基于遞歸復雜網絡的房顫預測分析方法研究.pdf

1、心房顫動(Atrial fibrillation-AF，簡稱房顫)是臨床最常見的一種房性心率失常，不僅影響患者的生活質量，嚴重的會引起腦卒中、心力衰竭等惡性疾病。在通常人群中房顫的發(fā)病率為0.4％到1％，在60歲以上人群中發(fā)病率升至5％-10％，嚴重威脅著人類尤其是老年人的健康和生命。
　　 臨床研究表明，房顫是心房外科手術后的共同并發(fā)癥，在接受冠狀動脈搭橋手術的患者中發(fā)生率為11％-40％；而在瓣膜手術患者中的發(fā)生率高達50％

2、；房顫導管射頻消融手術后也有40％的復發(fā)率。如果能在房顫開始前預測到房顫的發(fā)生及其嚴重程度就非常重要，一來可以阻止陣發(fā)性房顫患者的電生理重構，降低發(fā)生慢性房顫的危險；再者可以對心房外科手術后患者進行有效的術后監(jiān)測，在預測到房顫發(fā)生時能夠及時有效地采取措施，防止血栓栓塞和其它并發(fā)癥。因此，房顫的預測具有十分重要的研究意義和臨床價值。
　　 作為醫(yī)療界治療難題之一，房顫一直受到國內外學者的廣泛重視，目前房顫研究的兩個主要方面，即房顫

3、電生理和房顫識別，均是在房顫發(fā)生之后才進行分析的，很少有文獻提到房顫的預測，也很少有這方面的數(shù)據?；诖?，本論文希望通過動物實驗，獲取不同程度房顫發(fā)生之前心房的竇性電信號，圍繞心房動力系統(tǒng)的遞歸特性，首先用定量遞歸分析方法證明房顫的可提前預測性；然后采用遞歸復雜網絡時間序列分析方法，得到了較傳統(tǒng)定量遞歸分析方法更好的房顫預測性能；最后，采用粒度信息表示法在保持房顫預測精度的同時降低了特征提取的計算復雜度。
　　 論文的研究內容主

4、要集中在以下幾個方面：
　　 1、針對傳統(tǒng)的房顫研究方法只能檢測房顫發(fā)生后是否終止，不能提前預測房顫發(fā)生的不足，提出基于房顫發(fā)生前心房竇性電信號的房顫預測方法，為房顫研究提供了一個新的思路。1)文中設計了動物實驗，獲取了三個動物模型中不同房顫程度發(fā)生前的竇性信號。2)采用線性冗余和廣義冗余作為統(tǒng)計量，隨機相位化傅里葉變換方法產生替代數(shù)據，利用sigma檢測方法，證明了實驗信號具有非線性性質。3)采用定量遞歸分析方法分析了心房電信

5、號的動力學遞歸特性，發(fā)現(xiàn)心房動力系統(tǒng)從竇性轉向房顫過程中，定量遞歸參數(shù)的數(shù)值顯示漸變性，獲得了80.18％、89.98％和86.62％的預測敏感性、特異性和準確率，證明了房顫的可預測性。
　　 2、針對傳統(tǒng)定量遞歸分析方法只是基于點、線量化遞歸圖來提取系統(tǒng)遞歸特征的不足，提出從網絡的角度去量化遞歸圖參數(shù)、獲取動力系統(tǒng)空間遞歸特性的方法，大大提高了房顫預測性能。1)首先構建了心房電信號的遞歸復雜網絡，提取網絡的度分布、集群系數(shù)等常

6、規(guī)參數(shù)。同時根據不同健康狀況的心房動力系統(tǒng)的模體分布出現(xiàn)很大差異的特點，定義了四階群集系數(shù)和模體熵等新參數(shù)，從而較大改善了預測精度。提出的模體熵值隨著心房動力系統(tǒng)狀態(tài)的變化呈現(xiàn)顯著差異，可作為一個量化心房健康狀況的新指標。2)用遞歸復雜網絡模體分析的方法，對比分析了logistic映射系統(tǒng)在其混沌區(qū)域內的復雜混沌動力學行為和心房動力系統(tǒng)，發(fā)現(xiàn)心房系統(tǒng)具有l(wèi)ogistic參數(shù)取4時類似的復雜混沌狀態(tài)，從而從已知特性的動力系統(tǒng)去解釋心房動力

7、系統(tǒng)的復雜行為。
　　 3、對于心房遞歸復雜網絡特有的結構，常用的復雜網絡參數(shù)只能捕捉到局部結構，缺少可以從全局反應心房動力系統(tǒng)不同健康狀態(tài)的參數(shù)。因此，本論文研究了能全面刻畫遞歸復雜網絡拓撲結構的鄰接矩陣的特征譜，分析了心房動力系統(tǒng)在不同健康狀況下的網絡譜密度及其二階矩、三階矩和五階矩。實驗結果表明，基于鄰接矩陣特征譜的房顫預測準確率高于常規(guī)復雜網絡參數(shù)。
　　 4、針對傳統(tǒng)遞歸矩陣譜分析方法單閾值的缺陷，提出基于多閾

8、值譜分析的房顫預測方法。多閾值譜方法能最大限度地提取心房電信號復雜網絡的全局結構，避免因選取閾值單一性而導致的遞歸特性丟失。論文中還采用了基于最大相關性最小冗余性的特征選擇方法，提取最優(yōu)譜特征集合，獲得了高達99.8％的房顫預測準確率。
　　 5、針對高維心房電信號的計算復雜性，提出了基于粒度計算的房顫預測方法?；诹６刃畔⒈硎緦⒏呔S的心外膜信號，通過粒子群優(yōu)化算法映射至基于粒度的低維表示，然后提取復雜網絡參數(shù)進行房顫預測。實驗