短时非线性方法用于心率变异性分析

刘红夺儿 朱 逸 湛 萍 王志刚 彭 屹

(中国医学科学院基础医学研究所 北京协和医学院基础学院,北京 100005)

短时非线性方法用于心率变异性分析

刘红夺儿†朱 逸†湛 萍 王志刚 彭 屹#*

(中国医学科学院基础医学研究所 北京协和医学院基础学院,北京 100005)

非线性分析为揭示心率变异性(HRV)的生理和病理变化提供了新的视角，不仅可反映更多关于心脏自主神经对于心率动力学调节的信息，而且与传统的时域和频域分析形成互补。特别是短时非线性分析契合了心率动力学的非线性和非平稳特征。文中就符号动力学、去趋势波动分析中的短时分形尺度指数α1，与复杂度相关的近似熵和样本熵，以及定量递归分析等方法，分别介绍了它们在短时RR间期序列分析中的应用。同时从短时非线性分析与长时序列结合，以及基于多分析域指标的判别分析这两方面，说明了短时非线性方法在HRV分析中的应用拓展。最后，就这些方法应用于临床需要解决的问题进行了阐述。

心率变异性；非线性分析；短时序列；心脏自主神经

心脏自主神经失衡与心血管疾病的病死率，包括心源性猝死(sudden cardiac death,SCD)有着密切的联系[1]。心脏自主神经活动的评测，对于预防和减少恶性心血管事件的发生，对于检验相关药物的疗效，具有重要的临床应用价值。关于心脏自主神经活动的直接检测，对于交感神经，可通过检测血浆中 去 甲肾上腺素溢出量 (norepinephrine spillover to plasma)或者记录交感神经的电活动；而对于迷走神经，只有通过记录神经电活动的途径[2-3]。这些方法均为有创性质的测量，难以用作临床日常的监测和评估。

心率变异性(heart rate variability,HRV)通过分析逐个心拍心动周期间的微小变化，以间接和无创测量的方式，定量评估心脏自主神经系统中交感神经和迷走神经活动的张力及其两者的平衡性[4]。HRV研究始于线性分析,包括时域和频域方法。虽然目前已基本明确了一系列HRV线性指标的生理意义，但前提是将心脏自主神经对心率的调控看成一个线性过程。实际上，心率调控是一个复杂的非线性和非平稳过程。健康的心率调节对应于混沌进程，具有一定的固有可变性，这种可变性的减少或者消失则意味着心脏自主神经处于受损状态。许多相关研究揭示了病理条件下非线性特征的变化，也证实了非线性方法的优越性[5-6]。如何利用信号处理在方法学上的拓展和进步，体现心率动力学的非线性和非平稳特征，与传统的线性方法形成互补，进而全面刻画HRV特性，对于分析结果的准确性和全面性有着重要意义。

此外，在克服非平稳性的干扰方面，短时序列分析方法具有相当的优势。短时心电图(ECG)记录中被试者的状态有可能比较一致，其RR间期序列可近似为平稳序列，使得平稳序列分析方法在运用时偏差减少，增加了结果的可靠性。文中就短时非线性方法在HRV分析中的应用，从典型的方法及其应用、短时非线性分析与长时序列结合，以及基于多分析域指标的判别分析等方面作一综述。

1 典型的短时非线性分析

非线性分析的引入能够提供关于心率调控的动态变化信息，可描述高度不规则，但又不是完全随机的现象，以定量反映HRV的结构性和复杂度。此外，相比于长时分析，短时分析能够更好地契合心率动力学的非平稳本质，有可能获得更准确的分析结果。短时非线性方法因其优越性在HRV研究中得到了不断的发展，而且重复性也在一定程度上优于传统方法[7-8]。常用的方法包括符号动力学分析(symbolic dynamics analysis，SDA)、去趋势波动分析(detrended fluctuation analysis,DFA)中的短时尺度指数α1，与复杂度相关的近似熵(approximation entropy,ApEn)和样本熵(sample entropy,SampEn)，以及定量递归分析(recurrence quantification analysis,RQA)等方法。

1.1符号动力学分析(SDA)

1993年，Voss等将SDA引入HRV研究中[9]。SDA利用有限的符号对系统动力学特征进行描述，其实质是通过符号化来评估粗粒化的心率波动。一方面，特定符号串模式出现的频繁程度与一定的心率动力学特征有关；另一方面，纯粹的各种随机噪声符号串模式出现的可能性在统计意义上相等，没有明显的概率优势。因此，可通过检测特定符号串的出现频率得到相关信息。

