应激条件下人群心脏储备动用趋势的特征研究*

许定国，刘述芝，赵艳霞

(重庆大学体育学院，重庆 400044)

自瑞典临床学家Henschen1899年首次提出运动员心脏(athlete’s heart)概念以来［1-2］，运动对心脏形态和机能的影响逐渐成为人们研究和探讨的热点问题。心音是在体表获取的由心肌舒缩、瓣膜启闭、血流冲击心室壁和大动脉等因素引起的机械振动，通过周围组织传到胸壁形成的声音信号。研究表明心音信号能间接地反映心脏活动和血流状况，现已成为无创检测评估心脏功能状态和心肌收缩能力的重要手段［3-5］。

心音信号属于典型的非线性性和非平稳性信号，传统心音信号处理多是基于理想线性模型，并不能全部揭示心音信号的本质特性［6-16］，因而选取具有非线性性和非平稳性时间序列的非线性分析方法对心音信号进行定性和定量分析尤为重要。样本熵是由Richman［17］提出的表征系统复杂度的新方法，样本熵值越大，序列越复杂。其优势在于仅要较少量的数据就能够稳健的反映信号的非线性特征，已被应用于心电和脑电等生理信号的分析。鉴于此，本文从非线性动力角度提取心音信号样本熵(sample entry，SampEn)特征参量，分析运动前后心动周期心音信号的非特异性差异，进而探讨不同负荷状态时心脏功能储备动用趋势特征新指标。

1 对象与方法

1.1 研究对象

实验组:15名大学体育教育专业男子足球专项运动员，年龄(20±1)岁。对照组为15名大学普通院系男性学生，平时较少参加体育锻炼，以静态生活方式为主，年龄(20±1)岁。所有受试者身体健康，无心血管病史。实验前所有受试者均同意自愿参加本实验并签署知情同意书。

1.2 实验方法

实验组和对照组分别进行登梯试验。运动量根据《ACSM运动测试与运动处方指南》［18］推荐的亚极量7000J而确定。梯高采用医学界二级梯的梯高(0.23 m)。登梯次数由总运动量、台阶高度和体重决定，该计算符合国际惯例。

实验过程中应用重庆博精医学信息研究所研制的运动心力监测仪分别对受试者安静状态、1750J、3500J、5250J、7000J登梯运动后即刻心音信号进行采集。采集的信号以wav格式存储，采样频率为11025 Hz，量化值为8 bit，采集的信号持续时间平均为7.5 s。

1.3 心音信号预处理

本研究仪器采样频率为11025 Hz，持续时间为7.5 s。为加快数据处理速度，在保证信号质量的前提下，首先对信号进行间隔5点取值的重采样，即重采样后的频率为2205 Hz。由于心音信号采集过程中受到多种噪声干扰的影响，为了更加准确地分析心音信号，本研究采用在短时非平稳信号中应用比较广泛的小波变换阈值法对心音信号进行预处理。在用小波进行去噪时，最关键的步骤是选取合适的小波函数、阈值方法和分解层次。通过实验，本研究选取了对心音信号去噪效果较好的coif4小波和rigrsure阈值方法，信号去噪前后效果如图1和图2所示。然而经过滤波和重采样后的数据量依然过大，不利于后续数据处理。为满足系统的实时性要求，本研究分别以心音波峰为起始点从预处理后的心音图中选取5个信号较好的连续心动周期作为待分析的数据样本，研究指标均用matlab8.0编制程序进行计算。

Fig.1 Noisy heart sound signal

Fig.2 De-noising heart sound signal

1.4 样本熵算法及归一化

设原始信号{x(1)，x(2)…，x(N-1)，x(N)}，按照以下步骤计算样本熵［16］:

(1)对N点时间序列计算N×N距离矩阵D，其中第i行第j列元素记dij，其中i，j=1-N.

(3)根据下列公式计算B2(r)和B3(r)

(4)根据下列公式计算sampEn(m，r，N)

样本熵的值与嵌入维数m和相似性容限r的取值有关。m取值越大，计算所需要的数据量越大，计算时间越长。r取值越小，噪声对结果的影响越显著;r取值越大，时间序列的细节信息损失越多。本研究中m和r参照近似熵［16］计算中的取值，即m取2，r取0.1倍的数据标准差。

由于受到分析样本心动周期窗口长度、噪声大小等因素的影响，本研究根据文献［19］Srrogate思想采用目前国际上流行的Schreiber-Schmitz迭代算法生成Surrogate替代数据对样本熵进行归一化计算。其中，C代表原信号的某种复杂度，代表原信号的若干随机生成替代数据序列的复杂度的平均值。

1.5 统计学处理

2 结果

2.1 静息和不同负荷后即刻运动员和普通大学生心音样本熵变化比较

运动员和普通大学生在静息状态和不同负荷登梯实验后即刻心音样本熵变化可知，运动员和普通大学生在1750J、3500J、5250J、7000J四种不同负荷后即刻心音近似熵值均呈现下降趋势。在对静息和不同负荷后即刻心音样本熵值分别进行受试者群体差异检验时发现，静息状态时运动员和普通大学生心音样本熵未见显著性差异，而就1750J、3500J、5250J、7000J负荷后即刻两受试者群体心音样本熵值整体而言却呈统计学差异，尤其是在1750J和7000J时差异更明显(表1)。

2.2 不同负荷后即刻运动员和普通大学生心音熵值与心率相关分析

表2为运动员和普通大学生心音的心率和样本熵随负荷递增的变化趋势图。由表2可知，在安静状态和不同负荷运动后即刻运动员的心率均低于普通大学生的心率，而且在1750J时心率上升趋势最明显。

