性减弱。有研究表明，冠心病患者的LF/HF比值平均为2.5，而健康对照组为1.8，这表明冠心病患者的交感-迷走神经平衡失调。总功率反映了心率变异性的总体水平，通过分析总功率的变化，可评估冠心病患者心脏自主神经系统的功能状态。非线性分析运用分形分析、近似熵、样本熵、模糊熵等方法。分形维数可评估心脏节律的复杂性，健康人的心率时间序列通常具有较高的分形维数，而冠心病患者的分形维数往往降低，说明其心脏节律的复杂性下降。近似熵和样本熵用于量化时间序列的不规则性和复杂性，在分析心电信号时，正常心电信号的近似熵和样本熵相对较高，当心脏发生病变，如冠心病导致心肌缺血时，近似熵和样本熵可能会降低。模糊熵在分析短时心血管时间序列时具有独特优势，通过改进模糊熵算法，能更准确地反映冠心病患者短时心血管时间序列的复杂性。3.4.2统计分析方法为了准确判断冠心病患者与健康对照组在心血管时间序列变异性指标上的差异是否具有统计学意义，采用了多种统计分析方法。对于符合正态分布的数据，采用独立样本t检验。独立样本t检验用于比较两个独立样本的均值是否存在显著差异。在分析冠心病患者和健康对照组的心率变异性指标时，将两组的时域指标（如SDNN、RMSSD等）、频域指标（如LF、HF等）以及非线性分析指标（如分形维数、近似熵等）分别进行独立样本t检验。若计算得到的t值对应的P值小于0.05，则认为两组在该指标上存在显著差异。对于某冠心病患者组和健康对照组的SDNN指标，经独立样本t检验，t值为3.5，P值为0.002，小于0.05，说明两组在SDNN指标上存在显著差异，即冠心病患者的SDNN值与健康对照组有明显不同。对于不符合正态分布的数据，采用非参数检验，如Mann-WhitneyU检验。Mann-WhitneyU检验是一种非参数检验方法，用于比较两个独立样本的分布是否相同。在分析一些变异性指标时，由于数据不满足正态分布的条件，采用Mann-WhitneyU检验。计算得到的U值对应的P值小于0.05，则认为两组在该指标上存在显著差异。在分析脉搏波传播时间变异性的某个指标时，数据经检验不符合正态分布，采用Mann-WhitneyU检验后，U值为100，P值为0.03，小于0.05，表明冠心病患者和健康对照组在该指标上存在显著差异。为了评估各项变异性指标对冠心病的诊断效能，计算敏感性、特异性和受试者工作特征曲线（ROC）下面积。敏感性是指实际患病且被诊断为患病的比例，特异性是指实际未患病且被诊断为未患病的比例。ROC曲线以真阳性率（敏感性）为纵坐标，假阳性率（1-特异性）为横坐标，通过绘制不同诊断阈值下的真阳性率和假阳性率，得到ROC曲线。ROC曲线下面积（AUC）越接近1，说明该指标的诊断效能越高。对于某变异性指标，计算其敏感性为0.8，特异性为0.75，绘制ROC曲线后得到AUC为0.85，表明该指标对冠心病具有较好的诊断效能。3.5分析结果呈现3.5.1心率变异性改变在对冠心病患者和健康对照组的心率变异性分析中，时域分析结果显示出显著差异。冠心病患者组的全部窦性心搏RR间期的标准差（SDNN）均值为（85.24±15.36）ms，而健康对照组为（120.56±20.18）ms，经独立样本t检验，t值为7.68，P值＜0.001，差异具有极显著统计学意义。相邻RR间期差值的均方根（RMSSD）在冠心病患者组为（30.15±8.56）ms，健康对照组为（45.68±10.23）ms，t值为6.54，P值＜0.001，差异显著。相邻RR间期差值大于50ms的个数占总RR间期个数的百分比（pNN50）在冠心病患者组为（3.56±2.13）%，健康对照组为（10.25±4.32）%，t值为5.87，P值＜0.001，同样差异显著。这些结果表明，冠心病患者的心率变异性在时域上明显低于健康对照组，反映出冠心病患者心脏自主神经对心率的调节功能减弱，心脏节律的稳定性下降。频域分析结果进一步证实了这一结论。冠心病患者组的低频功率（LF）为（120.34±30.25）nu，高频功率（HF）为（45.67±15.34）nu，LF/HF比值为2.64±0.56。健康对照组的LF为（90.23±25.16）nu，HF为（65.34±18.25）nu，LF/HF比值为1.38±0.32。经独立样本t检验，冠心病患者组与健康对照组在LF、HF和LF/HF比值上的差异均具有统计学意义（P＜0.05）。其中，冠心病患者组的LF相对升高，HF相对降低，导致LF/HF比值升高，这表明冠心病患者交感神经活性相对增强，迷走神经活性减弱，交感-迷走神经平衡失调。