Porta等发现SDA指标能够追踪倾斜直立(tilt-up)实验中心脏自主神经活动的逐步变化[10]。受试者从平躺开始，以15°为间隔，从0°逐步过渡到90°，每个角度持续10 min，同时记录ECG，从中挑出250个心拍进行SDA。倾斜角度的增加，导致交感神经活动增强和迷走神经活动减弱，表现在SDA指标0V%的增加和2UV%的降低。共17名受试者中，82%的0V%与倾斜角度存在线性相关，65%的2UV%与倾斜角度存在线性相关。在线性相关方面，0V%和2UV%优于任何一项频域分析指标，提示0V%和2UV%有可能成为更好的评估心脏自主神经调节的指标。

在最新的糖尿病研究中，Moura-Tonello等通过SDA评估未发生心血管自主神经病变(cardiac autonomic neuropathy,CAN)的2型糖尿病(type 2 diabetes,T2D)患者的HRV[11]。分别记录19位患者和19位正常人在仰卧和直立状态各10 min的ECG，从每个记录中挑选最具稳定性的256个心拍进行分析。结果表明：患者和正常人的心脏自主神经活动对体位变化都有所响应。从仰卧到直立状态，正常人 0V%升高，同时2LV%和2UV%降低，未发生CAN的T2D患者仍保有这种响应。但与正常对照相比，无论是仰卧还是直立，这些患者的0V%较高而2LV%则较低，反映其心脏自主神经功能处于失调状态；但两者之间在2UV%没有明显差异，提示这种失调并未形成不可逆的迷走神经损伤，可能只是神经元功能改变的结果，如由高血糖引起的神经内水肿。

Guzzetti等针对21位植入心脏复律除颤起搏器(implantable cardioverter defibrillator，ICD)的患者，就他们在严重心律不齐(室性心搏过速或室颤)发生前的300心拍RR间期序列进行分析[12]。研究结果显示，严重心律不齐发生前0V%比基线(baseline)时明显升高，表明交感神经活动占有主导地位；但同时2UV%并没有显著降低，反映心脏自主神经活动中交感神经和迷走神经两者交互作用的缺失。Liu等的研究显示，在对5 min(≥300拍)RR间期序列的分析中，316位正常人的0V%明显低于170位非酒精性脂肪肝(nonalcoholic fatty liver disease,NAFLD)患者，且0V%与SDNN呈负线性相关趋势(r=-0.178 1，P<0.05)[13]。两者皆表明NAFLD患者的交感神经活动被过度激活，其心脏自主神经功能失调。

文献[14]利用Physionet中Long-term ST-T Database的数据，对心肌缺血时段的RR间期序列运用SDA方法进行分析。以100心拍为基础，并与缺血前后5 min进行自对照。同时提出以0V%与2UV%之比，评价心脏自主神经的平衡状态。所选取的193个缺血时段中，缺血持续时间小于5 min的占70%。结果表明，较之心肌缺血前后，心肌缺血过程中0V%显著增加而2UV%显著减小，反映出交感神经活性的增加和迷走神经活性的减弱，但这种自主神经平衡向交感神经更占优移动的趋势(0V%与2UV%之比增大)随着缺血持续时间的延长而减小，提示可能存在的对心脏的保护作用。

SDA方法的优势在于对数据的长度和平稳性没有严格的要求，将间期序列转换成短模式，可更好地反映由迷走神经调节引起的短时波动[12]。值得注意的是，RR间期序列转换为符号串时，有可能导致部分细节信息丢失。此外，异常值(异位心拍和噪声)也可能影响符号串的组成元素。

1.2去趋势波动分析(DFA)

与几何分形相似，时间序列也具有自相似性。DFA是一种用于研究心率自相似性的尺度分析方法[15-16]。其量化参数称为分形尺度指数α，用以描述信号与分形相关的特性。α=0.5是随机信号(白噪声信号)；α=1是类分形信号(1/f信号)；α=1.5是布朗噪声信号。α也可以表征原始时间序列的粗糙度，其值越大，原始时间序列越平滑。此外，Peng等发现DFA在时间尺度n接近16时产生交叉(crossover)现象，且两者呈现相反的趋势[15]。因此建议将α分解为短时分形尺度指数α1(4≤n≤16)和长时分形尺度指数α2(16≤n≤64)。