Tab.1 Interior-group comparison of heart sound sample entry under different load

Tab.2 Comparison of heart rate after different loads between two groups

通过对静息状态和不同负荷运动后即刻两受试者群体心率、运动负荷与心音样本熵之间的关系进行分析发现，无论受试者处于何种状态，其心音样本熵与心率和负荷均有相关关系，相关系数分别为-0.745和-0.671，其中心音样本熵与负荷和心率成显著负相关(P＜0.01，P＜0.05)。

3 讨论

心音信号作为临床评估心脏功能状态的基本参数，能形象地反映心脏活动和血流状况。心音信号是一种典型的非线性、非平稳性信号，它反映心脏系统的复杂特性，因此运用复杂度算法分析心音信号能够克服传统心音信号分析更多基于信号线性模型分析的不足，能更好地揭示心音信号的本质特征。

样本熵是Richman提出的用于描述系统时间序列复杂性测度的分析参数，适用于确定信号和随机信号组成的混合信号分析。该参数具有抗噪声干扰能力强、无需对原始信号进行粗粒化、仅需较短数据即可得到稳定值的统计量，其数值的大小反映了系统复杂度的大小和规律性改变的变化。熵值越大，说明系统越复杂。本研究运动员和普通大学生于静息和不同负荷状态后即刻心动周期心音样本熵的对比结果显示，负荷后即刻两受试者群体的样本熵值均与静息状态而言呈不同程度减小趋势，说明运动员和普通大学生运动负荷后心音变化的规律性增强，心脏系统的复杂性减小，这有可能是由于随着运动负荷进行性递增，心脏对运动负荷的适应性逐渐增强的结果，属于应激状态下正常的生理反应。同时，在静息和不同负荷运动后即刻运动员心音样本熵复杂度值比普通大学生的小，且在1500J、3500J和7000J时复杂性表现出显著差异，这可能是由于长期从事系统体育锻炼使运动员的心肌收缩更加有力，心脏循环的功能增强。

心脏储备是心脏功能的上调能力，它包括心率储备、心力储备等。在运动医学临床中主要依据心率变化或者变异监测运动员心脏功能和运动训练状态。本研究在5250J和7000J运动后即刻运动员和普通大学生心率接近甚至超过180beats/min，说明在这两个运动量阶段普通大学生更多的是动用心率储备来适应负荷给予心脏的较强刺激。同时心率增加，心动周期缩短，尤其是随运动负荷递增导致心脏舒张期自身供血时间缩短，导致心输出量减少，为了弥补心输出量的损失，需要动用较大的心肌收缩力和心力储备，长期的系统训练对运动员的心肌收缩力适应性增强，这也是静息和运动后即刻运动员的心率要比普通大学生低的原因。本研究通过对两受试者群体的心率和运动负荷与心音样本熵做相关分析发现，无论受试者处于何种状态其心动周期的心音样本熵与心率和运动负荷呈统计学显著相关关系，由此可以推断心动周期心音样本熵值变化可以作为运动负荷递增过程中心脏储备动用趋势的参考指标。

［1］常 芸.运动员心脏的点问题与研究进展［J］.体育科学.2010，30(10):70-79.

［2］Hansen PB，Luisada AA，Miletich DJ，et al.Phonocardiography as a monitor of cardiac performance during anesthesia［J］.Anesth Analg，1989，68(3):385-387.

［3］Rice M L，Doyle D J.Comparison of phonocardiography monitoring location［C］//Proceedings of IEEE EBMC’95 CDROM，1995.

［4］Xiao S，Guo X，Wang F，et al.Evaluating two new indicators of cardiac reserve［J］.IEEE Eng Med Biol Mag，2003，22(4):147-152.

［5］郭兴明，杨 勇，肖守中，等.运动员心功能评估新方法和新指标的研究［J］.中国应用生理学杂志，2010，26(3):380-383.

［6］郭兴明.自回归谱模型的运动员心音频谱特征研究［J］.计算机工程与应用.2013，49(7):106-110.

［7］KUMAR D，CARVALHO P，ANTUNE S M.Discrimination of heart sounds using choas analysis in various subbands［C］//BIOSIGNALS.Proc of the 2nd International Conference on Bio Inspired Systems and Signal Processing.2009:369-375.

［8］丁小蓉.基于混沌的心律失常心音信号分析［J］.生物医学工程学杂.2012，29(5):810-813.

［9］董 筠.心音的非线性时间序列分析［D］.杭州:浙江大学，2003.

［10］雷 鸣.基于非线性分形理论的心音信号分析研究［D］.重庆:重庆大学，2012.

［11］Nazeran H.Wavelet-based segmentation and feature extraction of heart sounds for intelligent PDA-base phonocardiography［J］.Methods In Med，2007，46(2):135-141.

［12］Samit Ari，Goutam Saha.In search of an optimization technique for Artificial Neural Network to classify abnormal heart sounds［J］.Applied Soft Computing，2009，9(1):330-340.

［13］贾丽会.分形理论在心音信号分析与识别中的应用研究［D］.湖南，中南大学，2007.

［14］郭兴明.基于小波变换和经验模式分解的心音信号研究［J］.生物医学工程学杂志.2012，31(1):39-44.

［15］郭兴明.基于小波变换和样本熵的心音识别研究［J］.计算机应用研究.2010，27(12):4555-4557.

［16］王新沛.样本熵快速算法的心音信号动力学分析［J］.振动与冲击，2010，29(11):115-118.

［17］Richman JS，Moorman JR.Physiological time-series analysis using approximate entropy and sample entropy［J］.Am J Physiol Heart Circ Physiol，2000，278(6):2039-2049.

［18］ACSM运动测试与运动处方指南［M］.王正珍译.北京:人民卫生出版社，2010.

［19］陈文伟.复杂度、归一化方法及其应用［D］.上海:复旦大学，2006.