健康人的心跳是一个典型的多输入的复杂系统,它在自发窦性节律的基础上,同时受自主神经系统——交感神经、副交感神经等多种因素的协调控制,因而呈现复杂的变异性,即心率变异性(heart rate variability, HRV)。作为评价自主神经系统的活动水平的一种无创性手段,对HRV的分析在评价心交感神经与迷走神经活动水平方面有着广泛的应用。由于产生HRV的心脏动力系统是非线性的,因此对HRV的分析应该采用非线性动力学分析法。目前在HRV的非线性分析方面,仍以幂律分析和熵分析为主；作为一种独特的非线性分析手段,时间不可逆性分析近来也被一些学者应用到HRV的分析中来,并且揭示了心脏动力系统的一些性质。但是这方面的研究仍停留在提出各种时间不可逆性测度并用其证明来自于健康个体的HRV具有时间不可逆性这一点上,即便是有些研究将其应用到了病理状态下,如充血性心力衰竭(congestive heart failure, CHF),却还有不一致的结论。本研究的目的就在于：寻找能恰当反映心脏动力系统在不同的生理病理状态下区别的时间不可逆性测度以揭示心脏动力系统本质,进而在临床应用中得到一致结论并形成诊断标准。为此,我们进行了如下工作：(1)基于多尺度思想,提出用(Pm%, Gm%)平面来直观地展示时间序列的不可逆性。我们称其为多尺度时间不可逆性(MSTI)分析法。通过数值仿真,我们确认该方法在重构具有时间延迟特性的动力系统的时间不可逆性时会更可靠,而心脏动力系统正是一个带有多级延迟、多级反馈控制模式的系统；当我们将(Pm%, Gm%)平面应用于健康人的HRV分析中时,替代数据检验的结果证明“健康人的RR间期序列普遍具有时间不可逆性”,这一点为“健康人的心率变异性是非线性的”的论点提供了有力的证据；同时发现一个值得深思的现象：这些点基本都落入第一象限并呈线性分布；当我们将MSTI法应用于人造序列时,该方法可以很明显地区分人造序列和真实生理序列,因此,该方法可以作为一个测试生理信号模型的工具；而当我们将其应用于来自于CHF患者的RR间期序列上时,我们找到了解释前人研究结果不一致的本质原因；最后,应用该方法对自行采集的11位健康年轻人的白天清醒和夜间睡眠时的RR间期序列分析的结果表明,健康年轻人HRV的时间不可逆性展现出了“夜间增强,日间减弱”的规律。(2)基于高维相空间重构的思想,提出将相空间重构图向多个2维平面投影,在每个投影平面上进行时间不可逆性分析,然后将多个平面上的分析结果综合考虑的方法。我们称之为高维的时间不可逆性(HDTI)分析法。相比于MSTI分析法,该方法同样能有效地区分人造序列和真实生理序列,以及展现健康人心脏动力系统特性的昼夜节律。而比MSTI分析法更具优势的是,在所分析的数据长度达到5000点时,HDTI方法还能揭示出年龄老化对健康人HRV的时间不可逆性的影响；且在较短的数据长度下(1000点),就能检测出疾病对HRV时间不可逆性的影响；而当我们将该方法应用于运动中和运动后的短时(约4-7分钟,数据长度为512点)的RR间期序列的分析中时,发现不可逆性测度值与心率的线性趋势项密切相关,其变化趋势正好反映了运动前、中、后交感迷走神经之间的这种从平衡态到非平衡态、再从非平衡态逐渐恢复到平衡态的过程。(3)鉴于符号动力学是非线性科学中一种重要而有效的理论方法,但目前鲜有对HRV进行符号化时间不可逆性分析的研究,因此,我们尝试利用符号动力学的原理与方法来探索HRV序列的时间不可逆性,目的在于从另一个角度来探索心脏动力系统的非线性特性及其复杂程度。为此我们做了如下一些工作：提出以序列概率分布的m等分位点作为符号划分依据的等概率符号化法；提出了5个衡量符号序列时间不可逆性的参数；利用仿真数据,比较了不同符号化方法与序列的时间不可逆研究结合的效果,结果表明等概率符号化的效果最优；利用基于等概率符号化的时间不可逆性测度来分析HRV,得到了与前述两种方法(MSTI和HDTI)一致的结论,即：来自于健康年轻人的RR间期序列最倾向于具有时间不可逆性,而随着年龄的老化以及疾病的出现,这种可能性会降低；健康年轻人的RR间期序列的时间不可逆性具有昼夜差异,夜间睡眠时不可逆性增强。等概率符号化时间不可逆性分析中的5个测度,在数据长度仅为500点的时,就都敏感地捕捉到了健康年轻人夜间睡眠和白天清醒时的心脏动力学特性的变化,而且,这些测度所反映出来的昼夜差异随着所考察的数据长度的增加变化很小；另外,其中的分布差异熵测度在区分健康人和CHF患者的RR间期序列时具有较强的敏感性。相比于前述两种方法,等概率符号化时间不可逆性方法在分析心率变异性信号上更显优势。(4)人工神经网络是由大量并行工作的神经元组成的智能仿生模型,它在模式识别领域已经展示出了广阔的应用前景。鉴于单一心率变异性指标所表达出来的信息具有片面性,很难用一个单一的指标来完全分类CHF患者和健康人的不足。因此,为了联合HRV的线性和非线性动力学分析方法,我们设计了多种指标组合来作为人工神经网络的输入特征向量。在网络的选择与训练过程中,我们以10次10折交叉验证的平均性能和平均迭代步数作为选择标准,确定了用于CHF诊断的智能模型的输入特征向量组合、网络结构和网络参数。当我们使用该模型对预留的16例样本数据(其中包括10例健康样本和6例CHF患者样本)和自行采集的11位健康年轻人的HRV序列进行分类时,仅有一例CHF患者没有被诊断出来,模型展现出了较好的泛化能力。需要指出的是,在最终确定的模型输入特征向量组合中,就有我们提出的符号化时间不可逆性指标,因此进一步证明了时间不可逆性分析在HRV的分析中起着不可忽视的作用。