Mikko等通过施加非药物性刺激，探讨心脏自主神经平衡状态的改变对心率分形特征的影响[17]。13名正常受试者在静息状态并由节拍器引导以0.25 Hz频率呼吸。随后在脸颊和前额处用冷毛巾(0℃～1℃)冷敷或将一只手浸没在冰水(0℃～1℃)之中，均持续2 min。两项实验之间有15 min的恢复期，并以随机顺序进行。实验过程中同时记录ECG和腓骨神经的肌肉交感神经活动(muscle sympathetic nerve activity ,MSNA)。结果显示，与基态相比，脸部冰敷时，MSNA显著增高，心率却无显著变化，同时LF/HF和α1显著降低。这种刺激下交感神经和迷走神经的共同兴奋，使心率动力学从分形特性转向更为随机化的结构，而分形特性的丧失易导致心律失常；而冰水浸泡手部使MSNA、心率、LF/HF和α1均显著升高，由此体现的交感神经过度兴奋可导致心室复极化的不一致性。该研究为短时分形指数α1与心脏自主神经平衡状态的关联性提供了以直接测量为依据的分析基础。

Bhaskar等采用DFA研究2型糖尿病患者和正常对照之间的差异[18]。各有23位患者和23位正常对照参加，记录仰卧安静状态时的10 min的ECG信号。结果表明，正常人的α2显著低于α1(0.80±0.19vs1.01±0.14)，而糖尿病患者的α2显著高于α1(1.18±0.19vs1.09±0.17)。此外，α2和α1散点图可形成两个相对离散的集合群，从而能对两者进行有效的区分。

尽管双系数模型α1和α2在HRV的研究中被广泛使用，但近年来有研究者认为该模型对于分形相关特性的描述仍然过于简单，他们提出了基于DFA分析的尺度指数谱α(t)[19]。通过描绘信号分形相关特征随计算尺度t的连续变化，以更好的表征心血管信号的多尺度结构。实验中对9名正常受试者在仰卧状态下进行药物(阿托品，心得安、可乐宁)注射从而改变心脏自主神经活动。分别记录注射药物前后各15～20 min的ECG和血压，计算尺度t为5～100 s。在基线状态，心率和血压的尺度谱结构有明显区别。阿托品引起的心脏交感神经兴奋在心率和血压的短尺度上增加布朗运动成分；而心得安引起的迷走神经兴奋使两者的尺度谱均增加白噪声成分，且增大了两者间的差异。可乐宁全面抑制交感神经活动，导致心率的短时和长时指数，以及血压的短时指数均减小。该研究很好地反映了心脏迷走神经和心脏交感神经，以及血管交感神经对心率和血压分形结构的不同影响。

DFA提供了一种简单且有效的方法来评估心率的分形特征。较之于传统方法(如自相关分析和Hurst指数)，DFA几乎不依赖于数据长度[20]，且能够有效滤去信号中由外部因素造成的各阶趋势成分，从而在看似非平稳的间期序列中检测出隐藏着的长程幂律相关性。

1.3近似熵和样本熵(ApEn和SampEn)

传统的非线性参数如关联维数和Lyapunov指数，计算所需数据量需要1 h甚至更长。ApEn和SampEn是用于短时时域信号分析的典型方法。ApEn是对非线性时间序列复杂度和可预测性的一种衡量方法，信号中新模式产生的概率越大，序列复杂性就越大，其值也越大，说明系统越趋于随机状态。SampEn改进了ApEn的算法，剔除了自身数据段的比较，使统计量具有更好的一致性[21]。文献[22]与文献[17]的样本量和实验流程相同，利用与熵相关的方法，分析序列的复杂度与心脏自主神经平衡状态间的联系。其中，修正的ApEn均值及其标准化均值随着倾斜角度的增加，至45°时表现出显著的随角度增加而降低的趋势，而基于SampEn的相同指标在倾斜角度为30°之后就体现出类似的趋势。此实验结果验证了SampEn具有较好的一致性。

Weissman等对24名正常新生儿在应对急性疼痛和基态时各256个心拍序列进行分析[23]。结果发现，ApEn和SampEn在疼痛时明显降低，所反映的心率复杂度降低，可能是由于心脏调节中较为复杂的机制和反馈回路受到抑制，回归到最基本的调节方式，降低了对外部刺激的响应。Agiovlasitis等将ApEn运用于正常人和唐氏综合症(Down syndrome,DS)患者心率复杂度的研究中[24]。对16名正常人和16名DS患者，分别在仰卧态和80°直立倾斜态时各取550心拍的RR间期序列。分析结果显示，两组受试者在静息态时的ApEn无显著差异，处于倾斜态时较各自仰卧态的ApEn均显著降低，但DS组的降低程度较小，而且倾斜态时两组的ApEn有显著差异。研究者认为DS组较小的ApEn降低是由于倾斜态交感神经活性增加的同时，迷走神经活性回撤不足，即心脏自主神经交感和迷走两个分支此消彼长的交互功能受到损害。Kaneley等认为心率复杂度的降低可能是早期心脏自主神经功能失调的一种体现[25]。56名中年(40～60岁)肥胖(obesity,OB)人群参与了该研究项目，其中34人患有T2D。在记录了受试者直立倾斜实验前后各5 min的ECG后，从中挑选出大于200个心拍且趋势稳定的RR间期序列进行分析。结果表明，虽然两受试组的SampEn在80°直立倾斜状态都显示出下降趋势，但是OBT2D组的下降幅度远小于OB组。提示尽管OBT2D组能够对直立倾斜状态做出正常响应，但其自主神经活动的调节能力已不如OB组。