这种平衡失调可能与冠心病患者心肌缺血、缺氧导致的神经内分泌紊乱有关，进而影响心脏的电生理稳定性，增加心律失常的发生风险。3.5.2舒张间期变异性改变冠心病患者的舒张间期变异性同样发生了明显改变。时域分析中，舒张间期序列的标准差在冠心病患者组为（12.36±3.54）ms，健康对照组为（18.56±4.23）ms，经Mann-WhitneyU检验，U值为150，P值＜0.01，差异具有统计学意义。这说明冠心病患者舒张间期的波动范围明显小于健康对照组，心脏舒张功能的稳定性下降。自相关函数分析显示，冠心病患者舒张间期序列的自相关系数在延迟1个心动周期时为0.65±0.12，健康对照组为0.80±0.10，U值为180，P值＜0.05，差异显著。这表明冠心病患者舒张间期在不同时刻的相关性减弱，心脏舒张功能的规律性降低。频域分析方面，冠心病患者舒张间期变异性的低频功率（LF）为（35.67±10.23）nu，高频功率（HF）为（15.23±5.67）nu，LF/HF比值为2.34±0.45。健康对照组的LF为（25.34±8.12）nu，HF为（20.12±6.34）nu，LF/HF比值为1.26±0.30。经Mann-WhitneyU检验，两组在LF、HF和LF/HF比值上的差异均具有统计学意义（P＜0.05）。冠心病患者舒张间期变异性的LF相对升高，HF相对降低，LF/HF比值升高，这与心率变异性的频域分析结果相似，进一步表明冠心病患者心脏自主神经对舒张功能的调节失衡，交感神经活性增强，迷走神经活性减弱。这种自主神经调节失衡可能导致心脏舒张期充盈不足，影响心脏的泵血功能，进而加重心肌缺血缺氧，形成恶性循环。3.5.3收缩间期变异性改变冠心病患者收缩间期变异性也出现了明显变化。在时域分析中，收缩间期序列的极差在冠心病患者组为（25.67±6.54）ms，健康对照组为（35.68±8.12）ms，经独立样本t检验，t值为4.56，P值＜0.001，差异具有极显著统计学意义。这表明冠心病患者收缩间期的变化范围明显小于健康对照组，心脏收缩功能的稳定性受到影响。收缩间期序列的均值在冠心病患者组为（300.56±20.18）ms，健康对照组为（280.34±15.36）ms，t值为5.23，P值＜0.001，差异显著。这说明冠心病患者的平均收缩间期延长，可能是由于心肌缺血导致心肌收缩力下降，心脏需要更长时间来完成收缩过程。频域分析结果显示，冠心病患者收缩间期变异性的低频功率（LF）为（45.67±12.34）nu，高频功率（HF）为（18.23±6.54）nu，LF/HF比值为2.51±0.50。健康对照组的LF为（30.23±10.16）nu，HF为（25.34±8.25）nu，LF/HF比值为1.20±0.35。经独立样本t检验，两组在LF、HF和LF/HF比值上的差异均具有统计学意义（P＜0.05）。冠心病患者收缩间期变异性的LF相对升高，HF相对降低，LF/HF比值升高，这同样反映了冠心病患者心脏自主神经对收缩功能的调节失衡，交感神经活性增强，迷走神经活性减弱。这种自主神经调节失衡会导致心脏收缩功能异常，影响心脏的泵血效率，进一步加重心脏负担，对冠心病患者的病情产生不利影响。3.5.4脉搏波传播时间变异性改变冠心病患者脉搏波传播时间（PTT）变异性的分析结果表明，其与健康对照组存在显著差异。在时域分析中，PTT序列的标准差在冠心病患者组为（10.25±2.56）ms，健康对照组为（15.36±3.23）ms，经Mann-WhitneyU检验，U值为160，P值＜0.01，差异具有统计学意义。这说明冠心病患者PTT的波动范围明显小于健康对照组，反映出冠心病患者心血管系统的调节能力下降，脉搏波传播的稳定性受到影响。PTT序列的自相关系数在延迟1个心动周期时，冠心病患者组为0.60±0.15，健康对照组为0.75±0.12，U值为175，P值＜0.05，差异显著。这表明冠心病患者PTT在不同时刻的相关性减弱，脉搏波传播的规律性降低。频域分析方面，冠心病患者PTT变异性的低频功率（LF）为（25.34±8.12）nu，高频功率（HF）为（10.12±4.34）nu，LF/HF比值为2.50±0.48。健康对照组的LF为（18.23±6.54）nu，HF为（15.34±5.67）nu，LF/HF比值为1.19±0.32。经Mann-WhitneyU检验，两组在LF、HF