ApEn和SampEn是从统计学角度考虑量化时间序列的动力学特性，也就是定量刻画信号中长度为m的模式在误差为r范围内的概率，其对参数选取十分的敏感。通常取m=2，r=0.1～0.25 SD。对于数据长度建议选择N≥200，数据越长，结果的一致性越好；N≥2 000后SampEn和ApEn基本稳定[26]。SampEn对数据长度的依赖性要小一些，对数据的丢失不敏感，在短时分析上比ApEn更可靠[27]。

然而，无论是ApEn还是SampEn，在统计稳定性方面均存在欠缺[28]。针对这一问题，Liu等提出模糊测量熵(fuzzy measure entropy，FuzzyMEn)的算法[29]。该算法以模糊函数的隶属度作为判别基础，替代在ApEn和SampEn中所使用的Heaviside函数。仿真结果表明，与ApEn和SampEn相比，该方法有效提高了统计稳定性。同时，对60个充血性心力衰竭(congestive heart failure，CHF)和60个正常对照者进行临床测试。各记录10 min ECG，分别比较ApEn、SampEn和FuzzyMEn 在两组人群中的差异。 结果表明，ApEn(P=0.394)、SampEn (P=0.288)的CHF组和对照组间没有统计学差异，而FuzzyMEn间则存在显著差异(P=0.032)，反映出对于正常人群和CHF患者间更好的区分效果。文献[30]提出以基于基本尺度熵中的 forbidden words 作为特征指标，利用Physionet中的数据，分析长度为500心拍的RR间期序列，可检测出正常老年人与年轻人之间的显著差异，以及正常老年人与CHF患者间的显著差异。

1.4递归定量分析(RQA)

从系统动力学的观点分析，递归就是系统的某些状态在特定时间段具有相似或复显的特性。递归图(recurrence plot,RP)用二维图形表达高维相空间中轨迹随时间的变化。RQA根据图形中点和线段的分布，对递归图中确定性的结构和复杂度进行定量描述，以揭示系统的动力学行为。

由于RQA可适用于非平稳高噪声信号序列，因此被用于多项有关心率动力学的研究之中。González等记录了20名正常人仰卧和直立状态的ECG以及19名慢性肾衰竭(chronic renal failure,CRF)患者在透析前后仰卧和直立状态的ECG[31]。对每个记录中的5 min数据段，进行线性HRV指标和RQA指标的计算和分析。研究发现，相比于正常对照组，无论是透析前还是透析后，CRF患者在卧位时有着较高层状度(laminarity,LAM)和竖直/水平线段平均长度(trapping time，TT)，表明系统长时间处于一个特定状态，提示CRF患者有着不同于正常人的心血管系统状态，即交感神经活动增加。正常人从仰卧位到直立位升高的LAM、TT和最长竖直线长度(Vmax)表明了体位变化引起的交感神经活性升高对RQA参数的影响[32]。

由于RQA对于所分析数据长度无明确要求，所以可用于长短不一的序列分析。文献[33]利用与文献[14]相同的数据源，对心肌缺血段的RR间期序列进行基于RQA的短时(90心拍)序列分析，并与缺血前后的5 min数据段进行自身对照。结果显示，心肌缺血时递归率(determinism,DET)和熵(entropy,ENT)两个特征指标较非缺血对照段显著增高，均提示缺血时心率复杂度降低。此外，短时RQA还被应用于有关心脏疾病的检测研究之中。如通过短时RQA特征指标，对房颤射频消融手术过程中同时记录的心房心内电图(eletrograms,EMG)进行复杂心房碎裂电位(complex fractionated atrial electrogram,CFAE)的提取，正确率高于70%，敏感度超过80%，可辅助临床诊断[34]。

RQA对于数据平稳性和长度没有严格要求，也不需要对数据进行任何变换满足特定的统计分布，因此十分适用于生理信号的分析。在RP和RQA方法中，半径(radius)的选择十分关键。半径太小，仅仅是对噪声的量化；半径太大，则递归关系不被认可。因此，最好采用固定递归率(recurrence,REC)的RQA方法[35]。

2 短时非线性分析与长时序列结合

心率动力学的非平稳特征会对长时序列的分析结果产生干扰。但长时序列在克服由于取样时段不同造成的干扰等方面有独特优势。如何将短时分析运用于具有长度优势的动态心电图(Holter)间期序列，对于充分挖掘和利用其中的信息，具有突破性的意义。

研究表明，正常人心率逐拍波动所表现出的长时相关性，是处于非平衡态的动态系统的典型表现。与之相反，CHF患者中这种长时相关性会被打破。从Holter记录中取约2 h的数据(8 192心拍)，分析正常人和CHF患者可能存在的差异[17]。结果显示，正常人α1>α2(1.201±0.178vs0.998±0.124)，α1呈Brownian噪声特点，α2则呈典型的幂次分布；CHF患者却相反(0.803±0.259vs1.125±0.216)，α1接近于0.5，心率波动呈随机状态，而当尺度加大，这种波动更为平滑，表现出Brownian噪声特点。此外，该结果与文献[18]中的10 min间期序列的分析结果类似，一定程度上证明了短时分析的可行性。

Kiyono等提出一种方法以检测心率增长的间歇性(intermittency of heart rate increment)。HRV的间歇性行为是和非高斯(non-Gaussian)概率分布(特征为厚尾和均值附近的尖峰)相关联的[36]。作者提出以非高斯指数(non-Gaussian index，λ)表征HRV的非高斯行为。首先对整个窦性心率产生的RR间期序列进行积分和去趋势处理，对所产生的新序列，以分析尺度s作为心拍时延，计算第i个心拍和第i+s个心拍之间的间歇性偏差，最后以归一化偏差所形成的概率密度函数(probability density function,PDF)估算λ。如果RR间期序列在时间上是均匀的并具有有限方差，则所产生的PDF随着s的增加快速收敛于高斯分布，λ趋于0；否则，会出现慢速收敛和呈现非高斯的厚尾特征，说明序列中间歇性偏差的增大，与之相对应是λ的增大。

对于108名CHF患者，利用其24 h Holter数据进行风险评估[37]。在其后的(3317)月的随访中，39人(36.1%)死亡。Cox比例风险回归分析用于分析与所有原因死亡率相关的影响因素。结果表明，短时(40 心拍)非高斯指数λ40，长时(1 000 心拍)非高斯指数λ1 000和利尿钠肽均可以作为CHF患者死亡风险预测的单一指标。在多参数模型中，λ40和利尿钠肽可作为患者幸存统计分析的独立预测指标。该研究证明了HRV的短时非高斯指标对于CHF患者死亡风险预测的有效性。随后，该研究小组利用持续25 s的短时非高斯指数λ25 s，对患者在急性心肌梗死(acute myocardial infarction ,AMI)后发生SCD进行风险预测分析[38]。650名AMI后患者，利用其24 h Holter数据，计算λ25 s和其他指标，如SDNN、超低频段能量、α1和心率扰动等。在基态时验证λ25 s与其他指标均不相关(|r|<0.4)，但在服用β阻滞剂的患者中显著降低。对患者进行中位数为25个月的随访。分析表明，其他HRV指标同时对心源性和非心源性死亡有预测作用，而λ25 s的增加只对心源性死亡有预测作用。对于AMI后患者，λ25 s的升高只与升高的心源性死亡率相关联，而且其预测能力独立于临床危险因素(如年龄、糖尿病、左心功能、肾功能、心衰等)和其他HRV指标。在CHF和AMI后患者中，显著升高的短时λ均意味着死亡风险的增高，反映了异常升高的交感神经活动的负面影响。

Ding提出以量化非线性动力学模式变化(VNDP)为特点进行HRV分析，并且选取Physionet中的Fantasia Database数据，分析正常老年人和年轻人两个年龄组的区别，以验证方法的有效性[39]。在长度为2 h的RR间期序列中随机选取2 000段长度为90心拍的短时序列，对于每个短时序列，计算3个RQA指标(DET，LAM和ET)，然后对这3个指标两两配对，估计每组配对RQA指标的二维PDF，并基于该函数计算每组配对指标的互信息和它们联合概率的熵，用以量化VNDP。所提出的方法相对于RQA指标本身，可以更有效地区分老年人和年轻人。

以短时序列为基础的分析，遵循了ECG间期序列最基本的非平稳特性。研究短至几十心拍间期序列的分析指标在长至几小时甚至跨昼夜的长时序列上的分布，以判别心脏自主神经状态，既可抑制非平稳可能产生的干扰，又可利用长时序列数据量大的优势。这样的研究尝试无疑很符合Holter日益普及的趋势。

3 基于多分析域指标的判别分析

非线性分析方法的出现不仅意味着在分析方法上有了更多选择，多分析域参数的联合分析也成为必然。下面列举若干比较具有特色的研究结果。

Mourot等探讨短时非线性分析指标的临床应用价值[40]。受试者包括18位正常对照，42位冠心病(coronary artery disease,CAD)患者和32位慢性CHF患者，就各自仰卧和主动站立态进行自身对比。序列长度为256心拍，进行时域、频域和非线性联合分析，其中非线性指标包括α1、ApEn和SampEn。从仰卧到站立时，正常对照组频域分析指标显示出向交感神经占优的移动方向，但这种趋势在CAD中较为不明显，而在CHF中则无体现。对于α1，正常对照和CAD组均有显著增加，而CHF则没有。对于ApEn和SampEn，正常对照无显著差异，CHF组ApEn显著减低，CAD组SampEn显著降低。实验结果不仅表现出病理组复杂度的降低，也反映了不同类型指标的互补性。

Liu等利用MIT-BIH中正常人(n=30)和CHF(n=17)的ECG数据，探讨两组人群的判别分析[41]。作者提出用组合参数的判别方法。提取每个样本数据段中的前5 min的数据，分别计算时域、频域和非线性分析中的ApEn和SampEn等指标，选取两组人群对比中差异显著的指标并进行归一化处理，最后分别计算时域、频域和非线性各自的指标和，形成三类判别特征量作为支持向量机的输入，取得了很好的判别效果。

Ebrahimzadeh提出一种预测SCD的方法[42]。针对MIT-BIH中正常人(n=35)和发生SCD(n=35)的ECG数据，选取SCD发生前1～ 4 min共4个持续1 min的数据段，分别计算每个数据段的时域、时频和非线性指标，比较单域指标和联合指标的判别性能，并利用k近邻和多层感知器神经网络作为判别工具。结果表明，时域和频域指标结合非线性指标可以获得更好的判别效果。利用SCD前1～4 min这4个1 min数据段的判别正确率分别为99.73%,96.52%,90.37% 和 83.96%，提示SCD发生之前的短时HRV指标可用于具有SCD倾向和正常人的区分。

4 结语

目前，利用ECG提供的间期序列进行心脏自主神经状态评测依然是心脏恶性事件风险预测的一个重要方向[43]。非线性分析给研究不同生理和病理条件下的HRV变化提供了新的视角，与时域及频域分析指标具有互补作用。HRV分析因无创且信号易获取等优点被寄予厚望，但目前离真正的临床应用尚有相当的距离。选择哪些方法并且在怎样的标准化条件下应用；在不同的心脏基础条件下，对不同种心脏恶性事件预测准确率有怎样的预期；除了方法有效性的证明之外，良好的重复性和同类人群中较小的离散度是HRV常规应用于临床必不可少的条件。这些问题也是在HRV的短时非线性分析研究中需要回答的。

[1] Goldberger JJ,Cain ME,Hohnloser SH,etal.AHA/ACCF/Heart Rhythm Society Scientific Statement on Noninvasive Risk Stratification Techniques for Identifying Patients at Risk for Sudden Cardiac Death:A Scientific Statement from the American Heart Association Council on Clinical on Cardiology Committee on Electrocardiography and Arrhythmias and Council on Epidemiology and Prevention.Circulation,2008,118:1497-1518.

[2] Grassi G,Esler M.How to assess sympathetic activity in humans [J].J Hypertens,1999,17:719-734.

[3] Shen MJ,Choi EK,Tan AY,etal.Patterns of baseline autonomic nerve activity and the development of pacing-induced sustained atrial fibrillation [J].Heart Rhythm,2011,8:583-589.

[4] Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology.Heart rate variability:standards of measurement,physiological interpretation and clinical use[J].Circulation,1996,93:1043-1065.

[5] Voss A,Schulz S,Schroeder R,etal.Methods derived from nonlinear dynamics for analyzing heart rate variability [J].Philosophical Transactions of the Royal Society A,2009,367:277-296.

[6] Xhyheri B,Manfrini O,Mazzolini M,etal.Heart rate variability today [J].Progress in Cardiovascular Diseases,2012,55:321-331.

[7] Huikuri HV,Perkiomaki JS,Maestri R,etal.Clinical impact of evaluation of cardiovascular control by novel methods of heart rate dynamics [J].Philos Transact A Math Phys Eng Sci,2009,367:1223-1238.

[8] Voss A,Schroeder R,Vallverdú M,etal.Short-termvslong-term heart rate variability in ischemic cardiomyopathy risk stratification [J].Frontiers in Physiology,2013,4:1-15.

[9] Voss A,Dietz R,Fiehring H,etal.High resolution ECG,heart rate variability and nonlinear dynamics:tools for high risk stratification [C]// Computers in Cardiology.Los Alamitos:IEEE Computer Society Press,1993:261-264.

[10] Porta A,Tobaldini E,Guzzetti S,etal.Assessment of cardiac autonomic modulation during graded head-up tilt by symbolic analysis of heart rate variability [J].American Journal of Physiology- Heart and Circulatory Physiology,2007,293:702-708.

[11] Moura-Tonello SCG,Takahashi ACM,Francisco CO,etal.Influence of type 2 diabetes on symbolic analysis and complexity of heart rate variability in men [J].Diabetology & Metabolic Syndrome,2014,6:13-23.

[12] Guzzetti S,Borroni E,Garbelli PE,etal.Symbolic dynamics of heart rate variability:A probe to investigate cardiac autonomic [J].Circulation,2005,112:465-470.

[13] Liu Yuchen,Hung Chisheng,Wu Yenwen,etal.Influence of non-alcoholic fatty liver disease on autonomic changes evaluated by the time domain,frequency domain,and symbolic dynamics of heart rate variability [J].PLoS ONE,2013,8(4):1-6.

[14] 张靖，李心雅，彭屹.心肌缺血中心率变异性的符号动力学分析[J].国际生物医学工程学杂志，2010，33(1):31-35.

[15] Peng CK,Havlin S,Stanley HE,etal.Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series [J].Chaos,1995,5(1):82-87.

[16] Goldberger AL,Amaral LA,Hausdorff JM,etal.Fractal dynamics in physiology:alterations with disease and aging [J].Proc Natl Acad Sci USA,2002,99:2466-2472.

[17] Tulppo MP,Kiviniemi AM,Hautala AJ,etal.Physiological background of the loss of fractal heart rate [J].Circulation,2005,112:314-319.

[18] Bhaskar R,Sobhendu G.Nonlinear methods to assess changes in heart rate variability in type 2 diabetic patients [J].Arq Bras Cardiol,2013,101(4):317-332.

[19] Castiglioni P,Parati G,Di Rienzo M,etal.Scale exponents of blood pressure and heart rate during autonomic blockade as assessed by detrended fluctuation analysis [J].J Physiol,2011,589(2):355-369.

[20] Coronada AV,Carpena P.Size effect on correlation measures [J].Journal of Biological Physics,2005,31:121-133.

[21] Richman JS,Moorman JR.Physiological time-series analysis using approximate and sample entropy [J].Am J Physiol,2000,278:2039-2049.

[22] Porta A,Gnecchi-Ruscone T,Tobaldini E,etal.Progressive decrease of heart period variability entropy based complexity during graded head-up tilt [J].J Appl Physiol,2007,103:1143-1149.

[23] Weissman A,Zimmer EZ,Aranovitch M,etal.Heart rate dynamics during acute pain in newborns [J].Pflugers Arch-Eur J Physiol,2012,464:593-599.

[24] Agiovlasitis S,Baynard T,Pitett KH,etal.Heart rate complexity in response to upright tilt in persons with Down syndrome [J].Research in Developmental Disabilities,2011,32:2102-2107.

[25] Kanaley JA,Goulopoulou S,Franklin RM,etal.Plasticity of heart rate signaling and complexity with exercise training in obese individuals with and without type 2 diabetes [J].Int J Obes (Lond),2009,33(10):1198-1206.

[26] Weippert M,Behrens K,Rieger A,etal.Heart rate variability and blood pressure during dynamic and static exercise at similar heart rate levels [J].PLOS ONE,2013,8(12):1-8.

[27] Yentes JM,Hunt N,Schmid KK,etal.The appropriate use of approximate entropy and sample entropy with short data sets [J].Annals of Biomedical Engineering,2013,4(2):349-365.

[28] Chon KH,Scully CG,Lu S.Approximate entropy for all signals [J].IEEE Eng Med Biol,2009,28:18-23.

[29] Liu Chengyu,Li Ke,Zhao Lina,etal.Analysis of heart rate variability using fuzzy measure entropy [J].Computers in Biology and Medicine,2013,43:100-108.

[30] 刘大钊,李瑜,李锦.以基于基本尺度熵的心率变异性指标表征生理和病理原因引起的自主神经活动变化[J].中国生物医学工程学学报，2014，33(4):402-409.

[31] Gonzáleza H,Infanteb O,Pérez-Grovas H,etal.Nonlinear dynamics of heart rate variability in response to orthostatism and hemodialysis in chronic renal failure patients:Recurrence analysis approach [J].Medical Engineering & Physics,2013(35):178-187.

[32] Javorka M,Turianikova Z,Tonhajzerova I,etal.The effect of orthostasison recurrence quantification analysis of heart rate and blood pressure dynamics [J].Physiological Measurement,2009,30:29-41.

[33] Peng Yi,Sun Zhongwei.Characterization of QT and RR interval series during acute myocardial ischemia by means of recurrence quantification analysis [J].Medical & Biological Engineering & Computing,2011,49(1):25-31.

[34] Navoret N,Jacquir S,Laurent G,etal.Detection of complex fractionated atrial electrograms using recurrence quantification analysis [J].IEEE Transactions on Biomedical Engineering,2013,60(7):1975-1982.

[35] Zbilut JP,Thomasson N,Webber CL.Recurrence quantification analysis as a tool for nonlinear exploration of nonstationary cardiac signals [J].Medical Engineering & Physics,2002(24):53-60.

[36] Kiyono K,Struzik ZR,Aoyagi N,etal.Multiscale probability density function analysis:non-Gaussian and scale-invariant fluctuations of healthy human heart rate [J].IEEE Transactions on Biomedical Engineering,2006,53(1):95-102.

[37] Kiyono K,Hayano J,Watanabe,E,etal.Non-Gaussian heart rate as an independent predictor of mortality in patients with chronic heart failure[J].Heart Rhythm,2008,5:261-268.

[38] Hayano J,Kiyono K,Struzik ZR,etal.Increased non-Gaussianity of heart rate variability predicts cardiac mortality after an acute myocardial infarction [J].Front Physio,2011,2:65.

[39] Ding H,Crozier S,Wilson S.A new heart rate variability analysis method by means of quantifying the variation of nonlinear dynamic patters [J].IEEE Transactions on Biomedical Engineering,2007,54(9):1590-1597.

[40] Mourot L.Could non-linear heart rate variability analysis of short RR intervals series give clinically valuable information in heart disease? [J].J Clin Exp Res Cardiol,2014,1(1):104.

[41] Liu Guanzheng,Wang Lei,Wang Qian,etal.A new approach to detect congestive heart failure using short-term heart rate variability measures [J].PLoS ONE,2014,9(4):e93399.

[42] Ebrahimzadeh E,Pooyan M,Bijar A,etal.A novel approach to predict sudden cardiac death (SCD) using nonlinear and time-frequency analyses from HRV signals[J].PLoS ONE,2014,9(2):e81896.

[43] Wellens HJJ,Schwartz PJ,Lindemans FW,etal.Risk stratification for sudden cardiac death:current status and challenges for the future [J].European Heart Journal,2014,35:1642-1651.

TheApplicationofShort-TermNonlinearMethodstoHeartRateVariabilityAnalysis

Liu Hongduoer Zhu Yi Zhan Ping Wang Zhigang Peng Yi#*

(InstituteofBasicMedicalSciences,ChineseAcademyofMedicalSciences,SchoolofBasicMedicine,PekingUnionMedicalCollege,Beijing100005，China)

Nonlinear analysis brings about new insights into heart rate variability (HRV) changes under various physiological and pathological conditions,providing additional prognostic information and complementing traditional time and frequency domain analyses.Short-term nonlinear analysis conforms to the nonlinearity and nonstationarity of heart rate dynamics.Several dominant methods,such as symbolic dynamics analysis,short-term fractal scaling exponent (α1) analyzed by the detrended fluctuation analysis method,approximation entropy and sample entropy,recurrence quantification analysis,are introduced for their application to short-term RR series.Furthermore,this article reviews some expansion of application,including short-term nonlinear analysis coupled with long-term RR series,as well as risk stratification based on multi-domain indexes including short-term nonlinear ones.Several issues concerning the wide spread clinical use of HRV analysis were discussed.

heart rate variability (HRV); nonlinear analysis; short-term series; cardiac autonomic nerve

10.3969/j.issn.0258-8021.2015.02.014

2014-11-20，录用日期:2015-02-06

国家自然科学基金(81471746，81071225)；国家高技术研究发展计划(863计划)(2012AA02A602)

R318

A

0258-8021(2015) 02-0229-08

# 中国生物医学工程学会会员(Member,Chinese Society of Biomedical Engineering)

† 共同第一作者

*通信作者(Corresponding author)，E-mail:pengyi@pumc.edu.cn